Εισαγωγή
Η τεχνητή νοημοσύνη είναι παντού στον Τύπο. Η μηχανική μάθηση είναι παντού στις εταιρείες.
Ποιος είναι ο δεσμός μεταξύ αυτών των τριών κλάδων και κυρίως τι τους διαφοροποιεί;
Τάσεις άρθρα AI:
Τεχνητή νοημοσύνη
Πράγματι, στην κοινή φαντασία, όταν μιλάμε για τεχνητή νοημοσύνη, εννοούμε με αυτό ένα πρόγραμμα που μπορεί να εκτελεί ανθρώπινες εργασίες, μαθαίνοντας από μόνο του. Ωστόσο, η τεχνητή νοημοσύνη όπως ορίζεται στον κλάδο είναι μάλλον περισσότερο ή λιγότερο προηγμένοι αλγόριθμοι που μιμούνται τις ανθρώπινες ενέργειες.
Για παράδειγμα, ένα πρόγραμμα που μας λέει αν είμαστε υπέρβαροι (δίνοντάς του το ύψος και το βάρος μας), είναι μια τεχνητή νοημοσύνη: η χρήση της λογικής ΑΝ… ΤΟΤΕ… ΑΛΛΟ… σε ένα πρόγραμμα το κάνει AI, χωρίς αυτή είναι «πραγματικά» έξυπνη. Ομοίως, μια μηχανή Turing είναι AI.
Αντίθετα, μια ισχυρή τεχνητή νοημοσύνη ( AGI ) ή μια τεχνητή υπερνοημοσύνη (ASI) είναι εντελώς αυτόνομες και αυτομάθητες (αλλά δεν υπάρχει προς το παρόν εκ των προτέρων)!
Συνοψίζοντας, αν η Τεχνητή Νοημοσύνη είναι ένα πολύ μεγάλο πεδίο που περιλαμβάνει εν μέρει αλγόριθμους που «δεν σε κάνουν να ονειρεύεσαι», υπάρχουν επίσης πιο αποτελεσματικοί αλγόριθμοι, ειδικά στη μηχανική μάθηση .
Η ΤΕΧΝΗ ΝΟΗΜΟΣΥΝΗ ΕΙΝΑΙ ΕΝΑΣ ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ ΟΠΟΙΟΥ ΤΟ ΑΠΟΤΕΛΕΣΜΑ ΠΡΟΟΡΙΖΕΤΑΙ ΝΑ ΕΙΝΑΙ ΕΛΑΧΙΣΤΟ ΕΥΦΥΝΗ (ΔΗΛΑΔΗ ΠΡΕΠΕΙ ΝΑ ΟΜΙΖΕΙ ΜΕ ΑΥΤΟ ΤΟΥ ΑΝΘΡΩΠΙΝΟΥ ΕΙΔΙΚΟΥ)
Μηχανική μάθηση
Ας ξεκινήσουμε με ένα απλό παράδειγμα: φανταστείτε ότι θέλετε να δημιουργήσετε μια τεχνητή νοημοσύνη που σας δίνει την τιμή ενός διαμερίσματος με βάση την επιφάνειά του .
Στη δεκαετία του 1950, θα είχατε κάνει ένα πρόγραμμα του τύπου «αν η περιοχή είναι μικρότερη από 20 m², η τιμή αξίζει 60.000 €, εάν είναι μεταξύ 20 m² και 30 m², η τιμή αξίζει 80.000 € κ.λπ.», ή ίσως είναι «τιμή = περιοχή * 3.000».
Εάν έχετε έναν φίλο στατιστολόγο , θα μπορούσε στη συνέχεια να σας πει ότι αυτές οι προσεγγίσεις δεν είναι ικανοποιητικές και ότι θα αρκούσε να σημειώσετε την τιμή πολλών διαμερισμάτων των οποίων η περιοχή είναι γνωστή για την εκτίμηση της τιμής ενός διαμέρισμα νέου μεγέθους. δεν αναφέρεται! Ο φίλος σας μόλις γέννησε τη μηχανική μάθηση (που είναι επομένως ένας υποτομέας της τεχνητής νοημοσύνης).
Πράγματι, που εμφανίστηκε στη δεκαετία του 1980, η μηχανική μάθηση (ML) είναι η εφαρμογή στατιστικών μεθόδων σε αλγόριθμους για να γίνουν πιο έξυπνοι. Η πρόκληση του ML είναι να κατασκευάσει καμπύλες που προσεγγίζουν τα δεδομένα και επιτρέπουν τη γενίκευση εύκολα. Επομένως, στηρίζεται στην ικανότητα των αλγορίθμων να λαμβάνουν πολλά δεδομένα και να «μάθουν» από αυτά (δηλαδή να διορθώνουν τις καμπύλες προσέγγισης)!
