Это 21-й день моего участия в ноябрьском испытании обновлений. Узнайте подробности события:Вызов последнего обновления 2021 г.
Что такое искусственный интеллект и системы искусственного интеллекта
искусственный интеллектЭто новая техническая наука, изучающая и разрабатывающая теории, методы, технологии и прикладные системы для моделирования, расширения и расширения человеческого интеллекта. Впервые предложенный Джоном Маккарти в 1956 году, он был определен как «наука и техника создания интеллектуальных машин». Цель искусственного интеллекта — дать машинам возможность думать как люди и сделать машины разумными. Искусственный интеллект — это отрасль информатики. Сегодня искусственный интеллект превратился в междисциплинарный предмет.
система искусственного интеллектаЭто система, интегрированная с технологией искусственного интеллекта, которая обеспечивает интеллектуальную обработку информации и улучшает возможности продаж и управления предприятиями.
Поэтому искусственный интеллект можно условно разделить на два основных направления от практического применения, а именнотеоретические исследования(алгоритмы, модели) иИнженерная практика(Программная реализация, MLOps).
Развитие искусственного интеллекта
Промышленная экология искусственного интеллекта
• Четыре элемента искусственного интеллекта:Данные, Алгоритмы, Вычислительная мощность, Сценарии. Чтобы соответствовать этим четырем элементам, нам нужноИИ и облачные вычисления, большие данные и Интернет вещейОбъедините с интеллектом все общество.
Технологии и сценарии приложений, связанные с искусственным интеллектом
технологии, связанные с искусственным интеллектом
Технология Al многоуровневая и проходит через технические уровни, такие как приложения, алгоритмы, цепочки инструментов, устройства, микросхемы, процессы и материалы.
Текущее основное прикладное технологическое направление искусственного интеллекта
- Обработка естественного языка — это дисциплина использования компьютерных технологий для понимания и использования естественного языка. Темы исследований обработки естественного языка в основном включают машинный перевод, анализ текста и анализ настроений. Техническая сложность обработки естественного языка высока, а техническая зрелость низка. Из-за высокой сложности семантики трудно достичь уровня человеческого понимания только современным глубоким обучением на основе больших данных и параллельных вычислений.
- Компьютерное зрение — наука о том, как заставить компьютеры «видеть». Компьютерное зрение — самая зрелая из трех прикладных технологий ИИ. Темы исследований компьютерного зрения в основном включают классификацию изображений, обнаружение объектов, сегментацию изображений, отслеживание объектов, распознавание текста и т. д.
- Обработка речи — это общий термин для различных технологий обработки, таких как изучение процесса производства речи, статистических характеристик речевых сигналов, распознавания речи, машинного синтеза и восприятия речи. Темы исследований в области обработки речи в основном включают распознавание речи, синтез речи, пробуждение речи, распознавание голосового отпечатка, обнаружение аудиособытий и т. д. Среди них наиболее зрелой технологией является распознавание речи, которая может достигать точности распознавания 96% при условии распознавания в тихом помещении и в ближнем поле.
Сценарии применения
Искусственный интеллект шаг за шагом меняет мир.Он имеет широкий спектр сценариев применения, таких как личные помощники, обнаружение слежки, машинный перевод, медицинская диагностика, игры, искусство, распознавание изображений, распознавание речи, обработка естественного языка, генеративные модели, обучение с подкреплением, искусственный интеллект изменит все отрасли, например автономное вождение.
Связь между искусственным интеллектом, машинным обучением и глубоким обучением
- Искусственный интеллект: это новая техническая наука, которая изучает и разрабатывает теории, методы и прикладные системы для моделирования, расширения и расширения человеческого интеллекта.
- Машинное обучение: специализация на том, как компьютеры моделируют или реализуют поведение человека при обучении для приобретения новых знаний или навыков, а также реорганизуют существующие структуры знаний для постоянного повышения их производительности. Это одна из основных областей исследований искусственного интеллекта.
