Учебник по искусственному интеллекту

Эту статью можно рассматривать как руководство для новичков в области искусственного интеллекта. Дисциплина искусственного интеллекта сложна, и эта статья расскажет вам о шагах, которые вы можете предпринять для изучения искусственного интеллекта, а также краткую его историю, а также его различные концепции, уровни, области применения, плюсы и минусы.

Введение: краткое описание искусственного интеллекта

Искусственный интеллект – одно из тех явлений, у которых нет конкретного определения для начала, и его определение зависит от того, у кого это определение запрашивается. Тем не менее, самое простое понимание искусственного интеллекта, или просто ИИ, заключается в том, что он относится к тому явлению, когда машины имеют тенденцию имитировать человеческое мышление, интеллект и в определенной степени поведение и тем самым помогают в решении различных проблем, с которыми сталкивается человечество в целом. В наши дни ИИ широко используется, и учебник по искусственному интеллекту может значительно помочь в изучении этой дисциплины. Что касается «как изучить ИИ?», Не существует прямого испытанного и проверенного пути, чтобы изучить ИИ и стать в нем экспертом, однако в целом обычно нужно быть из области STEM или, по крайней мере, иметь приличное знание статистики. ,математика и компьютеры. Помимо знаний о компьютерном программировании и продвинутой математике, знание таких областей, как Data Science, особенно машинное обучение и прогнозное моделирование, может значительно помочь людям в формировании их понимания ИИ.

AnalytixLabs – ведущий институт аналитики данных, который специализируется на обучении частных лиц и корпораций с целью получения отраслевых знаний о науке о данных и связанных с ней аспектах. Его возглавляют выпускники McKinsey, IIT, IIM и FMS, обладающие большим практическим опытом. Находясь в секторе образования в течение достаточно длительного времени и имея широкую клиентскую базу, AnalytixLabs очень помогает молодым соискателям сделать карьеру в области Data Science.

Что такое искусственный интеллект

Как упоминалось ранее, существует множество определений ИИ, но если мы рассмотрим широкое определение, то мы можем использовать определение, данное отцом ИИ, Марвином Ли Мински и Джоном Маккарти, которые считали ИИ определенными компьютерными системами, которые могут работать. те действия, которые человек выполняет, используя свой интеллект. Таким образом, эти системы должны быть способны демонстрировать определенные особенности человеческого интеллекта, которые включают логическое рассуждение, решение проблем, понимание знаний, которые не могут быть предоставлены типичным бинарным или структурированным способом вместе с применением чисто человеческих концепций восприятия, социальных норм и т. д.

Однако всегда нужно помнить, что, хотя понимание ИИ все еще исходит, в частности, из научно-фантастических фильмов, где существует гуманоид, который является воплощением искусственного интеллекта, на самом деле, какая форма компьютерных систем считается ИИ, всегда зависела от время. Раньше компьютерные системы, которые могли распознавать текст на изображениях, считались ИИ, сегодня система должна быть гораздо более сложной, чтобы ее можно было рассматривать как часть ИИ.

Каждый раз, когда возникают такие вопросы, как «что такое ИИ?» спрашивают, где-то в определении есть ссылка на концепцию машинного обучения, и на то есть причина. В то время как значение машинного обучения может быть очень сомнительный, никто не может отрицать, что машинное обучение и искусственный интеллект два переплетенных и очень родственные понятия, если не части друг друга (хотя это спорно тоже). Машинное обучение означает отказ от жесткого кодирования и ручное программирование систем для выполнения задачи, позволяя машине решать и предпринимать действия. Это достигается за счет предоставления большого количества исторических данных с хорошей маркировкой, то есть данных, которые имеют предикторы и целевую переменную.Таким образом, машина может установить закономерность между многочисленными входами и целевой меткой и, таким образом, может предсказать и предпринять многочисленные «мудрые» и правильные действия. ИИ, хотя и использует огромные объемы хорошо размеченных данных, использует другой механизм для установления этого шаблона и использует архитектуру, имитирующую человеческий мозг. Эта архитектура часто имитирует функционирование нейрона клетки человека, создает нейронные сети и дает ответы. В чисто техническом понимании создание шаблонов происходит глубоко внутри сетей, и создатель не может даже понять, как именно система приходит к выводу (даже если он правильный), и, следовательно, эта форма машинного обучения известна как глубокое обучение. Как глубокое обучение подходит к проблеме,он мало понимает, о чем он на самом деле «думал», прежде чем прийти к ответу, тем самым оставляя железный занавес перед создателями системы ИИ. Это источник всех предположений, скептицизма и исходный материал для всех фильмов и романов, в которых системы на основе ИИ захватывают человечество.

