Meni

Što je umjetna inteligencija: definicija i potpolja AI

  • Glavni
  • Ostalo
  • Što je umjetna inteligencija: definicija i potpolja AI

what is artificial intelligence

Isprobajte Naš Instrument Za Uklanjanje Problema

Saznajte što je umjetna inteligencija (AI), elementi inteligencije i potpolja AI poput strojnog učenja, dubinskog učenja, NLP-a itd.:

Sustav računalnog umrežavanja poboljšao je ljudski način života pružajući različite vrste naprava i uređaja koji smanjuju fizički i mentalni napor ljudi za obavljanje različitih zadataka. Umjetna inteligencija sljedeći je korak u ovom procesu koji će ga učiniti učinkovitijim primjenom logičnih, analitičkih i produktivnijih tehnologija u ovaj napor.

Ovaj će vodič objasniti što je umjetna inteligencija i njezine definicije i komponente uz pomoć različitih primjera. Također ćemo istražiti razliku između ljudske i strojne inteligencije.

Što je umjetna inteligencija

Što ćete naučiti:

Što je umjetna inteligencija (AI)?

Za opis umjetne inteligencije dostupne su razne tehničke definicije, ali sve su vrlo složene i zbunjujuće. Za vaše bolje razumijevanje razradit ćemo definiciju jednostavnim riječima.

Ljudi se smatraju najinteligentnijom vrstom na zemlji jer mogu riješiti bilo koji problem i analizirati velike podatke svojim vještinama poput analitičkog mišljenja, logičkog zaključivanja, statističkog znanja i matematičke ili računske inteligencije.

Imajući na umu sve ove kombinacije vještina, umjetna inteligencija razvijena je za strojeve i robote koji nameću sposobnost rješavanja složenih problema u strojevima slične onima koje mogu raditi ljudi.

Umjetna inteligencija primjenjiva je u svim poljima, uključujući medicinu, automobile, svakodnevne načine života, elektroniku, komunikacije kao i računalne mrežne sustave.

Tako tehnički AI u kontekstu računalnih mreža može se definirati kao računalni uređaji i mrežni sustav koji mogu točno razumjeti sirove podatke, prikupiti korisne informacije iz tih podataka i zatim koristiti te nalaze za postizanje konačnog rješenja i zadavanje problema fleksibilnim pristupom i lako prilagodljivim rješenjima.

Elementi inteligencije

# 1) Obrazloženje: To je postupak koji nam olakšava davanje osnovnih kriterija i smjernica za donošenje presude, predviđanja i donošenja odluka u bilo kojem problemu.

Obrazloženje može biti dvije vrste, jedno je generalizirano obrazloženje koje se temelji na općenito uočenim pojavama i izjavama. U ovom slučaju zaključak ponekad može biti lažan. Druga je logična argumentacija koja se temelji na činjenicama, brojkama i konkretnim izjavama te specifičnim, spomenutim i uočenim incidentima. Stoga je zaključak u ovom slučaju točan i logičan.

# 2) Učenje: To je radnja stjecanja znanja i razvoja vještina iz različitih izvora kao što su knjige, istinski događaji iz života, iskustva, podučavanje nekih stručnjaka itd. Učenje poboljšava čovjekovo znanje u poljima kojih ona nije svjesna.

Sposobnost učenja pokazuju ne samo ljudi već i neke životinje, a umjetni inteligentni sustavi posjeduju ovu vještinu.

Učenje je različitih vrsta kako je navedeno u nastavku:

  • Učenje audio govora temelji se na procesu kada neki učitelj održava predavanje, a zatim ga čujni studenti čuju, pamte i zatim koriste za stjecanje znanja iz njega.
  • Linearno učenje temelji se na pamćenju niza događaja s kojima se osoba susrela i iz njih naučila.
  • Promatračko učenje znači učenje promatranjem ponašanja i izraza lica drugih osoba ili bića poput životinja. Na primjer, malo dijete uči govoriti oponašajući svoje roditelje.
  • Percepcijsko učenje temelji se na učenju identificiranjem i klasificiranjem vizualnih predmeta i predmeta te ih pamćenja.
  • Relacijsko učenje temelji se na učenju iz prošlih slučajeva i pogrešaka i trudi se da ih improvizira.
  • Prostorno učenje znači učiti od vizuala poput slika, videozapisa, boja, mapa, filmova itd., Što će ljudima pomoći u stvaranju slike onih koji imaju na umu kad god će to biti potrebno za buduću upotrebu.

