what is artificial intelligence
Сазнајте шта је вештачка интелигенција (АИ), елементи интелигенције и потпоља АИ као што су машинско учење, дубинско учење, НЛП итд.:
Систем рачунарског умрежавања побољшао је људски начин живота пружајући различите типове уређаја и уређаја који смањују физичке и менталне напоре човека за обављање различитих задатака. Вештачка интелигенција је следећи корак у овом процесу који ће га учинити ефикаснијим применом логичких, аналитичких и продуктивнијих технологија у овај напор.
Овај водич ће вам објаснити шта је вештачка интелигенција и њене дефиниције и компоненте помоћу различитих примера. Такође ћемо истражити разлику између људске и машинске интелигенције.
Шта ћете научити:
Шта је вештачка интелигенција (АИ)?
Постоје разне техничке дефиниције које описују вештачку интелигенцију, али све су врло сложене и збуњујуће. За ваше боље разумевање разрадићемо дефиницију једноставним речима.
Људи се сматрају најинтелигентнијом врстом на земљи јер могу да реше било који проблем и анализирају велике податке својим вештинама попут аналитичког мишљења, логичког закључивања, статистичког знања и математичке или рачунарске интелигенције.
Имајући у виду све ове комбинације вештина, вештачка интелигенција је развијена за машине и роботе који намећу способност решавања сложених проблема у машинама сличне онима које могу да раде људи.
Вештачка интелигенција је применљива у свим областима, укључујући медицину, аутомобиле, свакодневне примене животног стила, електронику, комуникације, као и системе рачунарских мрежа.
Тако технички АИ у контексту рачунарских мрежа може се дефинисати као рачунарски уређаји и мрежни систем који могу тачно да разумеју необрађене податке, прикупе корисне информације из тих података и затим користе те налазе да би постигли коначно решење и додељивање проблема флексибилним приступом и лако прилагодљивим решењима.
Елементи интелигенције
# 1) Образложење: То је поступак који нам омогућава да пружимо основне критеријуме и смернице за доношење пресуде, предвиђања и доношења одлука у било ком проблему.
Образложење може бити две врсте, једно је уопштено резоновање које се заснива на опште уоченим инцидентима и изјавама. У овом случају закључак понекад може бити нетачан. Друго је логично резоновање које се заснива на чињеницама, бројкама и конкретним изјавама и конкретним, поменутим и уоченим инцидентима. Стога је закључак у овом случају тачан и логичан.
# 2) Учење: То је акција стицања знања и развоја вештина из различитих извора као што су књиге, истински догађаји из живота, искуства, подучавање неких стручњака итд. Учење побољшава човеково знање у областима којих он није свестан.
Способност учења показују не само људи већ и неке животиње, а вештачки интелигентни системи поседују ову вештину.
Учење је различитих врста како је наведено у наставку:
- Учење аудио говора заснива се на процесу када неки наставник држи предавање, а затим га чујни ученици чују, памте и затим користе за стицање знања из њега.
- Линеарно учење се заснива на памћењу низа догађаја са којима се особа сусрела и из њих научила.
- Под посматрачким учењем подразумева се учење посматрањем понашања и израза лица других особа или бића попут животиња. На пример, мало дете учи да говори опонашајући своје родитеље.
- Перцептуално учење се заснива на учењу идентификовањем и класификацијом визуелних предмета и предмета и њиховим памћењем.
- Релационо учење се заснива на учењу из прошлих случајева и грешака и труди се да их импровизује.
- Просторно учење значи учити од визуелних елемената попут слика, видео записа, боја, мапа, филмова итд., Што ће људима помоћи у стварању слике оних који имају на уму кад год ће то бити потребно за будућу употребу.
# 3) Решавање проблема: То је поступак идентификовања узрока проблема и проналажења могућег начина за решавање проблема. То се ради анализом проблема, доношењем одлука, а затим проналажењем више решења за постизање коначног и најприкладнијег решења проблема.
Коначни мото овде је пронаћи најбоље решење од доступних за постизање најбољих резултата решавања проблема у минималном времену.
# 4) Перцепција: То је феномен добијања, извлачења закључка, избора и систематизовања корисних података из сировог уноса.
