Η Ιεραρχική Θέση των LLMs

1. Τεχνητή Νοημοσύνη (AI): Η γενική ομπρέλα.
2. Μηχανική Μάθηση (Machine Learning): Τα LLMs δεν ακολουθούν κανόνες που έγραψε άνθρωπος, αλλά μαθαίνουν από δεδομένα.
3. Βαθιά Μάθηση (Deep Learning): Χρησιμοποιούν τεράστια νευρωνικά δίκτυα (συγκεκριμένα την αρχιτεκτονική Transformer).
4. Επεξεργασία Φυσικής Γλώσσας (NLP): Είναι ο κλάδος που εστιάζει στην κατανόηση και παραγωγή ανθρώπινης ομιλίας/κειμένου.
5. Γεννητική ΤΝ (Generative AI): Εδώ ανήκουν τα LLMs, γιατί η δουλειά τους είναι να δημιουργούν νέο περιεχόμενο (κείμενο, κώδικα κ.λπ.) αντί να κάνουν απλώς μια ταξινόμηση.

Γιατί ονομάζονται έτσι;

• Large (Μεγάλα): Αναφέρεται στον τεράστιο αριθμό παραμέτρων (δισεκατομμύρια «συνδέσεις») και στον όγκο των δεδομένων στα οποία εκπαιδεύτηκαν (σχεδόν όλο το διαθέσιμο κείμενο από το internet και βιβλιοθήκες).
• Language (Γλωσσικά): Ο κύριος τομέας εξειδίκευσής τους είναι η γλώσσα.
• Models (Μοντέλα): Είναι μαθηματικά μοντέλα που προβλέπουν την πιθανότητα της επόμενης λέξης σε μια πρόταση.

Τα LLMs ανήκουν στην Ασθενή / Στενή ΤΝ (Narrow AI), καθώς είναι εξειδικευμένα στη γλώσσα, παρόλο που η ικανότητά τους να απαντούν σε σχεδόν τα πάντα μας δίνει συχνά την ψευδαίσθηση ότι πλησιάζουν τη Γενική ΤΝ (AGI).

Το Data Science (Επιστήμη Δεδομένων) είναι ένας ευρύτερος κλάδος που «συνομιλεί» με την Τεχνητή Νοημοσύνη, αλλά έχει διαφορετικό τελικό στόχο.

Ενώ η ΤΝ επικεντρώνεται στο να κάνει τη μηχανή να δράσει έξυπνα, το Data Science επικεντρώνεται στο να βγάλει νόημα από τα δεδομένα.

Η σχέση τους:

Φαντάσου το Data Science σαν μια μεγάλη εργαλειοθήκη. Η Μηχανική Μάθηση (ML) και η ΤΝ είναι κάποια από τα πιο ισχυρά εργαλεία μέσα σε αυτή την εργαλειοθήκη.

• Data Science (Επιστήμη Δεδομένων): Είναι η διαδικασία καθαρισμού, ανάλυσης και οπτικοποίησης δεδομένων για την εξαγωγή συμπερασμάτων. Χρησιμοποιεί Στατιστική, Μαθηματικά και Προγραμματισμό.
• Τεχνητή Νοημοσύνη (AI): Είναι ο στόχος του να δημιουργήσουμε συστήματα που εκτελούν εργασίες οι οποίες απαιτούν ανθρώπινη νοημοσύνη.
• Η τομή τους: Ένας Data Scientist χρησιμοποιεί συχνά αλγορίθμους ΤΝ και Μηχανικής Μάθησης για να προβλέψει μελλοντικές τάσεις (π.χ. «πόσες πωλήσεις θα κάνουμε τον επόμενο μήνα;»).

Είναι άϋλη, είναι software.  Μιμείται τις γνωστικές λειτουργίες του ανθρώπου, όπως η μάθηση, ο σχεδιασμός και η δημιουργικότητα.

Πώς χωρίζεται η Τεχνητή Νοημοσύνη;

Η ΤΝ κατηγοριοποιείται με δύο βασικούς τρόπους: με βάση τις ικανότητές της (πόσο «έξυπνη» είναι) και με βάση τη λειτουργικότητά της.

1. Με βάση τις Ικανότητες (Capabilities)

Αυτή είναι η πιο συνηθισμένη διάκριση και δείχνει το επίπεδο εξέλιξης της τεχνολογίας:

• Στενή ή Ασθενής ΤΝ (Narrow / Weak AI): Είναι η ΤΝ που γνωρίζουμε σήμερα. Είναι εξειδικευμένη σε μια συγκεκριμένη εργασία (π.χ. ο ChatGPT, οι αλγόριθμοι του Netflix, η αναγνώριση προσώπου). Δεν έχει πραγματική συνείδηση, απλώς εκτελεί άψογα έναν συγκεκριμένο σκοπό.
• Γενική ΤΝ (General AI / AGI): Πρόκειται για ένα θεωρητικό επίπεδο όπου η μηχανή θα μπορεί να κατανοήσει και να εκτελέσει οποιαδήποτε πνευματική εργασία μπορεί να κάνει ένας άνθρωπος. Θα έχει κρίση, φαντασία και αυτογνωσία. Δεν έχει επιτευχθεί ακόμα.
• Υπερ-νοημοσύνη (Super AI): Το στάδιο όπου η νοημοσύνη των μηχανών θα ξεπεράσει κατά πολύ την ανθρώπινη σε όλους τους τομείς (δημιουργικότητα, σοφία, κοινωνικές δεξιότητες). Παραμένει σενάριο επιστημονικής φαντασίας.

2. Με βάση τη Λειτουργικότητα (Functionality)

Εδώ εξετάζουμε πώς επεξεργάζεται τις πληροφορίες το σύστημα:

1. Αντιδραστικές Μηχανές (Reactive Machines): Δεν έχουν μνήμη και δεν μπορούν να χρησιμοποιήσουν προηγούμενες εμπειρίες για να πάρουν αποφάσεις (π.χ. ο Deep Blue της IBM που έπαιζε σκάκι).
2. Περιορισμένη Μνήμη (Limited Memory): Μπορούν να αποθηκεύουν δεδομένα για μικρό χρονικό διάστημα και να μαθαίνουν από αυτά (π.χ. τα αυτοκινούμενα αυτοκίνητα που «βλέπουν» την κίνηση γύρω τους).
3. Θεωρία του Νου (Theory of Mind): Μια μελλοντική μορφή ΤΝ που θα μπορεί να κατανοεί ανθρώπινα συναισθήματα, πεποιθήσεις και κοινωνικές αλληλεπιδράσεις.
4. Αυτογνωσία (Self-aware AI): Το ανώτατο στάδιο όπου η ΤΝ αποκτά δική της συνείδηση και αντιλαμβάνεται την ύπαρξή της.

Οι Βασικοί Πυλώνες (Υποκλάδοι)

Στην πράξη, όταν μιλάμε για ΤΝ σήμερα, αναφερόμαστε κυρίως σε δύο έννοιες:

• Μηχανική Μάθηση (Machine Learning): Η μέθοδος όπου ο υπολογιστής «μαθαίνει» μόνος του μέσα από τεράστιους όγκους δεδομένων, εντοπίζοντας μοτίβα.
• Βαθιά Μάθηση (Deep Learning): Ένα υποσύνολο της μηχανικής μάθησης που χρησιμοποιεί «τεχνητά νευρωνικά δίκτυα» (εμπνευσμένα από τον ανθρώπινο εγκέφαλο) για να λύνει πολύ περίπλοκα προβλήματα.