Mesterséges Intelligencia (MI): Bevezetés és Típusok

Mi az a mesterséges intelligencia (AI)?

AI (mesterséges intelligencia) egy gép azon képessége, hogy az emberekhez hasonlóan kognitív funkciókat lásson el, például érzékelést, tanulást, érvelést és problémamegoldást. A mesterséges intelligencia mércéje az emberi szint az érvelés, a beszéd és a látás tekintetében.

Ebben a mesterséges intelligencia oktatóanyagban megismerkedhetsz az alábbi szakaszokban tárgyalt MI alapjaival.

Hogyan teremt üzleti értéket a mesterséges intelligencia

Manapság a mesterséges intelligenciát szinte minden iparágban alkalmazzák, technológiai előnyt biztosítva azoknak a vállalatoknak, amelyek nagymértékben integrálják azt. A McKinsey szerint a mesterséges intelligencia 600 milliárd dolláros értéket teremthet a kiskereskedelemben, és 50%-kal több hozzáadott értéket hozhat a banki szektorban más analitikai technikákhoz képest. A szállítmányozás és logisztika területén a bevétel akár 89%-os is lehet.

Például, ha egy szervezet mesterséges intelligenciát használ a marketingcsapata számára, automatizálhatja a hétköznapi, ismétlődő feladatokat, így az értékesítési képviselők a kapcsolatépítésre és a potenciális ügyfelek gondozására koncentrálhatnak. A Gong nevű cég beszélgetéselemző szolgáltatást nyújt: minden alkalommal, amikor egy értékesítési képviselő hívást kezdeményez, a gép rögzíti, leírja és elemzi a beszélgetést, a vezetők pedig mesterséges intelligencia elemzéseit és ajánlásait felhasználva alakítanak ki egy nyerő stratégiát.

Röviden, a mesterséges intelligencia élvonalbeli technológiát kínál az olyan összetett adatok kezelésére, amelyeket egy ember egyedül nem tud feldolgozni. Automatizálja a redundáns feladatokat, így a munkavállalók a nagy értékű feladatokra koncentrálhatnak, és ha nagy léptékben alkalmazzák, csökkenti a költségeket és növeli a bevételeket.

A mesterséges intelligencia története

A mesterséges intelligencia ma divatos szó, de a kifejezés nem új keletű. 1956-ban különböző hátterű szakértők szerveztek egy nyári kutatási projektet a mesterséges intelligenciával kapcsolatban. Négy ragyogó elme vezette: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), és Claude Shannon (Bell Telephone Laboratories). Íme egy rövid áttekintés a mesterséges intelligencia történetéről.

Év	Mérföldkő / innováció
1923	Karel Čapek „Rossum univerzális robotjai” című darabja vezette be az angol „robot” szót.
1943	FoundationAz ideghálózatok alapjait fektették le.
1945	Isaac Asimov, a Columbia Egyetem öregdiákja a „robotika” kifejezést használta.
1956	John McCarthy használta először a „mesterséges intelligencia” kifejezést, és bemutatták az első működő MI-programot.
1964	Danny Bobrow MIT disszertációja bemutatta, hogyan képesek a számítógépek megérteni a természetes nyelvet.
1969	A Stanford Kutatóintézet kifejlesztette a Shakey-t, egy mozgásra és problémamegoldásra képes robotot.
1979	Megépült a Stanford Cart, a világ első számítógéppel vezérelt önvezető járműve.
1990	Jelentős bemutatók a gépi tanulásban.
1997	A Deep Blue sakkprogram legyőzte a világbajnok Garri Kaszparovot.
2000	Interaktív robot háziállatok váltak kereskedelmi forgalomban elérhetővé; az MIT bemutatta Kismet, egy robot, amely érzelmeket fejez ki.
2006	A mesterséges intelligencia belépett az üzleti világba; olyan cégek, mint a Facebook, Netflix, és a Twitter elkezdte használni.
2012	Google indítottGoogle Most”, egy Android előrejelzéseket kínáló funkció.
2018	IBM„Project Debater” című műsorvezetője összetett témákat vitatott meg mestervitatókkal, és kivételesen jól teljesített.

