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.
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.
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.
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.)
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
- Регрессия - установление аналитического выражения зависимости между исследуемыми признаками
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.
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.
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.