Η μηχανική μάθηση είναι ένα ευρύ πεδίο, το οποίο περιλαμβάνει πολλούς αλγόριθμους. Μεταξύ των πιο γνωστών είναι:
- Οι παλινδρομήσεις (γραμμική, πολυμεταβλητή πολυωνυμική, τακτοποιημένη λογιστική…): αυτές είναι καμπύλες που προσεγγίζουν τα δεδομένα (βλ. παραπάνω διάγραμμα)
- Ο αλγόριθμος του Naïve Bayes : ο αλγόριθμος δίνει την πιθανότητα της πρόβλεψης, δεδομένων των προηγούμενων γεγονότων. Για παράδειγμα, ποια είναι η πιο πιθανή τιμή δεδομένου ότι το διαμέρισμα είναι 43,7 m².
- Η ομαδοποίηση : πάντα μέσω των μαθηματικών, τα δεδομένα πακέτων θα ομαδοποιούμαστε έτσι ώστε κάθε πακέτο δεδομένων να είναι όσο το δυνατόν πιο κοντά μεταξύ τους. Χρησιμοποιείται ιδιαίτερα για συστάσεις για ταινίες «κοντά» στις ταινίες που έχετε ήδη δει!
- Τα δέντρα απόφασης : απαντώντας σε μια σειρά από ερωτήσεις και ακολουθώντας τα κλαδιά δέντρων που φέρουν αυτές τις απαντήσεις, παίρνουμε ένα αποτέλεσμα (με βαθμολογία πιθανότητας)
- Καθώς και πιο εξελιγμένους αλγόριθμους που βασίζονται σε διάφορες στατιστικές τεχνικές: Τυχαίο δάσος (ένα δάσος από δέντρα απόφασης που ψηφίζουν), Ενίσχυση κλίσης , «Υποστήριξη διανυσματικού μηχανήματος δυνατό >>…
ML = IA + ΣΤΑΤΙΣΤΙΚΑ
Η ML ΠΡΟΣΑΡΜΟΖΕΙ ΑΛΓΟΡΙΘΜΟ ΑΛΛΑ ΧΡΕΙΑΖΕΤΑΙ ΕΜΠΕΙΡΟΣ ΔΕΔΟΜΕΝΩΝ
Από ό,τι μόλις εξηγήθηκε, καταλαβαίνουμε γιατί η ML είναι «αυτομαθησιακή τεχνητή νοημοσύνη»: ο ίδιος ο αλγόριθμος καθορίζει ποια είναι η καλύτερη προσέγγιση των δεδομένων και δεν είναι άνθρωπος που λέει «τους συντελεστές η εξίσωση που προσεγγίζει τα δεδομένα είναι 0,375, 174,83578563 και 283,2874” (γενικά, είναι αδύνατο για έναν άνθρωπο να βρει αυτές τις τιμές, επειδή υπάρχουν πάρα πολλά δεδομένα για να ληφθούν υπόψη… ενώ ένα μηχάνημα έχει «απλώς» να κάνει τους υπολογισμούς ).
Μια γεύση από τη μηχανική μάθηση
Η μηχανική μάθηση μπορεί να εμφανιστεί με πολλές μορφές. Τώρα συζητάμε μια σειρά από
εφαρμογές, τους τύπους δεδομένων με τους οποίους ασχολούνται και, τέλος, επισημοποιούμε το
προβλήματα με κάπως πιο στυλιζαρισμένο τρόπο. Το τελευταίο είναι βασικό αν το θέλουμε
αποφύγετε την επανεφεύρεση του τροχού για κάθε νέα εφαρμογή. Αντίθετα, πολλά από τα
Η τέχνη της μηχανικής μάθησης είναι να μειώνει μια σειρά από αρκετά ανόμοια προβλήματα σε
ένα σύνολο από αρκετά στενά πρωτότυπα. Μεγάλο μέρος της επιστήμης της μηχανικής μάθησης είναι
στη συνέχεια να λύσει αυτά τα προβλήματα και να παρέχει καλές εγγυήσεις για τις λύσεις.
Χρήση τεχνητής νοημοσύνης για τον εντοπισμό, την απόκριση και την ανάκτηση από τον COVID-19
Προτού ακόμη ο κόσμος συνειδητοποιήσει την απειλή που θέτει ο κοροναϊός (COVID-19), τα συστήματα τεχνητής νοημοσύνης (AI) είχαν εντοπίσει την εστία ενός άγνωστου τύπου πνευμονίας στη Λαϊκή Δημοκρατία της Κίνας (εφεξής «Κίνα»). Καθώς η επιδημία έχει γίνει πλέον παγκόσμια πανδημία, τα εργαλεία και οι τεχνολογίες τεχνητής νοημοσύνης μπορούν να χρησιμοποιηθούν για να υποστηρίξουν τις προσπάθειες των υπευθύνων χάραξης πολιτικής, της ιατρικής κοινότητας και της κοινωνίας γενικότερα για τη διαχείριση κάθε σταδίου της κρίσης και των συνεπειών της: ανίχνευση, πρόληψη, απόκριση, ανάκαμψη και να επιταχύνει την έρευνα (Εικόνα 1).