A mesterséges intelligencia céljai

A mesterséges intelligencia fő céljai a következők:

• Csökkentse a konkrét feladatok elvégzéséhez szükséges időt.
• Könnyítsd meg az emberek és a gépekkel való interakciót.
• Természetesebb és hatékonyabb ember-számítógép interakció elősegítése.
• Javítsa az orvosi diagnózisok pontosságát és sebességét.
• Segíts az embereknek gyorsabban elsajátítani az új információkat.
• Javítsa az emberek és gépek közötti kommunikációt.

A mesterséges intelligencia részterületei

Íme a mesterséges intelligencia fontos részterületei.

Gépi tanulás: Az algoritmusok tanulmányozásának művészete, amelyek példákból és tapasztalatokból tanulnak. Az adatokban található minták azonosításán és jövőbeli előrejelzésekhez való felhasználásán alapul. A fixen kódolt szabályokkal ellentétben a gép maga tanulja meg a szabályokat.

Deep Learning: A gépi tanulás egy részterülete, amely több réteget használ az adatokból való tanuláshoz. A modell mélysége a benne lévő rétegek száma; például, GoogleA képfelismerésre szolgáló LeNet modell 22 rétegből áll.

Természetes nyelvi feldolgozás (NLP): A mesterséges intelligencia azon ága, amely lehetővé teszi a gépek számára az emberi nyelv olvasását, megértését és generálását. Olyan alkalmazásokat működtet, mint a chatbotok, a fordítás, a hangulatelemzés és a beszédfelismerés.

Szakértői rendszerek: Egy interaktív, megbízható számítógépes döntéshozó rendszer, amely tényeket és heurisztikákat használ egy adott területen belüli összetett problémák megoldására. Célja az adott területen a legnehezebb kérdések megoldása.

Zavaros logika: Egy sokértékű logika, amelyben az igazságértékek 0 és 1 közötti valós számok lehetnek. Kezeli a részigazság fogalmát olyan helyzetekben, amikor egy állítás se nem teljesen igaz, se nem teljesen hamis.

A mesterséges intelligencia típusai

A mesterséges intelligenciát kétféleképpen lehet osztályozni – képesség és technika szerint.

Képesség szerint:

• Szűk AI: Egyetlen, dedikált feladatot intelligensen hajt végre, például képcímkézést vagy hangasszisztenseket.
• Általános AI: Bármilyen intellektuális feladatot ugyanolyan hatékonyan képes elvégezni, mint egy ember (még mindig elméleti).
• Szuper MI: Egy hipotetikus szint, ahol a gépek felülmúlják az emberi intelligenciát.

Technika szerint:

• Szabályalapú mesterséges intelligencia: Előre meghatározott szabályok halmazát alkalmazza egy bemeneti adathalmazra a megfelelő kimenet előállításához.
• Döntési fa MI: Hasonló a szabályalapú mesterséges intelligenciához, de lehetővé teszi az elágazást és a loo-tping hogy mérlegeljük a különböző lehetőségeket.
• Neurális hálózatok: Az emberi agy ihlette réteges modellek, amelyek összetett mintákat tanulnak az adatokból, és a robotikát érvelési, tervezési és tanulási képességekkel támasztják alá.

AI vs gépi tanulás

A mesterséges intelligenciát és a gépi tanulást gyakran felcserélhetően használják, de nem ugyanazok. A mesterséges intelligencia a gépek emberi feladatok elvégzésére való betanításának tudománya; a kifejezést az 1950-es években alkották meg. A gépi tanulás a mesterséges intelligencia egy olyan részhalmaza, amelyben a gép mintákat tanul az adatokból, ahelyett, hogy explicit módon programoznák.

Aspect	Mesterséges intelligencia	Gépi tanulás
Kör	Az emberi intelligencia utánzásának széleskörű tudománya	A mesterséges intelligencia egy részhalmaza, amely az adatokból való tanulásra összpontosít
Cél	Emberi gondolkodás és döntéshozatal szimulálása	Mintákat keress és előrejelzéseket készíts
Megközelítés	Szabályok, logika és tanulás ötvözése	Adatvezérelt képzés példákkal
Példa	Egy önvezető autórendszer	A benne lévő képfelismerő modell

Azt is elolvashatod, hogy mi a különbség a kettő között Mélytanulás, gépi tanulás és mesterséges intelligencia.

