what is artificial intelligence
Apreneu què és la intel·ligència artificial (AI), els elements d’intel·ligència i els subcamps d’IA, com ara l’aprenentatge automàtic, l’aprenentatge profund, la PNL, etc.:
El sistema de xarxes d’ordinadors ha millorat l’estil de vida humà proporcionant els diferents tipus d’aparells i dispositius que redueixen els esforços físics i mentals humans per realitzar diferents tasques. La intel·ligència artificial és el següent pas d’aquest procés per fer-la més eficaç aplicant tecnologies lògiques, analítiques i més productives a aquest esforç.
Aquest tutorial explicarà què és la intel·ligència artificial i la seva definició i components amb l'ajut de diferents exemples. També explorarem la diferència entre intel·ligència humana i màquina.
Què aprendreu:
Què és la intel·ligència artificial (IA)?
Hi ha diverses definicions tècniques disponibles per descriure la intel·ligència artificial, però totes són molt complexes i confuses. Elaborarem la definició amb paraules senzilles per a una millor comprensió.
Es considera que els humans són les espècies més intel·ligents d’aquesta terra, ja que poden resoldre qualsevol problema i analitzar el big data amb les seves habilitats com el pensament analític, el raonament lògic, el coneixement estadístic i la intel·ligència matemàtica o computacional.
Tenint en compte totes aquestes combinacions d’habilitats, la intel·ligència artificial es desenvolupa per a màquines i robots que imposen la capacitat de resoldre problemes complexos a les màquines, semblants als que poden fer els humans.
La intel·ligència artificial és aplicable en tots els camps inclòs el camp de la medicina, automòbils, aplicacions de vida diàries, electrònica, comunicacions i sistemes de xarxes informàtiques.
Així que tècnicament La IA en context de xarxes informàtiques es pot definir com els dispositius i el sistema de xarxa que poden entendre les dades brutes amb precisió, recopilar informació útil a partir d’aquestes dades i utilitzar aquestes conclusions per aconseguir la solució final. i assignació del problema amb un enfocament flexible i solucions fàcilment adaptables.
Elements d’intel·ligència
# 1) Raonament: És el procediment que ens facilita proporcionar els criteris i directrius bàsics per fer un judici, predicció i presa de decisions sobre qualsevol problema.
El raonament pot ser de dos tipus, un és el raonament generalitzat que es basa en les incidències i afirmacions generals observades. La conclusió pot ser falsa de vegades en aquest cas. L’altre és el raonament lògic, que es basa en fets, xifres i afirmacions específiques i incidències específiques, esmentades i observades. Per tant, la conclusió és correcta i lògica en aquest cas.
# 2) Aprenentatge: És l’acció d’adquirir coneixement i desenvolupament d’habilitats de diverses fonts, com ara llibres, veritables incidents de la vida, experiències, ser ensenyats per alguns experts, etc. L’aprenentatge millora el coneixement de la persona en camps que desconeix.
La capacitat d’aprenentatge la mostren no només els humans, sinó també alguns animals i els sistemes intel·ligents artificials posseeixen aquesta habilitat.
L’aprenentatge és de diferents tipus, tal com s’enumera a continuació:
- L’aprenentatge de l’àudio es basa en el procés en què algun professor imparteix conferències, els estudiants audibles l’escolten, els memoritzen i els utilitzen per obtenir-ne coneixements.
- L’aprenentatge lineal es basa en memoritzar la sèrie d’esdeveniments que la persona ha trobat i après d’ella.
- L’aprenentatge observacional significa aprendre observant el comportament i les expressions facials d’altres persones o criatures com els animals. Per exemple, el nen petit aprèn a parlar imitant els seus pares.
- L’aprenentatge perceptiu es basa en l’aprenentatge identificant i classificant els objectes visuals i memoritzant-los.
- L’aprenentatge relacional es basa en aprendre d’incidències i errors passats i fer esforços per improvisar-los.
