Generativ AI

Lär dig vad generativ AI innebär och om populära generativa modeller som GAN och VAE, deras tillämpningar inom konst och musik samt deras roll i affärsanvändningar och etiska överväganden kring tekniken.

Vad betyder generativ AI?

Generativ AI är en bred etikett som används för att beskriva alla typer av artificiell intelligens (AI) som kan användas för att skapa ny text, bilder, video, ljud, kod eller syntetiska data.

Termen generativ AI förknippas ofta med ChatGPT och deep fakes, men ursprungligen användes tekniken för att automatisera de repetitiva processer som används vid digital bildkorrigering och digital ljudkorrigering.

Eftersom maskininlärning och djupinlärning till sin natur är inriktade på generativa processer kan de också betraktas som typer av generativ AI.

Techopedia förklarar generativ AI

När en AI-teknik genererar något på egen hand kan den kallas “generativ AI”. Detta paraplybegrepp inkluderar inlärningsalgoritmer som gör förutsägelser såväl som de som kan använda uppmaningar för att självständigt skriva artiklar och måla bilder.

Så fungerar generativ AI

När en generativ AI-algoritm har tränats kan den producera nya utdata som liknar de data som den tränades på. Eftersom generativ AI kräver mer processorkraft än diskriminativ AI kan den vara dyrare att implementera.

De vanligaste generativa modellerna för text- och bildskapande kallas Generative Adversarial Networks (GAN) och Variational Autoencoders (VAE).

I ett GAN tränas två maskininlärningsmodeller samtidigt. Den ena kallas generator och den andra diskriminator. Generatorns uppgift är att skapa nya utdata som liknar träningsdata. Diskriminatorns uppgift är att utvärdera de genererade data och ge feedback till generatorn för att förbättra dess resultat.

I en VAE tränas en enda maskininlärningsmodell för att koda data till en lågdimensionell representation som fångar datans viktiga egenskaper, struktur och relationer i ett mindre antal dimensioner. Modellen avkodar sedan den lågdimensionella representationen tillbaka till originaldata. Kodnings- och avkodningsprocesserna gör det möjligt för modellen att lära sig en kompakt representation av datafördelningen, som den sedan kan använda för att generera nya utdata.

Vissa generativa AI-modeller kan till och med använda slumpmässigt brus som input för att generera nya utdata. I detta tillvägagångssätt tar modellen en slumpmässig brusvektor som indata, skickar den genom nätverket och genererar utdata som liknar träningsdata. De nya uppgifterna kan sedan användas som ytterligare, syntetiska träningsdata för kreativa tillämpningar inom konst, musik och textgenerering.

När generativ AI används som ett produktivitetsverktyg för att förbättra mänsklig kreativitet kan det kategoriseras som en typ av förstärkt artificiell intelligens.

Populära kostnadsfria generativa AI-appar för konst

AI-generatorer för konst ger slutanvändarna ett roligt sätt att experimentera med artificiell intelligens. Här är några av de mest populära och kostnadsfria AI-generatorerna för konst:

• DeepDream Generator – En plattform med öppen källkod som använder djupinlärningsalgoritmer för att skapa surrealistiska, drömliknande bilder.
• DALL-E2 – Denna AI-modell från OpenAI genererar nya bilder från textbeskrivningar.
• Pikazo – Denna mobilapp använder AI-filter för att förvandla digitala foton till målningar i olika stilar.
• Artbreeder – Denna plattform använder genetiska algoritmer och djupinlärning för att skapa bilder av imaginära avkommor.

Populära gratis generativa AI-appar för författare

Följande plattformar ger slutanvändare en bra plats att experimentera med att använda AI för kreativt skrivande och forskningsändamål:

• GPT-3 Playground – låter slutanvändare interagera med OpenAI:s GPT-3-språkmodell och generera text baserat på uppmaningar som slutanvändaren ger.
• Write With Transformer – låter slutanvändare använda Hugging Face’s transformer ML-modeller för att generera text, svara på frågor och slutföra meningar.
• AI Dungeon – detta äventyrsspel online använder en generativ språkmodell för att skapa unika berättelser baserat på spelarens val.
• Writesonic – denna plattform för text- och bildgenerering är ett populärt val för produktbeskrivningar inom e-handel.

