Umjetna inteligencija (AI): Uvod i vrste

Što je umjetna inteligencija (AI)?

AI (umjetna inteligencija) je sposobnost stroja da obavlja kognitivne funkcije na način na koji to čine ljudi, poput opažanja, učenja, rasuđivanja i rješavanja problema. Mjerilo za umjetnu inteligenciju je ljudska razina u smislu rasuđivanja, govora i vida.

U ovom tutorialu o umjetnoj inteligenciji naučit ćete osnove umjetne inteligencije obrađene u odjeljcima u nastavku.

Kako umjetna inteligencija stvara poslovnu vrijednost

Danas se umjetna inteligencija koristi u gotovo svim industrijama, dajući tehnološku prednost tvrtkama koje je integriraju u velikim razmjerima. Prema McKinseyju, umjetna inteligencija ima potencijal stvoriti 600 milijardi dolara vrijednosti u maloprodaji i donijeti 50% veću dodatnu vrijednost u bankarstvu u usporedbi s drugim analitičkim tehnikama. U transportu i logistici potencijalni skok prihoda iznosi do 89%.

Na primjer, ako organizacija koristi umjetnu inteligenciju za svoj marketinški tim, može automatizirati svakodnevne, repetitivne zadatke kako bi se prodajni predstavnici mogli usredotočiti na izgradnju odnosa i njegovanje potencijalnih klijenata. Tvrtka pod nazivom Gong pruža uslugu analize razgovora: svaki put kada prodajni predstavnik uputi poziv, stroj snima, transkribira i analizira razgovor, a menadžeri koriste analitiku i preporuke umjetne inteligencije kako bi oblikovali pobjedničku strategiju.

Ukratko, umjetna inteligencija pruža vrhunsku tehnologiju za obradu složenih podataka koje čovjek ne može sam obraditi. Automatizira redundantne poslove kako bi se radnici usredotočili na zadatke visoke vrijednosti, a kada se implementira u velikim razmjerima, smanjuje troškove i povećava prihode.

Povijest umjetne inteligencije

Umjetna inteligencija danas je popularan pojam, ali taj termin nije nov. Godine 1956. stručnjaci iz različitih područja organizirali su ljetni istraživački projekt o umjetnoj inteligenciji. Vodila su ga četiri bistra uma: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM) i Claude Shannon (Bell Telephone Laboratories). Evo kratke povijesti umjetne inteligencije.

Godina	Prekretnica / inovacija
1923	Riječ „robot“ u engleski jezik uvedena je u dramu Karla Čapeka „Rossumovi univerzalni roboti“.
1943	FoundationPoloženi su standardi za neuronske mreže.
1945	Isaac Asimov, bivši student Sveučilišta Columbia, koristio je termin "robotika".
1956	John McCarthy prvi je upotrijebio termin "umjetna inteligencija" i demonstrirao je prvi program umjetne inteligencije koji je radio.
1964	Danny Bobrow je u svojoj disertaciji s MIT-a pokazao kako računala mogu razumjeti prirodni jezik.
1969	Istraživački institut Stanford razvio je Shakeyja, robota s mogućnošću kretanja i rješavanja problema.
1979	Izgrađena su Stanford Cart, prvo autonomno vozilo na svijetu kojim upravlja računalo.
1990	Značajne demonstracije u strojnom učenju.
1997	Šahovski program Deep Blue pobijedio je svjetskog prvaka Garryja Kasparova.
2000	Interaktivni robotski kućni ljubimci postali su komercijalno dostupni; MIT je pokazao Kismet, robot koji izražava emocije.
2006	Umjetna inteligencija ušla je u poslovni svijet; tvrtke poput Facebooka, Netflix, a Twitter ga je počeo koristiti.
2012	Google pokrenut "Google Sada”, jedan Android predviđanja koja nude značajke.
2018	IBM„Projekt debatant“ raspravljao je o složenim temama s majstorima debate i postigao iznimno dobre rezultate.

Ciljevi umjetne inteligencije

Glavni ciljevi umjetne inteligencije su:

• Smanjite vrijeme potrebno za obavljanje određenih zadataka.
• Olakšajte ljudima interakciju sa strojevima.
• Omogućiti prirodniju i učinkovitiju interakciju čovjeka i računala.
• Poboljšati točnost i brzinu medicinskih dijagnoza.
• Pomozite ljudima da brže nauče nove informacije.
• Poboljšajte komunikaciju između ljudi i strojeva.

Potpodručja umjetne inteligencije

Evo važnih podoblasti umjetne inteligencije.

Strojno učenje: Umjetnost proučavanja algoritama koji uče iz primjera i iskustva. Temelji se na identificiranju obrazaca u podacima i njihovom korištenju za buduća predviđanja. Za razliku od pravila u kodu, stroj sam uči pravila.

Duboko učenje: Podpodručje strojnog učenja koje koristi više slojeva za učenje iz podataka. Dubina modela je broj slojeva koje sadrži; na primjer, GoogleLeNetov model za prepoznavanje slika ima 22 sloja.

Obrada prirodnog jezika (NLP): Grana umjetne inteligencije koja omogućuje strojevima čitanje, razumijevanje i generiranje ljudskog jezika. Pokreće aplikacije poput chatbotova, prevođenja, analize sentimenta i prepoznavanja govora.

Ekspertni sustavi: Interaktivni, pouzdani računalni sustav donošenja odluka koji koristi činjenice i heuristike za rješavanje složenih problema unutar određene domene. Cilj mu je riješiti najteže probleme u toj domeni.

Mutna logika: Viševrijednosna logika u kojoj istinitosne vrijednosti mogu biti bilo koji realni broj između 0 i 1. Obrađuje koncept djelomične istine za situacije u kojima izjava nije ni potpuno istinita ni potpuno lažna.

