Изкуствен интелект – това е набор от технологии, които позволяват на компютрите да изпълняват различни задачи, включително способността да виждат, разбират и превеждат говорим и писмен език, да анализират данни, да правят препоръки, да вземат решения и др.
Изкуственият интелект е гръбнакът на иновациите в съвременните компютри, като отключва безброй възможности за хората и предприятията. Например, оптичното разпознаване на символи (OCR) използва изкуствен интелект за извличане на текст и данни от изображения и документи, превръща неструктурирано съдържание в готови за бизнеса структурирани данни и разкрива ценна информация, която може да бъде пропусната от повърхностна анализа.
В тази статия на “MashinnoMislene” ще ви запознаем с най-важната информация на тема изкуствен интелект и ще отговорим на най-често срещаните въпроси.
Изкуствен интелект – значение
Разработката на съвременния изкуственият интелект се занимава с изграждането на компютри и машини, които могат да разсъждават, да се учат и да действат по начин, който обикновено изисква човешки интелект или включва данни, чийто мащаб надхвърля възможностите на анализатора.
Изкуственият интелект е широка област, която обхваща много различни дисциплини, включително компютърни науки, анализ на данни и статистика, хардуерно и софтуерно инженерство, лингвистика, неврология и дори философия и психология.
На оперативно ниво за бизнес употреба изкуственият интелект е набор от технологии, които се основават предимно на машинно обучение и дълбоко обучение, използвани за анализ на данни, прогнози, категоризиране на обекти, обработка на естествен език, препоръки, интелигентно извличане на данни и др.
Видове изкуствен интелект
Изкуственият интелект може да бъде организиран по няколко начина, в зависимост от етапите на развитие или извършваните действия.
Например, обикновено се признават четири етапа на развитие на изкуствения интелект.
Реактивни машини
Реактивни машини: Ограничен изкуствен интелект, който реагира само на различни видове стимули въз основа на предварително програмирани правила. Не използва памет и по този начин не може да се учи с нови данни. Deep Blue на IBM, който победи шампиона по шахмат Гари Каспаров през 1997 г., е пример за реактивна машина.
Ограничена памет – вид изкуствен интелект
Ограничена памет: Повечето съвременни изкуствени интелекти се считат за такива с ограничена памет. Те могат да използва паметта, за да се усъвършенстват с течение на времето, като се обучава с нови данни, обикновено чрез изкуствена невронна мрежа или друг модел за обучение. Дълбокото обучение, подмножество на машинното обучение, се счита за изкуствен интелект с ограничена памет.
Теория на ума
Теория на ума: В момента не съществува изкуствен интелект с теория на ума, но се провеждат изследвания на неговите възможности. Той описва вид изкуствен интелект, който може да имитира човешкия ум и има възможности за вземане на решения, равни на тези на човек, включително разпознаване и запомняне на емоции и реагиране в социални ситуации, както би направил човек.
Самосъзнание
Самосъзнание: Стъпка над теорията на ума, самосъзнателният изкустен интелект описва машина, която осъзнава собственото си съществуване и има интелектуалните и емоционалните способности на човек. Подобно на изкуствен интелект с теория на ума, самосъзнателният изкустен интелект не съществува в момента.
По-полезен начин за широко класифициране на видовете изкуствен интелект е според това какво може да прави машината. Цялото това, което понастоящем наричаме изкуствен интелект, се счита за изкуствен “тесен” интелект, тъй като може да извършва само тесни набори от действия въз основа на своето програмиране и обучение.
Например алгоритъм за изкуствен интелект, който се използва за класификация на обекти, няма да може да извършва обработка на естествен език. Търсенето в Google е форма на тесен изкуствен интелект, както и прогнозният анализ или виртуалните асистенти.
Изкуственият общ интелект (ИОИ) би бил способността на машината да “усеща, мисли и действа” точно като човек. В момента изкуствен общ интелект не съществува. Следващото ниво е изкуственият свръхинтелигентност (ИСИ), при който машината ще може да функционира във всички отношения по-добре от човека.
Модели на обучение на съвременния изкуствен интелект
Когато експертите говорят за изкуствен интелект, те често споменават термина “данни за обучение”. Но какво означава това? Не забравяйте, че изкуственият интелект с ограничена памет е вид изкуствен интелект, който се подобрява с течение на времето, като се обучава с нови данни. Машинното обучение е подмножество на изкуствения интелект, което използва алгоритми за обучение на данни, за да получи резултати.
В общи линии в машинното обучение често се използват три вида модели за обучение:
Контролирано обучение
Контролирано обучение е модел за машинно обучение, който съпоставя определен вход към изход, като използва маркирани данни за обучение (структурирани данни). Казано по-просто, за да обучите алгоритъма да разпознава снимки на котки, подайте му снимки, маркирани като котки.
