«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.