Želite li kreirati sopstvene generativne AI aplikacije? Evo liste AI modela koji vam mogu pomoći da započnete.
AI modeli su arhitekture neuronskih mreža koje se ističu u obavljanju specifičnih zadataka. To uključuje konvolucione neuronske mreže za klasifikaciju i segmentaciju slika, generativne velike jezičke modele, kao i modele difuzije za kreiranje slika.
Nedavno su AI modeli za generativne AI aplikacije, koji se koriste za kreiranje slika, govora, teksta i mnoge druge stvari, postali izuzetno popularni. To je rezultat napretka u istraživanju i dostupnosti računarskih resursa visokih performansi.
U nastavku sledi kratak pregled popularnih AI modela o kojima ćemo detaljnije govoriti.
| Model | Ključne mogućnosti |
| GPT-4 | Moćan veliki jezički model koji se može koristiti za razvoj LLM aplikacija. |
| LLaMA | Raznovrsne NLP aplikacije, od chatbotova do pomoćnika za kodiranje. |
| Falcon | Veliki jezički model otvorenog koda, pogodan za izradu LLM aplikacija. |
| Stable Diffusion | Pretvaranje teksta u sliku, popravljanje slika, preslikavanje i povećanje rezolucije. |
| DALL-E 2 | Generisanje slika na osnovu tekstualnih opisa. |
| Whisper | Prepoznavanje govora, prevod jezika i detekcija jezika. |
| StableLM | Lagani veliki jezički model otvorenog koda. |
| CLIP | Različiti NLP zadaci, kao što su odgovaranje na pitanja, sumiranje i generisanje teksta. |
| InternLM | Veliki jezički model otvorenog koda; pogodan za kreiranje LLM aplikacija. |
| Segment Anything Model | Generisanje segmentacije slike za različite zadatke. |
| WaveGAN | Generisanje audio zapisa. |
| CycleGAN i pix2pix | Prevod slike u sliku. |
| BioGPT | Generisanje i analiza biomedicinskog teksta. |
Od AI umetnosti do kreiranja personalizovanih pomoćnika za kodiranje, možete kreirati različite generativne AI aplikacije u zavisnosti od vaših interesovanja. Ovde izdvajamo neke zanimljive modele veštačke inteligencije koje možete istražiti, zajedno sa njihovim ključnim mogućnostima.
Počnimo!
GPT-4
Od generisanja planova putovanja do izrade motivacionih pisama, ChatGPT je postao deo naše svakodnevice. GPT-4, njegov naslednik, je još moćniji model velikog jezika.
To je najnapredniji AI sistem kompanije OpenAI, sa poboljšanim mogućnostima zaključivanja i performansama u odnosu na ChatGPT.
U nastavku je tehnički pregled rada GPT-4 i kako možete razvijati aplikacije sa njim.
Možete pristupiti ChatGPT interfejsu pomoću besplatnog OpenAI naloga. Međutim, za pristup GPT-4, neophodna je ChatGPT Plus pretplata.
Evo nekoliko aplikacija koje možete kreirati pomoću ovih velikih jezičkih modela:
- Personalizovani chatbotovi
- Unapređenje CRM platformi
- Sistem za odgovaranje na pitanja na osnovu određenog korpusa teksta
- Ostali zadaci poput sumiranja i generisanja teksta
U nastavku ćemo preći na neke velike jezičke modele otvorenog koda.
LLaMA
Meta AI je u februaru 2023. godine predstavila LLaMA, osnovni veliki jezički model sa 65 milijardi parametara. Nakon toga, LLaMA 2 je objavljen sa značajnim poboljšanjima u odnosu na prethodnu verziju. Možete koristiti:
- Llama Chat: Fino podešena verzija LLaMA 2
- Code Llama: Izgrađena na LLaMA 2; obučena sa preko 500 milijardi tokena koda; podržava generisanje koda u najpopularnijim programskim jezicima.
