人工智能推理是指人工智能模型产生预测或结论。人工智能训练是让人工智能模型做出准确推理的过程。
阅读本文后,您将能够:
复制文章链接
在人工智能 (AI) 领域,推理是经过训练的机器学习模型*从全新数据中得出结论的过程。能够进行推理的人工智能模型可在没有所需结果实例的情况下进行推理。 换句话说,推理就是人工智能模型的实际运行。
人工智能推理的典型示例是,一辆自动驾驶汽车能够识别停车标志,即使是在其从未行驶过的道路上。在新的语境中识别该停止标志的过程就是推理。
另一个例子是:以职业体育运动员既往表现为基础进行训练的机器学习模型或许能够在其签约之前对其未来表现做出预测。这种预测就是一种推理。
*机器学习属于人工智能的一种。
要使机器学习模型具备辨认新的停车标志(或预测职业运动员表现)的能力,需要经过一个训练的过程。自动驾驶汽车的开发人员向模型展示了数以千计甚至数以百万计的停车标志图像。 运行该模型的车辆甚至会在道路上行驶(人类驾驶员作为后备),以便从试验和错误中学习。在充分的训练后,该模型最终具备了自主辨识停车标志的能力。
几乎所有人工智能在现实世界中的应用都仰仗人工智能推理。最常用的例子包括
从本质上讲,人工智能训练涉及向人工智能模型提供海量数据集。这些数据集既可以是结构化的,也可以是非结构化的,既可以是有标签的,也可以是无标签的。某些类型的模型可能需要输入及其预期输出的具体实例。其他模型(如深度学习模型)可能只需要原始数据。最终,当模型学会了识别模式或相关性,然后就能根据新的输入做出推理。
随着训练的进行,开发人员可能需要对模型进行微调。他们会让其在初始训练过程结束后立即提供若干推理,然后纠正输出结果。想象一下,一个人工智能模型被要求从宠物照片的数据集中识别狗的照片。如果模型识别的是猫的照片,那就需要进行某些调整。
人工智能程序将计算机的能力扩展到远超其先前能够完成的范围。但是,这样做的代价是需要使用比传统计算机程序更强的处理能力--就像对于一个人来说,解一个复杂的数学方程式比解“2 + 2”需要更多的注意力和专注度一样。
就算力而言,训练人工智能模型可能非常昂贵。不过,这通常是一次性的开支。一旦模型训练得当,理论上就无需再进行训练。
然而,推理是持续性的。如果一个模型正在使用中,它就会持续将其训练结果应用到新数据中,并做出更多推理。这需要相当大的算力,并且可能非常昂贵。
Cloudflare Workers AI向开发者提供全球范围内的 GPU 访问,以运行人工智能任务。与Vectorize 搭配使用,后者是用于生成和存储机器学习模型嵌入的服务。Cloudflare 还为维护训练数据集合提供了经济高效的对象存储服务-R2,这是一个零迁出费存储平台。