C искусственный интеллект: Что такое искусственный интеллект (ИИ)? |

Содержание

Искусственный интеллект и интеллектуальная собственность

Стартовая страница
Об ИС
Искусственный интеллект и интеллектуальная собственность

На этой странице

Темы и вопросы
Искусственный интеллект в ВОИС
Искусственный интеллект и предоставление услуг в области ИС
Ссылки по теме

Искусственный интеллект (ИИ) все чаще выступает стимулом прогресса в технике и бизнесе. Он находит широкое применение в самых разных отраслях и оказывает влияние почти на все аспекты творчества. Развитию ИИ способствует наличие больших объемов данных для обучения и повышение доступных вычислительных мощностей. ИИ имеет массу точек соприкосновения с интеллектуальной собственностью (ИС).

Что такое искусственный интеллект?

Единого определения искусственного интеллекта (ИИ) не существует. Как правило, ИИ рассматривается как область информатики, ориентированная на разработку аппаратных средств и систем, способных выполнять задачи, которые принято связывать с человеческим разумом. Двумя сегментами ИИ являются машинное и глубокое обучение. В последние годы с появлением новых методик создания нейронных сетей и новых аппаратных средств ИИ стал в основном восприниматься как синоним термина «глубокое контролируемое машинное обучение».

Как функционирует метод машинного обучения?

Машинное обучение основано на использовании примеров «стимул – реакция» (так называемых структурированных данных или данных для обучения) с целью постоянного совершенствования процесса обучения и принятия машиной самостоятельных решений без прописанного алгоритма, который бы методично указывал последовательность действий. Этот метод имитирует фактический биологический процесс познания: ребенок учится распознавать предметы (например, чашки), ориентируясь на образцы тех же самых предметов (разные виды чашек). Сегодня метод машинного обучения применяется довольно широко, в том числе для фильтрации нежелательных электронных писем, автоматического перевода, распознавания голоса, текста и изображений.

Предлагаем ознакомиться с полным списком вопросов и ответов по теме.

ВОИС: ИИ и ИС – виртуальный опыт

Архивная версия выставки

Направления работы

(Фото: ВОИС)

ИИ и политика в области ИС

В результате распространения ИИ во многих областях техники возникает ряд вопросов политического характера, связанных с ИС. Их лейтмотив можно сформулировать следующим образом: нужно ли менять действующую систему ИС для обеспечения сбалансированной охраны произведений и изобретений, создаваемых машиной, ИИ как такового и данных, лежащих в основе ИИ. ВОИС инициировала открытый процесс, призванный положить начало дискуссии, посвященной последствиям ИИ для политики в области ИС.

(Фото: ВОИС)

ИИ и управление административными процессами в области ИС

В условиях глобальной инновационной экономики спрос на права ИС – патенты, товарные знаки, промышленные образцы и авторское право – стремительно растет и становится более требовательным. Для преодоления растущего числа вызовов, с которыми сталкиваются ведомства ИС, можно использовать потенциал искусственного интеллекта (ИИ), аналитическую обработку больших данных и новые технологии, например блокчейн.

Статьи, репортажи, новости и многое другое – в этом разделе вы найдете материалы по самым популярным темам, связанным с ИИ и ИС.

(Photo: Courtesy of Baidu)

Патентованные технологии компании Baidu, связанные с ИИ: борьба с COVID-19

Компания Baidu предпринимает активные усилия, направленные на то, чтобы применить свой опыт в области искусственного интеллекта (ИИ) и связанных с ним технологий и продуктов в целях поддержки первоочередных мер по сдерживанию пандемии и борьбе с ней.

(ФОТО ПРЕДОСТАВЛЕНО BrightSign)

BrightSign: «умная» перчатка, дающая голос тем, кто не может говорить

Изобретательница из Саудовской Аравии Хадил Айюб, являющаяся основателем базирующегося в Лондоне стартапа BrightSign, рассказывает об истории создания работающей с использованием ИИ «умной» перчатки BrightSign, которая позволяет людям, объясняющимся на жестовом языке, общаться напрямую, не прибегая к помощи сурдопереводчиков.

Инновации и здравоохранение

Большие данные, искусственный интеллект и другие технологии, меняющие облик системы здравоохранения.

(Фото: Alamy Stock Photo / © Hero Images Inc.)

ИИ – электричество нашего мира

Британский ученый в области компьютерной технологии и ведущий аналитик по вопросам ИИ Энрю Ын размышляет о преобразующей силе ИИ и мерах, которые необходимы для того, чтобы заставить эту технологию служить всему человечеству.

Сюжет: ИИ в патентах

Обзор эволюции ИИ через призму патентов.

(Photo: PhonlamaiPhoto / iStock / Getty Images Plus)

Проект «Искусственный изобретатель»

Профессор Райан Эбботт размышляет о проблемах, с которыми столкнется система ИС в контексте все возрастающей роли ИИ, охватывающей в том числе процессы творчества и инноваций.

Тенденции развития технологий – Искусственный интеллект

Исследование ВОИС из серии «Тенденции развития технологий» посвящено искусственному интеллекту.

(ФОТО: ANYABERKUT/ Getty Images))

Право товарных знаков не успевает за развитием ИИ?

Большинство пишущих на тему ИИ уделяет основное внимание последствиям распространения ИИ для правовых норм, регламентирующих вопросы патентов, авторского права и промышленных образцов, но нас интересует другой вопрос: каково влияние ИИ на потребительские привычки, связанные с приобретением товаров и услуг, а, следовательно, и на право товарных знаков.

Ссылки по теме

Услуги в области ИС

Система PCT
Гаагская система
Мадридская система
Служба цифрового доступа (DAS)
Система централизованного доступа к результатам поиска и экспертизы (CASE)

Знания

PATENTSCOPE
Глобальная база данных по брендам
Глобальная база данных по образцам
Законы и договоры в области ИС (WIPO Lex)
Стандарты
Международные классификации
Статистика в области интеллектуальной собственности

Сотрудничество / Политика

Глобальная инфраструктура интеллектуальной собственности
Технические решения для ведомств
Комитет по стандартам ВОИС (КСВ)

Что такое искусственный интеллект (AI)? – Amazon Web Services

Искусственный интеллект (AI) – раздел информатики, который занимается решением когнитивных задач, обычно предназначаемых для человеческого интеллекта, таких как обучение, решение проблем и распознавание шаблонов. Искусственный интеллект (AI) часто ассоциируется с робототехникой и научной фантастикой, но на самом деле он давно вышел за пределы фантастических фильмов. Сегодня искусственный интеллект – это часть продвинутых компьютерных технологий. Одним из выдающихся ученых в этой области является профессор Педро Домингос. Он выделил пять групп ученых, которые вносят вклад в развитие машинного обучения: символисты, сфера которых берет начало в логике и философии; коннекционисты, которые берут знания из нейробиологии; эволюционисты, развивающие методы эволюционной биологии; байесовцы, применяющие математическую статистику и теорию вероятности; и аналогисты, исследования которых базируются на психологии. За последние годы успехи в области статистических вычислений привели к дальнейшему развитию искусственного интеллекта в ряде областей, которые в совокупности обозначаются как «машинное обучение». Аналогичным образом прогресс в области нейронных сетей привел к развитию дополнительной области под названием «глубокое обучение». Машинное обучение и глубокое обучение – это две области компьютерных технологий, начало которым положило исследование искусственного интеллекта.

В широком смысле эти подходы разделяются на «направляемое» и на «произвольное» обучение. В первом случае используются данные с заданным результатом, а во втором – без него.

Каждый день компании производят данные для систем машинного и глубокого обучения, и с увеличением объемов данных AI становится «умнее» и развивается все быстрее и быстрее. Данные извлекаются из хранилищ, таких как Amazon Redshift, собираются с помощью платформ для краудсорсинга, таких как Mechanical Turk, или загружаются динамически с помощью Kinesis Streams. Кроме того, с развитием Интернета вещей и сенсорных технологий данные, которые раньше практически не использовались, теперь стали доступны для анализа, и их объем возрастает в геометрической прогрессии.

Машинным обучением обычно называют методы анализа, основанные на байесовской теории, которые используются для распознавания шаблонов и обучения. В основе машинного обучения лежит набор алгоритмов, которые используют предоставленные данные для обучения и прогнозирования, оптимизируют функцию полезности в условиях неопределенности, распознают в данных скрытые структуры и классифицируют данные в кратким описанием. Машинное обучение часто применяется в тех случаях, когда использование точных программных алгоритмов не обеспечивает достаточной гибкости или неэффективно. Обычный компьютерный код обрабатывает входные данные по алгоритму, заложенному разработчиком, и возвращает соответствующий ответ. Система машинного обучения анализирует входные данные для поиска шаблонов и создает статистический код (модель машинного обучения), который возвращает «правильный результат» на основании предыдущих входных данных (а также выходных данных в случае направляемого обучения). Точность модели машинного обучения во многом зависит от качества и количества накопленных со временем данных.

При использовании качественных данных модель может анализировать многомерные проблемы с миллиардами возможных вариантов и находить оптимальную функцию, которая по входным данным будет прогнозировать корректное значение. Как правило, модели машинного обучения прогнозируют ответ со статистической достоверностью и достаточно надежны. Такие оценочные показатели следует учитывать при принятии решения об использовании моделей машинного обучения или любого отдельного прогнозирования.

Как мы используем машинное обучение в Amazon?

Amazon.com активно использует системы машинного обучения для решения практических задач. Технологии машинного обучения помогают расширять сферу деятельности, улучшать работу сервисов, повышать качество логистики и скорость доставки. Amazon.com запустила платформу AWS, чтобы другие компании могли гибко и экономично использовать эти преимущества в своей ИТ-инфраструктуре, и продолжает делать технологии машинного обучения доступными для других.

Сама структура подразделений разработки Amazon.com и приверженность к решению утилитарных коммерческих проблем с помощью машинного обучения помогают создавать простые, но мощные инструменты и сервисы машинного обучения. Сначала эти инструменты тестируются на критически важных процессах в рамках Amazon.com – и только потом становятся доступны для других компаний, так же, как и другие ИТ-сервисы.

Использование машинного обучения для бизнеса

Машинное обучение часто используется для прогнозирования результатов на основании данных за прошедший период. Например, компании могут использовать машинное обучение для прогнозирования объемов продаж в будущем финансовом квартале на основе информации о демографической ситуации или оценивать, какие клиенты могут разочароваться в конкретном бренде или, наоборот, стать наиболее лояльными к нему, на основе профиля клиента. Такие прогнозы позволяют принимать более эффективные решения, улучшать качество продуктов и снижать расходы на удержание клиентов. Машинное обучение дополняет системы бизнес-аналитики, которые предоставляют информацию о деятельности компании за прошлые периоды, но фокусируется на прогнозах будущих тенденций.

Успешная реализация технологий машинного обучения в компании состоит из нескольких шагов. Прежде всего необходимо определить, какую проблему должна решать система, т. е. какие прогнозы могут быть полезны для компании. Затем необходимо собрать данные за прошлые периоды на основании бизнес-показателей (транзакции, показатели продаж, потери клиентов и т. п.). Эти данные будут использоваться для построения модели машинного обучения. После этого модель машинного обучения будет делать прогнозы, которые можно использовать для принятия более обоснованных бизнес-решений.

Использование машинного обучения в вашей организации

Обнаружение аномалий

Определяйте объекты, события и данные, которые отличаются от ожидаемых результатов или сильно выделяются в своей категории объектов.

Выявление мошенничества

Создавайте предсказательные модели для обнаружения потенциально мошеннических сделок, а также обманных или некорректных описаний.

Отток клиентов

Определяйте клиентов, которые с большой вероятностью могут отказаться от услуг. Это позволяет заблаговременно заинтересовать таких клиентов с помощью акций или индивидуального обслуживания.

Индивидуальная настройка контента

Используйте модели анализа с прогнозированием для рекомендации товаров и отображения на сайте индивидуально настроенного контента на основе предыдущих действий клиента.

Глубокое обучение – это частный случай машинного обучения, в котором используются многоуровневые алгоритмы для более глубокого анализа данных.В таких нелинейных алгоритмах создается не просто объяснимый набор связей, как при простом регрессионном анализе,а распределенные представления данных, которые взаимодействуют друг с другом в зависимости от определенного набора факторов. Если предоставить алгоритмам глубокого обучения большой объем входных данных, они смогут определять взаимоотношения между элементами.Например, это могут быть взаимоотношения между формой, цветом, словами и т п.Затем эти отношения используются для прогнозирования.В случае искусственного интеллекта эффективность алгоритмов глубокого обучения заключается в том, что они могут определять гораздо больше взаимоотношений между объектами, чем способен включить в программу человек, а также находить такие взаимоотношения, которые, возможно, люди вообще не в состоянии обнаружить. При достаточно больших объемах входных данных сеть алгоритмов будет делать прогнозы или интерпретировать очень сложные структуры данных.

Сегментация и классификация изображений и видео

Сверточные нейронные сети работают эффективнее людей во многих задачах, включая задачи классификации объектов. После исследования нескольких миллионов изображений известного содержания такая система алгоритмов сможет определять предмет новых изображений. Во многих сервисах хранения фотографий используются алгоритмы распознавания лиц, основанные на использовании возможностей глубокого обучения. Они легли в основу сервисов Amazon Rekognition, Amazon Prime Photos и Firefly Service от Amazon.

Распознавание речи

Amazon Alexa и другие виртуальные помощники способны распознавать запрос и возвращать ответ.Известно, что люди способны распознавать голос с самого раннего возраста, а вот компьютеры научились распознавать голос и отвечать ему относительно недавно. Задачу распознавания речи достаточно трудно решить, используя только традиционные математические и вычислительные алгоритмы, так как они не позволяют охватить все множество акцентов и речевых шаблонов.С использованием глубокого обучения системы алгоритмов справляются с этой задачей более эффективно и способны распознавать содержание и намерение речи.

Понимание естественных языков

Системы обработки естественных языков предназначены для понимания человеческого языка, эмоциональной окраски текста и контекста.Это позволяет алгоритму распознавать более сложные характеристики, такие как эмоции или сарказм.Наблюдается возрастающая потребность в таких системах, так как компании стремятся автоматизировать службы работы с клиентами с помощью текстовых или голосовых ботов, например таких, которые используются в Amazon Lex.

Сервисы рекомендаций

На страницах интернет-магазинов часто отображается контент, индивидуально настроенный для каждого пользователя: товары, фильмы или новости, которые могут его заинтересовать. Раньше этими материалами занимались сотрудники компаний, создавая связи между товарами. Однако с появлением больших данных и глубокого обучения эту работу вместо людей могут делать программы, в которых соответствующие алгоритмы могут определять потенциально интересные для пользователя товары на основе данных о предыдущих покупках и просмотренных товарах и сопоставления этой информации с информацией о других пользователях.

>> Подробнее о MXnet, открытой системе глубокого обучения, и о том, как начать работу.

Поддержка AWS для Internet Explorer заканчивается 07/31/2022. Поддерживаемые браузеры: Chrome, Firefox, Edge и Safari.
Подробнее »

Что такое искусственный интеллект? | ИИ в бизнесе и корпоративный ИИ

Первое определение искусственного интеллекта (ИИ) дал один из его отцов-основателей, Марвин Минский, который описал его как «науку о том, как заставить машины делать вещи, которые требуют применения интеллекта, когда их делают люди».

Суть этого определения верна и сегодня, однако современные специалисты в области вычислительных систем идут немного дальше и определяют ИИ как систему, способную воспринимать окружающую среду и предпринимать действия для максимизации шансов на успешное достижение своих целей, а также как способность этой системы интерпретировать и анализировать данные таким образом, чтобы она могла обучаться и адаптироваться по ходу дела.

История ИИ

От греческого мифа о Пигмалионе до викторианской сказки о Франкенштейне — люди давно были увлечены идеей создания рукотворного существа, которое могло бы мыслить и действовать как человек. С появлением компьютеров мы поняли, что идея искусственного интеллекта воплотится не в виде самостоятельных независимых сущностей, а в виде набора инструментов и сетевых технологий, способных дополнять потребности человека и приспосабливаться к ним.

Термин «искусственный интеллект» был введен в 1956 году на научной конференции в Дартмутском университете в Хановере (штат Нью-Гэмпшир). С тех пор ИИ и управление данными развивались чрезвычайно взаимозависимым образом. Для выполнения содержательно надежного анализа искусственному интеллекту требуется огромный объем больших данных. А для цифровой обработки большого объема данных системе требуется искусственный интеллект. Таким образом, история ИИ развивалась параллельно с ростом вычислительных мощностей и технологий баз данных.

Сегодня бизнес-системы, которые когда-то могли обрабатывать всего несколько гигабайт данных, способны оперировать терабайтами и использовать ИИ для обработки результатов и проведения анализа в реальном времени. И, в отличие от рукотворного создания, ковыляющего по дороге в деревню, технологии ИИ являются гибкими и отзывчивыми — они призваны улучшать и дополнять своих партнеров-людей, а не заменять их.

Типы ИИ

Искусственный интеллект является одной из самых быстрорастущих областей технологического развития. И все же сегодня даже самые сложные модели ИИ используют только «искусственный интеллект узкого назначения» — самый базовый из трех типов ИИ. Два других типа все еще остаются сюжетом научной фантастики и на данный момент не находят практического применения. Однако, учитывая темпы роста компьютерных наук за последние 50 лет, трудно сказать, куда приведет нас будущее развитие ИИ.

Искусственный интеллект узкого назначения (ANI)

ANI, также известный как «слабый» ИИ, существует уже сегодня. Хотя задачи, которые может выполнять слабый ИИ, могут выполняться с помощью очень сложных алгоритмов и нейронных сетей, они, тем не менее, остаются единичными и ориентированными на достижение цели. Распознавание лиц, поиск в интернете и самодвижущиеся автомобили — все это примеры ИИ узкого назначения. Его относят к категории слабых не потому, что ему не хватает масштаба и мощности, а потому, что ему еще далеко до наличия человеческих компонентов, которые мы приписываем настоящему интеллекту. Философ Джон Серл определяет слабый ИИ как «полезный для проверки гипотезы о разумах, но не являющийся разумом на самом деле».

Искусственный интеллект общего назначения (AGI)

ИИ общего назначения (сильный ИИ) должен быть способен успешно выполнять любые интеллектуальные задачи, которые под силу человеку. Как и системы ИИ узкого назначения, системы общего назначения могут учиться на опыте, выявлять и прогнозировать закономерности — но у них есть возможность сделать еще один важный шаг. Они способны экстраполировать эти знания на широкий спектр задач и ситуаций, которые не могут быть решены с помощью ранее полученных данных или существующих алгоритмов.

Суперкомпьютер Summit — один из немногих подобных суперкомпьютеров в мире, обладающих ИИ общего назначения. Он может выполнять 200 квадриллионов вычислительных операций за одну секунду, на что человеку потребовался бы миллиард лет. Для реального воплощения моделей AGI не обязательно нужна такая грандиозная работоспособность, однако им потребуются вычислительные мощности, которые в настоящее время существуют только на уровне суперкомпьютеров.

Искусственный суперинтеллект (ASI)

Системы типа ASI теоретически обладают полным самосознанием. Они не просто имитируют или понимают поведение человека, но постигают его на фундаментальном уровне.

Наделенные этими человеческими чертами — и усиленные вычислительной и аналитической мощью, значительно превосходящей нашу собственную, — суперинтеллектуальные системы ИИ могут казаться выходцами из научно-фантастических антиутопий о будущем, в котором люди постепенно становятся все большим анахронизмом.

Маловероятно, что кто-то из живущих сегодня людей когда-либо увидит подобный мир; тем не менее, ИИ развивается такими темпами, что мы обязаны учитывать этические ориентиры и механизмы ответственного руководства в ожидании появления искусственного интеллекта, способного превзойти нас почти во всех измеримых аспектах. Как говорил Стивен Хокинг: «Из-за огромного потенциала ИИ важно исследовать, как воспользоваться его преимуществами, избегая при этом потенциальных ловушек».