Možete preuzeti i koristiti LLaMA modele nakon što zatražite pristup. Pogledajte ovaj vodič da naučite kako da koristite LLaMA 2 u svojim Python aplikacijama:
Falcon
Falcon je još jedan jezički model otvorenog koda, razvijen od strane Instituta za tehnološke inovacije (UAE). Svi modeli u Falcon LLM paketu su otvorenog koda i dostupni su za besplatno korišćenje. Možete ih koristiti za kreiranje LLM aplikacija.
Trenutno postoje četiri veličine modela: 1.3B, 7.5B, 40B i 180B. Model od 180 milijardi parametara je obučen na skupu podataka od 3.5 biliona tokena i pokazuje bolje rezultate od drugih modela u nekoliko testova. Falcon LLM se može porediti sa drugim vodećim LLM modelima otvorenog koda.
Falcon 180B, kao LLM otvorenog koda, pokazuje performanse bliske GPT-4. U sledećem vodiču možete saznati više o Falcon 180B, kako ga koristiti, koji su hardverski zahtevi i poređenje sa GPT-4:
Stable Diffusion
Stable Diffusion je model za generisanje slika na osnovu teksta i druge kreativne AI aplikacije. Takođe, može se koristiti za popravljanje i povećanje rezolucije slike.
Stable Diffusion XL, objavljen u julu 2023, nudi nekoliko poboljšanja, uključujući:
- Generisanje detaljnih slika iz kraćih upita
- Mogućnost generisanja teksta unutar slika
- Popravljanje i proširivanje slika
- Interakcija sa originalnom slikom za kreiranje varijacija
Ako želite da saznate više o načinu funkcionisanja modela difuzije – metode koja stoji iza cele „magije“ – pogledajte How Diffusion Models Work, besplatan kurs kompanije DeepLearning.AI.
DALL-E 2
DALL-E 2 iz OpenAI je još jedan popularan model za generisanje slika iz teksta. Možete ga koristiti za kreiranje realističnih slika i umetničkih dela iz tekstualnih opisa.
Može se koristiti za sledeće zadatke:
- Generisanje slika iz tekstualnih upita
- Popravljanje i proširivanje slika
- Generisanje varijacija slike
Možete pristupiti DALL-E 2 putem OpenAI API-ja ili web interfejsa OpenAI Labs.
Whisper
OpenAI Whisper je model za prepoznavanje govora koji se može koristiti za mnoge primene, uključujući:
- Identifikaciju jezika
- Zadatke prepoznavanja govora, kao što je transkripcija audio datoteka
- Prevod govora
U sledećem vodiču možete saznati kako da pretvorite govor u tekst pomoću OpenAI Whisper API-ja:
Da biste isprobali model, možete instalirati Whisper (openai-whisper) pomoću pip-a i pristupiti API-ju iz Python skripte za transkripciju audio datoteka. Dalje, možete koristiti druge velike jezičke modele za sumiranje transkripta i generisanje audio datoteke sa sažetkom.
StableLM
StableLM je paket LLM modela otvorenog koda kompanije Stability AI. Trenutno su dostupni modeli sa 3 i 7 milijardi parametara. U narednim izdanjima će se pojaviti i veći modeli sa 15-65 milijardi parametara.
Ako želite da eksperimentišete sa laganim LLM modelima otvorenog koda u vašim aplikacijama, možete isprobati StableLM.
CLIP
CLIP je skraćenica od Contrastive Language–Image Pre-training. To je neuronska mreža, multimodalni model, obučen na velikom skupu podataka (tekst, slika) parova. Model koristi podatke prirodnog jezika i pokušava da nauči semantiku slika iz opisa prirodnim jezikom. CLIP model je sposoban da predvidi najrelevantniji tekst za datu sliku.
Uz pomoć CLIP-a, možete izvršavati klasifikaciju slika bez dodatne obuke, bez skupog prethodnog treniranja i finog podešavanja. Dalje, možete iskoristiti mogućnosti CLIP-a i vektorskih baza podataka za kreiranje zanimljivih aplikacija za:
- Pretragu teksta u sliku i slika u sliku
- Obrnutu pretragu slike
Segment Anything Model
Segmentacija slike je zadatak identifikovanja piksela koji pripadaju određenom objektu unutar slike. Meta AI je objavila Segment Anything Model (SAM) koji se može koristiti za segmentaciju bilo koje slike i izrezivanje objekata sa nje.