Даже при нынешнем уровне ИИ большинство экспертов считают, что для того, чтобы ИИ полностью раскрыл свой потенциал, он должен обрести «здравый смысл», чтобы действовать и решать сложные проблемы, которые люди решают изо дня в день.

Краткая история искусственного интеллекта

История искусственного интеллекта интересна, особенно если учесть, как давно концепция ИИ существует у нас. Если мы попытаемся подумать о том, что представляет собой ИИ, мы сможем найти небольшой проблеск его концепций в греческих, китайских и египетских мифах, однако, что касается термина «искусственный интеллект», он был придуман в 1956 году в Дартмутском колледже в г. Нью-Гемпшир. Если Алан Тёрнинг – отец компьютеров, то (как упоминалось ранее) отцами искусственного интеллекта являются Марвин Мински и Джон Маккарти, которые в Массачусетском технологическом институте работали над различными проектами искусственного интеллекта, которые теперь называются Лабораторией компьютерных наук и искусственного интеллекта Массачусетского технологического института. С тех пор это были вехи за вехами, которые были достигнуты в области искусственного интеллекта.Хотя каждый год и вносил свой вклад в развитие ИИ, следующие годы являются наиболее важными в его развитии:

1961: Хотя создание лаборатории искусственного интеллекта Массачусетского технологического института было важной вехой, которой даже предшествовала работа, проделанная Аланом Тьюрингом над ранними формами компьютеров в 1940-х годах, предложение Исаака Азимова о трех законах робототехники в 1950 году и последующее развитие Однако первая основанная на ИИ программа для игры в шашки, написанная Кристофером Стрейчи в

1951, 1961 годах, стала первой широкомасштабной реализацией ИИ, когда на заводах General Motors были внедрены роботы для облегчения работы на сборочных линиях.

1964: Обработка и понимание естественного языка впервые были достигнуты в этом году, когда Дэниел Боброу разработал СТУДЕНТ в качестве своего доктора философии Массачусетского технологического института. диссертация («Ввод на естественном языке для компьютерной системы решения проблем»).

1965: В дополнение к предыдущему достижению в области НЛП (обработка естественного языка) Джозефом Вайценбаумом была разработана ELIZA, которая представляет собой своего рода «интерактивный чат-бот», который может общаться с пользователями на английском языке.

1969: Опубликована знаменитая статья Марвина Мински и Сеймура Паперта «Персептроны: введение в вычислительную геометрию», в которой указывается на ограничения популярных в то время простых однослойных нейронных сетей и на то, что они не смогли решить простую задачу XOR.

1974: Стэнфордская лаборатория искусственного интеллекта представляет беспилотный автомобиль – Stanford Cart, способный обнаруживать препятствия на своем пути и маневрировать, не задевая объекты, стоящие на его пути. Однако окончательный вид получен только к 1979 году.

1974 – 1979: Первая AI Winter поражает развитие AI в основном из-за нехватки памяти или вычислительной мощности, доступной в то время. Государственные инвестиции в ИИ падают, и общий интерес также падает в академическом мире.

1981: Япония решает работать над своим компьютерным проектом «пятого поколения», чтобы облегчить общение, выполнять переводы и рассуждать как люди, который получает огромные открытия из США и Великобритании, таким образом завершая первую зиму искусственного интеллекта.

1983: Программа XCON (eXpert CONfigure) (ранний тип компьютера с экспертной системой на основе правил, разработанный в 1978 году для помощи в заказе компьютеров VAX компании DEC) достигает своего пика в 2500 правил и принимается огромным количеством корпораций по всему миру. Мир. Таким образом, XCON становится первой широко используемой компьютерной системой, которая интегрирует методы искусственного интеллекта для решения реальных проблем, таких как выбор компонентов на основе требований клиентов.

1984: Ежегодное собрание Ассоциации по развитию искусственного интеллекта проходит в Техасском университете, где Роджер Шэнк и Марвин Мински предупреждают сообщество ИИ об очередной зиме ИИ, ссылаясь на то, что главной проблемой является разрыв продолжающегося пузыря ИИ из-за постоянного падения финансирование исследований и инвестиции в промышленность.

1986: Дэвид Рамелхарт, Джеффри Хинтон и Рональд Уильямс предлагают метод обучения, называемый обратным распространением, который может быть применен к нейронным сетям в их статье «Изучение представлений с помощью ошибок обратного распространения».

