Nauka o sztucznej inteligencji

Naukowcy AI

Naukowcy zajmujący się sztuczną inteligencją tworzą oprogramowanie z algorytmami, które mogą wykonywać zadania, które zwykle wymagają ludzkiej inteligencji.

Naukowcy zajmujący się sztuczną inteligencją mogą być ekspertami w wielu dyscyplinach sztucznej inteligencji:

• Matematyka stosowana
• Statystyka obliczeniowa
• Informatyka
• Nauczanie maszynowe
• Głęboka nauka

Niektórzy naukowcy zajmujący się sztuczną inteligencją mają również duże doświadczenie w zakresie Big Data:

• Analiza biznesowa
• Projektowanie bazy danych
• Projekt hurtowni danych
• Eksploracja danych
• Zapytania SQL
• Raportowanie SQL

Słaba AI

Słaba sztuczna inteligencja ogranicza się do określonych lub wąskich obszarów, takich jak większość sztucznej inteligencji, którą mamy obecnie wokół nas:

• Wyszukiwarki
• Siri jabłoni
• Cortana firmy Microsoft
• Alexa Amazona
• Watson firmy IBM

Słaba sztuczna inteligencja jest również nazywana wąską sztuczną inteligencją.

Słaba sztuczna inteligencja symuluje ludzkie poznanie w przeciwieństwie do silnej sztucznej inteligencji, która ma ludzkie poznanie .

Silna sztuczna inteligencja

Silna sztuczna inteligencja to rodzaj sztucznej inteligencji, który naśladuje ludzką inteligencję.

Silna sztuczna inteligencja wskazuje na zdolność do myślenia, planowania, uczenia się i komunikowania się.

Silna sztuczna inteligencja to teoretyczny kolejny poziom sztucznej inteligencji: prawdziwa inteligencja .

Silna sztuczna inteligencja zmierza w kierunku maszyn z samoświadomością, świadomością i obiektywnymi myślami.

Uczenie maszynowe (ML)

Programowanie klasyczne wykorzystuje programy do tworzenia wyników:

Uczenie maszynowe wykorzystuje wyniki do tworzenia programów (algorytmów):

Sieci neuronowe (NN)

Jednym z najważniejszych odkryć w historii jest siła sieci neuronowych (NN).

W sieciach neuronowych wiele warstw danych zwanych neuronami jest dodawanych lub układanych jedna na drugiej w celu obliczenia nowych poziomów danych.

Powszechnie używane krótkie nazwy:

• Głęboka sieć neuronowa DNN
• Konwolucyjna sieć neuronowa CNN
• Rekurencyjna sieć neuronowa RNN

Głębokie uczenie (DL)

Głębokie uczenie to algorytmy wykorzystujące sieci neuronowe do wyodrębniania danych wyższego poziomu.

Każda kolejna warstwa wykorzystuje poprzednią warstwę jako dane wejściowe.

Na przykład odczyt optyczny wykorzystuje niskie warstwy do identyfikacji krawędzi i wyższe warstwy do identyfikacji liter.

Głębokie uczenie ma dwie fazy:

1. Trening: Dane wejściowe służą do obliczania parametrów modelu.

2. Wnioskowanie: „wytrenowany” model wyprowadza dane z dowolnych danych wejściowych.

Rewolucja głębokiego uczenia się

Nadeszła rewolucja głębokiego uczenia się!

Rewolucja głębokiego uczenia się rozpoczęła się około 2010 roku. Od tego czasu Deep Learning jest używany do rozwiązywania wielu „nierozwiązywalnych” problemów.

Przykłady

Konwolucyjne sieci neuronowe (CNN)

Głębokie sieci CNN, takie jak ResNeta i Inception , zmniejszyły poziom błędów w klasyfikacji ImageNet z 25% w 2011 r. do 5% w 2017 r.

ImageNet to baza danych obrazów zorganizowana zgodnie z hierarchią WordNet, w której każdy węzeł hierarchii zawiera setki i tysiące obrazów. ImageNet jest użytecznym źródłem informacji dla naukowców, nauczycieli, studentów i wszystkich innych pasjonatów fotografii.

WordNet to leksykalna baza danych relacji semantycznych między słowami w ponad 200 językach. Jest zorganizowana jako kombinacja słownika i tezaurusa, łącząc słowa w relacje semantyczne za pomocą synonimów, hiponimów i meronimów.

Rekurencyjne sieci neuronowe (RNN)

RNN pomagają tworzyć partytury muzyczne i nowe dźwięki instrumentów:
https://magenta.tensorflow.org/demos .

Historia AI