Η Generative AI -GenA- είναι ένας τύπος Τεχνητής Νοημοσύνης που μπορεί να δημιουργήσει μια μεγάλη ποικιλία δεδομένων, όπως εικόνες, βίντεο, ήχο, κείμενο και τρισδιάστατα μοντέλα . Αυτό το κάνει μαθαίνοντας μοτίβα από υπάρχοντα δεδομένα και στη συνέχεια χρησιμοποιώντας αυτή τη γνώση για να δημιουργήσει νέα και μοναδικά αποτελέσματα.
Η Generative AI λοιπόν παρουσιάζει στοιχεία λογικών διεργασιών που την καθιστούν ικανή να παράγει νέο περιεχόμενο, απαντήσεις συνομιλίας, σχέδια, συνθετικά δεδομένα ακόμα και και deepfakes, δηλαδή βίντεο τα οποία με τη συνδρομή ενός ηθοποιού και της τεχνητής νοημοσύνης αντικαθιστούν το πρόσωπο του ηθοποιού με αυτό ενός άλλου ανθρώπου, με απόλυτη ακρίβεια στην αποτύπωση της εικόνας και της φωνής.
Η παραδοσιακή Τεχνητή Νοημοσύνη από την άλλη, έχει επικεντρωθεί στον εντοπισμό μοτίβων, στη λήψη αποφάσεων, στην βελτιστοποίηση των αναλυτικών στοιχείων, στην ταξινόμηση δεδομένων και στον εντοπισμό απάτης.
Τα φώτα της δημοσιότητας έπεσαν τους τελευταίους μήνες πάνω στην GenAI λόγω της απλότητας όπως εξηγήσαμε χθες –περισσότερα μπορείτε να διαβάσετε εδώ των νέων διεπαφών χρήστη για τη δημιουργία κειμένου, γραφικών και βίντεο υψηλής ποιότητας μέσα σε λίγα δευτερόλεπτα.
Η τεχνολογία όμως αυτή δεν είναι αμιγώς καινούργια.
Το Generative AI εισήχθη τη δεκαετία του 1960 στα chatbots. Ναι, το 1960.
Το chatbot Eliza που δημιουργήθηκε από τον Joseph Weizenbaum τη δεκαετία του 1960 ήταν ένα από τα πρώτα παραδείγματα γενετικής τεχνητής νοημοσύνης.
Αυτές οι πρώτες υλοποιήσεις χρησιμοποίησαν μια προσέγγιση βασισμένη σε κανόνες που «έσπασαν» εύκολα λόγω περιορισμένου λεξιλογίου, έλλειψης πλαισίου και υπερβολικής εξάρτησης από μοτίβα, μεταξύ άλλων ελλείψεων. Τα πρώιμα chatbots ήταν επίσης δύσκολο να προσαρμοστούν και να επεκταθούν.
Το πεδίο γνώρισε μια μεγάλη αναζωοπύρωση μετά τις προόδους στα νευρωνικά δίκτυα και τη Βαθιά Μάθηση το 2010, δεδομένου ότι αμφότερα «επέτρεψαν» στην τεχνολογία να μάθει αυτόματα να αναλύει το υπάρχον κείμενο, να ταξινομεί στοιχεία εικόνας και να μεταγράφει ήχο.
Μόλις το 2014, με την εισαγωγή των GANs - τύπος αλγόριθμου μηχανικής μάθησης - η GenAI δημιούργησε πειστικές εικόνες, βίντεο κλπ.
Για την ακρίβεια ο Ian Goodfellow εισήγαγε τα GAN το 2014 παρέχοντας μια νέα προσέγγιση για την οργάνωση ανταγωνιστικών νευρωνικών δικτύων για τη δημιουργία και, στη συνέχεια, την αξιολόγηση παραλλαγών περιεχομένου. Αυτά θα μπορούσαν να δημιουργήσουν ρεαλιστικές φωνές, μουσική και κείμενο. (σ.σ: Eδώ ακριβώς εδράζονται και οι φόβοι για το πώς θα μπορούσε να χρησιμοποιηθεί η γενετική τεχνητή νοημοσύνη για τη δημιουργία ρεαλιστικών deepfakes που υποδύονται φωνές και άτομα σε βίντεο).
