Χαρακτηριστικό παράδειγμα αυτής της μετάβασης είναι τρεις νέοι ψηφιακοί βοηθοί που ενσωματώνουν τεχνολογίες αιχμής, ο καθένας στον τομέα του: το i-diadiktio, η Sofia Dentist και το Magdarte.

Ας δούμε πώς η τεχνολογία τους εφαρμόζεται στην πράξη και τι οφέλη προσφέρουν:

i-diadiktio: Ο Έξυπνος Πλοηγός των Δεδομένων

Το i-diadiktio δεν είναι άλλη μια μηχανή αναζήτησης, αλλά ένας διαδραστικός πλοηγός. Βασισμένο σε προηγμένα μοντέλα Επεξεργασίας Φυσικής Γλώσσας (NLP), κατανοεί το «τι» και το «γιατί» ρωτάει ο χρήστης.

• Η Τεχνολογία: Χρησιμοποιεί αλγόριθμους ανάλυσης δεδομένων σε πραγματικό χρόνο για να φιλτράρει τον θόρυβο του διαδικτύου.

• Τα Οφέλη: Γλιτώνει τον χρήστη από ατέλειωτες ώρες αναζήτησης (scroll fatigue). Προσφέρει στοχευμένες απαντήσεις και προσωποποιημένη καθοδήγηση, κάνοντας το χάος του ίντερνετ να μοιάζει με έναν οργανωμένο, προσωπικό ψηφιακό χώρο.

Sofia Dentist: Η AI στην Υπηρεσία της Ιατρικής Φροντίδας

Ο τομέας της υγείας –και ειδικά η οδοντιατρική– συχνά συνοδεύεται από άγχος για τον ασθενή (dental anxiety). Η Sofia Dentist είναι σχεδιασμένη να γεφυρώνει το χάσμα μεταξύ ασθενούς και επαγγελματία.

• Η Τεχνολογία: Αξιοποιεί conversational AI (διαλογική τεχνητή νοημοσύνη) με έμφαση στην ενσυναίσθηση και την εξυπηρέτηση. Μπορεί να ενσωματωθεί σε συστήματα CRM ιατρείων για smart booking (έξυπνο κλείσιμο ραντεβού).

• Τα Οφέλη: Λειτουργεί 24/7, απαντώντας σε βασικές απορίες (π.χ. «τι να κάνω αν πονάει το δόντι μου το βράδυ;»), καθοδηγώντας τον ασθενή στον κατάλληλο ειδικό και μειώνοντας την αναμονή και την αβεβαιότητα.

Magdarte (Jewelry & More): Η Generative AI Συναντά το Design

Πώς μπορεί ένας αλγόριθμος να έχει… γούστο; Το Magdarte αποδεικνύει ότι η τεχνολογία μπορεί να ενισχύσει τη δημιουργικότητα.

• Η Τεχνολογία: Κάνει χρήση Generative AI (Παραγωγική Τεχνητή Νοημοσύνη), ικανή να «καταλαβαίνει» την αισθητική και να προτείνει ή να οπτικοποιεί σχέδια με βάση τις προτιμήσεις του χρήστη.

• Τα Οφέλη: Μεταμορφώνει την αγορά κοσμήματος σε μια custom εμπειρία. Ο πελάτης δεν επιλέγει απλώς από μια βιτρίνα, αλλά μπορεί να αλληλεπιδράσει με το bot για να βρει ή να συνδιαμορφώσει το κόσμημα που εκφράζει την προσωπικότητά του.

Γιατί αυτή η εξέλιξη είναι σημαντική;

Η ενσωμάτωση τέτοιων bots (chatbots / AI avatars) σε επιχειρήσεις και πλατφόρμες προσφέρει:

1. Άμεση εξυπηρέτηση: Εξαλείφει τους χρόνους αναμονής.

2. Μείωση ανθρώπινου λάθους: Αυτοματοποιεί τις επαναλαμβανόμενες διαδικασίες (π.χ. ραντεβού, συλλογή πληροφοριών).

3. Εξατομίκευση (Personalization): Κάθε χρήστης νιώθει ότι έχει τον δικό του, προσωπικό σύμβουλο, είτε ψάχνει πληροφορίες, είτε γιατρό, είτε ένα δώρο.

Δείτε τα εν δράσει! Για να κατανοήσουμε καλύτερα πώς λειτουργούν και πώς οπτικοποιούνται αυτοί οι ψηφιακοί βοηθοί, έχουμε προσθέσει σύντομo βίντεο παρακάτω.

Το άρθρο Η Εποχή της Εξειδικευμένης Τεχνητής Νοημοσύνης εμφανίστηκε πρώτα στο i-diadiktio.

​Στην εποχή των Μεγάλων Γλωσσικών Μοντέλων (LLMs), ακούμε συχνά για το πόσο έξυπνο είναι το AI. Όμως, το AI έχει ένα βασικό πρόβλημα: ξεχνάει. Ή μάλλον, γνωρίζει μόνο όσα περιλαμβάνονται στην εκπαίδευσή του ή όσα χωράνε στο παράθυρο της συνομιλίας σας.

​Εδώ έρχονται τα Vector Stores (Διανυσματικές Βάσεις Δεδομένων), η τεχνολογία που επιτρέπει στο AI να αποκτά πρόσβαση σε τεράστιους όγκους πληροφοριών σε κλάσματα δευτερολέπτου.

Στην αριστερή πλευρά βλέπουμε έγγραφα (κείμενο). Ένα βέλος δείχνει προς ένα κεντρικό “μηχανισμό” (το Embedding Model), ο οποίος μετατρέπει το κείμενο σε μια σειρά αριθμών (διανύσματα). Στη δεξιά πλευρά, αυτοί οι αριθμοί αποθηκεύονται σε μια βάση δεδομένων που μοιάζει με ψηφιακό κύβο

​Τι είναι το Vector Store

​Σε αντίθεση με τις παραδοσιακές βάσεις δεδομένων (SQL) που αποθηκεύουν πληροφορίες σε γραμμές και στήλες, ένα Vector Store αποθηκεύει δεδομένα ως μαθηματικά διανύσματα (vectors) σε έναν πολυδιάστατο χώρο.

​Όταν εισάγουμε ένα κείμενο, μια εικόνα ή έναν ήχο, αυτό μετατρέπεται μέσω ενός μοντέλου Embedding σε μια σειρά αριθμών. Αυτοί οι αριθμοί αντιπροσωπεύουν το νόημα του περιεχομένου και όχι απλά τις λέξεις.

​Πώς λειτουργεί η «Σημασιολογική Αναζήτηση»

​Φανταστείτε ότι ψάχνετε σε μια βάση δεδομένων τη λέξη «αυτοκίνητο».

