Все чаще и чаще мы слышим об искусственном интеллекте, а также о машинном обучении и глубоком обучении, причем последнее иногда неправильно используется как синоним первого.
Искусственный интеллект и машинное обучение
Термин «искусственный интеллект» (ИИ, AI) впервые появился в 1950-х годах и включает все вычислительные машины, способные выполнять задачи, связанные с человеческим интеллектом (творческие функции, которые традиционно считаются прерогативой человека).
Искусственный интеллект включает в себя все операции выполняемые компьютерами, связанные с человеческим интеллектом. К ним относятся планирование, понимание языка, распознавание объектов и звука, обучение и решение проблем.
Искусственный интеллект или ИИ — это область компьютерных наук, возникшая в 1950-х годах. В то время ее описывали как новую науку, которая будет систематически изучать феномен «разума». Эта цель должна была быть достигнута путем использования компьютеров для моделирования интеллектуальных процессов.
Центральное предположение ИИ заключалось в том, что логические операции компьютеров могут быть структурированы так, чтобы имитировать мыслительные процессы человека.
Поскольку работа компьютера понятна, а человеческий разум — нет, исследователи ИИ надеялись таким образом достичь научного понимания феномена «интеллект».
Интеллект понимается в ИИ как общая умственная способность, которая включает в себя несколько более конкретных способностей, таких как способность рассуждать, планировать, решать проблемы, понимать идеи, использовать язык и учиться.
Исследования ИИ обычно сосредоточены на конкретной способности и пытаются разработать программы, способные выполнять ограниченные задачи, связанные с этой способностью. Высшей целью ИИ было создание компьютерной системы с интеллектом и способностями к рассуждениям взрослого человека.
В последние десятилетия взгляд на ИИ как на науку, изучающую феномен интеллекта, был частично заменен взглядом на ИИ как на инженерную дисциплину, в которой исследователи сосредоточены на разработке полезных программ и инструментов, работающих в областях, обычно требующих интеллекта. Таким образом, ИИ в значительной степени стал прикладной наукой, часто сливаясь с другими областями информатики.
Машинное обучение - это способ достичь искусственного интеллекта. С другой стороны, глубокое обучение - один из многих подходов, связанных с машинным обучением.
Машинное обучение - это, по сути, путь к внедрению искусственного интеллекта, своего рода подгруппа искусственного интеллекта, которая фокусируется на способности машин получать набор данных и учиться самостоятельно, настраивая алгоритмы по мере того, как они получают больше информации о том, что они обрабатывают.
Довольно часто термины искусственный интеллект (AI) и машинное обучение (ML) использовались как синонимы, особенно в сфере больших данных.
Термин «машинное обучение» был создан после термина «искусственный интеллект». Он описывает «способность машины учиться без явного программирования». Таким образом, машинное обучение - это способ «обучить» алгоритм, чтобы он мог учиться в различных ситуациях окружающей среды.
Обучение — важная часть человеческих способностей. На самом деле многие другие живые организмы могут учиться.
Машинное обучение можно рассматривать как подобласть или один из инструментов искусственного интеллекта, предоставляя машинам возможность обучения из предыдущего опыта.
Машинное обучение автоматизирует построение аналитической модели с помощью нейросетевых методов, статистических моделей для поиска скрытой информации в данных.
Опыт для машин приходит в виде данных. Данные, которые используются для обучения машин, называются обучающими данными. Машинное обучение переворачивает традиционную модель программирования с ног на голову.
Программа, набор инструкций для компьютера, преобразует входные сигналы в выходные сигналы, используя заранее определенные правила и отношения.
Алгоритмы машинного обучения, также называемые «обучающимися», берут как известные входные данные, так и выходные данные (данные для обучения), чтобы определить модель программы, которая преобразует входные данные в выходные.
Нейронная сеть основана на функционировании человеческого мозга, образованного взаимосвязанными единицами (такими как нейроны), которые обрабатывают информацию, реагируя на внешние входные данные, таким образом передавая связанную информацию между различными единицами.
Классическим примером машинного обучения являются системы искусственного зрения или способность вычислительной системы распознавать объекты, полученные в цифровом виде с помощью датчиков изображения.
Алгоритм, используемый в этих случаях, должен будет распознавать определенные объекты, различать их между животными, вещами и людьми, и в то же время учиться на различных ситуациях.
Глубокое обучение
Глубокое обучение - это один из подходов к машинному обучению, который основан на структуре мозга или взаимосвязи различных нейронов.
Другие подходы включают индуктивное логическое программирование, кластеризацию и байесовские сети. Последние основаны на моделях DAG (прямой ациклический граф), состоящих из набора переменных и их условных зависимостей. Модель может представлять вероятностные отношения между заболеваниями и симптомами: учитывая симптомы в качестве входных данных, можно оценить вероятность данного заболевания.
