what is artificial intelligence
Aflați ce este inteligența artificială (AI), elementele de inteligență și subcâmpurile AI, cum ar fi Machine Learning, Deep Learning, NLP, etc:
Sistemul de rețea de calculatoare a îmbunătățit stilul de viață al omului, oferind diferite tipuri de gadgeturi și dispozitive care reduc eforturile fizice și mentale ale omului de a îndeplini diferite sarcini. Inteligența artificială este următorul pas în acest proces pentru ao face mai eficientă prin aplicarea tehnologiilor logice, analitice și mai productive în acest efort.
Acest tutorial va explica ce este inteligența artificială și definiția și componentele acesteia cu ajutorul diferitelor exemple. De asemenea, vom explora diferența dintre inteligența umană și cea a mașinilor.
Ce veți învăța:
Ce este inteligența artificială (AI)?
Există diverse definiții tehnice disponibile pentru a descrie Inteligența artificială, dar toate sunt foarte complexe și confuze. Vom detalia definiția în cuvinte simple pentru o mai bună înțelegere.
Oamenii sunt considerați ca fiind cele mai inteligente specii de pe acest pământ, deoarece pot rezolva orice problemă și pot analiza datele mari cu abilitățile lor, cum ar fi gândirea analitică, raționamentul logic, cunoștințele statistice și inteligența matematică sau de calcul.
Ținând cont de toate aceste combinații de abilități, inteligența artificială este dezvoltată pentru mașini și roboți care impun capacitatea de a rezolva probleme complexe în mașini, asemănătoare cu cele care pot fi făcute de oameni.
Inteligența artificială este aplicabilă în toate domeniile, inclusiv în domeniul medicinei, automobile, aplicații zilnice de viață, electronice, comunicații, precum și sisteme de rețea de calculatoare.
Deci tehnic AI în contextul rețelelor de calculatoare poate fi definit ca dispozitivele de computer și sistemul de rețea care poate înțelege cu precizie datele brute, poate culege informații utile din acele date și apoi utiliza aceste constatări pentru a obține soluția finală și atribuirea problemei cu o abordare flexibilă și soluții ușor de adaptat.
Elemente de inteligență
# 1) Raționament: Procedura care ne facilitează să furnizăm criteriile de bază și liniile directoare pentru a face o judecată, predicție și luarea deciziilor în orice problemă.
Raționamentul poate fi de două tipuri, unul este raționamentul generalizat care se bazează pe incidențele și afirmațiile generale observate. Concluzia poate fi uneori falsă în acest caz. Celălalt este un raționament logic, care se bazează pe fapte, cifre și afirmații specifice și incidențe specifice, menționate și observate. Astfel, concluzia este corectă și logică în acest caz.
# 2) Învățare: Este acțiunea de a dobândi cunoștințe și dezvoltarea abilităților din diverse surse, cum ar fi cărți, adevărate incidente ale vieții, experiențe, predarea de către unii experți etc. Învățarea îmbunătățește cunoștințele persoanei în domenii pe care nu le cunoaște.
Capacitatea de a învăța este afișată nu numai de oameni, ci și de unele dintre animale, iar sistemele inteligente artificiale posedă această abilitate.
Învățarea este de diferite tipuri, după cum se prezintă mai jos:
- Învățarea audio a vorbirii se bazează pe procesul în care un profesor predă prelegeri, apoi elevii audibili o aud, o memorează și apoi o folosesc pentru a obține cunoștințe din ea.
- Învățarea liniară se bazează pe memorarea matricei de evenimente pe care persoana le-a întâlnit și le-a învățat.
- Învățarea prin observație înseamnă învățarea prin observarea comportamentului și a expresiilor faciale ale altor persoane sau creaturi precum animalele. De exemplu, copilul mic învață să vorbească imitându-și părinții.
- Învățarea perceptivă se bazează pe învățare prin identificarea și clasificarea vizualelor și obiectelor și memorarea lor.
- Învățarea relațională se bazează pe învățarea din incidențe și greșeli din trecut și depune eforturi pentru a le improviza.
