"Искусственный интеллект"
Отрасли в области искусственного интеллекта для преобразования вашего бизнеса!
Изучение экспертных систем, машинного обучения (ML), робототехники, компьютерного зрения (CV), обработки естественного языка (NLP) и планирования
8 мая 2018 года Google I / O прошел в Shoreline Amphitheatre в Маунтин-Вью, Калифорния. Если вам интересно, что такое Google I / O, не волнуйтесь, я вас поддержу.
«Google I / O ежегодно собирает разработчиков со всего мира для бесед, практического обучения с экспертами Google и первого знакомства с новейшими продуктами Google для разработчиков».
В Keynote Сундар Пичаи, генеральный директор Alphabet Inc. (материнская компания Google), поделился последними на тот момент разработками, над которыми работал Google. Один из проектов, о котором он говорил, был тем, чего, возможно, никто не ожидал; приложение искусственного интеллекта (AI), которое скоро будет на наших смартфонах, потрясло мир. Проект назывался «Google Duplex». Эта инициатива позволяет ИИ звонить в парикмахерскую, разговаривать так же, как мы, люди, и записываться на стрижку. фон на вашем телефоне, без вашего вмешательства! Все, что вам нужно сделать, это произнести:
«Окей, Google, назначь мне стрижку утром во вторник в любое время с 10 до 12».
Не верите мне? Лови вырезку в конце статьи!
Причина этого в том, что наш ИИ только что прошел тест Тьюринга! Если вы не знаете, что такое тест Тьюринга, представьте, что вы задаете вопрос двум сущностям, одна из которых - человек, а другая - машина, и вы не знаете, какая из них - человек, а какая - машина. Если машина отвечает на вопрос способом, неотличимым от ответа человека, и вы не можете понять, что это машина, мой друг, машина прошла тест Тьюринга. Это основная идея теста Тьюринга - выяснить, насколько хороша машина или, скорее, ИИ, как человек. Чтобы узнать больше, посетите эту ссылку.
Возможно, вам пришло в голову, как ИИ на самом деле это делает? Что еще может искусственный интеллект? Будет ли та же модель ИИ использоваться для общения с вами и вождения вашей машины? Чтобы ответить на эти вопросы, давайте углубимся в отрасли ИИ. Эти ветки помогут нам понять, какие решения следует применять для конкретной задачи. Без промедления перейдем к делу.
К ветвям ИИ относятся:
1. Экспертные системы
Когда вы сталкиваетесь с проблемой, например, кариесом в зубах, первое, что вы делаете, - обращаетесь к стоматологу. Вы, конечно, не подумали бы о посещении терапевта. Почему вы выбрали стоматолога, а не терапевта? Просто потому, что стоматолог является экспертом в лечении зубов. Когда дело доходит до ИИ, мы можем принять аналогичный подход, то есть использовать систему ИИ, которая является экспертом по проблеме, которую мы собираемся решить.
Таким образом, Экспертная система, как следует из названия, представляет собой программу, которая специализируется на одной конкретной задаче, например, человек-эксперт. Они предназначены в первую очередь для решения сложных проблем и обеспечения принятия решений на уровне человека. способность. Он использует набор правил (называемых правилами вывода), которые определяются людьми, и хранилище знаний (называемое базой знаний) для решения поставленной задачи. База знаний пополняется данными, которые добавляются людьми-экспертами в определенной области. Человек, не являющийся экспертом, использует эту программу для получения некоторой информации. Таким образом, основная цель этих систем заключалась не в замене людей для выполнения этой задачи, а в том, чтобы помочь людям в достижении лучших результатов и более высокого качества работы.
Первая экспертная система была разработана в 1970-х годах, и ее можно отнести к первому успешному подходу к ИИ. Вот несколько примеров этой ветви ИИ:
- DENDRAL: экспертная система химического анализа, используемая в органической химии для обнаружения неизвестных органических молекул.
