Kunstig intelligens (AI): Introduktion og typer

Hvad er kunstig intelligens (AI)?

AI (kunstig intelligens) er en maskines evne til at udføre kognitive funktioner på samme måde som mennesker, såsom at opfatte, lære, ræsonnere og løse problemer. Benchmarken for AI er det menneskelige niveau med hensyn til ræsonnement, tale og syn.

I denne tutorial om kunstig intelligens lærer du de grundlæggende elementer i kunstig intelligens, som er dækket i afsnittene nedenfor.

Hvordan AI skaber forretningsværdi

I dag bruges AI i næsten alle brancher, hvilket giver virksomheder, der integrerer det i stor skala, en teknologisk fordel. Ifølge McKinsey har AI potentiale til at skabe værdi for 600 milliarder dollars i detailhandlen og bringe 50 % mere inkrementel værdi i banksektoren sammenlignet med andre analyseteknikker. Inden for transport og logistik er det potentielle omsætningsspring på op til 89 %.

Hvis en organisation for eksempel bruger AI til sit marketingteam, kan den automatisere trivielle, gentagne opgaver, så salgsrepræsentanter kan fokusere på relationsopbygning og leadpleje. En virksomhed kaldet Gong leverer en samtaleintelligenstjeneste: hver gang en salgsrepræsentant foretager et opkald, optager, transskriberer og analyserer maskinen samtalen, og ledere bruger AI-analyser og anbefalinger til at forme en vindende strategi.

Kort sagt leverer AI banebrydende teknologi til at håndtere komplekse data, som et menneske ikke kan behandle alene. Det automatiserer overflødige job, så medarbejderne kan fokusere på opgaver med høj værdi, og når det implementeres i stor skala, reducerer det omkostninger og øger omsætningen.

Historien om kunstig intelligens

Kunstig intelligens er et modeord i dag, men begrebet er ikke nyt. I 1956 organiserede eksperter med forskellig baggrund et sommerforskningsprojekt om kunstig intelligens. Fire kvikke hjerner ledte det: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), og Claude Shannon (Bell Telephone Laboratories). Her er en kort historie om kunstig intelligens.

År	Milepæl / Innovation
1923	Karel Čapeks skuespil “Rossums universelle robotter” introducerede ordet “robot” på engelsk.
1943	Foundations til neurale netværk blev lagt.
1945	Isaac Asimov, en tidligere studerende fra Columbia University, brugte udtrykket "robotik".
1956	John McCarthy brugte først udtrykket "kunstig intelligens", og det første kørende AI-program blev demonstreret.
1964	Danny Bobrows MIT-afhandling viste, hvordan computere kunne forstå naturligt sprog.
1969	Stanford Research Institute udviklede Shakey, en robot med bevægelses- og problemløsningsfunktioner.
1979	Stanford Cart, verdens første computerstyrede autonome køretøj, blev bygget.
1990	Væsentlige demonstrationer inden for maskinlæring.
1997	Deep Blue-skakprogrammet slog verdensmesteren Garry Kasparov.
2000	Interaktive robotkæledyr blev kommercielt tilgængelige; MIT viste Kismet, en robot der udtrykker følelser.
2006	AI kom ind i erhvervslivet; virksomheder som Facebook, Netflix, og Twitter begyndte at bruge det.
2012	Google lanceret “Google "Nu", en Android funktion, der tilbyder forudsigelser.
2018	IBMs “Projekt Debater” debatterede komplekse emner med mesterdebattører og klarede sig exceptionelt godt.

Mål for kunstig intelligens

De primære mål med AI er:

• Reducer den tid, der er nødvendig for at udføre specifikke opgaver.
• Gør det nemmere for mennesker at interagere med maskiner.
• Fremme mere naturlig og effektiv interaktion mellem menneske og computer.
• Forbedre nøjagtigheden og hastigheden af ​​medicinske diagnoser.
• Hjælp folk med at lære nye oplysninger hurtigere.
• Forbedre kommunikationen mellem mennesker og maskiner.

Underområder af kunstig intelligens

Her er de vigtige underfelter inden for kunstig intelligens.

Maskinelæring: Kunsten at studere algoritmer, der lærer af eksempler og erfaringer. Den er baseret på at identificere mønstre i data og bruge dem til fremtidige forudsigelser. I modsætning til hardcodede regler lærer maskinen selv reglerne.

Deep Learning: Et underfelt inden for maskinlæring, der bruger flere lag til at lære af data. Modellens dybde er antallet af lag, den indeholder; for eksempel, Google's LeNet-model til billedgenkendelse har 22 lag.

Natural Language Processing (NLP): Den gren af ​​AI, der gør det muligt for maskiner at læse, forstå og generere menneskeligt sprog. Den driver applikationer som chatbots, oversættelse, sentimentanalyse og talegenkendelse.

Ekspertsystemer: Et interaktivt, pålideligt computerbaseret beslutningssystem, der bruger fakta og heuristikker til at løse komplekse problemer inden for et specifikt domæne. Det sigter mod at løse de vanskeligste problemstillinger inden for det pågældende domæne.