Код људи перцепција је изведена из искустава, органа чула и ситуационих услова околине. Али што се тиче перцепције вештачке интелигенције, њу добија механизам вештачког сензора у вези са подацима на логичан начин.
# 5) Лингвистичка интелигенција: То је феномен нечије способности распоређивања, откривања, читања и писања вербалних ствари на различитим језицима. То је основна компонента начина комуникације између две или више особа и неопходна за аналитичко и логичко разумевање.
Разлика између људске и машинске интелигенције
Следеће тачке објашњавају разлике:
# 1) Изнад смо објаснили компоненте људске интелигенције на основу којих човек изводи различите врсте сложених задатака и решава различите врсте препознатљивих проблема у различитим ситуацијама.
#два) Човек развија машине са интелигенцијом попут људи, а такође дају резултате у сложеном проблему у врло блиској мери баш као и људи.
# 3) Људи разликују податке по визуелним и аудио обрасцима, прошлим ситуацијама и догађајима из околности, док вештачки интелигентне машине препознају проблем и решавају проблем на основу унапред дефинисаних правила и заосталих података.
# 4) Људи памте податке прошлости и присећају их се док су их учили и чували у мозгу, али машине ће податке прошлости пронаћи претраживањем алгоритама.
# 5) Помоћу језичке интелигенције, људи могу чак да препознају искривљену слику и облике и недостајуће обрасце гласа, података и слика. Али машине немају ту интелигенцију и користе методологију рачунарског учења и процес дубоког учења који опет укључује различите алгоритме за постизање жељених резултата.
# 6) Људи увек следе свој инстинкт, визију, искуство, ситуације, околности, околне информације, визуелне и необрађене податке, а такође и ствари које су их неки учитељи или старешине научили да анализирају, реше било који проблем и изађу са неким ефикасним и значајним резултатима било ког издања.
С друге стране, вештачки интелигентне машине на свим нивоима примењују различите алгоритме, предефинисане кораке, заостале податке и машинско учење да би дошле до неких корисних резултата.
# 7) Иако је процес који прате машине сложен и укључује много процедура, они ипак дају најбоље резултате у случају анализе великог извора сложених података и тамо где треба тачно да извршавају различите задатке различитих поља у исто време и тачно и у датом временском оквиру.
Стопа грешака у овим случајевима машина је далеко мања него код људи.
Потпоља вештачке интелигенције
# 1) Машинско учење
Машинско учење је карактеристика вештачке интелигенције која рачунару пружа могућност аутоматског прикупљања података и учења на основу проблема или случајева са којима су се сусретали, а не посебно програмирана за извршавање датог задатка или посла.
Машинско учење наглашава раст алгоритама који могу детаљно прегледати податке и прогнозирати их. Ово се углавном користи у здравственој индустрији где се користи за дијагнозу болести, тумачење медицинских скенера итд.
Препознавање образаца је подкатегорија машинског учења. Може се описати као аутоматско препознавање плана из сирових података помоћу рачунарских алгоритама.
Узорак може бити трајни низ података током времена који се користи за предвиђање низа догађаја и трендова, одређених карактеристика карактеристика слика за идентификацију предмета, понављајућа комбинација речи и реченица за језичку помоћ и може бити специфичан прикупљање акција људи у било којој мрежи која може указивати на неку друштвену активност и још много тога.
Процес препознавања образаца укључује неколико корака. Они се објашњавају на следећи начин:
(и) Прикупљање података и детекција: То укључује прикупљање сирових података попут физичких променљивих итд. И мерење фреквенције, пропусног опсега, резолуције итд. Подаци су две врсте: подаци о обуци и подаци о учењу.
Подаци о обуци су они у којима нема означавања скупа података и систем примењује кластере да би их категоризовао. Иако подаци о учењу имају добро обележен скуп података, тако да се могу директно користити са класификатором.
(ии) Претходна обрада улазних података :То укључује филтрирање нежељених података попут шума из улазног извора и врши се обрадом сигнала. У овој фази се врши филтрација већ постојећих образаца у улазним подацима за даље референце.
