ИСТОРИЯ:

Все началось в 1943 году, когда Уоррен МакКаллок и Уолтер Питс представили модель искусственных нейронов. Искусственный нейрон работает как нервная клетка в организме человека. Он принимает один или несколько входов и создает определенный результат. Более подробно о нейронных сетях мы поговорим далее в этой статье.

Затем Джон Маккарти придумал слово «искусственный интеллект» в 1956 году. Определение ИИ, данное Джоном Маккарти, заключалось в разработке компьютерных систем, которые используют человеческий интеллект, визуальное восприятие, распознавание речи и принятие решений. Джон Маккарти был американским ученым-компьютерщиком и когнитивистом.

В 1966 году был создан первый чат-бот, названный ELIZA. ELIZA считается терапевтом, который изначально был создан, чтобы продемонстрировать чувство общения между людьми и машинами. Некоторые люди действительно верили, что ЭЛИЗА была человеком.

Элиза, компьютерный терапевт (fullerton.edu)

В 1972 году был изобретен WABOT-1. Он был запрограммирован на управление конечностями, систему обзора и систему разговора. Связь все еще находилась на ранних стадиях развития, но она все еще могла измерять расстояния и направление к объектам. Говорят, что WABOT-1 обладает умственными способностями годовалого или двухлетнего ребенка.

IBM Deep Blue был компьютером, играющим в шахматы. Это был первый компьютер, который даже выиграл партию в шахматы у чемпиона мира Гэри Каспарова в 1997 году. Алгоритм Deep Blue работает, вычисляя все возможные ходы с самого начала игры. Алгоритм способен вычислять более 2 миллионов шахматных позиций в секунду.

В 2002 году искусственный интеллект вошел в дом как пылесос, известный как Roomba. Roomba измеряет, сколько времени требуется инфракрасному лучу, чтобы отразиться от датчиков фотоэлементов, которые могут предсказать точное расстояние до объектов.

Затем в 2014 году чат-бот по имени Юджин Густман выиграл соревнование по тесту Тьюринга. Чат-бот был запрограммирован так, чтобы имитировать 13-летнего мальчика. Тест Тьюринга был тестом, в котором мужчина, женщина и компьютер должны были находиться в разных комнатах. Мужчина задавал вопросы и женщине, и компьютеру. Если мужчина не мог отличить компьютер от женщины, значит, компьютер успешно победил.

Домашняя страница EG (eugene goostman.elasticbeanstalk.com)

КАК БОЛЬШИЕ КОМПАНИИ ИСПОЛЬЗУЮТ ИИ:

ИИ глубоко интегрирован с продуктами Google. Всякий раз, когда вы ищете что-то в Google, список предложений пытается предсказать, что вы ищете. Но как он создает эти предложения? Он просматривает ваши самые последние поисковые запросы и самые популярные поисковые запросы, выполненные другими людьми. Он берет эти данные и делает наиболее эффективные предложения автозаполнения. Одно из обновлений, пришедших в Google, называлось алгоритмом колибри. Hummingbird имеет возможность семантического поиска. Это позволяет вам совершить ошибку при поиске чего-либо и все же получить желаемые результаты. Например, если я ищу «Илон Пуск» вместо Илона Маска, Google все равно сможет понять мои истинные намерения. Есть много других способов, которыми Google использует ИИ, например Google Maps.

Еще одна компания, использующая искусственный интеллект, — Netflix. Один из основных способов использования искусственного интеллекта Netflix — персонализация рекомендаций фильмов. Он смотрит на то, что вы ранее смотрели, и дает рекомендации на основе этого. Netflix также создает эскизы на основе того, какие фильмы и шоу вы просматривали или смотрели. Он выбирает эскиз, который, по мнению ИИ, вас больше всего заинтересует.

Распознавание лиц — еще одно распространенное использование ИИ. Всякий раз, когда вы загружаете изображение на Facebook, он спрашивает, хотите ли вы отметить людей в публикации. Если вы скажете «да», они автоматически сделают предложения, узнав людей на картинке. Распознавание лиц также использовалось для поиска многих жертв торговли людьми.

ВИДЫ ИИ:

Существует три разных типа ИИ: узкий интеллект, общий интеллект и сверхразум. Узкий интеллект — это ИИ, который не может воспроизвести человеческий интеллект, но может имитировать основные человеческие задачи. Несколько примеров узкого ИИ — Siri, Alexa и Cortana. Они могут ответить на ваши вопросы, но есть ограничения. Иногда, когда вы задаете Siri вопрос, она отправляет вас на список веб-сайтов, имеющих отношение к тому, что вы сказали. Он не способен учиться сам по себе и давать вам ответ. Еще несколько примеров узкого ИИ — боты, которые могут проверять погоду или играть в шахматы. Они могут придерживаться только одной задачи и не имеют самосознания.

