Kunstmatige intelligentie (AI): Inleiding en typen
Evelien Clarke
โก Slimme samenvatting
Kunstmatige intelligentie stelt machines in staat om cognitieve functies uit te voeren, zoals waarnemen, leren, redeneren en problemen oplossen, net als mensen. Deze handleiding behandelt de definitie, geschiedenis, doelen, deelgebieden en soorten AI, en legt uit hoe het verschilt van machine learning en waarom het momenteel zo'n enorme groei doormaakt.
Wat is kunstmatige intelligentie (AI)?
AI (kunstmatige intelligentie) Kunstmatige intelligentie (AI) is het vermogen van een machine om cognitieve functies uit te voeren zoals mensen dat doen, zoals waarnemen, leren, redeneren en problemen oplossen. De maatstaf voor AI is het menselijk niveau op het gebied van redeneren, spraak en zicht.
In deze tutorial over kunstmatige intelligentie leer je de basisprincipes van AI, die in de onderstaande secties worden behandeld.
Hoe AI waarde creรซert voor bedrijven
Tegenwoordig wordt AI in bijna alle sectoren gebruikt, waardoor bedrijven die het op grote schaal integreren een technologisch voordeel hebben. Volgens McKinsey heeft AI het potentieel om $600 miljard aan waarde te creรซren in de detailhandel en 50% meer incrementele waarde te genereren in de banksector in vergelijking met andere analysetechnieken. In transport en logistiek kan de potentiรซle omzetstijging zelfs oplopen tot 89%.
Als een organisatie bijvoorbeeld AI inzet voor haar marketingteam, kan ze alledaagse, repetitieve taken automatiseren, zodat verkoopmedewerkers zich kunnen richten op het opbouwen van relaties en het opvolgen van leads. Een bedrijf genaamd Gong biedt een dienst voor gespreksanalyse: elke keer dat een verkoopmedewerker een telefoongesprek voert, neemt de machine het gesprek op, transcribeert het en analyseert het. Managers gebruiken vervolgens de AI-analyses en aanbevelingen om een โโsuccesvolle strategie te ontwikkelen.
Kortom, AI biedt geavanceerde technologie om complexe data te verwerken die een mens niet alleen kan verwerken. Het automatiseert repetitieve taken, waardoor werknemers zich kunnen concentreren op waardevolle werkzaamheden. Bovendien leidt grootschalige implementatie tot lagere kosten en hogere omzet.
Geschiedenis van kunstmatige intelligentie
Kunstmatige intelligentie is tegenwoordig een modewoord, maar de term is niet nieuw. In 1956 organiseerden experts uit verschillende vakgebieden een zomeronderzoeksproject naar AI. Vier briljante geesten stonden aan het hoofd ervan: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), en Claude Shannon (Bell Telephone Laboratories). Hier volgt een korte geschiedenis van AI.
| Jaar | Mijlpaal / Innovatie |
|---|---|
| 1923 | Karel ฤapek introduceerde het woord 'robot' in het Engels met zijn toneelstuk 'Rossum'. |
| 1943 | FoundationEr werden basisprincipes voor neurale netwerken vastgelegd. |
| 1945 | Isaac Asimov, een alumnus van Columbia University, gebruikte de term 'robotica'. |
| 1956 | John McCarthy gebruikte voor het eerst de term 'kunstmatige intelligentie', en het eerste werkende AI-programma werd gedemonstreerd. |
| 1964 | Danny Bobrow toonde in zijn proefschrift aan het MIT aan hoe computers natuurlijke taal kunnen begrijpen. |
| 1969 | Het Stanford Research Institute ontwikkelde Shakey, een robot met voortbewegings- en probleemoplossende vaardigheden. |
| 1979 | De Stanford Cart, 's werelds eerste computergestuurde autonome voertuig, werd gebouwd. |
| 1990 | Belangrijke demonstraties op het gebied van machinaal leren. |
| 1997 | Het Deep Blue-schaakprogramma versloeg wereldkampioen Garry Kasparov. |
| 2000 | Interactieve robotdieren werden commercieel verkrijgbaar; MIT toonde ze. KismetEen robot die emoties kan uiten. |
| 2006 | AI deed zijn intrede in de zakenwereld; bedrijven zoals Facebook, Netflixen Twitter begon het te gebruiken. |
| 2012 | Google gelanceerd โGoogle Nuโ, een Android een functie die voorspellingen biedt. |
| 2018 | IBM"Project Debater" van 's debatteerde over complexe onderwerpen met ervaren debaters en presteerde uitzonderlijk goed. |
Doelstellingen van kunstmatige intelligentie
De belangrijkste doelen van AI zijn:
- Verkort de tijd die nodig is om specifieke taken uit te voeren.
