Tekoäly (AI): Johdanto ja tyypit

Mikä on tekoäly (AI)?

AI (tekoäly) on koneen kyky suorittaa kognitiivisia toimintoja ihmisten tavoin, kuten havaita, oppia, päätellä ja ratkaista ongelmia. Tekoälyn vertailukohtana on ihmisen taso päättelyn, puheen ja näön suhteen.

Tässä tekoälyopetusohjelmassa opit tekoälyn perusteet, joita käsitellään alla olevissa osioissa.

Miten tekoäly luo liiketoiminta-arvoa

Nykyään tekoälyä käytetään lähes kaikilla toimialoilla, mikä antaa teknologisen edun yrityksille, jotka integroivat sen laajamittaisesti. McKinseyn mukaan tekoälyllä on potentiaalia luoda 600 miljardin dollarin arvoa vähittäiskaupassa ja tuoda 50 % enemmän lisäarvoa pankkialalla verrattuna muihin analytiikkatekniikoihin. Kuljetuksessa ja logistiikassa mahdollinen tulojen nousu on jopa 89 %.

Esimerkiksi jos organisaatio käyttää tekoälyä markkinointitiimissään, se voi automatisoida arkipäiväisiä, toistuvia tehtäviä, jotta myyntiedustajat voivat keskittyä suhteiden rakentamiseen ja liidien hoitamiseen. Gong-niminen yritys tarjoaa keskusteluanalytiikkapalvelua: joka kerta, kun myyntiedustaja soittaa puhelun, laite tallentaa, litteroi ja analysoi keskustelun, ja esimiehet käyttävät tekoälyanalytiikkaa ja suosituksia voittavan strategian muokkaamiseen.

Lyhyesti sanottuna tekoäly tarjoaa huipputeknologiaa monimutkaisen datan käsittelyyn, jota ihminen ei pysty käsittelemään yksin. Se automatisoi tarpeettomia töitä, jotta työntekijät voivat keskittyä arvokkaampiin tehtäviin, ja skaalautuvasti toteutettuna se vähentää kustannuksia ja lisää tuloja.

Tekoälyn historia

Tekoäly on nykyään muotisana, mutta termi ei ole uusi. Vuonna 1956 eri taustoista tulevat asiantuntijat järjestivät tekoälystä kesätutkimusprojektin. Sitä johtivat neljä älykästä ajattelijaa: John McCarthy (Dartmouth College), Marvin Minsky (Harvardin yliopisto), Nathaniel Rochester (IBM) ja Claude Shannon (Bell Telephone Laboratories). Tässä on lyhyt katsaus tekoälyn historiaan.

Vuosi	Virstanpylväs / innovaatio
1923	Karel Čapekin näytelmä ”Rossumin Universal Robots” toi sanan ”robotti” englannin kielelle.
1943	Foundationneuroverkkojen säännöt asetettiin.
1945	Columbian yliopiston alumni Isaac Asimov käytti termiä "robotiikka".
1956	John McCarthy käytti ensimmäisenä termiä "tekoäly", ja ensimmäinen käynnissä oleva tekoälyohjelma esiteltiin.
1964	Danny Bobrow'n MIT-väitöskirja osoitti, kuinka tietokoneet pystyivät ymmärtämään luonnollista kieltä.
1969	Stanfordin tutkimuslaitos kehitti Shakeyn, robotin, jolla on liikkumis- ja ongelmanratkaisukyky.
1979	Stanford Cart, maailman ensimmäinen tietokoneella ohjattava autonominen ajoneuvo, rakennettiin.
1990	Merkittäviä demonstraatioita koneoppimisessa.
1997	Deep Bluen shakkiohjelma voitti maailmanmestari Garri Kasparovin.
2000	Interaktiiviset robottilemmikit tulivat kaupallisesti saataville; MIT esitteli Kismet, robotti, joka ilmaisee tunteita.
2006	Tekoäly tuli liike-elämään; yritykset kuten Facebook, Netflixja Twitter alkoi käyttää sitä.
2012	Google julkaistuGoogle Nyt", Android ominaisuus, joka tarjoaa ennusteita.
2018	IBMn ”Project Debater” väitteli monimutkaisista aiheista mestariväittelijöiden kanssa ja suoriutui poikkeuksellisen hyvin.