- CaDeT: система поддержки диагностики, позволяющая выявлять рак на ранних стадиях.
2. Машинное обучение (ML)
Второй термин, который приходит нам в голову, когда мы говорим об ИИ, - это «машинное обучение». Человеческое обучение - это процесс увеличения наших знаний и способности применять знания, когда возникает необходимость в соответствующей ситуации. Узнав что-то, мы можем не только применить полученные знания к уже изученной ситуации, но и к той, с которой мы, возможно, никогда не сталкивались. В последней ситуации, основываясь на нашем предыдущем опыте, мы делаем расчетное предположение в попытке решить проблему.
Точно так же Машинное обучение - это способность машины учиться без явного программирования, то есть развитие способности делать расчетные предположения относительно ранее неизученного наблюдения. Чтобы машины могли учиться, мы вводим в нее исторические данные. данные как опыт обучения. Он основан на идее, что машины могут учиться на прошлых данных, определять закономерности и принимать решения с помощью алгоритмов. Эти алгоритмы разработаны таким образом, что они могут автоматически обучаться и улучшать свою производительность (даже мы, люди, это делаем!)
В зависимости от выбранного нами подхода к обучению (или от того, насколько он возможен), существует 3 категории:
А. Обучение с учителем
Рассмотрим ситуацию, когда учитель впервые преподает ученику какой-либо предмет. Студент сначала изучает его, а затем проверяется на изучаемых концепциях. Вопросы в тесте могут быть такими же, как и вопросы, задаваемые учителем, или другими, но основанными на ранее изложенной концепции. Когда аналогичный подход используется для машин, он называется «контролируемое обучение». Наша система искусственного интеллекта оценивается на основе ее производительности в тесте. Примером этого может быть Прогноз курса акций.
Б. Обучение без учителя
Рассмотрим параллельную ситуацию, когда ученика не учили, но ему было предложено явиться непосредственно на тест. Тест состоит в том, чтобы разделить вопросы в статье, похожие друг на друга. Когда этот подход используется для машин, он называется «обучение без учителя». Тест кажется странным, правда? Этот подход подходит для таких задач, как кластеризация данных или обнаружение аномалий, где каждый кластер данных показывает аналогичную тенденцию (например, в дождливый день погодные условия будут аналогичными), и все аномалии ведут себя аналогичным образом. Примером этого может быть Идентификация боулеров и игроков с битой.
С. Обучение с подкреплением
Рассмотрим третью ситуацию. Как и в случае с обучением без учителя, ученика не учат, а его заставляют явиться на тест. Разница в том, что учащийся должен набрать хотя бы определенный балл, чтобы до этого момента снова и снова появляться на тесте. Студенту сообщают только те оценки, которые он набрал. Что ж, все мы знаем, что у студента нет другого выбора, кроме как начать отвечать методом проб и ошибок. Но мы знаем, что учащийся со временем узнает о различных тенденциях и после каждого теста будет импровизировать свою стратегию ответов, чтобы определить оптимальную стратегию для окончательной сдачи теста. Когда этот подход применяется к машинам, он называется «обучение с подкреплением». Примером этого может быть «ИИ, играющий в пинг-понг».
3. Робототехника
Прежде чем разбираться в робототехнике и ее связи с ИИ, давайте сначала посмотрим, что такое робот на самом деле. Робот - это просто машина, способная автоматически выполнять сложную серию действий. Его можно запрограммировать на это с помощью компьютера. Им можно управлять с помощью внешнего устройства, например пульта дистанционного управления, или управлять им самим. Когда мы думаем о роботах, мы думаем о них как о чем-то похожем на человека, а на самом деле он может выглядеть так же, как любая другая игрушечная машинка.
