0 просмотров

Ветви искусственного интеллекта

В прошлой статье мы попытались разобраться, что же такое искусственный интеллект. Поскольку ИИ — это технология, целью которой является имитация человеческого поведения, мы можем с уверенностью сказать, что ветви ИИ будут состоять из тех сущностей, которые отличают нас от машин. Итак, давайте вкратце об ответвлениях искусственного интеллекта и попробуем соотнести их с деятельностью человека!

1.Машинное обучение: Это метод, который позволяет компьютеру учиться самостоятельно, предоставляя ему достаточно данных. Подобно людям, машинное обучение обучает систему прогнозировать результат, используя прошлый опыт. Алгоритм машинного обучения распознает шаблоны в заданных данных, обучает модель и прогнозирует результат без необходимости явного программирования для того же самого.

Один из моих профессоров привел замечательный пример, подтверждающий, что машинное обучение подобно обучению ребенка смотреть в лицо миру. Ребенок подходит к свече, обжигает палец, и теперь ему больно! Он не мог просто рассуждать о том, что только что произошло. Свяжем это с обучением алгоритма. Когда свеча обжигает палец во второй раз, ребенок уже предупрежден и знает, что могло вызвать ожог. Так может продолжаться какое-то время, пока малыш окончательно не поймет, что пламя от свечи и есть причина, по которой горит его палец.Теперь, когда наша «модель» построена, давайте ее протестируем. В следующий раз, когда ребенок подходит к свече, он знает, что пламя может ему навредить, и полностью избегает его. Можно с уверенностью сказать, что наша модель успешно обучена! Именно так происходит машинное обучение.

Статья в тему:  Что делает Корнелл хорошей школой искусственного интеллекта

2. Нейронные сети: Учитывая тот факт, что это слово уже давно стало модным, некоторым из нас термин «нейронная сеть» может показаться сложным. Поверьте мне, если отвлечься от математики нейронной сети, ее довольно просто понять. Все, что вам нужно сделать, это передать вашей модели входные данные в первом слое, указать скрытые слои, и выходные данные будут вашим последним слоем. Задача скрытых слоев состоит в том, чтобы извлечь важную информацию из предоставленных входных данных, чтобы предсказать результат. Мы можем выбрать столько скрытых слоев, сколько захотим, но мы должны быть осторожны, потому что это может привести к переоснащению и, в свою очередь, повлиять на точность нашей модели.

Если вы знакомы с биологией нейрона, вам будет легче понять нейронные сети. Входной слой, как и дендрит, является рецептором, принимающим входные данные, нейрон обрабатывает информацию подобно скрытым слоям, а аксон передает обработанные сигналы и действует как выходной слой.

3.Робототехника: Что делает робототехнику интересной, так это то, что она представляет собой смесь машиностроения, электротехники, информатики и ряда других научных областей. Он занимается проектированием, производством и эксплуатацией роботов для выполнения задач, для которых он был создан.

Роботы — это «тело» интеллектуальной системы, оно координирует свои действия с программой и ее результатами для выполнения определенной функции, очень похожей на скелетно-мышечную систему человеческого тела, верно? Удивительно видеть, как роботы могут быть созданы такими реалистичными, как София. Недалек тот день, когда мы, люди, наконец, сможем иметь робота для друга!

Статья в тему:  Как Uber использует искусственный интеллект

4.Экспертная система: Теперь мы знаем, как запрограммировать машину, чтобы она училась как человек, но когда-нибудь задумывались, как заставить машину думать, как человек? И вот здесь на помощь приходят экспертные системы. Экспертная система представляет собой приложение, позволяющее компьютеру имитировать способность людей принимать решения. Тремя компонентами экспертной системы являются пользовательский интерфейс, механизм логического вывода и база знаний.

Как и наши глаза, пользовательский интерфейс принимает пользовательский запрос и передает его механизму логического вывода. Механизм логического вывода похож на наш мозг, он имеет определенную последовательность правил для решения проблемы и обращается к базе знаний для предоставления рассуждений. База знаний похожа на нашу память, это огромное хранилище информации, полученной от экспертов в предметной области. Следовательно, успех экспертной системы во многом зависит от точности ее знаний.

5. Нечеткая логика: Мы, люди, часто сталкиваемся с дилеммой, поэтому было бы справедливо, если бы системы, которые мы разрабатываем, были обучены справляться с такими ситуациями. Нечеткая логика — это метод, который имеет дело с решением проблем, имеющих неопределенность. Представьте, что вы смотрите в небо и видите несколько темно-серых облаков в погожий солнечный день. Сбивает с толку, верно?

Не могли бы вы определить, будет ли дождь или нет? Могли бы вы сказать «определенное да» или «определенное нет»? Вот где вам поможет нечеткая логика! В отличие от булевой алгебры, нечеткая логика не требует абсолютных значений «Истина» или «Ложь». Фактически, вы можете иметь промежуточные значения, такие как «частично верно» или «частично неверно», когда имеете дело с нечеткой логикой. Нечеткая архитектура состоит из четырех компонентов: базы правил, фаззификации, механизма логического вывода и дефаззификации. База правил состоит из набора правил и условий «если-то», предоставленных экспертами для управления принятием решений. Фаззификация используется для преобразования четких входных данных (значений, переданных в систему для обработки) в нечеткие наборы.Затем система логического вывода определяет степень соответствия для каждого правила и решает, какие правила следует активировать соответствующим образом. Затем запущенные входы объединяются для формирования управляющих действий. Дефаззификация преобразует нечеткие множества, полученные от механизма логического вывода, в четкие значения, а затем передает их в качестве выходных данных.

Статья в тему:  Как я создал этих ботов с искусственным интеллектом

6. Обработка естественного языка: Вы когда-нибудь пытались общаться с кем-то, кто не говорил на вашем языке, и они не могли вас понять? Тихий вызов, не так ли? А теперь представьте, что вы пытаетесь общаться с компьютером, разве это не сложнее? Что значат слова и фразы для компьютера, который понимает только язык нулей и единиц? Может показаться непростой задачей научить машины понимать наше общение. Ну да и нет.

Процесс, позволяющий машине читать, расшифровывать, понимать и находить смысл в человеческом взаимодействии, называется обработкой естественного языка. Вкратце, система естественного языка работает следующим образом: человек что-то говорит машине, машина записывает звук и превращает звук в текст. Затем система НЛП разбирает текст на компоненты, понимает контекст разговора и намерения человека. По результатам машина определяет, какую команду следует выполнить. Именно так люди общаются, мы слушаем, что говорит другой человек, пытаемся понять смысл его речи, а затем даем подходящий ответ в том же контексте. Верно?

Я считаю, что можно с уверенностью сказать, что искусственный интеллект еще интереснее, когда мы пытаемся соотнести его с деятельностью человека. Вы не согласны? Ну, это все для этой статьи. В следующем я расскажу о некоторых применениях ИИ, следите за обновлениями!

голоса
Рейтинг статьи
Статья в тему:  Что, если искусственный интеллект робота
Ссылка на основную публикацию
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
Adblock
detector