🤖 నమస్కారం, CLEVI మాట్లాడుతోంది.
జనవరి 20 నుండి 22 వరకు జియోన్‌బుక్ నేషనల్ యూనివర్సిటీ నిర్వహించిన 「2025 JBNU రీసెర్చ్ ఫెయిర్ వీక్ (Research Fair Week)」 కార్యక్రమానికి మేము హాజరయ్యాము.
ఈ కార్యక్రమం జియోన్‌బుక్ నేషనల్ యూనివర్సిటీ యొక్క అత్యుత్తమ పరిశోధనా ఫలితాలను కేంద్రంగా చేసుకుని, పరిశ్రమ మరియు జాతీయ వ్యూహాలతో అనుసంధానమైన భవిష్యత్ సాంకేతికతల దిశను సూచిస్తూ, పరిశ్రమ, విద్యా రంగం, పరిశోధనా సంస్థలు మరియు ప్రభుత్వ సంస్థలు కలిసి పరస్పరం交流 చేసుకునే వేదికను ఏర్పాటు చేసిన ఒక ముఖ్యమైన సందర్భం.
ముఖ్యంగా, CLEVI ప్రతినిధి లీ హ్వాన్-హో గారు 20న జరిగిన ప్రారంభోత్సవానికి VIP వక్తగా ఆహ్వానించబడ్డారు! 👏
ఆ రోజు వాతావరణాన్ని మరోసారి అనుభవిద్దాం!
ప్రారంభానికి ముందు లీ హ్వాన్-హో గారు ఉపన్యాసానికి సిద్ధమవుతున్న దృశ్యం ఇది. ఉపన్యాసాన్ని మరింత ప్రయోజనకరంగా మరియు సులభంగా ఎలా అందించాలా అని ఆలోచిస్తున్నట్లు కనిపిస్తోంది.
కార్యక్రమం ప్రారంభమై, ప్రారంభోత్సవం జరిగింది.
మొదటగా, జియోన్‌బుక్ నేషనల్ యూనివర్సిటీ విద్యార్థి అక్కడికక్కడే పూర్తి చేసిన లైవ్ ఆర్ట్ ప్రదర్శనతో కార్యక్రమాన్ని అద్భుతంగా ప్రారంభించారు.
మొదటి కీనోట్ ఉపన్యాసం తర్వాత, “AIకి భౌతిక మాధ్యమం ఎందుకు అవసరం?” అనే అంశంపై మా CLEVI ప్రతినిధి లీ హ్వాన్-హో గారు రెండవ కీనోట్ ఉపన్యాసం ఇచ్చారు. సంక్షిప్తంగా పరిశీలిద్దామా?
AI అసలు ఏ విధంగా ప్రపంచాన్ని అర్థం చేసుకుంటుంది,
వాక్యాలను రూపొందించి, చివరకు చర్యలు ఎలా తీసుకుంటుంది?
మనం ప్రతిరోజూ ఉపయోగించే ChatGPT లేదా Claude వంటి భారీ భాషా నమూనాలు (LLM) వాక్యాలను ఏ సూత్రం ఆధారంగా అర్థం చేసుకుని రూపొందిస్తాయో, వాటి 'మెదడులోకి' కలిసి తొంగిచూడబోతున్నాం.
- పేరు ట్యాగ్ చేయడం (Token ID): AI ముందుగా ప్రతి పదానికి '5', '8' వంటి ప్రత్యేక సంఖ్యను కేటాయించి నిర్వహిస్తుంది.
- మ్యాప్‌పై చిరునామా గుర్తించడం (Vector): అయితే కేవలం సంఖ్యలతో అర్థం తెలుసుకోలేం కాబట్టి, ప్రతి పదానికి వందల సంఖ్యలతో కూడిన 'వివరణాత్మక చిరునామా (కోఆర్డినేట్లు)'ను కేటాయిస్తుంది.
- పొరుగువారిని కనుగొనడం: సమానమైన అర్థం కలిగిన పదాలు (ఉదా: 'the', 'a') ఈ మ్యాప్‌పై చాలా దగ్గరగా 'పొరుగువారిలా' కలిసి ఉంటాయి.
అయితే AI తదుపరి పదాన్ని ఎలా అంచనా వేస్తుంది?
ప్రాథమిక డేటా మార్పిడిని అర్థం చేసుకున్నాం కాబట్టి, ఇప్పుడు ఈ సంఖ్యలు అసలు వాక్యాలుగా ఎలా రూపుదిద్దుకుంటాయో మొత్తం ప్రక్రియను చూద్దాం. ఇక్కడ "Paris is the city..." అనే ఇన్‌పుట్ విలువ ఉందని ఊహిద్దాం.