Izvor slike: SegmentAnything
Možete koristiti upite da odredite šta da segmentirate na slici. SAM trenutno podržava sledeće upite: okvir, maske i tačke u prvom planu i pozadini. Model takođe ima odlične performanse generisanja u novim situacijama, bez potrebe za eksplicitnom obukom.
Isprobajte SAM model u vašem pretraživaču!
InternLM
InternLM je jezički model otvorenog koda. Možete isprobati osnovni model sa 7 milijardi parametara i model za ćaskanje otvorenog koda. Model podržava kontekstni prozor od 8K. Pored toga, InternLM podržava tumačenje koda i mogućnosti pozivanja funkcija.
InternLM je takođe dostupan u biblioteci Transformers kompanije Hugging Face. Možete iskoristiti lagani okvir za pretreniranje. Takođe, podržava kreiranje i primenu aplikacija pomoću LMDeploy. Dakle, možete kreirati generativne NLP aplikacije od početka do kraja uz pomoć InternLM-a.
WaveGAN
WaveGAN je model za generisanje audio zapisa. Pomaže u sintezi sirovog zvuka iz uzoraka stvarnih audio podataka.
WaveGAN možete trenirati na skupu podataka proizvoljnih audio datoteka i sintetizovati zvuk bez opsežne prethodne obrade.
CycleGAN i pix2pix
Do sada smo se bavili modelima za govor u tekst, tekst u sliku i drugim modelima za različite zadatke obrade prirodnog jezika. Ali, šta ako želite da izvršite prevod slike u sliku? Ovde možete koristiti CycleGAN da naučite preslikavanje sa izvornog na ciljni domen kako biste izvršili prevod slike u sliku.
Na primer, ako imate sliku obale jezera tokom zime, možda ćete želeti da prevedete istu sliku u letnjem periodu. Na slici konja, možda biste želeli da zamenite konja zebrom, zadržavajući istu pozadinu. CycleGAN je vrlo pogodan za ovakve zadatke.
Model pix2pix se takođe može koristiti za prevod slike u sliku; njegove ključne mogućnosti uključuju:
- Rekonstrukciju objekata iz ivica
- Bojenje slika
Možete pronaći PyTorch implementacije CycleGAN-a i pix2pix-a na GitHub-u.
BioGPT
BioGPT kompanije Microsoft je model transformatora koji možete koristiti za analizu biomedicinskih podataka i za kreiranje teksta. Koristi implementacije modela sekvenca-u-sekvencu koje pruža fairseq.
Fairseq iz Facebook Research (sada Meta AI) je set alata koji obezbeđuje implementaciju modela sekvence-u-sekvencu za zadatke kao što su:
- Jezičko modeliranje
- Prevođenje
- Sažimanje
Dostupni su i pretrenirani modeli i modeli za fino podešavanje. Model možete preuzeti sa linka ili sa Hugging Face čvorišta.
BioGPT modeli su takođe deo biblioteke Transformers kompanije Hugging Face. Ako radite u biomedicinskoj oblasti, možete koristiti BioGPT za kreiranje aplikacija specifičnih za tu oblast.
Zaključak
Nadam se da ste pronašli nekoliko korisnih modela za kreiranje generativnih AI aplikacija. Iako ova lista nije potpuna, pokrili smo neke od najpopularnijih modela koje možete koristiti za kreiranje aplikacija za generisanje teksta i zvuka, transkripciju govora u tekst, pretragu slika i još mnogo toga.
Kada kreirate aplikacije koristeći velike jezičke modele, treba da budete svesni uobičajenih problema, kao što su netačne informacije i halucinacije. Možda ćete se suočiti sa ograničenjima prilikom finog podešavanja modela, jer taj proces često zahteva velike resurse.
Dakle, ako ste programer, sada je vreme da se pridružite AI revoluciji i počnete sa razvojem zanimljivih AI aplikacija! Ove modele možete isprobati u Google Colab-u ili drugim platformama za saradnju u nauci o podacima.