Учитывая начало 2019 года, находимся ли мы в эре внедрения ИИ или все еще говорим об уровне PoC, давайте узнаем об этом в этой статье. Прежде чем перейти к реальному использованию ИИ, интересно отметить различные исторические аспекты ИИ, начиная с 16 века и далее. Раньше были зимы с искусственным интеллектом (промежуток в определенное количество месяцев / лет, когда не было прогресса в исследованиях и разработках на основе ИИ)
Примечание: - Замечено, что зима AI происходила каждые 10 лет раньше, тогда как раньше не происходило никаких значительных изменений. Однако, если вы увидите, начиная с 2012 года, эта тенденция ослабевает. Схема ниже показывает это в графическом представлении.
Следующий поток событий очень четко отображает различные этапы разработки ИИ и НИОКР, начиная с 1642 по 2018 год. Основная работа в области ИИ началась с 1950-х годов Аланом Тьюрингом (теперь у нас есть так называемые машины Тьюринга (Машина Тьюринга математическая модель вычислений »Ссылка: https://en.wikipedia.org/wiki/Turing_machine )
Ссылка: - https://qbi.uq.edu.au/brain/intelligent-machines/history-artificial-intelligence
Для многих из нас, в том числе для фанатов компьютерных фанатов, фраза «искусственный интеллект» уже давно распалась. Сейчас ИИ повсюду, и говорят, что он питает все, от домашнего здравоохранения, телевизора до наших холодильников и автомобилей, но никогда не мог представить, что это будет сделано так быстро, как это было в последние 2–3 года.
Многие люди до сих пор считают, что ИИ находится только в стадии PoC, и лишь несколько компаний его берут на вооружение. Однако эта тенденция медленно меняется, и многие компании, организации и отрасли находят множество приложений ИИ и начали использовать варианты использования в реальном времени.
Проникновение ИИ превосходит все воображение. Впервые в истории люди видят, как рост и вклад ИИ со стороны ученых и организаций происходит параллельно и в одинаковых темпах. Это хорошая тенденция, поскольку это помогает очень быстро внедрять технологию искусственного интеллекта и с легкостью вносить свой вклад в новые разработки.
Примечание. Предполагается, что этот читатель знает концепции и технологии искусственного интеллекта, машинного обучения и глубокого обучения.
Кто бы мог подумать, что сочетание алгоритмов машинного обучения и методов глубокого обучения решит самые сложные проблемы? Ниже приведены некоторые из хорошо известных проблем, которые мы все должны принять во внимание:
1) CheXNet: это алгоритм, который был разработан для рентгеновского анализа человека, этот алгоритм давал более точные результаты по сравнению с человеческими врачами. Этот документ был разработан Пранавом и соавторами, которые утверждают, что «они разработали алгоритм, который может обнаруживать пневмонию по рентгеновскому снимку грудной клетки на уровне, превышающем уровень практикующих радиологов».
Эта модель CheXNet представляет собой 121-слойную сверточную нейронную сеть, которая вводит рентгеновское изображение грудной клетки и выводит вероятность пневмонии вместе с тепловой картой, определяющей области изображения, наиболее характерные для пневмонии. Они обучили CheXNet работе с недавно выпущенным набором данных Chest X-ray14, который содержит 112 120 рентгеновских снимков грудной клетки с фронтальной проекцией, индивидуально отмеченных до 14 различных заболеваний грудной клетки, включая пневмонию. Они использовали плотные соединения и пакетную нормализацию, чтобы сделать оптимизацию такой глубокой сети легко управляемой.
(Для получения дополнительной информации см. ссылку https://stanfordmlgroup.github.io/projects/chexnet/)
2) AlphaGo: это компьютерная программа, играющая в настольную игру го. Он был разработан Alphabet Inc (Google DeepMind в Лондоне). В октябре 2015 года стало официально известно, что AlphaGo обыграла профессионального игрока в го-человека без каких-либо проблем с полноразмерной доской 19 X 19.
Опять же, в марте 2016 года он обыграл Ли Седола в матче из пяти игр, впервые компьютерная программа Го без сбоев обыграла профессионала с 9 даном. Хотя он проиграл Ли Седолу в одном из раундов (в четвертой игре), но, в конце концов, Ли подал в отставку в финальной игре, дав окончательный счет 4 игры против 1 в пользу AlphaGo.
Это ясно показывает, насколько мощными становятся все эти алгоритмы. Эта игра очень сложна по сравнению с шахматной доской. Го имеет около 200 ходов за ход по сравнению с 20 в шахматах. А теперь представьте, какое количество возможностей будет иметь любой исход матча.
(Для получения дополнительной информации см. ссылку: https://en.wikipedia.org/wiki/AlphaGo)
Двух приведенных выше примеров достаточно, чтобы в целом объяснить, как разрабатываются алгоритмы искусственного интеллекта и глубокого обучения. Они становятся все ближе и ближе к человеческому уровню точности. Это может занять некоторое время, но в течение периода 2018–2019 годов был достигнут значительный уровень развития, который ранее считался невозможным для достижения определенных областей и задач.
