what is artificial intelligence
Zjistěte, co je umělá inteligence (AI), prvky inteligence a podoblastí AI, jako je strojové učení, hluboké učení, NLP atd.:
Systém počítačových sítí zlepšil lidský životní styl poskytnutím různých typů gadgetů a zařízení, které snižují lidské fyzické a duševní úsilí při provádění různých úkolů. Umělá inteligence je dalším krokem v tomto procesu, který má zefektivnit aplikaci logických, analytických a produktivnějších technologií do tohoto úsilí.
Tento výukový program vysvětlí pomocí různých příkladů, co je umělá inteligence a její definice a komponenty. Prozkoumáme také rozdíl mezi lidskou a strojovou inteligencí.
Co se naučíte:
Co je to umělá inteligence (AI)?
K popisu umělé inteligence jsou k dispozici různé technické definice, ale všechny jsou velmi složité a matoucí. Definici zpracujeme jednoduchými slovy, abyste lépe porozuměli.
Lidé jsou považováni za nejinteligentnější druhy na této Zemi, protože dokážou vyřešit jakýkoli problém a analyzovat velká data pomocí svých dovedností, jako je analytické myšlení, logické uvažování, statistické znalosti a matematická nebo výpočetní inteligence.
S ohledem na všechny tyto kombinace dovedností je vyvinuta umělá inteligence pro stroje a roboty, které přinášejí schopnost řešit složité problémy ve strojích podobně jako ty, které mohou dělat lidé.
Umělá inteligence je použitelná ve všech oborech včetně medicíny, automobilů, aplikací pro každodenní životní styl, elektroniky, komunikací i počítačových síťových systémů.
Takže technicky AI v kontextu s počítačovými sítěmi lze definovat jako počítačová zařízení a síťový systém, který dokáže přesně porozumět nezpracovaným datům, shromáždit z nich užitečná informace a poté použít tato zjištění k dosažení konečného řešení a přiřazení problému flexibilním přístupem a snadno přizpůsobitelnými řešeními.
Prvky inteligence
# 1) Odůvodnění: Je to postup, který nám umožňuje poskytnout základní kritéria a pokyny pro rozhodování, predikci a rozhodování v jakémkoli problému.
Odůvodnění může být dvou typů, jedním je zobecněné uvažování, které je založeno na obecných pozorovaných incidencích a tvrzeních. Závěr může být v tomto případě někdy nesprávný. Druhou možností je logické uvažování, které je založeno na faktech, číslech a konkrétních tvrzeních a konkrétních, zmíněných a pozorovaných případech. Závěr je tedy v tomto případě správný a logický.
# 2) Učení: Jedná se o akci získávání znalostí a rozvoje dovedností z různých zdrojů, jako jsou knihy, skutečné životní události, zkušenosti, výuka některými odborníky atd. Učení zvyšuje znalosti člověka v oblastech, o kterých neví.
Schopnost učení se projevuje nejen lidmi, ale i některými zvířaty a tuto dovednost mají umělé inteligentní systémy.
Výuka je různých typů, jak je uvedeno níže:
- Zvukové učení řeči je založeno na procesu, kdy nějaký učitel přednáší, pak ho slyšící studenti uslyší, zapamatují si ho a poté jej použijí k získání znalostí z něj.
- Lineární učení je založeno na zapamatování si řady událostí, se kterými se člověk setkal a z nichž se poučil.
- Pozorovacím učením se rozumí učení pozorováním chování a mimiky jiných osob nebo tvorů, jako jsou zvířata. Například, malé dítě se učí mluvit napodobováním svých rodičů.
- Percepční učení je založeno na učení identifikací a klasifikací vizuálů a předmětů a jejich zapamatováním.
- Relační učení je založeno na učení se z minulých výskytů a chyb a vynakládá úsilí na jejich improvizaci.