# 3) Rješavanje problema: To je postupak utvrđivanja uzroka problema i pronalaženja mogućeg načina rješavanja problema. To se postiže analizom problema, donošenjem odluka i pronalaženjem više rješenja za postizanje konačnog i najprikladnijeg rješenja problema.

Konačni moto ovdje je pronaći najbolje rješenje od dostupnih za postizanje najboljih rezultata rješavanja problema u minimalnom vremenu.

# 4) Percepcija: To je fenomen dobivanja, izvlačenja zaključka, odabira i sistematizacije korisnih podataka iz sirovih podataka.

U ljudi percepcija proizlazi iz iskustava, osjetilnih organa i situacijskih uvjeta u okolini. Ali što se tiče percepcije umjetne inteligencije, mehanizam umjetnog senzora to stječe na logičan način u vezi s podacima.

# 5) Lingvistička inteligencija: To je fenomen nečije sposobnosti raspoređivanja, otkrivanja, čitanja i pisanja verbalnih stvari na različitim jezicima. To je osnovna komponenta načina komunikacije između dviju ili više osoba i neophodna za analitičko i logičko razumijevanje.

najbolji softver za sigurnosne kopije za Windows 10 besplatno

elementi inteligencije

Razlika između ljudske i strojne inteligencije

Sljedeće točke objašnjavaju razlike:

# 1) Iznad smo objasnili komponente ljudske inteligencije na osnovu kojih čovjek izvodi različite vrste složenih zadataka i rješava različite vrste prepoznatljivih problema u različitim situacijama.

#dva) Čovjek razvija strojeve s inteligencijom poput ljudi, a oni također daju rezultate u složenom problemu u vrlo bliskoj mjeri, baš kao i ljudi.

# 3) Ljudi razlikuju podatke po vizualnim i zvučnim uzorcima, prošlim situacijama i događajima iz okolnosti, dok umjetno inteligentni strojevi prepoznaju problem i rješavaju problem na temelju unaprijed definiranih pravila i zaostalih podataka.

# 4) Ljudi pamte podatke prošlosti i prisjećaju ih se dok su ih učili i čuvali u mozgu, ali strojevi će podatke prošlosti pronaći pretraživanjem algoritama.

# 5) Pomoću jezične inteligencije ljudi mogu prepoznati iskrivljenu sliku i oblike te nedostajuće obrasce glasa, podataka i slika. Ali strojevi nemaju tu inteligenciju i oni koriste metodologiju računalnog učenja i proces dubokog učenja koji opet uključuje razne algoritme za postizanje željenih rezultata.

# 6) Ljudi uvijek slijede svoj instinkt, viziju, iskustvo, okolnosti, okolne informacije, vizualne i neobrađene podatke, kao i stvari koje su ih neki učitelji ili starješine naučili analizirati, riješiti bilo koji problem i izaći s nekim učinkovitim i značajnim rezultatima bilo kojeg broja.

S druge strane, umjetno inteligentni strojevi na svim razinama primjenjuju različite algoritme, unaprijed definirane korake, zaostale podatke i strojno učenje kako bi došli do nekih korisnih rezultata.

# 7) Iako je postupak koji slijede strojevi složen i uključuje puno postupaka, oni ipak daju najbolje rezultate u slučaju analize velikog izvora složenih podataka i gdje treba istodobno izvršiti prepoznatljive zadatke različitih polja u isto vrijeme i točno i u zadanom vremenskom okviru.

Stopa pogrešaka u tim je slučajevima strojeva daleko manja od one kod ljudi.

