what is artificial intelligence
Научете какво е изкуствен интелект (AI), елементи на интелигентност и подполета на AI като машинно обучение, дълбоко обучение, NLP и т.н.:
Системата за компютърна мрежа подобри начина на живот на човека, като предостави различните видове приспособления и устройства, които намаляват физическите и умствените усилия на човека за изпълнение на различни задачи. Изкуственият интелект е следващата стъпка в този процес, за да го направим по-ефективен чрез прилагане на логически, аналитични и по-продуктивни технологии в това усилие.
Този урок ще обясни какво е изкуствен интелект и неговото определение и компоненти с помощта на различни примери. Ще изследваме и разликата между човешкия и машинния интелект.
Какво ще научите:
Какво е изкуствен интелект (AI)?
Налични са различни технически дефиниции за описание на изкуствения интелект, но всички те са много сложни и объркващи. Ние ще разработим дефиницията с прости думи за по-добро разбиране.
Хората се считат за най-интелигентните видове на тази земя, тъй като могат да решат всеки проблем и да анализират големи данни със своите умения като аналитично мислене, логически разсъждения, статистически знания и математическа или изчислителна интелигентност.
Имайки предвид всички тези комбинации от умения, изкуственият интелект е разработен за машини и роботи, които налагат способността да се решават сложни проблеми в машините, подобни на тези, които могат да се правят от хората.
Изкуственият интелект е приложим във всички области, включително областта на медицината, автомобилите, приложенията за ежедневния начин на живот, електрониката, комуникациите, както и компютърните мрежови системи.
Така че технически AI в контекста на компютърните мрежи може да бъде дефиниран като компютърни устройства и мрежова система, които могат да разбират точно суровите данни, да събират полезна информация от тези данни и след това да използват тези констатации за постигане на окончателното решение и възлагане на проблема с гъвкав подход и лесно приспособими решения.
Елементи на разузнаването
# 1) Разум: Това е процедурата, която ни улеснява да предоставим основните критерии и насоки за вземане на преценка, прогнозиране и вземане на решения по всеки проблем.
Разсъжденията могат да бъдат два вида, едното е обобщено разсъждение, което се основава на общите наблюдавани случаи и твърдения. Заключението понякога може да бъде невярно в този случай. Другото е логично разсъждение, което се основава на факти, цифри и конкретни твърдения и конкретни, споменати и наблюдавани случаи. По този начин заключението е правилно и логично в случая.
# 2) Учене: Това е действието за придобиване на знания и развитие на умения от различни източници като книги, истински инциденти от живота, преживявания, преподаване от някои експерти и др. Ученето подобрява знанията на човека в области, за които той не е наясно.
Способността за учене се показва не само от хората, но и от някои от животните и изкуствените интелигентни системи притежават това умение.
Обучението е от различни видове, както е посочено по-долу:
- Ученето на аудио реч се основава на процеса, когато някой преподавател изнася лекция, след което слушащите го чуват, запомнят и след това го използват за получаване на знания от него.
- Линейното обучение се основава на запаметяване на масива от събития, които човекът е срещнал и се е научил от него.
- Наблюдателното обучение означава учене чрез наблюдение на поведението и мимиката на други хора или същества като животни. Например, малкото дете се научава да говори, имитирайки родителите си.
- Перцептивното обучение се основава на учене чрез идентифициране и класифициране на визуалните елементи и обекти и тяхното запомняне.
- Релационното обучение се основава на учене от минали случаи и грешки и полагане на усилия за тяхното импровизиране.
- Пространственото обучение означава да се учите от визуални изображения като изображения, видеоклипове, цветове, карти, филми и т.н., което ще помогне на хората да създадат образ на тези, които имат предвид, когато това ще е необходимо за бъдещи справки.
# 3) Решаване на проблеми: Това е процесът на идентифициране на причината за проблема и за намиране на възможен начин за решаване на проблема. Това се прави чрез анализиране на проблема, вземане на решения и след това откриване на повече от едно решение за достигане до окончателното и най-подходящо решение на проблема.
Последното мото тук е да се намери най-доброто решение от наличните за постигане на най-добри резултати от решаването на проблеми за минимално време.
# 4) Възприемане: Това е феноменът на получаване, извеждане на извод, избор и систематизиране на полезните данни от суровия вход.