Когда этому роботу позволяют думать и разумно выбирать свои действия автономно с помощью фрагмента кода, он становится роботом с искусственным интеллектом. Эти умные роботы теперь могут выполнять эту задачу с помощью собственного интеллекта. Обычно обнаруживается, что если задачи, которые должен выполнять робот, становятся более сложными, возникает необходимость использовать алгоритмы ИИ. В настоящее время ИИ и машинное обучение применяются к роботам для производства интеллектуальных роботов, которые также могут взаимодействовать в социальном плане, как люди. Одним из лучших примеров искусственного интеллекта в робототехнике является Sophia Robot.
4. Компьютерное зрение (резюме)
Большая часть нашего учебного процесса связана с нашим видением. В основном мы узнаем об окружающей среде и делаем собственные интерпретации на основе того, что видим. Наша способность видеть обусловлена тем, что роговица фокусирует свет, попадающий в глаз, и формирует изображение того, что мы видим, на сетчатке. Затем это изображение преобразуется в электрические импульсы и отправляется в мозг для обработки изображения и восприятия того, что он видит.
Можем ли мы применить эту технику на машинах? Ответ - да, мы можем, поскольку ИИ является мозгом, а камера - его глазами. Это компьютерное зрение.
«Компьютерное зрение, часто обозначаемое аббревиатурой CV, определяется как область исследования, направленная на разработку методов, помогающих компьютерам« видеть »и понимать содержание цифровых изображений, таких как фотографии и видео».
- Джейсон Браунли, исследователь-основатель компании Machine Learning Mastery
Распознавание изображений - это подмножество компьютерного зрения, которое помогает нам идентифицировать объекты, людей, места, особенности и все, что может предоставить нам изображение или видео. В то время как мы, люди, можем легко обрабатывать и распознавать то, что видим, машины сталкиваются с большими трудностями при этом. Мы рассмотрим, как это можно сделать, в следующих статьях. Вот некоторые из примеров использования распознавания изображений:
- Самоуправляемые автомобили (камеры на автомобилях постоянно ищут и изучают окрестности и, в зависимости от того, что они наблюдают, управляют автомобилем, чтобы повернуть, двинуться или остановиться)
- Фейсконтроль ищет наши лица в потоке фронтальной камеры и, если он найден, предлагает разблокировать телефон.
- Подпись к изображению (изображение, передаваемое в ИИ, сообщает нам, что он видит на изображении, например, оживленная улица, концерт или приближающийся к вам человек)
5. Планирование
Представьте, что вы хотите купить что-то для дома в супермаркете рядом с вашим домом. От вашего дома вы можете добраться до супермаркета, выбрав 3 разных маршрута. Допустим, вы работаете по плотному графику и имеете ограниченный период времени, в течение которого вы должны вернуться в свой дом. Несомненно, вы выберете самый короткий путь от дома до супермаркета и обратно. Это планирование.
В планировании искусственного интеллекта конечная цель должна быть достигнута при определенных ограничениях и контекстах. По аналогии, контексты в наших примерах супермаркетов - это знание маршрутов и их соответствующей продолжительности времени, ограничение было ограниченный период времени, и конечной целью было совершить покупку и вернуться в дом, не нарушая ограничений. Ограничением также может быть выбор самого дешевого пути. Какими бы ни были ограничения, задача остается в том, чтобы оптимизировать решение до лучшего или любого приемлемого решения. Это можно сделать, исследуя неизвестное или используя существующие знания, или даже и то, и другое.
6. Обработка естественного языка (NLP)
Еще один замечательный метод, которым мы, люди, учимся, - это когда мы откуда-то читаем и слышим, как говорят другие. И то, и другое требует от нас знания языка и его правил. Это то, что мы называем «естественным языком». Но машины не понимают наш естественный язык. А вот и НЛП.
НЛП - это область искусственного интеллекта, в которой компьютеры анализируют, понимают и пытаются извлечь значение из естественного языка разумным и полезным способом. Событие из Google I / O 2018, которое я обсуждал в начале этой статьи, относится к этой ветви ИИ. НЛП позволяет пользователям общаться с машиной напрямую на естественном языке.