- Prostorové učení znamená učit se z vizuálů, jako jsou obrázky, videa, barvy, mapy, filmy atd., Které lidem pomohou vytvořit si obraz těch, na které myslí, kdykoli to bude potřeba pro budoucí použití.
# 3) Řešení problémů: Jedná se o proces identifikace příčiny problému a nalezení možného způsobu řešení problému. To se provádí analýzou problému, rozhodováním a následným nalezením více než jednoho řešení k dosažení konečného a nejvhodnějšího řešení problému.
Posledním mottem je zde najít nejlepší řešení z dostupných řešení pro dosažení nejlepších výsledků řešení problémů v minimálním čase.
# 4) Vnímání: Jde o fenomén získávání, vyvozování závěru, výběru a systematizace užitečných dat z hrubého vstupu.
U lidí je vnímání odvozeno od zkušeností, smyslových orgánů a situačních podmínek prostředí. Ale pokud jde o vnímání umělé inteligence, je získáván mechanismem umělého senzoru ve spojení s daty logickým způsobem.
# 5) Jazyková inteligence: Jde o fenomén schopnosti člověka nasazovat, zjišťovat, číst a psát verbální věci v různých jazycích. Je základní složkou způsobu komunikace mezi dvěma nebo více jednotlivci a nezbytnou pro analytické a logické porozumění.
Rozdíl mezi inteligencí člověka a stroje
Následující body vysvětlují rozdíly:
# 1) Výše jsme vysvětlili složky lidské inteligence, na jejichž základě člověk provádí různé typy složitých úkolů a řeší různé druhy charakteristických problémů v různých situacích.
#dva) Člověk vyvíjí stroje s inteligencí stejně jako lidé a také poskytují výsledky komplexního problému ve velmi blízké míře stejně jako lidé.
# 3) Lidé rozlišují data podle vizuálních a zvukových vzorců, minulých situací a událostí, zatímco uměle inteligentní stroje rozpoznávají problém a řeší problém na základě předdefinovaných pravidel a nevyřízených dat.
# 4) Lidé si pamatují data z minulosti a vzpomínají na ně, když se je naučili a uchovávali v mozku, ale stroje najdou data z minulosti prohledáváním algoritmů.
# 5) Díky jazykové inteligenci mohou lidé dokonce rozpoznat zkreslený obraz a tvary a chybějící vzorce hlasu, dat a obrázků. Ale stroje tuto inteligenci nemají a používají metodiku počítačového učení a proces hlubokého učení, který k získání požadovaných výsledků opět zahrnuje různé algoritmy.
# 6) Lidé vždy sledují své instinkty, vize, zkušenosti, situace, okolní informace, vizuální a nezpracovaná data, která jsou k dispozici, a také věci, které je učili někteří učitelé nebo starší, aby analyzovali, vyřešili jakýkoli problém a vyšli s některými efektivními a smysluplnými výsledky jakéhokoli problému.
Na druhou stranu, uměle inteligentní stroje na každé úrovni nasazují různé algoritmy, předdefinované kroky, data nevyřízených položek a strojové učení, aby dosáhly některých užitečných výsledků.
# 7) Přestože proces, který sledují stroje, je složitý a zahrnuje spoustu procedur, stále poskytuje nejlepší výsledky v případě analýzy velkého zdroje komplexních dat a v případech, kdy je třeba provádět přesné úkoly různých oborů ve stejnou dobu přesně a přesně přesně a v daném časovém rámci.
oboustranná fronta c ++
Míra chyb v těchto případech strojů je mnohem menší než u lidí.
Dílčí pole umělé inteligence
# 1) Strojové učení
Strojové učení je vlastnost umělé inteligence, která poskytuje počítači schopnost automaticky shromažďovat data a učit se ze zkušeností z problémů nebo případů, se kterými se setkali, spíše než speciálně naprogramované k provedení daného úkolu nebo práce.
Strojové učení zdůrazňuje růst algoritmů, které mohou data prozkoumat a předpovědět je. Hlavní použití je ve zdravotnictví, kde se používá k diagnostice nemoci, interpretaci lékařského skenování atd.