1987 – 1993: Как и предупреждали Шанк и Мински, второй хит AI Winters. Медленные и неэлегантные экспертные системы становятся слишком дорогостоящими для корпораций, которые все больше предпочитают Microsoft и Apple OS на персональных компьютерах для решения своих задач. Агентство перспективных оборонных исследовательских проектов (DARPA), агентство исследований и разработок Министерства обороны США, ответственное за разработку новых технологий для использования в вооруженных силах, прекращает финансирование проектов на основе ИИ, поскольку считает, что ИИ не является катализатором следующая волна компьютерного прогресса. В 1998 году Мински и Пейперт публикуют расширенную версию своей книги «Персептроны» и ссылаются на постоянное совершение старых ошибок сообществом ИИ как на причину его общего упадка.Техника обратного распространения ошибки, предложенная Рамельхартом, применяется в многослойной нейронной сети для распознавания рукописного текста в лабораториях AT&T, однако проблема ограниченной вычислительной мощности остается, так как обучение сети занимает 3 дня. В 1992 году Бернхард Бозер, Изабель Гайон и Владимир Вапник (первоначальный создатель SVM в 1963 году) нашли способ применить трюк с ядром к опорным векторным машинам (SVM) для решения задач нелинейной классификации. Этот алгоритм, хотя и намного проще и быстрее нейронных сетей, способен выполнять такие задачи, как классификация изображений, что сильно влияет на развитие ИИ.и Владимир Вапник (первый создатель SVM в 1963 году) нашли способ применить трюк с ядром к опорным векторным машинам (SVM) для решения задач нелинейной классификации. Этот алгоритм, хотя и намного проще и быстрее нейронных сетей, способен выполнять такие задачи, как классификация изображений, что сильно влияет на развитие ИИ.и Владимир Вапник (первый создатель SVM в 1963 году) нашли способ применить трюк с ядром к опорным векторным машинам (SVM) для решения задач нелинейной классификации. Этот алгоритм, хотя и намного проще и быстрее нейронных сетей, способен выполнять такие задачи, как классификация изображений, что сильно влияет на развитие ИИ.

1995: ALICE, вдохновленная ELIZA, разработана Ричардом Уоллесом, но гораздо более продвинута из-за доступности всемирной паутины.

1997: Зепп Хохрайтер и Юрген Шмидхубер разработали методику долговременной памяти (LSTM) для распознавания почерка и речи. В том же году IBM разрабатывает программу Deep Blue для игры в шахматы и обыгрывает Гарри Каспарова, чемпиона мира по шахматам, на широко разрекламированном мероприятии.

1998 – 2000: По всему миру разрабатывается множество роботов. В 1998 году Furby был разработан как первая собака-робот. В 1999 году Sony разработала роботизированную собаку AIBO. В 2000 году Синтия Бризил из Массачусетского технологического института разработала Kismet для распознавания человеческих эмоций, а в том же году компания Honda разработала ASIMO. как человекоподобный робот, способный взаимодействовать с людьми и доставлять подносы в рестораны.

2004: DARPA признало потенциал искусственного интеллекта и запускает задачу по разработке автономных транспортных средств (хотя никто не побеждает в соревновании).

2009: Google начинает проект по разработке беспилотного автомобиля.

2010: Наука повествования началась, когда студенческий проект разработал свой прототип Stats Monkey, который автоматически пишет спортивные истории на основе широко доступных данных.

2011: Компьютерная программа Watson от IBM выигрывает популярное шоу Jeopardy. Гонка по созданию самого сложного виртуального помощника начинается с того, что многие помощники становятся популярными, такие как Facebook M, Microsoft Cortona, Apple Siri и Google Now.

2015: Илон Маск и другие известные личности жертвуют 1 миллиард долларов на Open AI.

2016: компания Google Deep Mind Technologies разработала AlphaGo, побеждая чемпиона Кореи по го Ли Седола. В том же году Стэнфорд выпускает отчет AI 100, посвященный 100-летним усилиям по изучению ИИ и прогнозированию того, как он повлияет на людей.

Настоящее время: большое количество университетов по всему миру начали предлагать академические формальные курсы в области ИИ, что сделало его основным предметом изучения.