Преимущества ИИ

Всего пару десятилетий назад использование ИИ в бизнес-операциях находилось на стадии «раннего внедрения», а его потенциал все еще был в некоторой степени теоретическим. С тех пор технологии и приложения ИИ развивались и приносили бизнесу прибыль. к 2024 году расходы на технологии ИИ вырастут более чем в два раза — причем всего лишь с 2020 года. По мере совершенствования технологий искусственного интеллекта растет понимание человеком их потенциала и развивается творческий подход к их применению. Сегодня компании получают все более широкий спектр измеримых преимуществ от систем, работающих на базе ИИ, включая пять нижеперечисленных:

Устойчивость в масштабе организации. Задолго до появления компьютеров компании осознавали ценность сбора и понимания данных о своем бизнесе, рынке и клиентах. По мере роста объемов и сложности массивов данных становилось все труднее точно и своевременно анализировать эти данные. Решения на базе ИИ дают возможность не только управлять большими данными, но и извлекать из них ценную информацию. С помощью ИИ можно автоматизировать сложные процессы, более эффективно использовать ресурсы, а также точнее прогнозировать и успешнее адаптироваться к возникающим сбоям (и возможностям).
Повышение качества обслуживания клиентов. ИИ позволяет компаниям персонализировать предложения услуг и взаимодействовать с клиентами в режиме реального времени. По мере продвижения потребителей по современной воронке продаж от «потенциального клиента» к «конверсии» они генерируют сложные и разнородные наборы данных. ИИ дает бизнес-системам возможность использовать эти данные, а также повысить эффективность обслуживания и взаимодействия с клиентами.
Уверенное принятие решений. Эффективные руководители компаний всегда стремятся принимать оперативные и информированные решения. Чем важнее решение, тем больше вероятность того, что оно будет состоять из множества сложных компонентов и взаимозависимостей. ИИ помогает дополнить мудрость и опыт людей, используя расширенный анализ данных и практические выводы, которые способствуют уверенному принятию решений в режиме реального времени.
Релевантные продукты и услуги. Многие традиционные модели НИОКР опирались на устаревшую информацию. Анализ данных о производительности и обратной связи от клиентов часто проводился только после того, как продукт или услуга выходили на рынок. Не существовало и систем, способных быстро обнаружить потенциальные пробелы и возможности на рынке. С помощью систем на базе ИИ компании могут одновременно и в режиме реального времени просматривать широкий спектр данных. Это позволяет им изменять существующие продукты и вводить новые, основываясь на самых актуальных и свежих данных о рынке и клиентах.
Вовлеченность персонала. Недавний опрос Gallup показал, что компании, сотрудники которых показывают высокий уровень вовлеченности, в среднем оказываются на 21% рентабельнее. Применение технологий ИИ на рабочем месте позволяет снизить бремя рутинных задач и дает сотрудникам возможность сосредоточиться на более полезной работе. Технологии управления персоналом, использующие ИИ, также помогают замечать, когда сотрудники испытывают беспокойство, усталость или скуку. Персонализируя рекомендации по обеспечению благополучия и помогая расставить приоритеты в выполнении задач, ИИ может поддерживать сотрудников и помогать им им восстанавливать здоровый баланс между работой и личной жизнью.

Корпоративный ИИ в действии

С каждым годом все больше компаний осознают выгоды и конкурентные преимущества, которые могут привнести в их деятельность решения на основе искусственного интеллекта. Некоторые сектора, такие как здравоохранение и банковское дело, обладают особенно большими и уязвимыми массивами данных. Для них польза ИИ была очевидна с самых ранних этапов его развития. Но сегодня масштаб и доступность современного ИИ позволяют ему найти применение практически во всех бизнес-моделях. Ниже приведены примеры нескольких таких отраслей.

ИИ в здравоохранении
Наборы медицинских данных являются одними из самых больших, сложных и конфиденциальных в мире. Основной задачей ИИ в здравоохранении является использование этих данных для поиска взаимосвязей между диагностикой и протоколами лечения, а также результатами лечения пациентов. Кроме того, больницы обращаются к решениям ИИ для поддержки других операционных областей и инициатив. К ним относятся удовлетворенность и оптимизация персонала, удовлетворенность пациентов, экономия средств и другие направления. Ознакомьтесь с преимуществами внедрения интеллектуальных технологий и цифровых инструментов в здравоохранении.
ИИ в банковском секторе
Банки и финансовые учреждения испытывают повышенную потребность в безопасности, соблюдении нормативных требований и скорости транзакций — и поэтому одними из первых начали применять технологии ИИ. Такие функции, как боты на основе ИИ, цифровые консультанты по платежам и биометрические механизмы выявления мошенничества, способствуют повышению эффективности и качества обслуживания клиентов, а также снижению рисков и эпизодов мошенничества. Узнайте, как банки обеспечивают комплексное обслуживание при помощи цифровых и интеллектуальных технологий.
ИИ на производстве
Когда устройства и машины подключены к сети с возможностью отправки и получения данных через центральную систему, они образуют сеть Интернета вещей. ИИ не только обрабатывает эту информацию, но и использует ее для прогнозирования возможностей и сбоев, а также для автоматизации оптимальных задач и связанных с ними рабочих процессов. На умных фабриках это распространяется на протоколы производства по требованию для 3D-принтеров и на виртуальные запасы. Узнайте, как компания Adidas использует машинное обучение для производства кроссовок на заказ всего за 24 часа.
ИИ в розничной торговле
Пандемия оказала огромное влияние на покупательские привычки: по сравнению с тем же периодом предыдущего года число онлайн-покупок значительно возросло. Это способствовало формированию чрезвычайно конкурентного и стремительно меняющегося климата в сфере розничной торговли. Покупатели в интернете взаимодействуют с продавцами в самых разных точках контакта и генерируют более крупные объемы сложных и неструктурированных данных, чем когда-либо ранее. Чтобы лучше понимать и использовать эти данные, розничные компании обращаются к решениям на основе ИИ, способным обрабатывать и анализировать разрозненные наборы данных для получения полезных сведений и взаимодействия с клиентами в режиме реального времени. Узнайте, как решить проблемы и реализовать возможности в новых условиях отрасли розничной торговли с помощью интеллектуальных и цифровых технологий.

Этика и проблемы ИИ

В 1948 году пионер информатики Алан Тьюринг сказал: «Компьютер заслуживает того, чтобы его называли умным, если он сможет заставить человека думать, что он имеет дело с человеком». Хотя скорость обработки и аналитические возможности современного компьютера, управляемого ИИ, показались бы Тьюрингу невероятными, он, тем не менее, скорее всего, понял бы этические дилеммы, связанные с таким уровнем мощности. По мере того, как ИИ все лучше понимает и имитирует нас, он все больше кажется человеком. А поскольку мы генерируем все больше персональных данных по цифровым каналам, нам все больше приходится доверять приложениям ИИ, на которых основываются многие наши повседневные действия. Ниже приведено несколько примеров этических проблем, о которых руководители компаний должны знать и отслеживать их.

Ознакомьтесь с рекомендациями SAP по этике ИИ

Ознакомьтесь с принципами управления разработкой и развертыванием наших программных решений для работы с ИИ.

Подробнее

Этичное использование данных о клиентах
В 2020-х годах основная часть информации, которой мы обмениваемся и которую собираем как предприятия или частные лица, поступает по цифровым каналам. На начало 2020 года в мире насчитывалось более 3,5 миллиардов смартфонов, и все они обменивались огромными объемами данных — от местоположения по GPS до личных данных и предпочтений своих пользователей, через социальные сети и поисковое поведение. Поскольку компании получают все более широкий доступ к персональной информации своих клиентов, чрезвычайно важно установить эталонные показатели и постоянно развивающиеся протоколы для защиты конфиденциальности и минимизации рисков.
Предвзятость ИИ
Предвзятость может закрасться в систему ИИ из-за человеческой предвзятости при программировании его алгоритмов или из-за системных предрассудков, которые могут распространяться посредством ошибочных предположений в процессе машинного обучения В первом случае происхождение предвзятости более очевидно. Во втором случае заметить и устранить ее предпосылки может оказаться труднее. Известный пример предвзятости искусственного интеллекта имел место в системе здравоохранения США, где приложения ИИ использовались для распределения стандартов обслуживания. Алгоритм выяснил, что некоторые демографические группы менее способны оплачивать медицинское обслуживание. Затем он экстраполировал эту информацию, чтобы ошибочно отнести эту группу к числу тех, кто имеет меньше прав на обслуживание. Обнаружив эту досадную ошибку, специалисты в области вычислительных систем из Калифорнийского университета в Беркли совместно с разработчиками изменили переменные алгоритма, что позволило снизить уровень предвзятости на 84%.
Прозрачность и объяснимость ИИ
Прозрачность ИИ — это возможность определить, как и почему алгоритм пришел к тому или иному выводу или решению. Алгоритмы искусственного интеллекта и машинного обучения, которые выдают результаты, также как и сами результаты, зачастую настолько сложны, что не поддаются человеческому пониманию. Подобные алгоритмы известны как модели «черного ящика». Для компаний очень важно, чтобы модели данных были справедливыми, беспристрастными, поддавались объяснению и тщательному внешнему анализу. Это особенно критично в таких областях, как авиация или медицина, в которых на карту поставлены жизни людей. Поэтому люди, использующие эти данные, должны максимально серьезно относиться к инициативам по управлению данными.
Дипфейки и фальшивые новости
«Дипфейк» — это слово-гибрид, объединяющее «deep learning» (глубокое обучение) и «fake» (фальшивка). Эта техника использует ИИ и машинное обучение для того, чтобы, как правило, наложить в видеозаписи лицо одного человека на тело другого с такой точностью, чтобы результат был неотличим от оригинала. В своей невинной форме она может привести к таким удивительным визуальным эффектам, как омоложение на 30 лет Роберта Де Ниро и Джо Пеши в фильме «Ирландец». К сожалению, более распространенное использование этого метода — создание правдоподобных фальшивых новостей или представление знаменитостей в графических или компрометирующих видео, в которых они изначально не появлялись.

Подробнее о решениях на базе ИИ

Инструменты ИИ и МО от SAP помогают лучшим компаниям мира.

Подробнее

Новостная рассылка SAP

Подпишитесь сегодня

Подпишитесь на рассылку и будьте в курсе самых важных новостей.

Другие материалы

10 вопросов про искусственный интеллект

Игорь Хапов,

директор по технологиям IBM в России.

1. Что сегодня умеет делать ИИ лучше всего?

Сейчас сложно найти сферу, в которой бы не использовались средства искусственного интеллекта. Причем как там, где раньше человек справлялся вручную, так и в принципиально новых областях. Ведь лучше, когда ИИ привносит что-то новое, ранее недоступное, а не заменяет человека, автоматизируя рутинные операции. В таких сценариях обрабатываются большие объемы данных, значительно сокращается время ответа или возникают другие факторы, с которыми человеку самостоятельно справиться не под силу.

Можно отметить такую тенденцию: если раньше с ИИ экспериментировали преимущественно банки, то сейчас технология активно проникает в реальный сектор экономики.

Современные кейсы чаще всего касаются производственных задач. Причем если еще несколько лет назад эти проекты были скорее предметом научной статьи, то сейчас они играют важную роль в корпоративных процессах. Наглядный пример — прогнозирование отказов типового оборудования. В этом случае недостаточно просто спрогнозировать отказ узла или детали. Нужно классифицировать такие отказы и способы их ремонта, научиться предсказывать те из них, которые следует превентивно устранять. Причем важно уметь прогнозировать отказы с запасом времени, чтобы успеть среагировать.

Другой тенденцией можно назвать рост интереса к задачам по оптимизации. Мы видим, что именно оптимизационные кейсы привлекают особое внимание наших заказчиков.

ИИ в действии: Project Debater

Это первая система искусственного интеллекта, которая может обсуждать сложные темы в живой дискуссии. Цель — помочь людям построить убедительные аргументы и принять взвешенные решения. Project Debator анализирует массивные тексты, строит хорошо структурированную речь по заданной теме, ясно ее излагает, опровергает доводы оппонента. Project Debater помогает людям рассуждать, предоставляя убедительные, основанные на фактах аргументы и ограничивая влияние эмоций, предвзятости или двусмысленности.

2. Какова ситуация в сфере разработки технологий с использованием ИИ сейчас в мире? Какие направления – в фокусе особого внимания компания и разработчиков?

Говоря о технологиях с использованием ИИ, следует понимать, что успешность внедрения ИИ зависит от многих факторов, среди которых необходимое серверное оборудование, программный инструментарий, компетентность сотрудников. А во главе угла — наличие хорошо собранных, классифицированных и непротиворечивых данных. На всех направлениях мы видим колоссальное развитие как со стороны пользователей, так и со стороны вендоров.

Если говорить о фокусах развития, то, в первую очередь, это обеспечение объяснимости и этичности ИИ, а также сокращение когнитивных искажений.

3. А как обстоят дела в России? Где мы «впереди планеты всей», а где отстаем? Что нужно отечественным компаниям, чтобы они были конкурентоспособны в этой сфере?

Исходя из общения с заказчиками, бизнес-партнерами и академическим сообществом, Россия не отстает от мировых тенденций, а в некоторых областях даже является одним из лидеров во внедрении ИИ. Учитывая структуру экономики, ИИ внедряется в первую очередь в геологоразведке, финансовых организациях и нефтегазовой отрасли. Но мы знаем о вполне успешных пилотных проектах и внедрениях в медицине и образовании.

4. У всех на слуху использование ИИ в сфере медицины, производстве беспилотников. А как насчет других отраслей?

Как уже было сказано, сейчас тяжело найти отрасль, которая бы не внедрила ИИ или не рассматривает такую возможность. Например, финансовая отрасль одной из первых начала использовать ИИ, чтобы минимизировать риски утечки информации и взлома путем автоматического выявления аномалий в доступе и использовании корпоративных информационных систем.

Your browser does not support the video tag.

5. Если говорить о таких отраслях, как образование, менеджмент и другие гуманитарные направления – есть ли в них место для ИИ?

Существуют как общие сценарии использования ИИ, так и отраслевые. В менеджменте, например, зачастую приходится принимать решение на основе большого количества вводной информации.

Сейчас ИИ все-таки чаще играет роль советчика, а решения принимает в тех сферах, которые хорошо зарегламентированы и требуют автоматическую реакцию, например, мониторинг инфраструктуры или кибербезопасность.

Что касается гуманитарных направлений, то за последний год значимая часть программ обучения переместилась на онлайн-площадки, и многие образовательные учреждения столкнулись с проблемой нехватки ИИ-решений для составления индивидуальной программы, автоматизации проверки заданий, синтеза речи и перевода голоса в текст.

6. Как подготовить инфраструктуру в компании для внедрения продуктов на основе ИИ?

Говоря о подготовке инфраструктуры для ИИ, мы подразумеваем основные этапы внедрения ИИ:

определение задачи и постановка целей;

сбор, организация и хранение данных;

обучение машинных моделей;

пилотирование проекта и анализ результатов;

масштабирование и ввод в эксплуатацию.

Для каждого этапа нужна соответствующая ИТ-инфраструктура. Для сбора и хранения данных — производительные и емкие системы хранения данных (СХД), для организации, обработки и обучения моделей — специфичное оборудование с использованием GPU, TPU или CPU. Для промышленного внедрения нужны производительные и отказоустойчивые сервера с быстрыми интерфейсами, такие как IBM POWER Systems.

ИИ в действии: Mayflower

Mayflower — это полностью автономное морское исследовательское судно с искусственным интеллектом. Его цель — сбор критически важных данных об океане. На борту установлено научное оборудование. В роли капитана корабля – ИИ. Ассимилируя данные из ряда источников, ИИ постоянно оценивает свой маршрут, статус и миссию и принимает решения о том, что делать дальше. Камеры и системы компьютерного зрения сканируют горизонт в поисках опасностей, а потоки метеорологических данных выявляют потенциально опасные штормы.

7. В какой перестройке нуждаются бизнес-процессы компании, которая планирует внедрять ИИ?

Изменение бизнес-процессов — это всегда творческий процесс, как, собственно, и стратегический выбор между цифровизацией и цифровой трансформацией. Будет ли необходимость в изменении бизнес-процессов или нет, зависит как от сценария внедрения ИИ, так и от стратегии компании. Зачастую эффективней внедрить ИИ в текущий бизнес-процесс, чтобы остальные участники не почувствовали неудобств. Но иногда необходимо полностью поменять подход и даже подумать над изменением уровня отраслевых стандартов или регулятивной базы.

Если говорить о навыках в области ИИ-этики и науке о данных, то острая нехватка квалифицированных кадров, безусловно, тормозит развитие на глобальном уровне. Быстрого решения этой проблемы нет, но компании могут инвестировать в развитие навыков у сотрудников и, опять же, использовать средства ИИ для персонализации обучения, как это делает IBM.

8. Какие слабые стороны есть у ИИ и продуктов на его основе? Чего он не может и не сможет никогда?

Если опустить разговоры про отсутствие на сегодняшний день сильного или общего искусственного интеллекта, то слабые стороны ИИ сейчас во многом определяются уровнем соблюдения этики или способностью построить объективно справедливые модели, а также качеством используемых данных.

9. Искусственный интеллект – очень мощный инструмент. Каковы сейчас ключевые подходы к этике использования ИИ?

В IBM выделяют следующие ключевые подходы к вопросам этики искусственного интеллекта:

1. Цель ИИ — дополнить человеческий интеллект. Компания IBM придерживается мнения, что ИИ поможет сделать работу каждого из нас более эффективной, а достижения эпохи ИИ должны быть доступны многим людям.

2. Данные и аналитические материалы принадлежат создателю. Данные и аналитическая информация клиентов IBM принадлежат клиентам.

3. Новые технологии, включая системы ИИ, должны быть прозрачными и обоснованными. ИТ-компаниям нужно иметь четкое представление о том, кто обучает системы ИИ, какие данные лежат в основе обучения и, что особенно важно, на чем основаны рекомендации алгоритмов.

ИИ в действии: RoboRXN

Удаленная химическая лаборатория RoboRXN построена на базе технологии RXN for Chemistry и управляется через облако. В ее основе — модель искусственного интеллекта, которая постоянно изучает особенности химических веществ и рекомендует правильную последовательность операций по «приготовлению» конкретной целевой молекулы. Технология помогает химикам прогнозировать химические реакции с точностью до 90%.

10. Каков ваш прогноз по развитию ИИ в ближайшие 20 лет?

C одной стороны, 20 лет — большой срок. Но на деле это совсем не так, ведь ИИ-системы изучаются и развиваются с 50-х годов прошлого века.

С учетом текущей динамики, граница между реальным миром и его цифровым двойником продолжит стираться.

Произойдет смешение технологий: квантовые вычисления, облачные вычисления и ИИ-решения сольются в единые гибридные платформы, с помощью которых можно будет создавать, тестировать и развертывать пользовательские сценарии. Сейчас для успешного создания и внедрения ИИ нужна квалифицированная команда, но через 20 лет этому будут учить в школе. Скорее всего, развитие ИИ пойдет по направлению углубления и персонализации. У каждого будет свой персональный ИИ-помощник, соответствующий характеру работы и частной жизни. Таким образом, искусственный интеллект станет менее искусственным и более интеллектуальным.

Беседовала Наталья Горова

Фото и видео: IBM.com; Depositphotos.com; Pixabay.com.

Что такое искусственный интеллект? | Microsoft Azure

Это способность компьютерной системы имитировать когнитивные способности человека, такие как обучение и решение задач.

Как работает искусственный интеллект (ИИ)?

Используя математические функции и логику, компьютерная система имитирует процессы изучения новых сведений и принятия решений у людей.

Компьютерная система с искусственным интеллектом делает прогнозы или принимает меры на основе закономерностей в существующих данных, а затем может обучаться на основе ошибок для повышения точности. Обученный ИИ обрабатывает новые сведения очень быстро и точно. Это полезно для сложных сценариев, таких как беспилотные автомобили, программы распознавания изображений и виртуальные помощники.

