Umělá inteligence (AI): Úvod a typy
Evelyn Clarkeová
⚡ Chytré shrnutí
Umělá inteligence umožňuje strojům vykonávat kognitivní funkce, jako je vnímání, učení, uvažování a řešení problémů, stejně jako lidé. Tento tutoriál se zabývá definicí, historií, cíli, podobory a typy umělé inteligence a vysvětluje, jak se liší od strojového učení a proč dnes zažívá boom.
Co je to umělá inteligence (AI)?
AI (umělá inteligence) je schopnost stroje vykonávat kognitivní funkce stejně jako lidé, jako je vnímání, učení, uvažování a řešení problémů. Měřítkem pro umělou inteligenci je lidská úroveň z hlediska uvažování, řeči a zraku.
V tomto tutoriálu o umělé inteligenci se naučíte základy umělé inteligence, které jsou uvedeny v níže uvedených sekcích.
Jak umělá inteligence vytváří obchodní hodnotu
Dnes se umělá inteligence používá téměř ve všech odvětvích, což dává technologickou výhodu společnostem, které ji integrují ve velkém měřítku. Podle společnosti McKinsey má umělá inteligence potenciál vytvořit hodnotu ve výši 600 miliard dolarů v maloobchodě a přinést o 50 % vyšší hodnotu v bankovnictví ve srovnání s jinými analytickými technikami. V dopravě a logistice je potenciální nárůst tržeb až o 89 %.
Například pokud organizace využívá umělou inteligenci pro svůj marketingový tým, může automatizovat všední, opakující se úkoly, aby se obchodní zástupci mohli soustředit na budování vztahů a péči o potenciální zákazníky. Společnost s názvem Gong poskytuje službu konverzační inteligence: pokaždé, když obchodní zástupce zavolá, stroj konverzaci zaznamená, přepíše a analyzuje a manažeři pomocí analýzy a doporučení umělé inteligence vytvoří vítěznou strategii.
Stručně řečeno, umělá inteligence poskytuje špičkovou technologii pro zpracování komplexních dat, která člověk sám nedokáže zpracovat. Automatizuje redundantní úlohy, takže se pracovníci mohou soustředit na úkoly s vysokou hodnotou, a při implementaci ve velkém měřítku snižuje náklady a zvyšuje příjmy.
Historie umělé inteligence
Umělá inteligence je dnes módním slovem, ale tento termín není nový. V roce 1956 zorganizovali odborníci z různých prostředí letní výzkumný projekt o umělé inteligenci. Vedly ho čtyři bystré mysli: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM) a Claude Shannon (Bell Telephone Laboratories). Zde je stručná historie umělé inteligence.
| Rok výroby | Milník / Inovace |
|---|---|
| 1923 | Slovo „robot“ se do angličtiny dostalo díky hře Karla Čapka „Rossumovi univerzální roboti“. |
| 1943 | FoundationByly položeny podmínky pro neuronové sítě. |
| 1945 | Isaac Asimov, absolvent Kolumbijské univerzity, použil termín „robotika“. |
| 1956 | John McCarthy poprvé použil termín „umělá inteligence“ a byl demonstrován první běžící program umělé inteligence. |
| 1964 | Danny Bobrow ve své disertační práci z MIT ukázal, jak počítače dokáží rozumět přirozenému jazyku. |
| 1969 | Stanfordský výzkumný institut vyvinul Shakeyho, robota s pohyblivými schopnostmi a schopnostmi řešit problémy. |
| 1979 | Byl postaven Stanford Cart, první počítačem řízené autonomní vozidlo na světě. |
| 1990 | Významné demonstrace ve strojovém učení. |
| 1997 | Šachový program Deep Blue porazil mistra světa Garryho Kasparova. |
| 2000 | Interaktivní robotičtí mazlíčci se stali komerčně dostupnými; MIT vystavoval Kismet, robot, který vyjadřuje emoce. |
| 2006 | Umělá inteligence vstoupila do světa podnikání; společnosti jako Facebook, Netflixa Twitter ho začal používat. |
| 2012 | Google zahájeno „Google Nyní“, a Android funkce nabízející předpovědi. |
| 2018 | IBM„Projektový debatér“ debatoval o složitých tématech s mistrovskými debatéry a podával si mimořádně dobré výkony. |
Cíle umělé inteligence
Hlavní cíle umělé inteligence jsou:
- Zkraťte čas potřebný k provedení konkrétních úkolů.
- Usnadněte lidem interakci se stroji.
- Usnadnit přirozenější a efektivnější interakci mezi člověkem a počítačem.
- Zlepšit přesnost a rychlost lékařských diagnóz.
- Pomozte lidem rychleji se učit nové informace.
- Zlepšit komunikaci mezi lidmi a stroji.
Podobory umělé inteligence
Zde jsou důležité podoblasti umělé inteligence.
Strojové učení: Umění studovat algoritmy, které se učí z příkladů a zkušeností. Je založeno na identifikaci vzorců v datech a jejich využití pro budoucí predikce. Na rozdíl od pevně zakódovaných pravidel se stroj učí pravidla sám.
Hluboké učení: Podoblast strojového učení, která využívá více vrstev k učení se z dat. Hloubka modelu je počet vrstev, které obsahuje; například GoogleModel LeNet pro rozpoznávání obrazu má 22 vrstev.
Zpracování přirozeného jazyka (NLP): Odvětví umělé inteligence, které umožňuje strojům číst, rozumět a generovat lidský jazyk. Pohání aplikace, jako jsou chatboti, překlad, analýza sentimentu a rozpoznávání řeči.