- L’aprenentatge espacial significa aprendre d’imatges, com ara imatges, vídeos, colors, mapes, pel·lícules, etc. que ajudaran les persones a crear una imatge d’aquests sempre que sigui necessària per a futures referències.
# 3) Resolució de problemes: És el procés per identificar la causa del problema i esbrinar una possible forma de solucionar-lo. Això es fa analitzant el problema, prenent decisions i, a continuació, esbrinant més d’una solució per arribar a la solució final i més adequada per al problema.
El lema final aquí és trobar la millor solució de les disponibles per aconseguir els millors resultats de resolució de problemes en un temps mínim.
# 4) Percepció: És el fenomen d’obtenir, fer una inferència, triar i sistematitzar les dades útils a partir de l’entrada bruta.
En els humans, la percepció es deriva de les experiències, els òrgans dels sentits i les condicions situacionals de l’entorn. Però pel que fa a la percepció de la intel·ligència artificial, l’adquireix el mecanisme del sensor artificial en associació amb les dades d’una manera lògica.
# 5) Intel·ligència lingüística: És el fenomen de la capacitat pròpia de desplegar, esbrinar, llegir i escriure les coses verbals en diferents idiomes. És el component bàsic del mode de comunicació entre els dos o més individus i el necessari també per a la comprensió analítica i lògica.
Diferència entre la intel·ligència humana i la màquina
Els punts següents expliquen les diferències:
# 1) Hem explicat anteriorment els components de la intel·ligència humana sobre la base dels quals l’ésser humà realitza diferents tipus de tasques complexes i resol els diversos tipus de problemes distintius en situacions diverses.
qui és el millor proveïdor de correu electrònic
# 2) L’ésser humà desenvolupa màquines amb intel·ligència igual que els humans i també donen resultats al complex problema fins a molt poc com els humans.
# 3) Els humans distingeixen les dades per patrons visuals i d'àudio, situacions passades i esdeveniments de circumstàncies, mentre que les màquines artificialment intel·ligents reconeixen el problema i manegen el problema basant-se en regles predefinides i dades de retard.
# 4) Els humans memoritzen les dades del passat i les recorden a mesura que les aprenien i les guardaven al cervell, però les màquines trobaran les dades del passat buscant algorismes.
# 5) Amb la intel·ligència lingüística, els humans fins i tot poden reconèixer la imatge i les formes distorsionades i els patrons que falten de veu, dades i imatges. Però les màquines no tenen aquesta intel·ligència i fan servir una metodologia d’aprenentatge per ordinador i un procés d’aprenentatge profund que implica novament diversos algorismes per obtenir els resultats desitjats.
# 6) Els humans sempre segueixen el seu instint, visió, experiència, situacions de circumstàncies, informació circumdant, dades visuals i crues disponibles, i també les coses que alguns professors o ancians els han ensenyat a analitzar, resoldre qualsevol problema i obtenir resultats efectius i significatius. de qualsevol número.
D'altra banda, les màquines intel·ligents artificialment a tots els nivells desplegen els diferents algoritmes, passos predefinits, dades de retard i aprenentatge automàtic per obtenir alguns resultats útils.
# 7) Tot i que el procés seguit per les màquines és complex i implica molts procediments, donen els millors resultats en cas d’analitzar la gran font de dades complexes i on necessita realitzar tasques distintives de diferents camps en el mateix cas de temps amb precisió i amb precisió i dins del període de temps donat.
La taxa d’errors en aquests casos de màquines és molt inferior a la dels humans.
Sub-camps d'Intel·ligència Artificial
# 1) Aprenentatge automàtic
L’aprenentatge automàtic és una característica de la intel·ligència artificial que proporciona a l’ordinador la capacitat de recopilar dades automàticament i aprendre de l’experiència dels problemes o casos que s’han trobat en lloc de programar-los especialment per realitzar la tasca o el treball donats.
L'aprenentatge automàtic posa l'accent en el creixement dels algoritmes que poden examinar les dades i fer-ne prediccions. El principal ús d’aquest és a la indústria sanitària on s’utilitza per al diagnòstic de la malaltia, la interpretació de l’exploració mèdica, etc.
