Прекрасный вводный рассказ об искусственном интеллекте и машинном обучении для начинающих…

Вступление

Работали ли вы в Интернете или смотрели новости, вероятно, вы слышали об этих терминах «искусственный интеллект», он же «AI», или «машинное обучение», он же «M.L». В этой статье мы проведем вас через путешествие, чтобы познакомиться с этой технологией, что это такое, а что нет? Как и зачем мы это используем и многое другое. Хорошая новость заключается в том, что мы не собираемся углубляться в технические аспекты этого, но мы откроем его с нетехнической стороны.

Прежде чем мы начнем, нам нужно избавиться от любого непонимания того, с чем связаны ИИ и машинное обучение.

Не пугайтесь, если вы прочитали что-то немного «техничное» и не поняли, потому что наша цель - предоставить вам общие знания о том, что это за технология, чтобы вы не спрашивали своего друга или родственника, который работает как инженер по машинному обучению починит ваш принтер или сканер…

Мы собираемся сосредоточиться на том, что такое машинное обучение, но мы не можем говорить об этом, не говоря об искусственном интеллекте.

Некоторые общепринятые сокращения, которые вы, возможно, захотите запомнить

A.I: Искусственный интеллект

М.Л .: Машинное обучение.

Д.Л .: Глубокое обучение.

Р.Л .: Обучение с подкреплением.

Что такое искусственный интеллект

даже не поискав ничего об A.I, вы можете немного догадаться, что это такое, по его названию. Искусственное означает, что что-то является продуктом преднамеренного человеческого производства, другими словами, что-то неестественное. Интеллект - это способность к пониманию, логике и обучению.

ИИ - это наука о создании интеллектуальных машин, а точнее наука о создании интеллектуальных приложений или программ. Подобно тому, как учатся люди, ученые искусственного интеллекта хотят заставить машинные программы учиться самостоятельно, практически без вмешательства человека, что делает искусственный интеллект революционной технологией, потому что обычно приложения и программы, которые мы используем, явно запрограммированы. Это означает, что программист или кодировщик, написавший определенное приложение, конкретно сообщает ему, как себя вести или какая инструкция будет следующей после определенного действия пользователя.

Поскольку искусственный интеллект позволяет машинам выполнять задачи, которые под силу каждому человеку, с определенной степенью уверенности. ИИ можно разделить на две категории: слабые и сильные, и это не связано с физической силой.

Сильный ИИ

Для этой категории машина может думать и выполнять действия сама по себе так же, как и люди, и это достигается за счет сохранения алгоритма программой. Как и в фильмах, сильный ИИ будет действовать как мощный всезнайка. Пример из реальной жизни - это ИИ, который научился играть в 49 классических игр Atari.

Искусственный интеллект - это очень широкая область, и он применяется многими способами и во многих сферах нашей повседневной жизни, а машинное обучение - это лишь часть искусственного интеллекта. С этого момента все наше внимание будет сосредоточено на М.Л.

Слабый ИИ

Здесь машины не могут выполнять задачи самостоятельно, а выглядят разумно. Другими словами, ученые вводят в машину набор алгоритмов для выполнения определенных задач в соответствии с этими. Siri и Alexa считаются слабым (также известным) AI, потому что у них есть запрограммированный ответ.

Избавляемся от стереотипов

Прежде чем мы углубимся в тему машинного обучения, мы хотели избавиться от любого непонимания того, чем искусственный интеллект или любое из его подполей не являются.

В отличие от того, что вы видите в фильмах, AI не пытается создать злого робота, который будет намного умнее человека и уничтожит всех людей с земли.

Машинное обучение - это не кража данных кредитной карты или посадка в электромобиль. Эти вещи связаны со взломом и компьютерной безопасностью, и это совсем другая тема. Как мы узнаем, это гораздо больше.

Машинное обучение

Машинное обучение - это подраздел искусственного интеллекта, и это так, потому что искусственный интеллект - это более широкая технология, а у M.L есть свои специфические технические подходы.

Что это?

Машинное обучение связано не только с информатикой, но и с вычислительной статистикой. Алгоритмы машинного обучения (мы также можем назвать программу машинного обучения моделью, и мы поговорим об этом позже) сильно полагаются на линейную алгебру, статистику, вероятность, исчисление и другие математические аспекты ...