​Παραδοσιακή βάση: Θα σας δείξει μόνο αποτελέσματα που περιέχουν ακριβώς τη λέξη «αυτοκίνητο».

Ένας μεγεθυντικός φακός (που αντιπροσωπεύει την αναζήτηση) εστιάζει σε έναν ψηφιακό χάρτη. Αντί για λέξεις, ο χάρτης δείχνει “νοηματικά” συμπλέγματα. Ο φακός βρίσκει έννοιες που είναι κοντά μεταξύ τους (π.χ. “Αυτοκίνητο”, “Όχημα”, “Μεταφορά”), ακόμα κι αν είναι διαφορετικές λέξεις, επειδή τα διανύσματά τους είναι κοντινά στον ψηφιακό χώρο.

​Vector Store: Θα καταλάβει ότι το «όχημα», η «κούρσα» ή το «αμάξι» έχουν παρόμοιο νόημα και θα σας τα επιστρέψει, ακόμα κι αν η λέξη «αυτοκίνητο» δεν υπάρχει πουθενά!

​Γιατί είναι απαραίτητα στο AI

​Τα Vector Stores είναι η καρδιά των συστημάτων RAG (Retrieval-Augmented Generation). Επιτρέπουν σε ένα μοντέλο (π.χ. GPT-4) να:

​Ανακτά σχετικά έγγραφα από τη βάση δεδομένων σας.

Βλέπουμε μια ολοκληρωμένη ροή. Ένας χρήστης κάνει μια ερώτηση. Η ερώτηση πηγαίνει στο Vector Store (τον “Ψηφιακό Κύβο” που είδαμε στην Image 1). Το Vector Store επιστρέφει σχετικά έγγραφα. Αυτά τα έγγραφα, μαζί με την αρχική ερώτηση, τροφοδοτούνται στο Γλωσσικό Μοντέλο (LLM), το οποίο τελικά παράγει μια τελική, ακριβή απάντηση.

​Διαβάζει αυτά τα έγγραφα «on the fly».

​Απαντά με βάση τις δικές σας πληροφορίες, μειώνοντας τις πιθανότητες «ψευδαισθήσεων» (hallucinations).

​Τα βασικά βήματα της διαδικασίας

​Η χρήση ενός Vector Store ακολουθεί συνήθως αυτή τη ροή:

​Chunking: Σπάμε τα μεγάλα κείμενα σε μικρότερα κομμάτια.

​Embedding: Μετατρέπουμε κάθε κομμάτι σε διάνυσμα (Vector).

​Indexing: Αποθηκεύουμε τα διανύσματα στη βάση δεδομένων.

​Querying: Όταν ο χρήστης κάνει μια ερώτηση, μετατρέπεται και αυτή σε διάνυσμα και το σύστημα βρίσκει τα «κοντινότερα» διανύσματα στη βάση.

​Δημοφιλή Εργαλεία Vector Stores

​Αν σκοπεύετε να χτίσετε μια εφαρμογή AI, υπάρχουν αρκετές επιλογές:

Συμπέρασμα

​Τα Vector Stores δεν είναι απλά μια αποθήκη δεδομένων· είναι ο τρόπος με τον οποίο γεφυρώνουμε το χάσμα ανάμεσα στην στατική γνώση ενός μοντέλου AI και στα δυναμικά, ιδιωτικά δεδομένα μιας επιχείρησης. Χωρίς αυτά, το AI θα παρέμενε ένας ευφυής συνομιλητής χωρίς πρόσβαση στην πραγματική πληροφορία.

Το άρθρο Vector Stores εμφανίστηκε πρώτα στο i-diadiktio.

Κάθε μέρα, ερχόμαστε σε επαφή με δεκάδες, αν όχι εκατοντάδες, εικόνες JPEG. Είναι το αόρατο θεμέλιο του διαδικτύου. Από τις φωτογραφίες των διακοπών σας μέχρι τα memes που βλέπετε στα social media, το JPEG είναι παντού.

Έχετε αναρωτηθεί ποτέ τι ακριβώς είναι αυτό το αρχείο με την κατάληξη .jpg (ή .jpeg) και πώς καταφέρνει να «στριμώχνει» μια τεράστια φωτογραφία σε ένα τόσο μικρό αρχείο, διατηρώντας την ποιότητά της σχεδόν αναλλοίωτη.

Η απάντηση δεν κρύβεται μόνο στα μαθηματικά, αλλά και στην ψυχολογία. Το JPEG δεν είναι απλώς ένα format αρχείου· είναι μια έξυπνη φιλοσοφία που εκμεταλλεύεται τις αδυναμίες της ανθρώπινης όρασης.

Τι σημαίνει «Συμπίεση με Απώλειες» (Lossy);

Αυτή είναι η καρδιά του JPEG. Σε αντίθεση με format όπως το PNG ή το BMP που είναι lossless (χωρίς απώλειες) και διατηρούν κάθε pixel ακριβώς όπως ήταν, το JPEG είναι lossy (με απώλειες).

Αυτό σημαίνει ότι κατά τη διαδικασία αποθήκευσης, απορρίπτει στρατηγικά κάποιες πληροφορίες — πληροφορίες που το μάτι μας, πιθανότατα, δεν θα παρατηρούσε ποτέ ότι λείπουν. Είναι ένας έξυπνος συμβιβασμός: θυσιάζουμε λίγη απόλυτη ακρίβεια, που δεν βλέπουμε, για να κερδίσουμε τεράστιο χώρο στο δίσκο.

Και μια γρήγορη απάντηση σε μια αιώνια ερώτηση: το .jpg και το .jpeg είναι ακριβώς το ίδιο πράγμα. Η κατάληξη με τα τρία γράμματα (.jpg) είναι απλώς ένα κατάλοιπο από τα παλιά συστήματα αρχείων των Windows που απαιτούσαν επεκτάσεις τριών γραμμάτων.

Πώς Λειτουργεί η Μαγεία; Η Ανατομία του JPEG

Η δημιουργία ενός αρχείου JPEG δεν είναι ένα απλό βήμα. Είναι μια γραμμή παραγωγής, μια σειρά από έξυπνες τεχνικές που εφαρμόζονται η μία μετά την άλλη.

Βήμα 1: Η Ανθρώπινη Αντίληψη (YCbCr)

Το πρώτο βήμα είναι να σταματήσουμε να σκεφτόμαστε την εικόνα ως συλλογή από Κόκκινα, Πράσινα και Μπλε pixels (RGB). Το ανθρώπινο μάτι είναι πολύ πιο ευαίσθητο στις αλλαγές της φωτεινότητας (Luma) παρά στις αλλαγές του χρώματος (Chroma).

