Искусственный интеллект, машинное обучение, глубокое обучение, и что все это значит
Понимание технологий искусственного интеллекта и того, как они ведут к созданию умных приложений
Уэйн Томпсон (Wayne Thompson), Хой Ли (Hui Li) и Элисон Болен (Alison Bolen)
Технологии искусственного интеллекта (ИИ) открывают перспективу естественного взаимодействия человека с машиной. Если машины станут интеллектуальными, они будут понимать запросы, выявлять взаимосвязи между данными и делать выводы. Они смогут рассуждать, наблюдать и планировать. А что, если…
- Завтра вам нужно поехать в командировку? Ваше интеллектуальное устройство автоматически предоставит вам прогноз погоды в месте назначения и оповестит о возможных проблемах с транспортом.
- Вы планируете торжество по случаю дня рождения? «Умная» программа-бот поможет разослать приглашения, забронировать места и напомнит, что нужно забрать торт из кондитерской.
- Готовите кампанию прямого маркетинга? Интеллектуальный помощник сможет интуитивно сегментировать ваших клиентов для целенаправленной рекламы и поможет достичь более высокого коэффициента реагирования.
Разумеется, речь идет не о роботах-дворецких. Это все-таки не голливудский фильм. Но в последнее время мы вышли на новый уровень познания в области технологий искусственного интеллекта, которые существенно упрощают нашу жизнь.
Здесь стоит разобраться. Если вы все еще неуверенно чувствуете себя в темах искусственного интеллекта, машинного обучения, глубокого обучения, и как они между собой связаны - задавайте вопросы. Такое нередко бывает. И мы хотим вам помочь.
В этой статье мы расскажем об основных компонентах искусственного интеллекта и опишем, как разные технологии, объединившись, помогли развить интеллектуальные способности машин.
Вычислительные достижения искусственного интеллекта
Какие блоки есть у ИИ? Как компьютеры могут взаимодействовать и общаться с людьми? Узнайте об этом на нашем вебинаре.
История создания искусственного интеллекта и машинного обучения
Откуда же возник ИИ? Он развивался постепенно: между появлением первых электронных шахмат и выпуском автомобилей с автопилотом прошел не один десяток лет. Эта научная область зародилась в сфере военных исследований и статистики, в нее также влились определенные знания из философии, психологии, математики и когнитивистики — науки о познании. Изначально искусственный интеллект создавался, чтобы сделать компьютеры более полезными и способными к независимым рассуждениям.
Историки, как правило, связывают зарождение ИИ с Дартмутским научным семинаром 1956 года, на котором обсуждались символьные методы и решение проблем. В 60-х годах это направление привлекло интерес Министерства обороны США: американских военных увлекла идея сделать принципы работы компьютеров более схожими с мыслительной деятельностью человека.
Управление перспективных исследовательских проектов Министерства обороны США (DARPA) в 70-х годах выполнило ряд проектов по созданию виртуальных уличных карт. Кроме того, в 2003 году специалистам DARPA удалось создать интеллектуальных личных помощников, это произошло задолго до начала работ по подобным проектам в компаниях Google, Amazon и Microsoft.
Эти работы проложили путь к использованию принципов автоматизации и формальной логики, применяемых в современных компьютерах.
Where to Start with AI and Machine Learning
What kind of problem are you trying to solve? And what kind of data do you have? asks Kirk Borne, PhD, Principal Data Scientist at Booz Allen Hamilton. "Think big but start small," is part of his philosophy for getting started with machine learning.
Машинное обучение и глубокое обучение — это направления исследований в области искусственного интеллекта
Область искусственного интеллекта содержит множество направлений, включая следующие:
- Машинное обучение - это область знаний, исследующая алгоритмы, которые обучаются на данных с целью найти закономерности. В нем используются методы нейросетей, статистики, исследования операций и т.п. для выявления скрытой полезной информации в данных; при этом явно не программируются инструкции, указывающие, где искать данные и как делать выводы.
- Нейросеть - это один из методов машинного обучения. Это математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
- В глубоком обучении используются сложные нейросети со множеством нейронов и слоев. Для обучения этих глубоких нейросетей, а также для обнаружения сложных закономерностей в огромных массивах данных используются повышенные вычислительные мощности и усовершенствованные методики. Распространенные области применения: распознавание изображений и речи.
- Компьютерное зрение опирается на распознавание шаблонов и на глубокое обучение для распознавания изображений и видео. Машины уже умеют обрабатывать, анализировать и понимать изображения, а также снимать фото или видео и интерпретировать окружающую обстановку.
- Обработка естественного языка - это способность компьютеров анализировать, понимать и синтезировать человеческий язык, включая устную речь. Сейчас мы уже можем управлять компьютерами с помощью обычного языка, используемого в повседневном обиходе. Например, используя Siri или Google assistant.
