«Это наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с использованием компьютеров для понимания человеческого интеллекта, но искусственный интеллект не должен ограничиваться биологически возможными методами».

- Джон Маккарти, один из отцов-основателей искусственного интеллекта, наряду с Аланом Тьюрингом, Алленом Ньюэллом, Гербертом А. Саймоном и Марвин Мински.

Искусственный интеллект — это симуляция человеческого интеллекта, запрограммированная на то, чтобы думать и учиться, как люди, но не ограничиваться их способностями и способностями. Он сочетает в себе возможности, предлагаемые информатикой, с надежными наборами данных, математикой, статистикой, когнитивной наукой и многими другими дисциплинами, предоставляя ему возможности решения проблем.

Системы искусственного интеллекта предназначены для изучения больших объемов данных, выявления взаимосвязей и зависимостей в этих данных. Таким образом, они могут принимать обоснованные решения или прогнозы на основе новых и невидимых данных. Предоставление им возможности учиться на исторических данных часто полезно в таких областях, как финансы, здравоохранение и беспилотные автомобили.

Они используют такие методы и подходы, как машинное обучение, глубокое обучение (подмножество машинного обучения), обработку естественного языка, компьютерное зрение, робототехнику, экспертные системы и многое другое, чтобы постоянно учиться и повышать свою производительность по мере получения новых данных. Это делает их превосходными для использования в динамических средах.

Однако не все системы искусственного интеллекта одинаковы. Существуют различные типы систем искусственного интеллекта:

Узкий ИИ:

  • Также известный как слабый ИИ, относится к системам ИИ, предназначенным для выполнения определенных задач или решения конкретных проблем.
  • Примеры узких систем ИИ включают Siri, Alexa, Google Assistant, системы рекомендаций и системы распознавания изображений.

Общий ИИ:

  • Также известный как сильный ИИ, относится к системам ИИ, которые способны понимать, учиться и применять «интеллект» для решения самых разных задач и проблем. Они стремятся имитировать человеческий интеллект и способны выполнять любую интеллектуальную задачу, которую может выполнить человек.
  • Примеры общих систем искусственного интеллекта включают GPT-3 от OpenAI и AlphaZero от DeepMind.

СуперИИ:

  • Системы искусственного интеллекта, которые превосходят человеческий интеллект и возможности почти во всех аспектах, известны как суперсистемы искусственного интеллекта.
  • Если это удастся, они будут обладать когнитивными способностями, намного превосходящими человеческие.

Системы искусственного интеллекта используют «машинное обучение» — подмножество ИИ, которое фокусируется на разработке алгоритмов или моделей, которые позволяют им учиться и принимать решения без явного программирования для этого.

Эти системы искусственного интеллекта с машинным обучением сначала обучаются с помощью процесса, называемого «обучением» или обучением, когда они учатся на основе данных для принятия решений.

Шаги, связанные с обучением, следующие:

Сбор данных:

  • Собираются данные, представляющие проблему или задачу, для решения которой обучается система ИИ. Собранные данные включают входные данные и соответствующие им выходные данные.

Предварительная обработка данных:

  • Собранные данные требуют предварительной обработки, чтобы обеспечить их качество и пригодность для обучения системы ИИ.
  • Он включает в себя обработку пропущенных значений, преобразование числовых значений в шкалу или диапазон, а также идентификацию и управление входными данными, которые значительно отличаются от большинства данных.
  • Предварительная обработка гарантирует, что подаваемые данные являются согласованными и пригодными для использования, а также не оказывают отрицательного влияния на обучение.

Выбор алгоритма:

  • В зависимости от проблемы или задачи и типа собранных данных выбирается подходящий алгоритм или модель машинного обучения.
  • Примерами моделей машинного обучения являются линейная регрессия, логистическая регрессия, деревья решений, случайные леса, нейронные сети и машины опорных векторов. Также можно использовать более продвинутые модели машинного обучения, такие как сверточные нейронные сети (CNN) или рекуррентные нейронные сети (RNN).

Разработка функций:

  • Это включает в себя выбор и преобразование входных данных для повышения производительности модели машинного обучения.
  • Это можно сделать с помощью выбора признаков, уменьшения размерности или даже создания новых признаков, в зависимости от проблемы или задачи, для решения которой обучается модель.

Обучение модели:

  • Затем модели машинного обучения предоставляются помеченные обучающие данные для изучения шаблонов, взаимосвязей и даже зависимостей между входными и выходными данными.

Функция потерь и оптимизация:

  • «Функция потерь» используется для измерения разницы между прогнозируемым выходом модели и истинным выходом.
  • Цель модели состоит в том, чтобы минимизировать эту функцию потерь, и для этого она корректирует свои внутренние параметры, используя алгоритмы оптимизации, такие как градиентный спуск, чтобы найти оптимальное значение для этих параметров.

Оценка модели:

  • После обучения производительность модели оценивается с использованием отдельного набора данных, известного как данные тестирования.
  • Модель оценивается по таким показателям, как точность, воспроизводимость, полнота (насколько точно она идентифицировала положительные случаи из данных) и оценка F1 (гармоническое среднее метрик точности и полноты).

Настройка гиперпараметров:

  • Модели машинного обучения обычно имеют «гиперпараметры», которые контролируют их поведение, такие как скорость обучения, сила регуляризации (способность модели обобщать невидимые данные) или количество слоев, присутствующих в нейронной сети.
  • Они корректируются и настраиваются до тех пор, пока не будет найдена наилучшая возможная конфигурация для данной проблемы или задачи.
  • Это делается с помощью таких методов, как поиск по сетке, случайный поиск или даже передовых методов, таких как байесовская оптимизация.

Развертывание и прогнозирование:

  • После того, как модель обучена и оценена, она развертывается для прогнозирования новых, невидимых данных.

Эффективность и точность прогнозируемых данных системой искусственного интеллекта зависят от:

  • Качество введенных данных и выполненная разработка функций
  • Выбранный алгоритм или модель машинного обучения
  • Дизайн алгоритма машинного обучения
  • Выполнено обучение модели и настройка гиперпараметров

Постоянная оценка и улучшение необходимы для обеспечения надежности и полезности информации, предоставляемой системами искусственного интеллекта.