Искусственный интеллект — это программа, которая может демонстрировать человеческий интеллект, когда он может чувствовать, действовать, адаптироваться и рассуждать. Итак, мы изучаем умственные способности с помощью вычислительных моделей. Но зачем нам умные программы или зачем нам изучать мозг? Основная идея этой мысли заключается в том, что мозг и компьютеры работают одинаково. Выполнение некоторого умножения — простая задача для нашего мозга, и то же самое мы можем сделать с компьютерами. Но когда мы выполняем задачу, например, видим картинку или говорим. Компьютер должен сделать много вычислений, чтобы показать нам картинку, и то же самое происходит в случае понимания и обработки естественного языка. С увеличением вычислительной мощности мы можем обучать наши компьютеры выполнять задачу классификации, и мы видим технологии, с помощью которых мы можем очень легко выполнять перевод языков, используя методы ИИ.

Если мы еще больше разделим ИИ, у нас будут разные компоненты.

  1. Машинное обучение: это алгоритмы, производительность которых улучшается по мере того, как они со временем получают больше данных.
  2. Глубокое обучение: это подмножество машинного обучения, при котором многоуровневая нейронная сеть учится на огромном количестве данных.

Мы можем сделать вывод, что все они коррелируют друг с другом, когда интеллектуальные алгоритмы/нейронные сети (вдохновленные мозгом) подвергаются воздействию данных для поиска закономерностей и выполнения вычислений, чтобы дать нам результаты, как описано в определении ИИ.

Если мы говорим о машинном обучении, у нас есть два типа.

  1. Контролируемое машинное обучение, где мы знаем результат/цель
  2. Неконтролируемое машинное обучение, при котором у нас нет целевого столбца, а алгоритм найдет структуру в данных.

Данные, на которых обучаются эти модели, называются функциями в терминологии машинного обучения. Например: если мы хотим классифицировать грибы как ядовитые или съедобные, мы определяем различные характеристики, такие как форма, размер, цвет, запах и т. д. Алгоритм узнает, какие характеристики выбирают тот или иной тип гриба. Если мы хотим провести классификацию между изображением яблока и банана, здесь на помощь приходит глубокое обучение.

Когда мы говорим об истории ИИ, первым, кто столкнулся с интеллектом, демонстрируемым машинами, был Алан Тьюринг. После этого он был принят Дартмутской конференцией. Затем появился алгоритм персептрона Фрэнка Розенблатта, и далее у нас есть различные достижения во времени. Марвин Мински об ограничениях алгоритма персептрона и отчет Лайт Хилл о невыполнении обещаний ИИ привели к первой «AI WINTER.

Но в 1980-х годах у нас появился алгоритм обратного распространения, который позволил нам тренировать многослойное восприятие, и снова возник интерес к исследованиям нейронных сетей. В начале 1990-х прогресс экспертных систем в решении бизнес-задач замедлился, и экспертная система была интегрирована в программное обеспечение, такое как SAP, Oracle, и интерес к ИИ снизился. В начале 2000-х была запущена поисковая система Google, поддерживаемая искусственным интеллектом. С 2006 по 2012 год мы наблюдали различные достижения в нейронных сетях, и представлен набор данных IMAGE-NET изображений, помеченных людьми, где алгоритмы соревновались в задачах визуального распознавания. 2012 год — это год, когда мы стали свидетелями бума искусственного интеллекта, когда глубокое обучение превзошло показатели конкуренции в сети изображений.

Когда мы говорим об этой эпохе, у нас есть большие наборы данных, более быстрые вычислительные мощности и нейронные сети, и мы можем давать передовые идеи в различных областях с высочайшей точностью. Теперь у нас есть различные приложения ИИ, такие как самоуправляемые автомобили, самый быстрый маршрут между двумя точками с помощью анализа данных и спрос на такси в режиме реального времени с использованием машинного обучения. Все началось с одной мысли о том, как добиться человеческого интеллекта в компьютерах.