Nauka o sztucznej inteligencji
Sztuczna inteligencja to zbiór różnych nauk :
- Uczenie maszynowe (ML)
- Sieci neuronowe (NN)
- Głębokie uczenie (DL)
- Big Data
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:
Obliczenia tradycyjne
Dane + Program komputerowy = Wynik
Uczenie maszynowe wykorzystuje wyniki do tworzenia programów (algorytmów):
Nauczanie maszynowe
Dane + Wynik = Program komputerowy
„Uczenie maszynowe to dziedzina, która daje komputerom możliwość uczenia się bez programowania”.
Artur Samuel (1959)
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
1950 | Alan Turing publikuje „Computing Machinery and Intelligence” |
1956 | Sztuczna inteligencja wspomniana po raz pierwszy przez Johna McCarthy'ego na konferencji naukowej |
1957 | Pierwszy język programowania do obliczeń numerycznych i naukowych (FORTRAN) |
1958 | Pierwszy język programowania AI (Lisp) |
1959 | Arthur Samuel użył terminu „uczenie maszynowe” |
1961 | Pierwszy robot przemysłowy (Unimate) na linii montażowej w General Motors. |
1965 | ELIZA autorstwa Josepha Weizenbauma była pierwszym interaktywnym programem, który mógł komunikować się na każdy temat |
1972 | Pierwszy język programowania logicznego (PROLOG) |
1997 | Deep Blue (IBM) pokonuje mistrza świata w szachach |
2002 | Pierwszy robot sprzątający (Roomba) |
2005 | Samojezdny samochód (STANLEY) wygrywa DARPA |
2008 | Przełom w rozpoznawaniu mowy (Google) |
2011 | Sieć neuronowa wygrywa z ludźmi w rozpoznawaniu znaków drogowych (99,46% vs 99,22%) |
2011 | Jabłko Siri |
2011 | Watson (IBM) wygrywa Jeopardy! |
2014 | Amazonka Alexa |
2014 | Microsoft Cortana |
2014 | Samojezdny samochód (Google) zdaje państwowy egzamin na prawo jazdy |
2015 | Google AlphaGo pokonał różnych ludzkich mistrzów w grze planszowej Go |
2016 | Ludzki robot Sofia autorstwa Hanson Robotics |