人工知能とは何ですか? AIの概要、歴史、種類

人工知能(AI)とは何ですか?

AI (人工知能) は、知覚、学習、推論、問題解決など、人間と同じように認知機能を実行する機械の能力です。 AI のベンチマークは、推論、発話、視覚に関する人間のレベルです。

この中の 人工知能のチュートリアル、次のことを学びますwing AIの基礎 -

人工知能レベルの概要

現在、AI はほぼすべての業界で使用されており、AI を大規模に統合するすべての企業に技術的な優位性が与えられています。マッキンゼーによると、AI には 600 を生み出す可能性がある bill小売業におけるイオンドルの価値は、他の分析手法と比較して、銀行業務に 50% 高い増分価値をもたらします。輸送と物流では、収益が 89% 以上増加する可能性があります。

具体的には、組織がマーケティング チームに AI を使用すると、日常的で反復的なタスクを自動化できます。wing 営業担当者は、関係構築やリード育成などに重点を置くことができます。Gong という名前の会社は、会話インテリジェンス サービスを提供しています。 営業担当者が電話をかけるたびに、機械がチャットを記録、文字起こし、分析します。 VP は AI 分析と推奨を使用して、勝利戦略を策定できます。

一言で言えば、AI は com に対処するための最先端のテクノロジーを提供します。plex 人間には扱えないデータ。 AI は冗長なジョブをすべて自動化しますwing 従業員が高レベルの付加価値のあるタスクに集中できるようになります。 AI を大規模に導入すると、コスト削減と収益増加につながります。

人工知能の歴史

人工知能は今日の流行語ですが、この用語は新しいものではありません。 1956 年、さまざまな背景を持つ前衛的な専門家が AI に関する夏の研究プロジェクトを組織することを決定しました。 XNUMX 人の聡明な頭脳がプロジェクトを主導しました。ジョン・マッカーシー (ダートマス大学)、マービン・ミンスキー (ハーバード大学)、ナサニエル・ロチェスター (IBM)、クロード・シャノン(ベル電話研究所)。

ここでは、人工知能の簡単な歴史を示します。

マイルストーン / 年nova生産
1923 カレル・チャペックは、英語で「ロボット」という言葉を初めて使用した「ロッサムの万能ロボット」という名前で演じます。
1943 Foundationニューラルネットワークを構築するためのs。
1945 コロンビア大学の卒業生であるアイザック・アシモフは、ロボット工学という用語を使用しています。
1956 人工知能という用語を初めて使用したのはジョン・マッカーシーです。 カーネギーメロン大学で最初に実行される AI プログラムのデモンストレーション。
1964 MIT のダニー・ボブロウの博士論文は、コンピューターがどのようにして自然言語を理解できるかを示しました。
1969 スタンフォード研究所の科学者がシェーキーを開発しました。 移動能力と問題解決能力を備えたロボット。
1979 世界初のコンピューター制御の自動運転車、スタンフォード・カートが製造されました。
1990 機械学習における重要なデモンストレーション
1997 ディープ ブルー チェス プログラムは、当時のチェスの世界チャンピオン、ガルリ カスパロフを破りました。
2000 インタラクティブなロボットペットが市販されています。 MITのディスプレイ Kismet、感情を表現する顔を持つロボット。
2006 AI は 2006 年にビジネスの世界に登場しました。Facebook、 Netflix, TwitterがAIを活用し始めました。
2012 Google が開始した Android ユーザーに予測を提供する「Google now」と呼ばれるアプリ機能。
2018 からの「プロジェクトディベーター」 IBM 議論のあるコムplex XNUMX 人のマスターディベーターとともにテーマを取り上げ、非常に良い成績を収めました。

人工知能の目標

AI の主な目標は次のとおりです。

  • 特定のタスクの実行に必要な時間を短縮するのに役立ちます。
  • 人間が機械と対話しやすくなります。
  • より自然かつ効率的な方法で人間とコンピューターの対話を促進します。
  • 医療診断の精度とスピードを向上させます。
  • 人々が新しい情報をより早く学習できるようにします。
  • 人間と機械の間のコミュニケーションを強化します。

人工知能の下位分野

ここでは、人工知能の重要な下位分野をいくつか示します。

機械学習: 機械学習は勉強の芸術です algorithms 例や経験から学びます。機械学習は、データ内のいくつかのパターンが特定され、将来の予測に使用されるという考えに基づいています。ハードコーディング ルールとの違いは、機械がそのようなルールを見つける方法を学習することです。

深層学習: ディープラーニングは機械学習の下位分野です。 ディープラーニングは、機械がより深い知識を学習することを意味するものではありません。 さまざまなレイヤーを使用してデータから学習します。 モデルの深さは、モデル内のレイヤーの数で表されます。 たとえば、画像認識の Google LeNet モデルは 22 層を数えます。

