what is artificial intelligence
Lær, hvad der er kunstig intelligens (AI), elementer af intelligens og underfelter af AI såsom maskinindlæring, dyb læring, NLP osv .:
Computernetværkssystemet har forbedret den menneskelige livsstil ved at tilbyde de forskellige typer gadgets og enheder, der reducerer menneskelig fysisk og mental indsats for at udføre forskellige opgaver. Den kunstige intelligens er det næste trin i denne proces for at gøre den mere effektiv ved at anvende logiske, analytiske og mere produktive teknologier i denne indsats.
Denne tutorial forklarer, hvad der er kunstig intelligens og dens definition og komponenter ved hjælp af forskellige eksempler. Vi vil også undersøge forskellen mellem menneskelig og maskine intelligens.
Hvad du vil lære:
Hvad er kunstig intelligens (AI)?
Der er forskellige tekniske definitioner til rådighed for at beskrive kunstig intelligens, men alle er meget komplekse og forvirrende. Vi vil uddybe definitionen i enkle ord for din bedre forståelse.
Menneskerne betragtes som de mest intelligente arter på denne jord, da de kan løse ethvert problem og analysere big data med deres færdigheder som analytisk tænkning, logisk ræsonnement, statistisk viden og matematisk eller beregningsmæssig intelligens.
Når man holder alle disse kombinationer af færdigheder i tankerne, er kunstig intelligens udviklet til maskiner og robotter, der pålægger evnen til at løse komplekse problemer i maskinerne, der ligner dem, der kan gøres af mennesker.
Den kunstige intelligens er anvendelig inden for alle områder inklusive medicinfelt, biler, daglige livsstilsapplikationer, elektronik, kommunikation samt computernetværkssystemer.
Så teknisk set AI i sammenhæng med computernetværk kan defineres som computerenheder og netværkssystem, der kan forstå rådataene nøjagtigt, samle nyttige oplysninger fra disse data og derefter bruge disse fund til at opnå den endelige løsning og tildeling af problemet med en fleksibel tilgang og let tilpasningsdygtige løsninger.
Elementer af intelligens
# 1) Begrundelse: Det er proceduren, der letter os med at give de grundlæggende kriterier og retningslinjer for at foretage en vurdering, forudsigelse og beslutningstagning i ethvert problem.
Ræsonnement kan være af to typer, den ene er generaliseret ræsonnement, der er baseret på de generelle observerede hændelser og udsagn. Konklusionen kan undertiden være falsk i dette tilfælde. Den anden er logisk ræsonnement, der er baseret på fakta, tal og specifikke udsagn og specifikke, nævnte og observerede hændelser. Konklusionen er således korrekt og logisk i dette tilfælde.
# 2) Læring: Det er handlingen med at tilegne sig viden og færdighedsudvikling fra forskellige kilder som bøger, sande hændelser i livet, oplevelser, undervist af nogle eksperter osv. Læringen forbedrer personens viden inden for områder, som han ikke er opmærksom på.
Læringsevnen vises ikke kun af mennesker, men også af nogle af dyrene, og kunstige intelligente systemer besidder denne færdighed.
Læringen er af forskellige typer som anført nedenfor:
- Audio talelæring er baseret på processen, når en lærer holder foredrag, så hører de hørbare studerende det, husker det og bruger det derefter til at få viden fra det.
- Den lineære læring er baseret på at huske den række af begivenheder, som personen har stødt på og lært af den.
- Observationsindlæring betyder læring ved at observere adfærd og ansigtsudtryk fra andre personer eller skabninger som dyr. For eksempel, det lille barn lærer at tale ved at efterligne deres forældre.
- Perceptuel læring er baseret på læring ved at identificere og klassificere det visuelle og objekter og huske dem.
- Relational learning er baseret på læring fra tidligere hændelser og fejl og gør en indsats for at improvisere dem.
- Rumlig læring betyder at lære af grafik som billeder, videoer, farver, kort, film osv., Som vil hjælpe folk med at skabe et billede af dem i tankerne, når det er nødvendigt for fremtidig reference.
# 3) Problemløsning: Det er processen med at identificere årsagen til problemet og finde ud af en mulig måde at løse problemet på. Dette gøres ved at analysere problemet, beslutningstagning og derefter finde ud af mere end en løsning for at nå den endelige og bedst egnede løsning på problemet.
Det sidste motto her er at finde den bedste løsning ud af tilgængelige for at opnå de bedste resultater af problemløsning på minimal tid.
