Искусственный интеллект - это будущее технологического футбола, и теперь некоторые из самых передовых в мире искусственного интеллекта и машинного обучения можно разработать за считанные часы на персональном компьютере с фреймворками с открытым исходным кодом. ИИ станет более распространенным и универсальным, чем он есть. Программное обеспечение станет более интеллектуальным и многофункциональным, поскольку новейшие разработки в области обработки естественного языка, компьютерного зрения, рекомендательных систем и многого другого стало так же легко разрабатывать, как и CMS.

Искусственный интеллект в наши дни играет значительную роль в нашей повседневной жизни; от наших смартфонов до других электронных устройств, технология предоставила нам возможности, которые меняют правила игры, которые помогут вам в вашей работе, а также в вашем образе жизни. Некоторые из популярных научно-фантастических фильмов, таких как «Терминатор», «Трансформеры» и последний фильм этой эпохи - «Автар» - в 2009 году являются лучшими примерами искусственного интеллекта, машинного обучения и глубокого обучения.

Что такое искусственный интеллект (ИИ)?

Теория и разработка компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод между языками.

Что такое машинное обучение?

Машинное обучение - это подмножество искусственного интеллекта в области информатики, которое часто использует статистические методы, чтобы дать компьютерам возможность «учиться» (т. е. постепенно повышать производительность при выполнении конкретной задачи) с данными без явно запрограммированы. Артур Сэмюэл придумал эту фразу вскоре после ИИ, в 1959 году, определив ее как «способность учиться без явного программирования».

Что такое глубокое обучение?

Глубокое обучение - это подмножество машинного обучения в области искусственного интеллекта (ИИ), в котором есть сети, способные к обучению без учителя на основе неструктурированных или немаркированных данных. Также известен как глубокое нейронное обучение или глубокая нейронная сеть. Вот ссылка для объяснения эволюции ИИ: https://twitter.com/ipfconline1/status/1013810896399945728

Теперь важно знать, в чем разница между искусственным интеллектом, машинным обучением и глубоким обучением.

Искусственный интеллект - человеческий интеллект, демонстрируемый машинами

Еще в то лето на конференции 1956 года мечтой этих пионеров ИИ было создание сложных машин, на базе появляющихся компьютеров, которые обладали бы теми же характеристиками человеческого интеллекта. Это концепция, которую мы воспринимаем как «ИИ общего назначения» - невероятные машины, у которых есть все наши чувства (может быть, даже больше), весь наш разум и которые думают так же, как и мы. Вы бесконечно видели эти машины в фильмах как друг -C-3PO и противник-Терминатор. Машины общего ИИ не зря остались в фильмах и научно-фантастических романах; мы не можем это осуществить, по крайней мере, пока.

То, что мы можем сделать, вписывается в концепцию «узкого ИИ». Технологии, которые могут выполнять определенные задачи так же хорошо, как мы, люди, или даже лучше их. Примерами узкого ИИ являются такие вещи, как классификация изображений в таких сервисах, как Pinterest и распознавание лиц в Facebook.

Это примеры узкого ИИ на практике. Эти технологии демонстрируют некоторые грани человеческого интеллекта. Но как? Откуда этот интеллект? Это подводит нас к следующему этапу - машинному обучению.

Машинное обучение - подход к созданию искусственного интеллекта

Машинное обучение по своей сути - это практика использования алгоритмов для анализа данных, изучения их и последующего определения или прогнозирования чего-либо в мире. Таким образом, вместо того, чтобы вручную кодировать программные процедуры с конкретным набором инструкций для выполнения конкретной задачи, машина «обучается» с использованием больших объемов данных и алгоритмов, которые дают ей возможность научиться выполнять задачу.

Машинное обучение зародилось непосредственно в умах тех, кто занимался ИИ, и алгоритмические подходы на протяжении многих лет включали изучение дерева решений, индуктивное логическое программирование. кластеризация, обучение с подкреплением и байесовские сети среди других. Как мы знаем, ни один из них не достиг конечной цели общего ИИ, и даже Узкий ИИ был в основном недосягаем для ранних подходов к машинному обучению.

Как оказалось, одной из самых лучших областей применения машинного обучения на протяжении многих лет было компьютерное зрение, хотя для выполнения этой работы по-прежнему требовалось много ручного кодирования. Люди заходили и писали классификаторы с ручным кодом, такие как фильтры обнаружения границ, чтобы программа могла определить, где объект начинается и где останавливается; определение формы, чтобы определить, было ли у него восемь сторон; классификатор для распознавания букв «S-T-O-P». На основе всех этих вручную закодированных классификаторов они разработали алгоритмы, чтобы разобраться в изображении и «научиться» определять, был ли это знак остановки.