Hol használják a mesterséges intelligenciát? Példák

A mesterséges intelligencia széleskörű alkalmazási lehetőségekkel rendelkezik az iparágakban.

• Az ismétlődő feladatok kiküszöbölése: A mesterséges intelligencia képes egy feladatot folyamatosan megismételni fáradtság nélkül, és közömbös az általa végzett munkával szemben.
• Meglévő termékek fejlesztése: A cégek a termékeik funkcionalitásának javítása érdekében mesterséges intelligenciát használnak, ahelyett, hogy a nulláról építkeznének. Például a Facebook egykor manuális fotócímkézést igényelt; ma a mesterséges intelligencia azt javasolja a barátoknak, hogy automatikusan címkézzék meg őket.

A mesterséges intelligenciát minden iparágban alkalmazzák – a marketingtől és az ellátási lánctól kezdve a pénzügyeken át az élelmiszer-feldolgozásig. Egy McKinsey-felmérés szerint a pénzügyi szolgáltatások és a high-tech kommunikáció vezeti a mesterséges intelligencia elterjedését.

Miért virágzik most a mesterséges intelligencia?

A neurális hálózatok az 1990-es évek óta léteznek, Yann LeCun alapvető tanulmányát követően, de 2012 körül váltak híressé. Három kritikus tényező hajtja a mai mesterséges intelligencia-boomot.

hardver

Az elmúlt két évtizedben a CPU-teljesítmény robbanásszerűen megnőtt, lehetővé téve a felhasználók számára, hogy kis mélytanuló modelleket tanítsanak laptopon. A számítógépes látás és a nagy mélytanuló modellek azonban nagyobb teljesítményre szorulnak. Az NVIDIA és az AMD beruházásainak köszönhetően a GPU-k (grafikus feldolgozóegységek) új generációja lehetővé teszi a párhuzamos számítást, a munka több GPU között történő elosztását a számítások felgyorsítása érdekében. Például egy NVIDIA TITAN X két nap alatt képes betanítani egy ImageNet modellt a hagyományos CPU-n hetek alatt megszokotthoz képest, a nagyvállalatok pedig olyan GPU-klasztereket használnak, mint az NVIDIA Tesla K80, hogy csökkentsék az adatközpontok költségeit és javítsák a teljesítményt.

dátum

A mélytanulás a modell struktúrája, az adat pedig az a folyadék, ami életre kelti. Adatok nélkül semmit sem lehet tenni. A modern tárolási technológia megkönnyíti hatalmas mennyiségű adat adatközpontban tartását, az internet pedig lehetővé teszi az adatgyűjtést és -elosztást a gépi tanulási algoritmusok számára.

Alkalmazások, mint Flickr és a Instagram több millió címkézett képet tárol, amelyek képesek betanítani egy neurális hálózatot objektumok felismerésére manuális címkézés nélkül. Az adatokkal kombinált mesterséges intelligencia az új aranyat éri: a legtöbb adattal rendelkező vállalat versenyelőnyre tesz szert. A világ naponta körülbelül 2.2 exabájt (2.2 milliárd gigabájt) adatot hoz létre, és a változatos adatforrások segítenek a modelleknek mintákat találni és nagy léptékben tanulni.

Algoritmus

A hardverek erősebbek, mint valaha, és az adatok könnyen hozzáférhetők, de a pontosabb algoritmusok megbízhatóbbá teszik a neurális hálózatokat. A korai neurális hálózatok egyszerű mátrixszorzások voltak mély statisztikai tulajdonságok nélkül; 2010 óta figyelemre méltó felfedezések fejlesztették őket. A mesterséges intelligencia progresszív tanulási algoritmusokat használ, amelyek hagyják, hogy az adatok végezzék a programozást, így a számítógép képes megtanítani magát olyan feladatok elvégzésére, mint az anomáliák észlelése vagy a chatbotként való működés.

GYIK