ПРОСТОЕ РУКОВОДСТВО ПО ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ И МАШИННОМУ ОБУЧЕНИЮ

Искусственный интеллект и машинное обучение в последнее время стали популярными темами в индустрии высоких технологий. Но, возможно, больше, чем в нашей повседневной жизни, искусственный интеллект (ИИ) влияет на деловой мир. В 2014 году около 300 миллионов долларов венчурного капитала было инвестировано в стартапы ИИ, что на 300 процентов больше, чем в предыдущем году.

ИИ присутствует везде, от игровых станций до управления сложными данными на работе. Инженеры и ученые усердно работают над тем, чтобы привить машинам интеллектуальное поведение, позволяющее им думать и реагировать в ситуациях реального времени. В результате ИИ переходит от темы исследования к ранним стадиям внедрения на предприятиях. Google и Facebook вложили значительные средства в искусственный интеллект и машинное обучение и уже внедряют их в свои продукты. Однако это только начало. В течение следующих нескольких лет мы можем увидеть, как ИИ внедряется в один продукт за другим.

ЧТО ТАКОЕ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ?

По словам Джона Маккарти, исследователя из Стэнфорда, «искусственный интеллект — это наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ». ИИ связан с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но ИИ не должен ограничиваться биологически наблюдаемыми методами.

Проще говоря, цель ИИ — сделать компьютеры/компьютерные программы достаточно интеллектуальными, чтобы имитировать поведение человеческого разума. Таким образом, инженерия знаний является важнейшим компонентом исследований ИИ. Машины и программы требуют огромного количества информации о мире, чтобы действовать и реагировать как люди. Следовательно, ИИ должен иметь доступ к свойствам, категориям, объектам и отношениям для реализации инженерии знаний. Кроме того, ИИ прививает машинам здравый смысл, способность решать проблемы и аналитические рассуждения, что сложно и требует много времени.

УСЛУГИ ИИ КЛАССИФИЦИРУЮТСЯ К ВЕРТИКАЛЬНЫМ ИЛИ ГОРИЗОНТАЛЬНЫМ ИИ.

Так что же такое вертикальный ИИ?

Эти службы сосредоточены на одной задаче, такой как планирование собраний или автоматизация повторяющихся задач. Вертикальные ИИ-боты делают для вас только одну вещь, но они делают это настолько хорошо, что мы можем принять их за людей.

Что такое горизонтальный ИИ?

Эти сервисы предназначены для решения самых разных задач. Нет ни одной задачи, которую нужно выполнить. Горизонтальный ИИ демонстрируют Cortana, Siri и Alexa. Эти сервисы работают в более широком масштабе в виде вопросов и ответов, таких как «Какая температура в Нью-Йорке?» или «Позвонить Алексу». Они полезны для множества задач, а не только для одной.

ИИ достигается путем анализа того, как работает человеческий мозг при решении проблемы, а затем с использованием аналитических методов решения проблем для создания сложных алгоритмов для выполнения аналогичных задач. ИИ — это автоматизированная система принятия решений, которая постоянно учится, адаптируется, предлагает и автоматически выполняет действия. По сути, им нужны алгоритмы, которые могут учиться на их опыте. Здесь на помощь приходит машинное обучение.

ЧТО ТАКОЕ МАШИННОЕ ОБУЧЕНИЕ?

Искусственный интеллект и машинное обучение — два популярных, но часто неправильно понимаемых термина. Искусственный интеллект (ИИ) является подмножеством машинного обучения (МО). ML — это наука о разработке и реализации алгоритмов для извлечения уроков из предыдущих случаев. Если определенное поведение имело место в прошлом, вы можете предсказать, произойдет ли оно снова. Однако не может быть никакого предсказания, если нет предыдущих случаев.

Машинное обучение может решить сложные проблемы, такие как обнаружение мошенничества с кредитными картами, беспилотные автомобили, обнаружение и распознавание лиц. Машинное обучение использует сложные алгоритмы, которые бесконечно перебирают большие наборы данных, анализируя закономерности в данных и позволяя машинам реагировать на ситуации, для которых они не были явно запрограммированы. Машины учатся на истории, чтобы давать надежные результаты. Алгоритмы ML используют информатику и статистику для прогнозирования рациональных результатов.

