Hvad er kunstig intelligens? Introduktion, historie og typer af AI

Hvad er kunstig intelligens (AI)?

AI (Kunstig intelligens) er en maskines evne til at udføre kognitive funktioner, som mennesker gør, såsom at opfatte, lære, ræsonnere og løse problemer. Benchmark for AI er det menneskelige niveau i grupper af ræsonnement, tale og vision.

I denne Tutorial om kunstig intelligens, vil du lære following AI grundlæggende-

Introduktion til kunstig intelligens niveauer

I dag bruges AI i næsten alle industrier, hvilket giver en teknologisk fordel til alle virksomheder, der integrerer AI i stor skala. Ifølge McKinsey har AI potentialet til at skabe 600 billion-dollars værdi i detailhandlen giver 50 procent mere inkrementel værdi i bankvirksomhed sammenlignet med andre analyseteknikker. Inden for transport og logistik er det potentielle omsætningsspring 89 % mere.

Konkret, hvis en organisation bruger AI til sit marketingteam, kan den automatisere hverdagsagtige og gentagne opgaver, altwing salgsrepræsentanten til at fokusere på relationsopbygning, lead-pleje osv. Et firma ved navn Gong leverer en samtale-intelligenstjeneste. Hver gang en salgsrepræsentant foretager et telefonopkald, optager, transskriberer og analyserer maskinen chatten. VP kan bruge AI-analyser og anbefalinger til at formulere en vindende strategi.

I en nøddeskal leverer AI banebrydende teknologi til at håndtere complex data, som et menneske ikke kan håndtere. AI automatiserer overflødige job allowing en arbejder til at fokusere på det høje niveau, værdiskabende opgaver. Når AI implementeres i stor skala, fører det til omkostningsreduktion og omsætningsstigning.

Historien om kunstig intelligens

Kunstig intelligens er et buzzword i dag, selvom dette udtryk ikke er nyt. I 1956 besluttede avantgarde-eksperter fra forskellige baggrunde at organisere et sommerforskningsprojekt om AI. Fire lyse hoveder ledede projektet; 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 / Indnovation
1923 Karel Čapek spiller med navnet "Rossum's Universal Robots, den første brug af ordet "robot" på engelsk.
1943 Foundations for neurale netværk lagt.
1945 Isaac Asimov, en alumni fra Columbia University, bruger udtrykket Robotics.
1956 John McCarthy brugte først udtrykket kunstig intelligens. Demonstration af det første kørende AI-program på Carnegie Mellon University.
1964 Danny Bobrows afhandling ved MIT viste, hvordan computere kunne forstå naturligt sprog.
1969 Forskere ved Stanford Research Institute udviklede Shakey. En robot udstyret med bevægelse og problemløsning.
1979 Verdens første computerstyrede autonome køretøj, Stanford Cart, blev bygget.
1990 Væsentlige demonstrationer i maskinlæring
1997 The Deep Blue Chess Program slog den daværende verdensmester i skak, Garry Kasparov.
2000 Interaktive robotkæledyr er blevet kommercielt tilgængelige. MIT-skærme Kismet, en robot med et ansigt, der udtrykker følelser.
2006 AI kom ind i erhvervslivet i år 2006. Virksomheder som Facebook, Netflix, Twitter begyndte at bruge kunstig intelligens.
2012 Google har lanceret en Android app-funktion kaldet "Google nu", som giver brugeren en forudsigelse.
2018 "Projektdebattøren" fra IBM debatteret complex emner med to mesterdebattører og præsterede usædvanligt godt.

Mål for kunstig intelligens

Her er de vigtigste mål for AI:

  • Det hjælper dig med at reducere den tid, der er nødvendig for at udføre specifikke opgaver.
  • Gør det lettere for mennesker at interagere med maskiner.
  • Facilitering af menneske-computer-interaktion på en måde, der er mere naturlig og effektiv.
  • Forbedring af nøjagtigheden og hastigheden af ​​medicinske diagnoser.
  • Hjælper folk med at lære ny information hurtigere.
  • Forbedring af kommunikationen mellem mennesker og maskiner.

Underområder af kunstig intelligens

Her er nogle vigtige underområder af kunstig intelligens:

Maskinelæring: Machine learning er kunsten at studere algorithms der lærer af eksempler og erfaringer. Maskinlæring er baseret på ideen om, at nogle mønstre i dataene blev identificeret og brugt til fremtidige forudsigelser. Forskellen fra hårdkodningsregler er, at maskinen lærer at finde sådanne regler.

Deep Learning: Deep learning er et underområde inden for maskinlæring. Dyb læring betyder ikke, at maskinen lærer mere dybdegående viden; den bruger forskellige lag til at lære af dataene. Modellens dybde er repræsenteret ved antallet af lag i modellen. For eksempel tæller Google LeNet-modellen til billedgenkendelse 22 lag.