Tekoälyn tavoitteet

Tekoälyn päätavoitteet ovat:

• Vähennä tiettyjen tehtävien suorittamiseen tarvittavaa aikaa.
• Helpottaa ihmisten ja koneiden välistä vuorovaikutusta.
• Helpottaa luonnollisempaa ja tehokkaampaa ihmisen ja tietokoneen vuorovaikutusta.
• Parantaa lääketieteellisten diagnoosien tarkkuutta ja nopeutta.
• Auta ihmisiä oppimaan uutta tietoa nopeammin.
• Paranna ihmisten ja koneiden välistä kommunikaatiota.

Tekoälyn osa-alueet

Tässä ovat tekoälyn tärkeät osa-alueet.

Koneen oppiminen: Esimerkeistä ja kokemuksesta oppivien algoritmien tutkimisen taito. Se perustuu datassa olevien kaavojen tunnistamiseen ja niiden käyttämiseen tulevaisuuden ennusteiden tekemiseen. Toisin kuin kovakoodatut säännöt, kone oppii säännöt itse.

Deep Learning: Koneoppimisen osa-alue, joka käyttää useita kerroksia datasta oppimiseen. Mallin syvyys on sen sisältämien kerrosten määrä; esimerkiksi Googlen LeNet-mallissa kuvantunnistukseen on 22 kerrosta.

Luonnollinen kielenkäsittely (NLP): Tekoälyn haara, joka mahdollistaa koneille ihmiskielen lukemisen, ymmärtämisen ja luomisen. Se tukee sovelluksia, kuten chatbotteja, käännöstä, mielipideanalyysiä ja puheentunnistusta.

Järjestelmien asiantuntija: Vuorovaikutteinen ja luotettava tietokonepohjainen päätöksentekojärjestelmä, joka käyttää faktoja ja heuristiikkaa ratkaistakseen monimutkaisia ​​ongelmia tietyllä alueella. Sen tavoitteena on ratkaista vaikeimmat ongelmat kyseisellä alueella.

Sumea logiikka: Moniarvoinen logiikka, jossa totuusarvot voivat olla mitä tahansa reaalilukuja väliltä 0 ja 1. Se käsittelee osittaistotuuden käsitteen tilanteissa, joissa lause ei ole täysin tosi eikä täysin epätosi.

Tekoälyn tyypit

Tekoäly voidaan luokitella kahdella tavalla – ominaisuuksien ja tekniikan perusteella.

Kyvykkyyden mukaan:

• Kapea tekoäly: Suorittaa yhden erillisen tehtävän älykkäästi, kuten kuvien merkitsemisen tai ääniavustajat.
• Yleinen AI: Pystyy suorittamaan minkä tahansa älyllisen tehtävän yhtä tehokkaasti kuin ihminen (edelleen teoreettinen).
• Supertekoäly: Hypoteettinen taso, jossa koneet ylittävät ihmisen älykkyyden.

Tekniikan mukaan:

• Sääntöihin perustuva tekoäly: Soveltaa syötetietojoukkoon ennalta määritettyjä sääntöjä vastaavan tulosteen tuottamiseksi.
• Päätöspuun tekoäly: Samanlainen kuin sääntöpohjainen tekoäly, mutta sallii haarautumisen ja värähtelynping punnitamaan eri vaihtoehtoja.
• Neuroverkot: Ihmisaivoista inspiroituneita kerrostettuja malleja, jotka oppivat datasta monimutkaisia ​​kaavoja ja tukevat robotiikkaa päättely-, suunnittelu- ja oppimiskyvyillä.

Tekoäly vs. koneoppiminen

Tekoälyä ja koneoppimista käytetään usein synonyymeinä, mutta ne eivät ole sama asia. Tekoäly on tiedettä, jossa koneita koulutetaan suorittamaan ihmisen suorittamia tehtäviä; termi keksittiin 1950-luvulla. Koneoppiminen on tekoälyn osajoukko, jossa kone oppii kaavoja datasta sen sijaan, että se olisi eksplisiittisesti ohjelmoitu.