- Învățarea spațială înseamnă a învăța din imagini, cum ar fi imagini, videoclipuri, culori, hărți, filme etc., care îi vor ajuta pe oameni să creeze o imagine a celor din minte ori de câte ori va fi nevoie pentru referințe viitoare.
# 3) Rezolvarea problemelor: Este procesul de identificare a cauzei problemei și de a afla o posibilă modalitate de a rezolva problema. Acest lucru se face analizând problema, luând decizii și apoi aflând mai multe soluții pentru a ajunge la soluția finală și cea mai potrivită pentru problemă.
Motto-ul final aici este de a găsi cea mai bună soluție dintre cele disponibile pentru a obține cele mai bune rezultate ale rezolvării problemelor în timp minim.
# 4) Percepție: Este fenomenul obținerii, trasării unei inferențe, alegerii și sistematizării datelor utile din intrarea brută.
La om, percepția este derivată din experiențele, organele simțului și condițiile situaționale ale mediului. Dar în ceea ce privește percepția inteligenței artificiale, aceasta este dobândită de mecanismul senzorului artificial în asociere cu datele într-un mod logic.
# 5) Inteligență lingvistică: Este fenomenul capacității cuiva de a desfășura, da seama, citi și scrie lucrurile verbale în diferite limbi. Este componenta de bază a modului de comunicare între cei doi sau mai mulți indivizi și cea necesară și pentru înțelegerea analitică și logică.
Diferența dintre inteligența umană și cea a mașinilor
Următoarele puncte explică diferențele:
# 1) Am explicat mai sus componentele inteligenței umane pe baza cărora omul îndeplinește diferite tipuri de sarcini complexe și rezolvă diferitele tipuri de probleme distinctive în diverse situații.
#Două) Omul dezvoltă mașini cu inteligență la fel ca oamenii și, de asemenea, dau rezultate problemei complexe într-o măsură foarte apropiată, la fel ca oamenii.
# 3) Oamenii disting datele prin modele vizuale și audio, situații anterioare și evenimente din circumstanțe, în timp ce mașinile inteligente artificial recunosc problema și se ocupă de problema pe baza unor reguli predefinite și a unor date restante.
# 4) Oamenii memorează datele din trecut și le amintesc pe măsură ce le-au învățat și le-au păstrat în creier, dar mașinile vor găsi datele din trecut prin căutarea algoritmilor.
# 5) Cu inteligența lingvistică, oamenii pot recunoaște chiar imaginea și formele distorsionate și modelele lipsă de voce, date și imagini. Dar mașinile nu au această inteligență și folosesc metodologia de învățare computerizată și procesul de învățare profundă care implică din nou diferiți algoritmi pentru a obține rezultatele dorite.
întrebări și răspunsuri de bază ale interviului sql pentru cei mai noi
# 6) Oamenii își urmează întotdeauna instinctul, viziunea, experiența, situațiile, circumstanțele, informațiile înconjurătoare, datele vizuale și brute disponibile, precum și lucrurile pe care au fost învățați de unii profesori sau bătrâni să le analizeze, să rezolve orice problemă și să iasă cu rezultate eficiente și semnificative a oricărui număr.
Pe de altă parte, mașinile inteligente artificial la fiecare nivel implementează diferiți algoritmi, pași predefiniți, date restante și învățare automată pentru a obține rezultate utile.
# 7) Deși procesul urmat de mașini este complex și implică o mulțime de proceduri, acestea dau cele mai bune rezultate în cazul analizei sursei mari de date complexe și în cazul în care trebuie să îndeplinească sarcini distincte din diferite domenii în același caz de timp cu precizie și cu precizie și în intervalul de timp dat.
Rata de eroare în aceste cazuri de mașini este mult mai mică decât cea a oamenilor.
Sub-domenii ale inteligenței artificiale
# 1) Învățarea automată
Învățarea automată este o caracteristică a inteligenței artificiale care oferă computerului capacitatea de a colecta automat date și de a învăța din experiența problemelor sau cazurilor pe care le-au întâmpinat, mai degrabă decât programate special pentru a îndeplini sarcina sau munca dată.
