ИТ Блог. Администрирование серверов на основе Linux (Ubuntu, Debian, CentOS, openSUSE)
Искусственный интеллект – обширная тема. Фактически, у него буквально бесконечное количество суб-предметов и значимо связанных предметов. В этой статье кратко обсуждаются некоторые основы, такие как машинное обучение, глубокое обучение, искусственные нейронные сети и алгоритмы.
Основной и часто определяющей целью искусственного интеллекта является разработка мыслящих машин, в первую очередь комбинаций компьютера и программного обеспечения, которые могут думать так же хорошо, как люди, или лучше. Эти мыслящие машины должны иметь входные данные для размышлений, способность обрабатывать указанные входные данные заданным способом или алгоритмами и желаемый полезный результат. Мы хотим, чтобы эти мыслящие машины были разумными, как разумны люди. И в этом загвоздка. Что такое человеческий интеллект? Сколько существует типов человеческого интеллекта? Если мы не можем ответить на эти вопросы о природе человеческого интеллекта, как мы можем ответить на наши вопросы о природе искусственного интеллекта?
Чтобы ответить на упомянутые ранее вопросы, касающиеся человека и искусственного интеллекта, давайте рассмотрим некоторые из психических функций человека, которые повсеместно признаны показателями человеческого интеллекта, и, насколько это возможно, определим соответствующие функции, на которые способны Думающие машины.
И мыслящие машины, и люди должны иметь входные данные для размышлений, способность обрабатывать указанные входные данные алгоритмически предписанным способом, а также способность сообщать или предпринимать действия в результате обработки или вывода информации. И мыслящие машины, и люди могут выполнять эти требования в разной степени.
Входные данные поступают в виде информации. Чтобы ввести информацию в интеллектуальную сущность, будь то человек или машина, сущность должна обладать способностью воспринимать. Для восприятия есть два обязательных компонента. Первое – это способность чувствовать. У человека пять чувств: слух, зрение, обоняние, вкус и осязание. В результате блестящей работы человека машины теперь также могут использовать те же пять органов чувств, даже несмотря на то, что им не хватает человеческих органов – ушей, глаз, носа, языка и кожи. Как это было достигнуто, будет предметом будущего Linux Hint AI Essay.
Второй – способность понимать то, что ощущается. Очевидно, что люди в определенной степени обладают такой способностью. Интеллектуальные машины, в некоторой степени, теперь обладают такой же способностью. Вот некоторые примеры способности машин понимать то, что они чувствуют:
Распознавание изображений, распознавание лиц, распознавание речи, распознавание объектов, распознавание образов, распознавание рукописного ввода, распознавание имен, оптическое распознавание символов, распознавание символов и распознавание абстрактных понятий.
Опять же, очевидно, что люди в определенной степени могут обрабатывать информацию.
Мы делаем это весь день, каждый день. Правда, иногда мы делаем плохую работу, а иногда находим ее невозможной. Но справедливо сказать, что мы это делаем. А как насчет мыслящих машин? Что ж, когда дело доходит до обработки информации, они мало чем отличаются от людей. Иногда Думающие машины делают это хорошо, а в других случаях они портят это или считают, что это невозможно. В их неудачах нет их вины. Это наша вина, как людей. Если мы предоставляем им неадекватные или неточные данные, неудивительно, что их результаты неудовлетворительны. Если мы даем им задачу, к которой мы их не подготовили, мы можем ожидать, что они испортят ее или просто сдадутся.
Неудачи мыслящих машин в результате того, что люди предоставили им неверные данные, заслуживают небольшого обсуждения. Мусор на входе, мусор на выходе. И наоборот, правильно подготовить наши мыслящие машины к задачам, которые мы им даем для выполнения, – это чрезвычайно обширная и сложная тема. Это эссе предоставит читателю элементарное обсуждение предмета. Более подробные обсуждения правильного ввода будут рассмотрены в следующих статьях Linux Hint AI Essays.
У нас есть выбор, подготовить ли мы наши мыслящие машины к решению одной задачи или к целому ряду сложных задач. Ориентация на одну задачу известна как слабый или узкий искусственный интеллект. Ориентация на сложную задачу известна как сильный или общий искусственный интеллект. Преимущества и недостатки каждой ориентации очевидны.
Ориентация на узкий интеллект требует меньших затрат на программирование и позволяет мыслящей машине работать лучше при выполнении данной задачи, чем машина, ориентированная на общий интеллект. Ориентация на общий интеллект требует больших затрат на программирование и позволяет мыслящей машине выполнять множество сложных задач. Если мыслящая машина готова обрабатывать множество сложных аспектов одного предмета, такого как распознавание речи, она представляет собой гибрид как узкого, так и общего искусственного интеллекта.
Искусственный интеллект нельзя считать эквивалентом или даже похожим на человеческий интеллект, если он не может производить желаемый полезный результат. Выходные данные могут передаваться в любой из многочисленных форм, включая, помимо прочего, письменный или устный язык, математику, графики, диаграммы, таблицы или другие форматы. В качестве альтернативы желаемый полезный результат может быть в форме выполняемых действий. Примеры этого включают, но не ограничиваются этим, беспилотные автомобили, а также активацию и управление перемещениями заводских машин и роботов.
Платформы искусственного интеллекта моделируют когнитивные функции, выполняемые человеческим разумом, такие как решение проблем, обучение, рассуждение, социальный интеллект и общий интеллект. Платформы – это комбинация аппаратного и программного обеспечения, позволяющая запускать алгоритмы ИИ. Платформы AI могут поддерживать оцифровку данных. Некоторые популярные платформы AI включают: Azure, Cloud Machine Learning Engine, Watson, ML Platform Services, Leonardo Machine Learning и Einstein Suite.
