Все, что вам нужно знать об ИИ - менее чем за 8 минут.
Знать понемногу обо всем часто лучше, чем иметь один экспертный навык. Это особенно верно для людей, вступающих в дебаты на развивающихся рынках. В первую очередь, технология.
Большинство людей думают, что они немного знают об ИИ. Но область настолько новая и развивается так быстро, что нынешние эксперты ежедневно открывают новые горизонты. Предстоит раскрыть так много научных знаний, что технологи и политики из других областей могут быстро внести свой вклад в область ИИ.
Вот где пригодится эта статья. Моей целью было создать краткий справочник, который быстро познакомит технически мыслящих людей с терминами, языком и методами ИИ. Надеюсь, этот текст будет понятен большинству людей, не практикующих, и в то же время послужит ссылкой для всех.
Введение
Искусственный интеллект (ИИ), глубокое обучение и нейронные сети - это термины, используемые для описания мощных методов, основанных на машинном обучении, которые могут решить многие проблемы реального мира.
Хотя дедуктивные рассуждения, выводы и принятие решений, сравнимые с человеческим мозгом, немного далеки, в последнее время было много достижений в методах ИИ и связанных с ними алгоритмах. Особенно с учетом растущей доступности больших наборов данных, на основе которых ИИ может учиться.
Область ИИ опирается на многие области, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, информатику, психологию, лингвистику и нейробиологию. Вопросы, связанные с социальной ответственностью и этикой ИИ, проводят параллели со многими разделами философии.
Мотивация для дальнейшего развития методов ИИ заключается в том, что решения, необходимые для решения проблем со многими переменными, невероятно сложны, их трудно понять и нелегко собрать вручную.
Все чаще корпорации, исследователи и частные лица полагаются на машинное обучение для решения проблем, не требуя подробных инструкций по программированию. Этот подход "черного ящика" к решению проблем имеет решающее значение. Программисты-люди находят все более сложным и трудоемким написание алгоритмов, необходимых для моделирования и решения проблем с большим объемом данных. Даже когда мы создаем полезную процедуру для обработки больших массивов данных, она, как правило, чрезвычайно сложна, сложна в обслуживании и невозможна для адекватного тестирования.
Современное машинное обучение и алгоритмы ИИ, наряду с должным образом продуманными и подготовленными обучающими данными, способны выполнять программирование за нас.
Обзор
Интеллект: способность воспринимать информацию и сохранять ее как знания, которые будут применяться для адаптивного поведения в среде или контексте.
Это определение интеллекта в Википедии может применяться как к органическому мозгу, так и к машинам. Интеллект не подразумевает сознание, распространенное заблуждение, распространенное писателями-фантастами.
Поищите примеры ИИ в Интернете, и вы увидите ссылки на IBM Watson. Алгоритм машинного обучения, который стал известным благодаря победе в телевизионной викторине Jeopardy в 2011 году. С тех пор он был переработан и использован в качестве шаблона для широкого спектра коммерческих приложений. Apple, Amazon и Google прилагают все усилия, чтобы внедрить подобную систему в наши дома и карманы.
Обработка естественного языка и распознавание речи были первыми коммерческими приложениями машинного обучения. За ним следуют другие задачи автоматического распознавания (шаблон, текст, аудио, изображение, видео, лица, ...). Диапазон приложений стремительно растет и включает автономные транспортные средства, медицинские диагнозы, игры, поисковые системы, фильтрацию спама, борьбу с преступностью, маркетинг, робототехнику, дистанционное зондирование, компьютерное зрение, транспорт, распознавание музыки, классификацию…
ИИ настолько укоренился в технологии, которые мы используем, что теперь многие считают его не "ИИ", а просто продолжением вычислений. Спросите кого-нибудь на улице, есть ли у них ИИ на телефоне, и они, вероятно, скажут "нет". Но алгоритмы ИИ встроены повсюду: от интеллектуального текста до системы автофокусировки в камере. Общее мнение таково, что ИИ еще не появился. Но это уже здесь и было в течение некоторого времени.
ИИ - довольно обобщенный термин. В центре внимания большинства исследований находится несколько более узкая область искусственных нейронных сетей и глубокого обучения.
Как работает ваш мозг
Человеческий мозг - это изысканный углеродный компьютер, который, по оценкам, выполняет миллиард миллиардов вычислений в секунду (1000 петафлопс), потребляя при этом около 20 Вт энергии. Китайский суперкомпьютер Tianhe-2 (на момент написания статьи самый быстрый в мире) обрабатывает всего 33,860 триллионов вычислений в секунду (33,86 петафлопс) и потребляет 17600000 ватт (17,6 мегаватт). Нам предстоит пройти определенный путь, прежде чем наши кремниевые творения догонят эволюционные углеродные.
Точный механизм, который мозг использует для выполнения своего мышления, подлежит обсуждению и дальнейшему изучению (мне нравится теория о том, что мозг использует квантовые эффекты, но это уже другая статья). Однако внутренняя работа часто моделируется вокруг концепции нейронов и их сетей. Считается, что мозг содержит около 100 миллиардов нейронов.