Вау! Круто, не правда ли?
Если вы хотите решить проблему, относящуюся к одной (или даже нескольким) из следующих категорий, НЛП - это решение.
А. Машинный перевод
Вы когда-нибудь использовали Google Translate? Да, это пример машинного перевода. Машинный перевод - это задача автоматического преобразования одного естественного языка в другой, сохранения значения входящего текста и создания свободного текста на выходном языке.
Б. Извлечение контента
Извлечение контента - это задача получения структурированных данных из неструктурированных или полуструктурированных данных. В основном это означает получение соответствующей информации из всего, что доступно. В этом мире около 85% данных в этом мире неструктурированы, и большая часть из них - текстовые данные. Таким образом, мы можем применить к этим данным методы НЛП и использовать их для сбора соответствующей информации или получения бизнес-идей.
С. Ответ на вопрос
Ответ на вопрос, как следует из названия, связан с построением систем, которые автоматически отвечают на вопросы, задаваемые людьми на естественном языке. Когда мы задаем вопрос Siri, Google Assistant или Кортане, они получают ответ, используя методы Q&A NLP.
Д. Классификация текста
Если мы хотим классифицировать наш текст по определенным категориям в зависимости от того, что это за текст, мы можем использовать методы НЛП классификации текста. Примерами этого могут быть классификация электронной почты как спама, определение того, был ли отзыв о фильме положительным или отрицательным, и этот список можно продолжать до бесконечности!
E. Генерация текста
Мы можем позволить ИИ составлять за нас предложения. Это подпадает под категорию генерации текста. Его также иногда называют генерацией естественного языка (NLG). Например: если задана тема, машина пишет о ней целое эссе.
Ф. Речь
Нет необходимости вдаваться в подробности об этом! Google Assistant, Siri, Bixby - все это приложения Speech. Он состоит из двух частей: преобразования речи в текст и преобразования текста в речь. Когда мы говорим:
«Привет, Сири, ты смотришь« Игру престолов »?»
то, что мы говорим, преобразуется в текст, чтобы наш iPhone мог его понять. Это преобразование речи в текст. Затем, когда Siri готовит ответ на наш вопрос, он все еще остается простым текстом. Он использует методы преобразования текста в речь, и мы услышим, как Сири говорит:
"Да. Я бы попросил Джона Сноу подсказать, но он ничего не знает.
Верно! Siri действительно так говорит.
Удивительно, на что на самом деле способен ИИ. Но зачем нам все это делать? Какая от этого польза, кроме причудливых лабораторных проектов или игрушек Железного человека? Что ж, эти разработки могут помочь облегчить нашу жизнь с помощью личных помощников, могут помочь бизнесу функционировать, получить более глубокое понимание и / или автоматизировать некоторые из их процессов, такие как чат-боты, и могут позволить нам найти то, что мы ищем в Интернете, с помощью помощь поисковых систем на базе искусственного интеллекта, таких как Google.
Это был лишь проблеск того, на что способен ИИ. В следующих статьях мы рассмотрим, как эти системы могут быть разработаны и как компании могут использовать эти инструменты, чтобы вывести свой бизнес на более высокий уровень.
Спасибо за чтение!
Есть идея, которую вы хотели бы обсудить со мной? Или хотите поделиться своими мыслями об ИИ? Не волнуйтесь, не стесняйтесь связаться со мной в Linkedin или Twitter. Всегда рады помочь!
Как и было обещано, вот ссылка на видео о запуске Google Duplex:
об авторе
Джаш Ратод - старший специалист по компьютерной инженерии в Технологическом институте Веэрмата Джиджабай (VJTI), Мумбаи, Индия. Его миссия - помогать людям и предприятиям с технологическими и бизнес-решениями. Чтобы узнать о нем больше, посетите его Веб-сайт.
Вы можете просмотреть его работы на GitHub и связаться с ним в LinkedIn, Twitter, Instagram и Facebook.
