Termini AI essenziali: ricorrenza opaca e altri concetti importanti per comprendere l’intelligenza artificiale.
Si tratta del successivo addestramento di un modello di IA per ottimizzare le prestazioni per un compito o un’area più specifica rispetto a quanto fosse precedentemente il punto focale del suo addestramento – di solito alimentando nuovi dati specializzati (cioè orientati al compito). Molte startup di IA stanno prendendo come punto di partenza i grandi modelli di linguaggio per costruire un prodotto commerciale, ma stanno cercando di aumentare l’utilità per un settore o un compito di destinazione, integrando cicli di addestramento precedenti con un affinamento basato sulla conoscenza e sull’esperienza specifica del loro dominio.
[See: Grande modello di linguaggio [LLM])
Un GAN, o generative adversarial network, è un tipo di struttura di apprendimento automatico che sostiene alcuni importanti sviluppi nell’IA generativa quando si tratta di produrre dati realistici – compresi (ma non solo) strumenti deepfake. I GAN coinvolgono l’uso di una coppia di reti neurali, di cui una si basa sui dati di addestramento per generare un’uscita che viene passata all’altro modello per la valutazione.
I due modelli sono essenzialmente programmati per cercare di superarsi reciprocamente. Il generatore sta cercando di far passare la sua uscita oltre il discriminatore, mentre il discriminatore sta lavorando per individuare dati generati artificialmente. Questa gara strutturata può ottimizzare le uscite dell’IA per renderle più realistiche senza la necessità di ulteriori interventi umani. Anche se i GAN funzionano meglio per applicazioni più limitate (come la produzione di foto o video realistici), piuttosto che per l’IA di uso generale.
