Искусственном интеллекте: Что такое искусственный интеллект (ИИ)?

Содержание

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 »

ВОЗ публикует первый глобальный доклад об искусственном интеллекте (ИИ) в сфере здравоохранения и 6 руководящих принципов разработки и использования соответствующих инструментов


ВОЗ публикует первый глобальный доклад об искусственном интеллекте (ИИ) в сфере здравоохранения и 6 руководящих принципов разработки и использования соответствующих инструментов

    • Популярные темы

      • Загрязнение воздуха
      • Коронавирусная болезнь (COVID-19)
      • Гепатит
    • Данные и статистика »

      • Информационный бюллетень
      • Факты наглядно
      • Публикации
    • Найти страну »
    • А
    • Б
    • В
    • Г
    • Д
    • Е
    • Ё
    • Ж
    • З
    • И
    • Й
    • К
    • Л
    • М
    • Н
    • О
    • П
    • Р
    • С
    • Т
    • У
    • Ф
    • Х
    • Ц
    • Ч
    • Ш
    • Щ
    • Ъ
    • Ы
    • Ь
    • Э
    • Ю
    • Я
    • ВОЗ в странах »

      • Репортажи
    • Регионы »

      • Африка
      • Америка
      • Юго-Восточная Азия
      • Европа
      • Восточное Средиземноморье
      • Западная часть Тихого океана
    • Центр СМИ

      • Пресс-релизы
      • Заявления
      • Сообщения для медиа
      • Комментарии
      • Репортажи
      • Онлайновые вопросы и ответы
      • События
      • Фоторепортажи
      • Вопросы и ответы
    • Последние сведения
    • Чрезвычайные ситуации »
    • Новости »

      • Новости о вспышках болезней
    • Данные ВОЗ »
    • Приборные панели »

      • Приборная панель мониторинга COVID-19
    • Основные моменты »
    • Информация о ВОЗ »

      • Генеральный директор
      • Информация о ВОЗ
      • Деятельность ВОЗ
      • Где работает ВОЗ
    • Руководящие органы »

      • Всемирная ассамблея здравоохранения
      • Исполнительный комитет
    • Главная страница/
    • Пресс-релизы/
    • item/
    • ВОЗ публикует первый глобальный доклад об искусственном интеллекте (ИИ) в сфере здравоохранения и 6 руководящих принципов разработки и использования соответствующих инструментов

    Женева. Искусственный интеллект (ИИ) открывает большие перспективы для улучшения оказания услуг в области медицины и здравоохранения во всем мире, но только в том случае, если во главу угла при его разработке, внедрении и использовании будут поставлены этические принципы и права человека. Об этом говорится в опубликованном сегодня новом руководящем документе ВОЗ.

    Доклад «Этика и управление искусственным интеллектом в интересах здоровья» стал результатом двухлетних консультаций, проведенных группой назначенных ВОЗ международных экспертов.

    «Как и все новые технологии, искусственный интеллект обладает огромным потенциалом для улучшения здоровья миллионов людей во всем мире, но, как и все технологии, он также может быть использован неправильно и способен причинить вред, — заявил Генеральный директор ВОЗ д-р Тедрос Аданом Гебрейесус. — Этот важный новый доклад призван помочь странам максимально широко использовать преимущества ИИ, сводя при этом к минимуму связанные с ним риски и опасности».

    Искусственный интеллект можно использовать (и в некоторых богатых странах это уже происходит) для повышения скорости и точности диагностики заболеваний и скрининга; для оказания помощи в лечебной работе; для проведения научных исследований в области здравоохранения и усовершенствования процесса разработки лекарств, а также для поддержки различных мероприятий в области общественного здравоохранения, таких как эпиднадзор за болезнями, реагирование на вспышки болезней и управление системами здравоохранения.

    ИИ также может дать пациентам возможность лучше контролировать свое здоровье и лучше понимать свои меняющиеся потребности. Кроме того, ИИ мог бы улучшить доступ к службам здравоохранения в странах с дефицитом ресурсов и в сельской местности, где пациентам зачастую сложно получить помощь врачей и других медицинских работников.