Το JPEG το ξέρει αυτό. Έτσι, μετατρέπει την εικόνα από το μοντέλο RGB στο μοντέλο YCbCr:

• Y: Είναι η φωτεινότητα (Luminance) – πόσο φωτεινό ή σκοτεινό είναι ένα pixel.
• Cb & Cr: Είναι η πληροφορία του χρώματος (Chrominance).

Αυτός ο διαχωρισμός είναι κρίσιμος, γιατί μας επιτρέπει να «πειράξουμε» το χρώμα, αρκεί να μην πειράξουμε τη φωτεινότητα, και το μάτι μας θα το καταλάβει.

Βήμα 2: Υποδειγματοληψία Χρώματος (Chroma Sub-sampling)

Εδώ ξεκινά η πρώτη «απώλεια». Αφού ξέρουμε ότι το μάτι μας δεν δίνει τόση σημασία στο χρώμα, γιατί να αποθηκεύουμε πλήρη χρωματική πληροφορία για κάθε pixel;

Η υποδειγματοληψία χρώματος είναι μια τεχνική όπου, για ένα μπλοκ pixel (π.χ. 2×2), κρατάμε την πληροφορία φωτεινότητας (Y) για όλα τα 4 pixel, αλλά κρατάμε την πληροφορία χρώματος (Cb/Cr) μόνο για ένα από αυτά (ή έναν μέσο όρο) και την εφαρμόζουμε σε ολόκληρο το μπλοκ.

Αυτό από μόνο του μπορεί να μειώσει το μέγεθος των δεδομένων του χρώματος στο μισό ή και στο ένα τέταρτο, χωρίς να το παρατηρήσει κανείς!

Βήμα 3: Ο Μετασχηματισμός (Discrete Cosine Transform – DCT)

Εδώ τα πράγματα γίνονται λίγο πιο «μαθηματικά», αλλά η ιδέα είναι απλή.

Η εικόνα χωρίζεται σε μικρά μπλοκ 8×8 pixel. Το DCT είναι ένας μαθηματικός μετασχηματισμός που αλλάζει τον τρόπο που βλέπουμε αυτά τα 64 pixel. Αντί να τα βλέπει ως μεμονωμένες τιμές (χωρική περιοχή), τα μετατρέπει σε μια συλλογή από συχνότητες (περιοχή συχνοτήτων).

• Χαμηλές συχνότητες: Αντιπροσωπεύουν τις ομαλές αλλαγές στο χρώμα και τον τόνο (π.χ. ένας γαλάζιος ουρανός). Αυτά είναι το σημαντικό μέρος της εικόνας.
• Υψηλές συχνότητες: Αντιπροσωπεύουν τις απότομες αλλαγές, τις λεπτές λεπτομέρειες και τον «θόρυβο» (π.χ. η υφή ενός υφάσματος). Αυτά είναι το λιγότερο σημαντικό μέρος.

Βήμα 4: Κβαντοποίηση (Quantization) – Εδώ Γίνεται η Συμπίεση

Αυτό είναι το κυρίως βήμα της απώλειας και ο πυρήνας της συμπίεσης.

Αφού το DCT έχει διαχωρίσει τις σημαντικές (χαμηλές) από τις ασήμαντες (υψηλές) συχνότητες, η κβαντοποίηση έρχεται και «τσεκουρώνει» τις τιμές. Χρησιμοποιώντας έναν «πίνακα κβαντοποίησης», διαιρεί τους αριθμούς που προέκυψαν από το DCT.

• Οι τιμές των χαμηλών συχνοτήτων (σημαντικές) διαιρούνται με μικρούς αριθμούς, οπότε αλλάζουν ελάχιστα.
• Οι τιμές των υψηλών συχνοτήτων (ασήμαντες) διαιρούνται με πολύ μεγάλους αριθμούς.

Το αποτέλεσμα; Πολλές από τις τιμές των υψηλών συχνοτήτων στρογγυλοποιούνται και γίνονται μηδέν!

Αυτό το βήμα είναι που ελέγχετε εσείς με τη ρύθμιση “Quality” (Ποιότητα) στο Photoshop ή το GIMP.

• Υψηλή Ποιότητα (π.χ. 90-100): Οι διαιρέτες είναι μικροί. Λιγότερα μηδενικά, καλύτερη ποιότητα, μεγαλύτερο αρχείο.
• Χαμηλή Ποιότητα (π.χ. 10): Οι διαιρέτες είναι τεράστιοι. Περισσότερα μηδενικά, χειρότερη ποιότητα (τα γνωστά “artifacts”), απίστευτα μικρό αρχείο.

Βήμα 5: Κωδικοποίηση (Lossless)

Έχουμε πλέον έναν πίνακα 8×8 γεμάτο αριθμούς, αλλά οι περισσότεροι από αυτούς (ειδικά στις “γωνίες”) είναι μηδενικά. Τώρα, απλώς πρέπει να αποθηκεύσουμε αυτούς τους αριθμούς αποδοτικά.

1. Σάρωση Zig-Zag: Ο αλγόριθμος «διαβάζει» τον πίνακα 8×8 σε ζιγκ-ζαγκ, φέρνοντας όλες τις σημαντικές τιμές στην αρχή και μαζεύοντας όλα τα μηδενικά στο τέλος.
2. Run-Length Encoding (RLE): Αντί να γράψει “0, 0, 0, 0, 0”, ο αλγόριθμος απλά γράφει “(0, 5)” (πέντε μηδενικά στη σειρά). Αυτό συμπιέζει τις μεγάλες σειρές μηδενικών.
3. Huffman Encoding: Τέλος, εφαρμόζεται ένας κλασικός αλγόριθμος συμπίεσης (όπως αυτός που χρησιμοποιείται στα αρχεία .zip) που δίνει μικρότερους κωδικούς στους αριθμούς που εμφανίζονται συχνότερα.

Και κάπως έτσι, έχουμε ένα αρχείο JPEG! Η αποσυμπίεση είναι απλώς η αντίστροφη διαδικασία όλων αυτών των βημάτων.

Γιατί το JPEG Επιβιώνει Ακόμα;

Το JPEG σχεδιάστηκε στις αρχές της δεκαετίας του ’90, μια εποχή με αργούς υπολογιστές και πιο αργό internet. Δημιουργήθηκε από ανάγκη.

Σήμερα, έχουμε νεότερα, πιο αποδοτικά format όπως το WebP και το AVIF, που προσφέρουν ακόμα καλύτερη συμπίεση στην ίδια ποιότητα. Κι όμως, σύμφωνα με στατιστικές, το JPEG εξακολουθεί να χρησιμοποιείται σε πάνω από το 70% όλων των ιστοσελίδων.

