Sztuczna inteligencja (AI): wprowadzenie i typy

Co to jest AI (AI)?

AI (AI) to zdolność maszyny do wykonywania funkcji poznawczych w taki sam sposób jak ludzie, takich jak postrzeganie, uczenie się, rozumowanie i rozwiązywanie problemów. Punktem odniesienia dla sztucznej inteligencji jest poziom ludzki w zakresie rozumowania, mowy i widzenia.

W tym samouczku poświęconym sztucznej inteligencji poznasz podstawy sztucznej inteligencji omówione w poniższych sekcjach.

Jak AI tworzy wartość biznesową

Obecnie AI jest wykorzystywana w niemal wszystkich branżach, dając przewagę technologiczną firmom, które integrują ją na dużą skalę. Według McKinsey, AI ma potencjał, aby wygenerować 600 miliardów dolarów wartości w handlu detalicznym i przynieść o 50% więcej wartości dodanej w bankowości w porównaniu z innymi technikami analitycznymi. W transporcie i logistyce potencjalny wzrost przychodów sięga nawet 89%.

Na przykład, jeśli organizacja wykorzystuje sztuczną inteligencję (AI) w swoim zespole marketingowym, może ona zautomatyzować żmudne, powtarzalne zadania, dzięki czemu przedstawiciele handlowi mogą skupić się na budowaniu relacji i pozyskiwaniu potencjalnych klientów. Firma Gong oferuje usługę analizy konwersacji: za każdym razem, gdy przedstawiciel handlowy wykonuje połączenie, maszyna nagrywa, transkrybuje i analizuje rozmowę, a menedżerowie wykorzystują analizę i rekomendacje AI do kształtowania skutecznej strategii.

Krótko mówiąc, AI zapewnia najnowocześniejszą technologię do przetwarzania złożonych danych, których człowiek nie jest w stanie samodzielnie przetworzyć. Automatyzuje powtarzalne zadania, dzięki czemu pracownicy mogą skupić się na zadaniach o wysokiej wartości, a wdrażana na dużą skalę redukuje koszty i zwiększa przychody.

Historia sztucznej inteligencji

Sztuczna inteligencja to dziś modne słowo, ale termin ten nie jest nowy. W 1956 roku eksperci z różnych środowisk zorganizowali letni projekt badawczy nad sztuczną inteligencją. Kierowali nim czterej błyskotliwi badacze: John McCarthy (Dartmouth College), Marvin Minsky (Uniwersytet Harvarda), Nathaniel Rochester (IBM) i Claude Shannon (Bell Telephone Laboratories). Oto krótka historia sztucznej inteligencji.

Rok	Kamień milowy / Innowacja
1923	Sztuka Karela Čapka „Uniwersalne roboty Rossuma” wprowadziła słowo „robot” do języka angielskiego.
1943	Foundationzostały położone dla sieci neuronowych.
1945	Isaac Asimov, absolwent Uniwersytetu Columbia, użył terminu „robotyka”.
1956	John McCarthy jako pierwszy użył terminu „AI” i zaprezentowano pierwszy działający program AI.
1964	Rozprawa doktorska Danny'ego Bobrowa na MIT pokazała, w jaki sposób komputery potrafią rozumieć język naturalny.
1969	Instytut Badawczy Stanforda opracował Shakeya, robota posiadającego zdolność poruszania się i rozwiązywania problemów.
1979	Zbudowano Stanford Cart, pierwszy na świecie autonomiczny pojazd sterowany komputerowo.
1990	Ważne demonstracje uczenia maszynowego.
1997	Program szachowy Deep Blue pokonał mistrza świata Garriego Kasparowa.
2000	Interaktywne roboty-zwierzęta stały się dostępne w sprzedaży; MIT zaprezentował Kismet, robot wyrażający emocje.
2006	Sztuczna inteligencja weszła do świata biznesu; firmy takie jak Facebook, Netflixi Twitter zaczął z niego korzystać.
2012	Google uruchomiona "Google Teraz”, Android funkcja oferująca przewidywania.
2018	IBM„Project Debater” dyskutował na trudne tematy z udziałem mistrzów debaty i wypadł wyjątkowo dobrze.