Fuzzy Logic: En flerværdilogik, hvor sandhedsværdier kan være et hvilket som helst reelt tal mellem 0 og 1. Den håndterer begrebet delvis sandhed i situationer, hvor en udtalelse hverken er fuldt sand eller fuldt falsk.

Typer af kunstig intelligens

AI kan klassificeres på to måder – efter evne og efter teknik.

Efter kapacitet:

• Smal AI: Udfører en enkelt dedikeret opgave intelligent, såsom billedmærkning eller stemmeassistenter.
• Generel AI: Kan udføre enhver intellektuel opgave lige så effektivt som et menneske (stadig teoretisk).
• Super AI: Et hypotetisk niveau, hvor maskiner overgår menneskelig intelligens.

Efter teknik:

• Regelbaseret AI: Anvender et sæt forudbestemte regler på et inputdatasæt for at producere et tilsvarende output.
• Beslutningstræ AI: Ligner regelbaseret AI, men tillader forgrening og looping at afveje forskellige muligheder.
• Neurale netværk: Lagdelte modeller inspireret af den menneskelige hjerne, der lærer komplekse mønstre fra data og understøtter robotteknologi med ræsonnement, planlægning og læringsevner.

AI vs maskinlæring

AI og maskinlæring bruges ofte i flæng, men de er ikke det samme. AI er videnskaben om at træne maskiner til at udføre menneskelige opgaver; udtrykket blev opfundet i 1950'erne. Maskinlæring er en delmængde af AI, hvor en maskine lærer mønstre fra data i stedet for at være eksplicit programmeret.

Aspect	Kunstig intelligens	Maskinelæring
Anvendelsesområde	Bred videnskab om at efterligne menneskelig intelligens	En delmængde af AI fokuseret på at lære fra data
Mål	Simuler menneskelig ræsonnement og beslutningstagning	Find mønstre og lav forudsigelser
Tilgang	Regler, logik og læring kombineret	Datadrevet træning med eksempler
Eksempel	Et selvkørende bilsystem	Billedgenkendelsesmodellen indeni

Du kan også læse forskellen mellem Dyb læring, maskinlæring og kunstig intelligens.

Hvor bruges AI? Eksempler

AI har brede anvendelser på tværs af brancher.

• Eliminering af gentagne opgaver: AI kan gentage en opgave kontinuerligt uden træthed og er ligeglad med det arbejde, den udfører.
• Forbedring af eksisterende produkter: Virksomheder tilføjer kunstig intelligens for at forbedre produkters funktionalitet i stedet for at bygge fra bunden. For eksempel krævede Facebook engang manuel fototagging; i dag foreslår kunstig intelligens automatisk, at venner tagger dem.

AI bruges i alle brancher – fra marketing og forsyningskæde til finans og fødevareforarbejdning. Ifølge en McKinsey-undersøgelse fører finansielle tjenester og højteknologisk kommunikation an i adoptionen af ​​AI.

Hvorfor boomer AI nu?

Neurale netværk har eksisteret siden 1990'erne efter Yann LeCuns banebrydende artikel, men de blev berømte omkring 2012. Tre kritiske faktorer driver nutidens AI-boom.

Hardware

I løbet af de sidste to årtier er CPU-kraften eksploderet, hvilket har gjort det muligt for brugerne at træne små deep-learning-modeller på en bærbar computer. Computer Vision og store deep-learning-modeller kræver dog mere kraft. Takket være investeringer fra NVIDIA og AMD muliggør en ny generation af GPU'er (grafiske processorenheder) parallel beregning, der spreder arbejdet på tværs af flere GPU'er for at fremskynde beregninger. For eksempel kan en NVIDIA TITAN X træne en ImageNet-model på to dage i stedet for uger på en traditionel CPU, og store virksomheder bruger GPU-klynger som NVIDIA Tesla K80 til at reducere datacenteromkostninger og forbedre ydeevnen.

Data

Deep learning er modellens struktur, og data er den væske, der bringer den til live. Uden data kan intet gøres. Moderne lagringsteknologi gør det nemt at opbevare enorme mængder data i et datacenter, og internettet gør dataindsamling og -distribution tilgængelig for at fodre maskinlæringsalgoritmer.

Apps som Flickr og Instagram indeholde millioner af taggede billeder, der kan træne et neuralt netværk til at genkende objekter uden manuel mærkning. Kunstig intelligens kombineret med data er det nye guld: den virksomhed med flest data har en konkurrencefordel. Verden skaber omkring 2.2 exabyte (2.2 milliarder gigabyte) data hver dag, og forskellige datakilder hjælper modeller med at finde mønstre og lære i stor skala.

Algoritme

Hardware er mere kraftfuld end nogensinde, og data er let tilgængelige, men mere præcise algoritmer gør neurale netværk pålidelige. Tidlige neurale netværk var simple matrixmultiplikationer uden dybe statistiske egenskaber; siden 2010 har bemærkelsesværdige opdagelser forbedret dem. AI bruger progressive læringsalgoritmer, der lader dataene udføre programmeringen, så en computer kan lære sig selv at udføre opgaver som at detektere anomalier eller fungere som en chatbot.

Ofte Stillede Spørgsmål