Τεχνητή νοημοσύνη (AI)

Τι είναι και γιατί είναι σημαντική

Η τεχνητή νοημοσύνη (ΑΙ από το Artificial Intelligence) καθιστά τις μηχανές ικανές να μαθαίνουν από την εμπειρία, να προσαρμόζονται σε νέα εισαγόμενα δεδομένα και να εκτελούν ανθρωπομορφικά έργα. Τα περισσότερα παραδείγματα AI για τα οποία ακούτε σήμερα –από τους υπολογιστές που παίζουν σκάκι έως τα αυτο-οδηγούμενα αυτοκίνητα– βασίζονται σε μεγάλο βαθμό στο deep learning και την επεξεργασία φυσικής γλώσσας (ΕΦΓ). Με τη χρήση των τεχνολογιών αυτών, οι υπολογιστές μπορούν να εκπαιδευτούν ώστε να επιτελούν συγκεκριμένα καθήκοντα με επεξεργασία μεγάλων ποσοτήτων δεδομένων και αναγνώριση μορφών στα δεδομένα.

Οι πελάτες συζητούν για την τεχνητή νοημοσύνη και τη μηχανική μάθηση

Μάθετε σχετικά με τις τάσεις στη μηχανική μάθηση (machine learning) και την τεχνητή νοημοσύνη (artificial intelligence) από πελάτες της SAS και ειδικούς στο AI σε αυτό το βίντεο και ακούστε μερικές από τις προβλέψεις τους σχετικά με το μέλλον της τεχνητής νοημοσύνης.

Το AI είναι ιδιαίτερα χρήσιμο σε ό,τι αφορά εφαρμογές διαχείρισης ροών δεδομένων σε πραγματικό χρόνο, αναγώρισης προσώπου, "έξυπνης βοήθειας" για την υποστήριξη πελατών, ανίχνευσης απάτης και πολλά άλλα. Στέλιος Μαντάς Customer Analytics & CRM Manager Εθνική Τράπεζα της Ελλάδος

Η ιστορία της Τεχνητής Νοημοσύνης (AI)

Ο όρος της τεχνητής νοημοσύνης (AI) επινοήθηκε το 1956, αλλά το (AI) έχει γίνει πιο δημοφιλές σήμερα λόγω του αυξημένου όγκου δεδομένων, των προηγμένων αλγορίθμων και των βελτιώσεων στην ισχύ των υπολογιστών και την αποθήκευση των δεδομένων.

Αρχικά, η έρευνα γύρω από το AI επικεντρώθηκε σε θέματα όπως η επίλυση προβλημάτων και οι συμβολικές μέθοδοι. Τη δεκαετία του ’60, το Υπουργείο Άμυνας των ΗΠΑ ενδιαφέρθηκε για αυτόν τον τύπο εργασίας και ξεκίνησε την εκπαίδευση των υπολογιστών στη μίμηση της βασικής ανθρώπινης συλλογιστικής. Για παράδειγμα, η Υπηρεσία Προηγμένων Ερευνητικών Προγραμμάτων Άμυνας (DARPA) ολοκλήρωσε τα προγράμματα χαρτογράφησης δρόμων τη δεκαετία του ’70. επίσης, η DARPA παρήγαγε ευφυείς προσωπικούς βοηθούς το 2003, πολύ πριν η Siri, Alexa και Cortana γίνουν πασίγνωστες.

Αυτή η πρώτη εργασία, προετοίμασε το έδαφος για την αυτοματοποίηση και την τυπική συλλογιστική που βλέπουμε στους υπολογιστές σήμερα, συμπεριλαμβανομένων των συστημάτων υποστήριξης λήψης αποφάσεων και των έξυπνων συστημάτων αναζήτησης που μπορούν να σχεδιαστούν ώστε να συμπληρώνουν και να βελτιώνουν τις ανθρώπινες ικανότητες.s.