3 ОСНОВНЫЕ ОБЛАСТИ МАШИННОГО ОБУЧЕНИЯ

  1. Обучение с учителем.При обучении с учителем системе предоставляются обучающие наборы данных. Данные анализируются алгоритмами обучения с учителем, которые производят предполагаемую функцию. Полученное правильное решение можно использовать для отображения новых примеров. Одним из примеров алгоритма контролируемого обучения является обнаружение мошенничества с кредитными картами.
  2. Неконтролируемое обучение.Алгоритмы неконтролируемого обучения гораздо сложнее реализовать, потому что данные, которые необходимо передать, являются некластеризованными, а не в виде наборов данных. Цель машины — учиться самостоятельно, без какого-либо надзора. Ни у одной проблемы нет правильного решения. Вместо этого алгоритм обнаруживает закономерности в данных. Механизмы рекомендаций, которые присутствуют на всех сайтах электронной коммерции, являются примерами контролируемого обучения, как и механизмы предложения друзей в Facebook.
  3. Обучение с подкреплением.Этот тип алгоритма машинного обучения позволяет программным агентам и машинам автоматически определять наилучшее поведение в заданном контексте, чтобы максимизировать свою производительность. Обучение с подкреплением определяется путем определения проблемы обучения, а не методов обучения. Мы считаем методом обучения с подкреплением любой метод, который хорошо подходит для решения проблемы. Обучение с подкреплением предполагает, что программный агент, такой как робот, компьютерная программа или бот, взаимодействует с динамической средой для достижения определенной цели. Этот метод выбирает действие, которое приведет к желаемому результату в кратчайшие сроки.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ПЕРВЫЕ ДНИ

Искусственный интеллект существует уже давно — греческие мифы рассказывают о механических людях, которые имитируют наше поведение. Ранние европейские компьютеры задумывались как «логические машины». Инженеры видели свою работу в фундаментальной попытке создать механический мозг, воспроизводя базовые возможности арифметики и памяти. По мере того, как технологии и, что более важно, наше понимание того, как работает наш разум, развивались, росло и наше понимание того, что представляет собой ИИ. Вместо все более сложных вычислений исследования ИИ были сосредоточены на имитации процессов принятия решений человеком и выполнении задач все более похожим на человека способом.

Искусственный интеллект — устройства, предназначенные для интеллектуальных действий, — часто делят на две большие категории: прикладные и общие. Прикладной ИИ встречается гораздо чаще — в эту категорию попадают системы, предназначенные для торговли акциями и акциями или интеллектуального управления автономным транспортным средством.

Обобщенные ИИ — системы или устройства, которые теоретически могут справиться с любой задачей — менее распространены, но в них в настоящее время происходят некоторые из самых захватывающих достижений. Это также область, которая породила машинное обучение. Так что правильнее думать об этом как о современном состоянии искусства, а не как о подмножестве ИИ.

ПОДЪЕМ МАШИННОГО ОБУЧЕНИЯ

Два значительных прорыва привели к появлению машинного обучения как средства, продвигающего развитие ИИ с нынешними темпами.

Одним из них было осознание, приписываемое Артуру Сэмюэлю в 1959 году, что вместо того, чтобы учить компьютеры всему, что им нужно знать о мире и о том, как выполнять задачи, можно было бы научить их учиться самостоятельно.

Вторым, более недавним событием стало появление Интернета, что привело к значительному увеличению объема цифровой информации, создаваемой, хранимой и доступной для анализа.

Инженеры поняли, что вместо того, чтобы учить компьютеры и машины, как делать все, было бы гораздо эффективнее запрограммировать их так, чтобы они думали как люди, а затем подключить их к Интернету, чтобы предоставить им доступ ко всей мировой информации, как только эти инновации будут внедрены. .

НЕЙРОННЫЕ СЕТИ

Развитие нейронных сетей сыграло решающую роль в обучении компьютеров думать и понимать мир так же, как мы, сохраняя при этом неотъемлемые преимущества компьютеров над нами, такие как скорость, точность и отсутствие предвзятости. Нейронная сеть — это компьютерная система, которая классифицирует информацию так же, как это делает человеческий мозг. Его можно научить распознавать изображения и классифицировать их, например, на основе содержащихся в них элементов.

По сути, он работает с вероятностной системой — на основе поступающих к нему данных, и может делать утверждения, решения или прогнозы с высокой степенью уверенности. Добавление петли обратной связи позволяет «обучаться» — чувствуя или сообщая, правильные или неправильные его решения, он изменяет свой подход в будущем.

Приложения машинного обучения могут прочитать текст и определить, жалуется автор или поздравляет себя. Они также могут слушать музыку, определять, может ли она сделать кого-то счастливым или грустным, а затем находить другую музыку, соответствующую настроению. В некоторых случаях они могут даже сочинять музыку, выражающую те же темы, что и исходное произведение, зная, что поклонники оригинального произведения оценят ее.

Это возможности, предоставляемые системами на основе машинного обучения и нейронных сетей. Однако, во многом благодаря научной фантастике, появилось представление о том, что мы должны иметь возможность общаться и взаимодействовать с электронными устройствами и цифровой информацией так же естественно, как с другим человеком. С этой целью другая ветвь ИИ, обработка естественного языка (NLP), стала источником чрезвычайно интересных инноваций в последние годы и в значительной степени зависит от ML.

Приложения НЛП пытаются понять естественное человеческое общение, письменное или устное, и общаться с нами на похожем естественном языке. Машинное обучение используется в этом контексте, чтобы помочь машинам понять обширные нюансы человеческого языка и научиться реагировать так, чтобы конкретная аудитория могла их понять.

