6 технологий, лежащих в основе ИИ

Короче говоря, ИИ имитирует человеческий интеллект или поведение. Однако когда что-то превращается из факсимильного аппарата в Саманту из «Она» или ХЭЛ из «2001: Космическая одиссея»? Где мы проводим линию?

Добавьте сюда интеллект и поведение, и все станет еще сложнее. Имеет ли значение, если машина может демонстрировать только узкий диапазон поведения? В этом и загвоздка. Граница между компьютерными программами и системами ИИ непрозрачна.

В этой статье мы рассмотрим один из способов демистификации технологий ИИ и проведения (слегка) более конкретных разделительных линий.

Что такое искусственный интеллект?

Мы можем классифицировать технологии ИИ несколькими способами, в том числе:

1. Его способность имитировать человеческие характеристики.
2. Технологии, позволяющие имитировать человеческие характеристики.
3. Реальные приложения системы.
4. Теория разума.

Каждый из них может помочь нам лучше понять многолюдный и запутанный ландшафт.

В предыдущей статье мы рассмотрели, как мы можем классифицировать технологии ИИ по их интеллекту. Используя этот метод, мы обнаружили 3 типа ИИ. Это искусственный узкий интеллект (ANI), искусственный общий интеллект (AGI) и искусственный сверхинтеллектуальность (ASI).

Проблема в том, что AGI и ASI остаются (упрямо) научной фантастикой. Даже по оптимистичным оценкам появление ОИИ приходится на 2050 год. Это проблема, поскольку все существующие ИИ объединены в одну категорию, несмотря на огромные различия в возможностях и назначении.

В этой статье мы рассмотрим технологии ИИ с точки зрения технологий, лежащих в основе этих систем. Используя этот метод, существует 6 категорий ИИ.

6 технологий, лежащих в основе ИИ: технология ИИ.

Тип №1: Экспертные системы

Экспертные системы — это квинтэссенция технологий символического ИИ.

Символические означает, что информация хранится и передается в символических контейнерах или объектах, а не в виде необработанных данных.

Представьте себе базу данных анатомии человека, включающую эти символические сущности: голову, глаза и мозг. По отдельности эти символы бессмысленны. Тем не менее, мы можем добавить значительного смысла в нашу базу данных с помощью пары ассоциаций.

Голова содержит («мозг»)
Голова содержит («глаза»)
Глаза push_data("мозг")

Так работают экспертные системы. Хотя списки если, то и ассоциаций написаны человеческим языком. Вернемся к нашему примеру.

Представьте, если бы наша база данных сверху была экспертной системой, которую мы могли бы использовать во время экзамена по анатомии человека, к которому мы забыли подготовиться. Упс. Мы могли бы задавать вопросы вроде «есть ли в голове глаза» и получать ответы. Однако если бы мы задавали вопросы вроде «сколько глаз у головы», наша база данных и ИИ не помогли бы. Это серьезное ограничение.

Очевидно, что экспертная система, содержащая достаточно точек данных и ассоциаций данных, имеет множество применений, особенно в областях, где другие формы ИИ недоступны, варианты использования просты или когда специалисты-люди легко доступны для разъяснений. Однако для многих людей машинное обучение и обработка естественного языка (NLP) воплощают в себе все и заканчивают все атрибуты настоящего ИИ.

Тип № 2: Машинное обучение

Машинное обучение охватывает ряд статистических методов, дающих компьютерам возможность учиться. То есть они постепенно улучшают свою способность выполнять задачу.

Существует более десятка таких статистических методов, одним из которых является глубокое обучение.

Глубокое обучение с использованием искусственных нейронных сетей

Глубокое обучение представляет собой антитезу экспертных систем и символического ИИ.

В то время как люди пишут экспертные системы, используя строки с сознательными и подсознательными значениями реального мира, глубокое обучение позволяет возникать ассоциациям и характеристикам.

Эти ассоциации возможны, потому что глубокое обучение использует искусственные нейронные сети (наборы узлов в ряду слоев). По сути, глубокое обучение — это узлы, слои и связи между ними.

На следующих изображениях показаны основы процессов глубокого обучения.