Vrste umjetne inteligencije

Umjetna inteligencija može se klasificirati na dva načina - prema sposobnostima i prema tehnici.

Po sposobnosti:

• Uska umjetna inteligencija: Inteligentno obavlja jedan namjenski zadatak, kao što je označavanje slika ili glasovni asistenti.
• Općenito AI: Može obavljati bilo koji intelektualni zadatak jednako učinkovito kao i čovjek (još uvijek teoretski).
• Super umjetna inteligencija: Hipotetska razina u kojoj strojevi nadmašuju ljudsku inteligenciju.

Po tehnici:

• Umjetna inteligencija temeljena na pravilima: Primjenjuje skup unaprijed određenih pravila na ulazni skup podataka kako bi se dobio odgovarajući izlaz.
• Umjetna inteligencija stabla odlučivanja: Slično umjetnoj inteligenciji temeljenoj na pravilima, ali omogućuje grananje i looping vagati različite opcije.
• Neuronske mreže: Slojeviti modeli inspirirani ljudskim mozgom koji uče složene obrasce iz podataka i podupiru robotiku sposobnostima rasuđivanja, planiranja i učenja.

Umjetna inteligencija u odnosu na strojno učenje

Umjetna inteligencija i strojno učenje često se koriste naizmjenično, ali nisu isti. Umjetna inteligencija je znanost o obučavanju strojeva za obavljanje ljudskih zadataka; termin je skovan 1950-ih. Strojno učenje je podskup umjetne inteligencije u kojem stroj uči obrasce iz podataka, a ne da je eksplicitno programiran.

Aspekt	Umjetna inteligencija	Strojno učenje
Djelokrug	Široka znanost o oponašanju ljudske inteligencije	Podskup umjetne inteligencije usmjeren na učenje iz podataka
Cilj	Simulirajte ljudsko razmišljanje i donošenje odluka	Pronađite obrasce i napravite predviđanja
Pristup	Pravila, logika i učenje u kombinaciji	Obuka temeljena na podacima s primjerima
Primjer	Sustav za autonomni automobil	Model prepoznavanja slike unutar njega

Također možete pročitati razliku između Duboko učenje, strojno učenje i umjetna inteligencija.

Gdje se koristi umjetna inteligencija? Primjeri

Umjetna inteligencija ima široku primjenu u svim industrijama.

• Uklanjanje ponavljajućih zadataka: Umjetna inteligencija može kontinuirano ponavljati zadatak bez umora i ravnodušna je prema poslu koji obavlja.
• Poboljšanje postojećih proizvoda: Tvrtke dodaju umjetnu inteligenciju kako bi poboljšale funkcionalnost proizvoda umjesto da grade od nule. Na primjer, Facebook je nekada zahtijevao ručno označavanje fotografija; danas umjetna inteligencija predlaže prijateljima da automatski označavaju.

Umjetna inteligencija koristi se u svakoj industriji - od marketinga i lanca opskrbe do financija i prerade hrane. Prema istraživanju McKinseyja, financijske usluge i visokotehnološka komunikacija predvode usvajanje umjetne inteligencije.

Zašto umjetna inteligencija sada procvjeta?

Neuronske mreže postoje od 1990-ih, nakon ključnog rada Yanna LeCuna, ali su postale poznate oko 2012. Tri ključna čimbenika pokreću današnji procvat umjetne inteligencije.

Hardver

Tijekom posljednja dva desetljeća, snaga CPU-a je eksplodirala, omogućujući korisnicima treniranje malih modela dubokog učenja na prijenosnom računalu. Međutim, računalni vid i veliki modeli dubokog učenja trebaju više snage. Zahvaljujući ulaganjima tvrtki NVIDIA i AMD, nova generacija GPU-a (grafičkih procesorskih jedinica) omogućuje paralelno računanje, raspoređujući posao na nekoliko GPU-ova kako bi se ubrzali izračuni. Na primjer, NVIDIA TITAN X može trenirati ImageNet model za dva dana u usporedbi s tjednima na tradicionalnom CPU-u, a velike tvrtke koriste GPU klastere poput NVIDIA Tesla K80 kako bi smanjile troškove podatkovnih centara i poboljšale performanse.

Datum

Duboko učenje je struktura modela, a podaci su fluid koji ga oživljava. Bez podataka se ništa ne može učiniti. Moderna tehnologija pohrane olakšava čuvanje ogromnih količina podataka u podatkovnom centru, a internet omogućuje prikupljanje i distribuciju podataka za popunjavanje algoritama strojnog učenja.

Aplikacije kao što su Flickr i Instagram sadrže milijune označenih slika koje mogu naučiti neuronsku mrežu da prepoznaje objekte bez ručnog označavanja. Umjetna inteligencija u kombinaciji s podacima je novo zlato: tvrtka s najviše podataka ima konkurentsku prednost. Svijet svakodnevno stvara oko 2.2 eksabajta (2.2 milijarde gigabajta) podataka, a raznoliki izvori podataka pomažu modelima da pronađu obrasce i uče u velikim razmjerima.

Algoritam

Hardver je moćniji nego ikad, a podaci su lako dostupni, ali točniji algoritmi čine neuronske mreže pouzdanima. Rane neuronske mreže bile su jednostavno množenje matrica bez dubokih statističkih svojstava; od 2010. godine izvanredna otkrića su ih poboljšala. Umjetna inteligencija koristi progresivne algoritme učenja koji omogućuju podacima da obave programiranje, tako da računalo može samo sebe naučiti obavljati zadatke poput otkrivanja anomalija ili djelovanja kao chatbot.

Pitanja i odgovori