Podpolja umjetne inteligencije

Podpolja umjetne inteligencije

# 1) Strojno učenje

Strojno učenje značajka je umjetne inteligencije koja računalu omogućuje automatsko prikupljanje podataka i učenje iz iskustava problema ili slučajeva s kojima su se susretali, a ne posebno programiranje za izvršavanje zadanog zadatka ili posla.

Strojno učenje naglašava rast algoritama koji mogu kontrolirati podatke i prognozirati ih. To se uglavnom koristi u zdravstvenoj industriji gdje se koristi za dijagnozu bolesti, tumačenje medicinskih snimaka itd.

Prepoznavanje uzorka podkategorija je strojnog učenja. Može se opisati kao automatsko prepoznavanje nacrta iz sirovih podataka pomoću računalnih algoritama.

Uzorak može biti trajni niz podataka tijekom vremena koji se koristi za predviđanje slijeda događaja i trendova, određenih karakteristika obilježja slika za identificiranje predmeta, ponavljajuće kombinacije riječi i rečenica za jezičnu pomoć i može biti specifičan prikupljanje radnji ljudi u bilo kojoj mreži koje mogu ukazivati ​​na neke društvene aktivnosti i još mnogo toga.

Postupak prepoznavanja uzoraka uključuje nekoliko koraka. Objašnjeni su na sljedeći način:

(i) Prikupljanje i otkrivanje podataka: To uključuje prikupljanje sirovih podataka poput fizičkih varijabli itd. I mjerenje frekvencije, širine pojasa, razlučivosti itd. Podaci su dvije vrste: podaci o treningu i podaci o učenju.

Podaci o obuci su oni u kojima nema označavanja skupa podataka, a sustav primjenjuje klastere kako bi ih kategorizirao. Iako podaci o učenju imaju dobro označeni skup podataka, tako da se mogu izravno koristiti s klasifikatorom.

(ii) Prethodna obrada ulaznih podataka :To uključuje filtriranje neželjenih podataka poput šuma iz ulaznog izvora i vrši se obradom signala. U ovoj se fazi vrši filtriranje već postojećih obrazaca u ulaznim podacima za daljnje reference.

(iii) Izdvajanje značajke :Razni algoritmi provode se poput algoritma za podudaranje uzoraka kako bi se pronašao podudarni uzorak prema zahtjevima u pogledu značajki.

(iv) Klasifikacija :Na temelju rezultata izvedenih algoritama i različitih modela naučenih za dobivanje odgovarajućeg uzorka, klasa se dodjeljuje uzorku.

(v) Naknadna obrada :Ovdje je predstavljen konačni rezultat i bit će zajamčeno da je gotovo jednako vjerojatno da će biti potreban postignuti rezultat.

Model za prepoznavanje uzorka:

Model za prepoznavanje uzorka

(slika izvor )

Kao što je prikazano na gornjoj slici, ekstraktor značajki izvedit će značajke iz ulaznih sirovih podataka, poput zvuka, slike, video zapisa, zvuka itd.

Sada će klasifikator primiti x kao ulaznu vrijednost i dodijelit će različite kategorije ulaznoj vrijednosti poput klase 1, klase 2 .... razred C. na temelju klase podataka vrši se daljnje prepoznavanje i analiza uzorka.

Primjer prepoznavanja oblika trokuta kroz ovaj model:

primjer PR-a

Prepoznavanje uzoraka koristi se u procesorima za identifikaciju i provjeru autentičnosti poput prepoznavanja na temelju glasa i provjere autentičnosti lica, u obrambenim sustavima za prepoznavanje ciljeva i vođenje navigacije te u automobilskoj industriji.

# 2) Dubinsko učenje

To je proces učenja obrađivanjem i analizom ulaznih podataka na nekoliko metoda dok stroj ne otkrije jedan željeni izlaz. Također je poznato kao samo-učenje strojeva.

Stroj pokreće razne slučajne programe i algoritme za mapiranje ulaznog sirovog slijeda ulaznih podataka na izlaz. Razmještanjem različitih algoritama poput neuroevolucije i drugih pristupa poput gradijentnog spuštanja na neuronskoj topologiji izlaz y se konačno podiže iz nepoznate ulazne funkcije f (x), pod pretpostavkom da su x i y korelirani.

kako otvoriti torrent datoteke na androidu

Ovdje je zanimljivo da je posao neuronskih mreža otkriti ispravnu f funkciju.