Reconeixement de patró és una subcategoria d’aprenentatge automàtic. Es pot descriure com el reconeixement automàtic del pla de dades brutes mitjançant algoritmes informàtics.
Un patró pot ser una sèrie persistent de dades al llarg del temps que s’utilitza per predir una seqüència d’esdeveniments i tendències, característiques particulars de les característiques de les imatges per identificar els objectes, una combinació recurrent de paraules i frases per ajudar el llenguatge. col·lecció d'accions de persones de qualsevol xarxa que poden indicar alguna activitat social i moltes coses més.
El procés de reconeixement de patrons inclou diversos passos. S’expliquen de la següent manera:
(i) Adquisició i detecció de dades: Això inclou la recopilació de dades en brut, com ara variables físiques, etc., i la mesura de la freqüència, l’amplada de banda, la resolució, etc. Les dades són de dos tipus: dades d’entrenament i dades d’aprenentatge.
Les dades de formació són aquelles en què no es proporciona cap etiquetatge del conjunt de dades i el sistema aplica clústers per classificar-los. Tot i que les dades d’aprenentatge tenen un conjunt de dades ben etiquetat perquè es puguin utilitzar directament amb el classificador.
(ii) Preprocessament de dades d'entrada :Això inclou filtrar les dades no desitjades, com ara el soroll de la font d'entrada, i es fa mitjançant el processament del senyal. En aquesta etapa, també es fa la filtració de patrons preexistents en les dades d’entrada per obtenir més referències.
(iii) Extracció de característiques :Es realitzen diversos algoritmes com un algorisme de coincidència de patrons per trobar el patró de coincidència segons es requereixi en termes de característiques.
(iv) Classificació :Basant-se en la producció d’algoritmes realitzats i en diversos models apresos per obtenir el patró de coincidència, la classe s’assigna al patró.
(v) Post-processament :Aquí es presenta el resultat final i es garantirà que el resultat assolit és gairebé tan probable que sigui necessari.
Model per al reconeixement de patrons:
[imatge font ]
Com es mostra a la figura anterior, l'extracte de funcions obtindrà les funcions de les dades brutes d'entrada, com ara àudio, imatge, vídeo, so, etc.
Ara, el classificador rebrà x com a valor d'entrada i assignarà diferents categories al valor d'entrada, com ara la classe 1, la classe 2 ... classe C. basant-se en la classe de les dades, es realitza un reconeixement i anàlisi addicional del patró.
Exemple de reconeixement de la forma del triangle mitjançant aquest model:
El reconeixement de patrons s’utilitza en processadors d’identificació i autenticació com el reconeixement basat en la veu i l’autenticació facial, en sistemes de defensa per al reconeixement d’objectius i la guia de navegació i la indústria de l’automòbil.
# 2) Aprenentatge profund
És el procés d'aprenentatge processant i analitzant les dades d'entrada mitjançant diversos mètodes fins que la màquina descobreix l'única sortida desitjable. També es coneix com l’autoaprenentatge de les màquines.
La màquina executa diversos programes i algorismes aleatoris per assignar la seqüència bruta d’entrada de dades d’entrada a la sortida. Desplegant els diversos algoritmes com la neuroevolució i altres enfocaments com el gradient descendeixen sobre una topologia neuronal, la sortida y s’eleva finalment a partir de la funció d’entrada desconeguda f (x), suposant que x i y estan correlacionades.
Aquí, curiosament, la feina de les xarxes neuronals és esbrinar la funció f correcta.
L’aprenentatge profund serà testimoni de totes les possibles característiques humanes i bases de dades de comportament i realitzarà un aprenentatge supervisat. Aquest procés inclou:
- Detecció de diferents tipus d’emocions i signes humans.
- Identifiqueu els éssers humans i els animals mitjançant les imatges, com ara per signes, marques o característiques particulars.
- Reconeixement de veu de diferents altaveus i memorització dels mateixos.