При хората възприятието се извежда от преживяванията, сетивните органи и ситуационните условия на околната среда. Но що се отнася до възприемането на изкуствения интелект, то се придобива от механизма на изкуствения сензор във връзка с данните по логичен начин.
# 5) Лингвистична интелигентност: Това е феноменът на способността на човек да разгръща, измисля, чете и пише словесните неща на различни езици. Той е основният компонент на начина на комуникация между двамата или повече индивиди и необходимият също за аналитично и логическо разбиране.
Разлика между човешкия и машинния интелект
Следните точки обясняват разликите:
# 1) По-горе обяснихме компонентите на човешкия интелект, въз основа на които човек изпълнява различни видове сложни задачи и решава различните видове отличителни проблеми в различни ситуации.
# две) Човекът разработва машини с интелигентност точно като хората и те също дават резултати от сложния проблем в почти близка степен точно като хората.
# 3) Хората разграничават данните по визуални и аудио модели, минали ситуации и събития, докато изкуствено интелигентните машини разпознават проблема и се справят с проблема въз основа на предварително дефинирани правила и данни за изоставане.
# 4) Хората запомнят данните от миналото и си ги припомнят, когато са ги научили и съхраняват в мозъка, но машините ще намерят данните от миналото чрез търсене на алгоритми.
# 5) С езиковата интелигентност хората могат дори да разпознаят изкривеното изображение и форми и липсващи модели на глас, данни и изображения. Но машините нямат тази интелигентност и използват методология за компютърно обучение и процес на задълбочено обучение, който отново включва различни алгоритми за получаване на желаните резултати.
# 6) Хората винаги следват своя инстинкт, визия, опит, обстоятелства, обкръжаваща информация, визуални и сурови налични данни, както и нещата, на които са били научени от някои учители или старейшини да анализират, решават всеки проблем и излизат с някои ефективни и значими резултати на всеки проблем.
От друга страна, изкуствено интелигентните машини на всяко ниво разгръщат различните алгоритми, предварително дефинирани стъпки, изоставащи данни и машинно обучение, за да стигнат до някои полезни резултати.
# 7) Въпреки че процесът, следван от машините, е сложен и включва много процедури, те все пак дават най-добри резултати в случай на анализ на големия източник на сложни данни и когато той трябва да изпълнява отличителни задачи от различни полета в един и същ момент от времето точно и точно и в рамките на зададения период от време.
Процентът на грешки в тези случаи на машини е далеч по-малък от този при хората.
Подполета на изкуствения интелект
# 1) Машинно обучение
Машинното обучение е характеристика на изкуствения интелект, която предоставя на компютъра способността автоматично да събира данни и да се учи от опита на проблемите или случаите, които са срещнали, а не специално програмирани да изпълняват дадената задача или работа.
Машинното обучение подчертава нарастването на алгоритмите, които могат да проверяват данните и да правят прогнози за тях. Основната употреба на това е в здравната индустрия, където се използва за диагностика на заболяването, медицинска интерпретация на сканиране и т.н.
Разпознаване на шаблон е подкатегория машинно обучение. Може да се опише като автоматично разпознаване на чертежа от суровите данни с помощта на компютърни алгоритми.
Моделът може да бъде постоянна поредица от данни във времето, която се използва за предсказване на последователност от събития и тенденции, специфични характеристики на характеристиките на изображенията за идентифициране на обектите, повтаряща се комбинация от думи и изречения за езикова помощ и може да бъде специфична събиране на действия на хора във всяка мрежа, които могат да показват някаква социална активност и много други неща.
Процесът на разпознаване на образци включва няколко стъпки. Те се обясняват по следния начин:
(i) Събиране и засичане на данни: Това включва събиране на сурови данни като физически променливи и т.н. и измерване на честота, честотна лента, разделителна способност и др. Данните са два вида: данни за обучение и данни за обучение.
Данните за обучение са такива, при които няма предоставено етикетиране на набора от данни и системата прилага клъстери, за да ги категоризира. Докато учебните данни имат добре обозначен набор от данни, така че да могат директно да се използват с класификатора.
(ii) Предварителна обработка на входните данни :Това включва филтриране на нежеланите данни като шум от входящия източник и това се извършва чрез обработка на сигнала. На този етап се прави и филтриране на вече съществуващи модели във входните данни за по-нататъшни справки.