Как научиться работать с искусственным интеллектом

Изучение любой дисциплины может быть трудным и требует от соискателя много тяжелой работы и самоотверженности. Это становится особенно сложной задачей, когда эта область не является широкоформатной, такой как теоретическая физика или химия, и она все еще развивается быстрыми темпами. Все это верно для искусственного интеллекта, и поэтому спрос на учебные материалы по искусственному интеллекту, особенно те, которые охватывают основы искусственного интеллекта, постоянно растет. Хотя существует множество способов обучения, ИИ для начинающих – сложная вещь для понимания, и необходимо сосредоточиться на следующих аспектах ИИ.

Знание о данных

Все сводится к данным в искусственном интеллекте, поскольку данные являются источником информации, на которой учится любая система с поддержкой ИИ. Таким образом, сначала нужно познакомиться с данными и областью Data Science в целом.

Понимание машинного обучения и связанных с ним концепций

Как только достигается какое-то представление о данных, такое как исследование данных, манипулирование и интеллектуальный анализ, необходимо понимать такие концепции, как прогнозное моделирование. Здесь необходимо понимать такие темы, как теоретические, а также прикладные аспекты традиционной и байесовской статистики, математики, многочисленных статистических и математических алгоритмов.

Знание инструмента

Чтобы применить все знания, полученные на этом этапе, инструмент необходимо усовершенствовать. Хотя существует множество инструментов, в которых выполняется искусственный интеллект, один инструмент, который используется для исследования данных, манипулирования, отчетности, прогнозного моделирования, машинного обучения и глубокого обучения, – это python. Таким образом, нужно многому научиться и заложить хороший фундамент на Python.

Понять, что такое ИИ

Искусственный интеллект для начинающих – увлекательная, а иногда и разрекламированная тема. До тех пор, пока не будет собрано достойное понимание ИИ, кандидат не сможет оправдать свои ожидания. Таким образом, знание о различных значениях, типах, уровнях, алгоритмах, методах и использовании ИИ является обязательным. Простая сеть прямого распространения – это то, с чего учащиеся могут начать, поскольку такие концепции, как плотные сети, обратное распространение, эпохи, веса, смещения, помогут понять другие, более сложные алгоритмы ИИ.

Изучение ресурсов

Чтобы изучить все вышеперечисленное, можно сосредоточиться на каждом аспекте индивидуально, а затем связать все эти концепции вместе, чтобы стать хорошим специалистом в области ИИ. Эти отдельные ресурсы могут быть в виде специализированных книг, онлайн-курсов или академических учреждений, предоставляющих степени. Тем не менее, есть онлайн-курсы, посвященные ИИ, но практически невозможно, чтобы в одном курсе можно было рассказать обо всех аспектах за один раз.

Участие в сообществе

На этапе обучения нужно также участвовать в сообществе ИИ. Это можно сделать, подписавшись на новости, связанные с ИИ, присоединившись к онлайн-сообществам, основанным на ИИ, посетив семинары и т. Д. Это обеспечивает высокий уровень взаимодействия с людьми и помогает расширить их охват.

Начиная с практического применения знаний

Как только будет получен приличный объем знаний, можно будет изучить ИИ, только применяя его и решая реальные проблемы. Можно сначала начать с копирования и реализации моделей ИИ, разработанных другими, а затем провести обратную разработку их проекта, чтобы понять, как система ИИ была создана ее создателем. Таким образом, постепенно учащиеся могут узнать, как применять статистические и математические уравнения, логику и концепции, изученные ранее. Нужно начинать с простых алгоритмов ИИ и разрабатывать модели, которые решают несложные проблемы, а затем продвигаться вверх к более сложным алгоритмам и задачам.

Концепции искусственного интелекта

Искусственный интеллект не является однородной областью, и в нем задействовано множество концепций из разных областей. Однако есть некоторые основы искусственного интеллекта, и эти основные важные концепции искусственного интеллекта включают:

Большое количество данных

ИИ требуется большой объем данных для обучения, и важно знать концепцию больших данных. Последнее возрождение ИИ способствовало широкой доступности данных, предоставляемых в основном через Интернет. Для управления такой высокой скоростью, разнообразием и объемом данных в области больших данных разработаны архитектуры и методологии.

Машинное обучение

Очень доказанная тема может быть присвоением машинного обучения и где машина обучение падает по отношению к искусственному интеллекту. Одно из пониманий заключается в том, что машинное обучение в некотором роде является подкатегорией ИИ, когда большой объем данных вводится в систему, которая помогает машине научиться тому, как находить правильный ответ, – феномен машинного обучения. происходит. Таким образом, искусственный интеллект использует эти концепции таким образом, чтобы имитировать человеческий мозг.