Хотя в основу машинного обучения заложена идея о том, что компьютеры должны учиться и адаптироваться в зависимости от практического опыта, концепцию искусственного интеллекта можно трактовать гораздо шире, подразумевая, что компьютеры могут проявлять «разумный» подход в процессе выполнения поставленных задач.
В рамках искусственного интеллекта для решения актуальных задач задействуются машинное обучение, глубокое обучение и другие технологии.
Artificial Intelligence applies machine learning, deep learning and other techniques to solve actual problems.
Создание интеллектуальных приложений на основе больших данных и ИИ
Помните разгоревшуюся несколько лет назад шумиху, связанную с большими данными? В чем тогда было дело? Благодаря развитию вычислительной мощности компьютеров и увеличению вместимости хранилищ стало возможным накапливать и обрабатывать больше данных, чем когда-либо раньше. Одновременно мы начали создавать гораздо больше данных за счет подключения к Интернету большего количества компьютеров и устройств и передачи данных с этих устройств.
Благодаря увеличению количества входных данных (языковых и визуальных) были улучшены алгоритмы распознавания речи и изображений. В свою очередь, системы машинного обучения получили гораздо больше информации, на основе которой они могут развиваться.
Этот прогресс приблизил искусственный интеллект к первоначальной цели его разработки — созданию интеллектуальных устройств, которые приспособлены для работы в нашей повседневной жизни. От показа рекомендаций на веб-сайте любимого интернет-магазина до автоматической расстановки тегов к фотографиям в социальных сетях - очень многие привычные онлайн-функции уже используют искусственный интеллект.
Real-world benefits of
artificial intelligence
In health care, treatment effectiveness can be more quickly determined. In retail, add-on items can be more quickly suggested. In finance, fraud can be prevented instead of just detected.
На каком уровне развития искусственный интеллект находится сейчас?
С ИИ вы можете вслух задавать устройствам любые вопросы: о продажах, складских запасах, лояльности покупателей, случаях мошенничества и многом другом, - и получать на них ответы. Компьютеры также могут находить и предоставлять вам информацию, о важности которой вы сами и не задумывались. Они смогут создавать краткую сводку по вашим данным и предлагать разные способы их анализа. Кроме того, можно будет обмениваться информацией, связанной с предыдущими вопросами, поступившими от вас или от других людей, задавших аналогичные вопросы. Вы получите ответы на экране, или устройство произнесёт их вслух.
Как это может работать в реальном мире? В здравоохранении можно будет быстрее оценивать эффективность лечения. В розничной торговле будут быстрее предлагать сопутствующие товары. В финансовой сфере можно будет предотвращать мошенничество, а не просто выявлять его. Возможно и многое другое.
В каждом из этих примеров компьютер понимает, какая нужна информация, выявляет взаимосвязи между всеми переменными, формулирует ответ и автоматически передает его вам вместе с разными вариантами последующих запросов.
Существующий сегодня уровень развития искусственного интеллекта опирается на десятилетия исследований. И нас ожидают еще десятки лет настройки интеллектуального взаимодействия между человеком и машиной.
Об авторах
Уэйн Томпсон (Wayne Thompson) - менеджер по технологиям анализа и обработки данных в SAS. Он стал одним из первопроходцев в области прогнозного анализа в бизнесе, также он является известным спикером, преподавателем, практиком и изобретателем в области технологии прогнозного анализа.
Хой Ли (Hui Li) - старший научный сотрудник в SAS. Она уже более 10 лет занимается машинным обучением, сбором данных, их анализом и статистическим моделированием. Кроме того, на ее счету 15-летний опыт программирования на C и гибридного программирования на C/Matlab.
Элисон Болен (Alison Bolen) - редактор в SAS, она готовит материалы, посвященные аналитике и новым технологиям. Цель ее ежедневной работы — объяснять сложные технологии и процессы простым и понятным языком.
Рекомендуем почитать
- Article Insights Page Why banks need to evolve their approach to climate and ESG riskManaging environmental, social and governance (ESG) risk is important to banks, regulators, investors and consumers – yet there are many interpretations of how to do it. To thrive, organizations must evolve their risk management practices – including those affected by ESG risk.
- Article Public health infrastructure desperately needs modernizationPublic health agencies must flex to longitudinal health crises and acute emergencies – from natural disasters like hurricanes to events like a pandemic. To be prepared, public health infrastructure must be modernized to support connectivity, real-time data exchanges, analytics and visualization.
- Article 3 вопроса, с которых нужно начать улучшения в области прогнозирования и планирования спроса в ритейлеПандемия коренным образом изменила покупательское поведение и клиентский опыт. Онлайн-покупки, возможность самовывоза, доставка сегодня и желательно бесконтактно – это уже необходимость, а не просто преимущество бренда с точки зрения взаимодействия с клиентами.
- Article Beyond IFRS 17 – what's next?IFRS 17 is not just a new accounting standard. Its fundamental objective is to provide transparency and insight to the insurance business while identifying strengths and areas for improvement. Learn how to keep a long-term vision and achieve broader business value beyond the immediate demands of IFRS 17.