(iii) Извличане на характеристики :Различни алгоритми се изпълняват като алгоритъм за съвпадение на шаблони, за да се намери съответстващия модел, както се изисква по отношение на характеристиките.
(iv) Класификация :Въз основа на резултатите от проведените алгоритми и различните модели, научени за получаване на съответстващия модел, класът се присвоява на шаблона.
(v) Последваща обработка :Тук е представен крайният резултат и ще бъде сигурно, че постигнатият резултат е почти толкова вероятно да е необходим.
Модел за разпознаване на образец:
(изображение източник )
Както е показано на фигурата по-горе, екстракторът на функции ще извлече функциите от входните сурови данни, като аудио, изображение, видео, звук и т.н.
Сега класификаторът ще получи x като входна стойност и ще разпредели различни категории към входната стойност като клас 1, клас 2 .... клас C. въз основа на класа на данните, се извършва допълнително разпознаване и анализ на модела.
Пример за разпознаване на форма на триъгълник чрез този модел:
Разпознаването на образци се използва в процесорите за идентификация и удостоверяване като гласово разпознаване и удостоверяване на лицето, в защитни системи за разпознаване на цели и навигационни насоки и автомобилната индустрия.
# 2) Дълбоко обучение
Това е процесът на обучение чрез обработка и анализ на входните данни по няколко метода, докато машината открие единичния желан изход. Известно е също като самообучение на машините.
Машината изпълнява различни произволни програми и алгоритми за картографиране на входната сурова последователност от входни данни към изхода. Чрез внедряването на различните алгоритми като невроеволюция и други подходи като градиентно спускане върху невронна топология изходът y се повишава накрая от неизвестната функция за вход f (x), приемайки, че x и y са свързани.
Тук интересното е, че работата на невронните мрежи е да открият правилната функция f.
Дълбокото обучение ще бъде свидетел на всички възможни човешки характеристики и бази данни за поведение и ще извършва контролирано обучение. Този процес включва:
- Откриване на различни видове човешки емоции и знаци.
- Идентифицирайте човека и животните по изображенията, като по определени знаци, белези или характеристики.
- Гласово разпознаване на различни високоговорители и ги запомнете.
- Преобразуване на видео и глас в текстови данни.
- Идентифициране на правилни или грешни жестове, класифициране на нежелани съобщения и случаи на измами (като искове за измама).
Всички други характеристики, включително споменатите по-горе, се използват за подготовка на изкуствените невронни мрежи чрез дълбоко обучение.
Прогнозен анализ: След събирането и изучаването на огромни масиви от данни, клъстерирането на подобни видове набори от данни се извършва чрез приближаване на наличните набори от модели, като сравняване на подобни видове речеви набори, изображения или документи.
Тъй като сме направили класификацията и клъстерирането на наборите от данни, ще подходим към прогнозирането на бъдещи събития, които се основават на основанията на настоящите случаи на събития, като установим корелацията между двете. Не забравяйте, че предсказуемото решение и подходът не са ограничени във времето.
Единственият момент, който трябва да се има предвид, когато се прави прогноза, е, че изходът трябва да има някакъв смисъл и да бъде логичен.
Чрез повтарящи се дублирания и самоанализиране, решението на проблемите ще бъде постигнато чрез машините. Примерът за дълбоко обучение е разпознаването на реч в телефоните, което позволява на смартфоните да разберат различен вид акцент на говорителя и да го преобразуват в значима реч.
каква помощна програма може да се използва за прихващане на подробна информация от уебсайта на компанията?
# 3) Невронни мрежи
Невронните мрежи са мозъкът на изкуствения интелект. Те са компютърните системи, които са копие на невронните връзки в човешкия мозък. Изкуствените съответстващи неврони на мозъка са известни като персептрон.
Стекът от различни перцептрони, които се обединяват, прави изкуствените невронни мрежи в машините. Преди да дадат желана продукция, невронните мрежи придобиват знания, като обработват различни примери за обучение.
С използването на различни учебни модели, този процес на анализ на данни също ще даде решение за много свързани запитвания, които не са получили отговор преди.
Дълбокото обучение във връзка с невронните мрежи може да разкрие множество слоеве скрити данни, включително изходния слой на сложни проблеми и е помощник за подполета като разпознаване на реч, обработка на естествен език и компютърно зрение и т.н.