- Conversió de vídeo i veu en dades de text.
- Identificació de gestos correctes o incorrectes, classificació de contingut brossa i casos de frau (com ara reclamacions de frau).
La resta de característiques, incloses les esmentades anteriorment, s’utilitzen per preparar les xarxes neuronals artificials mitjançant un aprenentatge profund.
Anàlisi predictiu: Després de recopilar i aprendre grans conjunts de dades, l'agrupació de tipus de conjunts de dades similars es fa apropant-se als conjunts de models disponibles, com comparar el tipus similar de conjunts de veu, imatges o documents.
Com que hem fet la classificació i l'agrupació dels conjunts de dades, abordarem la predicció d'esdeveniments futurs que es basen en la base dels casos d'esdeveniments actuals establint la correlació entre tots dos. Recordeu que la decisió predictiva i l’enfocament no estan limitats en el temps.
L'únic punt que s'ha de tenir present en fer una predicció és que la sortida ha de tenir un cert sentit i ha de ser lògica.
programari per descarregar vídeos de you tube
Donant preses repetitives i autoanàlisi, la solució als problemes s’aconseguirà per a les màquines. L’exemple d’aprenentatge profund és el reconeixement de veu als telèfons que permet als telèfons intel·ligents entendre un altre tipus d’accent del parlant i convertir-lo en un discurs significatiu.
# 3) Xarxes neuronals
Les xarxes neuronals són el cervell de la intel·ligència artificial. Són els sistemes informàtics que són la rèplica de les connexions neuronals del cervell humà. Les neurones artificials corresponents del cervell es coneixen com el perceptró.
La pila de diversos perceptrons que s’uneixen fa que les xarxes neuronals artificials de les màquines. Abans de donar una sortida desitjable, les xarxes neuronals adquireixen coneixement processant diversos exemples de formació.
Amb l’ús de diferents models d’aprenentatge, aquest procés d’anàlisi de dades també donarà una solució a moltes consultes associades a les quals no es va respondre anteriorment.
L’aprenentatge profund en associació amb les xarxes neuronals pot desplegar les múltiples capes de dades ocultes, inclosa la capa de sortida de problemes complexos, i és un ajudant per als subcamps com el reconeixement de parla, el processament del llenguatge natural i la visió per computador, etc.
[imatge font ]
Els tipus anteriors de xarxes neuronals estaven compostes per una entrada i una sortida i per sobre només una capa oculta o una sola capa de perceptró.
Les xarxes neuronals profundes estan compostes per més d’una capa oculta entre les capes d’entrada i sortida. Per tant, cal un procés d’aprenentatge profund per desplegar les capes ocultes de la unitat de dades.
En l’aprenentatge profund de xarxes neuronals, cada capa es basa en el conjunt únic d’atributs, basat en les característiques de sortida de les capes anteriors. Com més accediu a la xarxa neuronal, el node guanya la capacitat de reconèixer atributs més complexos a mesura que prediuen i recombinen les sortides de totes les capes anteriors per produir la sortida final més clara.
Tot aquest procés s’anomena jerarquia de funcions i també coneguda com la jerarquia dels conjunts de dades complexes i intangibles. Millora la capacitat de les xarxes neuronals profundes per manejar unitats de dades dimensionals molt àmplies i àmplies amb milers de milions de restriccions que passaran per les funcions lineals i no lineals.
El principal problema amb què la intel·ligència de la màquina lluita per resoldre és manejar i gestionar les dades no etiquetades i no estructurades del món que es troben repartides per tots els camps i països. Ara les xarxes neuronals tenen la capacitat de manejar la latència i les característiques complexes d’aquests subconjunts de dades.
L’aprenentatge profund en associació amb xarxes neuronals artificials ha classificat i caracteritzat les dades sense nom i crues que es trobaven en forma d’imatges, text, àudio, etc. en una base de dades relacional organitzada amb un etiquetatge adequat.