Связь ИИ с машинным обучением

Машинное обучение считается подмножеством ИИ. Машинное обучение ориентируется на анализ данных и обучение на их основе подобно человеческому мозгу. Это методика, которая помогает разрабатывать системы ИИ.

Что такое машинное обучение

Связь ИИ с когнитивными API

API (прикладные программные интерфейсы) позволяют подключать приложения к другим системам, службам или приложениям. При использовании когнитивных API вы запрашиваете доступ к библиотеке интеллектуальных моделей, зависящих от домена.

Подробнее об Azure Cognitive Services

Связь ИИ с обработкой и анализом данных

Как при использовании ИИ, так и при обработке и анализе данных выполняется объединение, анализ и сбор больших наборов данных. Но цели у этих процессов разные. ИИ ориентируется на принятие решений на основе данных. А при обработке и анализе данных из них извлекаются аналитические сведения с помощью математики, статистики и машинного обучения.

Связь ИИ с робототехникой

Робот обычно имеет как физическую форму, так и программное обеспечение, которое управляет им. Роботы, контролируемые программным обеспечением ИИ двигаются автономно, им не нужны прямые указания от человека. Но не всеми роботами управляет ИИ, и не все системы ИИ требуют физической формы.

Типы искусственного интеллекта

Узкий искусственный интеллект (узкий ИИ)

Узкий искусственный интеллект (иногда называется «слабым ИИ») — это способность компьютерной системы выполнять узкоспециализированные задачи лучше, чем человек.

Узкий ИИ — это самый высокий уровень развития ИИ, достигнутый человечеством на текущий момент. Любой пример ИИ, который сегодня можно увидеть в реальном мире, подпадает под эту категорию, включая автономные транспортные средства и персональных цифровых помощников. Даже если кажется, что ИИ самостоятельно мыслит в режиме реального времени, фактически он координирует несколько узких процессов и принимает решения в рамках предварительно определенной структуры. В «мышлении» ИИ нет осознания и эмоций.

Искусственный интеллект общего назначения (ИИ общего назначения)

Искусственный интеллект общего назначения (иногда называется «сильным ИИ» или «ИИ уровня человека») — это способность компьютерной системы превосходить людей при выполнении любой интеллектуальной задачи. Это тип ИИ, который можно увидеть в фильмах, где роботы осознанно мыслят и руководствуются собственными мотивами.

Теоретически компьютерная система, использующая ИИ общего назначения, сможет решать сложные задачи, выполнять оценку в неопределенных ситуациях, а также применять полученные знания для принятия решений. Творческие способности и воображение такой системы не будут уступать человеческим. Она сможет выполнять гораздо больше задач, чем узкий ИИ.

Искусственный суперинтеллект (ASI)

Компьютерная система с искусственным суперинтеллектом сможет превзойти человека практически в любой области, включая научные творческие способности, общие знания и социальные навыки.

Машинное обучение

Машинное обучение — это процедура, которой следуют компьютерные системы для реализации искусственного интеллекта. При этом с помощью алгоритмов выявляются закономерности в данных. На основе этих закономерностей создается модель данных для прогнозирования.

Модели машинного обучения обучаются на основе подмножеств данных. Если данные, используемые для обучения модели, точно представляют полный набор данных, который будет анализироваться, алгоритм позволяет вычислить более точные результаты. Если модель машинного обучения достаточно хорошо обучена для быстрого и точного выполнения задач, чтобы быть полезной и надежной, она реализует узкий ИИ.

Глубокое обучение

Глубокое обучение — это расширенный тип машинного обучения, в котором используются сети алгоритмов, имитирующие структуру мозга, называемые нейронными сетями. Глубокая нейронная сеть включает вложенные нейронные узлы. Поэтому при каждом вопросе, на который она отвечает, возникает набор связанных вопросов.

Для глубокого обучения обычно требуется большой набор данных. Учебные наборы для глубокого обучения иногда состоят из миллионов точек данных. После обучения глубокой нейронной сети на основе этих больших наборов данных она может справиться с более высоким уровнем неопределенности, чем неглубокая сеть. Это делает ее полезной для таких областей применения, как распознавание изображений, где с помощью ИИ нужно найти края фигуры для определения изображенного объекта. Кроме того, глубокое обучение лежит в основе ИИ, превосходящего мозг человека в сложных играх, таких как шахматы.

Примеры использования искусственного интеллекта

Компании по всему миру уже используют ИИ в самых разных приложениях. Отрасль интеллектуальных технологий активно развивается. Вот несколько примеров современного практического использования ИИ:

Беспилотные автомобили

Один из наиболее сложных примеров применения ИИ в мире — это беспилотные автомобили и другие автономные транспортные средства. Эти системы координируют множество процессов для моделирования факторов, которыми руководствуются люди за рулем автомобиля. Они используют функцию распознавания изображений для определения знаков, сигналов, потока транспорта и препятствий. Такие системы оптимизируют маршруты, по которым движутся к назначению. Они отправляют и получают данные в режиме реального времени, чтобы заблаговременно выявлять проблемы и обновлять программное обеспечение.

Боты и цифровые помощники

Беседа — это естественный способ общения между людьми. С развитием технологии ИИ интерфейсы для общения становятся все более популярными. Некоторые интерфейсы узкоспециализированы. Их используют для одной задачи, например для резервирования билетов на фильмы или для компиляции потоков Twitter в одну историю. Другие же работают аналогично личным помощникам. Они помогают справляться с самыми разными задачами. Но во всех интерфейсах для общения используется распознавание естественной речи (NLU) для интерпретации запросов (также известных как речевые фрагменты) и предоставления ответов с актуальной информацией.

Системы рекомендаций

Одна из наиболее распространенных областей применения ИИ — рекомендации на основе исторических данных. Например, если служба потоковой передачи мультимедиа предоставляет рекомендации по просмотру или прослушиванию, в ней используется ИИ для анализа того, что вы смотрели или слушали ранее, фильтрации всех доступных вариантов на основе их атрибутов и предоставления вам сведений о вариантах, которые заинтересуют вас с наибольшей вероятностью. Когда вы приобретаете что-то на веб-сайте и получаете рекомендации по добавлению в корзину аксессуаров или связанных продуктов, этот веб-сайт использует ИИ аналогичным образом.

Фильтры нежелательной почты

Многие платформы электронной почты используют ИИ, чтобы фильтровать нежелательную почту. Когда в систему приходит новое письмо, ИИ анализирует его на предмет сигналов, указывающих на нежелательную почту. Если сообщение электронной почты соответствует заданным критериям, оно отмечается как спам и помещается в карантин. Кроме того, система учитывает ваши действия (когда вы снимаете неправильно установленные флаги или отмечаете нежелательные сообщения электронной почты, которые не были определены фильтром), обучается и корректирует параметры.

Технология умного дома

Практически во всех средствах автоматизации в вашем доме используется ИИ. К примерам относятся интеллектуальные лампы, управлять которыми можно с помощью команд, интеллектуальные термостаты, которые изучают ваши предпочтения и автоматически настраиваются в течение дня, а также интеллектуальные пылесосы, которые учатся передвигаться по дому без указаний.

Анализ медицинских данных

Организации в отрасли здравоохранения по всему миру используют ИИ при исследовании, тестировании, диагностике, лечении и мониторинге. Некоторые из них применяют ИИ для анализа образцов ткани и обеспечения более точной диагностики. В некоторых компаниях с помощью ИИ анализируют данные клинических исследований и выявляют недочеты в планах лечения пациентов. Кроме того, химики используют ИИ для анализа миллиардов соединений, чтобы ускорить поиск и выявление подходящих кандидатов для клинических исследований.

Преимущества искусственного интеллекта

ИИ предоставляет реальные преимущества почти для всех отраслей. Вот несколько важных преимуществ, которые уже подтверждены различными компаниями.

Круглосуточная доступность

Интеллектуальные компьютерные системы не имеют таких биологических потребностей, как люди, и могут работать в течение дня без перерывов.

Обмен данными в большом масштабе

С помощью ботов и виртуальных агентов компании могут предоставлять дополнительные возможности и поддержку большему числу пользователей одновременно.

Автоматизация повторяющихся задач

При использовании ИИ для выполнения повторяющихся и длительных операций сотрудники предприятия могут сосредоточиться на более стратегически важных и приоритетных задачах.

Более быстрые и точные решения

ИИ сокращает число ошибок, вызванных человеческим фактором. Это делает технологию очень полезной в сценариях, которые требуют обработки больших объемов данных и множества сложных вычислений.

Более актуальные рекомендации

С помощью ИИ вы можете предоставлять более актуальные рекомендации и предложения своим клиентам в зависимости от их интересов и привычек.

Приступайте к экспериментам с использованием ИИ

Создавайте и обучайте модели машинного обучения, добавляйте в приложения средства аналитики и преобразуйте неструктурированную информацию в данные, доступные для поиска, с помощью интеллектуального анализа знаний. Приступайте к работе, воспользовавшись 12 службами ИИ, которые доступны бесплатно в течение 12 месяцев.

Опробовать ИИ Azure

Открытое образование — Введение в искусственный интеллект

Select the required university:

———

Закрыть

Курс «Сбор и анализ данных в Python» поможет овладеть навыками Data Culture.

About
Format
Requirements
Course program
Abilities
Education results

About

Курс является вводным и знакомит слушателей с основами науки о данных и принципами работы искусственного интеллекта. Курс будет интересен и полезен не только тем, кто уже знаком с основами анализа данных и программированием, но и тем, кто не имеет бэкграунда в этой области.

За последние десятилетия во многих областях науки и индустрии стали накапливаться большие объемы данных, а также стали развиваться методы машинного обучения, позволяющие извлекать из этих данных знания и экономическую пользу. Сегодня методы анализа данных позволяют решать настолько сложные задачи, что в применении к ним всё чаще используют термин “искусственный интеллект”.

Задача онлайн курса от НИУ ВШЭ — дать слушателям базовое представление о методах искусственного интеллекта, познакомить с терминологией и научить применять некоторые из методов для решения несложных задач. В процессе обучения вы дистанционно узнаете больше о мире искусственного интеллекта, его методах и даже самостоятельно научитесь обучать несложные модели на готовых данных.

Format

Курс состоит из коротких видеолекций от 5 до 15 минут длиной. После каждого фрагмента лекции предлагаются не оцениваемые вопросы на понимание прослушанного материала. Если вам не удается ответить на вопрос, мы очень рекомендуем прослушать фрагмент еще раз и затем только переходить к следующему фрагменту лекции.

На каждой неделе будет представлен оцениваемый тест из 10-15 вопросов. Также для нескольких тем будут предложены расчетные задачи и задания с взаимным оцениванием. Эти задания помогут закрепить полученные знания.

Requirements

Перед изучением курса мы рекомендуем вам изучить курсы …

Course program

Введение в искусственный интеллект
Введение в машинное обучение
Машинное обучение в задачах классификации
Введение в машинное обучение: кластеризация и визуализация данных
Введение в теорию вероятностей
Введение в математическую статистику
A/B тестирование
Основы визуализации данных
Введение в нейронные сети
Нейронные сети в задачах распознавания изображений
Нейронные сети в задачах стилизации изображений
Другие задачи искусственного интеллекта: рекомендательные системы и ассоциативные правила

Education results

В результате усвоения курса слушатели научатся:

Обучать несложные модели на готовых данных в Orange
Интерпретировать статистические данные
Проводить разведывательный анализ данных
Понимать основные ошибки в рассуждениях на основе данных
“Отличать случайное от неслучайного” — проверять гипотезы
Грамотно визуализировать результаты исследований

Abilities

Курс позволяет освоить следующие компетенции в соответствии с Рекомендациями к дополнительным профессиональным программам ИТ-профиля, реализуемым в рамках проекта «Цифровые кафедры» университета–участника программы стратегического академического лидерства «Приоритет-2030»:

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Применяет искусственный интеллект и машинное обучение
Уровень: Базовый

«Сфера: Искусственный интеллект и машинное обучение
Компетенция: Решает задачи искусственного интеллекта (ИИ)
Уровень: Базовый»

После завершения курсы мы рекомендуем вам обратить внимание на курсы Сбор и анализ данных в Python, Основы машинного обучения, Математическая статистика и А‍/‍В тестирование, Продвинутые методы машинного обучения, Статистические методы анализа данных, Python как иностранный, Основы программирования на Python, Анализ текстовых данных, Python для извлечения и обработки данных, Цифровая грамотность и Компьютерное зрение.

Национальный исследовательский университет «Высшая школа экономики»

Мягких Павел Игоревич

Position: приглашенный преподаватель Департамента больших данных и информационного поиска/Факультет компьютерных наук

Трусов Иван Алексеевич

Position: Приглашенный преподаватель Департамента больших данных и информационного поиска, Факультет компьютерных наук

Бурова Маргарита Борисовна

Магистр

К сожалению, мы не гарантируем корректную работу сайта в вашем браузере. Рекомендуем заменить его на один из предложенных.

Также советуем ознакомиться с полным списком рекомендаций.

Google Chrome

Mozilla Firefox

Apple Safari

Что вам нужно для искусственного интеллекта C++ шаг за шагом

Здравствуйте, разработчики C++,

На этой неделе мы опубликовали новые статьи об очень базовых технологиях искусственного интеллекта вводного уровня на сайте LearnCPlusPlus.org для профессионалов и начинающих. В этих статьях мы пытаемся объяснить, как ИИ работает на уровне программирования и как вы можете разрабатывать свои собственные модели нейронов, сетевые модели или свои собственные функции активации на C++. В последние десятилетия в технологиях искусственного интеллекта наблюдаются стремительные тенденции. В настоящее время многие компании разрабатывают приложения для искусственного интеллекта (ИИ), и совершенно очевидно, что за последние 10 лет наблюдается очевидный рост количества патентов, связанных с ИИ. Это также хорошая область исследований; в академических исследованиях большой пробел. Компьютеров, мыслящих как человек, в нашем мире по-прежнему нет, но день ото дня мы становимся все ближе. Существует множество языков программирования, поддерживающих программирование на уровне ИИ, и, помимо этих модульных языков программирования, C++ и Delphi являются двумя лучшими языками программирования, поскольку они являются скомпилированными языками программирования, которые позволяют разрабатывать более быстрые приложения ИИ, чем большинство других интерпретируемых языков программирования. например, Java, Python, Basic и т. д.

Программное обеспечение C++ способно разрабатывать высококачественные собственные приложения искусственного интеллекта в различных операционных системах, включая элементы пользовательского интерфейса с высоким разрешением, многопоточные приложения могут быть интегрированы с камерой и другими датчиками, такими как периферийные устройства устройства этой операционной системы, они могут поддерживаться с более быстрыми методами 2D и 3D визуализации. Если вы новичок в C++ Builder и/или RAD Studio, мы думаем, что эти статьи могут помочь вам не меньше, чем быстрое введение в программирование ИИ на C++. Для тех, кто, возможно, хочет расширить свои знания с помощью самых современных функций, подпрограмм и методологий, это отличный небольшой толчок (каламбур) к вашим знаниям C++. новый RAD Studio 11 , C++ Builder 11, Delphi 11 выпущены с отличными новыми функциями, и мы разрабатываем и тестируем для вас новые примеры с последней версией RADS 11. Это означает, что примеры LearnCPlusPlus.org хорошо работают с последней версией C++ Builder. .

Вы можете увидеть больше наших сообщений о C++ в этом блоге, нажав на следующую ссылку динамического поиска: https://blogs.embarcadero.com/?s=C%2B%2B

Вот наши сообщения о низком уровне и базовые технологии искусственного интеллекта,

Как мы можем использовать C++ Builder в приложениях ИИ наиболее современным и эффективным способом?

Эти сообщения предназначены для того, чтобы облегчить понимание современных и профессиональных способов, которые мы используем в C++. Вот темы:

Это как создавать модели искусственных нейронов в C++
Как создавать бинарные/шаговые функции AI/Хевисайда в C++
Что такое функция активации SoftPlus в нейронных сетях C++?
Что нужно знать о линейных единицах измерения ошибки Гаусса в C++
Зачем вам знать функции искусственной нейронной сети ELU
Узнайте о саморегуляризованной немонотонной (Mish) функции активации

На какие вопросы ИИ в C++ мы отвечаем?

Вот вопросы, на которые мы отвечаем в этой подборке:

Что такое простой искусственный нейрон в C++?
Как мы можем написать простой нейрон ИИ на C++?
Должны ли мы использовать массивы, классы или структуры?
Какие методы можно использовать для разработки моделей нейронов или нейронных сетей на C++?
Что такое бинарная ступенчатая функция?
Должны ли мы использовать бинарную ступенчатую функцию или ступенчатую функцию Хевисайда?
Являются ли функции бинарного шага и функции шага Хевисайда одним и тем же?
Что такое функция единичного шага?
Что такое функция активации SoftPlus в ANN?
Как мы можем использовать функцию активации SoftPlus в C++?
Что такое линейная единица ошибки Гаусса?
Как мы используем функцию активации GELU в ANN?
Где мы можем использовать GELU в технологиях искусственного интеллекта?
Что такое экспоненциальная линейная единица или ELU?
Как мы можем использовать функцию активации ELU?
Что такое функция активации Миш?
Что такое саморегуляризованная немонотонная функция активации в нейронных сетях?
Как мы можем использовать функцию Миша в ИНС?
Где мы можем использовать Мишу в технологиях ИИ?
Где можно найти дополнительные примеры функций активации на C++?

Где я могу найти ответы на свои вопросы об ИИ?

На сайте LearnCplusPlus. org есть ответы на эти вопросы! Вот коллекция сообщений C++, которые отвечают на все эти основные вопросы об искусственном интеллекте и многое другое:

Как создавать модели искусственных нейронов на C++

Как создавать бинарные/шаговые функции ИИ на C++

Что такое активация SoftPlus Функция в нейронных сетях С++?

Что нужно знать о линейных единицах измерения ошибки Гаусса в C++

Зачем нужно знать функции искусственной нейронной сети ELU

В дополнение к сообщениям выше, если вы читаете ежедневно или еженедельно, помните, что мы уже публиковали сообщение о функции активации Mish, вот этот пост.

AI Techs :: Узнайте о саморегуляризованной немонотонной (Mish) функции активации

Вы можете найти новые посты о технологиях AI, где мы ответили на многие вопросы с простыми объяснениями и примерами на C++. Эти сообщения могут помочь вам в разработке собственных моделей ИИ, нейронных сетей, библиотек или других инструментов. В зависимости от ваших исследований может появиться много новых моделей. Мы постарались сделать эти посты простыми, чтобы понять различные способы программирования ИИ на C++.

Мы продолжаем добавлять новые темы о C++ в целом и отдельные темы для C++ Builder, Dev-C++ и других компиляторов C++. Пожалуйста, следите за нашим веб-сайтом LearnCPlusPlus.org, чтобы быть в курсе последних сообщений и обновлений. Не стесняйтесь оставлять комментарии и делиться ими со своими коллегами, студентами, участниками — знание — это сила, а обмен знаниями — это сила.

Узнайте, что предлагает своим пользователям код Lightning Staff, например платформы с низким кодом, и насколько удобен его интерфейс перетаскивания.

Узнайте больше о наборе C++ и о том, как он может помочь вам отсортировать уникальные элементы.

C++ Builder — это самая простая и быстрая среда разработки C и C++ для создания простых или профессиональных приложений в операционных системах Windows, MacOS, iOS и Android. Новичкам также легко учиться благодаря большому количеству примеров, руководств, файлов справки и поддержке LSP для кода. Версия C++ Builder от RAD Studio поставляется с удостоенной наград платформой VCL для высокопроизводительных собственных приложений Windows и мощной платформой FireMonkey (FMX) для кроссплатформенных пользовательских интерфейсов.

Существует бесплатная C++ Builder Community Edition для студентов, начинающих и стартаперов; его можно скачать отсюда. Для профессиональных разработчиков существуют версии C++ Builder Professional, Architect или Enterprise, а пробную версию можно скачать здесь.

Сократите время разработки и быстрее выходите на рынок с помощью RAD Studio, Delphi или C++Builder.
Дизайн. Код. Скомпилировать. Развертывать.
Начните бесплатную пробную версию Обновите сегодня

Бесплатная версия Delphi Community Бесплатная версия C++Builder Community Edition

Управление согласием

Что такое искусственный интеллект? (AI)

Что такое искусственный интеллект?