Глубокое обучение, в отличие от экспертных систем, — это субсимвольный ИИ. На вопрос «есть ли в голове глаза» есть ответ: да. А на вопрос «сколько глаз у головы» есть ответ: обычно 2. Однако если экспертная система могла бы ответить на эти вопросы только в том случае, если бы ответы были даны ей человеком, то субсимволический ИИ мог бы ответить на них, несмотря на то, что ему никогда не говорили. фактические ответы (в зависимости от его обучающих данных).

Например, если обучающие данные представляли собой серию фотографий людей и животных с пометками видов, голов и глаз, то ИИ мог бы ответить на такие вопросы, как: какой вид изображен на этой фотографии? А у этого вида сколько глаз обычно содержит голова?

Глубокое обучение в действии: AlphaGo

AlphaGo — хороший пример непрозрачности глубокого обучения ИИ.

Настольная игра Го долгое время считалась недоступной для ИИ. Его общеизвестно сложный. Даже совсем недавно, в 2014 году, игроки в го и исследователи ИИ считали, что ИИ не может победить лучшего человека в го, и тогда AlphaGo обыграла лучших игроков в го со счетом 4:1 и 3:0.

В интервью после игры Ке Цзе сказал: «В прошлом году я думаю, что игра AlphaGo была довольно близка к человеческой, но сегодня я думаю, что она играет как Бог Го».

AlphaGo не играла в Го, продумывая каждый возможный ход и не копируя предыдущие игры, AlphaGo училась Го. Нейронная сеть разработала сильное понимание игры.

Машинное обучение является основой современных исследований и разработок в области ИИ, наряду со многими более продвинутыми версиями других типов ИИ.

Тип № 3: обработка естественного языка

Обработка естественного языка (NLP) — это область ИИ, связанная с взаимодействием между компьютерами и человеческими (естественными) языками.

НЛП делится на 2 подкатегории: понимание естественного языка и генерация естественного языка, и тесно связано с автоматическим распознаванием речи (ASR), которое является еще одной категорией ИИ.

NLP является краеугольным камнем чат-ботов (которые сейчас в моде) и виртуальных помощников (таких как Siri).

В научно-фантастических книгах и фильмах в системе ИИ почти всегда есть технологии НЛП.

Тип № 4: Компьютерное зрение

Компьютерное зрение относится к изображениям так же, как обработка естественного языка (NLP) к словам.

Компьютерное зрение — это междисциплинарная область, касающаяся того, как компьютеры могут видеть и понимать цифровые изображения и видео.

Нет лучшего примера компьютерного зрения, чем ИИ для распознавания лиц Facebook, который теперь распознает лица как человек. DeepFace (ИИ глубокого обучения Facebook, специализирующийся на компьютерном зрении) имеет точность 97,25%, независимо от условий освещения или углов.

Facebook имеет большое преимущество в игре компьютерного зрения, потому что (в эпоху машинного обучения) данные — это цифровое золото.Сейчас они обучают модели глубокого обучения, используя 3,5 миллиарда фотографий в Instagram и 17 000 хэштегов.

Тип № 5: Автоматическое распознавание речи

Автоматическое распознавание речи (ASR) и обработка естественного языка (NLP) связаны, но это уникальные категории ИИ.

Представьте, что вы опаздываете на встречу и вам нужно отправить сообщение своему другу, поэтому вы открываете свой телефон, нажимаете «Диктовка», говорите «Привет, Джон, я уже иду» и нажимаете «Отправить».

В этом случае должен ли ваш телефон знать, что «Привет, Джон» — это приветствие? Должен ли ваш телефон знать, что фраза «Я уже в пути» означает, что вы переезжаете из одного места в другое? Нет. Все, что нужно вашему телефону, это знать, что звуки, которые вы произносите, соответствуют определенным словам.

О другом разрыве между ASR и NLP свидетельствуют исследования ученых из Калифорнийского университета в Беркли, которые обучили ИИ атаковать системы преобразования речи в текст.

ИИ может даже полностью скрыть речь!