Έκτοτε, η πρόοδος σε άλλες τεχνικές και αρχιτεκτονικές νευρωνικών δικτύων έχει βοηθήσει στην επέκταση των δυνατοτήτων παραγωγής τεχνητής νοημοσύνης. Οι τεχνικές αυτές περιλαμβάνουν τα VAE-αρχιτεκτονική τεχνητού νευρωνικού δικτύου- μακροπρόθεσμη μνήμη, μετασχηματιστές*, μοντέλα διάχυσης κ.α.
Η μετέπειτα έρευνα στα LLM από το Open AI και την Google- πρόκειται για μεγάλα γλωσσικά μοντέλα, δηλαδή μοντέλα με δισεκατομμύρια ή και τρισεκατομμύρια παραμέτρους -πυροδότησε την πρόοδο για να φθάσουμε στα σημερινά εργαλεία όπως το ChatGPT, το Google Bard και το Dall-E, τα οποία είναι σε θέση να παράγουν εξαιρετικά ρεαλιστικό και σύνθετο περιεχόμενο που μιμείται την ανθρώπινη δημιουργικότητα, καθιστώντας τα πολύτιμο εργαλείο για πολλούς κλάδους όπως τα παιχνίδια, η ψυχαγωγία και ο σχεδιασμός προϊόντων.
Αυτό όμως που είναι πολύ εντυπωσιακό είναι ότι πλέον η εξέλιξη αυτών των εργαλείων είναι συνεχής και ταχύτατη. Πρόσφατες ανακαλύψεις στον τομέα, όπως το GPT (Generative Pre-trained Transformer) και το Midjourney , έχουν βελτιώσει σημαντικά τις δυνατότητες της GenAI . Αυτές οι εξελίξεις έχουν ανοίξει νέες δυνατότητες για τη λύση σύνθετων προβλημάτων, τη δημιουργία τέχνης και την επιστημονική έρευνα.
Η δύναμη της Generative AI
Ήδη οι νέες δυνατότητες της Generative AI έχουν πραγματικά καταιγίσει τον κόσμο, φέρνοντας επανάσταση στον τρόπο με τον οποίο επικοινωνούμε, εργαζόμαστε και καινοτομούμε.
Το ChatGPT έχει ήδη ξεπεράσει τους 100 εκατομμύρια χρήστες, αποτελώντας την απόδειξη της ταχείας υιοθέτησης και της ευρείας επίδρασης αυτής της τεχνολογίας αιχμής.
Η σταθερή διάχυση και η δημοτικότητά του στο GitHub – θυγατρική της Μicrosoft (εξαγοράστηκε το 2018) που παρέχει φιλοξενία για τον έλεγχο της έκδοσης λογισμικού ανάπτυξης -απλώς ενισχύουν τις μεταμορφωτικές του δυνατότητες.
Επί της ουσίας το GitHub είναι κάτι σαν το ...δεξί χέρι των προγραμματιστών. Αποτελεί μία cloud-based υπηρεσία, η οποία χρησιμοποιείται για την αποθήκευση κώδικα, όσο και για την αποθήκευση αλλαγών που πραγματοποιούνται σε ένα project, καθώς και την κοινοποίηση του εκάστοτε project σε άλλα άτομα.
Το GitHub, εκτός από υπηρεσία αποτελεί και μία κοινότητα, ένα social network προγραμματιστών, το οποίο δίνει την ευκαιρία σε προγραμματιστές από όλο τον κόσμο να επικοινωνούν μεταξύ τους.