Искусственный интеллект определяется как способность цифрового компьютера или управляемого компьютером робота выполнять задачи, обычно связанные с разумными существами. ИИ также определяется как

Разумная сущность, созданная людьми
Способен разумно выполнять задачи без явных указаний.
Способен мыслить и действовать рационально и гуманно.

Неспециалист с поверхностным пониманием технологий связал бы их с роботами. Они сказали бы, что искусственный интеллект — это фигура, похожая на терминатора, которая может действовать и думать самостоятельно.

Если вы спросите исследователя ИИ об искусственном интеллекте, он(а) скажет, что это набор алгоритмов, которые могут давать результаты без явных инструкций. Интеллект, демонстрируемый машинами, известен как искусственный интеллект. Искусственный интеллект стал очень популярным в современном мире. Это имитация естественного интеллекта в машинах, запрограммированных на обучение и имитацию действий людей. Эти машины способны учиться на опыте и выполнять задачи, подобные человеческим. Поскольку такие технологии, как ИИ, продолжают развиваться, они будут оказывать большое влияние на качество нашей жизни. Вполне естественно, что сегодня каждый хочет каким-то образом подключиться к технологии искусственного интеллекта, будь то конечный пользователь или карьера в области искусственного интеллекта.

Содержание

Что такое искусственный интеллект?
Как работает искусственный интеллект?
Какие существуют типы искусственного интеллекта?
Где используется ИИ?
Каковы предпосылки для искусственного интеллекта?
История искусственного интеллекта
Применение искусственного интеллекта в бизнесе
Повседневное применение искусственного интеллекта
Работа с искусственным интеллектом
Карьерные тенденции в области ИИ
Будущее искусственного интеллекта

Как мы можем измерить, действует ли искусственный интеллект как человек?

Даже если мы достигнем такого состояния, когда ИИ сможет вести себя как человек, как мы можем быть уверены, что он продолжит вести себя таким же образом? Мы можем основывать сходство сущности ИИ с человеком на:

Тесте Тьюринга
Подходе когнитивного моделирования
Подходе закона мышления
Подходе рационального агента

Давайте подробно рассмотрим, как работают эти подходы:

Что такое тест Тьюринга в искусственном интеллекте?

В основе теста Тьюринга лежит то, что сущность искусственного интеллекта должна иметь возможность вести диалог с агентом-человеком. В идеале агент-человек не должен делать вывод, что он разговаривает с искусственным интеллектом . Для достижения этих целей ИИ должен обладать следующими качествами:

Обработка естественного языка для успешного общения.
Представление знаний действует как его память.
Автоматическое мышление использует сохраненную информацию, чтобы отвечать на вопросы и делать новые выводы.
Машинное обучение для выявления закономерностей и адаптации к новым обстоятельствам.

Подход к когнитивному моделированию

Как следует из названия, этот подход пытается построить модель искусственного интеллекта на основе человеческого познания. Чтобы выделить сущность человеческого разума, есть 3 подхода:

Самоанализ : наблюдение за нашими мыслями и построение модели на их основе
Психологические эксперименты : проведение экспериментов на людях и наблюдение за их поведением сценарии и воспроизводить это с помощью кода.

Законы мыслительного подхода

Законы мысли — это большой список логических утверждений, управляющих работой нашего разума. Те же самые законы могут быть кодифицированы и применены к алгоритмам искусственного интеллекта. Проблема с этим подходом заключается в том, что решение проблемы в принципе (строго по законам мышления) и решение их на практике могут быть совершенно разными, требующими применения контекстуальных нюансов. Кроме того, есть некоторые действия, которые мы предпринимаем, не будучи на 100% уверенными в результате, которые алгоритм не сможет воспроизвести, если будет слишком много параметров.

Подход рационального агента

Рациональный агент действует для достижения наилучшего возможного результата в текущих обстоятельствах.
Согласно подходу Законов Мысли, сущность должна вести себя в соответствии с логическими утверждениями. Но есть некоторые случаи, когда нет логического правильного решения, когда несколько результатов предполагают разные результаты и соответствующие компромиссы. Подход рационального агента пытается сделать наилучший выбор в текущих обстоятельствах. Это означает, что это гораздо более динамичный и адаптируемый агент.
Теперь, когда мы понимаем, как можно спроектировать искусственный интеллект, чтобы он действовал как человек, давайте посмотрим, как устроены эти системы.

Как работает искусственный интеллект (ИИ)?

Создание системы искусственного интеллекта — это тщательный процесс реинжиниринга человеческих черт и способностей в машине и использования ее вычислительных возможностей, чтобы превзойти наши возможности.
Чтобы понять, как на самом деле работает искусственный интеллект, необходимо глубоко погрузиться в различные подобласти искусственного интеллекта и понять, как эти области могут быть применены к различным областям отрасли. Вы также можете пройти курс искусственного интеллекта, который поможет вам получить всестороннее понимание.

Машинное обучение : машинное обучение учит машину делать выводы и принимать решения на основе прошлого опыта. Он выявляет закономерности и анализирует прошлые данные, чтобы сделать вывод о значении этих точек данных, чтобы прийти к возможному выводу без привлечения человеческого опыта. Эта автоматизация для получения выводов путем оценки данных экономит человеческое время для предприятий и помогает им принимать более эффективные решения. Чтобы изучить основные понятия, вы можете записаться на бесплатный курс машинного обучения для начинающих.
Глубокое обучение : Глубокое обучение — это метод машинного обучения. Он учит машину обрабатывать входные данные через слои, чтобы классифицировать, делать выводы и предсказывать результат.
Нейронные сети: Нейронные сети работают по тем же принципам, что и нейронные клетки человека. Это серия алгоритмов, которые фиксируют взаимосвязь между различными базовыми переменными и обрабатывают данные, как это делает человеческий мозг.
Обработка естественного языка: НЛП — это наука о чтении, понимании и интерпретации языка машиной. Как только машина понимает, что пользователь намеревается сообщить, она отвечает соответствующим образом.
Компьютерное зрение: Алгоритмы компьютерного зрения пытаются понять изображение, разбивая изображение и изучая различные части объекта. Это помогает машине классифицировать и учиться на наборе изображений, чтобы принять лучшее выходное решение на основе предыдущих наблюдений.
Когнитивные вычисления: Алгоритмы когнитивных вычислений пытаются имитировать человеческий мозг, анализируя текст/речь/изображения/объекты так, как это делает человек, и пытаются дать желаемый результат. Также бесплатно займитесь заявками на курсы по искусственному интеллекту.

Какие существуют типы искусственного интеллекта?

Не все типы ИИ все вышеперечисленные поля одновременно. Различные объекты искусственного интеллекта создаются для разных целей, и именно поэтому они различаются. ИИ можно классифицировать на основе типа 1 и типа 2 (на основе функциональных возможностей). Вот краткое введение в первый тип.

3 Типы искусственного интеллекта

Искусственный узкий интеллект (УНИ)
Общий искусственный интеллект (AGI)
Искусственный суперинтеллект (ASI)

Давайте рассмотрим подробнее.

Что такое искусственный узкий интеллект (УНИ)?

Это самая распространенная форма ИИ, которую вы сейчас найдете на рынке. Эти системы искусственного интеллекта предназначены для решения одной единственной проблемы и могут действительно хорошо выполнять одну задачу. По определению, у них есть узкие возможности, такие как рекомендация продукта для пользователя электронной коммерции или предсказание погоды. Это единственный вид искусственного интеллекта, существующий сегодня. Они могут приблизиться к функционированию человека в очень специфических условиях и даже во многих случаях превзойти их, но только в очень контролируемых средах с ограниченным набором параметров.

Чтобы создать прочную основу в области искусственного интеллекта, вы также можете повысить свою квалификацию с помощью бесплатного онлайн-курса Great Learning Academy по теме «Введение в искусственный интеллект». С помощью этого курса вы сможете изучить все основные понятия, необходимые для построения карьеры в области искусственного интеллекта.

Что такое общий искусственный интеллект (AGI)?

ОИИ все еще является теоретической концепцией. Он определяется как ИИ, обладающий когнитивными функциями человеческого уровня в широком спектре областей, таких как обработка речи, обработка изображений, вычислительные функции, рассуждения и так далее.
Нам еще далеко до создания системы ОИИ. Система ОИИ должна состоять из тысяч систем узкого искусственного интеллекта, работающих в тандеме и взаимодействующих друг с другом, чтобы имитировать человеческие рассуждения. Даже с самыми передовыми вычислительными системами и инфраструктурами, такими как Fujitsu K или IBM Watson, им потребовалось 40 минут, чтобы имитировать одну секунду активности нейронов. Это говорит как об огромной сложности и взаимосвязанности человеческого мозга, так и о масштабности задачи создания ОИИ с нашими текущими ресурсами.

Что такое искусственный суперинтеллект (ИСИ)?

Здесь мы почти вступаем на территорию научной фантастики, но ASI рассматривается как логическое продолжение AGI. Система искусственного сверхразума (ASI) сможет превзойти все человеческие возможности. Это будет включать в себя принятие решений, принятие рациональных решений и даже такие вещи, как улучшение искусства и построение эмоциональных отношений.
Как только мы достигнем искусственного общего интеллекта, системы ИИ смогут быстро улучшить свои возможности и продвинуться в области, о которых мы даже не мечтали. В то время как разрыв между AGI и ASI будет относительно небольшим (некоторые говорят, что всего наносекунда, потому что именно так быстро будет учиться искусственный интеллект), долгий путь, который нам предстоит пройти к самому AGI, делает эту концепцию похожей на концепцию, которая лежит далеко в будущем. . Посмотрите этот курс о том, как построить карьеру в области искусственного интеллекта.

Разница между аугментацией и ИИ

с высокой точностью

Выявление клиентов с высоким риском/высоким потенциалом
3. Прогнозы продаж

Искусственный интеллект	Дополненный интеллект
8 90 человек и заменяет людей ИИ с высокой точностью.	Аугментация не заменяет людей, а создает системы, помогающие в производстве.
Заменяет процесс принятия решений человеком	Дополняет процесс принятия решений человеком
Роботы/Промышленный IoT: Роботы заменят всех людей на заводе	Роботы/промышленный Интернет вещей: коллаборативные роботы работают вместе с людьми для решения сложных и повторяющихся задач.
Применение ИИ в режиме реального времени для успеха клиентов 1. Автоматизированная поддержка клиентов и чат-боты 2. Виртуальные помощники Автоматизированные рабочие процессы

Сильный и слабый искусственный интеллект

Обширные исследования в области искусственного интеллекта также делят его еще на две категории: сильный искусственный интеллект и слабый искусственный интеллект. Эти термины были придуманы Джоном Сирлом, чтобы различать уровни производительности в разных типах машин ИИ. Вот некоторые из основных различий между ними.

Слабый ИИ	Сильный ИИ
Это узкое приложение с ограниченным объемом.	Это более широкое приложение с более широкой областью применения.
Это приложение хорошо справляется со специфическими задачами.	Это приложение имеет невероятный интеллект человеческого уровня.
Он использует контролируемое и неконтролируемое обучение для обработки данных.	Он использует кластеризацию и ассоциацию для обработки данных.
Пример: Siri, Alexa.	Пример: Advanced Robotics

Какова цель искусственного интеллекта?

Цель искусственного интеллекта — расширить возможности человека и помочь нам принимать передовые решения с далеко идущими последствиями. Это ответ с технической точки зрения. С философской точки зрения искусственный интеллект может помочь людям жить более осмысленной жизнью, свободной от тяжелого труда, и помочь управлять сложной сетью взаимосвязанных людей, компаний, государств и наций, чтобы они функционировали таким образом, чтобы это было выгодно для всего человечества.
В настоящее время цель искусственного интеллекта общая для всех различных инструментов и методов, которые мы изобрели за последнюю тысячу лет, — упростить человеческие усилия и помочь нам принимать лучшие решения. Искусственный интеллект также рекламировался как наше окончательное изобретение, творение, которое позволит изобрести новаторские инструменты и услуги, которые экспоненциально изменят то, как мы ведем нашу жизнь, за счет, как мы надеемся, устранения разногласий, неравенства и человеческих страданий.
Но это все в далеком будущем — нам еще далеко до таких результатов. В настоящее время искусственный интеллект используется в основном компаниями для повышения эффективности своих процессов, автоматизации ресурсоемких задач и составления бизнес-прогнозов на основе достоверных данных, а не интуиции. Поскольку все технологии появились раньше, затраты на исследования и разработки должны субсидироваться корпорациями и государственными учреждениями, прежде чем они станут доступными для обычных людей. Чтобы узнать больше о целях искусственного интеллекта и о том, где он используется, вы можете пройти курс ИИ и понять детали курса искусственного интеллекта и повысить квалификацию уже сегодня.

Где используется искусственный интеллект (ИИ)?

ИИ используется в различных областях, чтобы дать представление о поведении пользователей и дать рекомендации на основе данных. Например, алгоритм предиктивного поиска Google использовал прошлые пользовательские данные, чтобы предсказать, что пользователь введет дальше в строке поиска. Netflix использует прошлые пользовательские данные, чтобы порекомендовать, какой фильм пользователь может захотеть посмотреть в следующий раз, привлекая пользователя к платформе и увеличивая время просмотра. Facebook использует прошлые данные пользователей, чтобы автоматически давать предложения отметить ваших друзей, основываясь на чертах лица на их изображениях. ИИ повсеместно используется крупными организациями, чтобы упростить жизнь конечных пользователей. Использование искусственного интеллекта в целом подпадает под категорию обработки данных, которая включает следующее:

Поиск в данных и оптимизация поиска для получения наиболее релевантных результатов
Логические цепочки для рассуждений «если-то», которые можно применять для выполнения строки команд на основе параметров
Обнаружение шаблонов для выявления значимых шаблонов в большом наборе данных для уникального понимания
Прикладные вероятностные модели для прогнозирования будущих результатов

Каковы преимущества искусственного интеллекта?

Нет никаких сомнений в том, что технологии сделали нашу жизнь лучше. От музыкальных рекомендаций, картографических указаний и мобильного банкинга до предотвращения мошенничества — искусственный интеллект и другие технологии взяли верх. Между прогрессом и разрушением тонкая грань. У медали всегда есть две стороны, в том числе и в случае с ИИ. Давайте взглянем на некоторые преимущества искусственного интеллекта. 0003

Advantages of Artificial Intelligence (AI)

Reduction in human error
Available 24×7
Helps in repetitive work
Digital assistance
Faster decisions
Rational Decision Maker
Medical applications
Improves Безопасность
Эффективная связь

Давайте рассмотрим подробнее.

Необходимые условия для искусственного интеллекта

Как новичок, вот некоторые из основных предпосылок, которые помогут начать работу с предметом.

Сильное владение математикой, а именно исчислением, статистикой и вероятностью.
Большой опыт работы с такими языками программирования, как Java или Python.
Сильное понимание и написание алгоритмов.
Сильный опыт работы с навыками анализа данных.
Хорошее знание дискретной математики.
Желание изучать языки машинного обучения.

История искусственного интеллекта (ИИ)

Технология искусственного интеллекта намного старше, чем вы можете себе представить, и термин «ИИ» не нов для исследователей. Термин «ИИ» впервые был придуман в Дартмутском колледже в 1956 году ученым по имени Марвин Мински.

Получение сертификата в области искусственного интеллекта даст вам преимущество перед другими кандидатами в этой отрасли. Благодаря таким достижениям, как распознавание лиц, ИИ в здравоохранении, чат-боты и т. д., пришло время построить путь к успешной карьере в области искусственного интеллекта. Виртуальные помощники уже вошли в повседневную жизнь, помогая нам экономить время и энергию. Самоуправляемые автомобили таких технологических гигантов, как Tesla, уже показали нам первый шаг в будущее. ИИ может помочь уменьшить и предсказать риски изменения климата, позволяя нам изменить ситуацию, пока не стало слишком поздно. И все эти достижения — только начало, впереди еще много всего. Предполагается, что к 2022 году искусственный интеллект создаст 133 миллиона новых рабочих мест в области искусственного интеллекта9.0003

В древнегреческой мифологии впервые появились разумные роботы и искусственные существа. Создание силлогизма и применение к нему дедуктивных рассуждений Аристотелем стало водоразделом в стремлении человечества постичь собственный разум. Несмотря на свои давние и глубокие корни, искусственный интеллект в том виде, в каком мы его знаем сегодня, существует менее века.

Давайте посмотрим на важную хронологию событий, связанных с искусственным интеллектом:

1943 – Уоррен Маккалох и Уолтер Питс опубликовали статью «Логическое исчисление идей, присущих нервной деятельности» , которая была первой работой по искусственному интеллекту (ИИ) в 1943 году. Они предложили модель искусственного нейрона.

1949 – Дональд Хебб предложил теорию изменения силы связи между нейронами в своей книге Организация поведения: нейропсихологическая теория

1950 – Алан Тьюринг, английский математик, опубликовал «Вычислительные машины и интеллект» , в котором он предложил тест, чтобы определить, способна ли машина демонстрировать человеческое поведение. Этот тест известен как Туринский тест .
В том же году выпускники Гарварда Марвин Мински и Дин Эдмондс построили первый нейросетевой компьютер под названием SNARC .

1956 – «Первая программа искусственного интеллекта» по имени «Теоретик логики» был построен Алленом Ньюэллом и Гербертом А. Саймоном. Эта программа проверила 38 из 52 математических теорем, а также обнаружила новые и более элегантные доказательства для некоторых из них.
В том же году слово «искусственный интеллект» впервые было принято американским ученым Джоном Маккарти на Дартмутской конференции и впервые было придумано как академическая область.

После этого года энтузиазм в отношении искусственного интеллекта быстро вырос.

1959 – Термин «машинное обучение» придумал Артур Сэмюэл, когда работал в IBM.

1963 – Джон Маккарти основал Лабораторию искусственного интеллекта в Стэнфорде.

1966 – Джозеф Вейценбаум создал первого в истории чат-бота по имени ELIZA.

1972 – Первый гуманоидный робот был построен в Японии под названием WABOT-1 .

С 1974 по 1980 – Этот период широко известен как первый зимний период ИИ. Многие ученые не могли в полной мере продолжать/продолжать свои исследования, так как им не хватало финансирования со стороны правительства, и интерес к ИИ постепенно снижался.

1980 – ИИ вернулся на ура! Корпорации Digital Equipment разработали R1, которая стала первой успешной коммерческой экспертной системой и официально завершила зимний период ИИ.
В том же году в Стэнфордском университете была организована первая в истории национальная конференция Американской ассоциации искусственного интеллекта .

1987–1993 – С появлением новых компьютерных технологий и более дешевых альтернатив многие инвесторы и правительство прекратили финансирование исследований в области ИИ, что привело ко второму Зимнему периоду ИИ.

1997 – Компьютер побеждает человека! Компьютер IBM Deep Blue победил тогдашнего чемпиона мира по шахматам Гэри Каспарова и стал первым компьютером/машиной, победившим чемпиона мира по шахматам.

2002 – Появление пылесосов заставило ИИ проникать в дома.

2005 – Американские военные начали инвестировать в автономных роботов, таких как «Big Dog» от Boston Dynamics и «PackBot» от iRobot.

2006 – Такие компании, как Facebook, Google, Twitter, Netflix начали использовать ИИ.

2008 – Компания Google совершила прорыв в распознавании речи и представила функцию распознавания речи в приложении для iPhone.

2011 – Watson – компьютер IBM, выигравший в 2011 году Jeopardy, игровое шоу, в котором он должен был решать сложные вопросы и загадки. Watson продемонстрировал, что может понимать простой язык и быстро решать сложные задачи.

2012 – Эндрю Нг, основатель проекта Google Brain Deep Learning, загрузил 10 миллионов видеороликов YouTube в нейронную сеть, используя алгоритмы глубокого обучения. Нейронная сеть научилась распознавать кошку, не зная, что это за кошка, что ознаменовало начало новой эры в глубоком обучении и нейронных сетях.