Dubinsko učenje svjedočit će svim mogućim ljudskim karakteristikama i bazama podataka o ponašanju te će izvoditi nadzirano učenje. Ovaj postupak uključuje:

  • Otkrivanje različitih vrsta ljudskih osjećaja i znakova.
  • Prepoznajte čovjeka i životinje prema slikama poput posebnih znakova, oznaka ili obilježja.
  • Prepoznavanje glasa različitih zvučnika i pamćenje.
  • Pretvorba videa i glasa u tekstualne podatke.
  • Identificiranje ispravnih ili pogrešnih gesta, klasificiranje neželjenih stvari i slučajeva prijevare (poput zahtjeva za prijevarom).

Sve ostale karakteristike, uključujući gore spomenute, koriste se za pripremu umjetnih neuronskih mreža dubokim učenjem.

Prediktivna analiza: Nakon prikupljanja i učenja ogromnih skupova podataka, grupiranje sličnih vrsta skupova podataka vrši se približavanjem dostupnih skupova modela, poput usporedbe sličnih vrsta govornih skupova, slika ili dokumenata.

Budući da smo izvršili klasifikaciju i grupiranje skupova podataka, pristupit ćemo predviđanju budućih događaja koji se temelje na slučajevima sadašnjih događaja uspostavljanjem korelacije između njih oba. Zapamtite da prediktivna odluka i pristup nisu vremenski ograničeni.

Jedino što treba imati na umu prilikom predviđanja jest da bi izlaz trebao imati smisla i biti logičan.

Davanjem ponavljajućih ponavljanja i samoanalizom postići će se rješenje problema za strojeve. Primjer dubokog učenja je prepoznavanje govora na telefonima koji pametnim telefonima omogućuje razumijevanje različitih vrsta naglaska zvučnika i pretvaranje u značajan govor.

# 3) Neuronske mreže

Neuronske mreže su mozak umjetne inteligencije. Oni su računalni sustavi koji su preslika neuronskih veza u ljudskom mozgu. Umjetni odgovarajući neuroni mozga poznati su kao perceptron.

Niz različitih perceptrona koji se spaja čini umjetne neuronske mreže u strojevima. Prije nego što daju poželjne rezultate, neuronske mreže stječu znanje obrađivanjem različitih primjera treninga.

Korištenjem različitih modela učenja, ovaj postupak analize podataka također će pružiti rješenje za mnoge povezane upite na koje prethodno nije bilo odgovora.

Dubinsko učenje u suradnji s neuronskim mrežama može razviti višestruke slojeve skrivenih podataka, uključujući izlazni sloj složenih problema, a pomoć je potpoljima poput prepoznavanja govora, obrade prirodnog jezika i računalnog vida itd.

Dijagram ulaza-izlaza neuronske mreže

(slika izvor )

Ranije vrste neuronskih mreža sastojale su se od jednog ulaza i jednog izlaza i gotovo samo jednog skrivenog sloja ili samo jednog sloja perceptrona.

Duboke neuronske mreže sastoje se od više skrivenih slojeva između ulaznog i izlaznog sloja. Stoga je potreban dubok proces učenja kako bi se razotkrili skriveni slojevi podatkovne jedinice.

U dubokom učenju neuronskih mreža, svaki je sloj vješt o jedinstvenom skupu atributa, na temelju izlaznih značajki prethodnih slojeva. Što više ulazite u neuronsku mrežu, čvor dobiva sposobnost prepoznavanja složenijih atributa dok predviđaju i rekombiniraju izlaze svih prethodnih slojeva kako bi dobili konačniji rezultat jasniji.