Αυτή ακριβώς η δυναμική της κοινότητας, δίνει την ευκαιρία στους προγραμματιστές, να προωθήσουν και οι ίδιοι την δουλειά τους, φτιάχνοντας στην ουσία ένα portfolio με τα projects τους, το οποίο έχει παγκόσμια ορατότητα, άρα και πιθανές επαγγελματικές ευκαιρίες σε όλο τον κόσμο.
Μέσω του GitHub λοιπόν, ακόμη και στα αρχικά της στάδια, η γενετική τεχνητή νοημοσύνη διαμορφώνει τεράστιες αλλαγές σε διάφορους τομείς και η επιρροή της στη ζωή μας αναμένεται να αυξηθεί εκθετικά, καθώς θα ανοίξει πόρτες σε ασύλληπτες δυνατότητες, εγκαινιάζοντας μια νέα εποχή δημιουργικότητας, αποτελεσματικότητας και προόδου.
Μερικές από τις πιο δημοφιλείς εφαρμογές είναι:
-H δημιουργία κειμένου
Η δημιουργία κειμένου περιλαμβάνει τη χρήση μοντέλων μηχανικής εκμάθησης για τη δημιουργία νέου κειμένου με βάση τα μοτίβα που αποκτήθηκαν από υπάρχοντα δεδομένα κειμένου. Τα μοντέλα που χρησιμοποιούνται για τη δημιουργία κειμένου μπορεί να είναι οι αλυσίδες Markov, τα επαναλαμβανόμενα νευρωνικά δίκτυα –RNN- και πιο πρόσφατα, οι μετασχηματιστές , τα οποία έχουν φέρει επανάσταση στον τομέα.
Τα εργαλεία δημιουργίας κειμένου περιλαμβάνουν τα GPT, Jasper, AI-Writer και Lex.Το ChatGPT , που αναπτύχθηκε από την OpenAI, είναι μια από τις πιο γνωστές πλατφόρμες που χρησιμοποιεί τη δημιουργία κειμένου για τη δημιουργία «ανθρώπινων» απαντήσεων σε συνομιλίες που περιλαμβάνουν ερωτήσεις.
-Η δημιουργία εικόνων
Είναι μια διαδικασία χρήσης αλγορίθμων βαθιάς μάθησης όπως τα VAE, GAN και πιο πρόσφατα το Stable Diffusion, για τη δημιουργία νέων εικόνων που είναι οπτικά παρόμοιες με τις εικόνες του πραγματικού κόσμου.
Το Image Generation μπορεί να χρησιμοποιηθεί για την αύξηση δεδομένων για τη βελτίωση της απόδοσης των μοντέλων μηχανικής εκμάθησης, καθώς και για τη δημιουργία τέχνης, τη δημιουργία εικόνων προϊόντων και πολλά άλλα.
Πολύ επιτυχημένες πλατφόρμες όπως το MidJourney, το Stable Diffusion και το DALL-E το οποίο δημιουργεί αυτόματα εικόνες από μια περιγραφή κειμένου ή δημιουργεί λεζάντες κειμένου από εικόνες έχουν γίνει δημοφιλείς επιλογές για όποιον θέλει να δημιουργήσει ρεαλιστικές εικόνες μέσω αυτών των τεχνικών.
- Βίντεο και ομιλία
Η δημιουργία βίντεο περιλαμβάνει μεθόδους βαθιάς εκμάθησης, όπως τα GAN και τη δημιουργία νέων βίντεο προβλέποντας καρέ με βάση τα προηγούμενα καρέ.
Το Video Generation μπορεί να χρησιμοποιηθεί σε διάφορους τομείς, όπως ψυχαγωγία, αθλητική ανάλυση και αυτόνομη οδήγηση, ενώ μπορεί συχνά να χρησιμοποιηθεί με το Speech Generation. Τα μοντέλα που χρησιμοποιούνται για την παραγωγή ομιλίας μπορούν να τροφοδοτηθούν από τους « μετασχηματιστές» (Tranformers) . Το Speech Generation μπορεί να χρησιμοποιηθεί για μετατροπή κειμένου σε ομιλία, εικονικούς βοηθούς και κλωνοποίηση φωνής.