自然言語処理: ニューラル ネットワークは、接続された I/O ユニットのグループであり、各接続にはコンピューター プログラムに関連付けられた重みがあります。 大規模なデータベースから予測モデルを構築するのに役立ちます。 このモデルは人間の神経系に基づいて構築されています。 このモデルを使用して、画像の理解、人間の学習、コンピューターの音声などを行うことができます。

エキスパートシステム: エキスパート システムは、事実とヒューリスティックを使用して問題を解決する、対話型で信頼性の高いコンピュータ ベースの意思決定システムです。plex 意思決定の問題。 それは人類の最高レベルの知性でもあると考えられています。 エキスパート システムの主な目標は、最も多くの課題を解決することです。plex 特定のドメインの問題。

ファジィ論理: ファジー ロジックは、0 ~ 1 の間の任意の実数の変数の真理値を持つことができる多値論理形式として定義されます。これは、部分真理のハンドル概念です。 現実の生活では、その発言が正しいか間違っているか判断できない状況に遭遇することがあります。

人工知能の下位分野

人工知能の種類

人工知能には、ルールベース、デシジョン ツリー、ニューラル ネットワークの XNUMX つの主なタイプがあります。

  • Narrow AI は、知能を備えた専用タスクの実行を支援する AI の一種です。
  • 一般的な AI は、人間と同じようにあらゆる知的タスクを効率的に実行できる AI 知能の一種です。
  • ルールベースの AI は、入力データ セットに適用される事前に決定された一連のルールに基づいています。 その後、システムは対応する出力を生成します。
  • デシジョン ツリー AI は、事前に決定された一連のルールを使用して意思決定を行うという点でルールベース AI に似ています。 ただし、デシジョン ツリーでは、さまざまなオプションを検討するための分岐とループも可能です。
  • スーパーAIとは、コンピュータが人間の言語を理解し、自然な方法で応答できるようにするAIの一種です。
  • ロボット知能は、ロボットに情報を提供できるようにする AI の一種です。plex 推論、計画、学習などの認知能力。

AI と機械学習

私たちのスマートフォン、日常のデバイス、さらにはインターネットのほとんどが人工知能を使用しています。 AI と機械学習は、最新技術を発表したい大企業によって同じ意味で使用されることがよくあります。novaション。ただし、機械学習と AI はいくつかの点で異なります。

AI - 人工知能 - は、人間のタスクを実行するように機械を訓練する科学です。 この用語は、1950 年代に科学者がコンピューターで問題を解決する方法を模索し始めたときに発明されました。

AI と機械学習

人工知能は、人間に似た性質を与えられたコンピューターです。 私たちの脳を例にとってみましょう。 簡単かつシームレスに動作して、私たちの周囲の世界を計算します。 人工知能は、コンピューターでも同じことができるという概念です。 AIは人間の適性を模倣する大きな科学であると言えます。

機械学習は、機械に学習をさせる AI の別個のサブセットです。 機械学習モデルはデータ内のパターンを検索し、結論を導き出そうとします。 一言で言えば、マシンは人間によって明示的にプログラムされる必要はありません。 プログラマーはいくつかの例を示し、コンピューターはそれらのサンプルから何をすべきかを学習します。

ディープラーニングと機械学習と AI の違いもお読みください。 ここをクリック.

AIはどこで使われていますか? 例

この初心者向け AI チュートリアルでは、AI のさまざまなアプリケーションを学習します。

AIは幅広いアプリケーションを持っています-

  • 人工知能は、反復的なタスクを削減または回避するために使用されます。 たとえば、AI は疲労することなくタスクを継続的に繰り返すことができます。 AI は決して休むことがなく、実行すべきタスクには無関心です。
  • 人工知能は既存の製品を改善します。 機械学習の時代以前は、コア製品はハードコード ルールに基づいて構築されていました。 企業は、新しい製品をゼロから設計するのではなく、製品の機能を強化するために人工知能を導入しました。 Facebook の画像を思い浮かべてください。 数年前までは、友達に手動でタグを付ける必要がありました。 最近では、AI の助けを借りて、Facebook が友達のおすすめを表示します。

AIは、マーケティングからサプライチェーン、金融、食品加工部門に至るまで、あらゆる業界で使用されています。 マッキンゼーの調査によると、金融サービスとハイテク通信が AI 分野をリードしています。

AI活用例

AIが今ブームになっているのはなぜですか?