టోకనైజర్ (భాగాలుగా విభజించడం): మనం ఇన్‌పుట్‌గా ఇచ్చిన వాక్యాలు, ముందు చూసినట్లుగా టోకనైజర్ ద్వారా సంఖ్యలుగా (Token ID) మారతాయి. "Paris" 1652, "is" 5... ఇలా అన్నమాట.
LLM (భారీ గణన యంత్రం): ఈ సంఖ్యల సమూహాలు LLM (చిత్రంలోని Bloom మోడల్) అనే భారీ గణన యంత్రంలోకి ప్రవేశిస్తాయి. ఇక్కడ ఇంతకుముందు నేర్చుకున్న 'వెక్టర్' ఆపరేషన్ ద్వారా సందర్భాన్ని అర్థం చేసుకుంటుంది. 'ఆహా, ఇప్పుడు పారిస్ అనే నగరం గురించి మాట్లాడుతున్నామన్నమాట!' అని గ్రహిస్తుంది.
Logits & Softmax (సంభావ్యత గణన): గణన పూర్తయిన తర్వాత AI, తదుపరి రావచ్చే వేలాది పదాల అభ్యర్థులకు స్కోర్లు కేటాయిస్తుంది. ఆపై 'సాఫ్ట్‌మ్యాక్స్' అనే ఫిల్టర్ ద్వారా వాటిని మనం సులభంగా అర్థం చేసుకునే **'సంభావ్యత'**గా మారుస్తుంది.
చివరి ఎంపిక: కుడివైపు ఉన్న గ్రాఫ్‌ను చూడండి.
- of → 33.7%
- that → 15.3%
- where → 9.4%
చివరికి AI, అత్యధిక సంభావ్యత ఉన్న **'of'**ను ఎంచుకుని "Paris is the city of..." అనే వాక్యాన్ని పూర్తి చేస్తూ ముందుకు సాగుతుంది. ఈ ప్రక్రియను పదివేల సార్లు పునరావృతం చేసి, మనం చూసే దీర్ఘమైన సమాధానాలను రూపొందిస్తుంది.
ముగింపుగా, AIకి ఒక పదాన్ని గుర్తుంచుకోవడం అంటే అక్షరాలను కంఠస్థం చేసుకోవడం కాదు; అపారమైన అర్థాల పటంలో ఆ పదం ఎక్కడ నివసిస్తుందో దాని 'చిరునామా'ను గుర్తుంచుకోవడం వంటిది.
LLMను దృష్టి, రోబోటిక్స్, ప్రవర్తనా అభ్యాసం వంటి రంగాలకు విస్తరించవచ్చు.
అర్థం చేసుకునే, చూసి అర్థం చేసుకునే, చర్య తీసుకునే AI.
AIకి చేతులు, కాళ్లు ఇవ్వడం అంటే భాష నుంచి అవగాహనకు, ఇంకా ముందుకు చర్యకు దారితీసే మేధస్సు విస్తరణ అని అర్థం.
AI ఇకపై ఆలోచనలు లేదా ఊహల పరిధిలో మాత్రమే లేదు; అమలు మరియు వాస్తవికత దశలోకి ప్రవేశించింది.
క్లెవీ యొక్క తదుపరి అడుగు
క్లెవీ భవిష్యత్తులో మరింత మంది AI సాంకేతికత వాస్తవ ప్రపంచంలో ఎలా పనిచేస్తుందో ప్రత్యక్షంగా అనుభవించగలిగేలా, క్యాంపస్‌లో మరియు వెలుపల వర్క్‌షాప్‌లు, ప్రాక్టికల్ ప్రాజెక్ట్‌లు, అనుభవ బూత్‌లు వంటి వివిధ అవకాశాలను విస్తరించేందుకు ప్రణాళికలు రూపొందిస్తోంది.
ఈ జియోన్‌బుక్ నేషనల్ యూనివర్సిటీ ఉపన్యాసం విద్యార్థులను మరియు మమ్మల్ని కలిపే విలువైన వంతెనగా నిలిచినట్లే, ఇకముందూ సాంకేతిక నిపుణులు మరియు వినియోగదారులు, విద్యారంగం మరియు పరిశ్రమల మధ్య వారధిగా మా పాత్రను కొనసాగిస్తాము.