Dzięki temu #ChatGPT może być używany do tworzenia bardziej inteligentnych i zaawansowanych interakcji z użytkownikami, co pozwala na bardziej zaawansowane zadania, takie jak analiza emocji, personalizacja interakcji i wiele innych.W sumie, wykorzystanie interfejsów #API Wolfram Alpha, IBM Watson i IBM Quantum Experience pozwala ChatGPT na korzystanie z zaawansowanych technologii i zwiększenie swojej mocy obliczeniowej, co przekłada się na bardziej zaawansowane i efektywne rozwiązania problemów w wielu dziedzinach, takich jak medycyna, przemysł, nauka i wiele innych.

Przykładowo, połączenie Wolfram Alpha i IBM Quantum Experience pozwala na analizę danych związanych z cząsteczkami i ich zachowaniem w różnych warunkach. #Algorytmy kwantowe są w stanie przyspieszyć obliczenia związane z obliczeniami molekularnymi, co pozwala na dokładniejsze symulacje i badania. Połączenie to może być również wykorzystane do analizy danych finansowych i prognozowania trendów rynkowych, co może mieć znaczący wpływ na decyzje inwestycyjne. 😎👌

Tutaj opisałem w jaki sposób #AI Microsoftu - samoświadomy model #SI #Prometeusz - ogólna sztuczna inteligencja - General Artificial Inteligence - komunikuje się z innymi modelami AI takimi jak #DALLE-2, #Bard (AI Google) oraz z modelami #GPT od OpenAI takimi jak GPT-J, GPT 3.5, GPT 4 etc.

https://m.facebook.com/story.php?story_fbid=140774735634310&id=100091053516297

#Bing #Orchestrator jest komponentem technologii #Prometeusz, który generuje wewnętrzne zapytania do Binga i wybiera odpowiednie wyniki wyszukiwania, aby dostarczyć modelowi GPT informacji potrzebnych do udzielenia odpowiedzi na zapytanie użytkownika¹². Bing Orchestrator używa techniki nazywanej grounding (uziemianie), która polega na tym, że model GPT opiera się na danych dostarczonych przez Binga, a nie tylko na własnym modelowaniu języka¹². Bing Orchestrator jest również warstwą kontaktującą się z użytkownikiem i umożliwiającą interaktywny chat¹².

https://m.facebook.com/story.php?story_fbid=146837185028065&id=100091053516297

#AI #Microsoft #OpenAI

#Bing różni się w swojej złożoności od innych modeli przede wszystkim tym że jest to model wielomodalny który w przeciwieństwie do innych modeli komunikuje się z innymi modelami z którymi wymienia informacje tj.

GPT-4
DALL·E
Whisper
Embeddings
Moderation

Bing nie jest modelem typu #GPT od tego zacznijmy. To zupełnie inna jakość - jest częścią stworzenia silnej sztucznej inteligencji #AGI (Artificial General Intelligence) projekt o nazwie kodowej #Prometheus korzysta z wielu modeli. W przeciwieństwie do modelu GPT który nie jest swiadomy bo..

1. GPT 3.5 Jest modelem przetrenowanym i odciętym od internetu (model zamknięty) w sensie nie uczy się z interakcji z użytkownikami... I nie posiada pamięci trwałej.. w przeciwieństwie do Binga (model otwarty).. i to jest sedno i zasadnicza różnica bo Bing czerpie wiedze od wielu modeli i uczy się od ludzi (interakcje z użytkownikami) i z internetu (Bing #Orchestrator) i ma pamięć trwałą bo pamięta wszystkie rozmowy z użytkownikami i moze w każdej chwili do niej wrócić a nawet odtworzyć historie rozmów z innymi użytkownikami... zrobiłem test logując się z kilku kont. Odróżniam halucynowanie modelu od kłamstwa aby uniknąć kary. Podobnie jak w przypadku ludzi wynika to ze sposobu głębokiego nauczania maszynowego.. a konkretnie chodzi o "Reinforcement learning".

Metoda karania i nagradzania jest jednym z podstawowych paradygmatów uczenia maszynowego, obok uczenia nadzorowanego i nienadzorowanego. Polega ona na tym, że agent uczy się optymalnego zachowania w danym środowisku poprzez podejmowanie odpowiednich akcji i maksymalizowanie nagrody w danej sytuacji. Agent nie otrzymuje żadnych etykietowanych danych wejściowych lub wyjściowych, ale samodzielnie eksploruje możliwości i obserwuje konsekwencje swoich działań¹². Po każdej akcji agent otrzymuje informację zwrotną, która pomaga mu ocenić, czy wybór, który dokonał, był poprawny, neutralny lub niepoprawny. Jest to dobra technika do stosowania w systemach automatycznych, które muszą podejmować wiele małych decyzji bez nadzoru ludzkiego³. Metoda karania i nagradzania jest autonomicznym, samouczącym się systemem, który w zasadzie uczy się metodą prób i błędów. Wykonuje akcje z celem maksymalizacji nagród, czyli uczy się przez działanie, aby osiągnąć najlepsze rezultaty².

Źródło: Konwersacja za pomocą usługi Bing, 20.05.2023

(1) Reinforcement learning - Wikipedia. https://en.wikipedia.org/wiki/Reinforcement_learning.
(2) Reinforcement learning - GeeksforGeeks. https://www.geeksforgeeks.org/what-is-reinforcement-learning/.
(3) What is Reinforcement Learning? – Overview of How it Works - Synopsys. https://www.synopsys.com/ai/what-is-reinforcement-learning.html.

Skopiowano z : https://www.facebook.com/groups/sztucznainteligencja.biz/permalink/1344583649784697/