# 4) Opfattelse: Det er fænomenet at opnå, tegne en slutning, vælge og systematisere de nyttige data fra det rå input.
Hos mennesker er opfattelsen afledt af oplevelser, sanseorganer og situationelle forhold i miljøet. Men med hensyn til opfattelse af kunstig intelligens erhverves den af den kunstige sensormekanisme i forbindelse med dataene på en logisk måde.
# 5) Sproglig intelligens: Det er fænomenet med ens evne til at implementere, finde ud af, læse og skrive de verbale ting på forskellige sprog. Det er den grundlæggende komponent i kommunikationsmåden mellem de to eller flere individer og den nødvendige også til analytisk og logisk forståelse.
Forskellen mellem menneskelig og maskine intelligens
Følgende punkter forklarer forskellene:
# 1) Vi har ovenfor forklaret komponenterne i menneskelig intelligens på baggrund af hvilke mennesket udfører forskellige typer af komplekse opgaver og løser de forskellige slags særpræg i forskellige situationer.
#to) Mennesket udvikler maskiner med intelligens ligesom mennesker, og de giver også resultater til det komplekse problem i meget nær grad ligesom mennesker.
# 3) Mennesket skelner mellem dataene ved visuelle og lydmønstre, tidligere situationer og omstændigheder, mens de kunstigt intelligente maskiner genkender problemet og håndterer problemet baseret på foruddefinerede regler og backlog-data.
# 4) Mennesker husker fortidens data og husker det, da de lærte det og holdt i hjernen, men maskinerne finder fortidens data ved at søge algoritmer.
# 5) Med sproglig intelligens kan mennesker endda genkende det forvrængede billede og former og manglende stemme-, data- og billedmønstre. Men maskiner har ikke denne intelligens, og de bruger computerindlæringsmetode og dyb læringsproces, som igen involverer forskellige algoritmer for at opnå de ønskede resultater.
# 6) Mennesker følger altid deres instinkt, vision, oplevelse, situationer, omkringliggende information, visuelle og rådata tilgængelige data, og også de ting, de er blevet lært af nogle lærere eller ældre til at analysere, løse ethvert problem og komme ud med nogle effektive og meningsfulde resultater af ethvert problem.
På den anden side anvender kunstigt intelligente maskiner på alle niveauer de forskellige algoritmer, foruddefinerede trin, efterslæbningsdata og maskinindlæring for at nå frem til nogle nyttige resultater.
# 7) Skønt processen fulgt af maskinerne er kompleks og involverer en masse procedurer, giver de stadig de bedste resultater i tilfælde af analyse af den store kilde til komplekse data, og hvor det er nødvendigt at udføre særprægede opgaver fra forskellige felter på samme tidspunkt præcist og nøjagtigt og inden for den givne tidsramme.
Fejlfrekvensen i disse tilfælde af maskiner er langt mindre end mennesker.
Underfelter af kunstig intelligens
# 1) Maskinindlæring
Maskinindlæring er en funktion af kunstig intelligens, der giver computeren mulighed for automatisk at indsamle data og lære af oplevelsen af de problemer eller tilfælde, de er stødt på, snarere end specielt programmeret til at udføre den givne opgave eller arbejde.
Maskinindlæringen understreger væksten i algoritmerne, som kan undersøge dataene og forudsige dem. Den væsentligste anvendelse af dette er i sundhedsindustrien, hvor det bruges til diagnose af sygdommen, fortolkning af medicinsk scanning osv.
Mønster genkendelse er en underkategori af maskinindlæring. Det kan beskrives som automatisk genkendelse af planen fra rådata ved hjælp af computeralgoritmer.
Et mønster kan være en vedvarende serie af data over tid, der bruges til at forudsige en sekvens af begivenhed og tendenser, særlige karakteristika ved funktionerne i billeder for at identificere objekterne, tilbagevendende kombination af ord og sætninger til sproghjælp og kan være en specifik indsamling af handlinger fra mennesker i ethvert netværk, der kan indikere en vis social aktivitet og mange flere ting.
Mønstergenkendelsesprocessen indeholder flere trin. Disse forklares som følger:
(i) Dataindsamling og sensing: Dette inkluderer indsamling af rådata som fysiske variabler osv. Og måling af frekvens, båndbredde, opløsning osv. Dataene er af to typer: træningsdata og læringsdata.
Træningsdataene er en, hvor der ikke er nogen mærkning af datasættet, og systemet anvender klynger for at kategorisere dem. Mens læringsdataene har et godt mærket datasæt, så det kan bruges direkte med klassificeringen.
(ii) Forbehandling af inputdata :Dette inkluderer filtrering af uønskede data som støj fra inputkilden, og det sker gennem signalbehandling. På dette trin udføres filtreringen af allerede eksisterende mønstre i inputdataene til yderligere referencer.