(иии) Издвајање особина :Разни алгоритми се изводе попут алгоритма за подударање шаблона како би се пронашао одговарајући образац према захтевима у погледу карактеристика.
(ив) Класификација :На основу резултата спроведених алгоритама и различитих модела научених да би се добио одговарајући образац, класа се додељује узорку.
(в) накнадна обрада :Овдје је представљен коначни резултат и биће осигурано да је постигнути резултат готово једнако вјероватно потребан.
Модел за препознавање узорка:
(слика извор )
Као што је приказано на горњој слици, извлакач карактеристика изводиће карактеристике из улазних сирових података, попут звука, слике, видеа, звука итд.
Сада ће класификатор примити к као улазну вредност и доделити ће различите категорије улазној вредности попут класе 1, класе 2 .... класа Ц. на основу класе података врши се даље препознавање и анализа узорка.
Пример препознавања облика троугла кроз овај модел:
Препознавање узорака користи се у процесорима за идентификацију и аутентификацију, попут препознавања заснованог на гласу и аутентичности лица, у одбрамбеним системима за препознавање циљева и вођење навигације и аутомобилској индустрији.
# 2) Дубинско учење
То је процес учења обрађивањем и анализом улазних података на неколико метода док машина не открије један жељени излаз. Такође је познато као само-учење машина.
Машина покреће разне случајне програме и алгоритме за мапирање улазног сировог низа улазних података на излаз. Применом различитих алгоритама попут неуроеволуције и других приступа попут градијентног спуштања на неуронској топологији, излаз и се коначно подиже из непознате улазне функције ф (к), под претпоставком да су к и и повезани.
Овде је занимљиво да је посао неуронских мрежа да открију исправну ф функцију.
Дубинско учење ће бити сведок свих могућих људских карактеристика и база података о понашању и изводиће учење под надзором. Овај процес укључује:
- Откривање различитих врста људских осећања и знакова.
- Препознајте човека и животињу према сликама попут посебних знакова, знакова или обележја.
- Препознавање гласа различитих звучника и меморисање их.
- Конверзија видеа и гласа у текстуалне податке.
- Идентификовање исправних или погрешних геста, класификација нежељених ствари и случајева преваре (попут захтева за превару).
Све остале карактеристике, укључујући горе поменуте, користе се за припрему вештачких неуронских мрежа дубоким учењем.
Предиктивна анализа: Након прикупљања и учења огромних скупова података, груписање сличних врста скупова података врши се приближавањем доступних скупова модела, попут упоређивања сличних врста говорних скупова, слика или докумената.
Пошто смо извршили класификацију и груписање скупова података, приступићемо предвиђању будућих догађаја који се заснивају на основама случајева садашњих догађаја успостављањем корелације између њих оба. Запамтите да предиктивна одлука и приступ нису временски ограничени.
Једино што треба имати на уму приликом предвиђања јесте да излаз треба да има неки смисао и да буде логичан.
Давањем понављајућих понављања и самоанализом постићи ће се решење проблема за машине. Пример дубоког учења је препознавање говора на телефонима који омогућава паметним телефонима да разумеју различите врсте нагласка звучника и претворе га у значајан говор.
# 3) Неуронске мреже
Неуронске мреже су мозак вештачке интелигенције. Они су рачунарски системи који су реплика нервних веза у људском мозгу. Вештачки одговарајући неурони мозга познати су као перцептрон.
Гомила различитих перцептрона који се спаја чини вештачке неуронске мреже у машинама. Пре него што дају пожељне резултате, неуронске мреже стичу знање обрађивањем различитих примера обуке.
Коришћењем различитих модела учења, овај процес анализе података такође ће дати решење за многе повезане упите на које претходно није било одговора.
Дубинско учење у сарадњи са неуронским мрежама може да открије вишеструке слојеве скривених података, укључујући излазни слој сложених проблема, и помоћник је потпољима попут препознавања говора, обраде природног језика и рачунарског вида итд.
(слика извор )
Раније врсте неуронских мрежа састојале су се од једног улаза и једног излаза и готово само једног скривеног слоја или само једног слоја перцептрона.
