Scopri cosa sono, come funzionano e cosa ti serve per iniziare a usarli!
Pubblico dei lettori (🟢⚪️⚪️): principianti dell'intelligenza artificiale, familiarità con i modelli più diffusi e le loro applicazioni
Livello (🟢⚪️⚪️): Argomento fondamentale
Complessità (🟢⚪️⚪️): Facile da digerire, nessuna formula matematica o teoria complessa qui
L’altro giorno mi sono imbattuto in un tweet che mi ha fatto riflettere per un attimo:
È stato pubblicato nientemeno che da Kelsey Hightowerun ex collega di Google, che nel corso degli anni si è guadagnato uno status quasi leggendario nella comunità open source e di sviluppatori.
🤔 Fa un'ottima osservazione: con tutto il rumore che circonda l'intelligenza artificiale generativa (GenAI), è facile lasciarsi prendere dalle fantasiose demo e da un flusso quasi costante di annunci su nuovi modelli. 😮💨 Cercare di tenere il passo è francamente travolgente!
Quindi per questo post (e probabilmente per i prossimi) voglio esplorare diversi livelli di astrazione. Il mio obiettivo è provare a spiegare come funzionano effettivamente alcuni dei componenti sottostanti che diamo per scontati, analizzando lo stack fino a raggiungere l'hardware e risalendo fino all'utente.
📧Fseguimi e iscriviti via e-mail per ricevere avvisi di nuove storie se questo sembra il tuo problema.
⏭️ Comunque, diamoci da fare nell'argomento in questione! Database vettoriali (VectorDB)…
Le applicazioni che coinvolgono LLM, ricerca semantica o alcuni elementi di GenAI richiedono un'elaborazione dei dati molto efficiente.
Non sto parlando solo delle enormi quantità di dati di testo, immagini o video che assorbiamo per addestrare i modelli di intelligenza artificiale sottostanti che alimentano queste applicazioni.
Fonte: towardsdatascience.com