Διαφορά μεταξύ Τεχνητής Νοημοσύνης, Μηχανικής Μάθησης και Βαθιάς Μάθησης
Σήμερα υπάρχουν πολλές παρανοήσεις που σχετίζονται με τις λέξεις μηχανική μάθηση, βαθιά μάθηση και τεχνητή νοημοσύνη (AI), οι περισσότεροι άνθρωποι σκέφτονται όλα αυτά τα πράγματα είναι το ίδιο κάθε φορά που ακούνε τη λέξη AI, συσχετίζουν άμεσα αυτή τη λέξη με τη μηχανική μάθηση ή το αντίστροφο, ναι, αυτά τα πράγματα σχετίζονται μεταξύ τους αλλά δεν είναι ίδια. Ας δούμε πώς.
AI σημαίνει αντιγραφή ενός ανθρώπινου εγκεφάλου, όπως σκέφτεται, λειτουργεί και λειτουργεί ο ανθρώπινος εγκέφαλος. Η αλήθεια είναι ότι δεν είμαστε σε θέση να δημιουργήσουμε μια σωστή τεχνητή νοημοσύνη μέχρι τώρα, αλλά είμαστε πολύ κοντά στην καθιέρωσή της, ένα από τα παραδείγματα της τεχνητής νοημοσύνης είναι η Sophia, το πιο προηγμένο μοντέλο τεχνητής νοημοσύνης που υπάρχει σήμερα. Ο κύριος στόχος εδώ είναι να αυξηθεί το ποσοστό επιτυχίας ενός αλγορίθμου αντί να αυξηθεί η ακρίβεια. Λειτουργεί σαν ένα πρόγραμμα υπολογιστή που κάνει έξυπνη δουλειά.
Η μηχανική μάθηση είναι ένα υποτομείο της τεχνητής νοημοσύνης. Η βασική αρχή εδώ είναι ότι τα μηχανήματα παίρνουν δεδομένα και «μαθαίνουν» μόνα τους. Αυτή τη στιγμή είναι το πιο πολλά υποσχόμενο εργαλείο στο κιτ AI για επιχειρήσεις. Ο κύριος στόχος εδώ είναι να αυξηθεί η ακρίβεια ενός αλγορίθμου αντί του ποσοστού επιτυχίας του.
Υπάρχουν ορισμένα βήματα που εμπλέκονται στη μηχανική μάθηση, τα οποία είναι μια πρόβλεψη, η ταξινόμηση, οι συστάσεις, η ομαδοποίηση και η λήψη αποφάσεων. Όταν και τα πέντε αυτά συνεργάζονται, το ονομάζουμε τεχνητή νοημοσύνη.
Το Deep Learning είναι ένα υποσύνολο του ML. Η κύρια διαφορά μεταξύ βαθιάς και μηχανικής μάθησης είναι ότι τα μοντέλα μηχανικής μάθησης βελτιώνονται σταδιακά, αλλά το μοντέλο χρειάζεται ακόμα κάποια καθοδήγηση. Εάν ένα μοντέλο μηχανικής μάθησης επιστρέψει μια ανακριβή πρόβλεψη, τότε ο προγραμματιστής πρέπει να διορθώσει αυτό το πρόβλημα ρητά, αλλά στην περίπτωση της βαθιάς μάθησης, το μοντέλο το κάνει μόνο του. Το αυτόματο σύστημα οδήγησης αυτοκινήτου είναι ένα καλό παράδειγμα βαθιάς μάθησης.
Σε αυτό το σεμινάριο, θα εξετάσουμε τις κοινές μεθόδους μηχανικής εκμάθησης της εποπτευόμενης και χωρίς επίβλεψη μάθησης και κοινές αλγοριθμικές προσεγγίσεις στη μηχανική μάθηση, συμπεριλαμβανομένου του αλγόριθμου k-πλησιέστερου γείτονα, της εκμάθησης δέντρων αποφάσεων και της βαθιάς μάθησης. Θα διερευνήσουμε ποιες γλώσσες προγραμματισμού χρησιμοποιούνται περισσότερο στη μηχανική εκμάθηση, παρέχοντάς σας μερικά από τα θετικά και αρνητικά χαρακτηριστικά καθεμιάς. Επιπλέον, θα συζητήσουμε τις προκαταλήψεις που διαιωνίζονται από τους αλγόριθμους μηχανικής μάθησης και θα εξετάσουμε τι μπορεί να ληφθεί υπόψη για να αποφευχθούν αυτές οι προκαταλήψεις κατά τη δημιουργία αλγορίθμων.