Învățarea automată pune accentul pe creșterea algoritmilor care pot examina datele și pot face predicții ale acestora. Principala utilizare a acestuia este în industria medicală, unde este utilizată pentru diagnosticarea bolii, interpretarea scanării medicale etc.
Recunoasterea formelor este o subcategorie de învățare automată. Poate fi descrisă ca recunoașterea automată a planului din datele brute folosind algoritmi de computer.
Un tipar poate fi o serie persistentă de date de-a lungul timpului, care este utilizat pentru a prezice o succesiune de evenimente și tendințe, caracteristici particulare ale caracteristicilor imaginilor pentru identificarea obiectelor, combinație recurentă de cuvinte și propoziții pentru asistență lingvistică și poate fi un colecție de acțiuni ale oamenilor din orice rețea care poate indica o anumită activitate socială și multe altele.
Procesul de recunoaștere a modelelor include mai mulți pași. Acestea sunt explicate după cum urmează:
(i) Achiziționarea și detectarea datelor: Aceasta include colectarea de date brute, cum ar fi variabilele fizice etc. și măsurarea frecvenței, lățimii de bandă, rezoluției etc. Datele sunt de două tipuri: date de antrenament și date de învățare.
Datele de instruire sunt cele în care nu există nicio etichetare a setului de date, iar sistemul aplică clustere pentru a le clasifica. În timp ce datele de învățare au un set de date bine etichetat, astfel încât să poată fi utilizate direct cu clasificatorul.
(ii) Prelucrarea prealabilă a datelor de intrare :Aceasta include filtrarea datelor nedorite, cum ar fi zgomotul de la sursa de intrare și se face prin procesarea semnalului. În această etapă, filtrarea modelelor preexistente în datele de intrare se face și pentru referințe suplimentare.
(iii) Extragerea caracteristicilor :Diversi algoritmi sunt efectuați ca un algoritm de potrivire a modelelor pentru a găsi modelul de potrivire, după cum este necesar în ceea ce privește caracteristicile.
(iv) Clasificare :Pe baza rezultatului algoritmilor efectuați și a diferitelor modele învățate pentru a obține modelul de potrivire, clasa este atribuită modelului.
(v) Postprocesare :Aici este prezentat rezultatul final și se va asigura că rezultatul obținut este aproape la fel de probabil să fie necesar.
Model pentru recunoașterea modelelor:
(imagine sursă )
Așa cum se arată în figura de mai sus, extractorul de caracteristici va obține caracteristicile din datele brute de intrare, cum ar fi audio, imagine, video, sonor etc.
Acum, clasificatorul va primi x ca valoare de intrare și va aloca diferite categorii valorii de intrare, cum ar fi clasa 1, clasa 2 ... clasa C. pe baza clasei de date, se fac recunoașterea și analiza ulterioară a tiparului.
Exemplu de recunoaștere a formei triunghiului prin acest model:
Recunoașterea tiparului este utilizată în procesoarele de identificare și autentificare, cum ar fi recunoașterea bazată pe voce și autentificarea facială, în sistemele de apărare pentru recunoașterea țintelor și îndrumarea navigației și industria auto.
# 2) Învățare profundă
Este procesul de învățare prin procesarea și analizarea datelor de intrare prin mai multe metode până când aparatul descoperă singura ieșire dorită. Este, de asemenea, cunoscut sub numele de auto-învățare a mașinilor.
Mașina rulează diverse programe și algoritmi aleatori pentru a mapa secvența brută de intrare a datelor de intrare la ieșire. Prin desfășurarea diferiților algoritmi precum neuroevoluția și alte abordări precum gradientul coboară pe o topologie neuronală, ieșirea y este ridicată în cele din urmă din funcția de intrare necunoscută f (x), presupunând că x și y sunt corelate.
Aici este interesant că sarcina rețelelor neuronale este de a afla funcția f corectă.
Învățarea profundă va asista la toate caracteristicile umane posibile și la bazele de date comportamentale și va efectua învățarea supravegheată. Acest proces include:
- Detectarea diferitelor tipuri de emoții și semne umane.
- Identificați omul și animalele după imagini, cum ar fi prin semne, semne sau trăsături particulare.
- Recunoașterea vocală a diferitelor difuzoare și memorarea acestora.