- Maak het voor mensen gemakkelijker om met machines te communiceren.
- Faciliteer een natuurlijkere en efficiรซntere interactie tussen mens en computer.
- Verbeter de nauwkeurigheid en snelheid van medische diagnoses.
- Help mensen sneller nieuwe informatie te leren.
- Verbeter de communicatie tussen mens en machine.
Deelgebieden van kunstmatige intelligentie
Hieronder volgen de belangrijkste deelgebieden van kunstmatige intelligentie.
Machine leren: De kunst van het bestuderen van algoritmen die leren van voorbeelden en ervaringen. Het is gebaseerd op het identificeren van patronen in data en het gebruiken ervan voor toekomstige voorspellingen. In tegenstelling tot vastgelegde regels, leert de machine de regels zelf.
Diepe leren: Een deelgebied van machine learning dat meerdere lagen gebruikt om van data te leren. De diepte van het model is het aantal lagen dat het bevat; bijvoorbeeld: GoogleHet LeNet-model van voor beeldherkenning heeft 22 lagen.
Natuurlijke taalverwerking (NLP): De tak van AI die machines in staat stelt menselijke taal te lezen, te begrijpen en te genereren. Het vormt de basis voor toepassingen zoals chatbots, vertaling, sentimentanalyse en spraakherkenning.
Expertsystemen: Een interactief, betrouwbaar computergestuurd besluitvormingssysteem dat feiten en heuristieken gebruikt om complexe problemen binnen een specifiek domein op te lossen. Het is erop gericht de moeilijkste vraagstukken binnen dat domein aan te pakken.
Fuzzy Logic: Een meerwaardige logica waarin waarheidswaarden elk reรซel getal tussen 0 en 1 kunnen zijn. Het behandelt het concept van gedeeltelijke waarheid voor situaties waarin een bewering noch volledig waar, noch volledig onwaar is.
Soorten kunstmatige intelligentie
Kunstmatige intelligentie kan op twee manieren worden geclassificeerd: op basis van mogelijkheden en op basis van de gebruikte techniek.
Op basis van vaardigheid:
- Smalle AI: Voert op intelligente wijze รฉรฉn specifieke taak uit, zoals het taggen van afbeeldingen of het bedienen van spraakassistenten.
- Algemene AI: Kan elke intellectuele taak net zo efficiรซnt uitvoeren als een mens (nog steeds theoretisch).
- Super AI: Een hypothetisch niveau waarop machines de menselijke intelligentie overtreffen.
Door middel van techniek:
- Op regels gebaseerde AI: Past een reeks vooraf bepaalde regels toe op een invoergegevensset om een โโovereenkomstige uitvoer te produceren.
- AI voor beslissingsbomen: Vergelijkbaar met regelgebaseerde AI, maar staat vertakkingen en meer toe.ping om verschillende opties af te wegen.
- Neurale netwerken: Gelaagde modellen, geรฏnspireerd op het menselijk brein, leren complexe patronen uit data en vormen de basis voor robotica met redeneer-, plannings- en leervermogen.
