Что такое искусственный интеллект? Понимание 3 основных концепций ИИ
Чтобы понять некоторые из более глубоких концепций ИИ, вам необходимо понять разницу между машинным обучением, глубоким обучением и нейронными сетями.
Пол Шиглар | 19 апреля 2018 г.
Прогресс искусственного интеллекта ошеломляет. Усилия по продвижению концепций ИИ за последние 20 лет привели к некоторым поистине удивительным инновациям. Большие данные, медицинские исследования и автономные транспортные средства — вот лишь некоторые из невероятных приложений, возникающих в результате развития ИИ.
Чтобы понять некоторые из более глубоких понятий, таких как интеллектуальный анализ данных, обработка естественного языка и программное обеспечение для вождения, вам необходимо знать три основных понятия ИИ: машинное обучение, глубокое обучение и нейронные сети. Хотя ИИ и машинное обучение могут показаться взаимозаменяемыми терминами, ИИ обычно считается более широким термином, а машинное обучение и две другие концепции ИИ являются его подмножеством.
Машинное обучение и приложения
Вполне вероятно, что вы взаимодействовали с какой-либо формой ИИ в своей повседневной деятельности.Например, если вы используете Gmail, вам может понравиться функция автоматической фильтрации электронной почты. Если у вас есть смартфон, вы, вероятно, заполняете календарь с помощью Siri, Cortana или Bixby. Если у вас более новый автомобиль, возможно, вы воспользовались функцией помощи водителю во время вождения.
Какими бы полезными ни были эти программные продукты, им не хватает возможности самостоятельного обучения. Они не могут мыслить вне своего кода. Машинное обучение — это ветвь искусственного интеллекта, целью которой является дать машинам возможность изучать задачу без ранее существовавшего кода.
Подробнее о концепциях ИИ:
- Скачать: Применение машинного обучения в робототехнике
- Анализ новостей: почему исследователи создают новые алгоритмы взаимодействия роботов и людей
- Создание умного завода с искусственным интеллектом и робототехникой
- Инфографика: ИИ и чат-боты находят коммерческую полезность
- Повышение эффективности развертываний IoT с помощью ИИ и машинного обучения
- ИИ, роботы и умные города будут в центре внимания на NVIDIA GTC 2018
Проще говоря, машинам дается большое количество пробных примеров для определенной задачи. Проходя через эти испытания, машины учатся и адаптируют свою стратегию для достижения этих целей.
Например, машине распознавания изображений могут быть предоставлены миллионы изображений для анализа. Пройдя бесконечные перестановки, машина обретает способность распознавать узоры, формы, лица и многое другое.
Хорошо известным примером этой концепции ИИ является Quick, Draw!, игра, размещенная на Google, которая позволяет людям рисовать простые картинки менее чем за 20 секунд, а алгоритм машинного обучения пытается угадать рисунок. Более 15 миллионов человек добавили в приложение более 50 миллионов рисунков.
Глубокое обучение готовится к игре
Как заставить машины учиться больше, чем просто конкретной задаче? Что, если мы хотим, чтобы он мог взять то, что он узнал из анализа фотографий, и использовать эти знания для анализа различных наборов данных? Это требует от ученых-компьютерщиков формулировки универсальных алгоритмов обучения, которые помогают машинам обучаться более чем одной задаче.
Одним из известных примеров глубокого обучения в действии является проект Google AlphaGo, написанный на Lua, C++ и Python. Искусственный интеллект AlphaGo смог победить профессиональных игроков в го, что считалось невозможным, учитывая невероятную сложность игры и зависимость от сосредоточенной практики и человеческой интуиции для достижения мастерства.
Как программа смогла справиться с игрой, требующей человеческой интуиции? Практика, практика, практика — и небольшая помощь от искусственной нейронной сети.
Нейронные сети следуют естественной модели
Глубокое обучение часто становится возможным благодаря искусственным нейронным сетям, которые имитируют нейроны или клетки мозга. Искусственные нейронные сети были вдохновлены вещами, которые мы находим в нашей собственной биологии. В моделях нейронных сетей используются принципы математики и компьютерных наук, чтобы имитировать процессы человеческого мозга, обеспечивая более общее обучение.
Искусственная нейронная сеть пытается имитировать процессы тесно связанных между собой клеток мозга, но вместо того, чтобы быть построенной из биологии, эти нейроны или узлы построены из кода.
Нейронные сети содержат три слоя: входной слой, скрытый слой и выходной слой. Эти слои содержат тысячи, а иногда и миллионы узлов. Информация подается на входной слой. Входным данным присваивается определенный вес, и взаимосвязанные узлы умножают вес соединения по мере их перемещения.
По существу, если единица информации достигает определенного порога, она может перейти на следующий уровень. Чтобы учиться на собственном опыте, машины сравнивают выходные данные нейронной сети, а затем изменяют соединения, веса и пороговые значения на основе различий между ними.
Контрольный список концепций ИИ
Чтобы узнать больше об искусственном интеллекте, машинном обучении, глубоком обучении и нейронных сетях, ознакомьтесь с некоторыми из этих других ресурсов:
- 10 тенденций искусственного интеллекта, за которыми стоит следить в 2018 году
- Пять экспертов предсказывают самые большие тренды ИИ на 2018 год
- Тенденции ИИ, за которыми стоит следить в 2018 году
- ИИ и машинное обучение в вашем приложении промышленной робототехники
- ИИ поддерживает растущий бизнес в области эмоционального интеллекта
- 5 тенденций ИИ, которые будут доминировать в 2018 году
- Как будет работать изменение ИИ? Вот 5 школ мысли
Об авторе:
Пол Шиглар — обозреватель и сертифицированный бухгалтер с большим опытом в области стратегического анализа, планирования и анализа, инвестиционно-банковских услуг и управления инвестициями. Он также интересуется международной политикой и экономикой. Следуйте за ним в Твиттере здесь.
Машины становятся умнее
Все три из этих концепций ИИ — машинное обучение, глубокое обучение и нейронные сети — могут позволить аппаратным и программным роботам «думать» и действовать динамично, вне границ кода. Понимание этих основ может привести к более сложным темам ИИ, включая общий искусственный интеллект, сверхинтеллект и ИИ, а также этику в ИИ.