2014 – Компания Google создала первый беспилотный автомобиль, прошедший тест на вождение.

2014 – Выпущен Amazon Alexa.

2016 – Компания Hanson Robotics создала первого «робота-гражданина» Софию, робота-гуманоида, способного распознавать лица, разговаривать и выражать эмоции на лице.

2020 – На ранних этапах пандемии SARS-CoV-2 компания Baidu предоставила свой алгоритм искусственного интеллекта LinearFold научным и медицинским группам, стремящимся создать вакцину. Система могла предсказать последовательность РНК вируса всего за 27 секунд, что в 120 раз быстрее, чем предыдущие методы.

С каждым днем искусственный интеллект стремительно развивается во всех областях. ИИ уже не будущее, это настоящее!

ИИ в повседневной жизни

Ниже приведен список приложений ИИ, которые вы можете использовать в повседневной жизни: поиски и покупки.

Цифровые персональные помощники: Смартфоны используют ИИ для предоставления персонализированных услуг. Помощники ИИ могут отвечать на вопросы и помогать пользователям организовывать свои повседневные дела без лишних хлопот. Ознакомьтесь с ИИ как услугой здесь.

Машинные переводы: Программное обеспечение для языкового перевода на основе искусственного интеллекта обеспечивает переводы, субтитры и определение языка, которые могут помочь пользователям понимать другие языки.

Кибербезопасность: Системы искусственного интеллекта могут помочь распознавать кибератаки и бороться с ними на основе распознавания шаблонов и отслеживания атак.

Искусственный интеллект против Covid-19: В случае Covid-19 ИИ использовался для выявления вспышек, обработки обращений за медицинской помощью и отслеживания распространения болезни.

Применение искусственного интеллекта в бизнесе

ИИ действительно может преобразовать многие отрасли с широким спектром возможных вариантов использования. Что общего у всех этих разных отраслей и вариантов использования, так это то, что все они управляются данными. Поскольку искусственный интеллект по своей сути является эффективной системой обработки данных, везде есть большой потенциал для оптимизации.

Давайте взглянем на отрасли, в которых ИИ в настоящее время блистает.

Здравоохранение:

Администрация: Системы искусственного интеллекта помогают выполнять рутинные повседневные административные задачи, сводя к минимуму человеческие ошибки и повышая эффективность. Расшифровка медицинских заметок с помощью НЛП помогает структурировать информацию о пациентах, чтобы врачам было легче ее читать.
Телемедицина: В неэкстренных ситуациях пациенты могут обратиться к системе искусственного интеллекта больницы, чтобы проанализировать свои симптомы, ввести свои жизненные показатели и оценить, требуется ли им медицинская помощь. Это снижает нагрузку на медицинских работников, доводя до них только критические случаи.
Вспомогательная диагностика: С помощью компьютерного зрения и сверточных нейронных сетей ИИ теперь может считывать МРТ-сканы для выявления опухолей и других злокачественных новообразований в экспоненциально более быстром темпе, чем это могут делать рентгенологи, со значительно меньшей погрешностью.
Роботизированная хирургия: Роботизированные операции имеют очень маленькую погрешность и могут постоянно выполнять операции круглосуточно, не уставая. Поскольку они работают с такой высокой степенью точности, они менее инвазивны, чем традиционные методы, что потенциально сокращает время, которое пациенты проводят в больнице, выздоравливая.
Мониторинг показателей жизнедеятельности: Состояние здоровья человека — это непрерывный процесс, зависящий от различных уровней соответствующих показателей жизнедеятельности. Сейчас, когда носимые устройства становятся все более популярными на массовом рынке, эти данные не доступны сразу, а только ждут, когда их проанализируют, чтобы получить полезную информацию. Поскольку показатели жизненно важных функций могут предсказывать колебания состояния здоровья еще до того, как пациент осознает это, здесь есть множество приложений, спасающих жизнь.

Электронная коммерция

Лучшие рекомендации: Обычно это первый пример, который люди приводят, когда их спрашивают о бизнес-приложениях ИИ, и это потому, что это область, в которой ИИ уже добился отличных результатов. Большинство крупных игроков электронной коммерции внедрили искусственный интеллект, чтобы давать рекомендации по продуктам, которые могут заинтересовать пользователей, что привело к значительному увеличению их чистой прибыли.
Чат-боты: Еще один известный пример, основанный на распространении чат-ботов с искусственным интеллектом в разных отраслях и на каждом другом веб-сайте, который мы посещаем. Эти чат-боты теперь обслуживают клиентов и в нерабочее время, и в часы пик, устраняя узкое место ограниченных человеческих ресурсов.
Фильтрация спама и поддельных отзывов: Из-за большого количества отзывов, которые получают такие сайты, как Amazon, человеческий глаз не может их просмотреть, чтобы отфильтровать вредоносный контент. Благодаря возможностям NLP искусственный интеллект может сканировать эти обзоры на наличие подозрительных действий и отфильтровывать их, улучшая качество обслуживания покупателей.
Оптимизация поиска: Вся электронная коммерция зависит от пользователей, которые ищут то, что им нужно, и способны это найти. Искусственный интеллект оптимизирует результаты поиска на основе тысяч параметров, чтобы пользователи могли найти именно тот продукт, который ищут.
Цепочка поставок: ИИ используется для прогнозирования спроса на различные продукты в разные периоды времени, чтобы они могли управлять своими запасами для удовлетворения спроса.

Отдел кадров

Создание рабочей культуры: ИИ используется для анализа данных о сотрудниках и распределения их в нужных командах, назначения проектов на основе их компетенций, сбора отзывов о рабочем месте и даже попыток прогнозирования если они находятся на грани выхода из своей компании.
Найм: С помощью НЛП ИИ может за считанные секунды просмотреть тысячи резюме и определить, подходит ли оно. Это выгодно, потому что будет лишено каких-либо человеческих ошибок или предубеждений и значительно сократит продолжительность циклов найма.

Роботы в ИИ

Область робототехники развивалась еще до того, как ИИ стал реальностью. На данном этапе искусственный интеллект помогает робототехнике быстрее внедрять инновации с помощью эффективных роботов. Роботы в ИИ нашли применение в разных сферах и отраслях, особенно в производственной и упаковочной отраслях. Вот несколько применений роботов в ИИ:

Сборка

ИИ вместе с передовыми системами технического зрения может помочь в коррекции курса в режиме реального времени
Он также помогает роботам узнать, какой путь лучше всего подходит для определенного процесса во время его работы

Служба поддержки клиентов

Роботы с искусственным интеллектом используются для обслуживания клиентов в сфере розничной торговли и гостиничного бизнеса
Эти роботы используют обработку естественного языка для интеллектуального взаимодействия с клиентами, как человек
Чем больше эти системы взаимодействуют с людьми, тем больше они учатся с помощью машинного обучения

Упаковка

ИИ позволяет быстрее, дешевле и точнее упаковывать
Помогает сохранять определенные движения, которые выполняет робот и постоянно совершенствует их, упрощая установку и перемещение роботизированных систем

Робототехника с открытым исходным кодом

Сегодня роботизированные системы продаются как системы с открытым исходным кодом, поддерживающие возможности ИИ.
Таким образом, пользователи могут обучать роботов выполнять пользовательские задачи в зависимости от конкретного приложения.
Например: мелкомасштабное сельское хозяйство

Что делает технологию ИИ такой полезной?

Искусственный интеллект обладает несколькими важными преимуществами, которые делают его отличным инструментом, например:

Автоматизация . ИИ может автоматизировать утомительные процессы/задачи без малейшего утомления.
Улучшение . ИИ может эффективно улучшать все продукты и услуги, повышая качество обслуживания конечных пользователей и предоставляя более качественные рекомендации по продуктам.
Анализ и точность . Анализ ИИ намного быстрее и точнее, чем у людей. ИИ может использовать свою способность интерпретировать данные для принятия более эффективных решений.

Проще говоря, ИИ помогает организациям принимать более обоснованные решения, улучшая продукты и бизнес-процессы гораздо быстрее.

Карьерные тенденции в области искусственного интеллекта

Карьера в области искусственного интеллекта демонстрирует устойчивый рост в течение последних нескольких лет и будет продолжать расти с ускорением. 57% индийских компаний ищут подходящих специалистов, соответствующих требованиям рынка. Претенденты, которые успешно перешли на роль ИИ, увидели средний рост заработной платы на 60-70%. Мумбаи занимает видное место в конкуренции, за ним следуют Бангалор и Ченнаи. По данным ВЭФ, к 2020 году в области искусственного интеллекта будет создано 133 миллиона рабочих мест. Исследования показывают, что спрос на рабочие места увеличился, но рабочая сила не успевает за ним.

ИИ используется в различных секторах, таких как здравоохранение, банковское дело и финансы, маркетинг и индустрия развлечений. Инженер по глубокому обучению, специалист по данным, директор по науке о данных и старший специалист по данным — вот некоторые из основных должностей, требующих навыков ИИ.

С увеличением доступных возможностей можно с уверенностью сказать, что сейчас самое подходящее время для повышения квалификации в этой области.

Какая связь между ИИ, МО и ГО?

Как показано на изображении выше, три концентрических овала описывают DL как подмножество ML, которое также является еще одним подмножеством AI. Следовательно, ИИ — это всеобъемлющая концепция, которая возникла изначально. Затем последовало ML, которое процветало позже, и, наконец, DL, которое теперь обещает вывести достижения ИИ на новый уровень.

Примеры искусственного интеллекта

Facebook Watch
Рекомендации Facebook Friend рекомендации
Проактивное управление здравоохранением
Картирование заболеваний
Автоматизированное финансовое инвестирование
Виртуальный агент по бронированию путешествий
Мониторинг социальных сетей

Будущее искусственного интеллекта

Как люди, мы всегда были очарованы технологическими изменениями и фантастикой, прямо сейчас мы живем среди величайших достижений в нашей истории. Искусственный интеллект стал следующим большим достижением в области технологий. Организации по всему миру разрабатывают прорывные инновации в области искусственного интеллекта и машинного обучения. Искусственный интеллект не только влияет на будущее каждой отрасли и каждого человека, но также выступает в качестве основного двигателя новых технологий, таких как большие данные, робототехника и Интернет вещей. Учитывая темпы роста, в обозримом будущем он продолжит выступать в качестве технологического новатора. Следовательно, у обученных и сертифицированных специалистов есть огромные возможности для успешной карьеры. По мере того как эти технологии продолжают развиваться, они будут оказывать все большее влияние на социальную среду и качество жизни.

Карьерные возможности в области искусственного интеллекта

Разработчик/инженер искусственного интеллекта и машинного обучения

Инженер/разработчик искусственного интеллекта и машинного обучения отвечает за статистический анализ, проведение статистических тестов и реализацию статистических моделей. Кроме того, они разрабатывают системы глубокого обучения, управляют программами машинного обучения, внедряют алгоритмы машинного обучения и т. д.

Таким образом, в основном они развертывают для компании решения на основе искусственного интеллекта и машинного обучения. Чтобы стать разработчиком AI & ML, вам потребуются хорошие навыки программирования на Python, Scala и Java. Вы можете работать с такими платформами, как Azure ML Studio, Apache Hadoop, Amazon ML и т. д.0007 Путь обучения инженера , успех вам! Средняя зарплата инженера по искусственному интеллекту в Индии составляет от 4 лакхов индийских рупий в год. до 20 лакхов индийских рупий в год.

Аналитик/специалист ИИ

Роль аналитика ИИ или специалиста аналогична роли инженера ИИ. Основная ответственность заключается в том, чтобы обслуживать решения и схемы, ориентированные на ИИ, для улучшения услуг, предоставляемых определенной отраслью, с использованием навыков анализа данных для изучения тенденций и закономерностей определенных наборов данных. Если вы говорите об отрасли здравоохранения, финансовой отрасли, геологии, кибербезопасности или любом другом секторе, аналитики или специалисты в области ИИ, как считается, оказывают достаточно хорошее влияние во всем. Аналитик/специалист по ИИ должен хорошо разбираться в программировании, системном анализе и вычислительной статистике. Степень бакалавра или эквивалентная степень может помочь вам получить должность начального уровня, но степень магистра или эквивалентная степень является обязательной для основных должностей аналитика ИИ. Средняя зарплата ИИ-аналитик может стоить от 3 до 10 лакхов в год в зависимости от многолетнего опыта и компании, в которой вы работаете.

Data Scientist

Из-за огромного спроса на специалистов по данным высока вероятность того, что вы уже знакомы с этим термином. Роль ученого данных включает в себя выявление ценных потоков и источников данных, работу вместе с инженерами данных для автоматизации процессов сбора данных, работу с большими данными, анализ огромных объемов данных, чтобы изучить тенденции и шаблоны для разработки прогнозирующих моделей машинного обучения. Специалист по данным также отвечает за разработку решений и стратегий для лиц, принимающих решения, с помощью интригующих инструментов и методов визуализации. SQL, Python, Scala, SAS, SSAS и R — самые полезные инструменты для специалиста по данным. Они необходимы для работы с такими платформами, как Amazon ML, Azure ML Studio, Spark MLlib и т. д. Средняя зарплата специалиста по данным в Индии составляет от 5 до 22 лакхов индийских рупий в год, в зависимости от его опыта и компании, в которой он работает.

Ученый-исследователь

Ученый-исследователь — одна из других увлекательных профессий искусственного интеллекта . На этой должности ИИ возложены обязанности, связанные с исследованиями в области искусственного интеллекта и машинного обучения, чтобы внедрять инновации и находить ориентированные на ИИ решения реальных проблем. Как мы знаем, исследования в любых направлениях требуют глубоких знаний. Точно так же роль ученого-исследователя требует мастерства в различных дисциплинах ИИ, таких как вычислительная статистика, прикладная математика, глубокое обучение, машинное обучение и нейронные сети. Ученый-исследователь должен обладать навыками программирования на Python, Scala, SAS, SSAS и R. Apache Hadoop, Apache Signa, Scikit Learn, h30 — вот некоторые распространенные фреймворки, над которыми может работать ученый-исследователь. Для того, чтобы стать ученым-исследователем ИИ, необходима продвинутая степень магистра или доктора. Согласно текущим исследованиям, ученый-исследователь ИИ зарабатывает в Индии минимум 35 лакхов индийских рупий в год.

Менеджер по продукту

В настоящее время в каждой ведущей компании работа менеджера по продукту включает значительную роль искусственного интеллекта. Решение сложных вопросов путем стратегического сбора данных входит в обязанности менеджера по продукту. Предполагается, что вы обладаете навыками выявления соответствующих проблем, мешающих бизнесу, и дальнейшего сбора связанных наборов данных для интерпретации данных. После того, как интерпретация данных сделана, менеджер по продукту реализует эффективные стратегии ИИ для оценки влияния на бизнес выводов, сделанных на основе интерпретации данных. Ввиду важной роли работы каждой организации нужен эффективный менеджер по продукту. Таким образом, можно сказать, что менеджер по продукту следит за тем, чтобы продукт активно работал. Нужно иметь хорошие практические языки программирования, такие как Python, R, SQL и другие необходимые. Первоначально средняя заработная плата менеджера по продукту составляет около 7-8 лакхов индийских рупий в год, а в последующие годы может увеличиться до одного крора. Бесплатных обедов не бывает; Точно так же, чтобы получить работу в качестве менеджера по продукту, вы должны иметь глубокие знания в области AI-ML, информатики, статистики и основных понятий, связанных с маркетингом. В конечном счете, опыт, навыки, компания и местоположение являются основными факторами, определяющими вашу зарплату в качестве менеджера по продукту.

Ученый-робототехник

Следуя тенденциям глобальной автоматизации и появлению робототехники в области искусственного интеллекта, мы можем сказать, что это определенно является признаком растущего спроса на ученых-робототехников. В этом быстро меняющемся мире, где технологии становятся пионерами, роботы действительно крадут работу людей, выполняющих ручные или повторяющиеся и скучные задачи. Наоборот, он дает работу профессионалам, имеющим опыт в области робототехники. Для создания и управления этими роботизированными системами нам нужен инженер-робототехник. Чтобы продолжить карьеру инженера-робототехника, вы должны иметь степень магистра в области робототехники, компьютерных наук или инженерии. Ученый-робототехник входит в число других интересных и высокооплачиваемых ai карьеры взять на себя. Поскольку мы уже знаем, насколько сложны роботы, для работы с ними требуются знания в разных дисциплинах. Если вас интересует область робототехники, и вы в какой-то степени хорошо разбираетесь в программировании, механике, электронике, электрике, сенсорике, психологии и познании, вы можете выбрать этот вариант карьеры.

Важные часто задаваемые вопросы об искусственном интеллекте (ИИ)

Вопросы. Где используется ИИ?

Ответ . Искусственный интеллект используется во многих отраслях по всему миру. Некоторыми из отраслей, которые глубоко погрузились в область ИИ, чтобы найти новые приложения, являются электронная коммерция, розничная торговля, безопасность и наблюдение. Спортивная аналитика, производство и производство, автомобильная промышленность и другие.

Вопросы. Как ИИ помогает в нашей жизни?

Ответ. Виртуальные цифровые помощники изменили способ выполнения наших повседневных задач. Alexa и Siri стали настоящими людьми, с которыми мы взаимодействуем каждый день для удовлетворения любых наших маленьких и больших потребностей. Способности к естественному языку и способность учиться без вмешательства человека являются причинами, по которым они так быстро развиваются и становятся такими же, как люди в своем взаимодействии, только более разумными и быстрыми.

Вопрос. Является ли Алекса искусственным интеллектом?

Ответ. Да, Alexa — это искусственный интеллект, который живет среди нас.

Вопросы. Является ли Siri искусственным интеллектом?

Ответ. Да, как и Alexa, Siri также является искусственным интеллектом, который использует передовые технологии машинного обучения для работы.

Вопросы. Зачем нужен ИИ?

Ответ. AI делает каждый процесс лучше, быстрее и точнее. Он также имеет несколько очень важных приложений, таких как выявление и прогнозирование мошеннических транзакций, более быстрый и точный кредитный скоринг и автоматизация интенсивных ручных методов управления данными. Искусственный интеллект улучшает существующие процессы в различных отраслях и приложениях, а также помогает в разработке новых решений проблем, с которыми невозможно справиться вручную.

Вопрос. Что такое искусственный интеллект с примерами?

Ответ. Искусственный интеллект — это интеллектуальная сущность, созданная людьми. Он способен разумно выполнять задачи без явных инструкций. Мы используем ИИ в повседневной жизни, даже не осознавая этого. Spotify, Siri, Google Maps, YouTube — все эти приложения используют ИИ для своей работы.

Вопросы. Опасен ли ИИ?

Ответ. Хотя существует несколько предположений об опасности ИИ, на данный момент мы не можем сказать, что ИИ опасен. Это принесло пользу нашей жизни несколькими способами.

Вопросы. Какова цель ИИ?

Ответ. Основная цель ИИ — позволить компьютерам и машинам выполнять интеллектуальные задачи, такие как решение проблем, принятие решений, восприятие и понимание человеческого общения.

Вопросы. Каковы преимущества ИИ?

Ответ. Есть несколько преимуществ искусственного интеллекта. Они перечислены ниже. Кто изобрел ИИ?

Ответ. Термин «искусственный интеллект» был придуман Джоном Маккарти. Он считается отцом ИИ.

Вопрос. Будущее за искусственным интеллектом?

Ответ. В настоящее время мы живем в эпоху величайших достижений искусственного интеллекта в истории. Он оказался следующей лучшей технологией и повлиял на будущее почти каждой отрасли. В связи с увеличением спроса возрастает потребность в специалистах в области ИИ. По данным ВЭФ, к 2022 году с помощью искусственного интеллекта будет создано 133 миллиона новых рабочих мест. Да, за ИИ будущее.

Вопрос. Что такое ИИ и его применение?