Cele sztucznej inteligencji

Główne cele sztucznej inteligencji to:

• Skróć czas potrzebny do wykonania konkretnych zadań.
• Ułatwić ludziom interakcję z maszynami.
• Umożliwia bardziej naturalną i efektywną interakcję człowieka z komputerem.
• Poprawa dokładności i szybkości diagnoz medycznych.
• Pomóż ludziom szybciej przyswajać nowe informacje.
• Poprawa komunikacji między ludźmi i maszynami.

Poddziedziny sztucznej inteligencji

Oto najważniejsze poddziedziny sztucznej inteligencji.

Nauczanie maszynowe: Sztuka badania algorytmów, które uczą się na przykładach i doświadczeniu. Opiera się na identyfikowaniu wzorców w danych i wykorzystywaniu ich do przewidywania przyszłości. W przeciwieństwie do reguł zakodowanych na stałe, maszyna uczy się ich sama.

głęboki Learning: Poddziedzina uczenia maszynowego, która wykorzystuje wiele warstw do uczenia się na podstawie danych. Głębokość modelu to liczba zawartych w nim warstw; na przykład: GoogleModel LeNet służący do rozpoznawania obrazów ma 22 warstwy.

Przetwarzanie języka naturalnego (NLP): Gałąź sztucznej inteligencji, która umożliwia maszynom czytanie, rozumienie i generowanie języka ludzkiego. Wspiera aplikacje takie jak chatboty, tłumaczenia, analiza sentymentów i rozpoznawanie mowy.

Ekspert systemowy: Interaktywny, niezawodny komputerowy system podejmowania decyzji, który wykorzystuje fakty i heurystykę do rozwiązywania złożonych problemów w danej dziedzinie. Jego celem jest rozwiązywanie najtrudniejszych problemów w tej dziedzinie.

Logika rozmyta: Logika wielowartościowa, w której wartościami logicznymi mogą być dowolne liczby rzeczywiste z przedziału od 0 do 1. Obsługuje koncepcję prawdy częściowej w sytuacjach, gdy stwierdzenie nie jest ani w pełni prawdziwe, ani w pełni fałszywe.

Rodzaje sztucznej inteligencji

Sztuczną inteligencję można klasyfikować na dwa sposoby — według jej możliwości i techniki.

Według możliwości:

• Wąska AI: Wykonuje inteligentnie pojedyncze, dedykowane zadanie, np. tagowanie obrazów lub asystentów głosowych.
• Ogólna AI: Potrafi wykonywać każde zadanie intelektualne tak samo sprawnie jak człowiek (na razie to tylko teoria).
• Super AI: Hipotetyczny poziom, na którym maszyny przewyższają inteligencją człowieka.

Według techniki:

• Sztuczna inteligencja oparta na regułach: Stosuje zestaw wstępnie określonych reguł do zestawu danych wejściowych w celu wygenerowania odpowiedniego wyniku.
• Drzewo decyzyjne AI: Podobnie jak AI oparta na regułach, ale umożliwia rozgałęzianie i przeglądanieping rozważyć różne opcje.
• Sieci neuronowe: Warstwowe modele inspirowane ludzkim mózgiem, które uczą się złożonych wzorców na podstawie danych i stanowią podstawę robotyki, wykorzystując rozumowanie, planowanie i zdolność uczenia się.

AI a uczenie maszynowe

Terminy AI i uczenie maszynowe są często używane zamiennie, ale nie oznaczają tego samego. AI to nauka o szkoleniu maszyn do wykonywania zadań ludzkich; termin ten został ukuty w latach 1950. XX wieku. Uczenie maszynowe to podzbiór AI, w którym maszyna uczy się wzorców na podstawie danych, zamiast być bezpośrednio programowana.