(iii) Funktionsudvinding :Forskellige algoritmer udføres som en mønstermatch-algoritme for at finde det matchende mønster efter behov med hensyn til funktioner.
(iv) Klassificering :Baseret på output af algoritmer udført og forskellige modeller lært at få det matchende mønster, er klassen tildelt mønsteret.
(v) Efterbehandling :Her præsenteres den endelige produktion, og det vil være sikret, at det opnåede resultat næsten lige så sandsynligt er nødvendigt.
Model til mønstergenkendelse:
[billede kilde ]
Som vist i figuren ovenfor udleder funktionsudtrækkeren funktionerne fra input-rådata, som lyd, billede, video, lyd osv.
Nu modtager klassifikatoren x som inputværdi og tildeler forskellige kategorier til inputværdien som klasse 1, klasse 2…. klasse C. baseret på dataklassen, foretages yderligere genkendelse og analyse af mønsteret.
Eksempel på genkendelse af trekantform gennem denne model:
Mønstergenkendelse bruges i identifikations- og godkendelsesprocessorer som stemmebaseret genkendelse og ansigtsgodkendelse i forsvarssystemer til målgenkendelse og navigationsvejledning og bilindustrien.
# 2) Dyb læring
Det er processen med at lære ved at behandle og analysere inputdataene ved hjælp af flere metoder, indtil maskinen opdager det enkelte ønskværdige output. Det er også kendt som maskinindlæring.
Maskinen kører forskellige tilfældige programmer og algoritmer for at kortlægge den rå rå sekvens af inputdata til output. Ved at anvende de forskellige algoritmer som neuroevolution og andre tilgange som gradient ned på en neuraltopologi hæves output y endelig fra den ukendte inputfunktion f (x), forudsat at x og y er korreleret.
Her interessant er det, at neurale netværk har til opgave at finde ud af den korrekte f-funktion.
Dyb læring vil være vidne til alle mulige menneskelige egenskaber og adfærdsmæssige databaser og vil udføre overvåget læring. Denne proces inkluderer:
- Påvisning af forskellige slags menneskelige følelser og tegn.
- Identificer mennesket og dyrene ved hjælp af billederne som ved bestemte tegn, mærker eller træk.
- Stemmegenkendelse af forskellige højttalere og husk dem.
- Konvertering af video og stemme til tekstdata.
- Identifikation af rigtige eller forkerte bevægelser, klassificering af spam-ting og tilfælde af svig (som f.eks. Bedragerikrav).
Alle andre egenskaber inklusive de ovennævnte bruges til at forberede de kunstige neurale netværk ved dyb læring.
Forudsigende analyse: Efter at have indsamlet og lært enorme datasæt, klynges klyngen af lignende slags datasæt ved at nærme sig de tilgængelige modelsæt, som at sammenligne den lignende slags talesæt, billeder eller dokumenter.
Da vi har foretaget klassificeringen og grupperingen af datasættene, vil vi nærme os forudsigelsen af fremtidige begivenheder, der er baseret på baggrunden for de nuværende hændelsessager ved at etablere sammenhængen mellem dem begge. Husk, at den forudsigende beslutning og tilgang ikke er tidsbegrænset.
Det eneste punkt, som man skal huske på, mens man forudsiger, er, at output skal give mening og skal være logisk.
Ved at give gentagne optagelser og selvanalyser opnås løsningen på problemer ved dette for maskiner. Eksemplet på dyb læring er talegenkendelse i telefoner, der giver smartphones mulighed for at forstå en anden slags accent fra højttaleren og konvertere den til meningsfuld tale.
# 3) Neurale netværk
De neurale netværk er hjernen i kunstig intelligens. De er computersystemerne, der er en kopi af de neurale forbindelser i den menneskelige hjerne. De kunstige tilsvarende neuroner i hjernen er kendt som perceptron.
Stakken med forskellige perceptroner, der forbinder hinanden, udgør de kunstige neurale netværk i maskinerne. Før de giver et ønskeligt output, får neurale netværk viden ved at behandle forskellige træningseksempler.
Ved brug af forskellige læringsmodeller giver denne proces til analyse af data også en løsning på mange tilknyttede forespørgsler, der tidligere var ubesvarede.
Dyb læring i forbindelse med neurale netværk kan udfolde flere lag af skjulte data inklusive outputlaget af komplekse problemer og er en hjælp til underfelterne som talegenkendelse, naturlig sprogbehandling og computersyn osv.
[billede kilde ]
De tidligere slags neurale netværk var sammensat af en indgang og en udgang og kun det øverste et skjult lag eller et enkelt lag perceptron.