Rozpoznávání vzorů je podkategorie strojového učení. Lze jej popsat jako automatické rozpoznávání plánu ze surových dat pomocí počítačových algoritmů.
Vzorem může být trvalá řada dat v čase, která se používá k předpovědi sledu událostí a trendů, konkrétní charakteristiky vlastností obrázků k identifikaci objektů, opakující se kombinace slov a vět pro jazykovou pomoc a může to být konkrétní sbírka akcí lidí v jakékoli síti, která může naznačovat určitou sociální aktivitu a mnoho dalšího.
Proces rozpoznávání vzoru zahrnuje několik kroků. Vysvětlují se takto:
i) Sběr a snímání údajů: To zahrnuje sběr nezpracovaných dat, jako jsou fyzické proměnné atd., A měření frekvence, šířky pásma, rozlišení atd. Data jsou dvou typů: tréninková data a data učení.
Údaje o školení jsou takové, ve kterých není k dispozici žádné označení datové sady, a systém k jejich kategorizaci používá klastry. Zatímco učící se data mají dobře označenou datovou sadu, takže ji lze přímo použít s klasifikátorem.
ii) Předběžné zpracování vstupních údajů :To zahrnuje filtrování nežádoucích dat, jako je šum, ze vstupního zdroje a provádí se to zpracováním signálu. V této fázi se pro další reference provádí také filtrace již existujících vzorů ve vstupních datech.
(iii) Extrakce funkcí :Různé algoritmy se provádějí jako algoritmus porovnávání vzorů, aby se našel odpovídající vzor, jak je požadováno z hlediska funkcí.
(iv) Klasifikace :Na základě výstupu provedených algoritmů a různých modelů naučených k získání shodného vzoru je třídě přiřazen vzor.
(v) Následné zpracování :Zde je uveden konečný výstup a bude zajištěno, že dosaženého výsledku bude téměř stejně pravděpodobné, že bude zapotřebí.
Model pro rozpoznávání vzorů:
(obraz zdroj )
Jak je znázorněno na obrázku výše, extraktor funkcí odvodí funkce ze vstupních nezpracovaných dat, jako je zvuk, obrázek, video, zvuk atd.
Nyní klasifikátor obdrží x jako vstupní hodnotu a přidělí různé kategorie vstupní hodnotě, jako je třída 1, třída 2…. třída C. na základě třídy dat se provádí další rozpoznávání a analýza vzoru.
Příklad rozpoznání tvaru trojúhelníku prostřednictvím tohoto modelu:
Rozpoznávání vzorů se používá v procesech identifikace a autentizace, jako je hlasové rozpoznávání a autentizace obličeje, v obranných systémech pro rozpoznávání cílů a navigační navádění a v automobilovém průmyslu.
# 2) Hluboké učení
Jedná se o proces učení zpracováním a analýzou vstupních dat několika metodami, dokud stroj neobjeví jediný požadovaný výstup. To je také známé jako samoučení strojů.
Stroj spouští různé náhodné programy a algoritmy k mapování vstupní nezpracované sekvence vstupních dat na výstup. Nasazením různých algoritmů, jako je neuroevoluce a dalších přístupů, jako je gradientní sestup na neurální topologii, se výstup y nakonec zvýší z neznámé vstupní funkce f (x), za předpokladu, že xay jsou korelované.
Zde je zajímavé, že úlohou neuronových sítí je zjistit správnou f funkci.
Hluboké učení bude svědkem všech možných lidských charakteristik a behaviorálních databází a bude probíhat pod dohledem. Tento proces zahrnuje:
jak najít soubory apk na telefonu Android
- Detekce různých druhů lidských emocí a znaků.
- Identifikujte člověka a zvířata podle obrázků, jako jsou konkrétní značky, značky nebo prvky.
- Rozpoznávání hlasu různých reproduktorů a jejich zapamatování.