Неконтролираното обучение на изкуствен интелект
Неконтролираното обучение е модел за машинно обучение, който изучава модели въз основа на немаркирани данни (неструктурирани данни). За разлика от контролираното обучение, крайният резултат не е известен предварително. Алгоритъмът по-скоро се учи от данните, като ги категоризира в групи въз основа на атрибути.
Полуконтролирано обучение
В допълнение към контролираното и неконтролираното обучение често се използва смесен подход, наречен полуконтролирано обучение, при който само част от данните са маркирани. При това обучение крайният резултат е известен, но алгоритъмът трябва да разбере как да организира и структурира данните, за да постигне желаните резултати.
Обучение с обратна връзка на изкуствен интелект
Обучение с обратна връзка е модел за машинно обучение, който може да се опише най-общо като “учене чрез правене”. Един “агент” се учи да изпълнява определена задача чрез опити и грешки (цикъл на обратна връзка), докато резултатите му не попаднат в желания диапазон. Агентът получава положителна обратна връзка, когато изпълнява задачата добре, и отрицателна обратна връзка, когато я изпълнява зле. Пример за учене с обратна връзка е обучението на роботизирана ръка да вдига топка.
Видове невронни мрежи – изкуствен интелект
Често срещан тип обучителен модел в изкуствения интелект е изкуствената невронна мрежа – модел, свободно базиран на човешкия мозък.
Невронната мрежа е система от изкуствени неврони – понякога наричани перцептрони – които са изчислителни възли, използвани за класифициране и анализ на данни. Данните се подават към първия слой на невронната мрежа, като всеки перцептрон взема решение, след което предава тази информация на множество възли в следващия слой. Моделите за обучение с повече от три слоя се наричат “дълбоки невронни мрежи” или “дълбоко обучение”. Някои съвременни невронни мрежи имат стотици или хиляди слоеве. Изходът на крайните перцептрони изпълнява задачата, поставена на невронната мрежа, като например класифициране на обект или намиране на модели в данните.
Някои от най-често срещаните видове изкуствени невронни мрежи, с които може да се сблъскате, включват:
Невронна мрежа с пренасочване
Невронните мрежи с пренасочване (Feedforward Neural Networks – FF) са една от най-старите форми на невронни мрежи, при които данните преминават еднопосочно през слоеве от изкуствени неврони. В днешно време повечето невронни мрежи се смятат за “дълбоко захранващи” с няколко слоя (и повече от един “скрит” слой). Невронните мрежи от типа “Feedforward” обикновено се съчетават с алгоритъм за коригиране на грешки, наречен “Backpropagation”, който, казано на прост език, започва от резултата на невронната мрежа и работи обратно към началото, като открива грешки, за да подобри точността на невронната мрежа. Много от простите, но мощни невронни мрежи са дълбоко захранващи.
Рекурентните невронни мрежи на съвременния изкуствен интелект
Рекурентните невронни мрежи (РНМ) се различават от дълбоко захранващите по това, че те обикновено използват данни от времеви редове или данни, които включват клишета. За разлика от захранващите невронни мрежи, които използват тегла във всеки възел на мрежата, рекурентните невронни мрежи имат “памет” за случилото се в предишния слой като контингент за изхода на текущия слой. Например, когато извършват обработка на естествен език, RNN могат да “помнят” други думи, използвани в дадено изречение. RNN често се използват за разпознаване на реч, превод и за надписи на изображения.
Дългосрочната/краткосрочната памет
Дългосрочната/краткосрочната памет (LSTM) е усъвършенствана форма на RNN, която може да използва памет, за да “запомни” какво се е случило в предишните слоеве. Разликата между RNN и LTSM е, че LTSM могат да запомнят какво се е случило преди няколко слоя чрез използването на “клетки с памет”. LSTM често се използва при разпознаване на реч и изготвяне на прогнози.
Конволюционните невронни мрежи
Конволюционните невронни мрежи (CNN) включват някои от най-разпространените невронни мрежи в съвременния изкуствен интелект. Най-често използвани в разпознаването на изображения, CNN използват няколко отделни слоя (конволюционен слой, след това слой за обединяване), които филтрират различни части на изображението, преди да го съберат отново (в напълно свързания слой). По-ранните конволюционни слоеве могат да търсят прости характеристики на изображението, като например цветове и ръбове, преди да потърсят по-сложни характеристики в допълнителните слоеве.
Генериращите противникови мрежи на съвременния изкуствен интелект
Генериращите противникови мрежи (GAN) включват две невронни мрежи, които се състезават една срещу друга в игра, която в крайна сметка подобрява точността на изхода. Едната мрежа (генераторът) създава примери, които другата мрежа (дискриминаторът) се опитва да докаже като верни или неверни. GAN са използвани за създаване на реалистични изображения.
Надяваме се статията да ви е харесала! Ако искате да научите повече за изкуствения интелект прегледайте статиите в блога на “MashinnoMislene”