De dybe neurale netværk er sammensat af mere end et skjult lag mellem input og output lag. Derfor kræves en dyb læringsproces for at udfolde de skjulte lag i dataenheden.
I dyb læring af neurale netværk er hvert lag dygtigt på det unikke sæt attributter, baseret på outputfunktionerne fra de tidligere lag. Jo mere du kommer ind i det neurale netværk, får noden evnen til at genkende mere komplekse attributter, når de forudsiger og rekombinerer output fra alle de tidligere lag for at producere den mere klare endelige output.
Hele denne proces kaldes et funktionshierarki og også kendt som hierarkiet af de komplekse og immaterielle datasæt. Det forbedrer de dybe neurale netværks evne til at håndtere meget store og brede dimensionelle dataenheder, der har milliarder af begrænsningen, gennemgår de lineære og ikke-lineære funktioner.
Hovedproblemet, som maskinens intelligens kæmper med for at løse, er at håndtere og administrere de umærkede og ustrukturerede data i verden, der er spredt overalt i alle felter og lande. Nu har de neurale net evnen til at håndtere latenstiden og de komplekse funktioner i disse datasæt.
Den dybe læring i forbindelse med kunstige neurale netværk har klassificeret og karakteriseret de navngivne og rå data, der var i form af billeder, tekst, lyd osv. I en organiseret relationsdatabase med korrekt mærkning.
For eksempel, den dybe læring vil tage tusindvis af rå billeder som input og derefter klassificere dem baseret på deres grundlæggende funktioner og karakterer som alle dyr som hunde på den ene side, ikke-levende ting som møbler i det ene hjørne og alle fotos af din familie på den tredje side fuldender således det samlede foto, som også er kendt som smart-fotoalbum.
Et andet eksempel, lad os betragte tilfældet med tekstdata som input, hvor vi har tusindvis af e-mails. Her vil dyb læring samle e-mails i forskellige kategorier som primære, sociale, salgsfremmende og spam e-mails i henhold til deres indhold.
Feedforward neurale netværk: Målet for brug af neurale netværk er at opnå det endelige resultat med minimal fejl og et højt nøjagtighedsniveau.
Denne procedure involverer mange trin, og hvert af niveauerne inkluderer forudsigelse, fejlstyring og vægtopdateringer, hvilket er en lille stigning i koefficienten, da den langsomt vil bevæge sig til de ønskelige funktioner.
Ved udgangspunktet for de neurale netværk ved den ikke, hvilken vægt og data-undergrupper der får det til at konvertere input til de bedst egnede forudsigelser. Således vil det overveje alle former for delmængder af data og vægte som modeller for at forudsige sekventielt for at opnå det bedste resultat, og det lærer hver gang af sin fejltagelse.
For eksempel, vi kan henvise neurale netværk med de små børn som når de bliver født, de ved intet om verden omkring dem og har ingen intelligens, men når de bliver gamle, lærer de af deres livserfaringer og fejltagelser for at blive et bedre menneske og intellektuelt.
Arkitekturen for feed-forward-netværket er vist nedenfor med et matematisk udtryk:
Input * vægt = forudsigelse
Derefter,
Jordens sandhed - forudsigelse = fejl
Derefter,
Fejl * vægtbidrag til fejl = justering
Dette kan forklares her, inputdatasættet kortlægger dem med koefficienterne for at få flere forudsigelser for netværket.
hvordan man åbner en torrentfil windows 10
Nu sammenlignes forudsigelsen med de grundlæggende fakta, der er taget fra realtidsscenarierne, fakta slutter oplevelsen for at finde fejlprocenten. Justeringerne foretages for at håndtere fejlen og relaterer vægtenes bidrag til den.
Disse tre funktioner er de tre centrale byggesten i de neurale netværk, der scorer input, vurderer tabet og implementerer en opgradering til modellen.
Således er det en tilbagekoblingssløjfe, der belønner koefficienterne, der understøtter de korrekte forudsigelser, og vil kassere koefficienterne, der fører til fejl.
Håndskriftsgenkendelse, ansigtsgenkendelse og digital signaturgenkendelse, manglende mønsteridentifikation er nogle af realtidseksemplerne på neurale netværk.
# 4) Kognitiv computing
Formålet med denne komponent af kunstig intelligens er at igangsætte og fremskynde interaktionen for kompliceret opgaveafslutning og problemløsning mellem mennesker og maskiner.
Mens man arbejder på forskellige slags opgaver med mennesker, lærer og forstår maskinerne menneskelig adfærd, følelser i forskellige særpræg og genskaber menneskers tænkningsproces i en computermodel.
