Найти в Дзене

Как устроен искусственный интеллект

Оглавление

Как мы говорили ранее сегодняшний искусственный интеллект можно назвать слабым и абсолютное большинство успехов в области ИИ основано на работе с данными и машинном обучении.

Как устроен искусственный интеллект
Как устроен искусственный интеллект

Искусственный интеллект сегодня не может ни кому угрожать, потому что сегодня это некое устройство и алгоритм.

Слабый ИИ - Это имитация одной когнитивной функции человека, очень узкоспециализированный алгоритм.
Например: распознавание лиц, номеров автомобилей, интеллектуальные игры, сложные вычисления, машинный перевод.

Из чего состоит искусственный интеллект

Сейчас ИИ упрощенно можно представить в виде конструктора из трех основных составляющих:
1.
Данные - база данных содержащая в себе числа, текст, видео, фото, тексты, аудио.

Данные
Данные

2. Программное обеспечение - благодаря труду ученых и программистов, сегодня есть уже готовые библиотеки по машинному обучению, которые не требуют глубокого понимания как они работают, и используются в основном как черный ящик.

Программное обеспечение библиотеки машинного обучения
Программное обеспечение библиотеки машинного обучения

Люди в большинстве случаев не понимают как это работает, просто используют блоки. Подают данные в черный ящик и получают результат, но не могут объяснить почему система приняла именно такое решение.

3. Обеспечивающие технологии (камеры, видеокарты GPU, датчики, роботы и т.д.)

Технологии AI
Технологии AI

Что такое машинное обучение

Машинное обучение - технологии автоматического обучения алгоритмов ИИ распознаванию и классификации на тестовых выборках данных объектов.

Процесс обучения идет следующим образом:

Обрабатывается много явлений, машина ищет закономерности на их основе строиться алгоритм принятия решения.

Большинство задач машинного обучения сводиться к трем кассам

  1. Регрессия - установление аналитического выражения зависимости между исследуемыми признаками
Регрессия — предсказание значение
Регрессия — предсказание значение

Цель задачи регрессии — предсказать значение числовой переменной на основе значений одной или более переменной предикторов независимых переменных), которые могут быть либо числовыми, либо категориальными.

Примеры задач регрессии:

  • предсказание зарплаты по резюме
  • оценка стоимости квартир
  • предсказание курса доллара США к рублю и т. д.

2. Классификация - построение моделей, определяющих отношение интересующего нас объекта к одному из нескольких известных классов.

Пример у нас есть фото с, модель классифицирует: здесь собаки, здесь кошки.

Модель классифицирует: здесь собаки, здесь кошки.
Модель классифицирует: здесь собаки, здесь кошки.

Примеры задач классификации :

  • отличить один вид от другого
  • найти брак или дефект по фото
  • выявление лидеров социальных сетей и связей между людьми в различных группах.

3. Кластеризация - Разбивка всей исходной совокупности элементов на отдельные группы однородных объектов, сходных между собой, но имеющих четкие отличия этих групп друг от друга.

Кластеризация
Кластеризация

Например есть устойчивые кластеры покупателей интернет-магазина. По всем заказам надо понять какие группы существуют, и какие они делают покупки чаще всего. на основе этих данных можно подобрать автоматически товары, которые могут быть интересны этой группе.

Примеры задач кластеризации:

  • группировка пользователей интернет магазина
  • группировка объектов по энергопотреблению
  • выявление лидеров социальных сетей и связей между людьми в различных группах.

Если вы хотите проконсультироваться, где применить в вашей работе искусственный интеллект оставляйте заявку на нашем сайте или связывайтесь любым удобным способом.

Команда Ivanov Lab не стремимся заменить людей и видит в ИИ продолжение людей, а не противоположность.

Если понравилась статья ставьте лайки и подписываетесь на нас, напишем еще много интересного.