Kunstmatige intelligentie (AI)
Wat is het en waarom is het belangrijk
Kunstmatige intelligentie (AI) maakt het mogelijk voor machines om te leren van ervaring, zich aan te passen aan nieuwe input en mensachtige taken uit te voeren. De meeste AI-voorbeelden waar je vandaag de dag over hoort - van computers die schaken tot zelfrijdende auto's - leunen zwaar op deep learning en natuurlijke taalverwerking. Met behulp van deze technologieën kunnen computers worden getraind om specifieke taken uit te voeren door grote hoeveelheden gegevens te verwerken en patronen in de gegevens te herkennen.
Geschiedenis van kunstmatige intelligentie
De term kunstmatige intelligentie werd in 1956 bedacht, maar AI is tegenwoordig populairder dankzij de grotere hoeveelheden gegevens, geavanceerde algoritmen en verbeteringen in rekenkracht en opslag.
Vroeg AI-onderzoek in de jaren 1950 onderzocht onderwerpen als probleemoplossing en symbolische methoden. In de jaren '60 kreeg het Amerikaanse Ministerie van Defensie belangstelling voor dit soort werk en begon computers te trainen om basale menselijke redeneringen na te bootsen. Het Defense Advanced Research Projects Agency (DARPA) voltooide bijvoorbeeld projecten voor het in kaart brengen van straten in de jaren 1970. En DARPA produceerde intelligente persoonlijke assistenten in 2003, lang voordat Siri, Alexa of Cortana bekende namen waren.
Dit vroege werk maakte de weg vrij voor de automatisering en formele redenering die we vandaag de dag in computers zien, waaronder beslissingsondersteunende systemen en slimme zoeksystemen die kunnen worden ontworpen om menselijke vaardigheden aan te vullen en te vergroten.
In Hollywoodfilms en sciencefictionromans wordt AI afgeschilderd als mensachtige robots die de wereld overnemen, maar de huidige evolutie van AI-technologieën is niet zo eng - of zo slim. In plaats daarvan heeft AI zich ontwikkeld om veel specifieke voordelen te bieden in elke branche. Lees verder voor moderne voorbeelden van kunstmatige intelligentie in de gezondheidszorg, detailhandel en meer.
jaren 1950-1970
Vroeg werk met neurale netwerken maakt enthousiast over "denkende machines".
2011-2020s
Doorbraken op het gebied van deep learning zorgen voor een enorme groei van AI.
Kunstmatige Intelligentie trends om in de gaten te houden
Bekijk snel deze video om AI-experts en data science-professionals te horen praten over AI-trends voor de komende tien jaar.
Wat is de rol van ethiek in de toekomst van AI? Hoe belangrijk zijn big data? Waarom is domeinkennis cruciaal voor het succes van AI?
Het belangrijkste: "Het gaat er echt om wie de data heeft. Dat is wie de koning zal zijn," zegt Harper Reid, Technology Pioneer.
Waarom is kunstmatige intelligentie belangrijk?
AI automatiseert herhaaldelijk leren en ontdekken op basis van gegevens. In plaats van handmatige taken te automatiseren, voert AI frequente, geautomatiseerde taken met hoge volumes uit. En dat doet het betrouwbaar en zonder vermoeid te raken. Natuurlijk zijn mensen nog steeds essentieel om het systeem in te stellen en de juiste vragen te stellen.
AI voegt intelligentie toe aan bestaande producten. Veel producten die je al gebruikt zullen worden verbeterd met AI-mogelijkheden, net zoals Siri werd toegevoegd als functie aan een nieuwe generatie Apple producten. Automatisering, conversatieplatforms, bots en slimme machines kunnen worden gecombineerd met grote hoeveelheden gegevens om veel technologieën te verbeteren. Upgrades voor thuis en op het werk variëren van beveiligingsinformatie en smartcams tot investeringsanalyses.
AI past zich aan door middel van progressieve leeralgoritmen om de data het programmeren te laten doen. AI vindt structuur en regelmatigheden in gegevens zodat algoritmes vaardigheden kunnen verwerven. Net zoals een algoritme zichzelf kan leren schaken, kan het zichzelf leren welk volgende product online aan te bevelen. En de modellen passen zich aan wanneer ze nieuwe gegevens krijgen.