    Однако новый доклад ВОЗ предостерегает: не следует переоценивать преимущества ИИ в сфере здравоохранения, особенно в ущерб базовым инвестициям и стратегиям, необходимым для достижения всеобщего охвата населения услугами здравоохранения.

    В нем также отмечается, что возможности неразрывно связаны с проблемами и рисками, включая неэтичный сбор и использование данных о здоровье; предубеждения, заложенные в алгоритмы; риски безопасности пациентов, кибербезопасности и экологические риски, обусловленные использованием ИИ.      

    Например, наряду с тем, что решающее значение для разработки и внедрения ИИ имеют инвестиции частного и государственного секторов, нерегулируемое использование ИИ может подчинить права и интересы пациентов и сообществ мощным коммерческим интересам технологических компаний или интересам правительств в области наблюдения за людьми и социального контроля.

    В докладе также подчеркивается, что системы, обученные главным образом на основе данных, собранных у лиц в странах с высоким уровнем дохода, могут работать некорректно в странах с низким и средним уровнем дохода.

    Поэтому системы ИИ необходимо разрабатывать тщательно, чтобы они отражали разнообразие социально-экономических условий и состояние системы здравоохранения. Их разработка должна сопровождаться обучением людей цифровым навыкам, взаимодействию с сообществами и повышением осведомленности населения. Это особенно важно для миллионов медицинских работников, которым потребуется цифровая грамотность или переподготовка, если их роли и функции будут автоматизированы, и которые должны уметь справляться с машинами, способными влиять на процесс принятия решений и автономию поставщиков услуг и пациентов.

    В конечном счете правительства, поставщики услуг и разработчики технологий должны работать совместно для решения проблем этики и прав человека на каждом этапе проектирования, разработки и внедрения технологии ИИ, руководствуясь при этом существующими законами и обязательствами в области прав человека, а также новыми законами и стратегиями, закрепляющими этические принципы. 

    Шесть принципов, позволяющих гарантировать работу ИИ в интересах общества во всех странах

    С целью ограничения рисков и увеличения возможностей, обусловленных использованием ИИ в сфере здравоохранения, ВОЗ предлагает следующие принципы в качестве основы для регулирования использования ИИ и управления им.

    Защита автономии человека. В контексте здравоохранения это означает, что люди должны по-прежнему контролировать системы здравоохранения и врачебные решения. Необходимо защитить неприкосновенность частной жизни и конфиденциальность передаваемых данных, при этом пациенты должны давать юридически действительное информированное согласие на их обработку, используя соответствующие правовые рамки, предусмотренные для защиты данных.

    Содействие благополучию и безопасности человека и общественным интересам. Разработчики технологий ИИ должны выполнять нормативные требования к обеспечению безопасности, точности и эффективности для четко определенных случаев использования или показаний. Необходимо иметь в наличии средства контроля качества использования ИИ на практике и средства повышения этого качества.

    Обеспечение прозрачности, объяснимости и понятности. Прозрачность требует, чтобы до разработки или внедрения технологии ИИ была опубликована или задокументирована соответствующая информация в должном объеме. Такая информация должна быть легкодоступной и должна способствовать проведению содержательных консультаций с общественностью и обсуждению вопроса о том, как данная технология разрабатывается и как ее следует или не следует использовать.

    Содействие ответственности и подотчетности. Хотя технологии ИИ нацелены на выполнение конкретных задач, заинтересованные стороны отвечают за то, чтобы они использовались в соответствующих условиях и надлежащим образом подготовленными людьми. Необходимо создать эффективные механизмы опроса лиц и групп, на которые отрицательно повлияли решения, основанные на алгоритмах, и возмещения им ущерба.

    Обеспечение инклюзивности и справедливости. Принцип инклюзивности требует, чтобы разработка ИИ в сфере здравоохранения велась так, чтобы поощрять как можно более широкое и справедливое его использование и доступ к нему независимо от возраста, пола, гендера, дохода, расы, этнической принадлежности, сексуальной ориентации, способностей и других характеристик, предусмотренных законами, защищающими права человека.