Ответ. Сегодня ИИ проложил себе путь в различные отрасли. Будь то игры или здравоохранение. ИИ везде. А вы знали, что функция распознавания лиц на наших телефонах использует ИИ? Google Maps также использует ИИ в своем приложении, и он является частью нашей повседневной жизни в большей степени, чем мы об этом думаем. Спам-фильтры в электронных письмах, функции преобразования голоса в текст, рекомендации по поиску, защита и предотвращение мошенничества, приложения для совместного использования — вот лишь некоторые из примеров ИИ и его применения.

Что вы думаете о будущем искусственного интеллекта? Оставьте свои комментарии ниже.

Если вам интересно узнать больше об ИИ, прочитайте наш блог о некоторых лучших книгах по искусственному интеллекту.

Дополнительная литература

Учебное пособие по машинному обучению
Куда приведет нас гонка искусственного интеллекта против человеческого интеллекта?
Обработка естественного языка
Глубокое обучение для компьютерного зрения

C3 AI — Корпоративный ИИ

Поиск:

C3 AI предоставляет комплексную платформу для разработки корпоративных приложений ИИ и большое и растущее семейство готовых корпоративных приложений ИИ.

Приложения C3 AI

C3 AI предоставляет более 40 готовых корпоративных приложений AI, которые отвечают критически важным бизнес-потребностям глобальных предприятий в сфере производства, финансовых услуг, правительства, коммунальных услуг, нефти и газа, химических веществ, агробизнеса, обороны и разведки и т. д. .

Shell выбирает C3 AI в цифровой трансформации Shell

Customer VideOnews Выпуск

Увеличение воздушных сил США. для стандарта ESG

Видео для клиентовПример из практики

Philips использует C3 AI для оптимизации цепочки поставок

Пример из практики

Enterprise Data Analytics Platform and AMI Operations

Customer VideoCase Study

Baker Hughes Uses C3 AI for Digital Transformation of Energy Industry

Customer VideoNews Release

C3 AI Software

AI Приложения

Приложения C3 AI

Средства разработки

C3 AI Studio / C3 AI Ex Machina

Платформа приложений AI

Платформа C3 AI

PaaS

SageMaker Azure ML Vertex AI

IaaS

AWS/Microsoft/Google Cloud

AI-приложения

Готовые к использованию корпоративные AI-приложения для важных сценариев использования.

AI CRM Suite
Reliability Suite
Supply Chain Suite
Sustainability Suite
Defense and Intelligence Suite
Financial Services Suite
Oil and Gas Suite

900 20022

Перейти к приложениям ИИ

Средства разработки

Интегрированное семейство инструментов разработки с глубоким, малым кодом и без кода, доступных в совместной многофункциональной среде.

Перейти к C3 AI Studio Перейти к C3 AI Ex Machina

Платформа приложений AI

Платформа C3 AI предоставляет все необходимые программные услуги в одном интегрированном пакете для быстрой разработки, предоставления и эксплуатации корпоративных приложений AI.

Перейти к C3 AI Platform

Клиенты C3 AI

C3 AI Studio

C3 AI предоставляет интегрированное семейство инструментов разработки для удовлетворения потребностей различных сообществ разработчиков.

Подробнее

Data Science

C3 AI использует стандартные отраслевые инструменты, включая Jupyter Notebook, R, Python и Scala.

Deep Code

C3 AI обеспечивает доступ к глубокому коду через Visual Studio, популярный редактор исходного кода.

Младший код

C3 AI Studio имеет интерфейс с низким кодом для разработки. развертывание и эксплуатация корпоративных приложений ИИ.

Без кода

C3 AI Ex Machina — это интерфейс без кода для проектирования, разработки и развертывания решений и аналитики ИИ.

Подтвержденные результаты за недели, а не за годы

Exec.

Briefinghelp_outline

2 часа

Получите представление о возможностях C3 AI, передовых методах корпоративного ИИ и наиболее эффективных вариантах использования.

Технология

Assessmenthelp_outline

2-3 дня

Узнайте о возможностях C3 AI Platform, ее архитектуре, основанной на моделях, и протестируйте ее на примере набора данных вашей компании.

Производство

Trialhelp_outline

8–12 недель

Выявление серьезной бизнес-проблемы и сотрудничество с группой ИИ C3 для быстрого создания приложения ИИ, которое ее решает.

Приложение AI

Развертывание в производствеhelp_outline

3–6 месяцев

Масштабируйте и разверните протестированное приложение C3 AI в рабочей среде. Учитывайте отзывы пользователей и оптимизируйте алгоритмы для получения максимальной экономической выгоды.

Сделайте следующий шаг

Свяжитесь с отделом продаж

Узнайте, как наши лучшие в отрасли программные продукты корпоративного ИИ могут помочь вашей организации.

Контакты Alliances

Хотите стать партнером C3 AI? Свяжитесь с нашей командой Альянсов.

Связи с инвесторами

Свяжитесь с нами по адресу [email protected], чтобы узнать больше об инвестировании в C3 AI.

Запрос информации

По всем остальным вопросам обращайтесь сюда.

AI Software

C3 AI Platform
C3 AI Applications
C3 AI Data Vision
C3 AI CRM
C3 AI Ex Machina

C3 AI Platform

C3 AI Studio
AIL Studio
AIL Canvas Code 3
Ex15 Canvas Code 90 C5 Ex19015 Jupyter Jupyter Machina

Промышленность

Производство
Нефть и газ
Коммунальные услуги
Финансовые услуги
Правительство
Healthcare
Retail
Telecommunications
Transportation

Customers

U.S. Air Force
International Oil Company
Fortune 50 Banking – Securities Lending
Fortune 50 Banking – Customer Churn
ConEdison
Fortune 200 Manufacturing
Fortune 100 Technology
ENGIE
AEP

Корпоративный ИИ

Что такое корпоративный ИИ?
Best Practices — Lifecycle AI Application
Best Practices — Enterprise AI Roadmap
Передовой опыт — разработка приложений ИИ
Руководство покупателя ИИ для предприятий
10 основных принципов корпоративного ИИ
ИТ для предприятий ИИ
Разрабатывайте ИИ в 25 раз быстрее на AWS
Разрабатывайте ИИ в 25 раз быстрее на Azure
Корпоративные ресурсы ИИ

Компания

Новости О
5 C3. ai
Лидерство
Карьера
Партнеры
Блог
C3.ai Live
Отзывы
Ресурсы
C3 Transform
Контакты

Другое

Цифровая трансформация
Начало работы
Политика конфиденциальности
Условия использования
Условия использования данных

Политика конфиденциальности и файлов cookie

Что такое искусственный интеллект (ИИ)?

Автор:
IBM Cloud Education

3 июня 2020 г.

Искусственный интеллект использует компьютеры и машины, чтобы имитировать способность человеческого разума решать проблемы и принимать решения.

Что такое искусственный интеллект?

За последние несколько десятилетий появилось несколько определений искусственного интеллекта (ИИ). Джон Маккарти предлагает следующее определение в этой статье 2004 года (PDF, 106 КБ) (ссылка находится за пределами IBM)): «Это наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с аналогичной задачей использования компьютеры для понимания человеческого интеллекта, но ИИ не должен ограничиваться методами, наблюдаемыми биологически».

Однако за десятилетия до этого определения разговор об искусственном интеллекте начался с работы Алана Тьюринга 1950 года «Вычислительные машины и интеллект» (PDF, 89,8 КБ) (ссылка находится вне IBM). В этой статье Тьюринг, которого часто называют «отцом информатики», задает следующий вопрос: «Могут ли машины думать?» Оттуда он предлагает тест, теперь известный как «Тест Тьюринга», в котором следователь-человек пытается различить текстовый ответ компьютера и человека. Хотя этот тест подвергся тщательному анализу с момента его публикации, он остается важной частью истории ИИ.

Одним из ведущих учебников по искусственному интеллекту является «Искусственный интеллект: современный подход» (ссылка не принадлежит IBM, [PDF, 20,9 МБ]), написанный Стюартом Расселом и Питером Норвигом. В книге они углубляются в четыре потенциальных цели или определения ИИ, которые различают компьютерные системы следующим образом:

Человеческий подход:

Системы, мыслящие как люди
Системы, которые действуют как люди

Идеальный подход:

Системы, мыслящие рационально
Рационально действующие системы

Определение Алана Тьюринга подпадало бы под категорию «систем, которые действуют как люди».

В своей простейшей форме искусственный интеллект — это область, которая сочетает в себе информатику и надежные наборы данных для решения проблем. Экспертные системы, раннее успешное применение ИИ, были направлены на копирование процесса принятия решений человеком. В первые дни для извлечения и систематизации человеческих знаний требовалось много времени.

AI сегодня включает в себя подобласти машинного обучения и глубокого обучения, которые часто упоминаются в связи с искусственным интеллектом. Эти дисциплины состоят из алгоритмов ИИ, которые обычно делают прогнозы или классификации на основе входных данных. Машинное обучение улучшило качество некоторых экспертных систем и упростило их создание.

Сегодня ИИ часто играет невидимую роль в повседневной жизни, обеспечивая работу поисковых систем, рекомендаций по продуктам и систем распознавания речи.

Вокруг развития ИИ много шумихи, чего и следовало ожидать от любой новой технологии. Как отмечается в цикле ажиотажа Gartner (ссылка находится за пределами IBM), инновационные продукты, такие как автомобили с автоматическим управлением и персональные помощники, следуют «типичной прогрессии инноваций, от чрезмерного энтузиазма через период разочарования к конечному пониманию актуальности инновации и ее роли в бизнесе». рынок или домен». Как отмечает Лекс Фридман (01:08:15) (ссылка находится за пределами IBM) в своей лекции в Массачусетском технологическом институте в 2019 году, мы находимся на пике завышенных ожиданий, приближаясь к корыту разочарования.

Пока продолжаются разговоры об этике ИИ, мы можем увидеть первые проблески разочарования. Узнайте больше о позиции IBM в отношении этики ИИ здесь.

Типы искусственного интеллекта — слабый ИИ против сильного ИИ

Слабый ИИ — также называемый узким ИИ или искусственным узким интеллектом (УНИ) — это ИИ, обученный выполнять определенные задачи. Слабый ИИ управляет большей частью ИИ, который нас сегодня окружает. «Узкий» может быть более точным описанием этого типа ИИ, поскольку он совсем не слабый; он позволяет использовать некоторые мощные приложения, такие как Siri от Apple, Alexa от Amazon, IBM Watson и автономные транспортные средства.

Сильный ИИ состоит из искусственного общего интеллекта (AGI) и искусственного сверхразума (ASI). Искусственный общий интеллект (AGI) или общий ИИ — это теоретическая форма ИИ, в которой машина будет иметь интеллект, равный человеческому; у него будет самоосознающее сознание, способное решать проблемы, учиться и планировать будущее. Искусственный суперинтеллект (ИСИ), также известный как суперинтеллект, превзойдет интеллект и способности человеческого мозга. В то время как сильный ИИ все еще является чисто теоретическим и не имеет практических примеров использования сегодня, исследователи ИИ изучают его развитие. В то же время, лучшие примеры ASI могут быть из научной фантастики, такие как HAL, мошеннический компьютерный помощник в 903:11 2001: Космическая одиссея.

Глубокое обучение и машинное обучение

Поскольку глубокое обучение и машинное обучение, как правило, используются взаимозаменяемо, стоит отметить различия между ними. Как упоминалось выше, и глубокое обучение, и машинное обучение являются подобластями искусственного интеллекта, а глубокое обучение на самом деле является подобластью машинного обучения.

Глубокое обучение и машинное обучение отличаются тем, как обучается каждый алгоритм. «Глубокое» машинное обучение может использовать помеченные наборы данных, также известные как обучение с учителем, для информирования своего алгоритма, но для этого не обязательно требуется помеченный набор данных. Глубокое обучение может принимать неструктурированные данные в необработанном виде (например, текст, изображения) и автоматически определять набор функций, которые отличают разные категории данных друг от друга. Это устраняет необходимость в некотором человеческом вмешательстве и позволяет использовать большие наборы данных. Вы можете думать о глубоком обучении как о «масштабируемом машинном обучении», как отмечает Лекс Фридман в той же лекции MIT сверху. Классическое или «неглубокое» машинное обучение в большей степени зависит от вмешательства человека. Эксперты-люди определяют набор функций, чтобы понять различия между входными данными, обычно требуя более структурированных данных для изучения.

Глубокое обучение (как и некоторые виды машинного обучения) использует нейронные сети. «Глубокий» в алгоритме глубокого обучения относится к нейронной сети с более чем тремя слоями, включая входной и выходной слои. Это обычно представлено с помощью следующей диаграммы:

Развитие глубокого обучения стало одним из самых значительных прорывов в области ИИ за последние годы, поскольку оно сократило объем ручного труда, связанного с созданием систем ИИ. Глубокое обучение частично стало возможным благодаря большим данным и облачным архитектурам, что позволило получить доступ к огромным объемам данных и вычислительной мощности для обучения решений ИИ.

Приложения искусственного интеллекта

Сегодня существует множество реальных приложений систем ИИ. Ниже приведены некоторые из наиболее распространенных примеров:

Распознавание речи : Это также известно как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст. обработка языка (NLP) для перевода человеческой речи в письменный формат. Многие мобильные устройства включают в свои системы распознавание речи для осуществления голосового поиска. Siri — или улучшите специальные возможности для текстовых сообщений.
Служба поддержки клиентов: Онлайн-чат-боты заменяют людей-посредников на пути клиента, меняя наши представления о привлечении клиентов на веб-сайтах и в социальных сетях. Чат-боты отвечают на часто задаваемые вопросы (FAQ) по таким темам, как доставка, или предоставляют персональные советы, перекрестные продажи продуктов или предлагают размеры для пользователей. Примеры включают виртуальных агентов на сайтах электронной коммерции; боты для обмена сообщениями с использованием Slack и Facebook Messenger; и задачи, обычно выполняемые виртуальными помощниками и голосовыми помощниками.
Компьютерное зрение : Эта технология искусственного интеллекта позволяет компьютерам извлекать значимую информацию из цифровых изображений, видео и других визуальных данных, а затем предпринимать соответствующие действия. Компьютерное зрение, основанное на сверточных нейронных сетях, находит применение в маркировке фотографий в социальных сетях, рентгенологических изображениях в здравоохранении и беспилотных автомобилях в автомобильной промышленности.
Механизмы рекомендаций: Используя данные о прошлом потреблении, алгоритмы ИИ могут помочь обнаружить тенденции данных, которые можно использовать для разработки более эффективных стратегий перекрестных продаж. Этот подход используется интернет-магазинами, чтобы давать покупателям релевантные рекомендации по продуктам в процессе оформления заказа.
Автоматизированная торговля акциями: Разработанные для оптимизации портфелей акций управляемые искусственным интеллектом высокочастотные торговые платформы совершают тысячи и даже миллионы сделок в день без вмешательства человека.
Обнаружение мошенничества: Банки и другие финансовые учреждения могут использовать машинное обучение для обнаружения подозрительных транзакций. Обучение с учителем может обучать модель, используя информацию об известных мошеннических транзакциях. Обнаружение аномалий может выявить транзакции, которые выглядят нетипичными и заслуживают дальнейшего изучения.

История искусственного интеллекта: ключевые даты и имена

С момента появления электронных вычислений некоторые важные события и вехи в развитии искусственного интеллекта включают следующее: . В статье Тьюринг, известный тем, что помог взломать нацистский код Enigma во время Второй мировой войны, предлагает ответить на вопрос: «Могут ли машины думать?» и вводит тест Тьюринга, чтобы определить, может ли компьютер продемонстрировать тот же интеллект (или результаты того же интеллекта), что и человек. С тех пор ценность теста Тьюринга обсуждается.

1956: Джон Маккарти вводит термин «искусственный интеллект» на первой в истории конференции по ИИ в Дартмутском колледже. (Маккарти впоследствии изобрел язык Лисп.) Позже в том же году Аллен Ньюэлл, Дж.

К. Шоу и Герберт Саймон создали Logic Theorist, первую в мире работающую программу ИИ.

1967: Франк Розенблатт создает персептрон Mark 1, первый компьютер, основанный на нейронной сети, которая «обучалась» методом проб и ошибок. Всего год спустя Марвин Мински и Сеймур Пейперт публикуют книгу под названием «9».0311 Perceptrons , которая становится как знаковой работой в области нейронных сетей, так и, по крайней мере, на какое-то время, аргументом против будущих проектов по исследованию нейронных сетей.

1973: Запущен язык программирования PROLOG, основанный на методе доказательства теорем, называемом разрешением. PROLOG позволяет исследователям инкапсулировать и логически запрашивать знания и становится популярным в сообществе ИИ.

1980-е: Нейронные сети, которые используют алгоритм обратного распространения для самообучения, стали широко использоваться в приложениях ИИ.

1997: Deep Blue от IBM побеждает тогдашнего чемпиона мира Гарри Каспарова в шахматном матче (и матче-реванше).

2011: IBM Watson побеждает чемпионов Кена Дженнингса и Брэда Раттера в Jeopardy!

2015: Суперкомпьютер Minwa от Baidu использует особый вид глубокой нейронной сети, называемой сверточной нейронной сетью, для идентификации и классификации изображений с более высокой степенью точности, чем у среднего человека.

2016: Программа AlphaGo от DeepMind, основанная на глубокой нейронной сети, побеждает Ли Содола, чемпиона мира по игре в го, в матче из пяти игр. Победа значима, учитывая огромное количество возможных ходов по ходу игры (более 14,5 триллионов всего за четыре хода!). Google купил DeepMind за 400 миллионов долларов США в 2014 году.

Будущее искусственного интеллекта

Несмотря на то, что искусственный интеллект общего назначения еще далеко, все больше и больше предприятий будут внедрять искусственный интеллект в краткосрочной перспективе для решения конкретных задач. Gartner прогнозирует (ссылка находится вне IBM), что к 2025 году 50% предприятий будут иметь платформы для внедрения ИИ (резкий рост по сравнению с 10% в 2020 году).

Графы знаний — новая технология ИИ. Они могут инкапсулировать ассоциации между фрагментами информации и стимулировать стратегии дополнительных продаж, механизмы рекомендаций и персонализированную медицину. Ожидается, что приложения обработки естественного языка (NLP) станут более изощренными, что обеспечит более интуитивное взаимодействие между людьми и машинами.

Искусственный интеллект и IBM Cloud

IBM является лидером в области продвижения технологий на основе ИИ для предприятий и является пионером в разработке систем машинного обучения для различных отраслей. Основываясь на десятилетиях исследований в области ИИ, многолетнем опыте работы с организациями любого размера и опыте более 30 000 проектов IBM Watson, IBM разработала лестницу ИИ для успешного развертывания искусственного интеллекта:

Сбор: Упрощение сбора и доступа к данным.
Организовать: Создание аналитической базы для бизнеса.
Анализ: Создание масштабируемых и надежных систем на основе ИИ.
Infuse: Интеграция и оптимизация систем во всей бизнес-инфраструктуре.
Модернизация: Перенос приложений и систем ИИ в облако.

IBM Watson предоставляет предприятиям инструменты искусственного интеллекта, необходимые им для преобразования их бизнес-систем и рабочих процессов, при этом значительно повышая автоматизацию и эффективность. Для получения дополнительной информации о том, как IBM может помочь вам завершить переход к ИИ, изучите портфель управляемых услуг и решений IBM

Подпишитесь на IBMid и создайте учетную запись IBM Cloud.

Ссылки по теме

Наука о данных и ИИ
АвтоИИ
Объяснимый ИИ
Облачные пакеты IBM

Что такое искусственный интеллект (ИИ)? Как работает ИИ?

МОДЕЛИРОВАНИЕ МАШИН ЧЕЛОВЕЧЕСКОГО ИНТЕЛЛЕКТА — ФУНДАМЕНТАЛЬНАЯ ЦЕЛЬ ИИ. | Изображение: Shutterstock

Как работает искусственный интеллект?

Что такое ИИ?

Менее чем через десять лет после того, как он помог силам союзников выиграть Вторую мировую войну, взломав нацистскую шифровальную машину «Энигма», математик Алан Тьюринг во второй раз изменил историю простым вопросом: «Могут ли машины думать?»

