Раскрытие искусственного интеллекта для не-гиков - нетехническое понимание

Раскрытие искусственного интеллекта для не-гиков - нетехническое понимание

Искусственный интеллект расправляет крылья с 1950-х годов, но в последнее время все больше привлекает внимание. Руководители самых влиятельных мировых технологических компаний, включая Amazon, Facebook, Microsoft, Google, подчеркивают свой энтузиазм в отношении искусственного интеллекта (ИИ) и его применимости. Сегодня ИИ стал более популярным благодаря увеличению объемов данных, усовершенствованным алгоритмам и улучшениям в вычислительной мощности и хранилище. Искусственный интеллект может оказать огромное влияние на автоматизацию бизнес-процессов, включая повышение эффективности и предотвращение препятствий для роста. Но что такое ИИ? Почему это важно? Растет интерес к AI, ML и DL, и эта область приобретает огромную популярность среди классов и масс.

Что такое ИИ?

Термин ИИ был придуман в 1956 году доцентом Дартмутского университета Джоном Маккарти. «Искусственный интеллект» (ИИ) - это общий термин, относящийся к машинам, которые проявляют поведение, которое кажется разумным. По словам профессора Маккарти, это «наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ».

Современное определение искусственного интеллекта (или ИИ) - это «изучение и проектирование интеллектуальных агентов», где интеллектуальный агент - это система / машина, которая воспринимает окружающую среду и предпринимает действия, которые максимизируют ее шансы на успех.

Как работает искусственный интеллект

Искусственный интеллект - это интеллект, проявляемый машинами, а не людьми или другими животными. Способность машины выполнять когнитивные функции, которые мы ассоциируем с человеческим разумом, такие как восприятие, рассуждение, обучение, взаимодействие с окружающей средой и решение проблем. ИИ работает, комбинируя большие объемы данных с быстрой итеративной обработкой и интеллектуальными алгоритмами, позволяя программному обеспечению / машине / ботам автоматически учиться на шаблонах или функциях данных. Искусственный интеллект - это обширная область исследования, которая включает в себя множество технологий, а также следующие основные области:

« Глубокое обучение, машинное обучение и искусственный интеллект похожи на набор матрешек, вложенных друг в друга, начиная с самых маленьких и заканчивая разработкой. DL - это подмножество ML, а ML - это подмножество AI, которое является зонтиком для этих подполей. Другими словами, все машинное обучение - это ИИ, но не все ИИ - это машинное обучение ».

Машинное обучение (ML). В 1959 году Артур Самуэль, один из пионеров машинного обучения, определил машинное обучение как «область обучения, которая дает компьютерам возможность учиться без явного программирования».

Программы машинного обучения подстраиваются под данные, которым они подвергаются. Это позволяет нам решать проблемы, которые слишком сложны для решения людьми с помощью алгоритмов. Он использует методы нейронных сетей, статистики, исследования операций и физики для поиска скрытых идей в данных без явного запрограммирования того, где искать или что делать выводы.

Машинное обучение - применение в реальной жизни

Давайте посмотрим на пример использования машинного обучения, чтобы определить, кто входит в ваш дом. Например, мы можем захотеть узнать, кто входит в наш дом. Это тот результат, которого мы хотим. Как только мы это узнаем, у нас появится ясность в отношении того, для чего мы хотим использовать ИИ. Затем мы выясняем, есть ли у нас данные, которые коррелируют с тем, что мы хотим прогнозировать. В этом случае нам могут понадобиться изображения людей, входящих в наш дом. Чтобы собрать эти данные, мы установим камеру у двери, чтобы сфотографировать любого на крыльце. Мы хотим предсказать личность человека у двери. Данные, которые коррелируют с этими прогнозами, - это изображения, сделанные камерой. Наконец, алгоритмы машинного обучения будут изучать корреляции и, предоставляя им выходы (имена) и входы (пиксели в изображении), они найдут правила, которые коррелируют пиксели, представляющие определенное лицо, с определенным именем. Он сможет сказать: «Эти пиксели похожи на Ану».