КАК ИИ И МАШИННОЕ ОБУЧЕНИЕ РАБОТАЮТ ВМЕСТЕ

При определении различия между искусственным интеллектом и машинным обучением полезно учитывать, как они взаимодействуют из-за их тесной взаимосвязи. Вот как взаимодействуют ИИ и машинное обучение:

Шаг 1.Машинное обучение и другие методы создают систему искусственного интеллекта.

Шаг 2.Модели машинного обучения создаются путем анализа шаблонов данных.

Шаг 3. Специалисты по данным оптимизируют модели машинного обучения на основе шаблонов данных.

Шаг 4.Процесс повторяется и уточняется до тех пор, пока точность моделей не станет достаточной для поставленных задач.

ВОЗМОЖНОСТИ ИИ И МАШИННОГО ОБУЧЕНИЯ

Почти каждая отрасль открывает новые возможности благодаря связи между ИИ и машинным обучением. Вот лишь некоторые из возможностей, которые оказались полезными при оказании помощи предприятиям в преобразовании их процессов и продуктов:

  • Прогностическая аналитика.Эта функция помогает компаниям прогнозировать тенденции и поведенческие модели путем выявления причинно-следственных связей в данных.
  • Системы рекомендаций.Компании используют системы рекомендаций, чтобы рекомендовать продукты, которые могут кого-то заинтересовать, на основе анализа данных.
  • Понимание естественного языка и распознавание речи.Понимание естественного языка распознает смысл в письменной или устной речи, тогда как распознавание речи позволяет компьютерной системе идентифицировать слова в разговорной речи.
  • Обработка изображений и видео.Эти возможности позволяют распознавать лица, объекты и действия на изображениях и видео, а также реализовывать такие функции, как визуальный поиск.
  • Анализ настроений.Компьютерная система использует анализ настроений для выявления и классификации позитивных, нейтральных и негативных настроений, выраженных в тексте.

ПРЕИМУЩЕСТВА ИИ И МАШИННОГО ОБУЧЕНИЯ

Связь между искусственным интеллектом и машинным обучением обеспечивает значительные преимущества для бизнеса практически во всех отраслях, и новые возможности появляются регулярно. Это лишь некоторые из многих преимуществ, которые уже реализованы предприятиями:

  • Дополнительные источники ввода данных.ИИ и машинное обучение позволяют компаниям получать ценную информацию из более широкого спектра структурированных и неструктурированных источников данных.
  • Улучшенное и ускоренное принятие решений.Компании используют машинное обучение для повышения целостности данных и искусственный интеллект (ИИ) для уменьшения человеческих ошибок, что приводит к принятию более эффективных решений на основе более качественных данных.
  • Повышение операционной эффективности.Компании становятся более эффективными за счет автоматизации процессов с помощью ИИ и машинного обучения, что снижает затраты и высвобождает время и ресурсы для решения других задач.

ПРИМЕНЕНИЕ ИИ И МАШИННОГО ОБУЧЕНИЯ

Компании из различных отраслей разрабатывают приложения, использующие связь между искусственным интеллектом и машинным обучением. Это всего лишь несколько примеров того, как ИИ и машинное обучение помогают компаниям трансформировать свои процессы и продукты:

  • Розничная торговля.Розничные предприятия используют искусственный интеллект и машинное обучение для оптимизации своих запасов, создания систем рекомендаций и повышения качества обслуживания клиентов с помощью визуального поиска.
  • Здравоохранение. Организации здравоохранения используют искусственный интеллект и машинное обучение в таких приложениях, как обработка изображений для улучшения обнаружения рака и прогнозная аналитика для исследований геномики.
  • Финансы и банковское дело.Искусственный интеллект и машинное обучение являются полезными инструментами в финансовом контексте для обнаружения мошенничества, прогнозирования рисков и предоставления более активных финансовых рекомендаций.
  • Продажи и маркетинг.Команды по продажам и маркетингу используют искусственный интеллект и машинное обучение для персонализированных предложений, оптимизации кампаний, прогнозирования продаж, анализа настроений и прогнозирования оттока клиентов.
  • Кибербезопасность.ИИ и машинное обучение являются мощным оружием кибербезопасности, помогая организациям защищать себя и своих клиентов путем обнаружения аномалий.
  • Обслуживание клиентов. Чат-боты и когнитивный поиск используются предприятиями из разных отраслей для ответов на вопросы, оценки намерений клиентов и предоставления виртуальной помощи.
  • Транспорт.Искусственный интеллект и машинное обучение полезны в транспортных приложениях, поскольку они помогают компаниям повысить эффективность своих маршрутов и использовать прогностическую аналитику для таких задач, как прогнозирование трафика.
  • Производство. Производственные компании используют искусственный интеллект и машинное обучение для прогнозирования технического обслуживания и повышения эффективности своих операций.