Populära gratis generativa AI-appar för musik

Här är några av de bästa generativa AI-musikapparna som kan användas med kostnadsfria testlicenser:

• Amper Music – skapar musikspår från förinspelade samplingar.
• AIVA – använder AI-algoritmer för att komponera originalmusik i olika genrer och stilar.
• Ecrette Music – använder AI för att skapa royaltyfri musik för både personliga och kommersiella projekt.
• Musenet – kan producera låtar med upp till tio olika instrument och musik i upp till 15 olika stilar.

Affärsanvändningar för generativ AI

Dagens generativa AI kan skapa innehåll som ser ut att vara skrivet av människor och klara Turingtestet som skapades av den kände matematikern och kryptografen Alan Turing. Det är en anledning till att man är orolig för att generativ AI kommer att ersätta människor som arbetar med publicering, sändning och kommunikation.

Här är ett exempel på hur generativ AI kan ersätta en mänsklig copywriter:

Uppgiften: Sätta ihop en försäkringsbroschyr från en lista över försäkringar, tillsammans med deras kostnader, fördelar och andra detaljer.

Det traditionella sättet att göra detta på är att en mänsklig skribent tittar på alla rådata, antecknar och skriver en berättelse. Med generativ AI kan inlärningsalgoritmer granska rådata programmatiskt och skapa en berättelse som ser ut att ha skrivits av en människa.

Förutom att skapa leverabler för marknadsföring finns det andra populära användningsområden för generativ AI i näringslivet:

1. Webbpublicering – generativa AI-modeller kan användas för att skapa engagerande faktatexter, digitala bilder, video- och ljudinnehåll.
2. Konst och underhållning – generativa AI-modeller kan användas för att skapa uppslukande Web3-upplevelser.
3. Portföljförvaltning – generativa AI-modeller kan användas för att optimera investeringsportföljer genom att analysera ett brett spektrum av marknadsdata och sedan generera detaljerade förutsägelser baserade på tidigare resultat och aktuella marknadstrender.
4. Hälso- och sjukvård – AI-modeller kan användas för att generera personliga behandlingsplaner och syntetiska bilder som kan användas för att finjustera medicinska bildanalysapplikationer.
5. Customer Experience Management – generativa chatbots kan användas för att besvara kundfrågor och ge personliga marknadsföringsmeddelanden.

Kommer generativ AI att ersätta människor på arbetsplatsen?

Förespråkarna för tekniken hävdar att generativ AI visserligen kommer att ersätta människor i vissa jobb, men att den faktiskt kommer att skapa nya jobb eftersom det alltid kommer att finnas ett behov av en människa i loopen (HiTL).

Människor kommer fortfarande att behöva välja den mest lämpliga generativa AI-modellen för den aktuella uppgiften, samla in och förbehandla träningsdata och utvärdera AI-modellens resultat.

Generativ AI och etik

Vissa människor är bekymrade över etiken i att använda generativa AI-tekniker, särskilt de tekniker som simulerar mänsklig kreativitet.

Generativ AI kan producera resultat som är svåra att spåra tillbaka till de ansvariga parterna, vilket i sin tur kan göra det svårt att hålla individer eller organisationer ansvariga för falska nyheter eller deepfake-videor som genererats av AI.

Detta har lett till en mer allmän debatt om ansvarsfull AI och huruvida restriktioner bör införas för att förhindra datavetare från att skrapa internet för att få de stora datauppsättningar som krävs för att träna sina generativa modeller.

För närvarande beror lagligheten i att skrota internet för att skaffa gratis data för träning på flera faktorer – inklusive specifika lagar och förordningar i den jurisdiktion där data samlas in, vilken typ av data som samlas in och hur data används.

Eftersom värdet av högkvalitativa datauppsättningar fortsätter att öka, och dataägare blir mer medvetna om deras webbinnehålls värde för dataforskare, kan maskininlärningsingenjörer (MLE) behöva betala webbpublicerare för de data de använder för att träna sina generativa modeller.