Статья Тьюринга 1950 года «Вычислительные машины и интеллект» и последовавший за ней Тест Тьюринга установили фундаментальную цель и видение ИИ.

По своей сути ИИ — это отрасль компьютерных наук, цель которой — утвердительный ответ на вопрос Тьюринга. Это попытка воспроизвести или смоделировать человеческий интеллект в машинах. Экспансивная цель ИИ породила множество вопросов и споров. Настолько, что ни одно единственное определение поля не является общепринятым.

Могут ли машины думать? – Алан Тьюринг, 1950

Определение ИИ

Основное ограничение определения ИИ как простого «создания интеллектуальных машин» заключается в том, что оно на самом деле не объясняет, что такое ИИ и что делает машину разумной. ИИ — это междисциплинарная наука с множеством подходов, но достижения в области машинного и глубокого обучения приводят к изменению парадигмы практически во всех секторах технологической отрасли.

Тем не менее, недавно были предложены различные новые тесты, которые были в основном хорошо приняты, в том числе исследовательская работа 2019 года, озаглавленная «Измерение интеллекта». В статье опытный исследователь глубокого обучения и инженер Google Франсуа Шолле утверждает, что интеллект — это «скорость, с которой учащийся превращает свой опыт и предшествующие знания в новые навыки при выполнении важных задач, связанных с неопределенностью и адаптацией». Другими словами: самые интеллектуальные системы способны использовать лишь небольшое количество опыта и продолжать угадывать, каким будет результат во многих различных ситуациях.

Между тем, в своей книге «Искусственный интеллект: современный подход » авторы Стюарт Рассел и Питер Норвиг подходят к концепции ИИ, объединяя свою работу вокруг темы интеллектуальных агентов в машинах. Имея это в виду, ИИ — это «изучение агентов, которые получают восприятие из окружающей среды и выполняют действия».

Ознакомьтесь с ведущими ИИ-компаниямиПросмотр всех ИИ-компаний

Норвиг и Рассел продолжают исследовать четыре различных подхода, которые исторически определили область ИИ:

Определение искусственного интеллекта: четыре типа подходов

Мыслить по-человечески: имитировать мысли, основанные на человеческом разуме.
Рациональное мышление: имитация мысли на основе логических рассуждений.
Поступать по-человечески: действовать таким образом, который имитирует человеческое поведение.
Действовать рационально: действовать таким образом, чтобы достичь определенной цели.

Первые две идеи касаются мыслительных процессов и рассуждений, а остальные касаются поведения. Норвиг и Рассел уделяют особое внимание рациональным агентам, которые действуют для достижения наилучшего результата, отмечая, что «все навыки, необходимые для теста Тьюринга, также позволяют агенту действовать рационально».

Бывший профессор искусственного интеллекта и компьютерных наук Массачусетского технологического института Патрик Уинстон определил ИИ как «алгоритмы, основанные на ограничениях, демонстрируемые представлениями, которые поддерживают модели, нацеленные на циклы, связывающие мышление, восприятие и действие».

Хотя эти определения могут показаться абстрактными для среднего человека, они помогают сфокусировать область как область компьютерных наук и дают план для наполнения машин и программ машинным обучением и другими подмножествами ИИ.

Будущее ИИ

Если принять во внимание вычислительные затраты и техническую инфраструктуру данных, лежащую в основе искусственного интеллекта, работа с искусственным интеллектом на самом деле является сложным и дорогостоящим делом. К счастью, компьютерные технологии значительно продвинулись вперед, о чем свидетельствует закон Мура, который гласит, что количество транзисторов в микрочипе удваивается примерно каждые два года, а стоимость компьютеров уменьшается вдвое.

Хотя многие эксперты считают, что закон Мура, скорее всего, перестанет действовать где-то в 2020-х годах, он оказал серьезное влияние на современные методы искусственного интеллекта — без него о глубоком обучении не могло быть и речи с финансовой точки зрения. Недавние исследования показали, что инновации в области искусственного интеллекта на самом деле превзошли закон Мура, удваиваясь каждые шесть месяцев или около того, а не два года.

Исходя из этой логики, искусственный интеллект добился значительных успехов в различных отраслях за последние несколько лет. И потенциал для еще большего воздействия в течение следующих нескольких десятилетий кажется почти неизбежным.

Типы искусственного интеллекта | Объяснение искусственного интеллекта | Что такое ИИ? | Эдурека | Видео: эдурека!

Четыре типа искусственного интеллекта

ИИ можно разделить на четыре категории в зависимости от типа и сложности задач, которые может выполнять система. Например, автоматическая фильтрация спама относится к самому базовому классу ИИ, в то время как далекий потенциал машин, способных воспринимать мысли и эмоции людей, является частью совершенно другого подмножества ИИ.

Какие существуют четыре типа искусственного интеллекта?

Реактивные машины: способны воспринимать окружающий мир и реагировать на него при выполнении ограниченных задач.
Ограниченная память: возможность хранить прошлые данные и прогнозы, чтобы информировать прогнозы о том, что может произойти дальше.
Теория разума: способность принимать решения, основываясь на своем восприятии того, что другие чувствуют и принимают решения.
Самосознание: способность оперировать человеческим сознанием и понимать собственное существование.

Реактивные машины

Реактивная машина следует самым основным принципам искусственного интеллекта и, как следует из ее названия, способна использовать свой интеллект только для восприятия окружающего мира и реагирования на него. Реактивная машина не может хранить память и, следовательно, не может полагаться на прошлый опыт для принятия решений в режиме реального времени.

Непосредственное восприятие мира означает, что реактивные машины предназначены для выполнения лишь ограниченного числа специализированных задач. Однако преднамеренное сужение мировоззрения реактивной машины не является какой-либо мерой по сокращению затрат, а вместо этого означает, что этот тип ИИ будет более надежным и надежным — он будет каждый раз реагировать одинаково на одни и те же стимулы.

Известным примером реактивной машины является Deep Blue, который был разработан IBM в 1990-х годах как суперкомпьютер для игры в шахматы и победил в игре международного гроссмейстера Гэри Каспарова. Deep Blue был способен только идентифицировать фигуры на шахматной доске и знать, как каждая из них движется, основываясь на правилах шахмат, узнавать текущее положение каждой фигуры и определять, какой ход будет наиболее логичным в данный момент. Компьютер не следил за будущими потенциальными ходами противника и не пытался поставить свои фигуры в более выгодное положение. Каждый поворот рассматривался как отдельная реальность, отдельная от любого другого движения, сделанного заранее.

Другой пример игровой реактивной машины — Google AlphaGo. AlphaGo также не способна оценивать будущие ходы, но полагается на свою собственную нейронную сеть для оценки развития текущей игры, что дает ей преимущество перед Deep Blue в более сложной игре. AlphaGo также превзошла конкурентов мирового уровня в игре, победив чемпиона мира по игре в го Ли Седоля в 2016 году. .

Ограниченная память

Ограниченная память ИИ способен хранить предыдущие данные и прогнозы при сборе информации и взвешивании потенциальных решений — по сути, заглядывая в прошлое в поисках подсказок о том, что может произойти дальше. ИИ с ограниченной памятью более сложен и предоставляет больше возможностей, чем реактивные машины.

ИИ с ограниченной памятью создается, когда команда постоянно обучает модель тому, как анализировать и использовать новые данные, или создается среда ИИ, позволяющая автоматически обучать и обновлять модели.

При использовании искусственного интеллекта с ограниченной памятью в машинном обучении необходимо выполнить шесть шагов: должны быть созданы обучающие данные, должна быть создана модель машинного обучения, модель должна быть способна делать прогнозы, модель должна иметь возможность получать обратную связь от человека или окружающей среды, эта обратная связь должна храниться в виде данных, и эти шаги должны повторяться в виде цикла.

Существует несколько моделей машинного обучения, в которых используется искусственный интеллект с ограниченной памятью:

Обучение с подкреплением , которое учится делать более точные прогнозы путем повторяющихся проб и ошибок.
Рекуррентные нейронные сети (RNN) , которые используют последовательные данные для получения информации из предыдущих входов, чтобы повлиять на текущий ввод и вывод. Они обычно используются для порядковых или временных задач, таких как языковой перевод, обработка естественного языка, распознавание речи и субтитры к изображениям. Одно подмножество рекуррентных нейронных сетей известно как долговременная кратковременная память (LSTM), которое использует прошлые данные, чтобы помочь предсказать следующий элемент в последовательности. LTSM рассматривают более свежую информацию как наиболее важную при составлении прогнозов и игнорируют данные из более далекого прошлого, но при этом используют их для формирования выводов.
Эволюционные генеративно-состязательные сети (E-GAN) , которые со временем развиваются, расширяясь, чтобы исследовать слегка измененные пути, основанные на предыдущем опыте, с каждым новым решением. Эта модель постоянно ищет лучший путь и использует симуляции и статистику или случайность для прогнозирования результатов на протяжении всего цикла эволюционных мутаций.
Трансформаторы, , представляющие собой сети узлов, которые учатся выполнять определенную задачу путем обучения на существующих данных. Вместо того, чтобы группировать элементы вместе, преобразователи могут запускать процессы так, чтобы каждый элемент во входных данных обращал внимание на все остальные элементы. Исследователи называют это «самовниманием», имея в виду, что как только он начинает тренироваться, трансформер может видеть следы всего набора данных.

Теория разума

Теория разума всего лишь теория. Мы еще не достигли технологических и научных возможностей, необходимых для достижения следующего уровня ИИ.

Концепция основана на психологической предпосылке понимания того, что у других живых существ есть мысли и эмоции, которые влияют на поведение человека. С точки зрения машин ИИ это будет означать, что ИИ может понимать, что чувствуют люди, животные и другие машины, и принимать решения посредством самоанализа и решимости, а затем будет использовать эту информацию для принятия собственных решений. По сути, машины должны были бы иметь возможность воспринимать и обрабатывать концепцию «разума», колебания эмоций при принятии решений и множество других психологических концепций в режиме реального времени, создавая двусторонние отношения между людьми и ИИ.

Что, если ИИ обретет самосознание? | Видео: ALLTIME10S

Самосознание

Как только будет создана теория разума, когда-нибудь далеко в будущем ИИ, последним шагом станет самосознание ИИ. Этот тип ИИ обладает сознанием человеческого уровня и понимает свое собственное существование в мире, а также присутствие и эмоциональное состояние других. Он сможет понять, что может понадобиться другим, основываясь не только на том, что они им сообщают, но и на том, как они это сообщают.

Самосознание в ИИ зависит как от людей-исследователей, понимающих предпосылки сознания, так и от того, как научиться воспроизвести это, чтобы его можно было встроить в машины.

Родственные типы искусственного интеллекта: руководство

Как используется ИИ? Примеры искусственного интеллекта

Обращаясь к аудитории на Japan AI Experience в 2017 году, генеральный директор DataRobot Джереми Ачин начал свою речь со следующего определения того, как ИИ используется сегодня:

«ИИ — это компьютерная система, способная выполнять задачи, которые обычно требуется человеческий интеллект. .. Многие из этих систем искусственного интеллекта основаны на машинном обучении, некоторые из них основаны на глубоком обучении, а некоторые — на очень скучных вещах, таких как правила».

Статьи по теме20+ Примеры использования ИИ в повседневной жизни

Другие классификации ИИ

Существует три способа классификации искусственного интеллекта в зависимости от его возможностей. Это не типы искусственного интеллекта, а этапы, через которые ИИ может развиваться, и только один из них на самом деле возможен прямо сейчас.

Узкий ИИ : иногда называемый «слабым ИИ», этот тип ИИ работает в ограниченном контексте и представляет собой симуляцию человеческого интеллекта. Узкий ИИ часто фокусируется на выполнении одной задачи очень хорошо, и хотя эти машины могут казаться разумными, они работают с гораздо большими ограничениями и ограничениями, чем даже самый простой человеческий интеллект.

Общий искусственный интеллект (AGI) : AGI, иногда называемый «сильным ИИ», — это тип ИИ, который мы видим в фильмах — например, роботы из Westworld или данные персонажей из Star Trek: Следующее поколение . ОИИ — это машина с общим интеллектом, и, как и человек, он может применить этот интеллект для решения любой проблемы.
Сверхразум : Вероятно, это будет вершина эволюции ИИ. Сверхразумный ИИ сможет не только воспроизвести сложные эмоции и интеллект человека, но и превзойти его во всех отношениях. Это может означать самостоятельные суждения и решения или даже формирование собственной идеологии.

Примеры узкого ИИ

Узкий ИИ, или, как его часто называют, слабый ИИ, окружает нас повсюду и, безусловно, является самой успешной реализацией ИИ на сегодняшний день. Он имеет ограниченные функции, которые могут помочь автоматизировать определенные задачи.

Из-за этой направленности узкий ИИ за последнее десятилетие претерпел многочисленные прорывы, которые принесли «значительные социальные выгоды и способствовали экономической жизнеспособности нации», согласно отчету, опубликованному администрацией Обамы за 2016 год.

Примеры искусственного интеллекта: Узкий AI

Siri, Alexa и другие интеллектуальные помощники
CARIVING
Google Search
Рекомендации
Электронные спама
Рекомендации Netflix

93333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333н. Глубокое обучение

Большая часть узконаправленного ИИ основана на прорывах в машинном обучении и глубоком обучении. Понимание разницы между ИИ, машинным обучением и глубоким обучением может сбивать с толку. Венчурный капиталист Фрэнк Чен дает хороший обзор того, как их различать, отмечая:

» Искусственный интеллект — это набор алгоритмов и интеллекта, которые пытаются имитировать человеческий интеллект. Машинное обучение — одна из них, а глубокое обучение — одна из таких технологий машинного обучения. »

Проще говоря, алгоритм машинного обучения получает данные от компьютера и использует статистические методы, чтобы помочь ему «научиться» тому, как постепенно улучшаться в выполнении задачи, не обязательно будучи специально запрограммированным для этой задачи. Вместо этого алгоритмы машинного обучения используют исторические данные в качестве входных данных для прогнозирования новых выходных значений. С этой целью машинное обучение состоит как из обучения с учителем (когда ожидаемый результат для ввода известен благодаря помеченным наборам данных), так и из обучения без учителя (когда ожидаемые результаты неизвестны из-за использования неразмеченных наборов данных).

Машинное обучение присутствует в повседневной жизни. Карты Google используют данные о местоположении со смартфонов, а также сообщаемые пользователями данные о таких вещах, как строительство и автомобильные аварии, чтобы отслеживать приливы и отливы трафика и оценивать, какой будет самый быстрый маршрут. Персональные помощники, такие как Siri, Alexa и Cortana, могут устанавливать напоминания, искать онлайн-информацию и управлять освещением в домах людей с помощью алгоритмов машинного обучения, которые собирают информацию, изучают предпочтения пользователя и улучшают его опыт на основе предыдущих взаимодействий с пользователями. . Даже фильтры Snapchat используют алгоритмы машинного обучения для отслеживания активности пользователей.

Между тем, глубокое обучение — это тип машинного обучения, который пропускает входные данные через архитектуру нейронной сети, вдохновленную биологией. Нейронные сети содержат ряд скрытых слоев, через которые обрабатываются данные, что позволяет машине «углубляться» в свое обучение, устанавливать связи и взвешивать входные данные для достижения наилучших результатов.

Самоуправляемые автомобили являются узнаваемым примером глубокого обучения, поскольку они используют глубокие нейронные сети для обнаружения объектов вокруг себя, определения их расстояния до других автомобилей, распознавания сигналов светофора и многого другого. Носимые датчики и устройства, используемые в сфере здравоохранения, также применяют глубокое обучение для оценки состояния здоровья пациента, включая уровень сахара в крови, артериальное давление и частоту сердечных сокращений. Они также могут выводить закономерности из предыдущих медицинских данных пациента и использовать их для прогнозирования любых будущих состояний здоровья.

Искусственный общий интеллект

Создание машины с человеческим интеллектом, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиски искусственного общего интеллекта были сопряжены с трудностями.

Поиск «универсального алгоритма обучения и действий в любой среде», как выразились Рассел и Норвиг, не нов. В отличие от слабого ИИ, сильный ИИ представляет собой машину с полным набором когнитивных способностей, но время не уменьшило трудности достижения такого подвига.

ОИИ долгое время был музой научной фантастики-антиутопии, в которой сверхразумные роботы наводняют человечество, но эксперты соглашаются, что в ближайшее время нам не о чем беспокоиться.

Хотя на данный момент AGI все еще является фантастикой, уже сейчас есть несколько удивительно сложных систем, которые приближаются к тесту AGI. Одним из них является GPT-3, авторегрессивная языковая модель, разработанная OpenAI, которая использует глубокое обучение для создания текста, похожего на человеческий. GPT-3 не является интеллектуальным, но с его помощью были созданы некоторые необычные вещи, в том числе чат-бот, который позволяет вам общаться с историческими личностями, и поисковая система на основе вопросов. MuZero, компьютерная программа, созданная DeepMind, является еще одним многообещающим лидером в стремлении достичь настоящего ОИИ. Ему удалось освоить игры, в которые его даже не учили играть, включая шахматы и целый набор игр Atari, с помощью грубой силы, играя в игры миллионы раз.

Сверхразум

Помимо узкого ИИ и ОИИ, некоторые считают, что существует третья категория, известная как сверхразум. На данный момент это полностью гипотетическая ситуация, в которой машины полностью самосознательны, даже превосходя человеческий интеллект практически во всех областях, от науки до социальных навыков. Теоретически этого можно было бы достичь с помощью одного компьютера, сети компьютеров или чего-то совершенно другого, если бы он был сознательным и имел субъективный опыт.

Ник Бостром, профессор-основатель и руководитель Оксфордского института будущего человечества, кажется, придумал этот термин еще в 1998 году и предсказал, что мы достигнем сверхчеловеческого искусственного интеллекта в первой трети 21-го века. Далее он сказал, что вероятность этого, вероятно, будет зависеть от того, насколько быстро нейробиология сможет лучше понять и воспроизвести человеческий мозг. Он добавил, что создание сверхразума путем имитации человеческого мозга потребует не только достаточно мощного оборудования, но также «адекватной исходной архитектуры» и «богатого потока сенсорной информации».

Искусственный интеллект: объяснение основ

— Реклама —

Если вы студент или специалист, интересующийся последними тенденциями в компьютерном мире, вы наверняка слышали такие термины, как искусственный интеллект, наука о данных, машинное обучение, глубокое обучение и т. д. В первой статье этой серии, посвященной искусственному интеллекту, объясняются эти термины и закладывается платформа для простого руководства, которое поможет новичкам начать работу с ИИ.

Сегодня абсолютно необходимо любому студенту или специалисту в области компьютерных наук изучить хотя бы основы ИИ, науки о данных, машинного обучения и глубокого обучения. Однако с чего начать это делать?

Чтобы ответить на этот вопрос, я просмотрел ряд учебников и учебных пособий, обучающих ИИ. Некоторые начинают с теоретического уровня (много математики), некоторые учат вас ИИ без языковой зависимости (им все равно, знаете ли вы C, C++, Java, Python или какой-либо другой язык программирования), а третьи предположим, что вы являетесь экспертом в области линейной алгебры, вероятности, статистики и т. д. На мой взгляд, все они в значительной степени полезны. Но остается важный вопрос — с чего начать свой путь абсолютному новичку, интересующемуся ИИ?

— Advertisement —

Честно говоря, есть много прекрасных способов начать свое путешествие по ИИ. Тем не менее, у меня есть некоторые опасения относительно многих из них. Слишком много математики отвлекает, а слишком мало похоже на водителя, который не знает, где находится двигатель его/ее машины. Начинать с продвинутых концепций действительно эффективно, если потенциальный инженер ИИ или специалист по данным хорошо разбирается в линейной алгебре, вероятности, статистике и т. д. Начать с самых основ и закончить в глуши хорошо, только если потенциальный ученик ИИ хочет закончить путешествие в этой конкретной точке. Принимая во внимание все эти факты, я считаю, что учебник по ИИ для начинающих должен начинаться с самых основ и заканчиваться реальным проектом ИИ (небольшим, но таким, который превзойдет любую обычную программу, способную выполнять ту же задачу).