- Převod videa a hlasu na textová data.
- Identifikace správných nebo nesprávných gest, klasifikace nevyžádaných věcí a případů podvodů (jako jsou podvody).
Všechny ostatní charakteristiky, včetně výše zmíněných, se používají k přípravě umělých neuronových sítí pomocí hlubokého učení.
Prediktivní analýza: Po shromáždění a učení obrovských datových sad se shlukování podobných druhů datových sad provádí přístupem k dostupným sadám modelů, například porovnáním podobného druhu řečových sad, obrázků nebo dokumentů.
Vzhledem k tomu, že jsme provedli klasifikaci a seskupení datových sad, přistoupíme k predikci budoucích událostí, které jsou založeny na důvodech případů současné události, vytvořením korelace mezi oběma z nich. Pamatujte, že prediktivní rozhodnutí a přístup nejsou časově omezené.
Jediným bodem, který je třeba mít na paměti při vytváření predikce, je, že výstup by měl mít nějaký smysl a měl by být logický.
Tím, že se budou opakovat záběry a vlastní analýza, bude u strojů dosaženo řešení problémů. Příkladem hlubokého učení je rozpoznávání řeči v telefonech, které smartphonům umožňuje porozumět odlišným akcentům řečníka a převést jej na smysluplnou řeč.
# 3) Neuronové sítě
Neuronové sítě jsou mozkem umělé inteligence. Jsou to počítačové systémy, které jsou replikou nervových spojení v lidském mozku. Umělé odpovídající neurony mozku jsou známé jako perceptron.
Stoh různých perceptronů spojujících se dohromady vytváří umělé neuronové sítě ve strojích. Před poskytnutím požadovaného výstupu získávají neuronové sítě znalosti zpracováním různých příkladů tréninku.
S využitím různých modelů učení tento proces analýzy dat také poskytne řešení pro mnoho přidružených dotazů, které nebyly dříve zodpovězeny.
Hluboké učení ve spojení s neuronovými sítěmi může rozvinout více vrstev skrytých dat, včetně výstupní vrstvy složitých problémů, a je pomocníkem v podpolích, jako je rozpoznávání řeči, zpracování přirozeného jazyka a počítačové vidění atd.
(obraz zdroj )
Dřívější druhy neuronových sítí byly složeny z jednoho vstupu a jednoho výstupu a nahoře pouze jedna skrytá vrstva nebo pouze jedna vrstva perceptronu.
Hluboké neuronové sítě se skládají z více než jedné skryté vrstvy mezi vstupní a výstupní vrstvou. K rozvinutí skrytých vrstev datové jednotky je proto nutný hluboký proces učení.
V hlubokém učení neuronových sítí má každá vrstva znalosti o jedinečné sadě atributů na základě výstupních funkcí předchozích vrstev. Čím více se dostanete do neuronové sítě, uzel získá schopnost rozpoznat složitější atributy, protože předpovídají a rekombinují výstupy všech předchozích vrstev, aby vytvořily jasnější konečný výstup.
Celý tento proces se nazývá hierarchie funkcí a také známá jako hierarchie komplexních a nehmotných datových sad. Zvyšuje schopnost hlubokých neuronových sítí zpracovávat velmi obrovské a širokoprostorové datové jednotky s miliardami omezení, které projdou lineárními a nelineárními funkcemi.
Hlavním problémem, s nímž se strojová inteligence potýká při řešení, je manipulace a správa neznačených a nestrukturovaných dat ve světě, která jsou rozšířena po všech oblastech a zemích. Neuronové sítě nyní mají schopnost zpracovávat latenci a složité funkce těchto datových podmnožin.
Hluboké učení ve spojení s umělými neuronovými sítěmi klasifikovalo a charakterizovalo nepojmenovaná a nezpracovaná data ve formě obrázků, textu, zvuku atd. Do organizované relační databáze se správným označením.
