Искусственный интеллект

Искусственный интеллект (ИИ) в широком смысле относится к любому человеческому поведению, демонстрируемому машиной или системой. В самой базовой форме ИИ компьютеры запрограммированы на «подражание» человеческому поведению, используя обширные данные из прошлых примеров подобного поведения. Это может варьироваться от распознавания различий между кошкой и птицей до выполнения сложных действий на производственном предприятии.

Узнайте больше об искусственном интеллекте

Говорите ли вы о глубоком обучении, стратегическом мышлении или другом виде ИИ, в основе его использования лежат ситуации, требующие молниеносной реакции. Благодаря ИИ машины могут работать эффективно и мгновенно анализировать огромные объемы данных, решая проблемы с помощью контролируемого, неконтролируемого или усиленного обучения.

Первые дни ИИ

В то время как его ранние формы позволяли компьютерам играть в такие игры, как шашки против людей, ИИ теперь является частью нашей повседневной жизни. У нас есть ИИ-решения для контроля качества, видеоаналитики, преобразования речи в текст (обработка естественного языка) и автономного вождения, а также решения для здравоохранения, производства финансовых услуг и развлечений.

Мощный инструмент для предприятий и организаций

Искусственный интеллект может быть очень мощным инструментом как для крупных корпораций, генерирующих важные данные, так и для небольших организаций, которым необходимо более эффективно обрабатывать свои звонки с клиентами. ИИ может оптимизировать бизнес-процессы, быстрее выполнять задачи, устранять человеческие ошибки и многое другое.

Краткая история искусственного интеллекта

До 1949 года компьютеры могли выполнять команды, но они не могли помнить, что они делали, поскольку не могли хранить эти команды. В 1950 году Алан Тьюринг обсуждал, как создавать интеллектуальные машины и проверять этот интеллект в своей статье «Вычислительные машины и интеллект». Пять лет спустя первая программа ИИ была представлена ​​на Дартмутском летнем исследовательском проекте по искусственному интеллекту (DSPRAI). Это событие стало катализатором исследований ИИ на следующие несколько десятилетий.

В период с 1957 по 1974 год компьютеры стали быстрее, дешевле и доступнее. Алгоритмы машинного обучения улучшились, и в 1970 году один из ведущих DSPRAI сообщил журналу Life Magazine, что появится машина с общим интеллектом среднего человека в три-четыре года. Несмотря на их успех, неспособность компьютеров эффективно хранить или быстро обрабатывать информацию создала препятствия для создания искусственного интеллекта в течение следующих десяти лет.

ИИ возродился в 1980-х годах с расширением набора алгоритмических инструментов и выделением дополнительных средств. Джон Хоупфилд и Дэвид Румельхарт представили методы «глубокого обучения», которые позволили компьютерам учиться на опыте. Эдвард Фейгенбаум представил «экспертные системы», имитирующие процесс принятия решений человеком. Несмотря на отсутствие государственного финансирования и общественную шумиху, ИИ процветал, и в следующие два десятилетия были достигнуты многие важные цели. В 1997 году действующий чемпион мира по шахматам и гроссмейстер Гэри Каспаров потерпел поражение от IBM Deep Blue, компьютерной программы для игры в шахматы. В том же году программное обеспечение для распознавания речи, разработанное Dragon Systems, было внедрено в Windows. Синтия Бризил также разработала Kismet, робота, который мог распознавать и отображать эмоции.

В 2016 году программа Google AlphaGo обыграла мастера го Ли Седоля, а в 2017 году Libratus, суперкомпьютер для игры в покер, обыграл лучших игроков-людей.

Типы искусственного интеллекта

Искусственный интеллект подразделяется на две основные категории: ИИ, основанный на функциональности, и ИИ, основанный на возможностях.

ИИ, основанный на функциональности

• Реактивная машина — этот ИИ не имеет памяти и не может учиться на прошлых действиях. IBM Deep Blue относится к этой категории.
• Ограниченная теория. С добавлением памяти этот ИИ использует прошлую информацию для принятия более эффективных решений. Обычные приложения, такие как приложения определения местоположения GPS, попадают в эту категорию.
• Теория разума. Этот ИИ все еще разрабатывается с целью очень глубокого понимания человеческого разума.
• Самоосознающий ИИ. Этот ИИ, который мог понимать и вызывать человеческие эмоции, а также иметь свои собственные, все еще остается лишь гипотетическим.