Expertní systémy: Interaktivní, spolehlivý počítačový rozhodovací systém, který využívá fakta a heuristiku k řešení složitých problémů v určité oblasti. Jeho cílem je řešit ty nejobtížnější problémy v dané oblasti.
Fuzzy Logic: Mnohohodnotová logika, ve které pravdivostní hodnoty mohou být libovolná reálná čísla mezi 0 a 1. Zabývá se konceptem částečné pravdy pro situace, kdy tvrzení není ani zcela pravdivé, ani zcela nepravdivé.
Druhy umělé inteligence
Umělou inteligenci lze rozdělit dvěma způsoby – podle schopností a podle techniky.
Podle schopnosti:
- Úzká AI: Inteligentně provádí jeden vyhrazený úkol, například označování obrázků nebo hlasové asistenty.
- Obecná AI: Dokáže vykonávat jakýkoli intelektuální úkol stejně efektivně jako člověk (stále teoreticky).
- Super umělá inteligence: Hypotetická úroveň, kde stroje překonají lidskou inteligenci.
Podle techniky:
- Umělá inteligence založená na pravidlech: Aplikuje sadu předem určených pravidel na vstupní datovou sadu a vytváří odpovídající výstup.
- Rozhodovací strom AI: Podobné umělé inteligenci založené na pravidlech, ale umožňuje větvení a looping zvážit různé možnosti.
- Neuronové sítě: Vrstvené modely inspirované lidským mozkem, které se učí složité vzorce z dat a podporují robotiku s uvažováním, plánováním a schopnostmi učení.
Umělá inteligence vs. strojové učení
Pojmy umělá inteligence a strojové učení se často používají zaměnitelně, ale nejsou totéž. Umělá inteligence je věda o učení strojů k provádění lidských úkolů; tento termín byl vytvořen v 50. letech 20. století. Strojové učení je podmnožinou umělé inteligence, ve které se stroj učí vzory z dat, spíše než aby byl explicitně naprogramován.
| Vzhled | Umělá inteligence | Strojové učení |
|---|---|---|
| Rozsah | Široká věda o napodobování lidské inteligence | Podmnožina umělé inteligence zaměřená na učení se z dat |
| Cíl | Simulujte lidské uvažování a rozhodování | Najděte vzorce a vytvářejte předpovědi |
| Přístup | Kombinace pravidel, logiky a učení | Školení založené na datech s příklady |
| Příklad | Systém autonomního řízení automobilů | Model rozpoznávání obrazu uvnitř něj |
Také si můžete přečíst rozdíl mezi Hluboké učení, strojové učení a umělá inteligence.
Kde se používá umělá inteligence? Příklady
Umělá inteligence má široké uplatnění napříč odvětvími.
- Eliminace opakujících se úkolů: Umělá inteligence dokáže opakovat úkol nepřetržitě bez únavy a je lhostejná k práci, kterou vykonává.
- Vylepšení stávajících produktů: Firmy přidávají umělou inteligenci k vylepšení funkčnosti produktů, místo aby je vytvářely od nuly. Například Facebook kdysi vyžadoval ruční označování fotografií; dnes umělá inteligence navrhuje přátelům, aby je označovali automaticky.
Umělá inteligence se používá v každém odvětví – od marketingu a dodavatelského řetězce až po finance a zpracování potravin. Podle průzkumu společnosti McKinsey vedou v zavádění umělé inteligence finanční služby a high-tech komunikace.
Proč právě teď zažívá umělá inteligence boom?
Neuronové sítě existují od 90. let 20. století, po publikaci zásadního článku Yanna LeCuna, ale prosluly si získaly kolem roku 2012. Dnešní boom umělé inteligence pohání tři klíčové faktory.
technické vybavení
Během posledních dvou desetiletí se výkon procesorů explodoval a uživatelům umožnil trénovat malé modely hlubokého učení na notebooku. Počítačové vidění a velké modely hlubokého učení však potřebují více výkonu. Díky investicím společností NVIDIA a AMD umožňuje nová generace grafických procesorů (GPU) paralelní výpočty, rozložení práce mezi několik GPU a urychlení výpočtů. Například NVIDIA TITAN X dokáže trénovat model ImageNet za dva dny oproti týdnům na tradičním CPU a velké společnosti používají klastry GPU, jako je NVIDIA Tesla K80, ke snížení nákladů na datová centra a zlepšení výkonu.
Data
Hluboké učení je strukturou modelu a data jsou tekutinou, která ho oživuje. Bez dat se nedá nic dělat. Moderní technologie ukládání dat usnadňují uchovávání obrovského množství dat v datovém centru a internet umožňuje sběr a distribuci dat pro podporu algoritmů strojového učení.
Aplikace jako Flickr a Instagram uchovávají miliony označených obrázků, které dokáží trénovat neuronovou síť k rozpoznávání objektů bez ručního označování. Umělá inteligence v kombinaci s daty je novým zlatem: společnost s největším množstvím dat má konkurenční výhodu. Svět denně vytváří přibližně 2.2 exabajtů (2.2 miliardy gigabajtů) dat a rozmanité zdroje dat pomáhají modelům nacházet vzory a učit se ve velkém měřítku.
Algoritmus
Hardware je výkonnější než kdy dříve a data jsou snadno dostupná, ale přesnější algoritmy činí neuronové sítě spolehlivými. Rané neuronové sítě byly jednoduché násobení matic bez hlubokých statistických vlastností; od roku 2010 je pozoruhodné objevy vylepšily. Umělá inteligence používá progresivní učící se algoritmy, které nechávají data provádět programování, takže se počítač může naučit sám vykonávat úkoly, jako je detekce anomálií nebo fungování chatbota.