AI analyseert meer en diepere gegevens met behulp van neurale netwerken die veel verborgen lagen hebben. Vroeger was het onmogelijk om een fraudedetectiesysteem met vijf verborgen lagen te bouwen. Dat is allemaal veranderd door de ongelofelijke computerkracht en big data. Je hebt veel gegevens nodig om deep learning-modellen te trainen, omdat ze direct van de gegevens leren.
AI bereikt ongelooflijke nauwkeurigheid door diepe neurale netwerken. Je interacties met Alexa en Google zijn bijvoorbeeld allemaal gebaseerd op deep learning. En deze producten worden steeds nauwkeuriger naarmate je ze vaker gebruikt. Op medisch gebied kunnen AI-technieken uit deep learning en objectherkenning nu worden gebruikt om kanker met grotere nauwkeurigheid aan te wijzen op medische beelden.
AI haalt het maximale uit gegevens. Wanneer algoritmes zelflerend zijn, zijn de gegevens zelf een troef. De antwoorden zitten in de gegevens - je hoeft alleen maar AI toe te passen om ze te vinden. Omdat gegevens nu belangrijker zijn dan ooit, kunnen ze een concurrentievoordeel opleveren. Als je de beste gegevens hebt in een concurrerende branche, zelfs als iedereen vergelijkbare technieken toepast, zullen de beste gegevens winnen. Maar om die gegevens te kunnen gebruiken voor verantwoorde innovatie is betrouwbare AI nodig. En dat betekent dat je AI-systemen ethisch, rechtvaardig en duurzaam moeten zijn.
Hoe kunstmatige intelligentie wordt gebruikt
In elke sector is er veel vraag naar AI-mogelijkheden - inclusief systemen die kunnen worden gebruikt voor automatisering, leren, juridische bijstand, risicomelding en onderzoek. Specifieke toepassingen van AI in de industrie zijn onder andere:
Gezondheidszorg
AI-toepassingen kunnen zorgen voor gepersonaliseerde geneeskunde en röntgenmetingen. Persoonlijke gezondheidszorgassistenten kunnen optreden als levenscoaches en je eraan herinneren je pillen in te nemen, te sporten of gezonder te eten.
Retail
AI biedt virtuele winkelmogelijkheden die persoonlijke aanbevelingen doen en aankoopopties met de consument bespreken. Voorraadbeheer en locatie-indelingstechnologieën zullen ook worden verbeterd met AI.
Manufacturing
AI kan IoT-gegevens van fabrieken analyseren terwijl ze toekomen van aangesloten apparatuur om de verwachte belasting en vraag te voorspellen met behulp van recurrente netwerken, een specifiek type deep learning-netwerk dat wordt gebruikt voor sequentiegegevens.
Banken
Kunstmatige intelligentie verbetert de snelheid, precisie en effectiviteit van menselijke inspanningen. In financiële instellingen kunnen AI-technieken worden gebruikt om vast te stellen welke transacties waarschijnlijk frauduleus zijn, om snelle en nauwkeurige kredietscores toe te passen en om handmatig intensieve gegevensbeheertaken te automatiseren.
AI is al jaren een integraal onderdeel van SAS-software. Vandaag de dag helpen we klanten in elke branche om te profiteren van de vooruitgang op het gebied van AI, en we zullen doorgaan met het integreren van AI-technologieën zoals machine learning en deep learning in oplossingen binnen het hele SAS-portfolio.Jim Goodnight CEO SAS
WildTrack en SAS: Bedreigde diersoorten redden, voetafdruk voor voetafdruk.
Vlaggenschipsoorten zoals de jachtluipaard zijn aan het verdwijnen. En daarmee ook de biodiversiteit die ons allemaal ondersteunt. WildTrack onderzoekt de waarde van kunstmatige intelligentie voor natuurbehoud - om voetafdrukken te analyseren zoals inheemse spoorzoekers dat doen en deze bedreigde dieren voor uitsterven te behoeden.
Hoe kunstmatige intelligentie werkt
AI werkt door grote hoeveelheden gegevens te combineren met snelle, iteratieve verwerking en intelligente algoritmen, waardoor de software automatisch kan leren van patronen of kenmerken in de gegevens. AI is een breed studiegebied dat veel theorieën, methoden en technologieën omvat, evenals de volgende belangrijke deelgebieden:
Machine learning
Machine learning automatiseert het bouwen van analytische modellen. Het gebruikt methoden uit neurale netwerken, statistiek, operationeel onderzoek en natuurkunde om verborgen inzichten in gegevens te vinden zonder expliciet geprogrammeerd te worden ergens te kijken of iets te concluderen.