Ved at praktisere dette får maskinen evnen til at forstå menneskets sprog og billedrefleksioner. Således kan den kognitive tænkning sammen med kunstig intelligens skabe et produkt, der vil have menneskelignende handlinger og også kan have datahåndteringsfunktioner.
Kognitiv computing er i stand til at tage nøjagtige beslutninger i tilfælde af komplekse problemer. Således anvendes det i det område, der har behov for at forbedre løsninger med optimale omkostninger og erhverves ved at analysere naturligt sprog og evidensbaseret læring.
For eksempel, Google Assistant er et meget stort eksempel på kognitiv computing.
# 5) Naturlig sprogbehandling
Med denne funktion af kunstig intelligens kan computere fortolke, identificere, lokalisere og behandle menneskeligt sprog og tale.
Konceptet bag introduktion af denne komponent er at gøre samspillet mellem maskinerne og det menneskelige sprog problemfrit, og computere bliver i stand til at levere logiske svar mod menneskelig tale eller forespørgsel.
Den naturlige sprogbehandling fokuserer på både den mundtlige og skriftlige del af menneskelige sprog betyder både aktive og passive måder at bruge algoritmer på.
Natural Language Generation (NLG) behandler og afkoder sætninger og ord, som mennesker plejede at tale (verbal kommunikation), mens NaturalLanguage Understanding (NLU) vil understrege det skrevne ordforråd til at oversætte sproget i teksten eller pixels, som kan forstås af maskiner.
Grafiske brugergrænseflader (GUI) -baserede applikationer på maskinerne er det bedste eksempel på naturlig sprogbehandling.
De forskellige typer oversættere, der konverterer et sprog til et andet, er eksempler på det naturlige sprogbehandlingssystem. Google-funktionen af stemmeassistent og stemmesøgemaskine er også et eksempel på dette.
# 6) Computersyn
Computersynet er en meget vital del af kunstig intelligens, da det letter computeren automatisk at genkende, analysere og fortolke de visuelle data fra den virkelige verdens billeder og visuals ved at fange og opfange dem.
Det inkorporerer færdighederne i dyb læring og mønstergenkendelse for at udtrække indholdet af billeder fra alle givne data, herunder billeder eller videofiler i PDF-dokument, Word-dokument, PPT-dokument, XL-fil, grafer og billeder osv.
Antag, at vi har et komplekst billede af et bundt af ting, så det er ikke let muligt for alle at kun se billedet og huske det. Computersynet kan inkorporere en række transformationer til billedet for at udtrække bit- og byte-detaljer om det som objekternes skarpe kanter, det usædvanlige design eller den anvendte farve osv.
Dette gøres ved hjælp af forskellige algoritmer ved anvendelse af matematiske udtryk og statistikker. Robotterne bruger computervisionsteknologi til at se verden og handle i realtidssituationer.
Anvendelsen af denne komponent bruges meget meget i sundhedsindustrien til at analysere patientens helbredstilstand ved hjælp af en MR-scanning, røntgen osv. Også brugt i bilindustrien til at håndtere computerstyrede køretøjer og droner.
Konklusion
I denne vejledning har vi først forklaret de forskellige intelligenselementer med et diagram og deres betydning for anvendelse af intelligens i virkelige situationer for at opnå de ønskede resultater.
Derefter har vi udforsket i detaljer de forskellige underfelter af kunstig intelligens og deres betydning for maskinintelligens og den virkelige verden ved hjælp af matematiske udtryk, applikationer i realtid og forskellige eksempler.
Vi har også lært detaljeret om maskinlæring, mønstergenkendelse og neurale netværksbegreber kunstig intelligens, som spiller en meget vigtig rolle i alle anvendelser af kunstig intelligens.
I den successive del af denne vejledning vil vi undersøge anvendelsen af kunstig intelligens i detaljer.
Anbefalet læsning
- Data Mining Vs Machine Learning Vs Artificial Intelligence Vs Deep Learning
- 10+ BEDSTE mest lovende virksomheder med kunstig intelligens (AI) [2021 Selektiv]
- De 10 bedste kunstige intelligenssoftware (AI-softwarevurderinger i 2021)
- En komplet guide til kunstigt neuralt netværk inden for maskinlæring
- De 4 trin til Business Intelligence (BI) -test: Sådan tester du forretningsdata
- Machine Learning Tutorial: Introduktion til ML og dens applikationer
- 25 Top Business Intelligence-værktøjer (Bedste BI-værktøjer i 2021)
- Typer af maskinindlæring: Overvåget vs Uovervåget læring