この人工知能テストのチュートリアルでは、なぜ AI が今ブームになっているのかを学びましょう。 下の図で理解しましょう。

AI ブーム

ニューラル ネットワークは、Yann LeCun の独創的な論文によって 2012 年代から登場しています。 しかし、XNUMX年頃から有名になり始めました。その人気のXNUMXつの重要な要因は次のとおりです。

  1. Hardware
  2. 且つ
  3. アルゴリズム

機械学習は実験分野です。つまり、新しいアイデアやアプローチをテストするにはデータが必要です。 インターネットの隆盛により、データに簡単にアクセスできるようになりました。 さらに、NVIDIA や AMD などの巨大企業は、ゲーム市場向けに高性能グラフィックス チップを開発しました。

Hardware

過去 XNUMX 年間で、CPU の能力は爆発的に向上しました。wing ユーザーは、任意のラップトップ上で小さな深層学習モデルをトレーニングできます。 ただし、コンピューター ビジョンまたはディープ ラーニングの深層学習モデルを処理するには、より強力なマシンが必要です。 NVIDIA と AMD の投資のおかげで、新世代の GPU (グラフィック プロセッシング ユニット) が利用可能になりました。 これらのチップは並列計算を可能にし、マシンは計算を複数の GPU に分割して計算を高速化できます。

たとえば、NVIDIA TITAN X では、次のモデルをトレーニングするのに XNUMX 日かかります。 ImageNet 従来の CPU の場合は数週間かかります。また、大企業が利用しているのは、 clusterNVIDIA Tesla K80 を使用してディープ ラーニング モデルをトレーニングするための GPU を使用すると、データ センターのコストが削減され、パフォーマンスが向上します。

グラフィックスカードの人工知能

且つ

ディープラーニングはモデルの構造であり、データはモデルを生かすための流体です。 データは人工知能を強化します。 データがなければ何もできません。 最新のテクノロジーによりデータ ストレージの限界が押し広げられ、大量のデータをデータ センターに保存することがかつてないほど簡単になりました。

インターネット革命により、データの収集と配布が機械学習に利用できるようになりました algorithms。 ご存知の方は Flickr、Instagram やその他の画像のあるアプリを見れば、その AI の可能性を推測できます。これらの Web サイトでは、タグ付きの写真が何百万枚も入手できます。これらの写真は、手動でデータを収集してラベルを付ける必要がなく、写真上のオブジェクトを認識するようにニューラル ネットワーク モデルをトレーニングできます。

人工知能とデータを組み合わせたものが新たな黄金です。データは、どの企業も無視すべきではない独自の競争上の利点であり、AI はデータから最適な答えを提供します。すべての企業が同じテクノロジーを保有できれば、データを持っている企業が競争上の優位性を持つことになります。参考までに、世界では約 2.2 エクサバイト、つまり 2.2 エクサバイトが作成されます。 bill毎日、数ギガバイト。

企業がパターンを見つけて大量に学習するには、非常に多様なデータ ソースが必要です。

AIにおけるビッグデータ

アルゴリズム

ハードウェアはかつてないほど強力になり、データに簡単にアクセスできるようになりましたが、ニューラル ネットワークの信頼性を高める 1 つは、より正確なデータの開発です。 algorithms。プライマリ ニューラル ネットワークは、詳細な統計特性を持たない単純な乗算行列です。 2010 年以来、ニューラル ネットワークを改善するための驚くべき発見が行われてきました。

人工知能は、漸進的学習アルゴリズムを使用して、データにプログラミングを実行させます。 これは、コンピュータがさまざまなタスクの実行方法を自ら学習できることを意味します。たとえば、異常を発見したり、 chatbot.

まとめ

  • AI は完全な形です 人工知能は、人間のタスクを模倣または再現するために機械を訓練する科学です。
  • 科学者はさまざまな方法を使用してマシンをトレーニングできます。 AI の時代の初めに、プログラマーはハードコーディングされたプログラムを作成し、マシンが直面する可能性のあるすべての論理的可能性とその対応方法を入力しました。
  • システムが成長するときplex、ルールを管理することが難しくなります。 この問題を克服するために、マシンはデータを使用して、特定の環境のすべての状況に対処する方法を学習できます。
  • 強力な AI の最も重要な特徴は、かなりの異質性を備えた十分なデータを備えていることです。 たとえば、学習するのに十分な単語がある限り、機械はさまざまな言語を学習できます。
  • AI は新しい最先端のテクノロジーです。ベンチャーキャピタリストが投資する billスタートアップや AI プロジェクトには巨額の資金が投入されており、マッキンゼーは AI があらゆる業界を少なくとも 1 ドル押し上げる可能性があると見積もっています。 double-桁の成長率。
  • 一般AI、ルールベースAI、ディシジョンツリーAI、スーパーAIは人工知能の種類です。これらの多くは concepts AIの作成に応用されている chatbots. 興味があれば、これらの原則が一部の製品でどのように実装されているかについて詳しく学ぶことができます。 最高のAI chatbots 今日利用可能。

人工知能のビデオをご覧ください。 YouTube: ここをクリック