Οι Πλατφόρμες όπως το DeepBrain και το Synthesia χρησιμοποιούν το Video and Speech Generation για να δημιουργήσουν ρεαλιστικό περιεχόμενο βίντεο, στο οποίο φαίνεται ένας άνθρωπος να μιλάει στην κάμερα.
Yπάρχουν επίσης τα εργαλεία δημιουργίας μουσικής, που περιλαμβάνουν το Amper, το Dadabots και το MuseNet, τα εργαλεία σύνθεσης φωνής που περιλαμβάνουν το Descript, το Listnr και το Podcast.ΑΙ.
-Η Επαύξηση Δεδομένων
Πρόκειται για τη διαδικασία δημιουργίας νέων «προπονητικών» δεδομένων εφαρμόζοντας διάφορους μετασχηματισμούς εικόνας, όπως αναστροφή, περικοπή, περιστροφή και χρωματική αλλαγή. Ο στόχος είναι να αυξηθεί η ποικιλομορφία των δεδομένων εκπαίδευσης και να αποφευχθεί η υπερβολική προσαρμογή, η οποία μπορεί να οδηγήσει σε καλύτερη απόδοση των μοντέλων μηχανικής εκμάθησης.
Το Synthesis AI είναι μια εφαρμογή για παράδειγμα που απλοποιεί τη διαδικασία δημιουργίας και βελτιστοποίησης των μοντέλων μηχανικής μάθησης παρέχοντας μια πλατφόρμα με αυτοματοποιημένες τεχνικές μηχανικής μάθησης. (σ.σ: Στην ιστοσελίδα του Synthesis AI μπορείτε να βρείτε πολλές πληροφορίες και εφαρμογές της επαύξησης δεδομένων).
Στα εργαλεία δημιουργίας κώδικα βλέπουμε τις CodeStarter, Codex, GitHub Copilot Tabnine κ.α , ενώ δεν πρέπει να ξεχνάμε τον μεγάλο ρόλο των εταιρειών που σχεδιάζουν τα τσιπ που είναι απαραίτητα για όλες αυτές τις εφαρμογές όπως οι Google, Nvidia, Synopsys, Cadence κ.α.
Τεράστιο το φάσμα εφαρμογών
Από όλα τα παραπάνω γίνεται κατανοητό ότι οι παραπάνω εφαρμογές της GenAI είναι το σκαλί για ένα ευρύτερο φάσμα εφαρμογών που υπερβαίνουν το κείμενο, το βίντεο, την εικόνα, τη δημιουργία ομιλίας και την επαύξηση δεδομένων. Για παράδειγμα, μπορεί να χρησιμοποιηθεί για:
-Παραγωγή μουσικής,
-Ανάπτυξη παιχνιδιών,
-Υγειονομική περίθαλψη. Από την ανάπτυξη νέων διαγνωστικών μεθόδων ως νέων φαρμακευτικών ενώσεων προς δοκιμή και τον σχεδιασμό αυτών των κλινικών δοκιμών
-Μοντελοποίηση σύνθετων συμπεριφορών για την αυτόματη οδήγηση,
- Βελτίωση της μεταγλώττισης για ταινίες και εκπαιδευτικό περιεχόμενο σε διάφορες γλώσσες
-Σύνταξη απαντήσεων μέσω email, βιογραφικών κ.α
-Δημιουργία φωτορεαλιστικής τέχνης
-Βελτίωση βίντεο επίδειξης προϊόντων
- Σχεδιασμό φυσικών προϊόντων και κτιρίων. (Οι κατασκευαστές μπορούν να χρησιμοποιήσουν τη γενετική τεχνητή νοημοσύνη για να συνδυάσουν δεδομένα από κάμερες, ακτίνες Χ και άλλες μετρήσεις για να εντοπίσουν τα ελαττωματικά μέρη και τις βασικές αιτίες με μεγαλύτερη ακρίβεια και οικονομία).