Глубокое обучение и нейронные сети

Как упоминалось выше, алгоритм машинного обучения также «обучается» и требует большого количества данных, но то, что делает типичную систему ИИ, – это использование определенной архитектуры для выполнения этого обучения, то есть использование нейронных сетей, которые имитируют функционирование человека. мозг. Здесь несколько нейронов соединены и сложены вместе. Затем в эти сети вводятся веса, в которых каждый нейрон имеет вес. Таким образом, когда предоставляется ввод, результат находится, и для получения лучших результатов настраиваются веса. Поскольку существует несколько нейронов, мы можем не знать, как функционирует каждый нейрон, и не знать о его роли в способности модели ИИ находить правильный ответ.Эти уровни, расположенные глубоко между входным и выходным слоями и имеющие несколько нейронов, привели к тому, что исследователи ИИ не имели полной картины того, как система «думает», и именно так название глубокое обучение обычно ассоциируется с алгоритмами на основе ИИ.

Есть несколько алгоритмов глубокого обучения, которые имитируют разные части мозга. Наиболее распространенными из них являются

Искусственные нейронные сети (или просто сеть прямого распространения): действует как височная доля человеческого мозга, отвечающая за долговременную память и принятие решений.
Рекуррентные нейронные сети: имитирует теменную долю мозга, отвечающую за кратковременную память, часто используемую во время разговоров.
Обычные нейронные сети: работают как затылочная доля мозга, отвечающая за зрение.

Однако это не исчерпывающий список, и существует несколько нейронных сетей, таких как Long Short Term Memory (LSTM), Auto Encoder (AE), Markov Chain (MC), Generative Adversarial Network (GAN), Liquid State Machine (LSM), Gated Рекуррентная сеть (GRN), каждая из которых решает определенные проблемы.

Обратное распространение

Именно благодаря обратному распространению система ИИ может «учиться». Это относится к процессу, при котором ошибка вычисляется после эпохи, а веса в сети обновляются для уменьшения ошибки. Здесь пригодятся концепции частных производных и цепного правила.

Настройка обучения с подкреплением

Различные алгоритмы машинного и глубокого обучения обучаются в процессе установки. Хотя большинство типичных алгоритмов машинного обучения обучаются в среде контролируемого обучения, где есть данные обучения / разработки, и ожидается, что алгоритмы пройдут все входные функции и поймут их связь с меткой в целевой переменной, настройка обучения с подкреплением такова. немного другое. Настройка обучения с подкреплением, в которой большая часть работы алгоритма глубокого обучения использует концепцию «кнута и пряника», где, если сеть предсказывает правильную метку, она вознаграждается, а в случае ошибки наказывается, конечно, все это делается математически. Таким образом, настройка обучения с подкреплением позволяет системе ИИ учиться тому, как родители заставляют малыша или ребенка узнавать новые слова или предметы.

Типы искусственного интелекта

Реактивный

Этот тип ИИ не имеет собственной памяти и реагирует на внешние факторы. Таким образом, концепция обучения здесь ограничена, поскольку они не используют свой опыт для развития и, как правило, представляют собой жестко запрограммированные системы ИИ на основе правил. Самой ранней формой ИИ были эти реактивные системы ИИ, такие как Deep Blue от IBM. Таким образом, Deep Blue мог очень хорошо играть в шахматы и мог предсказывать следующие правдоподобные ходы своих конкурентов, но не мог извлечь уроки из своих прошлых выигранных и проигранных матчей. Поскольку эти системы не являются творческими, их можно легко обмануть и ими можно манипулировать.

Ограниченная память

В системах ИИ с ограниченной памятью используется концепция памяти, которая со временем улучшается. Здесь исторические данные играют решающую роль, и по мере получения большего количества данных система становится более эффективной и лучше работает. Большинство современных систем искусственного интеллекта, особенно те, которые используют архитектуры глубокого обучения, используют эту концепцию. Это причина того, что все больше технологических гигантов, таких как Google, предоставляют предварительно обученные модели глубокого обучения, предоставляя ИИ некоторую память, чтобы другие пользователи могли дополнительно обучать их своим данным, тем самым расширяя «память» системы ИИ. Следовательно, если бы реактивные системы ИИ были основаны на правилах, системы с ограниченной памятью, использующие основы машинного обучения, такие как AlphaZero от Deep Mind, более чем способны превзойти реактивные системы ИИ, такие как Deep Blue от IBM.Важно отметить, что обратное распространение, упомянутое в истории ИИ, является одной из основных причин того, что такие системы существуют сегодня.