Per exemple, l'aprenentatge profund prendrà com a entrada els milers d'imatges crues i les classificarà en funció de les seves característiques bàsiques i els seus personatges, com ara tots els animals, com els gossos d'una banda, els éssers no vius, com ara els mobles d'una cantonada i totes les fotos de la vostra família. la tercera cara completa així la foto general, que també es coneix com a àlbums de fotos intel·ligents.
Un altre exemple, considerem el cas de les dades de text com a entrada on tenim milers de correus electrònics. Aquí, l'aprenentatge profund agruparà els correus electrònics en diferents categories, com ara els correus primaris, socials, promocionals i de correu brossa segons el seu contingut.
Xarxes neuronals Feedforward: L’objectiu per utilitzar les xarxes neuronals és aconseguir el resultat final amb un error mínim i un alt nivell de precisió.
Aquest procediment inclou molts passos i cadascun dels nivells inclou la predicció, la gestió d'errors i les actualitzacions de pes, que suposa un lleuger increment del coeficient, ja que passarà lentament a les funcions desitjables.
Al punt de partida de les xarxes neuronals, no sap quin pes i quins subconjunts de dades faran que converti l'entrada en les millors prediccions adequades. Per tant, considerarà tota mena de subconjunts de dades i pesos com a models per fer prediccions de manera seqüencial per aconseguir el millor resultat i aprèn cada vegada del seu error.
Per exemple, podem referir les xarxes neuronals amb els nens petits ja que quan neixen, no saben res del món que els envolta i no tenen intel·ligència, però a mesura que envelleixen aprenen de les seves experiències i errors de la vida per convertir-se en un millor humà i intel·lectual.
A continuació, es mostra l'arquitectura de la xarxa feed-forward mitjançant una expressió matemàtica:
Entrada * pes = predicció
Aleshores,
Veritat fonamental: predicció = error
Aleshores,
Error * contribució del pes a l’error = ajust
Això es pot explicar aquí, el conjunt de dades d'entrada els maparà amb els coeficients per obtenir les prediccions múltiples per a la xarxa.
Ara es compara la predicció amb els fets fonamentals que s’extreuen dels escenaris en temps real, els fets acaben amb l’experiència per trobar la taxa d’errors. Els ajustos es fan per fer front a l’error i relacionar-hi la contribució dels pesos.
Aquestes tres funcions són els tres blocs bàsics de les xarxes neuronals que estan puntuant l'entrada, avaluant la pèrdua i implementant una actualització del model.
Per tant, es tracta d'un bucle de retroalimentació que premiarà els coeficients que ajudin a fer les prediccions correctes i descartarà els coeficients que condueixen a errors.
El reconeixement d’escriptura a mà, el reconeixement de signes digitals i de rostres i la identificació de patrons que falten són alguns dels exemples en temps real de xarxes neuronals.
# 4) Informàtica cognitiva
El propòsit d’aquest component de la intel·ligència artificial és iniciar i accelerar la interacció per a la realització de tasques complexes i la resolució de problemes entre humans i màquines.
Mentre treballen en diversos tipus de tasques amb humans, les màquines aprenen i comprenen el comportament humà, els sentiments en diverses condicions distintives i recreen el procés de pensament dels humans en un model d’ordinador.
Practicant això, la màquina adquireix la capacitat d’entendre el llenguatge humà i les reflexions d’imatges. Així, el pensament cognitiu juntament amb la intel·ligència artificial poden crear un producte que tingui accions semblants a les humanes i que també pugui tenir capacitats de tractament de dades.
La informàtica cognitiva és capaç de prendre decisions precises en cas de problemes complexos. Per tant, s'aplica a l'àrea que necessita millorar les solucions amb costos òptims i s'adquireix analitzant el llenguatge natural i l'aprenentatge basat en l'evidència.
Per exemple, L’assistent de Google és un exemple molt gran d’informàtica cognitiva.
# 5) Processament del llenguatge natural
Amb aquesta característica de la intel·ligència artificial, els ordinadors poden interpretar, identificar, localitzar i processar el llenguatge i la parla humans.