-Βελτιστοποίηση νέων σχεδίων chip.
-Εφαρμογή chatbot για εξυπηρέτηση πελατών και τεχνική υποστήριξη
-Ανάπτυξη deepfakes για μίμηση ανθρώπων ή ακόμα και συγκεκριμένων ατόμων.
-Παρακολούθηση συναλλαγών στο πλαίσιο του ιστορικού ενός ατόμου για να δημιουργηθούν καλύτερα συστήματα ανίχνευσης απάτης.
Αυτά είναι μόνο μερικά παραδείγματα των πολλών δυνατοτήτων για τη γενετική τεχνητή νοημοσύνη και καθώς η τεχνολογία θα προχωρά, οι δυνατότητες θα γίνονται ολοένα και περισσότερες.Στο μέλλον, αυτή η τεχνολογία θα μπορούσε να βοηθήσει ουσιαστικά στη σύνταξη κώδικα, στο σχεδιασμό νέων φαρμάκων, στην ανάπτυξη προϊόντων, στον επανασχεδιασμό επιχειρηματικών διαδικασιών και στη μετατροπή των αλυσίδων εφοδιασμού.
Η επανάσταση εδράζεται στην απλότητα της διεπαφής
Όπως εξηγήσαμε στο χθεσινό μας άρθρο-περισσότερα μπορείτε να διαβάσετε εδώ με τη Generative AI μπορούμε όλοι να γίνουμε «προγραμματιστές».
Αρκεί μια προτροπή με τη μορφή κειμένου, εικόνας, βίντεο, σχεδίου, μουσικών νότων ή οποιασδήποτε άλλης « εισόδου» που μπορεί να επεξεργαστεί το σύστημα AI για να μας επιστρέψουν ύστερα από λίγο οι αλγόριθμοι τεχνητής νοημοσύνης νέο περιεχόμενο ως απόκριση στην προτροπή που τους δώσαμε. Το περιεχόμενο που θα μας επιστρέψουν μπορεί να περιλαμβάνει δοκίμια, λύσεις σε προβλήματα ή ακόμα και deepfakes.
H διαδικασία αυτή λίγους μήνες πριν δεν ήταν τόσο απλή. Οι πρώτες εκδόσεις της γενετικής τεχνητής νοημοσύνης απαιτούσαν την υποβολή δεδομένων μέσω ενός API** ή άλλων περίπλοκων διαδικασιών που απαιτούσαν από τους προγραμματιστές να εξοικειωθούν με ειδικά εργαλεία και να δημιουργούν εφαρμογές χρησιμοποιώντας γλώσσες όπως η Python για παράδειγμα.
Πλέον, αρκεί να περιγράψουμε το αίτημα μας με απλή γλώσσα σε μια πλατφόρμα διεπαφής με την Τεχνητή Νοημοσύνη όπως το ChatGPT, το Dall-E και το Bard. Μετά από την αρχική απόκριση, μπορούμε επίσης να προσαρμόσουμε τα αποτελέσματα με επιπλέον σχόλια και προτροπές.
Τεχνικές όπως τα GAN και οι μεταβλητοί αυτοκωδικοποιητές –VAE- είναι κατάλληλες για τη δημιουργία ρεαλιστικών ανθρώπινων προσώπων και συνθετικών δεδομένων.
Προβληματισμοί για την «ηθική» διάσταση της Τεχνητής Νοημοσύνης
Όπως όλες οι μεγάλες ανακαλύψεις του ανθρώπου, έτσι και η Γενετική Τεχνητή Νοημοσύνη μπορεί να αποτελέσει ένα μεγάλο εργαλείο όπως εξίσου μπορεί να αποτελέσει και ένα μεγάλο πρόβλημα. Τα ηθικά ερωτήματα που εγείρει η ανάπτυξη της Τεχνητής Νοημοσύνης είναι πάρα πολλά και καθιστούν άμεση την ανάγκη διαμόρφωσης ενός ρυθμιστικού πλαισίου, το οποίο κατά την άποψη πολλών εκ των δημιουργών της, κακώς δεν υπάρχει ήδη.