Například, hluboké učení vezme jako vstup tisíce surových obrázků a poté je roztřídí na základě jejich základních funkcí a postav, jako jsou všechna zvířata, jako jsou psi na jedné straně, neživé věci, jako je nábytek na jednom rohu, a všechny fotografie vaší rodiny na třetí strana tak dokončuje celkovou fotografii, která je také známá jako alba s inteligentními fotografiemi.
Další příklad, uvažujme případ textových dat jako vstupu, kde máme tisíce e-mailů. Hluboké učení zde rozdělí e-maily do různých kategorií, jako jsou primární, sociální, propagační a nevyžádané e-maily podle jejich obsahu.
Dopředné neuronové sítě: Cílem použití neuronových sítí je dosáhnout konečného výsledku s minimální chybou a vysokou úrovní přesnosti.
Tento postup zahrnuje mnoho kroků a každá z úrovní zahrnuje predikci, správu chyb a aktualizace hmotnosti, což je mírný přírůstek pro ko-efektivní, protože se bude pomalu pohybovat k požadovaným funkcím.
Na začátku neuronových sítí neví, která váha a podmnožiny dat způsobí, že se vstup převede na nejvhodnější předpovědi. Bude tedy považovat všechny druhy podmnožin dat a vah za modely pro postupné předpovídání k dosažení nejlepšího výsledku a vždy se poučí ze své chyby.
Například, můžeme neurální sítě s malými dětmi označit, jako když se narodí, nevědí nic o světě kolem sebe a nemají inteligenci, ale jak stárnou, poučí se ze svých životních zkušeností a chyb, aby se staly lepšími lidmi a intelektuály.
Architektura dopředné sítě je znázorněna níže matematickým výrazem:
Vstup * váha = předpověď
Pak,
Základní pravda - předpověď = chyba
Pak,
Chyba * podíl hmotnosti na chybě = úprava
To lze vysvětlit zde, vstupní datová sada je mapuje pomocí koeficientů, aby získala více předpovědí pro síť.
Nyní je předpověď porovnána se základními fakty, které jsou převzaty ze scénářů v reálném čase, fakta končí zkušeností s nalezením míry chyb. Úpravy se provádějí tak, aby se vypořádaly s chybou a vztahovaly k ní podíl vah.
Tyto tři funkce jsou tři základní stavební bloky neuronových sítí, které vyhodnocují vstup, vyhodnocují ztrátu a nasazují upgrade modelu.
jaký je nejlepší e-mail k použití
Jedná se tedy o zpětnou vazbu, která odmění koeficienty, které podporují vytváření správných předpovědí, a zahodí koeficienty, které vedou k chybám.
Rozpoznávání rukopisu, rozpoznávání tváře a digitálního podpisu, identifikace chybějícího vzoru jsou některé příklady neuronových sítí v reálném čase.
# 4) Kognitivní výpočty
Účelem této složky umělé inteligence je iniciovat a urychlit interakci za účelem dokončení složitého úkolu a řešení problémů mezi lidmi a stroji.
Při práci na různých druzích úkolů s lidmi se stroje učí a rozumějí lidskému chování, náladám v různých charakteristických podmínkách a znovu vytvářejí proces myšlení lidí v počítačovém modelu.
Nácvikem stroj získává schopnost porozumět lidskému jazyku a odrazům obrazu. Kognitivní myšlení spolu s umělou inteligencí tak mohou vytvořit produkt, který bude mít akce podobné člověku a může mít také možnosti zpracování dat.
Kognitivní výpočty jsou schopné přijímat přesná rozhodnutí v případě složitých problémů. Aplikuje se tedy v oblasti, která potřebuje vylepšit řešení s optimálními náklady a získává se analýzou přirozeného jazyka a učení založeného na důkazech.
Například, Google Assistant je velmi velkým příkladem kognitivních výpočtů.
# 5) Zpracování přirozeného jazyka
Díky této vlastnosti umělé inteligence mohou počítače interpretovat, identifikovat, lokalizovat a zpracovávat lidský jazyk a řeč.