Ενώ οι ταινίες του Χόλιγουντ και τα μυθιστορήματα επιστημονικής φαντασίας απεικονίζουν το AI ως ανθρωπόμορφα ρομπότ που καταλαμβάνουν τον κόσμο, η τρέχουσα εξέλιξη του AI δεν είναι τόσο τρομακτική – ούτε τόσο έξυπνη. Αντίθετα, το AI έχει εξελιχθεί ώστε να παρέχει συγκεκριμένα οφέλη σε κάθε βιομηχανικό κλάδο. Συνεχίστε πιο κάτω για σύγχρονα παραδείγματα τεχνητής νοημοσύνης στην υγειονομική περίθαλψη, το λιανικό εμπόριο και αλλού.

Chess board and Neural Network graphic

1950s–1970s

Neural Networks

Οι αρχικές εργασίες με neural networks προκαλεί ενθουσιασμό γύρω από τις μηχανές που "σκέφτονται".

Shapes and arrow graphic with classical and modern machine learning

1980s–2010s

Machine Learning

Το Machine learning αρχίζει να ανθίζει.

Binary code on dark background with magnifying glass graphic

Σήμερα

Deep Learning

Οι ανακαλύωεις γύρω από  το deep learning οδηγούν στην έκρηξη του AI.

Γιατί είναι σημαντική η τεχνητή νοημοσύνη (AI);

  • Το AI αυτοματοποιεί την επαναληπτική μάθηση και την ανακάλυψη μέσω δεδομένων. Το AI διαφέρει, όμως, από την καθοδηγούμενη από το hardware ρομποτική αυτοματοποίηση. Αντί των αυτοματοποιημένων χειροκίνητων έργων, το AI εκτελεί συχνά, μεγάλου όγκου μηχανογραφημένα έργα, αξιόπιστα και χωρίς κόπο. Για αυτόν τον τύπο της αυτοματοποίησης, η ανθρώπινη έρευνα εξακολουθεί να είναι καίριας σημασίας για να εγκατασταθεί το σύστημα και να τεθούν οι κατάλληλες ερωτήσεις..
  • Το AI προσθέτει ευφυΐα στα υπάρχοντα προϊόντα. Στις περισσότερες περιπτώσεις, το AI δεν πωλείται ως μεμονωμένη εφαρμογή. Πιθανότερο είναι οι ικανότητες του AI να βελτιώνουν τα προϊόντα που ήδη χρησιμοποιείτε, όπως η πρόσθεση της ψηφιακής βοηθού Siri ως λειτουργία στα προϊόντα Apple νέας γενιάς. Η αυτοματοποίηση, οι πλατφόρμες συνομιλίας, τα bots και οι έξυπνες μηχανές μπορούν να συνδυαστούν με μεγάλες ποσότητες δεδομένων προκειμένου να βελτιώνουν πολλές τεχνολογίες στο σπίτι και τον χώρο εργασίας από την ασφάλεια πληροφοριών έως την ανάλυση επενδύσεων.
  • Το AI προσαρμόζεται μέσω προοδευτικών αλγορίθμων εκμάθησης (learning algorithms) ώστε να αφεθούν τα δεδομένα να κάνουν τον προγραμματισμό. To ΑΙ βρίσκει δομή και κανονικότητες στα δεδομένα οπότε ο αλγόριθμος αποκτά μια δεξιότητα: Ο αλγόριθμος ταξινομεί ή κατηγοριοποιεί. Έτσι, όπως ο αλγόριθμος μπορεί να διδάξει τον εαυτό του τον τρόπο να παίζει σκάκι, μπορεί και να τον διδάξει ποιο προϊόν να συστήσει στη συνέχεια διαδικτυακά. Και τα μοντέλα προσαρμόζονται όταν τους δίνονται νέα δεδομένα. Η οπισθοδιάδοση (back–propagation) είναι μια τεχνική AI που επιτρέπει στο μοντέλο να προσαρμόζεται, μέσω εκπαίδευσης και προστιθέμενων δεδομένων όταν η πρώτη απάντηση δεν είναι η ενδεδειγμένη.
  • Το AI αναλύει περισσότερα και βαθύτερα δεδομένα με χρήση neural networks (νευρωνικά δίκτυα) που διαθέτουν πολλά κρυφά επίπεδα. Η κατασκευή ενός συστήματος ανίχνευσης απάτης με πέντε κρυφά επίπεδα ήταν σχεδόν αδύνατη λίγα χρόνια νωρίτερα. Όλα αυτά έχουν αλλάξει με την απίστευτη ισχύ των υπολογιστών και το μέγεθος των δεδομένων. Χρειάζεσαι μια πληθώρα δεδομένων για να εκπαιδεύσεις μοντέλα μάθησης σε βάθος, επειδή μαθαίνουν απευθείας από τα δεδομένα. Με όσο περισσότερα δεδομένα τα τροφοδοτείς, τόσο πιο ακριβή γίνονται.
  • Το AI επιτυγχάνει απίστευτη ακρίβεια μέσω deep neural networks – κάτι που προηγουμένως ήταν αδύνατο. Για παράδειγμα, οι αλληλεπιδράσεις σας με το Alexa, το Google Search και το Google Photos βασίζονται στη στο deep learning – και συνεχίζονται να γίνονται πιο ακριβείς όσο περισσότερο τα χρησιμοποιείτε. Στον ιατρικό τομέα, τεχνικές AI όπως το deep learning, η ταξινόμηση εικόνων και η αναγνώριση αντικειμένων μπορούν τώρα να χρησιμοποιηθούν για την ανίχνευση καρκίνου σε απεικονίσεις με μαγνητική τομογραφία, με ακρίβεια παρόμοια με αυτή καταρτισμένων ακτινολόγων.
  • To ΑΙ αξιοποιεί στο έπακρο τα δεδομένα. Όταν οι αλγόριθμοι είναι αυτο-εκπαιδευόμενοι, τα ίδια τα δεδομένα μπορούν να καταστούν πνευματική ιδιοκτησία. Οι απαντήσεις βρίσκονται στα δεδομένα, απλά, πρέπει να εφαρμόσετε μεθόδους τεχνητής νοημοσύνης για να τις ανακτήσετε. Επειδή ο ρόλος των δεδομένων είναι πλέον πιο σημαντικός από ποτέ άλλοτε, μπορούν να δημιουργήσουν ένα ανταγωνιστικό πλεονέκτημα. Εάν διαθέτετε τα καλύτερα δεδομένα σε έναν ανταγωνιστικό βιομηχανικό κλάδο, ακόμη και αν όλοι εφαρμόζουν παρόμοιες τεχνικές, τα καλύτερα δεδομένα θα νικήσουν.
Σε ό,τι αφορά εφαρμογές credit scoring, όταν έχεις ένα neural network με δυνατότητες ανώτερης προβλεψιμότητας και ερμηνείας, δεν υπάρχει κανένας λόγος να έχουμε και ένα άτομο να εμπλέκεται σε αυτή διαδικασία. Peter Maynard Senior Vice President of Global Analytics Equifax