Глубокое обучение. Глубокое обучение - это тип машинного обучения, который может обрабатывать более широкий спектр ресурсов данных, требует меньше предварительной обработки данных людьми и часто может давать более точные результаты, чем традиционные подходы к машинному обучению.

В глубоком обучении взаимосвязанные уровни программных калькуляторов, известные как «нейроны», образуют нейронную сеть.

Сеть может принимать огромные объемы входных данных и обрабатывать их на нескольких уровнях, изучая все более сложные особенности данных на каждом уровне.

Затем сеть может принять решение о данных, узнать, правильно ли их определение, и использовать полученные знания для определения новых данных. Например, как только он узнает, как выглядит объект, он может распознать объект на новом изображении. DL использует огромные нейронные сети со многими уровнями блоков обработки, пользуясь преимуществами достижений в вычислительной мощности и улучшенными методами обучения для изучения сложных шаблонов в больших объемах данных. Общие приложения включают распознавание изображений и речи.

Нейронная сеть: это тип машинного обучения, состоящий из взаимосвязанных единиц (например, нейронов), который обрабатывает информацию, отвечая на внешние входные данные, передавая информацию между каждым элементом. Процесс требует нескольких проходов в данных, чтобы найти связи и извлечь смысл из неопределенных данных.

Нейронная сеть создается, когда нейроны соединяются друг с другом; выход одного нейрона становится входом для другого.

Нейронные сети организованы в несколько слоев нейронов. «Входной слой» получает информацию, которую будет обрабатывать сеть. «Выходной слой» обеспечивает результаты. Между входным и выходным слоями находятся «скрытые слои», где происходит наибольшая активность. Обычно выходы каждого нейрона на одном уровне нейронной сети служат одним из входов для каждого из нейронов следующего уровня.

Глубокий - это технический термин. Это относится к количеству слоев в нейронной сети. Несколько скрытых слоев позволяют глубоким нейронным сетям изучать особенности данных в так называемой иерархии функций. Глубокие искусственные нейронные сети - это набор алгоритмов, которые установили новые рекорды точности для многих важных проблем, таких как распознавание изображений, распознавание звука, рекомендательные системы и т. Д. Например, глубокое обучение является частью известного алгоритма AlphaGo компании DeepMind, который обыграл бывшего чемпиона мира Ли Седола в Го в начале 2016 года и действующего чемпиона мира Кэ Джи в начале 2017 года.

Нейронная сеть - пример применения

Пример алгоритма распознавания изображений для распознавания человеческих лиц на картинках. Когда данные вводятся в нейронную сеть, первые уровни идентифицируют образцы низкоуровневых функций, таких как края. По мере того, как изображение перемещается по сети, постепенно извлекаются элементы более высокого уровня - от краев до черт лица, таких как нос, глаза, от черт до лиц. На своем выходном слое, на основе обучения нейронная сеть предоставит вероятность того, что изображение относится к заданному типу.

Обработка естественного языка (НЛП) - это способность компьютеров анализировать, понимать и генерировать человеческий язык. Следующим этапом НЛП является взаимодействие на естественном языке, которое позволяет людям общаться с компьютерами, используя повседневный язык для выполнения задач.

Естественный язык относится к языку, на котором говорят и пишут люди, а обработка естественного языка (NLP) пытается извлечь информацию из устного и письменного слова с помощью алгоритмов.

Почему так важен ИИ?

ИИ важен, потому что он решает очень сложные проблемы, и решения этих проблем могут применяться в секторах, важных для блага человека, - от здравоохранения, образования и торговли до транспорта, коммунальных услуг и развлечений. Искусственный интеллект не заменит нас. Это увеличивает наши способности и делает нас лучше в том, что мы делаем. Поскольку алгоритмы ИИ учатся иначе, чем люди, они по-другому смотрят на вещи.

У него есть несколько преимуществ, которые делают его столь важным для организаций и благополучия людей. Партнерство с человеческим искусственным интеллектом предлагает множество возможностей.

