Искусственный интеллект

Искусственный и Интеллект. Средства делают что-то искусственное, что ведет себя разумно, или выполняют задачу, требующую некоторого интеллекта. Что мы говорим, чтобы сделать умным здесь? Это может быть машина, мобильный телефон, автомобиль, инвалидное кресло, система медицинского анализа, система программирования или обработки языка, что угодно.

«ИИ» впервые представил Джон Маккрати в 1956 году.

Теперь была концепция. Но вопрос заключался в том, как сделать это возможным или как реализовать такую ​​технологию. Итак, основные вопросы

Может ли машина думать? Может ли машина принимать решения? Может ли машина УЧИТЬСЯ?

Эти вопросы легли в основу изобретения термина «Машинное обучение».

"ML" впервые ввел Артур Сэмюэл в 1959 году.

Машинное обучение

Машинное обучение является частью ИИ, который использует некоторые алгоритмы для обучения. В соответствии с этой концепцией существует один алгоритм или программа, по которой машины научатся достигать предсказанного результата или генерировать свой собственный результат, который нельзя было правильно предсказать ранее.

Теперь у ИИ есть платформа ML для выполнения задач, которые не могут быть выполнены обычным программированием и нуждаются в собственном интеллекте.

Например, Gmail автоматически определяет, является ли письмо подлинным или спамом? Другой пример, найдите человека мужского или женского пола? Это становится очень сложной задачей для обычного программирования. Но не так сложно для машинного обучения.

Другой пример, сейчас я пишу эту статью и использую приложение Grammarly для проверки правописания и правильности написания предложений. Теперь подумайте, должна ли эта задача выполняться обычным программированием. Это слишком сложно. Но с использованием машинного обучения это можно решить с помощью части кода.

Но все же есть более сложные задачи, которые сложно или невозможно решить обычными алгоритмами машинного обучения.

Например, подумайте, что нам нужно сделать алгоритм ML для идентификации любого объекта из любой категории. В мире миллионы объектов. Подумайте о том, насколько большой объем данных требуется и насколько алгоритм должен быть эффективным. Таким образом, мы можем считать эту проблему слишком сложной. Итак, на эту роль пришел Deep Learning.

Обратите внимание, что AI является основной концепцией, где ML является подмножеством этого AI, а DL является подмножеством ML.

"DL" впервые было введено Игорем Айзенбергом в 2000 году.

Глубокое обучение

Глубокое обучение — это концепция, в которой алгоритм создан и должен работать как функции человеческого мозга. Обычно связано с функциональностью нейронов.

Легко понять, почему нейроны? Вы можете обратиться к моей статье https://medium.com/@dhavaltrivedi_56634/ai-lets-reveal-in-terms-of-biomedical-47d8b789aba6.

Для глубокого обучения существует очень мощный и эффективный алгоритм под названием «Нейронная сеть». Существует также много типов алгоритмов нейронных сетей.

У нас возникает вопрос: какая разница делает DL более полезным, чем ML, когда проблема слишком сложна? посмотрим.

Первым ключевым отличием является эффективность обучения. Мы можем считать, что задача слишком сложна для обучения алгоритмов, потому что приходится иметь дело с большим объемом данных. Теперь, если мы проверим производительность по сравнению с объемом данных с помощью приведенного ниже графика, он будет выглядеть так.

На приведенном выше графике ясно видно, что чем меньше объем данных, тем выше эффективность обучения в ML и ниже в DL. Но с увеличением объема данных производительность DL выше, а ML ниже.

Чем больше данных, тем больше время обучения. Таким образом, DL требует больше времени для обучения, чем ML. Но дает производительность выше.

Еще одним ключевым отличием является извлечение признаков.

Извлечение признаков

«Функция» и «Извлечение». Любой алгоритм машинного обучения требует сначала особенностей входных данных, а затем извлекает их по-своему. Эти объекты обычно представлены в виде векторов, называемых векторами объектов. Векторы объектов используются для представления числовых или символьных характеристик одного функции. Эти функции могут быть такими, как показано ниже,

  • Если мы используем обработку изображений, эти функции могут быть значениями RGB, интенсивностью оттенков серого, краями, величиной градиента и т. д.
  • Если мы возьмем пример спам-фильтра, такими функциями могут быть частота определенных слов в почте, заголовки писем, структура текста, IP-адрес и т. д.
  • Если мы видим распознавание речи, то такими характеристиками могут быть длина волны, частота, коэффициент шума, уровень шума и т. д.

В машинном обучении нам нужно вручную передать эти функции алгоритму. Но для большого количества данных это слишком сложно. Таким образом, в глубоком обучении нам не нужно вводить эти функции вручную. Его генерация функций на основе заданных данных самостоятельно. Эти функции называются Функциями высокого порядка. Поскольку эти функции могут предсказать желаемый результат.

Еще одно отличие заключается в разнице в выходных данных. Модели машинного обучения выдают числовой вывод, а выходные данные алгоритмов глубокого обучения могут варьироваться от изображения до текста или даже звука.

Итак, теперь он может понять, зачем использовать DL, когда проблема слишком сложна.

Напоследок давайте посмотрим, каково положение ИИ в настоящее время и каковы основные категории в соответствии с революцией в ИИ.

Категории ИИ

Искусственный узкий интеллект

Сосредоточены на одной узкой задаче.

Пример: обработка естественного языка, такая как Google Assistance, Siri, Alexa.

На данный момент это единственный существующий ИИ. Он включает в себя все виды машинного интеллекта.

Общий искусственный интеллект

Примерно так же способен, как человек.

Это все еще развивающаяся область. Поскольку человеческий мозг является моделью для создания Общего интеллекта, потому что отсутствуют всесторонние знания о функциях человеческого мозга.

Искусственный супер интеллект

Более способный, чем человек.

Этот тип ИИ сможет чрезвычайно хорошо работать в таких вещах, как искусство, принятие решений и эмоциональные отношения. Это одна из самых сложных концепций для современного мира, которая также может стать опасной для Человечества.

Если вы видели фильм «Я, робот» или помните Альтрона в «Мстителях» или сэра Раджаниканта (смеется) в фильме «Робот».

Спасибо, что прочитали эту статью. Мне нравится слышать от вас обратную связь :). Не стесняйтесь задавать любые вопросы.