    Продвижение ИИ, отвечающего принципам адаптивности и устойчивого развития. Проектировщики, разработчики и пользователи должны постоянно и прозрачно оценивать приложения ИИ во время их фактического использования с целью определения того, насколько ИИ соответствует ожиданиям и требованиям. Кроме того, системы ИИ необходимо проектировать так, чтобы свести к минимуму экологические последствия от их использования и повысить их энергоэффективность. Правительства и компании должны учесть ожидаемые сбои в работе систем ИИ на рабочем месте, включая обучение работников здравоохранения с целью адаптации к использованию таких систем, и потенциальную потерю рабочих мест из-за использования автоматизированных систем.     

    Эти принципы будут служить ориентирами для ВОЗ в ее будущей работе по поддержке усилий, направленных на использование всего потенциала ИИ, разрабатываемого для сферы здравоохранения и общественного здоровья, на благо всех людей.

    404: Страница не найдена

    Страница, которую вы пытались открыть по этому адресу, похоже, не существует. Обычно это результат плохой или устаревшей ссылки. Мы приносим свои извинения за доставленные неудобства.

    Что я могу сделать сейчас?

    Если вы впервые посещаете TechTarget, добро пожаловать! Извините за обстоятельства, при которых мы встречаемся. Вот куда вы можете пойти отсюда:

    Поиск

    • Узнайте последние новости.
    • Наша домашняя страница содержит самую свежую информацию о корпоративном искусственном интеллекте.
    • Наша страница «О нас» содержит дополнительную информацию о сайте, на котором вы находитесь, SearchEnterpriseAI.
    • Если вам нужно, свяжитесь с нами, мы будем рады услышать от вас.

    Просмотр по категории

    ПоискБизнесАналитика


    • Alteryx запускает SaaS-версию Designer в Analytics Cloud

      Полностью облачная версия Designer способствует переходу поставщика к облаку, который начался в начале 2022 года с запуском…


    • Инструменты пакетов Tableau в Analytics Performance Bundle

      Комбинация из четырех инструментов обеспечивает экономию средств для клиентов и предназначена для того, чтобы пользователи могли лучше извлекать выгоду из . ..


    • Knime представляет центр совместной работы для аналитики и науки о данных

      Облачный концентратор, созданный в дополнение к платформе Knime BI, представляет собой среду для совместного использования, совместной работы и запуска данных …

    ПоискCIO


    • Поселение Google усиливает внимание к методам работы с данными

      Урегулирование Google почти на 400 миллионов долларов в связи с данными о местоположении пользователей показывает, что регулирующие органы хотят привлечь компании к ответственности, но все же …


    • «Скорость и масштаб» содержит советы по борьбе с изменением климата для всех

      Компании, частные лица и правительства должны работать вместе для борьбы с глобальным климатическим кризисом, согласно «Speed ​​& Scale» …


    • Падение данных по технологической инфляции — что это значит для ИТ-бюджетов?

      Последние данные правительства США о ценах производителей, которые показывают снижение стоимости серверов, хранилищ и услуг, могут сигнализировать о . ..

    SearchDataManagement


    • Alluxio 2.9 расширяет возможности оркестровки данных с открытым исходным кодом

      Синхронизация кластера с несколькими средами реализована на платформе Alluxio, чтобы предоставить организациям единое представление данных в нескольких …


    • Microsoft SQL Server 2022 соединяет локальную среду с облачной

      Включение гибридных развертываний, охватывающих облако и локальную среду, является ключевой целью последнего обновления Microsoft своего 33-летнего …


    • PlanetScale расширяет облачную базу данных с помощью кэширования данных

      Поставщик базы данных позволит пользователям ускорить запросы, которые выполняются медленно, с помощью новой службы Boost, которая использует аналитические данные…

    ПоискERP


    • RFID в цепочке поставок: 6 примеров использования сегодня

      RFID по-прежнему применим для управления цепочками поставок. Вот шесть способов, которыми организации могут использовать его для поддержки инвентаризации…


    • Celonis стремится углубить и демократизировать технологический майнинг

      Celonis представила Process Sphere, позволяющую компаниям создавать карты по функциональным областям, и Business Miner, который перемещает …


    • Активные и пассивные RFID-метки: что выбрать

      Как у активных, так и у пассивных RFID-меток есть свои преимущества и недостатки. Организация должна узнать, что они из себя представляют и что они …

    Что это такое и как его использовать

    Что такое искусственный интеллект (ИИ)?