Хорошо, но не сногсшибательно. Особенно в туманный день, когда вывеска плохо видна или часть ее закрывает дерево. Есть причина, по которой компьютерное зрение и обнаружение изображений до недавнего времени не могли сравниться с людьми: они были слишком хрупкими и подверженными ошибкам.

Время и правильные алгоритмы обучения имели решающее значение; это приводит нас к следующему кругу: Глубокое обучение.

Глубокое обучение - метод реализации машинного обучения

Другой алгоритмический подход из числа тех, кто занимался ранним машинным обучением, - искусственные нейронные сети, - появился и по большей части исчез в течение десятилетий. Нейронные сети вдохновлены нашим пониманием биологии нашего мозга - всех этих взаимосвязей между нейронами. Но, в отличие от биологического мозга, где любой нейрон может подключаться к любому другому нейрону на определенном физическом расстоянии, эти искусственные нейронные сети имеют дискретные слои, связи и направления распространения данных.

Вы можете, например, взять изображение, разрезать его на кучу плиток, которые вводятся в первый слой нейронной сети. В первом слое отдельные нейроны, затем данные передаются на второй уровень. Второй слой нейронов выполняет свою задачу и так далее, пока не будет получен последний слой и окончательный результат.

Каждый нейрон присваивает своему входу весовой коэффициент - насколько он верен или неверен по отношению к выполняемой задаче. Окончательный результат затем определяется суммой этих весов. Так что подумайте о нашем примере со знаком остановки. Атрибуты изображения знака «Стоп» измельчаются и «исследуются» нейронами - его восьмиугольная форма, красный цвет пожарной машины, характерные буквы, размер дорожного знака, его движение или его отсутствие. Задача нейронной сети - сделать вывод, является ли это знаком остановки или нет. Он дает «вектор вероятности», действительно хорошо обоснованное предположение, основанное на взвешивании. В нашем примере система может быть на 86% уверена, что изображение - это знак остановки, на 7% - на знак ограничения скорости, на 5% - на змей, застрявший в дереве, и т. Д. - и сетевая архитектура затем сообщает нейронной сети правильно это или нет.

Даже этот пример забегает вперед, потому что до недавнего времени нейронные сети почти избегались исследовательским сообществом ИИ. Они существовали с самых первых дней ИИ и мало что дали в плане «интеллекта». Проблема заключалась в том, что даже самые простые нейронные сети требовали очень больших вычислительных ресурсов, это просто не было практическим подходом. Тем не менее, небольшая еретическая исследовательская группа во главе с Джеффри Хинтоном из Университета Торонто продолжала заниматься этим, наконец распараллеливая алгоритмы для запуска суперкомпьютеров и доказав концепцию, но только после того, как были развернуты графические процессоры в попытке реализовать обещание. .

Глубокое обучение сделало возможным множество практических приложений машинного обучения и, как следствие, ИИ в целом. Глубокое обучение разбивает задачи таким образом, что все виды машинной помощи кажутся возможными, даже вероятными. Беспилотные автомобили, лучшая профилактическая медицинская помощь, даже лучшие рекомендации по просмотру фильмов - все это здесь сегодня или в ближайшем будущем. AI - это настоящее и будущее. С помощью Deep Learning ИИ может даже добраться до состояния научной фантастики, о котором мы так долго мечтали. У вас есть C-3PO, я возьму его. Вы можете оставить себе Терминатора.

* Подведение итогов *

ИИ и Интернет вещей неразрывно связаны!

За последнее десятилетие глубокое обучение используется предприятиями для решения задач бизнес-уровня. От обнаружения лиц до рекомендаций по продуктам, сегментации клиентов, реорганизации цифр, машинного перевода, бизнес-аналитики, Интернета вещей, сетевой безопасности и т. Д. Использование глубокого и машинного обучения как процесса полностью изменило мир, в котором мы живем сегодня.

Наконец, если вы ищете технологически инновационного и передового поставщика ИТ-решений. У нас есть команда солидных технологических экспертов, обладающих глубокими знаниями и обширным опытом в разработке передовых инновационных решений. Если вы ищете партнера по ИТ-разработке для консультанта по искусственному интеллекту, партнера по разработке или услуги по разработке приложений машинного обучения.