Ο λόγος; Είναι καθολικά συμβατό. Κάθε συσκευή, κάθε πρόγραμμα περιήγησης, κάθε πρόγραμμα επεξεργασίας εικόνας, εδώ και 30 χρόνια, ξέρει να διαβάζει και να γράφει JPEG. Αυτή η κληρονομιά και η καθολική αποδοχή του δίνουν μια τεράστια αντοχή στον χρόνο.

Το JPEG είναι μια από τις σιωπηλές ιδιοφυΐες του ψηφιακού μας κόσμου. Είναι η τέλεια ισορροπία μεταξύ μαθηματικής ακρίβειας και βιολογικής ατέλειας, ένα format που κατάλαβε πώς βλέπουμε τον κόσμο και το εκμεταλλεύτηκε στο έπακρο.

Το άρθρο Πως λειτουργεί το πρότυπο εικόνων JPEG εμφανίστηκε πρώτα στο i-diadiktio.

Στην ψηφιακή εποχή, η ασφάλεια και η ιδιωτικότητα των δεδομένων αποτελούν κρίσιμα ζητήματα. Οι παραδοσιακές υπηρεσίες cloud, όπως το Google Drive και το Dropbox, βασίζονται σε κεντρικούς διακομιστές, καθιστώντας τα δεδομένα ευάλωτα σε κυβερνοεπιθέσεις και παραβιάσεις. Εδώ έρχεται το DeNet, ένα αποκεντρωμένο σύστημα αποθήκευσης που χρησιμοποιεί blockchain και peer-to-peer τεχνολογίες για μεγαλύτερη ασφάλεια και αυτονομία.

Πώς Λειτουργεί το DeNet;

Το DeNet επιτρέπει στους χρήστες να αποθηκεύουν δεδομένα σε ένα κατανεμημένο δίκτυο υπολογιστών αντί για κεντρικούς servers. Τα αρχεία κρυπτογραφούνται, κατακερματίζονται και αποθηκεύονται σε διάφορους κόμβους του δικτύου. Μόνο ο χρήστης που έχει το κλειδί αποκρυπτογράφησης μπορεί να ανακτήσει τα δεδομένα, διασφαλίζοντας έτσι το απόρρητο.

Οφέλη του DeNet

• Ασφάλεια και Ιδιωτικότητα: Η αποκεντρωμένη φύση του εξαλείφει τον κίνδυνο επιθέσεων σε έναν κεντρικό server.
• Οικονομία: Οι χρήστες μπορούν να ενοικιάσουν αχρησιμοποίητο αποθηκευτικό χώρο και να κερδίσουν ανταμοιβές.
• Αντοχή σε Διακοπές: Δεν υπάρχει ένα σημείο αποτυχίας, άρα τα δεδομένα είναι πάντα διαθέσιμα.

Εφαρμογές και Μελλοντικές Προοπτικές

Το DeNet μπορεί να χρησιμοποιηθεί από επιχειρήσεις, προγραμματιστές Web3 και μεμονωμένους χρήστες που αναζητούν ασφαλή και αξιόπιστη αποθήκευση δεδομένων. Με την αυξανόμενη ανάγκη για ιδιωτικότητα, οι αποκεντρωμένες λύσεις αναμένεται να παίξουν σημαντικό ρόλο στο μέλλον του διαδικτύου.

Το DeNet προσφέρει μια σειρά από εφαρμογές που αξιοποιούν την αποκεντρωμένη αποθήκευση δεδομένων, παρέχοντας ασφαλείς και ιδιωτικές λύσεις για τους χρήστες. Ακολουθούν μερικές από τις κύριες εφαρμογές:

1. DeNet Storage & Watcher Node (Android & iOS): Αυτή η εφαρμογή επιτρέπει στους χρήστες να δημιουργούν αυτόματα αντίγραφα ασφαλείας των φωτογραφιών και βίντεό τους, διασφαλίζοντας την ιδιωτικότητα μέσω κρυπτογράφησης. Επιπλέον, οι χρήστες μπορούν να ενεργοποιήσουν τη λειτουργία “Watcher Node” για να συμβάλλουν στην ασφάλεια του δικτύου και να κερδίζουν παθητικό εισόδημα. Η εφαρμογή είναι διαθέσιμη τόσο στο Google Play Store όσο και στο App Store.

2. DeNet Storage (Web): Μέσω της διαδικτυακής πλατφόρμας DeNet Storage, οι χρήστες μπορούν να έχουν πρόσβαση στα δεδομένα τους οποιαδήποτε στιγμή, από οποιαδήποτε συσκευή. Η υπηρεσία προσφέρει δωρεάν αποθηκευτικό χώρο και υποστηρίζει τη διαχείριση αρχείων, από οικογενειακές φωτογραφίες έως σημαντικά έγγραφα.

3. DeNet (Chrome Extension): Το DeNet Chrome Extension είναι ένα πρόσθετο για τον περιηγητή Chrome που λειτουργεί ως εργαλείο ενσωμάτωσης για εφαρμογές κοινωνικής δικτύωσης, βοηθώντας στην ανάπτυξη και την αλληλεπίδραση με το κοινό μέσω διαγωνισμών και άλλων λειτουργιών.

Αυτές οι εφαρμογές ενσωματώνουν τις αρχές της αποκεντρωμένης αποθήκευσης, προσφέροντας στους χρήστες ασφαλείς, ιδιωτικές και αποδοτικές λύσεις για τη διαχείριση των δεδομένων τους.

Ακολουθεί βίντεο και σύνδεσμος για εγγραφή στο Watcher Node

Κατέβασέ το τώρα & άρχισε να κερδίζεις:
Κατέβασε το DeNet Watcher Node εδώ!

Το άρθρο DeNet: Το Μέλλον της Αποκεντρωμένης Αποθήκευσης Δεδομένων εμφανίστηκε πρώτα στο i-diadiktio.

Πρωτοπόρος αυτής της επαναστατικής τεχνολογίας «Bluetooth» ήταν η Ericsson, μια διάσημη εταιρεία τηλεπικοινωνιών με έδρα τη Σουηδία. Η ανάπτυξη του Bluetooth ήταν μια συντονισμένη προσπάθεια πολλών ερευνητών και μηχανικών, με έναν Ολλανδό ηλεκτρολόγο μηχανικό τον Jaap Haartsen να ηγείται της ομάδας το 1994. Το Bluetooth προορίζεται να παρέχει μια παγκοσμίως υιοθετημένη ασύρματη πλατφόρμα που θα μπορούσε να συνδέσει διάφορες συσκευές και να εξαλείψει την ανάγκη για καλώδια.