Начав с произвольной формы волны вместо речи (например, музыки), мы можем встроить речь в звук, который не должен распознаваться как речь; и, выбрав тишину в качестве цели, мы можем скрыть звук от системы преобразования речи в текст. — Калифорнийский университет в Беркли

ИИ не атаковал НЛП, говоря в кодах (что может быть методом победы над ИИ НЛП), а вместо этого атаковал свой ИИ ASR, не позволяя услышать произносимые слова.

В двух словах, в то время как NLP занимается значением слов, а компьютерное зрение занимается распознаванием изображений и видео, ASR занимается значением звуков.

Машинное обучение распространено во всех трех этих областях.

Имея любой звуковой сигнал, мы можем создать другой, похожий более чем на 99,9%, но транскрибируемый как любая выбранная нами фраза (со скоростью до 50 символов в секунду). — Калифорнийский университет в Беркли

Тип № 6: Планирование ИИ

Автоматизированное планирование и планирование (Планирование ИИ) — это ветвь ИИ, касающаяся стратегий и последовательностей действий.

Для работы беспилотных автомобилей и других автономных роботов требуется AI Planning.

Чтобы лучше понять, что входит в планирование ИИ, посмотрите это видео от BostonDynamics.

Atlas от BostonDynamic предназначен для работы снаружи и внутри зданий. Вы можете видеть, как Атлас открывает двери, ходит по неровной земле, пересекает заснеженную местность и складывает коробки на складе. Пару минут спустя есть даже сцена, где человек намеренно пытается помешать Атласу складывать коробки, выбивая их из рук.

Как и другие типы ИИ, машинное обучение играет большую роль в расширенном планировании ИИ, которое, в отличие от классических задач управления и классификации, требует сложных решений, которые необходимо обнаруживать и оптимизировать в многомерном пространстве.

Какие 6 технологий лежат в основе ИИ?

В этой статье мы рассмотрели ИИ с точки зрения технологий, лежащих в основе систем ИИ.

Основными их категориями являются:

1. Экспертные системы
2. Машинное обучение
3. Обработка естественного языка
4. Компьютерное зрение
5. Автоматическое распознавание речи
6. Планирование ИИ

В некотором смысле экспертные системы представляют собой более простой ИИ, а системы ИИ с поддержкой машинного обучения представляют собой более впечатляющие достижения в технологии ИИ.

Машинное обучение обычно используется для включения других категорий ИИ, таких как обработка естественного языка (значение слов), компьютерное зрение (значение изображений и видео), автоматическое распознавание речи (значение звуков) и планирование ИИ (сложные последовательности действий).

Ландшафт ИИ иногда может казаться непрозрачным и запутанным, ясно одно, однако мы движемся к будущему, основанному на ИИ, когда боты будут выполнять больше задач в большем количестве областей работы и отдыха.

Автор Шеннон Инглэнд

Брендинг, коммуникации и маркетинг

Shannon — наш помощник в области брендинга и маркетинга. Когда она не работает над нашими коммуникациями и маркетинговыми кампаниями, она обычно пьет кофе или ходит в местный магазин растений.

Узнать больше

Что такое роботизированная автоматизация процессов?

06 ноября 2020 г. • 7 минут

Фрей и Осборн из Оксфордского университета обнаружили, что до 47% всех занятых в США находятся под угрозой автоматизации рабочих мест. С такими огромными числами неудивительно, что люди хотят знать, что такое роботизированная автоматизация процессов (RPA). В более поздних исследованиях были получены другие цифры, но нет сомнений в том, что на RPA стоит обратить более пристальное внимание.

Автор Эбан Эскотт

Искусственный интеллект в Codebots

Бесплатно на 14 дней

Используйте искусственный интеллект для создания ботов, которые могут программировать в соответствии со стандартами вашей организации.

Сделано в Брисбене, Австралия.

Как искусственный интеллект влияет на технологии

5 статей по теме

Быстрое развитие концепций машинного обучения, глубокого обучения и естественного языка в области искусственного интеллекта (ИИ) меняет мир.

Авторы сценария Эбан, Шеннон и другие.

• Партнеры
• Стать партнером
• Найти партнера

• Сертифицировано GitLab
• Кодекс мира

Сделано в Минджине (Брисбен), Австралия.

Мы признаем традиционных хранителей этой земли.

Copyright © 2022 Кодботы®