Теория разума

Системы искусственного интеллекта этого типа являются особенными, поскольку они могут понять потребности других ИИ и интеллектуальных систем, таких как люди. Этот тип системы ИИ может иметь дело с пониманием сложных человеческих эмоций, намерений, требований, мыслей, сложных речевых паттернов и т. Д. Таким образом, эти системы ИИ смогут глубоко интегрироваться с нами и будут присутствовать на всех этапах жизни.

Самосознание

Это высший тип системы искусственного интеллекта, поскольку они обладают интеллектом, подобным человеческому, и до такой степени осведомлены о себе, что они независимы в своем мышлении. Таким образом, эти системы ИИ не только смогут понимать эмоции других существ, но также будут проявлять свои собственные эмоции. Это самосознание может привести к наиболее заметному и основному инстинкту, то есть к основному инстинкту выживания, что ставит перед людьми множество моральных дилемм для разработки систем ИИ такого типа.

Уровни искусственного интеллекта

Существует три уровня ИИ: Узкий ИИ, Общий ИИ и Супер ИИ.

Узкий ИИ (также известный как Слабый ИИ)

Это те системы искусственного интеллекта, которые выполняют определенную задачу и «умны» в выполнении только этих задач. Этот ИИ присутствует во всех многочисленных специализированных приложениях и системах, которые упрощают нашу повседневную жизнь. Например, различные голосовые помощники, такие как Siri, являются примерами такого узкого ИИ, где эти системы специализируются на понимании голосовых команд и выполнении действий на их основе. Аналогичным образом, программное обеспечение для беспилотных автомобилей, таких как Tesla, веб-сайты электронной коммерции, предлагающие рекомендуемые продукты, такие как Amazon или Flipkart, являются примерами такого узкого ИИ. Большинство новых приложений основано только на узком ИИ, который специализируется на конкретных задачах. Эта технология искусственного интеллекта находит свои корни в различных областях, таких как:

картографирование земли природных ресурсов, используемых в горнодобывающих областях
системы для управления гостиницами, перелетами и другими секторами в сфере гостеприимства
распознавание образов и выявление в них закономерностей, например, идентификация заболеваний в медицинской сфере
выявление аномальных и мошеннических транзакций в банковской сфере

Таким образом, каждое поле и подразделение занято разработкой собственной системы Узкого ИИ.

Общий ИИ (также известный как сильный ИИ)

Эта форма искусственного интеллекта пытается имитировать человеческий интеллект, который является универсальным и легко адаптируемым, что позволяет решать множество проблем. Это все еще самая сложная форма ИИ, которая обычно ассоциируется с термином «искусственный интеллект», когда машины склонны думать и «чувствовать» как люди. Эта форма ИИ широко популяризируется в романах и фильмах. В популярной культуре есть множество персонажей, особенно в фильмах, которые демонстрируют эту форму ИИ, таких как Wall-E (Wall-E), C-3P0, R2D2 (Star Wars), T-800 (The Terminator), HAL 9000 (2001: Космическая одиссея), ТАРС, КЕЙС (Интерстеллар) или Агент Смит и машины в фильме Матрица. Ведутся большие споры о том, смогут ли люди достичь такого уровня технологий в ближайшем будущем (и это тоже, если они вообще смогут это сделать). Споры по поводу правильной идентификации общего ИИ также ведутся ожесточенно, поскольку сам по себе термин интеллект расплывчат. Чтобы решить этот вопрос, Алан Тьюринг предложил тест, известный как тест Тьюринга, который проверяет, может ли система ИИ разговаривать как человек, поскольку для этого требуется хороший уровень интеллекта. В этом тесте экзаменатор беседовал с несколькими людьми, не зная, является ли человек на другой стороне человеком или системой ИИ. Чтобы считать систему ИИ разумной, она должна ввести наблюдателя в заблуждение, заставив думать, что это тоже человек. Системы искусственного интеллекта, такие как ELIZA и PARRY, смогли пройти этот тест, сосредоточившись на лазейках, а не будучи на самом деле разумными, что обнажило ограничения в нашем описании интеллекта, поскольку многие явления, рассматриваемые как часть интеллекта, не имели места.Однако последние системы использовали огромные данные, доступные в Интернете, о реальных разговорах, а также получили возможность улучшаться со временем, запоминая предыдущий разговор с ними. Тем не менее, сохраняется ограничение, которое заключается в общей неспособности современных общих систем ИИ быстро адаптироваться к новым темам и понимать деликатные, но сложные вещи, такие как сарказм, культурные идеи, интуиция и т. Д.