Aspect	Tekoäly	Koneen oppiminen
Laajuus	Laaja tiede ihmisen älykkyyden matkimisesta	Tekoälyn osajoukko, joka keskittyy datasta oppimiseen
Tavoite	Simuloi ihmisen päättelyä ja päätöksentekoa	Etsi malleja ja tee ennusteita
Lähestymistapa	Säännöt, logiikka ja oppiminen yhdistettynä	Datalähtöinen koulutus esimerkkien avulla
esimerkki	Itseohjautuva autojärjestelmä	Sen sisällä oleva kuvantunnistusmalli

Voit myös lukea eron Syväoppiminen, koneoppiminen ja tekoäly.

Missä tekoälyä käytetään? Esimerkkejä

Tekoälyllä on laajat sovellukset eri toimialoilla.

• Toistuvien tehtävien poistaminen: Tekoäly voi toistaa tehtävää jatkuvasti väsymättä, eikä se välitä tekemästään työstä.
• Olemassa olevien tuotteiden parantaminen: Yritykset lisäävät tekoälyä parantaakseen tuotteiden toiminnallisuutta sen sijaan, että rakentaisivat ne tyhjästä. Esimerkiksi Facebook vaati aikoinaan kuvien manuaalista merkitsemistä; nykyään tekoäly ehdottaa ystäville automaattisesti merkitsemistä.

Tekoälyä käytetään kaikilla toimialoilla – markkinoinnista ja toimitusketjusta rahoitukseen ja elintarvikkeiden jalostukseen. McKinseyn kyselyn mukaan finanssipalvelut ja huipputeknologinen viestintä johtavat tekoälyn käyttöönottoa.

Miksi tekoäly kukoistaa juuri nyt?

Neuroverkkoja on ollut olemassa 1990-luvulta lähtien Yann LeCunin uraauurtavan artikkelin jälkeen, mutta ne tulivat kuuluisiksi noin vuonna 2012. Kolme kriittistä tekijää ohjaa nykyistä tekoälybuumia.

Palvelimet

Viimeisten kahden vuosikymmenen aikana suorittimien teho on räjähdysmäisesti kasvanut, minkä ansiosta käyttäjät voivat kouluttaa pieniä syväoppimismalleja kannettavalla tietokoneella. Konenäkö ja suuret syväoppimismallit tarvitsevat kuitenkin enemmän tehoa. NVIDIAn ja AMD:n investointien ansiosta uuden sukupolven GPU:t (graafiset prosessointiyksiköt) mahdollistavat rinnakkaislaskennan, jolloin työ jakautuu useille GPU:ille laskelmien nopeuttamiseksi. Esimerkiksi NVIDIA TITAN X voi kouluttaa ImageNet-mallin kahdessa päivässä verrattuna viikkoihin perinteisellä suorittimella, ja suuret yritykset käyttävät GPU-klustereita, kuten NVIDIA Tesla K80:ta, leikatakseen datakeskuskustannuksia ja parantaakseen suorituskykyä.

Päiväys

Syväoppiminen on mallin rakenne, ja data on se fluidi, joka herättää sen eloon. Ilman dataa ei voida tehdä mitään. Nykyaikainen tallennusteknologia helpottaa valtavien datamäärien säilyttämistä datakeskuksessa, ja internet mahdollistaa datan keräämisen ja jakelun koneoppimisalgoritmien käyttöön.

Sovellukset, kuten Flickr ja Instagram sisältää miljoonia merkittyjä kuvia, jotka voivat opettaa neuroverkon tunnistamaan objekteja ilman manuaalista nimeämistä. Tekoäly yhdistettynä dataan on uusi kulta: yrityksellä, jolla on eniten dataa, on kilpailuetu. Maailmassa luodaan noin 2.2 eksatavua (2.2 miljardia gigatavua) dataa joka päivä, ja monipuoliset datalähteet auttavat malleja löytämään säännönmukaisuuksia ja oppimaan skaalautuvasti.

algoritmi

Laitteisto on tehokkaampaa kuin koskaan ja data on helposti saatavilla, mutta tarkemmat algoritmit tekevät neuroverkoista luotettavia. Varhaiset neuroverkot olivat yksinkertaisia ​​matriisikertolaskuja ilman syvällisiä tilastollisia ominaisuuksia; vuodesta 2010 lähtien merkittävät löydöt ovat parantaneet niitä. Tekoäly käyttää progressiivisia oppimisalgoritmeja, jotka antavat datan hoitaa ohjelmoinnin, jotta tietokone voi opettaa itseään suorittamaan tehtäviä, kuten poikkeavuuksien havaitsemista tai toimimista chatbottina.

UKK