Η ομάδα εργασίας των εφευρετών πίσω από το Bluetooth προήλθε από διαφορετικές εταιρείες τεχνολογίας όπως η IBM, η Intel, η Nokia και η Toshiba. Αυτό δείχνει ότι ενώ η Ericsson πρωτοστάτησε στο έργο, ήταν μια κοινή επιχείρηση στην οποία συμμετείχαν αρκετοί σημαντικοί παίκτες στον κόσμο της τεχνολογίας. Η συνεργασία ήταν ζωτικής σημασίας για τη διασφάλιση της ευρείας υποστήριξης και εφαρμογής της τεχνολογίας που επινοήθηκε σε διάφορες ψηφιακές συσκευές και πλατφόρμες.

Είναι σημαντικό να σημειωθεί ότι η ευρεία υιοθέτηση του Bluetooth σήμερα αποτελεί απόδειξη των συνδυασμένων προσπαθειών αυτών των τεχνολογικών κολοσσών, που δημιούργησαν ένα παγκόσμιο πρότυπο για ασύρματη συνδεσιμότητα μικρής εμβέλειας. Παρά τις προκλήσεις που αντιμετωπίστηκαν κατά την ανάπτυξή του, όπως η εξασφάλιση χαμηλής κατανάλωσης ενέργειας και η εναρμόνισή της με τις υπάρχουσες τεχνολογίες όπως το WiFi, η επιτυχημένη εφεύρεση του Bluetooth έχει αλλάξει σημαντικά την ψηφιακή επικοινωνία και συνδεσιμότητα.

ΑΠΟ ΠΟΥ ΠΗΡΕ ΤΟ ΟΝΟΜΑ

Το όνομα «Bluetooth» έχει τις ρίζες του πίσω στη Σκανδιναβική ιστορία. Κατά τον 10ο αιώνα, σε έναν Δανό βασιλιά ονόματι Harald “Bluetooth” Gormsson που ήταν γνωστός για την ένωση της Δανίας και μέρους της Νορβηγίας σε ένα ενιαίο βασίλειο. Η ικανότητά του να ενοποιεί ενέπνευσε την ονομασία αυτής της τεχνολογίας, η οποία σχεδιάστηκε για να συγκεντρώνει ένα ευρύ φάσμα συσκευών μέσω ασύρματης επικοινωνίας.

Το λογότυπο Bluetooth προέρχεται επίσης από τα αρχικά του Harald, που αντιπροσωπεύονται ως “H” και “B” στο αρχαίο αλφάβητο των ρούνων. Η επιλογή να προσαρτηθεί η ταυτότητα της τεχνολογίας στο King Harald Bluetooth σήμαινε τη φιλοδοξία των εφευρετών να αντιγράψουν την ενότητα που πέτυχε ο King Harald κατά τη διάρκεια της βασιλείας του στο βασίλειο της ψηφιακής τεχνολογίας.

ΠΩΣ ΛΕΙΤΟΥΡΓΕΙ ΤΟ BLUETOOTH

Το Bluetooth λειτουργεί σε ραδιοσυχνότητες, συγκεκριμένα στη ζώνη 2,4 GHz, η οποία είναι παγκοσμίως προσβάσιμη και δωρεάν. Η τεχνολογία χρησιμοποιεί ένα πρωτόκολλο Frequency Hopping Spread Spectrum (FHSS). Αυτό το πρωτόκολλο επιτρέπει στις συσκευές να μεταπηδούν από τη μια συχνότητα στην άλλη εντός της ζώνης των 2,4 GHz, καθιστώντας το Bluetooth εξαιρετικά καλό στην αποφυγή παρεμβολών.

Bluetooth Low Energy

Το Bluetooth Low Energy (BLE) εισήχθη με το Bluetooth 4.0 για να αντιμετωπίσει την ανάγκη για βιώσιμη κατανάλωση ενέργειας. Αυτή η τεχνολογία σχεδιάστηκε για συσκευές που απαιτούν ελάχιστη κατανάλωση ενέργειας. Η BLE εφάρμοσε αλλαγές στα πρότυπα κατανάλωσης ενέργειας, επιτρέποντας στις συσκευές να λειτουργούν με μικρό αποτύπωμα ισχύος, επεκτείνοντας έτσι τη διάρκεια ζωής της μπαταρίας των wearables και των διαφόρων αισθητήρων.

Αυτό το τεχνολογικό άλμα εξυπηρετούσε την αναδυόμενη αγορά φορητών συσκευών, ενισχύοντας τη θέση του Bluetooth στις τεχνολογίες υγείας και φυσικής κατάστασης.

ΤΕΛΕΥΤΑΙΕΣ ΕΞΕΛΙΞEIΣ

Μόλις κυκλοφόρησαν από τον οργανισμό ανάπτυξης, οι βασικές προδιαγραφές για την πιο πρόσφατη έκδοση της ασύρματης τεχνολογίας Bluetooth. Σύμφωνα με τον οργανισμό, η έκδοση 6.0 του Bluetooth εισάγει νέες λειτουργίες και βελτιώσεις στις υπάρχουσες. Ωστόσο, το χαρακτηριστικό γνώρισμα αυτής της έκδοσης φαίνεται να είναι μια νέα επιλογή που ονομάζεται Ήχος καναλιού Bluetooth.

Το Bluetooth SIG (Special Interest Group) ισχυρίζεται ότι το Channel Sounding προσφέρει «πραγματική» επίγνωση απόστασης σε συσκευές συμβατές με Bluetooth, μια δυνητικά μεταμορφωτική καινοτομία με σημαντικά οφέλη για το ασύρματο οικοσύστημα.

Υποστηριζόμενη από ένα “στιβαρό” επίπεδο ασφαλείας, η κοινοπραξία δηλώνει ότι το Channel Sounding θα βελτιώσει σημαντικά την εμπειρία χρήστη για τις λύσεις “Find My”, επιτρέποντας στους χρήστες να εντοπίσουν την ακριβή τοποθεσία των αξεσουάρ με υψηλή ακρίβεια.

Ο ήχος καναλιού μπορεί να επιτύχει ακρίβεια σε επίπεδο εκατοστών σε σημαντικές αποστάσεις. Επιπλέον, η τεχνολογία διασφαλίζει ότι μόνο εξουσιοδοτημένοι χρήστες μπορούν να ξεκλειδώσουν τις πόρτες ή να έχουν πρόσβαση σε ασφαλείς περιοχές σε κτίρια εξοπλισμένα με ασύρματα συστήματα ασφαλείας.