WYGLĄD	Artificial Intelligence	Nauczanie maszynowe
Zakres	Szeroka nauka o naśladowaniu ludzkiej inteligencji	Podzbiór sztucznej inteligencji skupiony na uczeniu się na podstawie danych
Cel	Symulować ludzkie rozumowanie i podejmowanie decyzji	Znajdź wzorce i stwórz przewidywania
Podejście	Połączenie zasad, logiki i nauki	Szkolenia oparte na danych z przykładami
Przykład	System samochodów autonomicznych	Model rozpoznawania obrazu w nim zawarty

Możesz również przeczytać różnicę między Głębokie uczenie, uczenie maszynowe i AI.

Gdzie wykorzystuje się sztuczną inteligencję? Przykłady

Sztuczna inteligencja ma szerokie zastosowanie w różnych branżach.

• Eliminacja powtarzalnych zadań: Sztuczna inteligencja może powtarzać zadanie w sposób ciągły bez zmęczenia i nie zwraca uwagi na wykonywaną pracę.
• Ulepszanie istniejących produktów: Firmy wdrażają sztuczną inteligencję, aby ulepszyć funkcjonalność produktów, zamiast budować je od podstaw. Na przykład, Facebook kiedyś wymagał ręcznego tagowania zdjęć; dziś AI sugeruje znajomym automatyczne tagowanie.

Sztuczna inteligencja jest wykorzystywana w każdej branży – od marketingu i łańcucha dostaw, przez finanse, po przetwórstwo żywności. Według badania McKinsey, to usługi finansowe i komunikacja high-tech przodują we wdrażaniu sztucznej inteligencji.

Dlaczego AI przeżywa obecnie rozkwit?

Sieci neuronowe istnieją już od lat 1990. XX wieku, odkąd ukazał się przełomowy artykuł Yanna LeCuna, ale popularność zyskały około 2012 roku. Na obecny boom w dziedzinie sztucznej inteligencji wpływają trzy kluczowe czynniki.

sprzęt komputerowy

W ciągu ostatnich dwóch dekad moc obliczeniowa procesorów gwałtownie wzrosła, umożliwiając użytkownikom trenowanie małych modeli głębokiego uczenia na laptopie. Jednak przetwarzanie obrazu i duże modele głębokiego uczenia wymagają większej mocy. Dzięki inwestycjom firm NVIDIA i AMD, nowa generacja procesorów graficznych (GPU) umożliwia obliczenia równoległe, rozdzielając pracę na kilka GPU, co przyspiesza obliczenia. Na przykład NVIDIA TITAN X może wytrenować model ImageNet w dwa dni, w porównaniu z tygodniami na tradycyjnym procesorze, a duże firmy wykorzystują klastry GPU, takie jak NVIDIA Tesla K80, aby obniżyć koszty centrów danych i poprawić wydajność.

Dane

Głębokie uczenie to struktura modelu, a dane to płyn, który go ożywia. Bez danych nic nie da się zrobić. Nowoczesne technologie przechowywania danych ułatwiają przechowywanie ogromnych ilości danych w centrum danych, a internet umożliwia ich gromadzenie i dystrybucję, co z kolei napędza algorytmy uczenia maszynowego.

Aplikacje takie jak Flickr oraz Instagram przechowują miliony oznaczonych obrazów, które mogą wytrenować sieć neuronową do rozpoznawania obiektów bez ręcznego etykietowania. Połączenie sztucznej inteligencji z danymi to nowe złoto: firma z największą ilością danych zyskuje przewagę konkurencyjną. Świat generuje około 2.2 eksabajta (2.2 miliarda gigabajtów) danych każdego dnia, a zróżnicowane źródła danych pomagają modelom znajdować wzorce i uczyć się na dużą skalę.

Algorytm

Sprzęt jest potężniejszy niż kiedykolwiek, a dane są łatwo dostępne, ale dokładniejsze algorytmy sprawiają, że sieci neuronowe są niezawodne. Wczesne sieci neuronowe opierały się na prostych mnożeniach macierzy bez głębokich własności statystycznych; od 2010 roku niezwykłe odkrycia udoskonaliły je. Sztuczna inteligencja wykorzystuje algorytmy uczenia progresywnego, które pozwalają danym programować, dzięki czemu komputer może nauczyć się wykonywać zadania, takie jak wykrywanie anomalii czy działanie jako chatbot.

FAQ