Natural Language Processing: Et neuralt netværk er en gruppe af forbundne I/O-enheder, hvor hver forbindelse har en vægt forbundet med dens computerprogrammer. Det hjælper dig med at bygge prædiktive modeller fra store databaser. Denne model bygger på det menneskelige nervesystem. Du kan bruge denne model til at udføre billedforståelse, menneskelig læring, computertale osv.

Ekspertsystemer: Et ekspertsystem er et interaktivt og pålideligt computerbaseret beslutningssystem, der bruger fakta og heuristik til at løse problemerplex beslutningsproblemer. Det anses også for at være på det højeste niveau af menneskelig intelligens. Hovedmålet med et ekspertsystem er at løse de mest complex problemer på et bestemt domæne.

Fuzzy Logic: Fuzzy Logic er defineret som en logisk form med mange værdier, der kan have sandhedsværdier for variabler i ethvert reelt tal mellem 0 og 1. Det er håndtagsbegrebet for delvis sandhed. I det virkelige liv kan vi støde på en situation, hvor vi ikke kan afgøre, om udsagnet er sandt eller falsk.

Underområder af kunstig intelligens

Typer af kunstig intelligens

Der er tre hovedtyper af kunstig intelligens: regelbaseret, beslutningstræ og neurale netværk.

  • Smal AI er en type AI, der hjælper dig med at udføre en dedikeret opgave med intelligens.
  • Generel AI er en type AI-intelligens, der kan udføre enhver intellektuel opgave effektivt som et menneske.
  • Regelbaseret AI er baseret på et sæt forudbestemte regler, der anvendes på et inputdatasæt. Systemet producerer derefter et tilsvarende output.
  • Beslutningstræ AI ligner regelbaseret AI, idet det bruger sæt af forudbestemte regler til at træffe beslutninger. Beslutningstræet giver dog også mulighed for forgrening og looping for at overveje forskellige muligheder.
  • Super AI er en type AI, der gør det muligt for computere at forstå menneskeligt sprog og reagere på en naturlig måde.
  • Robotintelligens er en type AI, der tillader robotter at have complex kognitive evner, herunder ræsonnement, planlægning og læring.

AI vs Machine Learning

Det meste af vores smartphone, daglige enhed eller endda internettet bruger kunstig intelligens. Meget ofte bruges AI og machine learning i flæng af store virksomheder, der ønsker at annoncere deres seneste inden fornovation. Maskinlæring og AI er dog forskellige på nogle måder.

AI - kunstig intelligens - er videnskaben om at træne maskiner til at udføre menneskelige opgaver. Udtrykket blev opfundet i 1950'erne, da videnskabsmænd begyndte at udforske, hvordan computere kunne løse problemer på egen hånd.

AI vs Machine Learning

Kunstig intelligens er en computer, der tildeles menneskelignende egenskaber. Tag vores hjerne; det fungerer ubesværet og problemfrit at beregne verden omkring os. Kunstig intelligens er konceptet om, at en computer kan det samme. Det kan siges, at AI er en stor videnskab, der efterligner menneskelige evner.

Machine learning er en særskilt undergruppe af AI, der træner en maskine til at lære. Maskinlæringsmodeller leder efter mønstre i data og forsøger at konkludere. I en nøddeskal behøver maskinen ikke at være eksplicit programmeret af mennesker. Programmørerne giver nogle eksempler, og computeren vil lære, hvad den skal gøre fra disse eksempler.

Læs også forskellen mellem Deep Learning og Machine Learning vs AI, Klik her.

Hvor bruges AI? Eksempler

Nu i denne AI for begyndere-tutorial lærer vi forskellige anvendelser af AI:

AI har brede applikationer-

  • Kunstig intelligens bruges til at reducere eller undgå gentagne opgaver. For eksempel kan AI gentage en opgave kontinuerligt uden træthed. AI hviler aldrig, og den er ligeglad med opgaven at udføre.
  • Kunstig intelligens forbedrer et eksisterende produkt. Før maskinlæringens tidsalder var kerneprodukter bygget på hårde koderegler. Virksomheder introducerede kunstig intelligens for at forbedre produktets funktionalitet i stedet for at starte fra bunden for at designe nye produkter. Du kan tænke på et Facebook-billede. For et par år siden var du nødt til at tagge dine venner manuelt. I dag giver Facebook dig ved hjælp af kunstig intelligens en vens anbefaling.

AI bruges i alle industrier, fra marketing til forsyningskæde, finans, fødevareforarbejdningssektor. Ifølge en McKinsey-undersøgelse er finansielle tjenester og højteknologisk kommunikation førende inden for kunstig intelligens.

AI brugte eksempler

Hvorfor blomstrer kunstig intelligens nu?

Lad os nu i denne kunstig intelligens-testøvelse lære, hvorfor AI blomstrer nu. Lad os forstå ved nedenstående diagram.