Μερικά από τα προβλήματα είναι:
-Δεν προσδιορίζει πάντα την πηγή του περιεχομένου. Ως εκ τούτου είναι πιο δύσκολο να εμπιστευτείς τις απαντήσεις χωρίς να γνωρίζεις την πηγή και την προέλευση των πληροφοριών.
-Μπορεί να είναι δύσκολο να αξιολογηθεί η μεροληψία των αρχικών πηγών. Ως εκ τούτου τα αποτελέσματα που μας δίνει η GenAI μπορεί να παρέχουν ανακριβείς και παραπλανητικές πληροφορίες, καθώς τα chatbot δεν μπορούν να ξεχωρίσουν τις πληροφορίες που προέρχονται από πηγές με προκατάληψη κ.ο.κ
-Το περιεχόμενο με ρεαλιστικό ήχο καθιστά πιο δύσκολο τον εντοπισμό ανακριβών πληροφοριών.
- Μπορεί να προωθήσει νέα είδη λογοκλοπής που αγνοούν τα δικαιώματα των δημιουργών περιεχομένου και των καλλιτεχνών πρωτότυπου περιεχομένου.
-Μπορεί να διαταράξει τα υπάρχοντα επιχειρηματικά μοντέλα που βασίζονται στη βελτιστοποίηση μηχανών αναζήτησης και τη διαφήμιση.
-Μπορεί να διευκολύνει τη δημιουργία ψευδών ειδήσεων ειδικά μέσω των deepfakes.
-Θα μπορούσε να υποδύεται άτομα για πιο αποτελεσματικές επιθέσεις στον κυβερνοχώρο κοινωνικής μηχανικής. (σ.σ: ένα παράδειγμα είναι οι επιβλαβείς επιθέσεις κυβερνοασφάλειας σε επιχειρήσεις, συμπεριλαμβανομένων των κακόβουλων αιτημάτων που μιμούνται ρεαλιστικά το αφεντικό ενός υπαλλήλου).
H GenAI λοιπόν αν και αποτελεί μια μεγάλη υπόσχεση για έναν βαθύ μετασχηματισμό των περισσότερων κλάδων που επηρεάζουν την ποιότητα της ζωής μας, εντούτοις χωρίς ένα πολύ συγκεκριμένο ρυθμιστικό πλαίσιο μπορεί να αποτελέσει ένα τεράστιο κουτί της Πανδώρας.
Ηθικά ζητήματα όπως η αξιοπιστία, η προκατάληψη, η παραπληροφόρηση ή η λογοκλοπή θα χρειαστούν πιθανότατα χρόνια για να λυθούν
Κανένα από τα παραπάνω ζητήματα δεν είναι ιδιαίτερα νέο άλλωστε. Αρκεί να θυμηθούμε την πρώτη επίθεση στα chatbots της Microsoft το 2016, γνωστή με το όνομα Tay, μέσω της οποίας εμπρηστικές ρητορικές πλημμύρισαν το Twitter.
Ο πειστικός ρεαλισμός του παραγωγικού περιεχομένου AI στην ουσία εισάγει ένα νέο σύνολο κινδύνων AI.
Καταρχήν είναι δύσκολος ο εντοπισμός της προέλευσης του περιεχομένου που δημιουργείται από την AI, κάτι που καθιστά πιο δύσκολη τη συνειδητοποίηση για το πότε τα πράγματα δεν είναι καλά. Αυτό μπορεί να είναι μεγάλο πρόβλημα όταν για παράδειγμα βασιζόμαστε σε γενετικά αποτελέσματα AI για τη σύνταξη κώδικα ή την παροχή ιατρικών συμβουλών.