Čitav taj proces naziva se hijerarhija značajki a također poznata i kao hijerarhija složenih i nematerijalnih skupova podataka. Povećava sposobnost dubokih neuronskih mreža da obrađuju vrlo velike i široke dimenzionalne jedinice podataka koje imaju milijarde ograničenja proći će kroz linearne i nelinearne funkcije.

višeslojne neuronske mreže

Glavno pitanje s kojim se strojna inteligencija bori da riješi jest rukovanje i upravljanje neobilježenim i nestrukturiranim podacima u svijetu koji su rašireni po svim poljima i zemljama. Sada neuronske mreže imaju sposobnost rukovanja kašnjenjem i složenim značajkama ovih podskupina podataka.

Dubinsko učenje u suradnji s umjetnim neuronskim mrežama klasificiralo je i okarakteriziralo neimenovane i sirove podatke u obliku slika, teksta, zvuka itd. U organiziranu relacijsku bazu podataka s pravilnim označavanjem.

Na primjer, duboko učenje uzeti će kao ulaz tisuće sirovih slika, a zatim ih klasificirati na temelju njihovih osnovnih značajki i likova poput svih životinja poput pasa s jedne strane, neživih stvari poput namještaja na jednom uglu i svih fotografija vaše obitelji na treća strana dovršavajući tako ukupnu fotografiju koja je također poznata i kao pametni foto albumi.

Još jedan primjer, razmotrimo slučaj tekstualnih podataka kao ulaznih gdje imamo tisuće e-mailova. Ovdje će dubinsko učenje grupirati e-poštu u različite kategorije poput primarne, socijalne, promotivne i neželjene e-pošte prema njihovom sadržaju.

Povratne neuronske mreže: Cilj korištenja neuronskih mreža je postizanje konačnog rezultata uz minimalne pogreške i visoku razinu preciznosti.

Ovaj postupak uključuje mnogo koraka, a svaka od razina uključuje predviđanje, upravljanje pogreškama i ažuriranje težine, što je mali prirast prema koeficijentu jer će se polako pomicati do poželjnih značajki.

U početnoj točki neuronskih mreža ne zna koja će težina i podskupovi podataka pretvoriti ulaz u najprikladnija predviđanja. Stoga će sve vrste podskupina podataka i ponderiranja uzeti u obzir kao modele za uzastopno predviđanje kako bi se postigao najbolji rezultat i svaki put uči na svojoj pogrešci.

Na primjer, možemo povezati neuronske mreže s malom djecom kao kad se rode, ne znaju ništa o svijetu oko sebe i nemaju inteligenciju, ali kako stare, uče iz svojih životnih iskustava i pogrešaka kako bi postali bolji čovjek i intelektualac.

Arhitektura povratne mreže prikazana je u nastavku matematičkim izrazom:

Ulaz * težina = predviđanje
Zatim,
Prizemna istina - predviđanje = pogreška
Zatim,
Pogreška * težinski doprinos pogreški = prilagodba

To se ovdje može objasniti, ulazni skup podataka mapirat će ih s koeficijentima kako bi se dobila višestruka predviđanja za mrežu.

Sada se predviđanje uspoređuje s osnovnim činjenicama koje su preuzete iz scenarija u stvarnom vremenu, a činjenice i kraj iskustva imaju za pronalaženje stope pogreške. Prilagodbe su napravljene kako bi se riješila pogreška i povezao doprinos pondera u njoj.

Te su tri funkcije tri temeljna gradivna elementa neuronskih mreža koji bodovaju ulazne podatke, procjenjuju gubitak i postavljaju nadogradnju na model.

Stoga je to povratna petlja koja će nagraditi koeficijente koji podupiru ispravno predviđanje i odbaciti koeficijente koji dovode do pogrešaka.

Prepoznavanje rukopisa, prepoznavanje lica i digitalnog potpisa, prepoznavanje nedostajućeg uzorka neki su od primjera neuronskih mreža u stvarnom vremenu.

# 4) Kognitivno računanje

Svrha ove komponente umjetne inteligencije je inicirati i ubrzati interakciju za dovršavanje složenih zadataka i rješavanje problema između ljudi i strojeva.

Dok rade na različitim vrstama zadataka s ljudima, strojevi uče i razumiju ljudsko ponašanje, osjećaje u različitim prepoznatljivim uvjetima i stvaraju proces razmišljanja ljudi u računalnom modelu.