Koncept představující tuto komponentu je zajistit bezproblémovou interakci mezi stroji a lidským jazykem a počítače budou schopné poskytovat logické odpovědi na lidskou řeč nebo dotaz.
Zaměření zpracování přirozeného jazyka na verbální i písemnou část lidských jazyků znamená aktivní i pasivní režim používání algoritmů.
Generace přirozeného jazyka (NLG) bude zpracovávat a dekódovat věty a slova, kterými lidé mluvili (verbální komunikace), zatímco porozumění přirozenému jazyku (NLU) bude klást důraz na psanou slovní zásobu k překladu jazyka v textu nebo pixelech, kterým lze porozumět stroje.
Aplikace strojů založené na grafických uživatelských rozhraních (GUI) jsou nejlepším příkladem zpracování přirozeného jazyka.
Různé typy překladačů, které převádějí jeden jazyk do druhého, jsou příklady systému zpracování přirozeného jazyka. Příkladem toho je funkce Google hlasového asistenta a hlasového vyhledávače.
# 6) Počítačové vidění
Počítačové vidění je velmi důležitou součástí umělé inteligence, protože umožňuje počítači automaticky rozpoznávat, analyzovat a interpretovat vizuální data ze skutečných obrazů a obrazů jejich zachycením a zachycením.
Zahrnuje dovednosti hlubokého učení a rozpoznávání vzorů pro extrakci obsahu obrázků z jakýchkoli dat, včetně obrázků nebo video souborů v dokumentu PDF, dokumentu Word, dokumentu PPT, souboru XL, grafech a obrázcích atd.
Předpokládejme, že máme složitý obraz svazku věcí, pak jen vidět obraz a zapamatovat si ho není pro každého snadné. Počítačové vidění může zahrnovat řadu transformací do obrazu, aby se extrahovaly bitové a bajtové detaily, jako jsou ostré hrany objektů, neobvyklý design nebo použitá barva atd.
To se provádí pomocí různých algoritmů pomocí matematických výrazů a statistik. Roboti využívají technologii počítačového vidění, aby viděli svět a jednali v situacích v reálném čase.
Aplikace této komponenty se ve zdravotnictví velmi často používá k analýze zdravotního stavu pacienta pomocí MRI, rentgenového záření atd. Používá se také v automobilovém průmyslu k řešení počítačově řízených vozidel a dronů.
Závěr
V tomto tutoriálu jsme nejprve vysvětlili různé prvky inteligence pomocí diagramu a jejich význam pro aplikaci inteligence v reálných situacích k dosažení požadovaných výsledků.
Poté jsme pomocí matematických výrazů, aplikací v reálném čase a různých příkladů podrobně prozkoumali různá dílčí pole umělé inteligence a jejich význam ve strojové inteligenci a reálném světě.
Dozvěděli jsme se také podrobně o strojovém učení, rozpoznávání vzorů a koncepcích neurální sítě umělé inteligence, které hrají velmi důležitou roli ve všech aplikacích umělé inteligence.
V následující části tohoto tutoriálu podrobně prozkoumáme použití umělé inteligence.
Doporučené čtení
- Data Mining vs. Machine Learning vs. Artificial Intelligence vs. Deep Learning
- 10 + NEJLEPŠÍ nejslibnější společnosti v oblasti umělé inteligence (AI) (2021 selektivní)
- 10 nejlepších programů pro umělou inteligenci (recenze softwaru AI v roce 2021)
- Kompletní průvodce umělou neuronovou sítí ve strojovém učení
- 4 kroky k testování Business Intelligence (BI): Jak testovat obchodní data
- Výukový program pro strojové učení: Úvod do ML a jeho aplikací
- 25 nejlepších nástrojů Business Intelligence (nejlepší nástroje BI v roce 2021)
- Druhy strojového učení: Supervised Vs Unsupervised Learning