По сравнению с традиционными методами искусственного интеллекта, в последнее время все данные, которые создаются и обрабатываются, являются динамическими и постоянно меняются. Необходимо разработать или построить новые шаблоны с использованием этих динамических моделей, управляемых данными. Эти методы искусственного интеллекта необходимо адаптировать к новым ситуациям и особым случаям.
Благодаря недавним достижениям и улучшениям в вычислительной мощности с использованием ЦП и ГП, доступность больших наборов данных и добавление дополнительных исследований и разработок университетов и организаций вместе взятых, привело к развитию и внедрению ИИ.
Вертикальный AI и горизонтальный AI:
А теперь позвольте мне вкратце объяснить, что такое «Вертикальный ИИ» и «Горизонтальный ИИ». Сама следующая диаграмма не требует пояснений.
Вертикальный и горизонтальный ИИ сейчас активно используются. Особенно с конца 2018 года по начало 2019 года. Большинство проблем и проблем, связанных с ИИ, можно отнести к одной из них, если они не попадут в категорию «Общий ИИ».
Вертикальный ИИ: как показано на схеме, этот тип ИИ используется для решения конкретных или индивидуальных проблем или задач. Вертикальный ИИ предназначен для решения изолированных проблем, в которых участие человека составляет значительную часть рабочего процесса с данными. Поэтому определенно реализация вертикального стека ИИ обычно включает в себя сочетание технических навыков и знаний предметной области.
Горизонтальный ИИ: Как показано на схеме, горизонтальный ИИ поможет в решении более широких или более серьезных задач или проблем. Лучшими примерами горизонтального ИИ являются Alexa от Amazon, Siri от Apple и Cortana от Microsoft. Google также является одним из пионеров в области языкового перевода и приложений на основе НЛП.
Позвольте мне поместить эти категории в табличную форму для лучшего понимания.
Некоторые люди по-прежнему считают, что сравнение Вертикального и горизонтального ИИ займет больше времени, поскольку сравнение и классификация различных характеристик не будет такой простой и понятной. То есть, анализ музыкального плеера с помощью машинного обучения можно классифицировать как горизонтальный ИИ, но при дальнейшей классификации он может включать альбомы, исполнителей и т. Д., Которые попадут в вертикальный ИИ. Таким образом, создание действительной классификации может занять некоторое время. Даже некоторые люди придумали «Вертикаль - это новая горизонталь» как новое модное слово.
Комплексный многоуровневый подход AI
После обсуждения стольких аспектов можно описать полный многоуровневый подход ИИ, как описано ниже. Многослойный подход дает несколько ясную картину относительно классификации ИИ на четыре основные категории. Этот многоуровневый подход дает хорошую отраслевую классификацию для лучшего понимания того, как работает ИИ.
Есть очень много других типов ИИ, которые используются в различных отраслях промышленности.
Ниже приведены некоторые из них, как описано.
Ø Символический ИИ (например, экспертные системы)
Ø Вероятностный ИИ (например, поиск и оптимизация)
Ø Обобщенный ИИ (например, обработка естественного языка)
Объяснимый ИИ
Теперь переходите к «Объясняемый ИИ». Это еще одна область, в которой ИИ более четко объясняет, почему нам в первую очередь нужен ИИ.
Объясняемый ИИ (также называемый «XAI») или иногда называемый «Интерпретируемый ИИ» или «Прозрачный ИИ» относится к методам искусственного интеллект (ИИ), которому можно доверять и который легко понять людям. Программа Explainable AI (XAI) направлена на создание набора методов машинного обучения, которые предоставляют более объяснимые модели с более высоким уровнем производительности (точность прогнозов).
Объяснимый ИИ также можно определить как тот, который создает более объяснимые модели наряду с поддержанием высокого уровня эффективности обучения (точности прогнозов). Это позволит пользователям-людям легко, надлежащим образом и эффективно управлять новым поколением партнеров с искусственным интеллектом.
Ссылка: https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
Вывод:
Поскольку ИИ все эти годы испытывал и тестировал различными организациями, академическими кругами, стартапами, компьютерными фанатами и другими участниками, я считаю, что он достиг ожидаемого уровня зрелости.
Многие сообщества с открытым исходным кодом и участники в области ИИ разрабатывают библиотеки и фреймворки с максимальной самоотдачей и энергией, чтобы убедиться, что они стабильны и поддерживаются исправлениями.
Замечено, что многие из PoC становятся проектами в реальном времени, и их реализация происходит во всех отраслях промышленности. Основываясь на всех этих тенденциях и разработках , можно заметить, что ИИ уходит из лабораторий и внедряется в пустыню. Неконтролируемое обучение и обучение с подкреплением - две большие тенденции, в которых сейчас ведется много исследований и разработок, и очень скоро будет объявлено о некоторых значительных достижениях в этих областях.
В конечном итоге наступит день, когда ИИ превзойдет людей во всех аспектах. (Это могло уже наблюдаться в некоторых областях уже сейчас)