El concepte darrere de la introducció d’aquest component és fer que la interacció entre les màquines i el llenguatge humà sigui perfecta i els ordinadors seran capaços d’oferir respostes lògiques a la parla o la consulta humana.
El processament del llenguatge natural se centra tant en la secció verbal com en la escrita dels llenguatges humans, tant per modes actius com passius d’ús d’algoritmes.
La Generació del Llenguatge Natural (NLG) processarà i descodificarà les frases i les paraules que els humans solien parlar (comunicació verbal) mentre que el NaturalLanguage Understanding (NLU) posarà èmfasi en el vocabulari escrit per traduir la llengua al text o als píxels màquines.
Les aplicacions basades en interfícies gràfiques d'usuari (GUI) de les màquines són el millor exemple de processament del llenguatge natural.
Els diversos tipus de traductors que converteixen una llengua en una altra són exemples del sistema de processament del llenguatge natural. La funció de Google d’assistent de veu i motor de cerca de veu també n’és un exemple.
# 6) Visió per ordinador
La visió per ordinador és una part molt vital de la intel·ligència artificial, ja que facilita que l’ordinador reconegui, analitzi i interpreti automàticament les dades visuals de les imatges i imatges del món real capturant-les i interceptant-les.
Incorpora les habilitats d’aprenentatge profund i reconeixement de patrons per extreure el contingut d’imatges de qualsevol dada donada, incloses imatges o fitxers de vídeo dins de documents PDF, documents Word, documents PPT, fitxers XL, gràfics i imatges, etc.
Suposem que tenim una imatge complexa d’un conjunt de coses, per la qual cosa només és fàcil veure-la i memoritzar-la. La visió per ordinador pot incorporar una sèrie de transformacions a la imatge per extreure els detalls de bits i bytes sobre ella, com ara les vores nítides dels objectes, el disseny o el color inusuals utilitzats, etc.
Això es fa utilitzant diversos algoritmes aplicant expressions matemàtiques i estadístiques. Els robots fan ús de la tecnologia de visió per computador per veure el món i actuar en situacions en temps real.
L’aplicació d’aquest component s’utilitza molt àmpliament a la indústria sanitària per analitzar l’estat de salut del pacient mitjançant una exploració per ressonància magnètica, raigs X, etc. També s’utilitza a la indústria de l’automòbil per tractar vehicles i drons controlats per ordinador.
Conclusió
En aquest tutorial, en primer lloc, hem explicat els diversos elements de la intel·ligència amb un diagrama i la seva importància per aplicar la intel·ligència en situacions de la vida real per obtenir els resultats desitjats.
A continuació, hem explorat detalladament els diversos subcamps de la intel·ligència artificial i la seva importància en la intel·ligència de la màquina i el món real amb l'ajut d'expressions matemàtiques, aplicacions en temps real i diversos exemples.
També hem après detalladament sobre l’aprenentatge automàtic, el reconeixement de patrons i els conceptes de xarxa neuronal d’intel·ligència artificial que tenen un paper molt vital en totes les aplicacions de la intel·ligència artificial.
A la part successiva d’aquest tutorial, explorarem detalladament l’aplicació de la intel·ligència artificial.
Lectura recomanada
- Mineria de dades contra aprenentatge automàtic contra intel·ligència artificial contra aprenentatge profund
- 10+ MILLORS empreses d’intel·ligència artificial (IA) més prometedores [selectiu 2021]
- 10 millors programes d’intel·ligència artificial (ressenyes de programari AI el 2021)
- Una guia completa sobre xarxes neuronals artificials en aprenentatge automàtic
- Els 4 passos per provar la intel·ligència empresarial (BI): com provar dades empresarials
- Tutorial d'aprenentatge automàtic: Introducció a ML i les seves aplicacions
- 25 millors eines d’intel·ligència empresarial (millors eines de BI el 2021)
- Tipus d’aprenentatge automàtic: supervisat contra aprenentatge no supervisat