Как эксперт в области AEC, сколько времени вы потратили в Интернете на поиск простого и нетехнического определения ИИ и МО? Испытывали ли вы разочарование, смущение и разочарование из-за того, что оказались в море противоречащего друг другу технического жаргона? Изучение искусственного интеллекта (ИИ) и машинного обучения (МО) может разочаровать. Даже при наличии множества технических ресурсов в Интернете слишком мало контента, написанного для экспертов в области AEC. Итак, увидев влияние ИИ и МО на укрепление и трансформацию других отраслей, как вы узнаете о преимуществах ИИ и МО для отрасли AEC?
Чтобы упростить базовый контекст приложений AI и ML для отрасли AEC (архитектура, проектирование и строительство), я начал серию публикаций о технологиях с поддержкой AI для экспертов в области AEC.
Изучение искусственного интеллекта и машинного обучения в Интернете сбивает с толку и разочаровывает специалистов по проектированию и проектированию.
Что такое AI и ML?
Сегодня большинство людей используют термины AI и ML как синонимы; главным образом потому, что машинное обучение является наиболее распространенным и мощным методом искусственного интеллекта. В результате различие между ИИ и МО может быть неоднозначным и сложным для тех, кто не является экспертом в области ИИ. Итак, в чем разница?
Проще говоря, все методы машинного обучения — это методы ИИ, но не все методы ИИ основаны на обучении. Машинное обучение — это подмножество или ветвь ИИ.
Все методы машинного обучения основаны на ИИ, но не все методы ИИ основаны на обучении.
Давайте подумаем об ИИ как о дереве; дерево с корнями в философии, логике и математике, вычислениях, психологии, когнитивной науке, неврологии и эволюции. Эти корни обеспечивают питание и воду, необходимые для роста дерева. Ветви этого дерева — это различные методы ИИ, такие как машинное обучение, компьютерное зрение, робототехника, экспертные системы и обработка естественного языка. Каждая ветвь также содержит несколько подветвей. Ствол ИИ этого дерева стоит крепко, поддерживая ветви и перенося питательные вещества от научных корней к ветвям и ответвлениям. Одной из ветвей этого дерева ИИ является машинное обучение с тремя подветвями, а именно: контролируемое обучение, неконтролируемое обучение, частично контролируемое обучение и обучение с подкреплением. Это методы, которые позволяют машине научиться распознавать или прогнозировать на основе данных. Несмотря на то, что эти методы являются подветвями машинного обучения, они по-прежнему являются частью дерева ИИ и поэтому известны как методы ИИ.
ИИ похож на дерево, уходящее корнями в философию, математику и другие науки, а машинное обучение — это ветвь дерева ИИ.
Но что такое ИИ? Человек действует или обрабатывает действия, приобретая знания и понимание посредством мысли, опыта и чувств. Чтобы запрограммировать компьютеры для наблюдения, анализа, обучения и обработки информации, как человек, исследователи используют методы, имитирующие человеческий интеллект и когнитивное поведение. В некоторых случаях система запрограммирована так, чтобы имитировать поведение других видов, таких как муравьи или собаки. Эта отрасль науки называется искусственным интеллектом (ИИ), что относится к оригинальной концепции Могут ли машины думать? предложен Аланом Тьюрингом», молодым британским эрудитом в 1950 году.
Обучение — это одна из ветвей ИИ. Обычно в области машинного обучения мы передаем данные компьютеру, чтобы он мог изучить отношения и правила для прогнозирования или классификации. Давайте посмотрим на материальный пример.
Чтобы автоматизировать и упростить отслеживание безопасности на строительных площадках, несколько компаний разрабатывают технологии с искусственным интеллектом, которые обрабатывают фотографии или видео, снятые со строительной площадки, и сообщают о потенциальных проблемах безопасности. Эти технологии в основном основаны на искусственных нейронных сетях, которые представляют собой алгоритмы машинного обучения, и могут анализировать изображения или видеопотоки для определения рисков безопасности гораздо быстрее, чем человек. Принцип работы прост. Они учат или тренируют алгоритм, предоставляя множество изображений с маркировкой или маркировкой требований безопасности. Как только система научится распознавать требования безопасности, она сможет прогнозировать потенциальные риски безопасности в режиме реального времени на объектах.
Сводка
Как мы уже говорили, все методы машинного обучения — это методы ИИ, но не все методы ИИ основаны на обучении. Машинное обучение — это подмножество или ветвь ИИ. Вернемся к нашей метафоре дерева. Чтобы выяснить, какая ветвь этого дерева ИИ вам нужна, вы должны сначала определить, какие бизнес-задачи вы пытаетесь решить с помощью ИИ. Большинство методов машинного обучения хорошо работают при изучении простой концепции с большим количеством доступных данных. Я расскажу об этих методах обучения в следующих статьях.
Ресурсы
https://www.csee.umbc.edu/courses/471/papers/turing.pdf