(изображение източник )
По-ранните видове невронни мрежи бяха съставени от един вход и един изход и най-много само един скрит слой или само един слой персептрон.
Дълбоките невронни мрежи са съставени от повече от един скрит слой между входния и изходния слой. Следователно е необходим процес на задълбочено обучение, за да се разгърнат скритите слоеве на единицата данни.
При дълбокото обучение на невронни мрежи всеки слой е квалифициран по уникалния набор от атрибути, въз основа на изходните характеристики на предишните слоеве. Колкото повече навлизате в невронната мрежа, възелът получава способността да разпознава по-сложни атрибути, тъй като те предсказват и рекомбинират изходите на всички предишни слоеве, за да получат по-ясен краен изход.
Целият този процес се нарича йерархия на характеристиките и известен също като йерархията на сложните и нематериални набори от данни. Той подобрява способността на дълбоките невронни мрежи да се справят с много огромни и широки измерения, единици данни с милиарди ограничения ще преминат през линейни и нелинейни функции.
Основният проблем, с който машинната интелигентност се бори, е да обработва и управлява немаркираните и неструктурирани данни в света, които са разпространени във всички области и страни. Сега невронните мрежи имат способността да обработват латентността и сложните характеристики на тези подмножества от данни.
Дълбокото обучение във връзка с изкуствени невронни мрежи класифицира и характеризира неназованите и сурови данни под формата на картини, текст, аудио и др. В организирана релационна база данни с правилно етикетиране.
Например, дълбокото обучение ще вземе като вход хилядите сурови изображения и след това ще ги класифицира въз основа на техните основни характеристики и характери като всички животни като кучета от едната страна, неживи неща като мебели от единия ъгъл и всички снимки на вашето семейство на третата страна по този начин завършва цялостната снимка, която е известна още като интелигентни фотоалбуми.
Друг пример, нека разгледаме случая с текстови данни като вход, където имаме хиляди имейли. Тук задълбоченото обучение ще групира имейлите в различни категории като първични, социални, промоционални и спам имейли според тяхното съдържание.
Невронни мрежи за пренасочване: Целта за използване на невронните мрежи е постигането на крайния резултат с минимална грешка и високо ниво на точност.
Тази процедура включва много стъпки и всяко от нивата включва прогнозиране, управление на грешки и актуализации на теглото, което е леко нарастване на коефициента на ефективност, тъй като бавно ще премине към желаните функции.
В началната точка на невронните мрежи той не знае кое тегло и подмножества от данни ще го накарат да преобразува входа в най-подходящите прогнози. По този начин той ще разглежда всички видове подмножества от данни и тегла като модели, за да прави прогнози последователно, за да постигне най-добрия резултат и всеки път се учи от грешката си.
Например, можем да отнесем невронните мрежи към малките деца, когато те се раждат, те не знаят нищо за света около тях и нямат интелигентност, но с напредването на възрастта те се учат от своя житейски опит и грешки, за да станат по-добри хора и интелектуалци.
Архитектурата на мрежата за обратна връзка е показана по-долу чрез математически израз:
Вход * тегло = прогноза
Тогава,
Основна истина - прогноза = грешка
Тогава,
Грешка * принос на тежестта към грешката = корекция
Това може да бъде обяснено тук, входният набор от данни ще ги картографира с коефициентите, за да се получат множествените прогнози за мрежата.
Сега прогнозата се сравнява с основните факти, които са взети от сценариите в реално време, фактите завършват опит, за да се намери процентът на грешките. Корекциите се правят, за да се справят с грешката и да свържат приноса на тежестите в нея.
Тези три функции са трите основни градивни блока на невронните мрежи, които оценяват входа, оценяват загубата и разгръщат надстройка на модела.
По този начин това е обратна връзка, която ще възнагради коефициентите, които подкрепят правилните прогнози и ще отхвърли коефициентите, които водят до грешки.
Разпознаването на ръкописен текст, разпознаване на лица и цифров подпис, идентифициране на липсващи образци са някои от примерите в реално време за невронни мрежи.
# 4) Когнитивни изчисления
Целта на този компонент на изкуствения интелект е да инициира и ускори взаимодействието за изпълнение на сложни задачи и решаване на проблеми между хората и машините.
Докато работят по различни видове задачи с хората, машините учат и разбират човешкото поведение, настроения в различни отличителни условия и пресъздават мисловния процес на хората в компютърен модел.
