Изкуствен интелект

Изкуствени интелект. Означава да направите нещо изкуствено, което се държи интелигентно или изпълнява задача, която се нуждае от известна интелигентност. Какво говорим да направим интелигентно тук? Това може да бъде машина, мобилен телефон, кола, инвалидна количка, система за медицински анализ, система за програмиране или езикова обработка, всичко.

„AI“ е въведен за първи път от Джон МакКрати през 1956 г.

Сега имаше концепция. Но въпросът беше как да стане възможно или как да се приложи този вид технология. И така, основните въпроси са,

Може ли машината да мисли? Може ли машината да взема решения? Може ли машината да НАУЧИ?

Тези въпроси са в основата на изобретяването на термина „Машинно обучение“.

„ML“ е въведен за първи път от Артър Самуел през 1959 г.

Машинно обучение

Машинното обучение е част от AI, която използва някои алгоритми за самото обучение. Според тази концепция има един алгоритъм или програма, на която машините ще се научат да достигат прогнозирания изход или да генерират собствен изход, който не може да бъде предсказан правилно преди.

Сега AI има платформа на ML за изпълнение на задачи, които не могат да бъдат извършени чрез нормално програмиране и се нуждае от собствен интелект.

Като пример, Gmail автоматично улавя дали пощата е истинска или спам? Друг пример за намиране на лицето е мъж или жена? Това се превръща в много сложна задача за нормално програмиране. Но не толкова сложно за машинно обучение.

Друг пример, в момента пиша тази статия и използвам приложението Grammarly за проверка на правописа и изреченията дали са правилни или не. Сега помислете дали тази задача трябва да бъде изпълнена чрез нормално програмиране. Това е твърде сложно. Но с помощта на машинно обучение това може да бъде решено с част от кода.

Но все пак има някои по-сложни задачи, които са трудни или невъзможни за решаване с нормални алгоритми за машинно обучение.

Като пример, помислете, че трябва да направим ML алгоритъм за идентифициране на всякакъв вид обект от всяка категория. В света има милиони предмети. Помислете колко голямо количество данни е необходимо и как алгоритъмът трябва да бъде ефективен. Така че можем да разгледаме този твърде сложен проблем. И така, тук Deep Learning дойде за тази роля.

Имайте предвид, че AI е основна концепция, където ML е подмножество на този AI, а DL е подмножество на ML.

„DL“е представено за първи път от Игор Айзенберг през 2000 г.

Дълбоко обучение

Дълбокото обучение е концепцията, при която алгоритъмът се създава и трябва да работи като функционалности на човешкия мозък. Обикновено се отнася до функциите на невроните.

За да разберете лесно защо неврони? Можете да се обърнете към моята статия, https://medium.com/@dhavaltrivedi_56634/ai-lets-reveal-in-terms-of-biomedical-47d8b789aba6.

За задълбочено обучение има много мощен и ефективен алгоритъм, наречен „невронна мрежа“. Има и много видове алгоритми за невронни мрежи.

Имаме въпрос тук, каква разлика прави DL по-полезен от ML, когато проблемът е твърде сложен? да видим.

Първата ключова разлика е Ефективността на ученето. Можем да смятаме, че проблемът е твърде сложен за изучаване на алгоритми, тъй като трябва да се справи с голямо количество данни. Сега, ако проверим производителността спрямо количеството данни с графиката по-долу, ще изглежда така.

Можем да видим ясно в горната графика, че когато количеството данни е по-малко, ефективността на обучението е по-висока в ML и по-ниска в DL. Но с увеличаване на количеството данни производителността на DL е по-висока, а ML е по-ниска.

Ако има повече данни, времето за обучение ще бъде повече. Така че DL отнема повече време за обучение от ML. Но дава по-висока производителност.

Друга ключова разлика е Извличането на функции.

Извличане на функции

„Характеристика“ и „Извличане“. Всеки алгоритъм за машинно обучение изисква първо характеристики на входните данни и след това извличането им по свой собствен начин. Тези характеристики обикновено са под формата на вектори, наречени Вектори на характеристики. Векторите на характеристики се използват за представяне на числови или символни характеристики на единична функция. Тези функции могат да бъдат както по-долу,

  • Ако използваме обработка на изображения, тези характеристики могат да бъдат RGB стойности, интензитет на сивата скала, ръбове, степен на градиент и т.н.
  • Ако вземем пример с филтър за нежелана поща, тези функции могат да бъдат честота на конкретни думи в пощата, заглавки на имейли, структура на текста, IP местоположение и т.н.
  • Ако видим разпознаване на реч, характеристиките могат да бъдат дължини на вълните, честота, съотношения на шума, нива на шум и т.н.

При машинното обучение трябва да подадем тези функции ръчно към алгоритъма. Но за много данни това е твърде сложно. Така че при задълбочено обучение не е нужно да захранваме тези функции ръчно. Неговите генериращи характеристики въз основа на дадени данни самостоятелно. Тези функции се наричат ​​Характеристики от висок клас. Тъй като тези функции са в състояние да предвидят желания резултат.

Друга разлика е Разлика в резултатите,ML моделите произвеждат цифров изход, изходът от DL алгоритмите може да варира от изображение до текст или дори аудио.

Така че сега може да разбере защо да използва DL, когато проблемът е твърде сложен.

Накрая нека да видим каква е позицията на AI в наши дни и кои са основните категории според революцията в AI.

Категории AI

Изкуствен тесен интелект

Фокусиран върху една единствена тясна задача.

Пример: Обработка на естествен език като Google Assistance, Siri, Alexa

Това е единственият AI, който съществува днес, засега. Той включва всички видове машинен интелект.

Изкуствен общ интелект

Горе-долу толкова способен, колкото човек.

Това все още е нововъзникваща област. Тъй като човешкият мозък е моделът за създаване на общ интелект, тъй като липсва всеобхватно познание за функционалността на човешкия мозък.

Изкуствен супер интелект

По-способен от човек.

Този тип AI ще може да се представя изключително добре в неща като изкуства, вземане на решения и емоционални взаимоотношения. Това е една от най-трудните концепции за света в днешно време, която също може да стане опасна за човечеството.

Ако сте гледали филма I, Robot или си спомняте Ultron в Avengers или Sir Rajanikant (Lol..) във филма Robot.

Благодаря, че прочетохте тази статия. Обичам да чувам обратна връзка от вас :). Чувствайте се свободни да задавате всякакви въпроси.