4 ключевые концепции ИИ, которые вам нужно понять

Искусственный интеллект (ИИ) стремительно завоевывает мир, предлагая инновационные варианты использования во всех сегментах отрасли. Нам еще далеко до замены врача роботом с искусственным интеллектом, как показано в фильмах, но искусственный интеллект помогает экспертам во всех отраслях быстрее диагностировать и решать проблемы, позволяя потребителям, таким как я, делать удивительные вещи, например находить песни с помощью голосовой команды.

Большинство людей сосредотачиваются на результатах ИИ. Для тех из нас, кто любит заглядывать под капот, есть четыре основных элемента, которые нужно понять: категоризация, классификация, машинное обучение и совместная фильтрация. Эти четыре столпа также представляют этапы аналитического процесса.

[Обзор: TensorFlow, Spark MLlib, Scikit-learn, MXNet, Microsoft Cognitive Toolkit и Caffe, машинное и глубокое обучение. | Перейдите к ключевым новостям и проблемам, связанным с передовыми корпоративными технологиями, в информационном бюллетене InfoWorld Daily. ]

Категоризация включает в себя создание метрик, характерных для проблемной области (например, финансы, нетворкинг). Классификация включает в себя определение того, какие данные наиболее важны для решения проблемы. Машинное обучение включает обнаружение аномалий, кластеризацию, глубокое обучение и линейную регрессию. Совместная фильтрация включает в себя поиск закономерностей в больших наборах данных.

Категоризация

ИИ требует много данных, имеющих отношение к решаемой проблеме. Первый шаг к созданию решения ИИ — это создание того, что я называю «метриками замысла проекта», которые используются для категоризации проблемы. Независимо от того, пытаются ли пользователи создать систему, которая может играть в Jeopardy, помогать врачу диагностировать рак или помогать ИТ-администратору диагностировать проблемы с беспроводной сетью, пользователям необходимо определить метрики, которые позволят разбить проблему на более мелкие части. Например, в беспроводных сетях ключевыми показателями являются время подключения пользователя, пропускная способность, покрытие и роуминг. В диагностике рака ключевыми показателями являются количество лейкоцитов, этническая принадлежность и рентгеновские снимки.

Классификация

После того, как пользователи распределили проблему по разным областям, следующим шагом будет создание классификаторов для каждой категории, которые укажут пользователям путь к осмысленному заключению. Например, при обучении системы ИИ играть в Jeopardy пользователи должны сначала классифицировать вопрос как буквальный по своей природе или как игру слов, а затем классифицировать по времени, человеку, предмету или месту. В беспроводной сети, как только пользователи узнают категорию проблемы (например, проблема до или после подключения), им необходимо начать классифицировать причину проблемы: ассоциация, аутентификация, протокол динамической конфигурации хоста (DHCP) или другие беспроводные сети. , проводной и фактор устройства.

Машинное обучение

Теперь, когда проблема разделена на фрагменты метаданных, относящихся к предметной области, пользователи готовы передать эту информацию в волшебный и мощный мир машинного обучения. Существует множество алгоритмов и методов машинного обучения, причем контролируемое машинное обучение с использованием нейронных сетей (т. е. глубокое обучение) в настоящее время становится одним из самых популярных подходов. Концепция нейронных сетей существует с 1949 года, и я построил свою первую нейронную сеть в 1980-х годах. Но с последним увеличением возможностей вычислений и хранения нейронные сети теперь обучаются решать множество реальных задач, от распознавания изображений и обработки естественного языка до прогнозирования производительности сети. Другие приложения включают обнаружение признаков аномалий, обнаружение аномалий временных рядов и корреляцию событий для анализа первопричин.

Совместная фильтрация

Большинство людей сталкиваются с совместной фильтрацией, когда выбирают фильм на Netflix или покупают что-то на Amazon и получают рекомендации о других фильмах или товарах, которые могут им понравиться. Помимо рекомендаций, совместная фильтрация также используется для сортировки больших наборов данных и придания лицу решения ИИ. Именно здесь весь сбор и анализ данных превращается в осмысленное понимание или действие. Независимо от того, используется ли совместная фильтрация на игровом шоу, врачом или сетевым администратором, она является средством предоставления ответов с высокой степенью достоверности. Это как виртуальный помощник, который помогает решать сложные задачи.

ИИ все еще находится в стадии становления, но его влияние огромно и будет ощущаться еще острее по мере того, как он станет все большей частью нашей повседневной жизни. При выборе ИИ-решения, как и при покупке автомобиля, нам нужно понимать, что находится под капотом, чтобы убедиться, что мы покупаем лучший продукт для наших нужд.

New Tech Forum представляет собой площадку для изучения и обсуждения новых корпоративных технологий с беспрецедентной глубиной и широтой.Выбор субъективен и основан на выборе технологий, которые мы считаем важными и представляющими наибольший интерес для читателей InfoWorld. InfoWorld не принимает маркетинговые материалы для публикации и оставляет за собой право редактировать весь предоставленный контент. Присылайте все запросы на newtechforum@infoworld.com.

• Искусственный интеллект
• Аналитика

Авторское право © 2017 IDG Communications, Inc.