- Conversia video și voce în date text.
- Identificarea gesturilor corecte sau greșite, clasificarea lucrurilor spam și cazurile de fraudă (cum ar fi revendicările de fraudă).
Toate celelalte caracteristici, inclusiv cele menționate mai sus, sunt utilizate pentru a pregăti rețelele neuronale artificiale prin învățare profundă.
Analiza predictivă: După colectarea și învățarea seturilor de date imense, gruparea unor tipuri similare de seturi de date se face prin abordarea seturilor de modele disponibile, cum ar fi compararea tipului similar de seturi de vorbire, imagini sau documente.
Deoarece am făcut clasificarea și gruparea seturilor de date, vom aborda predicția evenimentelor viitoare care se bazează pe motivele cazurilor de evenimente prezente, stabilind corelația dintre ambele. Amintiți-vă că decizia predictivă și abordarea nu sunt limitate în timp.
Singurul punct care trebuie ținut cont în timp ce se face o predicție este că rezultatul ar trebui să aibă un sens și să fie logic.
Oferind preluări repetitive și autoanalizând, soluția la probleme va fi atinsă de aceasta pentru mașini. Exemplul învățării profunde este recunoașterea vorbirii în telefoane, care permite smartphone-urilor să înțeleagă un alt tip de accent al difuzorului și să îl transforme în vorbire semnificativă.
# 3) Rețele neuronale
Rețelele neuronale sunt creierul inteligenței artificiale. Acestea sunt sistemele informatice care sunt replica conexiunilor neuronale din creierul uman. Neuronii artificiali corespunzători ai creierului sunt cunoscuți ca perceptron.
Stiva de perceptron diferiți care se unesc împreună face rețelele neuronale artificiale din mașini. Înainte de a oferi o ieșire dorită, rețelele neuronale dobândesc cunoștințe prin procesarea diferitelor exemple de instruire.
Prin utilizarea diferitelor modele de învățare, acest proces de analiză a datelor va oferi, de asemenea, o soluție pentru multe interogări asociate care nu au primit răspuns anterior.
Învățarea profundă în asociere cu rețelele neuronale poate dezvolta straturile multiple de date ascunse, inclusiv stratul de ieșire a problemelor complexe și este un ajutor pentru subcâmpuri precum recunoașterea vorbirii, procesarea limbajului natural și viziunea computerizată etc.
(imagine sursă )
Tipurile anterioare de rețele neuronale erau compuse dintr-o intrare și o ieșire și cel mult un singur strat ascuns sau un singur strat de perceptron.
Rețelele neuronale profunde sunt compuse din mai multe straturi ascunse între straturile de intrare și ieșire. Prin urmare, este necesar un proces de învățare profundă pentru a desfășura straturile ascunse ale unității de date.
În învățarea profundă a rețelelor neuronale, fiecare strat este calificat pe setul unic de atribute, pe baza caracteristicilor de ieșire ale straturilor anterioare. Cu cât intrați mai mult în rețeaua neuronală, nodul câștigă abilitatea de a recunoaște atribute mai complexe pe măsură ce prezice și recombină ieșirile tuturor straturilor anterioare pentru a produce ieșirea finală mai clară.
Întregul proces se numește ierarhie de caracteristici și cunoscută și sub numele de ierarhia seturilor de date complexe și intangibile. Îmbunătățește capacitatea rețelelor neuronale profunde de a gestiona unități de date dimensionale foarte mari și largi, cu miliarde de constrângeri care vor trece prin funcțiile liniare și neliniare.
Principala problemă cu care se luptă inteligența mașinilor este de a gestiona și gestiona datele nemarcate și nestructurate din lume, care sunt răspândite peste tot în toate domeniile și țările. Acum, rețelele neuronale au capacitatea de a gestiona latența și caracteristicile complexe ale acestor subseturi de date.
Învățarea profundă în asociere cu rețelele neuronale artificiale a clasificat și caracterizat datele brute și nenumite care erau sub formă de imagini, text, audio etc. într-o bază de date relațională organizată cu etichetare adecvată.