Почти все ведущие технологические компании активно работают в области искусственного интеллекта. Несколько примеров: Apple, Google, Facebook, IBM, Nvidia, IBM, Salesforce, Alibaba, Microsoft и Amazon.
Машинное обучение – это разновидность искусственного интеллекта. Основная идея состоит в том, что мыслящие машины могут учиться в значительной степени самостоятельно. Введите соответствующие данные или информацию, и с помощью соответствующих алгоритмов можно распознать шаблоны и получить желаемый полезный результат. По мере ввода и обработки данных Машина «учится».
Сила и важность машинного обучения и его подмножества Deep Learning экспоненциально возрастают из-за нескольких факторов:
Обучение с учителем: Машина обучается, предоставляя ей как ввод, так и правильный ожидаемый результат. Машина учится, сравнивая свои выходные данные, полученные в результате его программирование, с предоставлением точного вывода. Затем Машина соответствующим образом корректирует свою обработку.
Неконтролируемое обучение: Машина не обучается путем предоставления ей правильных выходных данных. Машина должна выполнять такие задачи, как распознавание образов, и, по сути, она создает свои собственные алгоритмы.
Усиленное обучение: Машине предоставлены алгоритмы, которые методом проб и ошибок определяют, что работает лучше всего.
Безусловно, самым популярным языком для машинного обучения является Python. Другие языки, которые
менее популярны, но часто используются R, Java, JavaScript, Julia и LISP.
Другой раздел этого эссе посвящен алгоритмам. Конкретные алгоритмы будут подробно рассмотрены в последующих эссе с подсказками по Linux. Здесь мы просто перечисляем некоторые наиболее часто используемые алгоритмы машинного обучения: линейная регрессия, логистическая регрессия, SVM, наивный байесовский метод, K-средние, случайный лес и дерево решений.
Глубокие нейронные сети имеют несколько уровней узлов обработки. По мере увеличения уровней узлов совокупным эффектом является возрастающая способность Думающих машин формулировать абстрактные представления. Все тесты IQ – это, по сути, методы измерения способности человека к абстрактным рассуждениям.
Глубокое обучение использует несколько уровней представления, достигаемых путем организации нелинейной информации в представления на заданном уровне, которые, в свою очередь, преобразуются в более абстрактные представления на следующем высшем уровне. Более высокие уровни не разрабатываются людьми, а изучаются мыслящими машинами на основе данных, обрабатываемых на более низких уровнях.
Для обнаружения отмывания денег или мошенничества традиционное машинное обучение может полагаться на один фактор, такой как сумма в долларах и частота транзакций человека, в то время как глубокое обучение может включать дополнительные факторы, такие как время, местоположение и IP-адрес. Первый уровень обнаружения мошенничества с использованием нейронных сетей может быть сосредоточен на одном факторе необработанных данных, таком как долларовые суммы транзакций. Затем первый уровень анализа передается на второй уровень обработки, который может сосредоточиться на IP-адресе пользователя. es. Затем продукт второго уровня обработки может быть передан на более высокий уровень, который фокусируется на дополнительной индикации потенциального мошенничества и так далее. Этот процесс позволяет машине учиться в процессе и улучшает распознавание образов машины до получения окончательного результата. Мы используем термин «глубокое обучение», потому что нейронные сети могут иметь множество глубоких уровней , улучшающих обучение.
Виртуальные онлайн-помощники, такие как Alexa, Siri и Cortana, используют Deep Learning для понимания человеческой речи. Алгоритмы глубокого обучения автоматически переводят между языками. Глубокое обучение позволяет, среди прочего, разрабатывать беспилотные грузовики для доставки, дроны и автономные автомобили. Глубокое обучение позволяет чат-ботам и сервис-ботам разумно отвечать на слуховые и текстовые вопросы. Машинное распознавание лиц невозможно без глубокого обучения. Фармацевтические компании используют Deep Learning для открытия и разработки лекарств. Врачи используют Deep Learning для диагностики заболеваний и разработки режимов лечения.
Алгоритм – это процесс – набор пошаговых правил, которым необходимо следовать при расчетах или других методах решения проблем.
Типы алгоритмов включают, но не ограничиваются следующим:
Нейронные сети необходимо обучать с использованием алгоритмов. Алгоритмы, используемые для обучения нейронных сетей, включают, но не ограничиваются следующим: градиентный спуск, метод Ньютона, сопряженный градиент, метод квази-Ньютона и метод Левенберга-Марквардта.
Вычислительная сложность алгоритма – это мера количества ресурсов, которые используют данный алгоритм. Доступны математические меры сложности, которые могут предсказать, насколько быстро он будет работать, и сколько вычислительной мощности и памяти ему потребуется до использования алгоритма. Использование одних алгоритмов требует больше, чем других. В некоторых случаях требуемая сложность указанного алгоритма может быть настолько велика, что его использование становится непрактичным. Таким образом, можно использовать эвристический алгоритм, который дает приблизительные результаты.
Искусственный интеллект в своей концепции имеет огромные устремления. На практике приложения более скромные и используются сегодня. Машинное обучение – это простой шаг вперед в области искусственного интеллекта, но только будущее откроет весь потенциал этой технологии.
(1 оценок, среднее: 5,00 из 5)
Загрузка...
