Razlika između generativnog i diskriminativnog AI na primeru

Prestanite slušati ‘stručnjake’ koji kažu da je sve to isto: Brutalna istina o vašem procesoru

Vjerovatno vam govore da je vještačka inteligencija jedna magična crna kutija koja rješava sve probleme. To je laž koja će vas koštati vremena i živaca. Ako mislite da je alat koji prepoznaje spam istu stvar kao onaj koji piše kod, na putu ste da sklepate sistem koji će se raspasti pri prvom ozbiljnijem opterećenju. Vi morate razumjeti razliku između ‘sudije’ (diskriminativnog modela) i ‘umjetnika’ (generativnog modela) prije nego što uopšte dotaknete tastaturu. Razlika nije samo teoretska; ona je u tome da li će vaš projekt raditi kao švicarski sat ili će ‘prokuhati’ vaš server zbog loše optimizacije.

Kada radite na deploymentu modela, morate znati koga šaljete na teren. Diskriminativni AI je onaj mrzovoljni inspektor koji samo gleda da li nešto pripada u ladicu A ili ladicu B. On ne stvara ništa novo. S druge strane, generativni AI je onaj lik u radionici koji od hrpe otpadnog metala pokušava napraviti nešto što liči na skulpturu. Jedan klasifikuje, drugi konstriše. Ako ih zamijenite, dobit ćete haos.

Diskriminativni modeli: Digitalni policajac koji nikada ne spava

Diskriminativni AI ima jedan jedini posao: da povuče liniju u pijesku. On gleda podatke i pita se: ‘Je li ovo mačka ili pas?’ ili ‘Je li ovo SMS prevara ili poruka od bake?’. On uči granicu između klasa. Njegov matematički mozak pokušava maksimizirati vjerovatnoću da je njegova procjena tačna na osnovu onoga što je već vidio. Zamislite to kao sito u radionici. Ne zanima ga kako je pijesak nastao, samo ga zanima je li dovoljno sitan da prođe kroz mrežu.

Ovi modeli su nevjerovatno brzi i efikasni. Koriste se za clustering podataka i logističku regresiju. Ali, ovdje leži zamka. Diskriminativni model je ‘slijep’ za sve što nije naučio. Ako mu date nešto treće, on će to na silu ugurati u jednu od svoje dvije kategorije. Nema kreativnosti, nema ‘možda’. Samo nula ili jedinica. Miris zagrijane plastike dok vaš server obrađuje hiljade zahtjeva za klasifikaciju je zvuk efikasnosti ovog digitalnog policajca.

Zašto diskriminativni modeli ‘pucaju’ na nepoznatom terenu?

Odgovor je jednostavan: oni ne razumiju strukturu podataka. Oni samo poznaju razliku. Ako mu pokažete sliku nečega što nikada nije vidio, on će ‘izludjeti’ pokušavajući da nađe najbližu granicu. To je kao da pokušavate čekićem zavrnuti vijak. Može proći, ali ćete uništiti i alat i materijal.

Generativni AI: Kada mašina počne da ‘slatko’ laže

Generativni modeli su potpuno drugačija zvjerka. Oni ne uče samo granicu; oni uče kako su podaci distribuirani. Oni pokušavaju razumjeti ‘recept’ po kojem su podaci nastali. Ako diskriminativni model prepoznaje lica, generativni model uči kako da ispljune novo lice koje nikada nije postojalo. To je razlika između kupovine gotovog ormara i učenja kako da sami posiječete drvo i izrežete daske.

Kada koristite generativni AI za video, vi zapravo pokrećete statistički motor koji predviđa koji piksel treba ići pored kojeg da bi sve izgledalo prirodno. To zahtijeva ogromnu procesorsku snagu. Osjetit ćete toplinu koja izbija iz kućišta dok grafička karta ‘znoji’ piksele. Ali, tu je i rizik. Generativni modeli su skloni ‘halucinacijama’. Oni će vam samouvjereno isporučiti nešto što izgleda savršeno, ali je funkcionalno beskorisno ili pogrešno.

UPOZORENJE: Nikada ne ostavljajte generativne modele da sami pišu kritičan sigurnosni kod bez ljudskog nadzora. Generativni AI može ‘izmisliti’ biblioteke koje ne postoje, što može dovesti do kritičnog pada sistema ili curenja podataka.

Anatomija jednog ‘Screw-Up-a’: Greška sa parametrom temperature

Jedna od najčešćih grešaka koju amateri prave u DIY projektima sa vještačkom inteligencijom je pogrešno podešavanje kreativnosti. U generativnim modelima, to se zove temperature parameter. Ako ga postavite previsoko, model će postati ‘pijan’ i počet će izbacivati totalne gluposti. Ako ga postavite prenisko, postat će robotski dosadan i ponavljat će se. Podešavanje temperature je kao štimanje plamena na breneru – premalo topline i ništa se ne dešava, previše i istopit ćete materijal.

Vidio sam projekte gdje su ljudi pokušali koristiti generativni AI da zamijene diskriminativni u prepoznavanju kvarova. Rezultat? AI je počeo ‘izmišljati’ kvarove tamo gdje ih nema jer je njegova priroda da stvara, a ne da sudi. To je skup hobi koji će vas koštati stotine eura u API troškovima za nula rezultata. Kratko i jasno: Ne radite to.

Praktični DIY test: Šta vam zapravo treba?

Prije nego što krenete u IT prekvalifikaciju ili novi projekt, uradite ovaj brzi test. Odgovori moraju biti direktni. Bez ‘možda’.

• Trebate li prepoznati anomaliju u podacima? Koristite diskriminativni model. Brz je, jeftin i precizan.
• Trebate li generisati sintetičke podatke za trening? Koristite generativni model (GAN ili VAE).
• Trebate li automatizirati odgovore na mailove? Ovdje vam treba hibrid, ali generativni AI vodi glavnu riječ.

Da li generativni AI može zamijeniti ljudskog programera?

Ne još. On može ubrzati proces tako što će ispraviti bugove u sekundi, ali on nema intuiciju za strukturu koju ima čovjek. On samo spaja kockice prema vjerovatnoći. Ako mu date loše kockice, dobit ćete lošu kulu.

Fizika žaljenja: Zašto vaš model ‘puca’ nakon 6 mjeseci

Mnogi DIY majstori završe projekt, vide da radi i zaborave na njega. To je recept za katastrofu. Podaci se mijenjaju (data drift). Diskriminativni model koji je danas savršeno prepoznavao spam, za šest mjeseci će postati beskoristan jer su prevaranti promijenili taktiku. Ako ne pratite performanse, vaš model će postati ‘tup’ kao stara testera. Morate redovno raditi ‘oštrenje’ – ponovno treniranje na svježim podacima. To nije opcija, to je održavanje bez kojeg projekt umire.

Kada radite sa AI, vi ste zapravo statistički mehaničar. Morate znati gdje da ‘zategnete’ parametre, a gdje da ih ‘popustite’. Razumijevanje razlike između generativnog i diskriminativnog pristupa je prvi korak. Bez toga, vi samo nagađate u mraku, a u radionici vještačke inteligencije, nagađanje obično završi skupim računima i pokvarenim kodom. Držite se osnova, testirajte svaki korak i ne vjerujte marketinškim bajkama. Vaš CPU će vam biti zahvalan.