Далее идет общий интеллект или сильный ИИ. Этот тип интеллекта способен выучить любую когнитивную задачу, которую может выполнить человек. Пока таких примеров в нашем мире нет. Компьютеру придется делать выбор, используя свои мысли и воспоминания, что особенно сложно для компьютера.

Последний тип интеллекта — сверхразум. Сверхинтеллектуальный ИИ способен превзойти человека. Этот тип интеллекта является лишь гипотетическим и встречается в фильмах и книгах, таких как «Терминатор».

Машинное обучение

Машинное обучение — огромная ветвь и компонент ИИ и науки о данных. Он копирует способ обучения человека, постепенно повышая свою точность, изучая данные и опыт. Алгоритмы обучены находить закономерности, проводить корреляцию и классификацию в больших наборах данных с помощью статистических методов.

КАК ЭТО РАБОТАЕТ

Есть три основных этапа работы машинного обучения.

Процесс принятия решения:

После вставки каких-либо входных данных алгоритм сделает оценку шаблона в данных. Большинство алгоритмов машинного обучения используются для классификации или прогнозирования данных. Представьте, что мы хотим классифицировать, является ли напиток пивом или яблочным соком. Сначала мы хотели бы установить параметры. Например. цвет = x, процент алкоголя = y. Затем эти данные наносятся на график.

Функция ошибки:

После того, как модель обучена, ее необходимо проверить на наличие ошибок. Мы используем новый набор данных для проверки алгоритма. Это возможные результаты теста, в котором сумма FP и FN представляет собой общую сумму ошибки.

  1. Истинный положительный: когда модель предсказывает состояние, когда оно присутствует.
  2. True Negative: когда модель не предсказывает состояние, когда оно отсутствует
  3. Ложное срабатывание: когда модель предсказывает состояние, когда оно отсутствует.
  4. Ложноотрицательный: когда модель не предсказывает состояние, когда оно присутствует.

Оптимизация модели:

Если модель неточна, веса корректируются и настраиваются для повышения точности между известным примером и оценкой модели. Модель будет продолжать повторять весь этот процесс до тех пор, пока не будет достигнут целевой порог.

РАЗЛИЧНЫЕ ВИДЫ МАШИННОГО ОБУЧЕНИЯ

Существует несколько подходов к машинному обучению и различные методы, которые вы можете использовать. Различают обучение с учителем, без учителя и с подкреплением.

Контролируемое обучение:

Обучение с учителем — одна из четырех моделей машинного обучения. В модели определены входные и выходные переменные. Он обучается на наборе данных, пока они не достигнут своего целевого порога. Алгоритм корректируется каждый раз, чтобы улучшить свои результаты. y = f(x) — функция отображения от входа (x) к выходу (y).

  1. Проблемы классификации. Модели машинного обучения используются для прогнозирования меток и ответов в определенной категории. Например. Это собака или кошка?
  2. Проблемы регрессии: модели обучены предсказывать будущие числа, например, насколько увеличится определенный запас. Они обучаются на исторических данных.

Неконтролируемое обучение:

Неконтролируемое обучение модели, где нет ключа ответа. Модель обучается на немаркированных входных данных и изучает различные шаблоны и конфигурации. Некоторые из областей, где это используется, — это распознавание лиц, анализ последовательности генов, исследование рынка и кибербезопасность.

Почему вы должны использовать неконтролируемое обучение:

  • Неконтролируемое обучение полезно для поиска полезной информации из данных.
  • Неконтролируемое обучение очень похоже на то, как человек учится думать на собственном опыте, что делает его ближе к реальному ИИ.
  • Обучение без учителя работает с немаркированными и неклассифицированными данными, что делает обучение без учителя более важным.
  • В реальном мире у нас не всегда есть входные данные с соответствующим выходом, поэтому для решения таких случаев нам нужно обучение без учителя.

Обучение с подкреплением

Обучение с подкреплением преподается путем предоставления ему определенного количества правил, действий и потенциальных конечных состояний. Модель учится на опыте, а вознаграждение является числовым и запрограммировано в модели как то, что она хочет получить. Использование этого типа машинного обучения — онлайн-реклама, разработка компьютерных игр и торговля на фондовом рынке с высокими ставками. Представьте, что вы пытаетесь научить человека играть в баскетбол. Они не будут автоматически делать каждый выстрел или изучать каждый кроссовер. Они будут учиться и становиться лучше сверхурочно с практикой.