Супер ИИ (также известный как искусственный суперинтеллект)

Это теоретический уровень ИИ, который представляет способность искусственного интеллекта выходить за рамки человеческого интеллекта. Этот уровень думает о тех системах ИИ, которые будут полностью независимыми, смогут принимать собственное решение и даже будут способны чувствовать, ощущать и видеть вещи и эмоции. Системы, работающие на этом уровне, смогут выполнять те задачи, которые не в состоянии выполнять даже люди, и будут своего рода следующей точкой эволюции для людей. Однако этот уровень ИИ поднимает множество моральных, этических и экзистенциальных вопросов, и это причина того, что широкая публика часто воспринимает ИИ скептически.

В наши дни применение и проявление ИИ повсеместно. Есть безграничные возможности и области, в которых ИИ используется, тем не менее, чтобы выдвинуть некоторые из них, следующие являются одними из наиболее распространенных.

Распознавание речи

Широко распространено использование ИИ для распознавания речи. Таким образом, системы с поддержкой ИИ, которые могут распознавать речь, могут помочь преобразовать речь в текст, выполнять действия с голосовыми командами и даже выступать в качестве дополнительной меры безопасности. Эта технология очень помогла в разработке виртуальных помощников, таких как Siri, Alexa и т. Д.

Компьютерное зрение

Похоже, что ИИ имеет тенденцию задействовать сенсорные возможности человека, и поэтому следующее приложение связано со зрением. Системы искусственного интеллекта помогают машинам «смотреть в реальный мир», преобразовывая изображения и визуальный мир вокруг них в понятные для машины данные и выполняя действия на их основе. Эти технологии проложили путь к системам распознавания лиц, которые значительно помогают в обеспечении безопасности, наблюдения, обнаружения эмоций, обратной связи с клиентами и т. Д.

Игра в игру

Возможно, одна из самых ранних форм ИИ, игры использовали ИИ, чтобы игроки могли соревноваться с ним. Эта идея получила дальнейшее развитие в различных корпорациях, которые разработали систему для победы над людьми в различных играх, таких как Deep Blue для шахмат и AlphaGo для Go.

Обработка естественного языка

Понимание человеческого языка и взаимодействие с ним было одним из самых сложных и считалось проблемой для технического сообщества. Сегодня чат-бокс значительно помогает облегчить нагрузку на сектор услуг, особенно в сфере гостеприимства, обеспечивая поддержку и поддержку клиентов. Другие приложения включают в себя клавиатуру, помогающую пользователям исправлять орфографические ошибки и предсказывать для них следующее слово или фразы.

Здравоохранение

Искусственный интеллект нашел большое применение в сфере здравоохранения, поскольку он позволил раннее обнаруживать заболевания, помогая исследователям в разработке новых лекарств и, среди прочего, помогая в идентификации мутировавших генов. Были созданы инструменты поддержки, которые с помощью программного обеспечения с поддержкой искусственного интеллекта могут выполнять тонкие операции, требующие чрезвычайно высокого уровня точности.

Информационная безопасность

Системы искусственного интеллекта позволили обнаруживать онлайн-мошенничество и даже предупреждать заинтересованных людей и власти еще до того, как они совершаются. Кибератаки также можно предотвратить с помощью ИИ.

Заключение: мнение авторов

Искусственный интеллект всегда был одной из самых востребованных технологий, о которых люди мечтали на протяжении веков, однако только недавно мы смогли разработать системы, которые можно было бы назвать обладающими искусственным интеллектом. Хотя потенциал ИИ привлекает нас, особенно когда мы видим, что его постоянно расширяющееся использование в сферах здравоохранения, безопасности, социальных сетей и т. д., Растущий потенциал ИИ также вызывает вопросы. Хотя типичный скептицизм в отношении ИИ заключается в том, что он опасен для существования человеческой цивилизации, его превосходящие человеческие возможности и создают экзистенциальную угрозу для людей, и хотя этот скептицизм небезоснователен, непосредственные проблемы разные.

Искусственный интеллект позволил автоматизировать и сделал рутинную повторяющуюся работу с максимальной точностью, и при этом следует иметь в виду, что большая часть персонала задействована в рутинных повторяющихся работах. Таким образом, развитие ИИ увеличивает риск потери работы, особенно в тех странах, где растет молодое население, в основном слаборазвитых и развивающихся странах. Таким образом, развитие ИИ должно быть устойчивым и помогать массам.

