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.
Кроме того, функционирование ИИ обеспечивают следующие технологии:
– Графика. Существование ИИ невозможно без графических процессоров, так как они предоставляют вычислительные мощности, необходимые для итеративной обработки данных. Для обучения нейросетей необходимы «большие данные» и вычислительные ресурсы.
– Интернет вещей собирает колоссальные объемы данных от подключенных устройств. Большая часть этих данных не проанализирована. Автоматизация моделей с помощью ИИ позволит использовать больше таких данных.
– Разрабатываются и по-новому комбинируются более совершенные алгоритмы, которые позволяют быстрее анализировать больший объем данных сразу на нескольких уровнях. Такая интеллектуальная обработка – ключ к выявлению и прогнозированию редких событий, пониманию сложных систем и оптимизации уникальных сценариев.
– API (программные интерфейсы приложений) представляют собой переносимые пакеты кода, благодаря которым функционал ИИ может быть интегрирован в существующие продукты и пакеты программ. С помощью API можно добавить функцию распознавания изображений в домашнюю систему безопасности или вопросно-ответные функции для описания данных, создания титров и заголовков, обнаружения в данных интересных закономерностей и иной полезной информации.
Группы искусственного интеллекта
Рис. 1.2. Виды искусственного интеллекта в общей системе понятий ИИ.
– Слабый ИИ – то, что уже удалось создать. Такой ИИ способен решать определённую задачу, зачастую даже лучше, чем человек.
– Сильный ИИ – способность машины учиться, мыслить, чувствовать, осознавать себя и принимать решения.
– Суперинтеллект – не только не создали, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей.
Машинное обучение
Машинное обучение – это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо.
Для принятия решения необходимо:
– Алгоритм – специальная программа, которая говорит компьютеру, что делать и откуда брать данные.
– Набор данных – примеры, на которых машина тренируется.
– Признаки – то, на что компьютеру смотреть при принятии решения.
Алгоритмы машинного обучения
– Линейная регрессия – применяют, если есть линейная зависимость между переменными.
– Байесовские алгоритмы – применение теоремы Байеса и теории вероятности.
– Нейронные сети – один из методов глубокого обучения.
Глубокое обучение
– Глубокое обучение – подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные данные.
– Нейронные сети – математические модели, созданные по аналогии с биологическими нейронными сетями. Они способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами.
Искусственные нейронные сети
Рис. 1.3. Модель ИНС
Итоги:
Искусственный интеллект – одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.
Машинное обучение – одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.
Глубокое обучение – лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя сама с помощью данных.
Проблемы искусственного интеллекта
Искусственный интеллект сейчас находится в основном на уровне слабого интеллекта. Например, нет возможности уверенно и точно распознавать ограниченные образы.
Рис. 1.4. Проблема распознавания образов в ИИ
Читать дальше