    Искусственный интеллект (ИИ) относится к моделированию человеческого интеллекта в машинах, которые запрограммированы думать как люди и имитировать их действия. Этот термин также может применяться к любой машине, которая демонстрирует черты, связанные с человеческим разумом, такие как обучение и решение проблем.

    Идеальной характеристикой искусственного интеллекта является его способность рационализировать и предпринимать действия, которые имеют наилучшие шансы на достижение конкретной цели. Подмножеством искусственного интеллекта является машинное обучение (ML), которое относится к концепции, согласно которой компьютерные программы могут автоматически обучаться и адаптироваться к новым данным без помощи человека. Методы глубокого обучения обеспечивают автоматическое обучение за счет поглощения огромных объемов неструктурированных данных, таких как текст, изображения или видео.

    Ключевые выводы

    • Искусственный интеллект (ИИ) относится к моделированию или приближению человеческого интеллекта в машинах.
    • Цели искусственного интеллекта включают компьютерное обучение, рассуждения и восприятие.
    • Сегодня искусственный интеллект используется в различных отраслях, от финансов до здравоохранения.
    • Слабый ИИ, как правило, прост и ориентирован на выполнение одной задачи, в то время как сильный ИИ выполняет более сложные и похожие на человека задачи.
    • Некоторые критики опасаются, что широкое использование продвинутого ИИ может оказать негативное влияние на общество.

    Понимание искусственного интеллекта (ИИ)

    Когда большинство людей слышат термин «искусственный интеллект», первое, о чем они обычно думают, — это роботы. Это потому, что в высокобюджетных фильмах и романах рассказывается о человекоподобных машинах, которые сеют хаос на Земле. Но ничто не может быть дальше от истины.

    Искусственный интеллект основан на том принципе, что человеческий интеллект можно определить таким образом, чтобы машина могла легко имитировать его и выполнять задачи, от самых простых до еще более сложных. Цели искусственного интеллекта включают имитацию когнитивной деятельности человека. Исследователи и разработчики в этой области добиваются удивительно быстрых успехов в имитации таких действий, как обучение, рассуждение и восприятие, в той мере, в какой они могут быть конкретно определены. Некоторые считают, что вскоре новаторы смогут разработать системы, которые превзойдут возможности людей в изучении или осмыслении любого предмета. Но другие остаются скептичными, потому что вся когнитивная деятельность пронизана оценочными суждениями, которые зависят от человеческого опыта.

    По мере развития технологий предыдущие тесты, которые определяли искусственный интеллект, устаревают. Например, машины, которые вычисляют базовые функции или распознают текст с помощью оптического распознавания символов, больше не считаются воплощением искусственного интеллекта, поскольку эта функция теперь воспринимается как неотъемлемая функция компьютера.

    ИИ постоянно развивается, чтобы принести пользу многим различным отраслям. Машины подключаются с использованием междисциплинарного подхода, основанного на математике, информатике, лингвистике, психологии и многом другом.

    Алгоритмы часто играют очень важную роль в структуре искусственного интеллекта, где простые алгоритмы используются в простых приложениях, а более сложные помогают создать сильный искусственный интеллект.

    Применение искусственного интеллекта

    Сферы применения искусственного интеллекта безграничны. Технология может применяться во многих различных секторах и отраслях. ИИ тестируется и используется в сфере здравоохранения для дозирования лекарств и раздачи различных видов лечения, адаптированных к конкретным пациентам, а также для помощи в хирургических процедурах в операционной.

    Другие примеры машин с искусственным интеллектом включают компьютеры, играющие в шахматы, и беспилотные автомобили. Каждая из этих машин должна взвешивать последствия любого действия, которое они предпринимают, поскольку каждое действие влияет на конечный результат. В шахматах конечным результатом является победа. Для беспилотных автомобилей компьютерная система должна учитывать все внешние данные и вычислять их, чтобы действовать таким образом, чтобы предотвратить столкновение.