AI blomstrer

Et neuralt netværk har været ude siden halvfemserne med Yann LeCuns banebrydende papir. Den begyndte dog at blive berømt omkring år 2012. Forklaret med tre kritiske faktorer for dens popularitet er:

  1. Hardware
  2. data
  3. Algoritme

Maskinlæring er et eksperimentelt felt, hvilket betyder, at det har brug for data for at teste nye ideer eller tilgange. Med internettets boom blev data lettere tilgængelige. Desuden har gigantiske virksomheder som NVIDIA og AMD udviklet højtydende grafikchips til spilmarkedet.

Hardware

I de sidste tyve år er CPU'ens kraft eksploderet, allowing brugeren til at træne en lille deep-learning model på enhver bærbar computer. Du har dog brug for en mere kraftfuld maskine til at behandle en deep-learning-model til computersyn eller deep learning. Takket være investeringen fra NVIDIA og AMD er en ny generation af GPU (grafisk behandlingsenhed) tilgængelig. Disse chips tillader parallelle beregninger, og maskinen kan adskille beregningerne over flere GPU'er for at fremskynde beregningerne.

For eksempel, med en NVIDIA TITAN X tager det to dage at træne en model kaldet IMAGEnet mod uger for en traditionel CPU. Desuden bruger store virksomheder clusters af GPU til at træne deep learning-modeller med NVIDIA Tesla K80, fordi det hjælper med at reducere datacenteromkostningerne og give bedre ydeevne.

Kunstig intelligens i grafikkort

data

Dyb læring er strukturen i modellen, og dataene er væsken til at gøre den levende. Data driver kunstig intelligens. Uden data kan intet gøres. De nyeste teknologier har rykket grænserne for datalagring, og det er nemmere end nogensinde før at gemme en stor mængde data i et datacenter.

Internetrevolutionen gør dataindsamling og distribution tilgængelig for at fodre maskinlæring algorithms. Hvis du er bekendt med Flickr, Instagram eller enhver anden app med billeder, kan du gætte deres AI-potentiale. Der er millioner af billeder med tags tilgængelige på disse websteder. Disse billeder kan træne en neural netværksmodel til at genkende et objekt på billedet uden at skulle indsamle og mærke dataene manuelt.

Kunstig intelligens kombineret med data er det nye guld. Data er en unik konkurrencefordel, som ingen virksomhed bør forsømme, og AI giver de bedste svar fra dine data. Når alle virksomheder kan have de samme teknologier, vil den med data have en konkurrencefordel. For at give en idé skaber verden omkring 2.2 exabyte eller 2.2 billion gigabyte, hver dag.

En virksomhed har brug for usædvanligt forskellige datakilder for at finde mønstrene og lære i en betydelig mængde.

Big Data i AI

Algoritme

Hardware er mere kraftfuldt end nogensinde før, data er let tilgængelige, men en ting, der gør det neurale netværk mere pålideligt, er udviklingen af ​​mere nøjagtige algorithms. Primære neurale netværk er en simpel multiplikationsmatrix uden dybdegående statistiske egenskaber. Siden 2010 er der gjort bemærkelsesværdige opdagelser for at forbedre det neurale netværk.

Kunstig intelligens bruger en progressiv indlæringsalgoritme til at lade dataene udføre programmeringen. Det betyder, at computeren kan lære sig selv at udføre forskellige opgaver, som at finde uregelmæssigheder ved at blive en chatbot.

Resumé

  • AI er en fuld form for kunstig intelligens er videnskaben om at træne maskiner til at efterligne eller reproducere menneskelige opgaver.
  • En videnskabsmand kan bruge forskellige metoder til at træne en maskine. I begyndelsen af ​​AI's tidsaldre skrev programmører hårdkodede programmer og skrev alle logiske muligheder, maskinen kunne stå over for, og hvordan de skulle reagere.
  • Når et system vokser complex, bliver det svært at styre reglerne. For at overvinde dette problem kan maskinen bruge data til at lære at tage sig af alle situationer fra et givet miljø.
  • Den vigtigste egenskab ved at have en kraftig AI er, at den har nok data med betydelig heterogenitet. For eksempel kan en maskine lære forskellige sprog, så længe den har nok ord at lære af.
  • AI er den nye banebrydende teknologi. Venturekapitalister investerer billioner af dollars i startups eller AI-projekter, og McKinsey vurderer, at AI kan booste enhver industri med mindst en double-cifret vækstrate.
  • Generel AI, Regelbaseret AI, Decision Tree AI, Super AI er typer af kunstig intelligens. Mange af disse concepts anvendes i skabelsen af ​​AI chatbots. Hvis du er interesseret, kan du lære mere om, hvordan disse principper implementeres i nogle af de bedste AI chatbots til rådighed i dag.

Se vores video om kunstig intelligens YouTube: Klik her