De exemplu, învățarea profundă va lua ca intrare mii de imagini brute, apoi le va clasifica pe baza trăsăturilor și caracterelor lor de bază, precum toate animalele, cum ar fi câinii pe o parte, lucrurile non-vii, cum ar fi mobilierul dintr-un colț și toate fotografiile familiei dvs. pe a treia parte completează astfel fotografia generală, cunoscută și sub denumirea de albume foto inteligente.
Alt exemplu, să luăm în considerare cazul datelor text ca intrare în care avem mii de e-mailuri. Aici, învățarea profundă va grupa e-mailurile în diferite categorii, cum ar fi e-mailurile primare, sociale, promoționale și spam, conform conținutului lor.
Rețele neuronale feedforward: Ținta pentru utilizarea rețelelor neuronale este obținerea rezultatului final cu erori minime și un nivel ridicat de precizie.
Această procedură implică mai mulți pași și fiecare dintre niveluri include predicția, gestionarea erorilor și actualizările greutății, ceea ce reprezintă o ușoară creștere a coeficientului, deoarece se va deplasa încet la caracteristicile dorite.
La punctul de plecare al rețelelor neuronale, nu știe ce greutate și subseturi de date îl vor face să convertească intrarea în cele mai bune predicții adecvate. Astfel, va considera tot felul de subseturi de date și greutăți ca modele pentru a face predicții secvențial pentru a obține cel mai bun rezultat și va învăța de fiecare dată din greșeala sa.
De exemplu, putem face referire la rețelele neuronale cu copiii mici ca atunci când se nasc, nu știu nimic despre lumea din jur și nu au inteligență, dar pe măsură ce îmbătrânesc învață din experiențele și greșelile lor de viață pentru a deveni un om și un intelectual mai bun.
Arhitectura rețelei feed-forward este prezentată mai jos printr-o expresie matematică:
Intrare * greutate = predicție
Atunci,
Adevăr de bază - predicție = eroare
Atunci,
Eroare * contribuția greutății la eroare = ajustare
Acest lucru poate fi explicat aici, setul de date de intrare le va mapa cu coeficienții pentru a obține predicțiile multiple pentru rețea.
Acum, predicția este comparată cu faptele fundamentale care sunt luate din scenariile în timp real, faptele încheie experiența pentru a găsi rata de eroare. Ajustările sunt făcute pentru a face față erorii și pentru a raporta contribuția ponderilor în aceasta.
Aceste trei funcții sunt cele trei blocuri de bază ale rețelelor neuronale care notează intrarea, evaluează pierderea și implementează un upgrade la model.
Astfel, este o buclă de feedback care va recompensa coeficienții care sprijină în efectuarea predicțiilor corecte și va arunca coeficienții care duc la erori.
Recunoașterea scrisului de mână, recunoașterea feței și a semnăturii digitale, lipsa identificării modelelor sunt câteva dintre exemplele în timp real ale rețelelor neuronale.
# 4) Calculul cognitiv
Scopul acestei componente a inteligenței artificiale este de a iniția și accelera interacțiunea pentru finalizarea complexă a sarcinilor și rezolvarea problemelor între oameni și mașini.
În timp ce lucrează la diferite tipuri de sarcini cu oamenii, mașinile învață și înțeleg comportamentul uman, sentimentele în diferite condiții distincte și recreează procesul de gândire al oamenilor într-un model de computer.
Practicând acest lucru, mașina dobândește capacitatea de a înțelege limbajul uman și reflexiile imaginii. Astfel, gândirea cognitivă împreună cu inteligența artificială pot face un produs care va avea acțiuni asemănătoare omului și poate avea, de asemenea, capacități de manipulare a datelor.
Calculul cognitiv este capabil să ia decizii exacte în caz de probleme complexe. Astfel, se aplică în zona care trebuie să îmbunătățească soluțiile cu costuri optime și este dobândită prin analiza limbajului natural și a învățării bazate pe dovezi.
De exemplu, Asistentul Google este un exemplu foarte mare de calcul cognitiv.
# 5) Prelucrarea limbajului natural
Cu această caracteristică a inteligenței artificiale, computerele pot interpreta, identifica, localiza și prelucra limbajul și vorbirea umană.