Дубоке неуронске мреже састоје се од више скривених слојева између улазног и излазног слоја. Због тога је потребан дубок процес учења да би се разоткрили скривени слојеви јединице података.
У дубоком учењу неуронских мрежа, сваки слој је вешт о јединственом скупу атрибута, на основу излазних карактеристика претходних слојева. Што више улазите у неуронску мрежу, чвор стиче способност препознавања сложенијих атрибута док предвиђају и рекомбинују излазе свих претходних слојева како би произвели јаснији коначни излаз.
Читав овај процес назива се хијерархија карактеристика а такође позната и као хијерархија сложених и нематеријалних скупова података. Повећава способност дубоких неуронских мрежа да обрађују веома велике и широке димензионалне јединице података које имају милијарде ограничења проћи ће кроз линеарне и нелинеарне функције.
Главно питање са којим се машинска интелигенција бори да реши је руковање и управљање необележеним и неструктурираним подацима у свету који су раширени по свим пољима и земљама. Сада неуронске мреже имају способност руковања кашњењем и сложеним карактеристикама ових подскупова података.
Дубинско учење у сарадњи са вештачким неуронским мрежама класификовало је и окарактерисало неименоване и сирове податке у облику слика, текста, звука итд. У организовану релациону базу података са одговарајућим обележавањем.
На пример, дубоко учење узимаће као улаз хиљаде сирових слика, а затим их класификовати на основу њихових основних карактеристика и карактера попут свих животиња попут паса на једној страни, неживих ствари попут намештаја на једном углу и свих фотографија ваше породице на трећа страна чиме је завршена целокупна фотографија која је такође позната и као паметни фото албуми.
Други пример, размотримо случај текстуалних података као улазних где имамо хиљаде е-маилова. Овде ће дубинско учење груписати е-пошту у различите категорије попут примарне, социјалне, промотивне и нежељене е-поште према њиховом садржају.
Повратне неуронске мреже: Циљ употребе неуронских мрежа је постизање коначног резултата са минималном грешком и високим нивоом тачности.
Овај поступак укључује много корака, а сваки од нивоа укључује предвиђање, управљање грешкама и ажурирање тежине, што је мали пораст до коефицијента, јер ће се полако кретати до жељених карактеристика.
У почетној тачки неуронских мрежа не зна која тежина и подскупови података ће га претворити у улаз у најпогоднија предвиђања. Стога ће све врсте подскупова података и пондера узети у обзир као моделе за секвенцијално предвиђање како би се постигао најбољи резултат и сваки пут учи на својој грешци.
На пример, можемо повезати неуронске мреже са малом децом као кад се роде, не знају ништа о свету око себе и немају интелигенцију, али како старе, уче из својих животних искустава и грешака како би постали бољи човек и интелектуалац.
Архитектура повратне мреже приказана је у наставку математичким изразом:
Улаз * тежина = предвиђање
Онда,
Основна истина - предвиђање = грешка
Онда,
Грешка * тежински допринос грешци = прилагођавање
Ово се овде може објаснити, улазни скуп података ће их мапирати са коефицијентима да би се добила вишеструка предвиђања за мрежу.
Сада се предвиђање упоређује са основним чињеницама које су преузете из сценарија у стварном времену, чињенице и крајње искуство како би се пронашла стопа грешке. Прилагођавања су направљена да би се бавила грешком и повезала допринос пондера у њој.
Ове три функције су три основна градивна елемента неуронских мрежа који бодују улаз, процењују губитак и примењују надоградњу на модел.
Стога је то повратна веза која ће наградити коефицијенте који подржавају давање тачних предвиђања и одбацити коефицијенте који доводе до грешака.
Препознавање рукописа, препознавање лица и дигиталног потписа, идентификација образаца који недостају су неки од примера неуронских мрежа у стварном времену.
# 4) Когнитивно рачунање
Сврха ове компоненте вештачке интелигенције је да покрене и убрза интеракцију за комплетирање сложених задатака и решавање проблема између људи и машина.
Док раде на различитим врстама задатака са људима, машине уче и разумеју људско понашање, осећања у разним карактеристичним условима и стварају процес размишљања људи у рачунарском моделу.