Neurale netwerken
Een neuraal netwerk is een type machinaal leren dat bestaat uit onderling verbonden eenheden (zoals neuronen) die informatie verwerken door te reageren op externe inputs, waarbij informatie tussen elke eenheid wordt doorgegeven. Het proces vereist meerdere stappen in de gegevens om verbanden te vinden en betekenis af te leiden uit ongedefinieerde gegevens.
Deep learning
Deep learning maakt gebruik van enorme neurale netwerken met vele lagen verwerkingseenheden en maakt gebruik van de vooruitgang in rekenkracht en verbeterde trainingstechnieken om complexe patronen te leren in grote hoeveelheden gegevens. Veel voorkomende toepassingen zijn beeld- en spraakherkenning.
Bovendien maken verschillende technologieën AI mogelijk en ondersteunen ze deze:
Computer vision vertrouwt op patroonherkenning en deep learning om te herkennen wat er op een foto of video staat. Wanneer machines beelden kunnen verwerken, analyseren en begrijpen, kunnen ze in realtime beelden of video's vastleggen en hun omgeving interpreteren.
Natuurlijke taalverwerking ( NLP) is het vermogen van computers om menselijke taal, waaronder spraak, te analyseren, begrijpen en genereren. De volgende fase van Natural Language Processing is natuurlijke taalinteractie, waardoor mensen met computers kunnen communiceren door middel van normale, alledaagse taal om taken uit te voeren.
Grafische verwerkingseenheden zijn essentieel voor AI omdat ze de zware rekenkracht leveren die nodig is voor iteratieve verwerking. Het trainen van neurale netwerken vereist big data plus rekenkracht.
Het internet der dingen genereert enorme hoeveelheden gegevens van aangesloten apparaten, waarvan de meeste niet worden geanalyseerd. Door modellen te automatiseren met AI kunnen we er meer van gebruiken.
Er worden geavanceerde algoritmen ontwikkeld en op nieuwe manieren gecombineerd om meer gegevens sneller en op meerdere niveaus te analyseren. Deze intelligente verwerking is de sleutel tot het identificeren en voorspellen van zeldzame gebeurtenissen, het begrijpen van complexe systemen en het optimaliseren van unieke scenario's.
API's, of application programming interfaces, zijn overdraagbare pakketten code die het mogelijk maken om AI-functionaliteit toe te voegen aan bestaande producten en softwarepakketten. Ze kunnen beeldherkenningsmogelijkheden toevoegen aan beveiligingssystemen voor thuis en Q&A mogelijkheden om gegevens te beschrijven, bijschriften en koppen te maken of interessante patronen en inzichten in gegevens uit te lichten.
Samengevat is het doel van AI om software te maken die kan redeneren op basis van input en kan uitleggen op basis van output. AI zal zorgen voor mensachtige interacties met software en beslissingsondersteuning bieden voor specifieke taken, maar het is geen vervanging voor mensen - en zal dat ook niet snel zijn.
Vervolgstappen
Bekijk hoe Artificial Intelligence-oplossingen de menselijke creativiteit en inspanningen vergroten met AI.
Aanbevolen product voor ARTIFICIËLE INTELLIGENTIE
SAS® Visual Data Mining and Machine Learning
AI wordt vereenvoudigd als je gegevens kunt voorbereiden voor analyse, modellen kunt ontwikkelen met moderne machine-learning algoritmen en tekstanalyse kunt integreren in één product. Bovendien kun je projecten coderen die SAS combineren met andere talen, zoals Python, R, Java of Lua.
Aanbevolen literatuur
-
Artikel
What is synthetic data? And how can you use it to fuel AI breakthroughs?There's no shortage of data in today's world, but it can be difficult, slow and costly to access sufficient high-quality data that’s suitable for training AI models. Learn why synthetic data is so vital for data-hungry AI initiatives, how businesses can use it to unlock growth, and how it can help address ethical challenges.
-
Artikel
How AI and advanced analytics are impacting the financial services industryTop SAS experts weigh in on topics that keep financial leaders up at night – like real-time payments and digital identity. See how advanced analytics and AI can help.
-
Artikel
AI in government: The path to adoption and deploymentThe government sector is lagging in AI adoption, but awareness of the importance of AI in the public sector is increasing. Our survey indicates that operational issues are requiring governments to turn their attention to AI projects as a way to address important public issues.