Практикувайки това, машината придобива способността да разбира човешки език и отражения на изображения. По този начин когнитивното мислене заедно с изкуствения интелект може да направи продукт, който ще има човекоподобни действия и може да има и възможности за обработка на данни.
Когнитивните изчисления са способни да вземат точни решения в случай на сложни проблеми. По този начин се прилага в областта, която трябва да подобри решенията с оптимални разходи и се придобива чрез анализ на естествения език и обучението, основано на факти.
Например, Google Assistant е много голям пример за когнитивни изчисления.
# 5) Обработка на естествен език
С тази функция на изкуствения интелект компютрите могат да интерпретират, идентифицират, локализират и обработват човешкия език и реч.
Концепцията, която стои зад въвеждането на този компонент, е да направи взаимодействието между машините и човешкия език безпроблемно и компютрите ще станат способни да предоставят логически отговори на човешката реч или заявка.
Фокусът на обработката на естествения език върху устната и писмената част на човешките езици означава както активни, така и пасивни режими на използване на алгоритми.
Generation of Natural Language (NLG) ще обработва и декодира изреченията и думите, които хората са говорили (вербална комуникация), докато NaturalLanguage Understanding (NLU) ще наблегне на писмения речник, за да преведе езика в текста или пикселите, които могат да бъдат разбрани от машини.
Приложенията на машините, базирани на графичен потребителски интерфейс (GUI), са най-добрият пример за обработка на естествен език.
Различните видове преводачи, които преобразуват един език в друг, са примери за системата за обработка на естествен език. Функцията на Google за гласов асистент и машина за гласово търсене също е пример за това.
# 6) Компютърна визия
Компютърното зрение е много жизненоважна част от изкуствения интелект, тъй като улеснява компютъра автоматично да разпознава, анализира и интерпретира визуалните данни от изображенията и визуалните изображения от реалния свят, като ги улавя и прихваща.
Той включва уменията за задълбочено обучение и разпознаване на образци за извличане на съдържанието на изображения от всякакви данни, включително изображения или видео файлове в PDF документ, документ на Word, PPT документ, XL файл, графики и снимки и т.н.
Да предположим, че имаме сложен образ на пакет от неща, а след това само да видим изображението и да го запомним не е лесно за всички. Компютърното зрение може да включва поредица от трансформации на изображението, за да извлече бита и байтовите детайли за него като острите ръбове на обектите, необичайния дизайн или използвания цвят и т.н.
Това се прави чрез използване на различни алгоритми чрез прилагане на математически изрази и статистика. Роботите използват технологията на компютърното зрение, за да видят света и да действат в ситуации в реално време.
Приложението на този компонент се използва много широко в здравната индустрия за анализиране на здравословното състояние на пациента чрез използване на ЯМР сканиране, рентгеново изследване и др. Използва се и в автомобилната индустрия за работа с компютърно контролирани превозни средства и безпилотни летателни апарати.
Заключение
В този урок първо обяснихме различните елементи на интелигентността с диаграма и тяхното значение за прилагането на интелигентността в реални ситуации, за да се получат желаните резултати.
След това изследвахме подробно различните подполета на изкуствения интелект и тяхното значение в машинния интелект и реалния свят с помощта на математически изрази, приложения в реално време и различни примери.
Също така научихме подробно за машинното обучение, разпознаването на образци и концепциите на невронната мрежа за изкуствен интелект, които играят изключително важна роля във всички приложения на изкуствения интелект.
В последователната част на този урок ще разгледаме подробно приложението на изкуствения интелект.
Препоръчително четене
- Извличане на данни срещу машинно обучение срещу изкуствен интелект срещу дълбоко обучение
- 10+ НАЙ-ДОБРИТЕ най-обещаващи компании за изкуствен интелект (ИИ) (2021 Selective)
- 10 най-добри софтуера за изкуствен интелект (прегледи на софтуера за изкуствен интелект през 2021 г.)
- Пълно ръководство за изкуствена невронна мрежа в машинното обучение
- Четирите стъпки към тестване на бизнес интелигентността (BI): Как да тестваме бизнес данни
- Урок за машинно обучение: Въведение в ML и неговите приложения
- 25 най-добри инструмента за бизнес разузнаване (Най-добри инструменти за BI през 2021 г.)
- Видове машинно обучение: Контролирано срещу ненаблюдавано обучение