Τα υπόλοιπα χαρακτηριστικά του προτύπου Bluetooth 6.0 προσφέρουν ευπρόσδεκτες βελτιώσεις στη μετάδοση πακέτων δεδομένων και την αποτελεσματικότητα παράδοσης. Με το φιλτράρισμα προτίμησης βάσει αποφάσεων, η λειτουργία Bluetooth Low Energy Extended Advertising θα βελτιώσει την αποτελεσματικότητα της σάρωσης μειώνοντας τον χρόνο που αφιερώνεται στη σάρωση δευτερευόντων καναλιών.

Το άρθρο Bluetooth εμφανίστηκε πρώτα στο i-diadiktio.

Μια μικρή εξήγηση

Οι GPU (κάρτες γραφικών) έχουν περιορισμούς μνήμης όταν αντιμετωπίζουν τις απαιτήσεις των εφαρμογών AI και HPC. Υπάρχουν τρόποι να ξεπεραστεί αυτό το σημείο συμφόρησης, αλλά οι λύσεις μπορεί να είναι ακριβές. Τώρα, μια νέα εταιρεία με έδρα στο Daejeon της Νότιας Κορέας, έχει αναπτύξει μια νέα προσέγγιση: τη χρήση μνήμης συνδεδεμένης με PCIe για την επέκταση της χωρητικότητας. Η ανάπτυξη αυτής της λύσης απαιτούσε άλματα σε πολλούς τεχνολογικούς κρίκους και υπάρχουν ακόμη προκλήσεις μπροστά.

Στην πράξη

Οι απαιτήσεις μνήμης που προκύπτουν από προηγμένα σύνολα δεδομένων για εφαρμογές AI και HPC συχνά κατακλύζουν τη μνήμη που είναι ενσωματωμένη σε μια GPU. Η επέκταση αυτής της μνήμης συνήθως σήμαινε την εγκατάσταση ακριβής μνήμης υψηλού εύρους ζώνης(BANDWIDTH), η οποία συχνά εισάγει αλλαγές στην υπάρχουσα αρχιτεκτονική ή λογισμικό GPU.

Μια λύση σε αυτό το σημείο συμφόρησης προσφέρεται από την Panmnesia, μια εταιρεία που υποστηρίζεται από το ερευνητικό ινστιτούτο KAIST της Νότιας Κορέας, το οποίο έχει εισαγάγει αυτή τη νέα τεχνολογία που επιτρέπει στις GPU να έχουν πρόσβαση στη μνήμη του συστήματος απευθείας μέσω μιας διεπαφής Compute Express Link (CXL). Ουσιαστικά, επιτρέπει στις GPU να χρησιμοποιούν τη μνήμη συστήματος ως επέκταση της δικής τους μνήμης.

CXL

CXL GPU Image, αυτή η συνδεδεμένη με PCIe μνήμη έχει διψήφιο χρόνο καθυστέρησης νανοδευτερόλεπτου που είναι σημαντικά ταχύτερος από τους παραδοσιακούς SSD,αναφέρει η εταιρεία.

Το CXL είναι ένα πρωτόκολλο που λειτουργεί πάνω από μια σύνδεση PCIe, αλλά η τεχνολογία πρέπει να αναγνωρίζεται από ένα ASIC και το υποσύστημά του. Με άλλα λόγια, δεν μπορεί κανείς απλώς να προσθέσει έναν ελεγκτή CXL στη στοίβα τεχνολογίας, καθώς δεν υπάρχει λογικό διάστρωση CXL και υποσυστήματα που υποστηρίζουν τερματικά σημεία DRAM ή/και SSD στις GPU.

Επίσης, η κρυφή μνήμη των GPU και τα υποσυστήματα μνήμης δεν αναγνωρίζουν καμία επέκταση εκτός από την ενοποιημένη εικονική μνήμη (UVM), η οποία δεν είναι αρκετά γρήγορη για AI ή HPC. Σε δοκιμές από την Panmnesia, το UVM είχε τη χειρότερη απόδοση μεταξύ όλων των ελεγμένων πυρήνων GPU. Το CXL, ωστόσο, παρείχε άμεση πρόσβαση σε εκτεταμένο χώρο αποθήκευσης μέσω οδηγιών φόρτωσης/αποθήκευσης, εξαλείφοντας τα προβλήματα που παρεμποδίζουν το UVM, όπως τα γενικά έξοδα από την παρέμβαση χρόνου εκτέλεσης κεντρικού υπολογιστή κατά τη διάρκεια σφαλμάτων σελίδας και τη μεταφορά δεδομένων σε επίπεδο σελίδας.

Η Panmnesia ανέπτυξε μια σειρά επιπέδων υλικού που υποστηρίζουν όλα τα βασικά πρωτόκολλα CXL, τοποθετώντας τα σε έναν ενοποιημένο ελεγκτή.

Το σύμπλεγμα ελεγκτών συμβατό με το CXL 3.1 διαθέτει πολλαπλές θύρες που υποστηρίζουν εξωτερική μνήμη μέσω PCIe και μια γέφυρα κεντρικού υπολογιστή με αποκωδικοποιητή μνήμης συσκευής που διαχειρίζεται ο κεντρικός υπολογιστής που συνδέεται με το δίαυλο συστήματος της GPU και διαχειρίζεται τη μνήμη του συστήματος.

Δεν είναι στο χέρι τους

Υπάρχουν προκλήσεις που αντιμετωπίζει η Panmnesia, μια μεγάλη είναι ότι η AMD και η Nvidia πρέπει να προσθέσουν υποστήριξη CXL στις GPU τους. Είναι πιθανό οι παίκτες του κλάδου να αποφασίσουν ότι τους αρέσει η προσέγγιση της χρήσης συνδεδεμένης με PCIe μνήμης για GPU και να συνεχίσουν να αναπτύσσουν τη δική τους τεχνολογία.

Το άρθρο CXL Φανταστική τεχνολογία στις Κάρτες Γραφικών εμφανίστηκε πρώτα στο i-diadiktio.

Προσομοιωτής

Ο προσομοιωτής είναι ένα πρόγραμμα λογισμικού που χρησιμοποιείται για να αναπαράγει τη λειτουργία ή τη συμπεριφορά ενός συστήματος ή μιας διαδικασίας. Συνήθως, ο προσομοιωτής χρησιμοποιεί μια μοντελοποίηση του πραγματικού συστήματος ή διαδικασίας και χρησιμοποιεί αυτό το μοντέλο για να παράγει δεδομένα που αντιστοιχούν στη συμπεριφορά του πραγματικού συστήματος.

Οι προσομοιωτές χρησιμοποιούνται σε πολλούς τομείς, συμπεριλαμβανομένων της επιστήμης και της μηχανικής, της υπολογιστικής επιστήμης, της ιατρικής, της αεροναυπηγικής, της οικονομίας και πολλών άλλων. Με τη χρήση ενός προσομοιωτή, μπορείς να εξετάσεις τη συμπεριφορά του συστήματος σε διαφορετικές συνθήκες, να δοκιμάσεις διάφορες παραμέτρους και να κάνεις πειράματα που μπορεί να είναι δύσκολο ή ακόμη και αδύνατο να πραγματοποιηθούν στην πραγματικότητα.