Η Τεχνητή Νοημοσύνη (AI) Σήμερα

Δείτε εφαρμογές AI σε κάθε κλάδο

Ρίξτε μια ματιά και μάθετε πώς  ένα νοσοκομείο & ένα κατάστημα λιανικής πώλησης χρησιμοποιούν εφαρμογές AI και συστήματα ομιλιών μέσα από τη χρήση advanced analytics. Η συγκεκριμένη έκθεση από το Harvard Business Review εξετάζει το τοπίο γύρω από την τεχνητή νοημοσύνη, δίνει μια εικόνα του workforce του AI – και εξηγεί γιατί δεν θα πρέπει να μιλάτε άσχημα στη Siri.

Ενισχύστε τα Marketing Analytics 

Το μάρκετινγκ βρίσκεται σε πορεία εξέλιξης, η οποία τροφοδοτείται από τα analytics και το AI. Μάθετε πώς να αυτοματοποιείτε προσφορές σε πραγματικό χρόνο, να εξάγετε μεγαλύτερες ποσότητες δεδομένων ώστε να βελτιώνετε την ακρίβεια των προσφορών, να κατανοείτε τη φωνή του πελάτη και πολλά περισσότερα..

Βελτιώστε το Customer Experience

Πώς επωφελούνται οι καταναλωτές όταν το καθημερινό Interaction τους με το brand  σας είναι αυτοματοποιημένο; Μπορούν να βρουν απαντήσεις  πιο  εύκολα και γρήγορα και  να εντοπίσουν προσφορές πιο σχετικές με τις ανάγκες του.

