Искусственный интеллект. Когда люди видят эти два слова вместе, у них обычно возникают две мысли. Во-первых, компьютеры и роботы захватят мир. Второе - это обычно еще одна пара слов: машинное обучение. В то время как первое иррационально и никогда не произойдет (или случится ?!), вторая мысль для некоторых, не принадлежащих к миру технологий, - всего лишь пара модных словечек. Многие думают, что искусственный интеллект или ИИ. это просто машинное обучение. К сожалению, они будут правильными только на 1/4. А.И. состоит из четырех частей: рассуждения, обработки естественного языка (NLP), планирования и машинного обучения (ML). Люди обычно не так много говорят об этих других частях. Итак, что это такое? Чтобы ответить на этот вопрос и понять А. В целом, нам нужна краткая история всей этой идеи и того, откуда она взялась.

В 1950-х годах математик и ученый-компьютерщик по имени Алан Тьюринг только что навсегда изменил мир своей статьей под названием Вычислительные машины и интеллект ». один из величайших вопросов века в трех словах: Могут ли машины думать? Это привело бы к печально известному тесту Тьюринга. Тест оценивает способность машины проявлять поведение, которое считается разумным, эквивалентным или неотличимым от человеческого. Методика проведения теста проста: человек действует как следователь и задает серию вопросов двум респондентам. Один - человек, а другой - компьютер, и разговор ограничивается экраном компьютера, а не голосом. По прошествии определенного времени следователь должен определить, кто из респондентов - человек, а какой - компьютер, на основе их ответов на вопросы.

Если следователь не может отличить компьютер от респондентов-людей, будем ли мы считать компьютер интеллектуальным? Ответ все еще обсуждается, поскольку есть утверждения, что некоторые программы прошли тест Тьюринга, в то время как другие утверждают, что ничего не прошло. Это приблизительное представление об искусственном интеллекте.

За годы, прошедшие со времен Алана Тьюринга до наших дней, А.И. является горячей областью исследований, особенно в категории ML. Но каковы три других компонента искусственного интеллекта? Первый - это рассуждение. Компьютерные рассуждения очень просты по определению, но сложны в том, как это делается. Его можно определить как машину, делающую выводы, используя данные, что, по сути, является способом рассуждений людей. Ранние исследователи в этой области А.И. разработал алгоритмы, которые даже имитировали простые пошаговые рассуждения, которые люди используют для решения проблем и логических выводов. Однако проблема в том, что люди думают не только так, и мы фактически решаем большинство наших проблем, используя быстрые интуитивные суждения, в отличие от этих алгоритмов.

Второй компонент - это обработка естественного языка или НЛП. Это дает компьютеру возможность читать и понимать человеческие языки. Однако для этого требуется множество технологий, таких как словари, онтологии, языковые модели и т. Д.

Подумайте о человеке, который естественно говорит по-английски и выучил испанский, когда ему было 15 лет. Когда человек разговаривает с ним по-испански, он преобразует услышанное в свой естественный / родной язык (английский), чтобы понять его, а затем придумает ответ и преобразует его обратно в и отвечайте на испанском. Конечно, лучший пример используемого сегодня программного обеспечения - это машинный перевод, в частности Google Translate.

Следующая составляющая - планирование. Если кого-то считают умным, он должен уметь ставить цели и достигать их. Люди должны уметь визуализировать будущее и какие действия они должны предпринять, чтобы изменить его. Так что, конечно, это необходимо учитывать при попытке создать программу с искусственным интеллектом. Компьютер должен обладать способностью действовать автономно и гибко для построения последовательности действий для достижения конечной цели.

Последней и наиболее известной частью искусственного интеллекта является машинное обучение (ML), которое можно определить как изучение алгоритмов, которые автоматически улучшаются благодаря опыту (для простоты я не буду обсуждать алгоритмы здесь, а в более поздней публикации) . Люди учатся по-разному, как и машины, поэтому машинное обучение разделено на четыре подкатегории: контролируемое и неконтролируемое обучение, усиленное обучение и глубокое обучение.

Контролируемое обучение можно определить просто как получение предварительных знаний, таких как набор данных с историческими данными, и обучение с этими данными для прогнозирования будущих точек или наборов данных. Машина использует более старые данные, чтобы находить закономерности и делать выводы для будущих данных. Например, больница хочет найти среднее время ожидания по дням недели в следующие годы. Они могут использовать алгоритм машинного обучения и обучать его различным факторам, таким как дни недели, информация о пациенте и время ожидания в предыдущие годы, чтобы алгоритм мог эффективно прогнозировать будущее среднее время ожидания для определенного дня недели. Можно утверждать, что это самый простой способ обучения на компьютере.

Неконтролируемое обучение - это когда машине предоставляются необработанные нефильтрованные данные, они классифицируют и создают классификации данных с использованием шаблонов, идентифицированных с помощью различных методов, таких как компьютерное зрение, визуальное распознавание и т.д. дома похожи. Тем не менее, компьютер классифицирует деревья и сами дома, глядя на образцы форм, цветов и размеров, а также на различия в одних и тех же категориях. Таким образом, он может успешно классифицировать дома и деревья как два отдельных объекта на одном изображении.

Следующая форма обучения - это обучение с подкреплением. Это очень похоже на обучение с учителем, но главное отличие заключается в следующем: машина обучается не на основе набора данных, а, скорее, путем серии проб и ошибок. Это используется при разработке роботов и игр, и при каждом успешном результате машина учится делать это в первую очередь. Возьмем, к примеру, игру-головоломку, в которой вы должны сначала нажать «a» перед «b». как только машина узнает это, она всегда будет щелкать «a» перед «b».

Последняя форма обучения - это то, что мы, люди, не на 100% понимаем о себе, и называется глубоким обучением. Глубокое обучение использует нейронные сети, подобные человеческому мозгу, для формирования и изучения закономерностей в неструктурированных данных. Помните упомянутые ранее методы компьютерного зрения? При обучении без учителя мы использовали базовые формы алгоритмов этих методов, но для мощных алгоритмов, таких как сегментация экземпляров, требуются глубокие нейронные сети. Почему? Потому что мы не отождествляем один дом с одним деревом. В этом обучении нам даются сотни изображений с деревьями, людьми, машинами, животными и всем остальным, и нам нужно определить рост трещины на тротуаре с течением времени и сравнить ее с трещинами на тротуаре в другой стране, чтобы увидеть, не возможно, он был сделан из того же материала! Это, конечно, очень случайный конкретный вопрос, но эти методы необходимы, чтобы ответить на конкретные сложные вопросы.

Надеюсь, этот пост был информативным и не слишком скучным с техническим жаргоном. Спасибо, что прочитали, и если вы этого не сделали, вот весь этот пост, обобщенный на одной картинке:

Использованная литература:

Алан Тьюринг: Загадка (столетнее издание). Университет Принстона

Искусственный интеллект: современный подход (3-е изд.). Река Аппер Сэдл, Нью-Джерси: Prentice Hall.

Искусственный интеллект: сама идея. Кембридж, Массачусетс: MIT Press.

Машины, которые думают (2-е изд.), Натик, Массачусетс: А. К. Петерс, Ltd.,

«Кем был Алан Тьюринг?». Британская библиотека. Проверено 29 июля 2019 г.

и, конечно же, Википедия…