Οι προσομοιωτές μπορούν να είναι χρήσιμοι για την εκπαίδευση, την ανάπτυξη νέων τεχνολογιών, τον έλεγχο και την αξιολόγηση συστημάτων, καθώς και για την εξοικονόμηση χρόνου και πόρων που θα απαιτούνταν για πραγματικές δοκιμές και πειράματα.

Εξομοιωτής

Ο όρος “εξομοιωτής” συνήθως χρησιμοποιείται ως συνώνυμος με τον όρο “προσομοιωτής”  ομως διαφέρουν σημαντικά. Ο εξομοιωτής προσπαθεί να εξομοιώση μέσω αναπαραγωγή του πραγματικου υλικού όλα τα χαρακτηριστικά μιας οντότητας που ανήκει στην πραγματικότητα.

Ο εξομοιώτης ενός αυτοκινήτου για παράδειγμα χρησιμοποιεί ας πούμε το πλαίσιο ενος αυτοκινητου και με καταληλους μηχανισμούς κίνησης δια μέσου του λογισμικού που διαθέτει δίνει στον χειριστη την αίσθηση οτι οδηγεί σε πραγματικο περιβάλλον ένα πραγματικό αμάξι.

Σύνοψη

Κλείνοντας καταλαβαίνουμε ότι οι προσομοιωτές μιμούνται μόνο χαρακτηριστικά περιβάλλοντος που μπορούν να υπάρξουν  χρησιμοποιώντας λογισμικό, οι εξομοιωτές αναπαράγουν χαρακτηριστικά τόσο υλικού όσο και λογισμικού.

Το άρθρο Εξομοιωτής ή Προσομοιωτής εμφανίστηκε πρώτα στο i-diadiktio.

Υπάρχουν δύο βασικοί τύποι εικονικοποίησης:

1. Εικονικοποίηση Υποδοχών (Full Virtualization): Εδώ, ο εικονικός χώρος είναι πλήρως απομονωμένος από το υλικό(hardware) και απαιτεί ένα ειδικό επίπεδο λογισμικού, γνωστό ως hypervisor, για να διαχειρίζεται τις εικονικές μηχανές και να προσομοιώνει το υλικό.
2. Εικονικοποίηση Κοντέινερ (Containerization): Εδώ, οι εφαρμογές εκτελούνται μέσα σε ελαφριές εικονικές μονάδες που μοιράζονται τον πυρήνα του λειτουργικού συστήματος του υπολογιστή. Οι εικονικές αυτές μονάδες, γνωστές ως κοντέινερ, εκτελούνται σε ένα περιβάλλον που είναι απομονωμένο από τον υπόλοιπο υπολογιστή, αλλά χρησιμοποιούν το ίδιο πυρήνα με άλλα κοντέινερ στο σύστημα.

Η εικονικοποίηση έχει πολλές χρήσεις, συμπεριλαμβανομένης της ελαχιστοποίησης χρήσης του υλικού που απαιτείται για την εκτέλεση εφαρμογών, της διευκόλυνσης ανάπτυξης λογισμικού, καθώς και της ευκολίας διαχείρισης των εφαρμογών. Επίσης, βοηθάει στην απομόνωση των εφαρμογών για ασφάλεια και στη δημιουργία ευέλικτων περιβάλλοντων εκτέλεσης.

Υπάρχουν αρκετά προγράμματα εικονικοποίησης που μπορείτε να χρησιμοποιήσετε ανάλογα με τις ανάγκες και τις προτιμήσεις σας. Ορισμένα από τα πιο δημοφιλή προγράμματα εικονικοποίησης είναι τα εξής:

1. VMware vSphere/VMware Workstation: Η VMware παρέχει μια σειρά προϊόντων εικονικοποίησης, συμπεριλαμβανομένου του VMware vSphere για επιχειρησιακή χρήση και του VMware Workstation για ατομική χρήση.
2. Oracle VM VirtualBox: Το VirtualBox είναι ένα δωρεάν πρόγραμμα εικονικοποίησης που προσφέρει πληθώρα δυνατοτήτων για να δημιουργήσετε και να διαχειριστείτε εικονικές μηχανές στον υπολογιστή σας.
3. Microsoft Hyper-V: Το Hyper-V είναι μια πλατφόρμα εικονικοποίησης που παρέχεται από τη Microsoft και είναι ενσωματωμένη στα πιο πρόσφατα λειτουργικά συστήματα Windows.
4. KVM (Kernel-based Virtual Machine): Το KVM είναι μια τεχνολογία εικονικοποίησης που ενσωματώνεται στον πυρήνα του Linux και επιτρέπει τη δημιουργία εικονικών μηχανών σε συστήματα Linux.
5. Docker: Το Docker είναι μια δημοφιλής πλατφόρμα κοντέινερ που επιτρέπει τη δημιουργία, την ανάπτυξη και την εκτέλεση εφαρμογών μέσα σε κοντέινερ με χρήση ελαφρών εικονικών μονάδων.

Αυτά είναι μερικά από τα πιο δημοφιλή προγράμματα εικονικοποίησης που μπορείτε να χρησιμοποιήσετε ανάλογα με τις ανάγκες και τις προτιμήσεις σας.

…………..σε επόμενο άρθρο θα γίνει παρουσίαση χρήσης προγράμματος εικονική μηχανής.

Το άρθρο Η εικονικοποίηση Virtualization εμφανίστηκε πρώτα στο i-diadiktio.

Η ULTRARAM είναι μη μεταβλητή σαν την flash μνήμη, με απόδοση όμως που αναμένεται να ξεπεράσει αυτή της DRAM.

Τεχνικές Λεπτομέρειες

Η τεχνολογία της ULTRARAM είναι κατηγορίας floating gate που μοιάζει με flash. Ωστόσο, σε αντίθεση με τη flash, ή οποία χρησιμοποιεί ένα φράγμα οξειδίου υψηλής αντίστασης για να διατηρήσει το φορτίο στην floating gate, η ULTRARAM χρησιμοποιεί ατομικά λεπτά στρώματα InAs/AlSb για να δημιουργήσει μια δομή περιορισμού φορτίου συντονισμού σήραγγας τριπλού φραγμού (TBRT). Το TBRT αλλάζει μεταξύ μιας κατάστασης υψηλής αντίστασης σε μια κατάσταση υψηλής αγωγιμότητας (ξεκλείδωμα) με εφαρμογή μόλις 2,5 V σε όλη τη στοίβα πύλης (πρόγραμμα/διαγραφή). Αυτός ο μηχανισμός είναι που δίνει στην ULTRARAM τις αξιοσημείωτες ιδιότητές της.