Vježbajući ovo, stroj stječe sposobnost razumijevanja ljudskog jezika i odraza slike. Tako kognitivno razmišljanje, zajedno s umjetnom inteligencijom, može stvoriti proizvod koji će imati ljudske radnje, a može imati i mogućnosti rukovanja podacima.

Kognitivno računanje sposobno je donositi točne odluke u slučaju složenih problema. Stoga se primjenjuje u području koje treba poboljšati rješenja uz optimalne troškove, a stječe se analizom prirodnog jezika i učenja temeljenog na dokazima.

Na primjer, Google asistent vrlo je velik primjer kognitivnog računanja.

# 5) Obrada prirodnog jezika

Pomoću ove značajke umjetne inteligencije računala mogu tumačiti, prepoznavati, locirati i obrađivati ​​ljudski jezik i govor.

Koncept koji stoji iza uvođenja ove komponente je učiniti interakciju između strojeva i ljudskog jezika besprijekornom, a računala će postati sposobna pružiti logične odgovore na ljudski govor ili upit.

Usredotočenost obrade prirodnog jezika na usmeni i pisani dio ljudskih jezika znači i aktivni i pasivni način korištenja algoritama.

Generacija prirodnog jezika (NLG) obradit će i dekodirati rečenice i riječi kojima su ljudi govorili (verbalna komunikacija), dok će NaturalLanguage Understanding (NLU) naglasiti pisani rječnik za prevođenje jezika u tekst ili piksele koji mogu razumjeti strojevi.

Aplikacije strojeva utemeljene na grafičkom korisničkom sučelju (GUI) najbolji su primjer obrade prirodnog jezika.

Razne vrste prevoditelja koji pretvaraju jedan jezik u drugi primjeri su sustava za obradu prirodnog jezika. Googleova značajka glasovnog asistenta i glasovne tražilice također je primjer toga.

# 6) Računalna vizija

Računalni vid vrlo je važan dio umjetne inteligencije jer omogućuje računalu da automatski prepozna, analizira i interpretira vizualne podatke sa slika i slika iz stvarnog svijeta hvatanjem i presretanjem.

Uključuje vještine dubokog učenja i prepoznavanja uzoraka za izdvajanje sadržaja slika iz bilo kojih danih podataka, uključujući slike ili video datoteke u PDF dokumentu, Word dokumentu, PPT dokumentu, XL datoteci, grafikonima i slikama itd.

Pretpostavimo da imamo složenu sliku snopa stvari, a onda samo gledanje i pamćenje slike nije lako moguće za sve. Računalni vid može sadržavati niz transformacija slike kako bi se iz nje izdvojio bit i bajtni detalji poput oštrih rubova predmeta, neobičnog dizajna ili korištene boje itd.

To se postiže uporabom različitih algoritama primjenom matematičkih izraza i statistika. Roboti koriste tehnologiju računalnog vida kako bi vidjeli svijet i djelovali u situacijama u stvarnom vremenu.

Primjena ove komponente vrlo se koristi u zdravstvenoj industriji za analizu zdravstvenog stanja pacijenta pomoću MRI skeniranja, rendgenskog snimanja itd. Također se koristi u automobilskoj industriji za rad s računalno upravljanim vozilima i dronovima.

Zaključak

U ovom smo tutorijalu prvo objasnili različite elemente inteligencije dijagramom i njihov značaj za primjenu inteligencije u stvarnim životnim situacijama kako bismo dobili željene rezultate.

Zatim smo detaljno istražili različita podpolja umjetne inteligencije i njihov značaj u strojnoj inteligenciji i stvarnom svijetu uz pomoć matematičkih izraza, aplikacija u stvarnom vremenu i raznih primjera.

Također smo detaljno naučili o strojnom učenju, prepoznavanju uzoraka i konceptima umjetne inteligencije o neuronskim mrežama koji igraju vrlo vitalnu ulogu u svim primjenama umjetne inteligencije.

U slijedećem dijelu ovog vodiča detaljno ćemo istražiti primjenu umjetne inteligencije.

Preporučena literatura

^