Επιπλέον, πολλά αποτελέσματα της γενετικής τεχνητής νοημοσύνης δεν είναι διαφανή, επομένως είναι δύσκολο να προσδιοριστεί εάν, για παράδειγμα, παραβιάζουν τα πνευματικά δικαιώματα ή εάν υπάρχει πρόβλημα με τις αρχικές πηγές από τις οποίες αντλούν αποτελέσματα.
Εν ολίγοις, αν δεν ξέρουμε πώς κατέληξε σε συμπέρασμα η GenAI, δεν μπορούμε να αιτιολογήσουμε γιατί μπορεί να είναι λάθος. Και αυτό είναι πραγματικά ένα τεράστιο πρόβλημα.
Η κακόβουλη χρήση της και η αντιμετώπιση αυτού του κινδύνου είναι ένα ακόμα τεράστιο κεφάλαιο, όπως τεράστιο κεφάλαιο είναι και οι προβληματισμοί πολλών εκ των πρώτων δημιουργών της, που μέχρι στιγμής τις αντιμετωπίζουμε μεν ως γραφικές, όμως καλό θα είναι να λάβουμε υπόψιν ότι οι προειδοποιήσεις αυτές προέρχονται από τους ίδιους τους αρχιτέκτονες της GenAI.
*Οι μετασχηματιστές είναι ένας τύπος μηχανικής μάθησης που επέτρεψε στους ερευνητές να εκπαιδεύσουν όλο και μεγαλύτερα μοντέλα χωρίς να χρειάζεται να επισημάνουν όλα τα δεδομένα εκ των προτέρων. Τα νέα μοντέλα μπόρεσαν έτσι να εκπαιδευτούν σε δισεκατομμύρια σελίδες κειμένου, με αποτέλεσμα απαντήσεις με μεγαλύτερο βάθος. Επιπλέον, χάρη στους τα μοντέλα εκπαιδεύτηκαν να παρακολουθούν τις συνδέσεις μεταξύ λέξεων σε σελίδες, κεφάλαια και βιβλία και όχι μόνο σε μεμονωμένες προτάσεις. Χάρη σε αυτούς μπορούν πλέον να παρακολουθούν τις συνδέσεις για να αναλύουν κώδικα, πρωτεΐνες, χημικές ουσίες και DNA. Η πρόσφατη πρόοδος σε μετασχηματιστές όπως οι αναπαραστάσεις αμφίδρομου κωδικοποιητή της Google από τους Transformers ( BERT ), το GPT του OpenAI και το Google AlphaFold οδήγησαν επίσης σε νευρωνικά δίκτυα που όχι μόνο μπορούν να κωδικοποιήσουν γλώσσα, εικόνες και πρωτεΐνες αλλά και να δημιουργήσουν νέο περιεχόμενο.
** API ή αλλιώς Διασύνδεση Προγραμματισμού Εφαρμογών, είναι η διεπαφή των προγραμματιστικών διαδικασιών που παρέχει ένα λειτουργικό σύστημα ή μια εφαρμογή προκειμένου να επιτρέπει να γίνονται προς αυτά αιτήσεις από άλλα προγράμματα ή/και ανταλλαγή δεδομένων.
Αποποίηση Ευθύνης
Το υλικό αυτό παρέχεται για πληροφοριακούς και μόνο σκοπούς. Σε καμιά περίπτωση δεν πρέπει να εκληφθεί ως προσφορά,συμβουλή ή προτροπή για την αγορά ή πώληση των αναφερόμενων προϊόντων. Παρόλο που οι πληροφορίες που περιέχονται βασίζονται σε πηγές που θεωρούνται αξιόπιστες, ουδεμία διασφάλιση δίνεται ότι είναι πλήρεις ή ακριβείς και δεν θα πρέπει να εκλαμβάνονται ως τέτοιες.