Проще говоря, алгоритм машинного обучения не запрограммирован явно, поскольку это подполе ИИ, его цель - позволить машине учиться самостоятельно, предоставляя ей данные для обучения, а затем сообщая ей, как она должна учиться. для того, чтобы сгенерировать правильный вывод, здесь и происходят вычисления и вычисления.

Как это работает?

Чтобы лучше понять это, давайте возьмем пример, когда малыш учишься различать картофель и апельсин. апельсин имеет более или менее круглую форму, а картофель - нет. Картофель коричневый, а оранжевый - оранжевый. Согласно этому количеству информации (данных), в следующий раз, когда малыш увидит картофель и апельсины, отличные от тех, которые мы ему показали, он будет знать разницу благодаря логике (алгоритму машинного обучения), которую мы касаемся его, чтобы различать апельсины. и картофель. То же самое и с алгоритмом машинного обучения, но у нас, людей, есть разумный мозг, который заботится об этом процессе обучения, так как же машина учится, как человек?

Нейроны и нейронные сети

Исследователи и инженеры сотрудничали с неврологами, чтобы понять, как люди учатся, и пытались имитировать это на машинах. Чтобы убедиться, что все мы очень хорошо понимаем, как мы учимся и как это происходит с машинами, мы будем шаг за шагом объяснять каждую инструкцию, как это делается для нас, а также для машин. Только в этой части статьи мы коснемся технических вопросов, потому что найдем полезную информацию, которая покажет, насколько удивительны наши тела и насколько умен человеческий мозг.

Мы получаем информацию через наши органы чувств. Тело передает эти данные в мозг. Человеческий мозг содержит около 100 миллиардов нейронов. Каждый нейрон содержит ряд рецепторов, от которых поступает информация (электрические сигналы). Полученные электрические сигналы создают электрический сигнал в нейроне, который затем нейрон передает его другому нейрону.

Инженеры создают модель, состоящую из входных данных, которые будут предоставлять информацию. Слой нейронов, получающих информацию. Сила модели, такая как мощность человеческого мозга, входит в расчет, который дает правильный результат.

Итак, нейронная сеть - это просто сеть связанных слоев нейронов, где первый слой - это уровень данных, а последний слой - это уровень вывода или ожидаемого результата.

Методы машинного обучения

Два наиболее часто используемых метода машинного обучения - это обучение с учителем и обучение без учителя.

Контролируемое обучение

Этот метод заключается в создании модели M.L на основе примеров, что означает, что мы предоставляем нашей модели помеченные (помеченные) данные и помечаем для нее ожидаемый результат, который логически генерируется в соответствии с особенностями введенных нами данных. После этого, если мы дадим нашей модели новые данные, она сравнит характеристики введенных данных с ранее помеченными данными, и сгенерированный результат будет тем, который разделяет наиболее общие черты между введенными данными и данными, которые мы предоставили нашим модель, чтобы учиться. Если результат неверен, мы исправляем модель, показывая ей, каким должен быть правильный результат, и таким образом модель учится на своих ошибках.

Представьте, что вы обучаете ребенка различию между велосипедом и мотоциклом. Сначала вы покажете некоторые из двух транспортных средств и объясните ему, что мотоцикл больше, тяжелее, имеет двигатель и работает на бензине. В то время как велосипед легче и требует больше физических усилий и сил для вождения, а также лучше для окружающей среды. В следующий раз, когда вы покажете ему совершенно другой велосипед, он поймет, что это за велосипед, основываясь на предыдущей информации, которой вы его научили.

Обучение с учителем обычно используется в маркетинге и продажах и для прогнозирования будущих событий на основе статистического анализа. Он также широко используется в сфере безопасности, в фильтрации спама, обнаружении мошенничества, а также в вредоносных электронных письмах и ссылках.

Неконтролируемое обучение

В отличие от обучения с учителем, при обучении без учителя данные не маркируются, поэтому алгоритм будет искать сходства между входными данными и пытаться узнать тип структуры из этих данных. Затем он извлечет из него полезные функции и сгруппирует (сгруппирует) данные в соответствии с их общими функциями. Итак, вывод основан на том, что алгоритм извлек из данных. Данные, которые мы передаем в модель без учителя, более обширны, чем в модели с учителем.

Например, если мы хотим создать алгоритм, который может помочь нам найти сходство между разными породами птиц, вместо того, чтобы просто сообщать нам, какая порода у данной птицы, обучение без учителя - правильный метод для этого. Алгоритм может сгруппировать их в разные группы по цвету, клюву, высоте и так далее ...