    Искусственный интеллект также находит применение в финансовой отрасли, где он используется для обнаружения и пометки действий в банковской сфере и финансах, таких как необычное использование дебетовых карт и крупные депозиты на счетах, — все это помогает отделу мошенничества банка. Приложения для искусственного интеллекта также используются для оптимизации и упрощения торговли. Это делается путем облегчения оценки предложения, спроса и цен на ценные бумаги.

    Типы искусственного интеллекта

    Искусственный интеллект можно разделить на две разные категории: слабый и сильный. Слабый искусственный интеллект представляет собой систему, предназначенную для выполнения одной конкретной работы. Слабые системы ИИ включают в себя видеоигры, такие как пример с шахматами выше, и личных помощников, таких как Alexa от Amazon и Siri от Apple. Вы задаете помощнику вопрос, и он отвечает на него за вас.

    Сильные системы искусственного интеллекта — это системы, которые выполняют задачи, которые считаются человеческими. Это, как правило, более сложные и запутанные системы. Они запрограммированы на то, чтобы справляться с ситуациями, в которых от них может потребоваться решение проблемы без вмешательства человека. Такие системы можно найти в таких приложениях, как беспилотные автомобили или в операционных больницах.

    Особые указания

    С самого начала искусственный интеллект подвергался пристальному вниманию как ученых, так и общественности. Одной из общих тем является идея о том, что машины станут настолько развитыми, что люди не смогут угнаться за ними, и они начнут развиваться сами по себе, переделывая себя с экспоненциальной скоростью.

    Во-вторых, машины могут взламывать частную жизнь людей и даже использоваться в качестве оружия. Другие аргументы касаются этики искусственного интеллекта и того, следует ли обращаться с интеллектуальными системами, такими как роботы, с теми же правами, что и с людьми.

    Беспилотные автомобили вызывают довольно много споров, поскольку их машины, как правило, рассчитаны на минимально возможный риск и наименьшие потери. Если бы представили сценарий столкновения с тем или иным человеком одновременно, эти автомобили рассчитали бы вариант, который нанесет наименьший ущерб.

    Еще один спорный вопрос, который возникает у многих людей в связи с искусственным интеллектом, заключается в том, как он может повлиять на занятость людей. Поскольку многие отрасли стремятся автоматизировать определенные рабочие места с помощью интеллектуального оборудования, есть опасения, что люди будут вытеснены с рынка труда. Самоуправляемые автомобили могут устранить потребность в такси и программах совместного использования автомобилей, в то время как производители могут легко заменить человеческий труд машинами, что сделает человеческие навыки устаревшими.

    Считается, что первым искусственным интеллектом был компьютер для игры в шашки, созданный компьютерными учеными Оксфордского университета (Великобритания) в 1951 году.

    Каковы 4 типа ИИ?

    Искусственный интеллект можно разделить на четыре типа.

    • Реактивный ИИ использует алгоритмы для оптимизации выходных данных на основе набора входных данных. Например, ИИ для игры в шахматы — это реактивные системы, которые оптимизируют наилучшую стратегию для победы в игре. Реактивный ИИ, как правило, довольно статичен, неспособен учиться или адаптироваться к новым ситуациям. Таким образом, он будет производить одинаковый результат при одинаковых входных данных.
    • Ограниченная память AI может адаптироваться к прошлому опыту или обновляться на основе новых наблюдений или данных. Зачастую количество обновлений ограничено (отсюда и название), а объем памяти относительно невелик. Автономные транспортные средства, например, могут «читать дорогу» и адаптироваться к новым ситуациям, даже «извлекая уроки» из прошлого опыта.
    • Теория разума ИИ полностью адаптивны и обладают обширными способностями к обучению и сохранению прошлого опыта. К этим типам ИИ относятся продвинутые чат-боты, которые могут пройти тест Тьюринга, обманывая человека, заставляя его поверить в то, что ИИ был человеком. Хотя эти продвинутые и впечатляющие, эти ИИ не обладают самосознанием.
    • Самоосознающий ИИ , как следует из названия, становится разумным и осознает свое существование. Некоторые эксперты все еще относятся к области научной фантастики и считают, что ИИ никогда не станет сознательным или «живым».