Искусственный интеллект формирует наш мир с 70-х годов или даже раньше. К искусственному интеллекту традиционно относят:
1. Нейронные сети - алгоритм статистического машинного обучения, который вдохновлен общей стратегией обработки информации мозга;
2. Экспертные системы, которые стали одними из первых действительно успешных форм программного обеспечения искусственного интеллекта (ИИ). Это пример системы, основанной на знаниях, которая состоит из двух подсистем: базы знаний и механизма логического вывода. База знаний представляет факты о мире.
Механизм вывода представляет собой автоматизированную систему рассуждений, которая оценивает текущее состояние базы знаний, применяет соответствующие правила, а затем вводит новые знания в базу знаний. Основная идея заключается в том, что интеллектуальные системы получают свою силу от знаний, которыми они обладают, а не от конкретных формализмов и схем вывода, которые они используют;
3. « Sub-Оптимус » подходы, такие как генетические алгоритмы, охраняемая Поддержка Vector Machine / кластеризация, модели с соответствующими алгоритмами обучения , которые анализируют данные, используемые для классификации и регрессионного анализа.
В 1950 году небольшая группа единомышленников, работающих в сфере ещё только зарождающейся информатики, поставила перед собой задачу заставить компьютеры «думать».
Недра искусственного интеллекта
ИИ - это не что иное, как интеллект, внедряемый в машины,он неразрывно связан с нейронными сетями, но на самом деле это очень сложная математическая интерполяция.
Очень сложно представить, как может работать биологический мозг. Нейробиологи не применяют этот термин из-за путаницы, которую он может создать. ИИ - это обучение на собственном опыте путем изменения силы соединения, определяющего, насколько сильно нейроны влияют друг на друга. Он проходит три фазы: обучение, выполнение и самокоррекцию.
ИИ в основном вставляет фактор «опыт» в компьютер, поэтому компьютер может учиться на нем и улучшать каждый раз, когда совершается определенное действие.
Для этого ИИ использует процесс, называемый машинным обучением, который дает компьютерам возможность учиться без явного программирования и глубокое обучение, которое является подмножеством архитектур в области искусственных нейронных сетей.
Давайте начнем изнутри и перейдем к общей картине.
Глубокое обучение
В настоящее время это самая распространенная область искусственного интеллекта, так как это инструмент, который сближает машинное обучение и биологическое мышление.
Глубокое обучение - это глубоко структурированное обучение или иерархическое обучение, оно является частью более широкого семейства методов машинного обучения, основанных на представлении данных обучения, в отличие от алгоритмов, специфичных для конкретных задач. Он имитирует биологические нейронные сети мозга, чтобы создать определенное количество паттернов, используя две вещи: большие данные и большую мощность компьютера.
Архитектуры глубокого обучения, такие как глубокие нейронные сети, сети глубоких убеждений и рекуррентные нейронные сети, применяются в таких областях, как компьютерное зрение, распознавание речи, обработка естественного языка, распознавание аудио, фильтрацию социальных сетей, машинный перевод, биоинформатику.
Это становится все более и более востребованным компаниями, которые хотят быть более эффективными и стремиться к инновациям быстрее, чем их конкуренты.
Исторически компьютерные методы очень плохо распознавали закономерности или отношения друг с другом, с нейронными сетями это стало намного проще. Они разбивает сложные отношения на более простые.
Когда мы работаем с небольшими объемами данных, такие методы, как SVM могут быть хорошим вариантом. Однако с нынешней тенденцией IOT (интернет вещей) все более становится цифровым, и компании все время начинают работать с большим количеством наборов данных. Чтобы иметь возможность управлять этими объемами данных, мы должны внедрить глубокое обучение в нашу стратегию.
Машинное обучение
Можно сказать, что это программное обеспечение, обученное алгоритму, который позволяет ему извлекать уроки из прошлой информации, из опыта людей и генерировать информацию из данных, с которыми они сталкиваются, и применять ее для будущих решений.
Машинное обучение хорошо известно в области прогнозной аналитики. Машинное обучение позволяет исследователям данных, инженерам и аналитикам вырабатывать надежные, повторяемые решения и результаты, а также раскрывать скрытые данные путем изучения исторических взаимосвязей и тенденций в данных.
Обычно машинное обучение подразделяют на три разных направления: обучение под наблюдением, неподготовленное обучение и обучение с подкреплением.
Обучение под наблюдением - алгоритм разрабатывает функцию для прогнозирования выходных значений.
Неподготовленное обучение - оно исследует данные и может сделать выводы из наборов данных для описания скрытых структур из немаркированных данных.
Обучение с подкреплением - этот метод предназначен для взаимодействия с окружающей средой посредством действия частей и поиска ошибок. Это метод позволяет системе находить лучшее решение в своей среде, чтобы максимизировать свою производительность.
Текущая ситуация
В истории человечества всегда была потребность в понимании метода мышления человека и того, каким образом биологическое мышление с самого начала было таким продуктивным.
Бренды и компании всегда боролись за понимание, владение и лучшее управление всеми теми объемами информации, которые мы используем все время. Сейчас, наверное, все те инструменты и вещи, которые вы используете ежедневно, основаны на цифровых функциях.
Это накапливается в огромном количестве данных, которые передают информацию о нас компаниям: все, что нам нравится, что мы говорим, как долго говорим, что мы хотим изменить и что неприкасаемо для нас.
ИИ помогает этим компаниям управлять и контролировать эту информацию, повышая эффективность процессов.
Большая пятерка - Apple, Google, Microsoft, Facebook и Amazon - внедряют свой бизнес-рынок и продукты, используя глубоко изученные нейронные сети.
Некоторые люди считают, что помимо положительного эффекта, который ИИ будет нести сам по себе для общества, он способен и разрушить его, устраняя некоторые человеческие аспекты производственного процесса.