Неконтролируемое обучение часто используется в двигателях рекомендаций. Эти системы используются крупными компаниями и известными веб-сайтами, такими как Facebook, YouTube, Amazon ... Будущие объявления, которые вы будете видеть на Facebook, будут основаны на ваших предыдущих лайках (страницы, сообщения, реклама, которые вам понравились) или ваших поисковых запросах. . Точно так же будущие рекомендуемые видео, которые вы будете видеть на YouTube, будут основываться на том, что вам понравилось, что не нравится, ваших подписках, ваших поисковых запросах и многих других данных о вас и вашем поведении на платформе.

Подходы к машинному обучению

В машинном обучении используются различные популярные алгоритмические подходы, такие как обучение по дереву решений, K-ближайший сосед и т. Д. Но два из наиболее часто используемых - это глубокое обучение (D.L) и обучение с подкреплением (R.L).

Глубокое обучение

Этот подход появился в 80-х годах, и ученые искусственного интеллекта не уделяли этому подходу особого внимания, поскольку считали, что он не приведет к большим результатам, и лишь немногие продолжали над ним работать. Ученые и инженеры искусственного интеллекта переориентировались на D.L чуть более десяти лет назад, когда алгоритм глубокого обучения показал гораздо лучшие результаты на ежегодных международных соревнованиях по искусственному интеллекту, по сравнению с другими подходами.

Глубокое обучение пытается имитировать работу человеческого мозга и для достижения этой цели использует искусственную нейронную сеть, которая действует как человеческий мозг, чтобы учиться на ней. Это называется глубоким обучением, потому что алгоритм D.L содержит несколько уровней между входным и выходным слоями.

Глубокое обучение улучшает автоматический перевод в цифровых переводчиках, таких как Google. Он также используется в беспилотных автомобилях, чтобы автомобили могли обнаруживать знаки, объекты, движение и предсказывать приближающуюся аварию. Также существует множество моделей глубокого обучения, используемых в клиентском опыте, особенно в чат-ботах, которые представляют собой цифровые роботы, которые через разговоры с людьми узнают, чего может хотеть будущий клиент.

Обучение с подкреплением

Обучение с подкреплением осуществляется с помощью системы вознаграждения и наказания. Алгоритм обучения с подкреплением также называется агентом, который учится в среде, в которой он находится. Подобно тому, как вы хотите научить ребенка вести себя через вознаграждение и наказание. Агент получает вознаграждение, если выполняет определенную задачу правильно, в противном случае он получает наказание и узнает, что то, что он сделал, не является правильным способом выполнения этой задачи. Это просто процесс проб и ошибок, как будто кто-то пытается построить деревянный стул без каких-либо предварительных знаний или опыта, у него будут все необходимые материалы, а затем он начнет резать древесину для ножек стула. Если ноги не одинаковой высоты, они будут знать, что разрез был неточным, и им придется взять ногу, отрезать такую же, как она, и так далее ...

В обучении с подкреплением не указывается явно, каким должен быть результат, в отличие от других методов M.L. Но работайте над задачей и учитесь на ошибках самостоятельно.

Преимущества и недостатки

Мы полагаемся на алгоритмы машинного обучения, чтобы иметь лучшее и безопасное будущее. Мы применяем подходы M.L. для выявления мошенничества, чтобы создать автономный автомобиль, чтобы предотвратить любое дорожно-транспортное происшествие в будущем. Мы также используем M.L для прогнозирования предстоящих стихийных бедствий, таких как извержения вулканов и смертоносные землетрясения, и этот список можно продолжить. Но это не означает, что у M.L есть правильное решение для каждой проблемы, которую нам трудно решить. Иногда, если мы скармливаем нашему алгоритму набор данных смещения, это может привести к нежелательным результатам. Предвзятый алгоритм может предполагать, что вы с большей вероятностью совершите преступление из-за вашей расы, цвета кожи или места проживания. Предвзятый алгоритм, который использовался, чтобы предсказать, принадлежит ли данное изображение ученому или нет. Он имел тенденцию к дискриминации женщин, потому что большинство данных, которые подавались, были фотографиями мужчин-ученых. Даже несмотря на то, что мы улучшаем и все больше полагаемся на алгоритмы AI и M.L, мы не должны давать им 100% контроль и должны всегда находиться под наблюдением.