Автоматизирует повторяющиеся задачи: ИИ выполняет частые, объемные компьютеризированные задачи надежно и без усталости. Для этого типа автоматизации все еще необходимо вмешательство человека, чтобы настроить систему и задать правильные вопросы. Обычно для таких задач используется RPA и Интеллектуальная автоматизация.

Делает существующие продукты и услуги интеллектуальными: продукты и услуги, которые мы используем, будут улучшены за счет возможностей искусственного интеллекта, так же как Siri была добавлена ​​в качестве функции нового поколения продуктов Apple. Автоматизация, диалоговые платформы, такие как чат-боты, боты и интеллектуальные машины, могут быть объединены с большими объемами данных для улучшения многих технологий дома и на рабочем месте, от аналитики безопасности до анализа инвестиций.

Алгоритмы прогрессивного обучения: алгоритм становится классификатором или предсказателем. Алгоритм может сам научиться играть в шахматы, рекомендовать товары и услуги. Модели адаптируются с новым потоком данных. Обратное распространение - это метод ИИ, который позволяет модели настраивать с помощью обучения и добавления данных, когда первый ответ не совсем правильный.

Возможности для более глубокого анализа данных. Несколько лет назад создание системы обнаружения мошенничества с несколькими скрытыми уровнями было практически невозможным. Все изменилось с невероятной вычислительной мощностью и большими данными. Чем больше данных мы передаем моделям, тем точнее они становятся.

Точность. Чем больше данных мы передаем моделям, тем точнее они становятся. В области медицины методы искусственного интеллекта, включая глубокое обучение, классификацию изображений и распознавание объектов, теперь можно использовать для обнаружения рака на МРТ с той же точностью, что и высококвалифицированные радиологи.

Данные становятся интеллектуальной собственностью. С помощью самообучающихся алгоритмов сами данные могут стать интеллектуальной собственностью. Ответы в данных; вам нужно применить ИИ, чтобы избавиться от них. Учитывая постоянно растущее значение больших данных, они могут создать конкурентное преимущество.

Что будет дальше с искусственным интеллектом?

Эффективность ИИ изменилась в последние годы благодаря разработке новых алгоритмов, большей доступности больших данных, более совершенным машинам для их обучения и облачным сервисам, чтобы ускорить их распространение среди разработчиков. Преимущества AI и ML будут многочисленными и значительными. От автономных транспортных средств до новых методов взаимодействия человека с компьютером и обеспечения более функциональных и эффективных повседневных бизнес-процессов и обслуживания потребителей.

ИИ продолжит приносить аналитику в отрасли и области, где она в настоящее время используется недостаточно. Использование ИИ устранит экономические барьеры, в том числе языковые и переводческие.

Это будет постепенно увеличивать существующие способности и делать нас лучше в том, что мы делаем, давать нам лучшее зрение, лучшее понимание, лучшую память и многое другое.

Таким образом, цель ИИ - предоставить программное обеспечение, которое может рассуждать о вводе и объяснять на выходе. ИИ обеспечит человеческое взаимодействие с программным обеспечением и предложит поддержку при принятии решений для конкретных задач, но он не заменит людей - и не скоро.

использованная литература

SAS. (нет данных). Искусственный интеллект Что это такое и почему это важно. Получено с веб-сайта SAS: https://www.sas.com/en_us/insights/analytics/what-is-artificial-intelligence.html

Skymind. (нет данных). Руководство по искусственному интеллекту (AI) для новичков. Получено из Skymind: https://skymind.ai/wiki/artificial-intelligence-ai

Кельнар, Д. (нет данных). Четвертая промышленная революция: учебник по искусственному интеллекту (ИИ). Получено с носителя: https://medium.com/mmc-writes/the-fourth-industrial-revolution-a-primer-on-artificial-intelligence-ai-ff5e7fffcae1

Skymind. (нет данных). Искусственный интеллект (ИИ) против машинного обучения против глубокого обучения. Получено из Skymind: https://skymind.ai/wiki/ai-vs-machine-learning-vs-deep-learning