Διαχωρίστε το “hype” από την πραγματικότητα

Η τεχνητή νοημοσύνη συμβάλλει στην ενσωμάτωση «μεγαλύτερης ευφυΐας» στις μηχανές, αλλά δεν κυριεύει τον κόσμο, λέει ο Oliver Schabenberger, Vice President & Chief Technology Officer της SAS.

Πώς εφαρμόζεται η τεχνητή νοημοσύνη (AI);

Σε κάθε βιομηχανικό κλάδο υπάρχει υψηλή ζήτηση για τις ικανότητες του AI – ειδικά στα συστήματα ερώτησης-απάντησης που μπορούν να χρησιμοποιηθούν για νομική βοήθεια, σε έρευνες για διπλώματα ευρεσιτεχνίας, στις ειδοποιήσεις κινδύνου και στην ιατρική έρευνα. Άλλες χρήσεις του AI περιλαμβάνουν:

Φροντίδα υγείας

Οι εφαρμογές του AI μπορούν να παρέχουν εξατομικευμένη διαχείριση φαρμάκων και αναγνώσεις ακτινογραφιών. Οι προσωπικοί βοηθοί φροντίδας υγείας μπορούν να ενεργήσουν ως σύμβουλοι διαβίωσης, να σας υπενθυμίζουν να παίρνετε τα φάρμακά σας, να ασκείστε ή να τρώτε πιο υγιεινά.

Λιανικό εμπόριο

Το AI παρέχει εικονικές (virtual) ικανότητες αγορών που προσφέρουν εξατομικευμένες προτάσεις και τη δυνατότητα συζήτησης των επιλογών αγοράς με τον πελάτη. Η διαχείριση αποθεμάτων και η διάταξη του χώρου επίσης βελτιώνονται..

Παραγωγή

Το AI μπορεί να αναλύει εργοστασιακά δεδομένα μέσα από εφαρμογές διαδικτύου των πραγμάτων (ΙοΤ), καθώς τα δεδομένα ρέουν από τον διασυνδεδεμένο εξοπλισμό για να προβλέψουν το αναμενόμενο φορτίο ζήτησης με τη χρήση recurrent neural networks, ενός τύπου deep learning network που χρησιμοποιείται για ακολουθίες δεδομένων.   

Αθλητισμός

Η τεχνητή νοημοσύνη χρησιμοποιείται για τη σύλληψη εικόνων αθλητικών παιχνιδιών και για να παρέχει στους προπονητές reports σχετικά με τον τρόπο καλύτερης οργάνωσης του παιχνιδιού, συμπεριλαμβανομένης της καλύτερης τοποθέτησης των παιχτών στο γήπεδο και της στρατηγικής.

Chess board and arrow to robot graphic

Ποιες είναι οι προκλήσεις στη χρήση τεχνητής νοημοσύνης;

Η τεχνητή νοημοσύνη πρόκειται να αλλάξει κάθε βιομηχανικό κλάδο, αλλά θα πρέπει να κατανοήσουμε τα όριά της.

Ο κύριος περιορισμός του AI είναι ότι μαθαίνει από τα δεδομένα. Δεν υπάρχει άλλος τρόπος με τον οποίο η γνώση να μπορεί να ενσωματωθεί. Αυτό σημαίνει ότι τυχόν ανακρίβειες στα δεδομένα θα αντικατοπτρίζονται στα αποτελέσματα. Και τυχόν επιπλέον επίπεδα πρόβλεψης ή ανάλυσης πρέπει να προστίθενται χωριστά.

Τα σημερινά συστήματα AI είναι εκπαιδευμένα να εκτελούν ένα σαφώς καθορισμένο καθήκον. Το σύστημα που παίζει πόκερ δεν μπορεί να παίξει πασιέντζα ή σκάκι. Το σύστημα που ανιχνεύει απάτες δεν μπορεί να οδηγήσει αυτοκίνητο ή να σας παρέχει νομικές συμβουλές. Στην πραγματικότητα, ένα σύστημα ΑΙ που ανιχνεύει απάτες στον τομέα της φροντίδας υγείας δεν μπορεί να ανιχνεύσει με ακρίβεια φορολογικές απάτες ή απάτες στις ασφαλιστικές απαιτήσεις.