Conceptul din spatele introducerii acestei componente este de a face interacțiunea dintre mașini și limbajul uman fără probleme, iar computerele vor deveni capabile să ofere răspunsuri logice la vorbirea sau interogarea umană.
Procesarea limbajului natural se concentrează atât pe secțiunea verbală, cât și pe cea scrisă a limbajelor umane înseamnă atât moduri active, cât și pasive de utilizare a algoritmilor.
Generarea limbajului natural (NLG) va procesa și decoda frazele și cuvintele pe care oamenii le vorbeau (comunicare verbală), în timp ce NaturalLanguage Understanding (NLU) va accentua vocabularul scris pentru a traduce limba în text sau pixeli care pot fi înțelese de mașini.
Aplicațiile bazate pe interfețe grafice de utilizator (GUI) ale mașinilor sunt cel mai bun exemplu de procesare a limbajului natural.
Diferitele tipuri de traducători care convertesc o limbă în alta sunt exemple ale sistemului de procesare a limbajului natural. Funcția Google de asistent vocal și motor de căutare vocală este, de asemenea, un exemplu în acest sens.
# 6) Viziune pe computer
Viziunea pe computer este o parte foarte importantă a inteligenței artificiale, deoarece facilitează computerul să recunoască, să analizeze și să interpreteze automat datele vizuale din imaginile și imaginile din lumea reală prin captarea și interceptarea acestora.
Incorporează abilitățile de învățare profundă și recunoașterea modelelor pentru a extrage conținutul imaginilor din orice date furnizate, inclusiv imagini sau fișiere video din document PDF, document Word, document PPT, fișier XL, grafice și imagini etc.
Să presupunem că avem o imagine complexă a unui pachet de lucruri, atunci doar vizualizarea și memorarea imaginii nu este ușor posibilă pentru toată lumea. Viziunea computerizată poate încorpora o serie de transformări ale imaginii pentru a extrage detaliile despre biți și octeți, precum marginile ascuțite ale obiectelor, designul neobișnuit sau culoarea utilizată etc.
Acest lucru se realizează prin utilizarea diferiților algoritmi prin aplicarea expresiilor matematice și a statisticilor. Roboții folosesc tehnologia de viziune computerizată pentru a vedea lumea și a acționa în situații în timp real.
Aplicarea acestei componente este foarte larg utilizată în industria de asistență medicală pentru a analiza starea de sănătate a pacientului utilizând o scanare RMN, raze X etc. De asemenea, utilizată în industria automobilelor pentru a face față vehiculelor și dronelor controlate de computer.
Concluzie
În acest tutorial, mai întâi, am explicat diferitele elemente ale inteligenței cu o diagramă și semnificația lor pentru aplicarea inteligenței în situații din viața reală pentru a obține rezultatele dorite.
Apoi, am explorat în detaliu diferitele sub-domenii ale inteligenței artificiale și semnificația acestora în inteligența mașinilor și în lumea reală cu ajutorul expresiilor matematice, aplicațiilor în timp real și diverse exemple.
De asemenea, am învățat în detaliu despre învățarea automată, recunoașterea modelelor și conceptele de rețea neuronală ale inteligenței artificiale care joacă un rol foarte vital în toate aplicațiile inteligenței artificiale.
În partea succesivă a acestui tutorial, vom explora în detaliu aplicația inteligenței artificiale.
Lectură recomandată
- Data Mining Vs Machine Learning Vs Intelligence Artificial Vs Deep Learning
- Cele mai bune 10 dintre cele mai promitatoare companii de inteligență artificială (AI) (2021 selectiv)
- Cele mai bune 10 software de inteligență artificială (recenzii de software AI în 2021)
- Un ghid complet pentru rețeaua neuronală artificială în învățarea automată
- Cei 4 pași pentru testarea Business Intelligence (BI): Cum să testați datele de afaceri
- Tutorial de învățare automată: Introducere în ML și aplicațiile sale
- Cele mai bune 25 de instrumente de business intelligence (cele mai bune instrumente BI în 2021)
- Tipuri de învățare automată: învățare supravegheată împotriva supravegherii