Нейроны взаимодействуют и общаются по путям, позволяющим передавать сообщения. Сигналы от отдельных нейронов взвешиваются и объединяются перед активацией других нейронов. Этот процесс передачи сообщений, объединения и активации других нейронов повторяется на разных уровнях. Суммирование этой взвешенной комбинации сигналов в 100 миллиардах нейронов человеческого мозга является сложным. И это значительное преуменьшение.
Но это не так просто. Каждый нейрон применяет функцию или преобразование к своим взвешенным входным данным перед проверкой, достигнут ли порог активации. Эта комбинация факторов может быть линейной или нелинейной.
Исходные входные сигналы поступают из различных источников… наши чувства, внутренний мониторинг функций организма (уровень кислорода в крови, содержимое желудка ...). Один нейрон может получать сотни тысяч входных сигналов, прежде чем решить, как реагировать.
Мышление или обработка и результирующие инструкции, данные нашим мышцам, представляют собой суммирование входных сигналов и циклов обратной связи на многих уровнях и циклах нейронной сети. Но нейронные сети мозга также меняются и обновляются, включая изменения в количестве взвешивания, применяемого между нейронами. Это вызвано обучением и опытом.
Эта модель человеческого мозга использовалась в качестве шаблона, помогающего воспроизвести возможности мозга в компьютерной симуляции… искусственная нейронная сеть.
Искусственные нейронные сети (ANNS)
Искусственные нейронные сети - это математические модели, вдохновленные и смоделированные на основе биологических нейронных сетей. ANN способны моделировать и обрабатывать нелинейные взаимосвязи между входными и выходными данными. Адаптивные веса между искусственными нейронами настраиваются алгоритмом обучения, который считывает наблюдаемые данные с целью улучшения результата.
Методы оптимизации используются для того, чтобы сделать решение ANN максимально приближенным к оптимальному решению. Если оптимизация проходит успешно, ANN может решить конкретную проблему с высокой производительностью.
ANN моделируется с использованием слоев нейронов. Структура этих слоев известна как архитектура модели. Нейроны - это отдельные вычислительные единицы, способные получать входные данные и применять математическую функцию для определения того, передаются ли сообщения.
В простой трехслойной модели первый слой - это входной слой, за которым следуют один скрытый слой и выходной слой. Каждый слой может содержать один или несколько нейронов.
По мере того, как модели становятся все более сложными, с большим количеством слоев и нейронов, их возможности решения проблем возрастают. Однако, если модель слишком велика для данной задачи, то модель не может быть эффективно оптимизирована. Это называется переобучением.
Архитектура и настройка фундаментальной модели являются основными элементами методов ANN, наряду с алгоритмами обучения чтению данных. Все компоненты соответствуют характеристикам модели.
Модели, как правило, характеризуются функцией активации. Это используется для преобразования взвешенного ввода нейрона в его выходную активацию. Существует выбор преобразований, которые можно использовать в качестве функции активации.
ANN могут быть чрезвычайно мощными. Однако, несмотря на то, что математика нескольких нейронов проста, вся сеть масштабируется и становится сложной. Из-за этого ANN считаются алгоритмами ‘черного ящика’. Выбор ANN в качестве инструмента для решения проблемы следует делать с осторожностью, поскольку позже невозможно отменить процесс принятия решений системой.
Глубокое обучение
Глубокое обучение - это термин, используемый для описания нейронных сетей и связанных с ними алгоритмов, которые используют необработанные данные. Данные обрабатываются через слои модели для расчета целевого результата.
Обучение без учителя - это то, где преуспевают методы глубокого обучения. Правильно настроенный ANN способен автоматически определять функции во входных данных, важные для достижения желаемого результата. Традиционно бремя осмысления входных данных обычно ложится на программиста, создающего систему. Однако при настройке глубокого обучения сама модель может определить, как интерпретировать данные для достижения значимых результатов. После обучения оптимизированной системы требования к вычислениям, памяти и энергопотреблению модели значительно снижаются.
Проще говоря, алгоритмы обучения функциям позволяют машине учиться для решения конкретной задачи, используя подходящие данные… алгоритмы учатся учиться.
Глубокое обучение применяется к широкому кругу задач и считается одним из инновационных методов ИИ. Существуют хорошо разработанные алгоритмы, подходящие для решения задач обучения под наблюдением, без присмотра и без присмотра.
Теневое обучение - это термин, используемый для описания более простой формы глубокого обучения, когда выбор функций данных требует предварительной обработки и более глубоких знаний программиста. Результирующие модели могут быть более прозрачными и более производительными за счет увеличения времени на стадии проектирования.
Краткие сведения
ИИ - это мощная область обработки данных, которая может давать сложные результаты быстрее, чем традиционная разработка алгоритмов программистами. ANN и методы глубокого обучения могут решить множество сложных проблем.