Με άλλα λόγια, τα συστήματα αυτά είναι πολύ, πολύ εξειδικευμένα. Επικεντρώνονται σε ένα και μόνο στόχο και απέχουν από το να συμπεριφέρονται όπως οι άνθρωποι.

Παρόμοια, τα συστήματα αυτο-εκπαίδευσης δεν είναι αυτόνομα συστήματα. ΟΙ φανταστικές τεχνολογίες AI που βλέπετε στις ταινίες και την τηλεόραση εξακολουθούν να είναι επιστημονική φαντασία. Οι υπολογιστές, όμως, που ανιχνεύουν πολύπλοκα δεδομένα για την εκμάθηση και τελειοποίηση ειδικών καθηκόντων γίνονται όλο και πιο πολύ πραγματικότητα. 

SAS® Visual Data Mining and Machine Learning screenshot on monitor

SAS® Visual Data Mining & Machine Learning

Το AI απλοποιείται όταν παρέχεται η δυνατότητα προετοιμασίας των δεδομένων, ανάπτυξης μοντέλων με μοντέρνους machine-learning αλγορίθμους & ενσωμάτωσης τεχνολογιών text analytics μέσα από ένα μόνο προϊον. Επιπλέον, μπορείτε να γράψετε κώδικα που συνδυάζει τη γλώσσα προγραμματισμού της SAS με άλλες γλώσσες, όπως Python, R, Java ή Lua.

Πώς ακριβώς λειτουργεί η Τεχνητή Νοημοσύνη (AI);

Η τεχνητή νοημοσύνη λειτουργεί με συνδυασμό μεγάλων ποσοτήτων δεδομένων με γρήγορους, επαναληπτικής διαδικασίας και ευφυείς αλγορίθμους, επιτρέποντας στο λογισμικό να μαθαίνει αυτόματα από μορφές ή χαρακτηριστικά των δεδομένων. Η τεχνητή νοημοσύνη είναι ένα πεδίο μελέτης που περιλαμβάνει πολλές θεωρίες, μεθόδους και τεχνολογίες, καθώς και τα παρακάτω κύρια υποπεδία:

  • Machine learning (μηχανική μάθηση)αυτοματοποιεί την κατασκευή αναλυτικών μοντέλων. Χρησιμοποιεί μεθόδους από τα νευρωνικά δίκτυα (neural networks), τη στατιστική, την επιχειρησιακή έρευνα (operational research) και τη φυσική για την εύρεση κρυφών γνώσεων εντός των δεδομένων χωρίς να έχει προγραμματιστεί εμφανώς για το πού να εξετάσει ή τι να συμπεράνει.
  • Neural network (νευρωνικό δίκτυο): είναι ένας τύπος μηχανικής μάθησης που αποτελείται από αλληλοσυνδεόμενες μονάδες (όπως οι νευρώνες) που επεξεργάζονται τις πληροφορίες ανταποκρινόμενο σε εξωτερικές εισαγωγές δεδομένων, προωθώντας πληροφορίες μεταξύ κάθε μονάδας. Η διαδικασία απαιτεί πολλαπλές διελεύσεις στα δεδομένα προκειμένου να βρεθούν συνδέσεις και να γίνει εξαγωγή νοήματος από ακαθόριστα δεδομένα.
  • Deep learning (σε βάθος μάθηση): Χρησιμοποιεί τεράστια neural networks με πολλά επίπεδα μονάδων επεξεργασίας, αξιοποιώντας τις εξελίξεις στην υπολογιστική ισχύ και τις βελτιωμένες τεχνικές εκπαίδευσης για την μάθηση πολύπλοκων μορφών σε μεγάλες ποσότητες δεδομένων. Οι κοινές εφαρμογές της περιλαμβάνουν την αναγνώριση εικόνας και ομιλίας.
  • Cognitive computing (γνωστική υπολογιστική): είναι ένα υποπεδίο του AI που στοχεύει σε μια φυσική, ανθρωπόμορφη αλληλεπίδραση με μηχανές. Κατά τη χρήση τεχνικών AI και cognitive computing, ο απώτατος στόχος είναι η προσομοίωση ανθρώπινων αλληλεπιδράσεων από μια μηχανή μέσω της ικανότητας να ερμηνευτούν εικόνες και ομιλία – και να υπάρξει κανονική απάντηση από την μηχανή η οποία έχει ειρμό.    
  • Computer vision : βασίζεται στην αναγνώριση μορφών (pattern recognition) και στο deep learning ώστε να αναγνωρίζεται τι υπάρχει σε μια εικόνα ή ένα βίντεο. Όταν οι μηχανές μπορούν να επεξεργαστούν, να αναλύσουν και να κατανοήσουν εικόνες μπορούν να συλλάβουν εικόνες ή βίντεο σε πραγματικό χρόνο και να ερμηνεύσουν τα περιβάλλοντά τους.
  • Natural language processing (NLP) - (επεξεργασία φυσικής γλώσσας ή ΕΦΓ): είναι η ικανότητα των υπολογιστών να αναλύουν, να κατανοούν και να παράγουν ομιλούμενη γλώσσα, συμπεριλαμβανομένης της ομιλίας. Το επόμενο στάδιο στην ΕΦΓ είναι η φυσική γλωσσική αλληλεπίδραση, η οποία επιτρέπει στους ανθρώπους να επικοινωνούν με υπολογιστές χρησιμοποιώντας την κανονική, καθημερινή γλώσσα για την εκτέλεση καθηκόντων.