ИИ, основанный на возможностях

• Узкий искусственный интеллект (ANI) — система, выполняющая узко определенные запрограммированные задачи. Этот ИИ сочетает в себе реактивную и ограниченную память. Большинство современных приложений ИИ относятся к этой категории.
• Искусственный общий интеллект (AGI) — этот ИИ способен тренироваться, учиться, понимать и действовать как человек.
• Искусственный суперинтеллект (ASI) — этот ИИ выполняет задачи лучше, чем люди, благодаря своей превосходной обработке данных, памяти и способностям к принятию решений. Сегодня не существует реальных примеров.

Связь между искусственным интеллектом, машинным обучением и глубоким обучением

Искусственный интеллект — это отрасль компьютерных наук, которая стремится имитировать человеческий интеллект в машине. Системы искусственного интеллекта основаны на алгоритмах, использующих такие методы, как машинное обучение и глубокое обучение, для демонстрации «интеллектуального» поведения.

Машинное обучение

Компьютер «обучается», когда его программное обеспечение может успешно предсказывать разворачивающиеся сценарии и реагировать на них на основе предыдущих результатов. Машинное обучение относится к процессу, с помощью которого компьютеры развивают распознавание образов или способность постоянно учиться и делать прогнозы на основе данных, а также могут вносить коррективы без специального программирования для этого. Машинное обучение, форма искусственного интеллекта, эффективно автоматизирует процесс построения аналитической модели и позволяет машинам самостоятельно адаптироваться к новым сценариям.

Четыре шага для построения модели машинного обучения:

1. Выберите и подготовьте набор обучающих данных, необходимый для решения проблемы. Эти данные могут быть помечены или не помечены.
2. Выберите алгоритм для запуска на обучающих данных. Если данные помечены, алгоритм может быть регрессионным, деревом решений или основанным на экземплярах. Если данные не помечены, алгоритм может быть алгоритмом кластеризации, алгоритмом ассоциации или нейронной сетью.
3. Обучите алгоритм для создания модели.
4. Используйте и улучшайте модель.

Существует три метода машинного обучения

1. Контролируемое. Обучение работает с помеченными данными и требует меньшего обучения.
2. Неконтролируемое. Обучение используется для классификации неразмеченных данных путем выявления закономерностей и взаимосвязей.
3. Полуконтролируемое. В обучении используется небольшой помеченный набор данных для классификации большого неразмеченного набора данных.

Глубокое обучение

Глубокое обучение — это подмножество машинного обучения, которое продемонстрировало значительно более высокую производительность по сравнению с некоторыми традиционными подходами к машинному обучению. Глубокое обучение использует комбинацию многослойных искусственных нейронных сетей и обучения, интенсивного обработки данных и вычислений, вдохновленного нашим последним пониманием поведения человеческого мозга. Этот подход стал настолько эффективным, что даже начал превосходить человеческие способности во многих областях, таких как распознавание изображений и речи и обработка естественного языка.

Модели глубокого обучения обрабатывают большие объемы данных и обычно не контролируются или частично контролируются.

Современные приложения для ИИ

ИИ обладает уникальной способностью извлекать смысл из данных, когда вы можете определить, как выглядит ответ, но не можете определить, как его получить. ИИ может расширить возможности человека и превратить экспоненциально растущие данные в идеи, действия и ценность.

Сегодня искусственный интеллект используется во множестве приложений в различных отраслях, включая здравоохранение, производство и правительство. Вот несколько конкретных случаев использования:

• Предписывающее техническое обслуживание и контроль качества улучшают производство и розничную торговлю благодаря открытой структуре для ИТ/ОТ. Интегрированные решения предписывают лучшие решения по техническому обслуживанию, автоматизируют действия и улучшают процессы контроля качества за счет внедрения корпоративных методов компьютерного зрения на основе искусственного интеллекта.
• Обработка речи и языка преобразует неструктурированные аудиоданные в понимание и интеллект. Он автоматизирует понимание устной и письменной речи с помощью машин, использующих обработку естественного языка, аналитику преобразования речи в текст, биометрический поиск или мониторинг звонков в реальном времени.
• Видеоаналитика и видеонаблюдение автоматически анализируют видео, чтобы обнаруживать события, раскрывать личность, окружающую среду и людей, а также получать оперативную информацию. Он использует комплексные системы видеоаналитики для самых разных рабочих нагрузок и условий эксплуатации.
• Высокоавтономное вождение построено на масштабируемой платформе приема данных, что позволяет разработчикам создавать оптимальное решение для высокоавтономного вождения, настроенное для услуг с открытым исходным кодом, машинного обучения и нейронных сетей глубокого обучения.