FAQs

Почему сейчас ИИ процветает?

Разработка ИИ была долгим и утомительным процессом, на который приходилось довольно много трудных дней, однако причина, по которой ИИ процветает сейчас, заключается в том, что за очень короткий промежуток времени происходит множество вещей. ИИ требует информации, чем больше, тем лучше, и с появлением всемирной паутины и Интернета вещей объем доступных данных значительно увеличился. Вторая причина заключалась в том, что вычислительная мощность значительно выросла из-за очень мощных и легко доступных ОЗУ, ЦП и графических процессоров. Мощные системы позволили обучать модели в короткие сроки. Технологические фирмы предоставили облачные сервисы, в которых стоимость приобретения оборудования была существенно снижена. Примером этого является Google Tensor Flow Research Cloud, которое люди могут использовать для разработки своих моделей на основе ИИ.

Где используется ИИ? Примеры

Можно этого не осознавать, но теперь ИИ используется повсеместно. Он используется в беспилотных автомобилях, автоматизации задач на заводах, создании высокоточных роботов для выполнения сложных медицинских операций, управлении дронами и ракетами, в наблюдении и кибербезопасности для обнаружения угроз, в клавиатурах, чтобы подсказывать слова. Он также играет большую роль в различных виртуальных помощниках, представленных на многочисленных технических платформах, помогает предлагать видеоролики на YouTube, публикации в Facebook и продукты на Amazon. Таким образом, его использование повсеместно.

Что делает ИИ таким популярным?

Огромные возможности и потенциал ИИ делают его очень популярным. Одна из причин его популярности заключается в художественной литературе, которую люди создают о роботах в целом и о том, что ИИ может сделать с человечеством, – идея, увековеченная в научно-фантастических фильмах и романах. На практике, однако, именно тот уровень точности, сложности, снижения затрат и эффективности, который обеспечивают операции на основе ИИ или поддерживаемые операции, заставляет корпорации за другими выбирать системы на основе ИИ.

В чем закодирован ИИ?

Алгоритмы и архитектуры искусственного интеллекта можно закодировать на любом современном компьютерном языке. Однако масштабируемость и простота, обеспечиваемые python, являются причиной того, что python обычно ассоциируется с машинным обучением и ИИ. Однако другие языки, включая Haskell, R, C ++, Perl и Julia, также могут быть использованы.

Как мне начать изучать ИИ?

Распространенный вопрос – «как изучить ИИ?». Для этого нужен учебник по ИИ. Можно начать изучать ИИ, сначала зная об этом как о поле, которое можно сделать, просматривая сообщения в блогах, книги, статьи и т. Д. Как и в иерархии компьютерных технологий, ИИ находится почти на вершине, нужно изучать другие вещи. таких как статистика (традиционная и байесовская), математика (линейная алгебра и исчисление), программирование (Python), знание наборов данных (типы, способы импорта, экспорта, исследования, добычи, обработки), прогнозное моделирование и связанные с ним концепции (типы переменные, недостаточное соответствие, переоборудование, обобщение, оценка и проверка модели и т. д.),машинное обучение и связанные с ним концепции (теоретическое понимание алгоритмов и способов их реализации) и, наконец, понимание методов и видов алгоритмов ИИ (теоретическая и практическая реализация).

Все эти подзадачи могут быть изучены либо путем самообучения (чтение книг, просмотр онлайн-материалов) и путем создания собственного учебника по искусственному интеллекту, либо путем прохождения учебного курса по искусственному интеллекту, уже доступного в форме онлайн-курсов (курсы, найденные на Analytixlabs, Coursera, Udemy и т. Д.) Или академические курсы (BA Mathematics / Computer Science / MS Artificial Intelligence).

Эта статья была нацелена на то, чтобы предоставить читателю учебное пособие по искусственному интеллекту, помогающее понять искусственный интеллект, его функционирование, важность и место в современном мире технологий, его историю и развитие до настоящего времени, преимущества и опасности. Читателям предлагается понять концепции, упомянутые в этой статье, изучить их и реализовать концепции искусственного интеллекта в реальном мире, чтобы лучше понять эту область. Если у вас есть какие-либо мнения или вопросы, связанные с этой статьей, не стесняйтесь публиковать сообщения и помогать нам в получении дополнительной информации по этой увлекательной теме.