A nagy nyelvi modellek korlátai Miért nem helyettesíthetők az emberek az LLM-ekkel?
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Diplomadolgozat |
| Kulcsszavak: | gépi tanulás mesterséges intelligencia nagy nyelvi modellek természetes nyelvi feldolgozás visszacsatolt neurális hálózat |
| Online Access: | http://dolgozattar.uni-bge.hu/53821 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg53821 | ||
| 005 | 20240322125229.0 | ||
| 008 | 240322suuuu hu o 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Madlena Eszter | |
| 245 | 1 | 2 | |a A nagy nyelvi modellek korlátai |b Miért nem helyettesíthetők az emberek az LLM-ekkel? |c Madlena Eszter |h [elektronikus dokumentum] |
| 520 | 3 | |a A dolgozatban a nagy nyelvi modelleknek (Large Language Models - LLM) kialakulásának háttere kerül ismertetésre. Az egyszerűbb neurális hálózatoktól eljutunk az LLM-ekhez, miközben bemutatásra kerül a mögöttük rejlő architektúrák a működése. Ezzel árnyaltabb képet kapunk arról, hogy az, amit emberinek érzékelünk, az valójában bonyolult statisztikai függvények működésének eredménye. A nagy nyelvi modellek azokból a szövegekből tanulnak, amelyeket e modellek létrehozói összeválogatnak, és ez teszi lehetővé az LLM-ek számára, hogy nagy valószínűséggel helyes természetes nyelvi kijelentéseket generáljanak, alkalmazkodjanak különböző írási stílusokhoz, területekhez; de nem rendelkeznek valódi megértéssel, tudatossággal vagy teljesen eredeti ötletek kialakításának a képességével. Különböző aspektusok vizsgálatával feltárásra kerül a mögöttük rejlő struktúra és a dolgozat keretein belül igazolást nyert az az állítás, hogy valójában a határait, mi emberek szabjuk meg, és nem öntudatra ébredésről van szó, hanem gondosan finomhangolt matematikai modellekről. A dolgozat végén egy saját fejlesztésű visszacsatolt neuronháló (Recurrent Neural Network – RNN) bemutatására kerül sor, ami kísérleti alapként szolgál annak megértéséhez, hogy lényegében hogyan működnek a szöveggeneráló mechanizmusok. A bemutatott RNN konkrét példákon keresztül demonstrálja és világosan alátámasztja a dolgozat mondanivalóját. | |
| 695 | |a gépi tanulás | ||
| 695 | |a mesterséges intelligencia | ||
| 695 | |a nagy nyelvi modellek | ||
| 695 | |a természetes nyelvi feldolgozás | ||
| 695 | |a visszacsatolt neurális hálózat | ||
| 700 | 1 | |a Bánhalmi Dr. Árpád |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/53821/1/Madlena_Eszter_KKK.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/53821/2/Madlena_Eszter_KKK.docx |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/53821/3/Dolgozat_biralati_lap_2023_Madlena%20Eszter.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/53821/4/Madlena%20Eszter.pdf |z Dokumentum-elérés |