Ενεργειακή Απόδοση

Οι παράγοντες που καθορίζουν την ενεργειακή απόδοση ποικίλλουν ευρέως για διαφορετικές τεχνολογίες μνήμης. Για παράδειγμα, πολλές αναδυόμενες μνήμες λειτουργούν δημιουργώντας/σπάζοντας διατομικούς δεσμούς ή με εναλλαγή ατομικών μαγνητικών ροπών. Αυτές οι διαδικασίες είναι ενεργοβόρες, με αποτέλεσμα υψηλές ενέργειες προγράμματος/διαγραφής. Οι μνήμες που βασίζονται στο φορτίο, όπως το flash και DRAM, είναι ανώτερες από αυτή την άποψη, καθώς χειρίζονται ηλεκτρόνια και όχι άτομα, κάτι που απαιτεί λιγότερη ενέργεια. Ωστόσο, υπάρχει ακόμα περιθώριο για ακόμη μεγαλύτερη αποτελεσματικότητα!

Λειτουργική Απόδοση

Με το συνδυασμό χαμηλής χωρητικότητας και προγράμματος/διαγραφής χαμηλής τάσης, η ULTRARAM έχει ενέργεια μεταγωγής ανά μονάδα επιφάνειας που είναι 100 φορές χαμηλότερη από τη DRAM, 1.000 φορές χαμηλότερη από την flash μνήμη και πάνω από 10.000 φορές χαμηλότερη από άλλες αναδυόμενες μνήμες. Τα διαπιστευτήρια εξαιρετικά χαμηλής ενέργειας της ULTRARAM ενισχύονται περαιτέρω από τη μη καταστροφική ανάγνωση και τη μη μεταβλητότητά της, γεγονός που αφαιρεί την ανάγκη για ανανέωση.

Μια μνήμη είναι μη πτητική εάν είναι σε θέση να διατηρεί δεδομένα όταν δεν τροφοδοτείται, απαιτώντας μια ισχυρή λογική κατάσταση που είναι δύσκολο να αλλάξει, π.χ. λάμψη. Αντίθετα, μια γρήγορη μνήμη απαιτεί φαινομενικά η λογική κατάσταση να είναι εύθραυστη ώστε να μπορεί να αλλάξει γρήγορα και εύκολα, π.χ. DRAM. Επομένως, μια μνήμη που είναι γρήγορη και μη πτητική απαιτεί φαινομενικά αντιφατικές φυσικές ιδιότητες και έχει από καιρό απορριφθεί ως ανέφικτη.

Το άρθρο UltraRam εμφανίστηκε πρώτα στο i-diadiktio.

DeepMind

Πολύ πριν από τις πρόσφατες καινοτομίες του OpenAI και άλλων συστημάτων παραγωγής τεχνητής νοημοσύνης, ο Demis Hassabis δούλευε σε πολύ ισχυρούς, «έξυπνους» αλγόριθμους στο εργαστήριο DeepMind της Google. Τώρα, ο Βρετανός ερευνητής είναι έτοιμος για το επόμενο εξελικτικό βήμα στον τομέα της τεχνητής νοημοσύνης.

Το επιτραπέζιο Go

Το Gemini, το πιο πρόσφατο προϊόν τεχνητής νοημοσύνης στο οποίο εργάζονται οι ερευνητές της DeepMind, φαίνεται ότι θα ξεπεράσει το ChatGPT. Ο Demis Hassabis, Διευθύνων Σύμβουλος και συνιδρυτής του βρετανικού ερευνητικού εργαστηρίου τεχνητής νοημοσύνης που εξαγοράστηκε από την Google το 2014, λέει ότι οι δυνατότητες του Gemini θα ξεπεράσουν αυτά που προσφέρει σήμερα το OpenAI σε εταιρείες και χρήστες χάρη στην εμπειρία του με το επιτραπέζιο παιχνίδι Go.

Το Gemini θα κληρονομήσει τις υποτιθέμενες ανώτερες δυνατότητές του από την AlphaGo, την τεχνητή νοημοσύνη που πέτυχε μια ιστορική νίκη έναντι ενός πρωταθλητή (ανθρώπινου) παίκτη στο Go το 2016. Το Gemini θα συμπεριφέρεται σαν ένα μοντέλο μεγάλης γλώσσας (LLM) τύπου ChatGPT, αλλά θα έχει επίσης προχωρημένες ικανότητες όπως ο προγραμματισμός ή η επίλυση προβλημάτων χάρη στον αναπτυγμένο αλγόριθμο AlphaGo.

Το μέλλον

Ο Gemini είναι ακόμα σε εξέλιξη και πιθανότατα θα χρειαστούν μερικοί μήνες για να ολοκληρωθεί. Το έργο, το οποίο θα μπορούσε να κοστίσει δεκάδες ή ακόμα και εκατοντάδες ή εκατομμύρια δολάρια, θα χρησιμοποιήσει προηγμένες τεχνικές AI που αναπτύχθηκαν για το AlphaGo, όπως η ενισχυτική μάθηση και η αναζήτηση δέντρων. Η αναζήτηση δέντρου(tree algorithm) είναι μια μέθοδος για να εξερευνήσετε και να θυμάστε τις επόμενες πιθανές κινήσεις σε ένα παιχνίδι Go. Η μαθαίνει πώς να αντιμετωπίζει στρατηγικά προβλήματα, όπως η επιλογή της επόμενης κίνησης σε έναν αγώνα Go.

Τα τρέχοντα συστήματα LLM είναι περιορισμένα στην ικανότητά τους να μαθαίνουν νέα πράγματα ή ακόμα και να «προσαρμόζονται» σε στρατηγικά και σύνθετα προβλήματα, καθώς βασίζονται αποκλειστικά σε τεχνικές αναζήτησης μοτίβων για να προσπαθήσουν να προβλέψουν τα πιο σημαντικά αποσπάσματα κειμένου για να απαντήσουν στην προτροπή ενός χρήστη. Δεν υπάρχει απολύτως τίποτα «έξυπνο» εκεί, αν και τα αποτελέσματα αυτών των περιορισμένων AI μπορεί να είναι εντυπωσιακά, αν δεν χρειάζεστε υπευθυνότητα, αξιοπιστία ή πραγματική ακρίβεια.

Το άρθρο GEMINI ΤΟ ΑΝΤΙΠΑΛΟ ΔΕΟΣ ΤΟΥ ChatGPT εμφανίστηκε πρώτα στο i-diadiktio.