Επιπλέον, αρκετές τεχνολογίες διευκολύνουν και στηρίζουν το AI:

  • Graphical processing units (μονάδες επεξεργασίας γραφικών): παίζουν βασικό ρόλο στο AI επειδή παρέχουν τη «βαριά» υπολογιστική ισχύ που απαιτείται για την επαναληπτική επεξεργασία. Η εκπαίδευση των neural networks απαιτεί μεγάλα δεδομένα και υπολογιστική ισχύ.
  • Internet of Things (διαδίκτυο των πραγμάτων): παράγει μαζικές ποσότητες δεδομένων από συνδεδεμένες συσκευές, με τα περισσότερα από αυτά να είναι ανεπεξέργαστα. Τα αυτοματοποιημένα μοντέλα του AI θα μας επιτρέψουν να αναλύσουμε περισσότερα από τα δεδομένα αυτά.
  • Advanced algorithms (προηγμένοι αλγόριθμοι): αναπτύσσονται και συνδυάζονται με νέους τρόπους ώστε να αναλύονται περισσότερα δεδομένα γρηγορότερα και σε πολλαπλά επίπεδα. Αυτή η ευφυής επεξεργασία είναι βασική για την αναγνώριση και την πρόβλεψη σπάνιων συμβάντων, την κατανόηση πολύπλοκων συστημάτων και τη βελτιστοποίηση μοναδικών σεναρίων.
  • APIs ή application processing interfaces (διεπαφές επεξεργασίας εφαρμογής): Φορητά πακέτα κωδικών  τα οποία καθιστούν δυνατή την προσθήκη μιας λειτουργικότητας ΤΝ σε υπάρχοντα προϊόντα και πακέτα λογισμικού. Μπορούν να προσθέσουν ικανότητες αναγνώρισης εικόνας σε οικιακά συστήματα ασφαλείας και ικανότητες Q&A (ερωτήσεων-απαντήσεων) που περιγράφουν δεδομένα, δημιουργούν υπότιτλους και τίτλους ή εξάγουν ενδιαφέροντες μορφές και γνώσεις από τα δεδομένα.

Συνοπτικά, ο στόχος της τεχνητής νοημοσύνης είναι να παρέχει ένα λογισμικό που μπορεί να αναλύει τα εισαγόμενα δεδομένα και να εξηγεί τα εξερχόμενα. Η τεχνητή νοημοσύνη παρέχει ανθρωπόμορφες αλληλεπιδράσεις με λογισμικό και θα προσφέρει υποστήριξη στη λήψη αποφάσεων για συγκεκριμένα καθήκοντα, αλλά δεν αποτελεί υποκατάστατο των ανθρώπων – και δεν αναμένεται να γίνειn. 

Διαβάστε  περισσότερα γύρω από το θέμα

Content is loading

Back to Top