AI versus machine learning
AI en machine learning worden vaak door elkaar gebruikt, maar ze zijn niet hetzelfde. AI is de wetenschap van het trainen van machines om menselijke taken uit te voeren; de term werd in de jaren 1950 bedacht. Machine learning is een onderdeel van AI waarbij een machine patronen uit data leert in plaats van expliciet geprogrammeerd te worden.
| Aspect | Artificial Intelligence | Machine leren |
|---|---|---|
| strekking | Breed wetenschappelijk onderzoek naar het nabootsen van menselijke intelligentie | Een deelgebied van AI dat zich richt op het leren van data. |
| Doel | Simuleer menselijk redeneren en besluitvorming. | Zoek naar patronen en doe voorspellingen. |
| Aanpak | Regels, logica en leren gecombineerd | Datagestuurde training met voorbeelden |
| Voorbeeld | Een systeem voor zelfrijdende auto's | Het beeldherkenningsmodel daarin |
Je kunt ook het verschil lezen tussen Diep leren, machinaal leren en AI.
Waar wordt AI gebruikt? Voorbeelden
AI heeft brede toepassingen in diverse sectoren.
- Het elimineren van repetitieve taken: AI kan een taak continu herhalen zonder vermoeid te raken en is onverschillig voor het werk dat het uitvoert.
- Verbetering van bestaande producten: Bedrijven voegen AI toe om de functionaliteit van hun producten te verbeteren in plaats van ze helemaal opnieuw te ontwikkelen. Zo vereiste Facebook vroeger handmatige tagging van foto's; tegenwoordig suggereert AI automatisch vrienden om te taggen.
AI wordt in elke sector gebruikt, van marketing en supply chain tot financiรซn en voedselverwerking. Volgens een onderzoek van McKinsey lopen de financiรซle dienstverlening en hightech communicatie voorop bij de adoptie van AI.
Waarom is AI nu zo in opkomst?
Neurale netwerken bestaan โโal sinds de jaren negentig, na het baanbrekende artikel van Yann LeCun, maar ze werden pas echt bekend rond 2012. Drie cruciale factoren liggen ten grondslag aan de huidige AI-boom.
Hardware
De afgelopen twintig jaar is de rekenkracht van CPU's enorm toegenomen, waardoor gebruikers kleine deep-learningmodellen op een laptop kunnen trainen. Computervisie en grote deep-learningmodellen vereisen echter meer rekenkracht. Dankzij investeringen van NVIDIA en AMD maakt een nieuwe generatie GPU's (grafische processoren) parallelle berekeningen mogelijk, waarbij taken over meerdere GPU's worden verdeeld om de berekeningen te versnellen. Zo kan een NVIDIA TITAN X een ImageNet-model in twee dagen trainen, in tegenstelling tot weken op een traditionele CPU. Grote bedrijven gebruiken GPU-clusters zoals de NVIDIA Tesla K80 om de kosten van datacenters te verlagen en de prestaties te verbeteren.
Data
Deep learning is de structuur van het model, en data is de vloeistof die het tot leven brengt. Zonder data is er niets mogelijk. Moderne opslagtechnologie maakt het eenvoudig om enorme hoeveelheden data in een datacenter op te slaan, en het internet maakt het verzamelen en verspreiden van data mogelijk om machine learning-algoritmen te voeden.
Apps zoals Flickr en Instagram Ze bevatten miljoenen getagde afbeeldingen waarmee een neuraal netwerk getraind kan worden om objecten te herkennen zonder handmatige labeling. AI in combinatie met data is het nieuwe goud: het bedrijf met de meeste data heeft een concurrentievoordeel. De wereld genereert dagelijks ongeveer 2.2 exabytes (2.2 miljard gigabytes) aan data, en diverse databronnen helpen modellen patronen te vinden en op grote schaal te leren.
Algoritme
Hardware is krachtiger dan ooit en data is gemakkelijk toegankelijk, maar nauwkeurigere algoritmen maken neurale netwerken betrouwbaar. Vroege neurale netwerken waren eenvoudige matrixvermenigvuldigingen zonder diepgaande statistische eigenschappen; sinds 2010 hebben opmerkelijke ontdekkingen ze verbeterd. AI maakt gebruik van progressieve leeralgoritmen die de data laten programmeren, waardoor een computer zichzelf kan leren taken uit te voeren zoals het detecteren van afwijkingen of het functioneren als een chatbot.