Вежбајући ово, машина стиче способност разумевања људског језика и одраза слике. Тако когнитивно размишљање, заједно са вештачком интелигенцијом, може створити производ који ће имати људске радње, а такође може имати и могућности руковања подацима.
Когнитивно рачунање је способно да доноси тачне одлуке у случају сложених проблема. Стога се примењује у области која треба да побољша решења уз оптималне трошкове и стиче се анализом природног језика и учења заснованог на доказима.
На пример, Гоогле помоћник је врло велики пример когнитивног рачунања.
# 5) Обрада природног језика
Помоћу ове функције вештачке интелигенције рачунари могу да тумаче, идентификују, лоцирају и обрађују људски језик и говор.
Концепт који стоји иза увођења ове компоненте је учинити интеракцију између машина и људског језика беспрекорном и рачунари ће постати способни да дају логичне одговоре на људски говор или упит.
Фокусирање обраде природног језика на вербални и писани одељак људских језика значи и активни и пасивни начин употребе алгоритама.
Генерација природног језика (НЛГ) ће обрадити и декодирати реченице и речи којима су људи говорили (вербална комуникација), док ће НатуралЛангуаге Ундерстандинг (НЛУ) нагласити писани речник како би језик превео у текст или пикселе који могу да разумеју машине.
Апликације машина засноване на графичком корисничком интерфејсу (ГУИ) најбољи су пример обраде природног језика.
Разне врсте преводилаца који претварају један језик у други примери су система за обраду природног језика. Гооглеова функција гласовног асистента и претраживача за глас је такође пример за то.
# 6) Компјутерска визија
Компјутерска визија је веома важан део вештачке интелигенције, јер омогућава рачунару да аутоматски препозна, анализира и интерпретира визуелне податке са слика и визуелних слика стварног света тако што их хвата и пресреће.
Укључује вештине дубоког учења и препознавања образаца за издвајање садржаја слика из било ког датог података, укључујући слике или видео датотеке у ПДФ документу, Ворд документу, ППТ документу, КСЛ датотеци, графиконима и сликама итд.
Претпоставимо да имамо сложену слику снопа ствари, па само кад је видимо и меморишемо није лако свима. Компјутерска визија може да укључи низ трансформација слике како би се извукли бит и детаљи бајта о њој, попут оштрих ивица предмета, необичног дизајна или боје, итд.
То се постиже коришћењем различитих алгоритама применом математичких израза и статистика. Роботи користе технологију рачунарског вида да виде свет и делују у ситуацијама у реалном времену.
Примена ове компоненте се веома користи у здравственој индустрији за анализу здравственог стања пацијента коришћењем МРИ скенирања, рендгенског снимања итд. Такође се користи у аутомобилској индустрији за рад са компјутерски контролисаним возилима и дроновима.
како започети јава пројекат у ецлипсе-у
Закључак
Прво смо у овом упутству објаснили различите елементе интелигенције дијаграмом и њихов значај за примену интелигенције у стварним животним ситуацијама да бисмо добили жељене резултате.
Затим смо детаљно истражили различита подпоља вештачке интелигенције и њихов значај у машинској интелигенцији и стварном свету уз помоћ математичких израза, апликација у реалном времену и различитих примера.
Такође смо детаљно научили о машинском учењу, препознавању образаца и концептима вештачке интелигенције о неуронским мрежама који играју веома виталну улогу у свим применама вештачке интелигенције.
У следећем делу овог водича детаљно ћемо истражити примену вештачке интелигенције.
Препоручено читање
- Рударство података против машинског учења против вештачке интелигенције против дубоког учења
- 10+ НАЈБОЉИХ компанија са вештачком интелигенцијом (АИ) које највише обећавају (2021 селективно)
- 10 најбољих софтвера за вештачку интелигенцију (прегледи софтвера АИ 2021)
- Комплетан водич за вештачку неуронску мрежу у машинском учењу
- 4 корака до тестирања пословне интелигенције (БИ): Како тестирати пословне податке
- Водич за машинско учење: Увод у МЛ и његове примене
- 25 најбољих алата за пословну интелигенцију (Најбољи БИ алати у 2021)
- Врсте машинског учења: Надзирано против ненадгледаног учења