Эта серия статей об ИИ начнется с самых основ и дойдет до среднего уровня. Но в дополнение к обсуждению тем, связанных с ИИ, я также хочу «избавиться от беспорядка» (название популярного индийского новостного шоу) по затронутым темам, поскольку среди людей возникает много путаницы, когда такие термины, как ИИ, машинное обучение, данные наука и т.д. Приложения на основе ИИ часто необходимы из-за огромного объема данных, создаваемых каждый день. Беглый поиск в Интернете покажет вам, что в день создается около 2,5 квинтиллионов байт данных (квинтиллион — это огромное число 1018). Однако помните, что большая часть этих данных абсолютно не имеет для нас значения, включая тонны видео на YouTube без каких-либо достоинств, электронные письма, отправленные без задней мысли, отчеты о тривиальных вещах в газетах и так далее, и тому подобное. Однако этот огромный океан данных также содержит бесценные знания, которые часто бесценны. Обычные программы не могут справиться с геркулесовой задачей обработки таких данных. ИИ — одна из немногих технологий, способных справиться с такой информационной перегрузкой.

Нам также необходимо различать правду и вымысел, когда речь идет о силе ИИ. Я помню выступление эксперта в области ИИ несколько лет назад. Он рассказал о системе распознавания изображений на основе искусственного интеллекта, которая способна классифицировать изображения сибирских хаски (порода собак) и сибирских снежных волков с абсолютной или почти абсолютной точностью. Поищите в Интернете, и вы увидите, насколько похожи эти два животных. Если бы система была такой точной, ее можно было бы считать триумфом ИИ. К сожалению, это было не так. Система распознавания изображений классифицировала только фоновые изображения двух животных. Изображения сибирских хаски (поскольку это домашние животные) почти всегда имели на заднем плане какие-либо прямоугольные или круглые объекты, тогда как изображения сибирских снежных волков (диких животных, обитающих в Сибири) имели на заднем плане снег. Такие примеры привели к необходимости в ИИ с некоторой гарантией точности в последние годы.

Действительно, в последние годы искусственный интеллект продемонстрировал часть своей истинной силы. Простой пример — предложения, которые мы получаем от многих веб-сайтов, таких как YouTube, Amazon и т. д. Много раз я был поражен предложениями, которые я получал, поскольку казалось, что ИИ может читать мои мысли. Являются ли такие предложения хорошими или плохими для нас в долгосрочной перспективе, является горячей темой для споров. Затем возникает критический вопрос: «Хорош ли ИИ или плох?» Я считаю, что будущее фильма «Терминатор», в котором машины преднамеренно атакуют людей, находится далеко-далеко в будущем. Однако слово «намеренно» в предыдущем предложении очень важно. В настоящее время системы на основе ИИ могут работать со сбоями и случайно наносить вред людям. Однако многие системы, заявляющие о возможностях ИИ, представляют собой обычные программы с большим количеством операторов «если» и «для», в которых нет никакой магии ИИ. Таким образом, можно с уверенностью сказать, что нам еще предстоит увидеть реальную силу ИИ в нашей повседневной жизни. Но будет ли это влияние хорошим (например, лечение рака) или плохим (дипфейковые видео мировых лидеров, ведущих к беспорядкам и войнам), еще предстоит увидеть. На личном уровне я считаю, что ИИ — это благо, которое значительно улучшит качество жизни грядущих поколений.

Что такое ИИ?

Итак, прежде чем двигаться дальше, давайте попробуем понять, как ИИ, машинное обучение, глубокое обучение, наука о данных и т. д. связаны, но отличаются друг от друга. Очень часто эти термины используются (ошибочно) как синонимы. Во-первых, давайте рассмотрим диаграмму Венна, которая представляет взаимосвязь между ИИ, машинным обучением, глубоким обучением и наукой о данных (рис. 1). Пожалуйста, имейте в виду, что это не единственная такая диаграмма Венна. Действительно, весьма вероятно, что вы можете найти другие диаграммы Венна, показывающие различные отношения между четырьмя различными объектами, показанными на рис. 1. Однако, на мой взгляд, рис. максимальная степень.

Рисунок 1: Иерархия ИИ и наука о данных

Прежде всего, позвольте мне сделать оговорку. Многие из определений терминов, используемых в этой первой статье этой серии об ИИ, могут быть математически не самыми точными. Я считаю, что формальное определение каждого термина с предельной точностью на этом уровне нашего обсуждения контрпродуктивно и является пустой тратой времени. Однако в последующих статьях этой серии мы вернемся к этим терминам и дадим им формальное определение. На данном этапе нашего обсуждения рассмотрим ИИ как набор программ, которые могут в некоторой степени имитировать человеческий интеллект. Но что я имею в виду под человеческим разумом?

Представьте, что ваша программа искусственного интеллекта — это годовалый ребенок. Как обычно, этот ребенок выучит свой родной язык, просто слушая людей, говорящих вокруг него. Вскоре он/она научится определять формы, цвета, объекты и т. д. без каких-либо затруднений. Далее он/она сможет реагировать на эмоции окружающих его людей. Например, любой трехлетний ребенок знает, как сладко уговорить своих родителей дать ему/ей все шоколадки и леденцы на палочке, которые он/она хочет. Точно так же программа ИИ тоже сможет чувствовать и адаптироваться к своему окружению, как ребенок. Однако такие настоящие приложения ИИ будут реализованы только в далеком будущем (если вообще будут).

На рис. 1 показано, что машинное обучение — это строгое подмножество ИИ и, как таковое, один из многих методов, используемых для реализации систем с искусственным интеллектом. Машинное обучение включает в себя методы, в которых большие наборы данных используются для обучения программ, чтобы можно было эффективно выполнять необходимую задачу. Кроме того, точность выполнения конкретной задачи увеличивается с увеличением количества обучающих наборов данных. Обратите внимание, что существуют и другие методы, используемые для разработки систем с искусственным интеллектом, таких как системы на основе булевой логики, системы на основе нечеткой логики, системы на основе генетического программирования и т. д. Однако в настоящее время машинное обучение является наиболее динамичной технологией, используемой для реализации систем на основе ИИ. На рис. 1 также показано, что глубокое обучение — это строгое подмножество машинного обучения, что делает его лишь одним из многих методов машинного обучения. Однако здесь я снова должен сообщить вам, что в настоящее время на практике большинство серьезных методов машинного обучения включают глубокое обучение. На данный момент я воздерживаюсь даже от попыток дать определение глубокому обучению. Просто имейте в виду, что глубокое обучение предполагает использование больших искусственных нейронных сетей.

Теперь, что делает наука о данных (красный кружок) на рисунке 1? Что ж, наука о данных — это дисциплина информатики/математики, которая занимается обработкой и интерпретацией больших наборов данных. Под большим, насколько большим я подразумеваю? Некоторые корпоративные гиганты, такие как Facebook, заявляли, что их серверы могут обрабатывать несколько петабайт данных еще в 2010 году. Поэтому, когда мы говорим об огромных данных, мы имеем в виду терабайты и петабайты, а не гигабайты данных. Многие приложения для обработки данных включают использование ИИ, машинного обучения и методов глубокого обучения. Следовательно, немного сложно игнорировать науку о данных, когда мы обсуждаем ИИ. Однако наука о данных включает множество традиционных методов программирования и управления базами данных, таких как использование Apache Hadoop для анализа больших данных.

В дальнейшем я буду использовать сокращения AI, ML, DL и DS, как показано на рисунке 1. Обсуждения в этой серии будут в основном сосредоточены на AI и ML с частыми дополнительными ссылками на науку о данных.

Начало нашего путешествия и несколько трудных выборов

Теперь, когда мы знаем темы, которые будут затронуты в этой серии статей, давайте обсудим предпосылки для участия в этом уроке. Я планирую освещать содержание таким образом, чтобы любой человек, который может работать на машине с Linux (человек, который может работать на машине с MS Windows или macOS, тоже подойдет, но некоторые шаги установки могут потребовать дополнительной помощи) вместе с основными знание математики и компьютерного программирования обязательно оценит мощь ИИ, как только он или она тщательно изучит эту серию.

ИИ можно изучать независимо от языка, не особо беспокоясь о языках программирования. Тем не менее, наше обсуждение будет включать в себя много программирования и будет выполняться на основе одного языка программирования. Итак, прежде чем мы исправим наш (программный) язык общения, давайте рассмотрим основные языки программирования, используемые для приложений AI, ML, DL и DS. Одним из первых языков, используемых для разработки приложений на основе ИИ, был Lisp, язык функционального программирования. Пролог, язык логического программирования, использовался в 1970-х для тех же целей. Мы обсудим больше о Лиспе и Прологе в следующих статьях, когда сосредоточимся на истории ИИ.

В настоящее время такие языки программирования, как Java, C, C++, Scala, Haskell, MATLAB, R, Julia и т. д., также используются для разработки приложений на основе ИИ. Однако огромная популярность и широкое использование Python в разработке приложений на основе ИИ почти сделали выбор единодушным. Следовательно, с этого момента мы продолжим наше обсуждение ИИ на основе Python. Однако позвольте мне предостеречь вас. С этого момента мы делаем ряд выборов (точнее, я делаю выбор за вас). Выбор в основном зависит от простоты использования, популярности и (в некоторых случаях) от моего собственного комфорта и знакомства с программным обеспечением/методом, а также от моих лучших намерений сделать это руководство максимально эффективным. Тем не менее, я призываю вас изучить любой другой потенциальный язык программирования, программное обеспечение или инструмент, который мы, возможно, не выбрали. Иногда такой альтернативный выбор может быть лучшим для вас в долгосрочной перспективе.

Теперь нам нужно сделать еще один немедленный выбор — использовать ли Python 2 или Python 3? Учитывая молодость и долгую карьеру многих потенциальных читателей этой серии, я буду придерживаться Python 3. Во-первых, давайте установим Python 3 в наши системы. Выполните команду «sudo apt install python3» в терминале Linux, чтобы установить последнюю версию Python 3 в вашей системе Ubuntu (Python 3, вероятно, уже установлен в вашей системе). Установка Python 3 в других дистрибутивах Linux также очень проста. Его также можно легко установить в операционных системах MS Windows и macOS. Следующая команда покажет вам версию Python 3, установленную в вашей системе:

 python3 --версия
Python 3.8.10

Нам нужно установить много пакетов Python по ходу прохождения серии. Следовательно, нам нужно установить систему управления пакетами. Некоторые из вариантов включают pip, Conda, Mamba и т. д. Я выбрал pip в качестве нашей системы управления пакетами для этого руководства, потому что она относительно проста, а также является рекомендуемым инструментом установки для Python. Лично я считаю, что и Conda, и Mamba более мощные, чем pip, и вы можете попробовать их. Тем не менее, я буду придерживаться pip. Команда «sudo apt install python3-pip» установит pip в системе Ubuntu. Обратите внимание, что pip, Conda и Mamba являются кроссплатформенными программами и могут быть установлены в системах Linux, Windows и macOS. Команда «pip3 –version» показывает версию pip, установленную в вашей системе, как показано ниже:

 pip 20. 0.2 из /usr/lib/python3/dist-packages/pip (python 3.8)

Теперь нам нужно установить интегрированную среду разработки (IDE) для Python. IDE помогают программистам очень легко писать, компилировать, отлаживать и выполнять код. На эту должность тоже много претендентов. PyCharm, IDLE, Spyder и т. д. — популярные IDE для Python. Однако, поскольку нашей основной целью является разработка приложений на основе искусственного интеллекта и обработки данных, мы рассматриваем двух других серьезных претендентов — JupyterLab и Google Colab. Строго говоря, это не просто IDE; скорее, это очень мощная интерактивная среда разработки на базе Web. Оба работают в веб-браузерах и предлагают огромные возможности. JupyterLab — это бесплатное программное обеспечение с открытым исходным кодом, поддерживаемое некоммерческой организацией Project Jupyter. Google Colab следует модели freemium, где базовая модель бесплатна, а за любые дополнительные функции требуется оплата. Я считаю, что Google Colab более мощный и имеет больше возможностей, чем JupyterLab. Однако из-за условно-бесплатной модели Google Colab и моей относительной неопытности в этом руководстве я выбрал JupyterLab, а не Google Colab. Но я настоятельно рекомендую вам ознакомиться с Google Colab в какой-то момент вашего путешествия в области ИИ.

JupyterLab можно установить локально с помощью команды «pip3 install jupyterlab». Команда «jupyter-lab» запустит JupyterLab в веб-браузере вашей системы по умолчанию. Более старая и аналогичная веб-система под названием Jupyter Notebook также предоставляется Project Jupyter. Блокнот Jupyter можно установить локально с помощью команды «pip3 install note» и выполнить с помощью команды «блокнот jupyter». Однако Jupyter Notebook менее мощный, чем JupyterLab, и теперь официально объявлено, что JupyterLab в конечном итоге заменит Jupyter Notebook. Следовательно, в этом уроке мы будем использовать JupyterLab, когда придет время. Однако на начальных этапах этого руководства мы будем использовать терминал Linux для запуска программ Python, и, следовательно, насущная потребность в pip, системе управления пакетами.

Anaconda — очень популярный дистрибутив языков программирования Python и R для приложений машинного обучения и обработки данных. Потенциальным инженерам по искусственному интеллекту и специалистам по данным рекомендуется также ознакомиться с Anaconda.

Теперь нам нужно исправить самый важный аспект этого урока — стиль, в котором мы будем освещать темы. Существует большое количество библиотек Python для поддержки разработки приложений на основе ИИ. Некоторые из них — NumPy, SciPy, Pandas, Matplotlib, Seaborn, TensorFlow, Keras, Scikit-learn, PyTorch и т. д. Многие учебники и учебные пособия по ИИ, машинному обучению и науке о данных основаны на полном охвате одного или нескольких эти пакеты. Хотя такое освещение функций конкретного пакета эффективно, я запланировал учебник, более ориентированный на математику. Сначала мы обсудим математическую концепцию, необходимую для разработки приложений ИИ, а затем проследим за обсуждением, представив необходимые основы Python и детали необходимых библиотек Python. Таким образом, в отличие от большинства других руководств, мы будем снова и снова возвращаться к библиотекам Python, чтобы изучить функции, необходимые для реализации определенных математических концепций. Однако время от времени я также прошу вас самостоятельно изучить некоторые основные понятия Python и математики. Это решает последний вопрос о характере этого урока.

После всего этого наращивания было бы грехом, если бы мы остановили эту статью на этом месте, не обсудив ни одной строки кода Python или математического объекта, необходимого для ИИ. Следовательно, мы переходим к изучению одной из самых важных тем в математике, необходимых для победы над ИИ и машинным обучением.

Векторы и матрицы

Матрица представляет собой прямоугольный массив чисел, символов или математических выражений, расположенных в строках и столбцах. На рис. 2 показана матрица 2 x 3 (произносится как «2 на 3»), имеющая 2 строки и 3 столбца. Если вы знакомы с программированием, эта матрица может быть представлена в виде двумерного массива во многих популярных языках программирования. Матрица только с одной строкой называется вектором-строкой, а матрица только с одним столбцом называется вектором-столбцом. Вектор [11, 22, 33] является примером вектора-строки.

Рисунок 2: Матрица 2 x 3

Но почему матрицы и векторы так важны при обсуждении ИИ и машинного обучения? Ну, это ядро линейной алгебры, раздела математики. Методы линейной алгебры широко используются в искусственном интеллекте и машинном обучении. Математики веками изучали свойства и применение матриц и векторов. У таких математиков, как Гаусс, Эйлер, Лейбниц, Кэли, Крамер и Гамильтон, есть теорема, названная в их честь в области линейной алгебры и теории матриц. Таким образом, за прошедшие годы в линейной алгебре было разработано множество методов для анализа свойств матриц и векторов.

Сложные данные часто можно легко представить в виде вектора или матрицы. Давайте посмотрим на простой пример. Рассмотрим человека, работающего в области медицинской транскрипции. Из медицинских карт лица по имени П. можно получить сведения о возрасте, росте в сантиметрах, весе в килограммах, систолическом артериальном давлении, диастолическом артериальном давлении и уровне сахара в крови натощак в миллиграммах/децилитрах. Кроме того, такая информация может быть легко представлена в виде вектора-строки. Например, P = [60, 160, 90, 130, 95, 160]. Но вот и первая проблема в области искусственного интеллекта и машинного обучения. Что, если есть миллиард медицинских записей. Задача будет неполной, даже если десятки тысяч специалистов будут вручную извлекать данные из этих миллиардов медицинских карт. Следовательно, приложения ИИ и машинного обучения пытаются извлечь данные из этих записей с помощью программ.

Вторая проблема в области искусственного интеллекта и машинного обучения — это интерпретация данных. Это обширная область, и есть ряд методов, которые стоит изучить. Мы рассмотрим наиболее важные из них в следующих статьях этой серии. Приложения на основе искусственного интеллекта и машинного обучения также сталкиваются с аппаратными проблемами в дополнение к математическим/вычислительным задачам. При огромном количестве обрабатываемых данных хранение данных, скорость процессора, энергопотребление и т. д. также становятся серьезной проблемой для приложений на основе ИИ. Помимо проблем, я считаю, что нам пора написать первую строчку кода ИИ.

Мы напишем простой скрипт Python для добавления двух векторов. Для этого мы используем библиотеку Python под названием NumPy. Это библиотека Python, поддерживающая многомерные матрицы (массивы) и множество математических функций для работы с ними. Команда «pip3 install numpy» установит пакет NumPy для Python 3. Обратите внимание, что NumPy был бы предустановлен, если бы вы использовали JupyterLab, Google Colab или Anaconda. Тем не менее, мы будем работать с терминала Linux в первых нескольких статьях этой серии об ИИ для простоты использования. Выполните команду «python3» на терминале Linux, чтобы работать из консоли Python. Эта консоль представляет собой программное обеспечение, позволяющее выполнять код Python построчно. На рис. 3 показано построчное выполнение кода Python для добавления двух векторов и отображения вывода на терминале.

Рисунок 3: Код Python для нахождения суммы двух векторов-строк

Сначала попробуем понять код. Важное замечание, прежде чем мы продолжим. Поскольку этот учебник предполагает очень небольшой опыт программирования, я буду обозначать строки кода как (базовый) или (ИИ). Строки, помеченные (базовые), являются частью классического кода Python, тогда как строки, помеченные (AI), являются частью кода Python для разработки приложений ИИ. Я знаю, что такая классификация не является необходимой или очень значимой. Однако я хочу различать базовый Python и продвинутый Python, чтобы программисты с базовыми и средними навыками программирования сочли это руководство полезным.

Строка кода import numpy as np (basic) импортирует библиотеку NumPy и называет ее np. Оператор импорта в Python похож на оператор #include в C/C++ для использования заголовочных файлов и оператор импорта в Java для использования пакетов. Строки кода a = np.array([11, 22, 33]) и b = np.array([44, 55, 66]) (AI) создают два одномерных массива с именами «a» и «b». . Позвольте мне сделать еще одно упрощение для понимания. Пока предположим, что вектор эквивалентен одномерному массиву. Строка кода c = np.add(a, b) (AI) складывает два вектора с именами «a» и «b» и сохраняет результат в векторе с именем «c». Конечно, именование переменных как «a», «b», «c» и т. д. является плохой практикой программирования, но математики склонны отличаться и называть векторы как «u», «v», «w» и т. д. Если вы абсолютный новичок в программировании на Python, пожалуйста, узнайте, как работают переменные в Python.

Наконец, строка кода print(c) (basic) выводит на терминал значение объекта, вектора [55 77 99]. Это строка основного кода Python. Вектор c = [55=11+44 77=22+55 99=33+66] дает вам подсказку о сложении вектора и матрицы. Однако, если вы хотите формально узнать, как складываются векторы и матрицы, и если в вашем распоряжении нет хороших учебников по математике по этой теме, я предлагаю вам просмотреть статью в Википедии о сложении матриц. Быстрый поиск в Интернете покажет вам, что классическая программа на C, C++ или Java для добавления двух векторов требует гораздо больше кода.