В эпоху четвертой промышленной революции или второй машинной эры, как ее иногда называют, искусственный интеллект или ИИ, как его обычно называют, превратился в прорывную технологию, которая окажет серьезное влияние на бизнес-модели и нашу повседневную жизнь. -повседневная жизнь. Некоторые переименовали ИИ в «когнитивные вычисления» или «машинный интеллект», в то время как другие неправильно использовали термины ИИ и «машинное обучение» как синонимы. Давайте углубимся в некоторые из них здесь и рассмотрим отрасли искусственного интеллекта, которые, вероятно, окажут значительное влияние на бизнес и экономику даже в ближайшее десятилетие.

Искусственный интеллект (ИИ) существует уже давно. Очень ранние европейские компьютеры задумывались как «логические машины», и, воспроизводя такие возможности, как базовая арифметика и память, инженеры в то время считали свою работу попыткой создать «механический мозг». Однако по мере того, как технологии и наше понимание работы человеческого разума с тех пор быстро прогрессировали, концепция того, что представляет собой ИИ, также претерпела изменения. Вместо того, чтобы выполнять все более сложные вычисления, конечная цель ИИ изменилась на создание машин и систем, способных выполнять задачи и когнитивные функции, которые находятся только в пределах возможностей человеческого интеллекта. Для этого машины и системы должны иметь возможность изучать эти возможности автоматически, а не программировать каждую из них явно, от начала до конца. Таким образом, ИИ стал обширной областью, охватывающей множество дисциплин, от робототехники до машинного обучения и глубокого обучения.

Таким образом, ИИ можно в широком смысле определить как машины, развивающие способность выполнять необходимые задачи таким образом, который люди считают «умным». Машинное обучение - это подмножество ИИ, которое предусматривает предоставление вычислительным системам доступа к большим объемам данных, что позволит им «учиться» и выполнять необходимые задачи без необходимости явного программирования на всех этапах. Появление Интернета и, как следствие, огромные объемы цифровой информации, которую можно хранить, получать к ней доступ и анализировать, также стали серьезным толчком в области машинного обучения. Интернет привел к развитию озер данных, которые можно визуализировать как хранилище, содержащее огромное количество необработанных данных в их собственном формате, включая структурированные, полуструктурированные и неструктурированные данные, к которым можно получить доступ в зависимости от потребности. . В отличие от хранилища данных, которое хранит данные в заранее определенных иерархических форматах в файлах и папках и требует больших затрат на обслуживание, озеро данных использует плоскую архитектуру для хранения данных.

Одним из первых подходов к машинному обучению была разработка нейронных сетей. Нейронные сети вдохновлены нашим пониманием биологии человеческого мозга и взаимосвязей между всеми этими нейронами. Но в отличие от человеческого мозга, где любой нейрон может подключаться к любому другому нейрону на определенном физическом расстоянии, компьютерные нейронные сети имеют дискретные слои, связи и направления распространения данных. Нейронные сети работают по системе вероятностей. На основе переданных в него данных он может делать утверждения, решения или прогнозы с определенной степенью уверенности. Добавление «петли обратной связи» включает обучающую часть. Чувствуя правильность своих решений или получая ответы на них, он изменяет подход, который будет использовать в будущем.

В настоящее время приложения машинного обучения могут просматривать текст и выяснять мнение человека, написавшего этот фрагмент текста. Они могут послушать музыкальное произведение, решить, сделает ли оно людей счастливыми или грустными, и найти другие музыкальные произведения, соответствующие настроению. Обработка естественного языка (NLP), которая приобрела популярность за последние пару лет или около того, сильно зависит от машинного обучения (ML). Приложения НЛП пытаются понять естественное человеческое общение, письменное или устное, и пытаются общаться в ответ, используя аналогичный естественный язык. ML используется здесь, чтобы понять обширные нюансы человеческого языка и научиться реагировать так, как это может понять данная целевая аудитория.

«Глубокое обучение», еще одна разновидность искусственного интеллекта, в наши дни находит все более широкое применение в ряде областей. По сути, «Глубокое обучение» начинается с нейронных сетей, о которых мы упоминали ранее, а затем продолжает делать их огромными, увеличивая количество слоев и нейронов в несколько раз, одновременно передавая через них огромные объемы данных, чтобы "тренируй" это. «deep» в «глубоком обучении» описывает все уровни и их взаимосвязи в этой нейронной сети. Сегодня распознавание изображений машинами, обученными методом «глубокого обучения», даже в некоторых случаях лучше, чем у людей. AlphaGo от Google изучила игру и подготовилась к игре в Go, настроив свою нейронную сеть просто с помощью методов 'глубокого обучения', которые предполагали многократную игру против самого себя.

Некоторые из ключевых приложений «глубокого обучения» сегодня находятся в следующих областях:

Автономные транспортные средства. Используя различные датчики и бортовую аналитику вместе с существующими огромными наборами данных, системы «глубокого обучения» постоянно учатся реагировать на различные препятствия и дорожные условия соответствующим образом в режиме реального времени.

Изменение цвета черно-белых изображений. Обучая компьютеры распознавать объекты и то, как они должны выглядеть для людей, можно восстановить правильные цвета для различных изображений и видео.

Прогнозирование исхода судебного разбирательства:. Когда подается огромное количество данных о деле, включая исторически похожие дела, система может достаточно точно предсказать решение суда.

Точная медицина: с использованием методологии «глубокого обучения» разрабатываются лекарства, генетически адаптированные к геному человека.

Изначально опубликовано в блоге Digital CRM