- Глубокое обучение: многослойный персептрон, полученный в результате исследования искусственной нейронной сети, представляет собой структуру глубокого обучения. Глубокое обучение — это новая область исследований машинного обучения, которая имитирует механизмы человеческого мозга для интерпретации таких данных, как изображения, звуки и текст.
Почему искусственный интеллект и глубокое обучение стали успешными только в последнее десятилетие
Успех последнего десятилетия в основном связан с разработкой эффективных языков программирования, оптимизацией алгоритмов, улучшением компьютерной архитектуры, параллельными вычислениями и распределенными системами.
Массивные (идентификационные) данные
Интернет-сервисы и платформы больших данных привнесли огромные наборы данных в глубокое обучение.
Источники данных:
- Поисковая система: для поиска изображений: например, ImageNet, Coco и т. д.; для текстового поиска: Википедия (набор данных на естественном языке).
- Коммерческие веб-сайты: такие как Amazon, Taobao (наборы данных системы рекомендаций, наборы рекламных данных)
- Другие интернет-сервисы: Siri, Cortana.
Для задач классификации изображений, от исходного набора данных MNIST до ImageNet и изображений веб-сайтов, размер данных увеличивается.
Достижения в алгоритмах глубокого обучения
Используя набор данных MNIST, для распознавания рукописных цифр:
- Простой подход сверточной нейронной сети может быть эквивалентен лучшему подходу SVM (1998).
- Методы глубокой сверточной нейронной сети могут снизить частоту ошибок до 0,23% (2012 г.) по сравнению с 0,2% для людей.
Разработка языков программирования и вычислительных фреймворков
На аппаратном уровне, от ранней библиотеки линейной алгебры (ЦП/ГП), до более позднего механизма плотной матрицы (ГП), а затем до более позднего специализированного ускорителя искусственного интеллекта (ТПУ), вычислительная мощность была значительно улучшена.
В то же время, от ранней вычислительной среды, которая требует настройки желаемого алгоритма машинного обучения (Theano/DisBelif/Caffe), до более поздней среды глубокого обучения (MxNet/TensorFlow/CNTK/Pytorch) обеспечивает более простой способ использования различных библиотек. , рассчитать Фреймворк также был существенно улучшен.
Повышенная вычислительная мощность
С момента рождения первого компьютера общего назначения (eniac) до Intel Xeon (Xeon) X5, а затем и последующих GPU/TPU вычислительная мощность продолжает расти.
Проблемы, с которыми сталкивается искусственный интеллект
- Проблема конфиденциальности: все существующие алгоритмы ИИ основаны на данных, и нам нужно много данных для обучения модели. В то время как мы каждый день наслаждаемся удобством, которое приносит искусственный интеллект, технологические компании, такие как Facebook, Google, Amazon и Alibaba, получают большое количество пользовательских данных.
- Проблемы безопасности: например, хакеры используют технологию искусственного интеллекта для незаконной кражи личной информации или имитации поведения пользователя и пытаются изменить методы.
- Проблемы достоверности: с развитием компьютерного зрения доверие к изображениям и видео становится все ниже и ниже. Теперь мы можем создавать поддельные изображения с помощью PS, GAN (генеративно-состязательной сети) и других технологий, что затрудняет отличить настоящее от подделки.
Будущее искусственного интеллекта
- Framework: простая в использовании среда разработки.
- Алгоритм: лучшая производительность, уменьшенная модель алгоритма
- Вычислительная мощность: вычислительная мощность для комплексного развития терминала-пограничного облака.
- Данные: улучшенная индустрия базовых услуг данных, более безопасный обмен данными.
- Сценарий: отраслевые приложения, которые продолжают развиваться.
Суммировать
Короче говоря, полный прогресс искусственного интеллекта и глубокого обучения в последние годы стал результатом прорывов в алгоритмах, данных и системах. В то же время новые проблемы, с которыми сталкивается система, сопровождаются новыми прикладными проблемами и вызовами.