Глубокое обучение использует огромные модели нейронных сетей с различными процессорами. Этот метод машинного обучения использует достижения в области вычислений и методы обучения для изучения сложных моделей с использованием огромного количества данных.
Общие приложения включают обработку изображений и распознавание речи. Концепцию глубокого обучения иногда называют просто «глубокой нейронной сетью» из-за множества задействованных уровней.
Искусственные нейронные сети
Алгоритмы искусственного интеллекта уже давно используются для моделирования систем принятия решений, поскольку они обеспечивают автоматизированное извлечение знаний и высокую точность вывода.
Искусственные нейронные сети (ИНС) — это класс алгоритмов искусственного интеллекта, появившихся в 1980-х годах в результате развития когнитивных и компьютерных исследований.
Как и другие алгоритмы искусственного интеллекта, ИНС были ориентированы на рассмотрение различных аспектов или элементов обучения, таких как, как учиться, как индуцировать и как делать выводы.
Для таких проблем ИНС могут помочь сделать выводы из наблюдений за конкретными случаями и решить проблемы прогнозирования и интерпретации.
Строго говоря, большинство алгоритмов обучения, используемых ИНС, основаны на классическом анализе статистических закономерностей. Большинство из них основаны на распределении данных, в отличие от алгоритмов грубого набора.
ИНС представляют новый способ обработки и анализа очень сложных данных. Большинство алгоритмов ИНС имеют две общие черты.
Во-первых, его сеть состоит из множества искусственных нейронов, связанных между собой. Связи называются параметрами, и полученные знания из набора данных затем представляются этими параметрами модели. Эта функция делает модель ИНС похожей на человеческий мозг.
Во-вторых, модель ИНС обычно не делает никаких предварительных предположений о распределении данных перед обучением. Это значительно повышает удобство использования ИНС в различных приложениях.
Применение ИИ
Рождение облачных технологий также позволило практически неограниченное хранение этих данных и значительную вычислительную мощность обработки. Все эти достижения приблизили искусственный интеллект к конечной цели создания интеллектуальных машин, которые все чаще входят в нашу повседневную жизнь.
Искусственный интеллект дает машинам возможность имитировать человеческое поведение, особенно когнитивные функции. Примерами могут быть: распознавание лиц, автоматизированное вождение, сортировка почты по почтовому индексу.
В некоторых случаях машины намного превзошли человеческие возможности (сортировка тысяч почтовых отправлений за секунды), а в других случаях мы едва коснулись поверхности (поиск «искусственной глупости»).
Существует целый ряд методов, которые относятся к искусственному интеллекту: лингвистика, обработка естественного языка, наука о принятии решений, предвзятость, видение, робототехника, планирование и т. д.
Искусственный интеллект и Интернет вещей
В последние годы машинное обучение и глубокое обучение сделали огромный шаг вперед в развитии искусственного интеллекта. Оба требуют огромных объемов данных, собираемых множеством датчиков, которые продолжают заполнять экосистему Интернета вещей (IoT), улучшая тем самым искусственный интеллект.
Отношения между искусственным интеллектом (AI) и Интернетом вещей (IoT) действительно интересны, потому что они похожи на отношения между мозгом и человеческим телом.
Посредством различных сенсорных входов, таких как зрение и осязание, наше тело может распознавать определенную ситуацию и выполнять соответствующие действия. Наш мозг принимает решения на основе сенсорных входов и посылает телу сигналы, чтобы управлять его движениями.
Интернет вещей - это не что иное, как набор подключенных датчиков, и благодаря искусственному интеллекту можно анализировать все полученные данные с помощью системы управления или самого сердца схемы, нашего ЦП, можно принимать решения и управлять исполнительными механизмами для управления различными движениями (манипуляторы).
Улучшение экосистемы IoT будет определять искусственный интеллект и, следовательно, подходы, используемые для успешной реализации.
С промышленной точки зрения, искусственный интеллект можно применять для прогнозирования необходимости обслуживания оборудования или анализа производственных процессов для достижения значительного повышения эффективности, что позволяет сэкономить большое количество денежных средств.
Технологические достижения в электронике продолжают стимулировать симбиоз искусственного интеллекта и Интернета вещей.
Развитие компьютерной обработки и хранения данных позволило интегрировать и анализировать больше данных. Уменьшение количества компьютерных микросхем и улучшенная технология производства означают более дешевые и более мощные датчики.
Беспроводное соединение предлагает большой объем данных по очень низким ценам и позволяет всем этим датчикам отправлять данные в облачные системы хранения данных.