Meny

Hva er kunstig intelligens: definisjon og underfelt av AI

  • Hoved
  • Annen
  • Hva er kunstig intelligens: definisjon og underfelt av AI

what is artificial intelligence

Prøv Instrumentet Vårt For Å Eliminere Problemer

Lær hva som er kunstig intelligens (AI), intelligenselementer og underfelt av AI som maskinlæring, dyp læring, NLP, etc:

Datanettverkssystemet har forbedret den menneskelige livsstilen ved å tilby forskjellige typer dingser og enheter som reduserer menneskelig fysisk og mental innsats for å utføre forskjellige oppgaver. Den kunstige intelligensen er det neste trinnet i denne prosessen for å gjøre den mer effektiv ved å bruke logiske, analytiske og mer produktive teknologier i dette arbeidet.

Denne opplæringen vil forklare hva som er kunstig intelligens og dens definisjon og komponenter ved hjelp av forskjellige eksempler. Vi vil også undersøke forskjellen mellom menneskelig og maskinell intelligens.

Hva er kunstig intelligens

Hva du vil lære:

Hva er kunstig intelligens (AI)?

Det er forskjellige tekniske definisjoner tilgjengelig for å beskrive kunstig intelligens, men alle er veldig komplekse og forvirrende. Vi vil utdype definisjonen med enkle ord for bedre forståelse.

Menneskene regnes som de mest intelligente artene på denne jorden, da de kan løse ethvert problem og analysere stordata med sine ferdigheter som analytisk tenkning, logisk resonnement, statistisk kunnskap og matematisk eller beregningsintelligens.

Med tanke på alle disse kombinasjonene av ferdigheter er kunstig intelligens utviklet for maskiner og roboter som pålegger muligheten til å løse komplekse problemer i maskinene som ligner på de som kan gjøres av mennesker.

Den kunstige intelligensen kan brukes innen alle felt som inkluderer medisinfelt, biler, daglige livsstilsapplikasjoner, elektronikk, kommunikasjon samt datanettverkssystemer.

Så teknisk sett AI i sammenheng med datanettverk kan defineres som dataenheter og nettverkssystem som kan forstå rådataene nøyaktig, samle nyttig informasjon fra disse dataene og deretter bruke disse funnene til å oppnå den endelige løsningen og tildeling av problemet med en fleksibel tilnærming og lett tilpasningsdyktige løsninger.

Elements Of Intelligence

# 1) Resonnement: Det er prosedyren som gjør det mulig for oss å gi de grunnleggende kriteriene og retningslinjene for å bedømme, forutsi og ta beslutning i ethvert problem.

Resonnement kan være av to typer, den ene er generalisert resonnement som er basert på de generelle observerte hendelsene og uttalelsene. Konklusjonen kan være falsk noen ganger i dette tilfellet. Den andre er logisk resonnement, som er basert på fakta, tall og spesifikke uttalelser og spesifikke, nevnte og observerte hendelser. Dermed er konklusjonen riktig og logisk i dette tilfellet.

kvalitetssikringsintervju spørsmål og svar

# 2) Læring: Det er handlingen med å tilegne seg kunnskap og ferdighetsutvikling fra forskjellige kilder som bøker, sanne hendelser i livet, opplevelser, læres av noen eksperter osv. Læringen forbedrer personens kunnskap på felt som han ikke er klar over.

Evnen til læring vises ikke bare av mennesker, men også av noen av dyrene og kunstige intelligente systemer har denne ferdigheten.

Læringen er av forskjellige typer som vervet nedenfor:

  • Lydtalelæring er basert på prosessen når noen lærere holder foredrag, så hører de hørbare studentene det, husker det og bruker det for å få kunnskap fra det.
  • Den lineære læringen er basert på å huske rekkevidden av hendelser som personen har møtt og lært av den.
  • Observasjonslæring betyr læring ved å observere atferd og ansiktsuttrykk fra andre personer eller skapninger som dyr. For eksempel, det lille barnet lærer å snakke ved å etterligne foreldrene sine.
  • Perseptuell læring er basert på læring ved å identifisere og klassifisere det visuelle og objektene og huske dem.
  • Relasjonslæring er basert på læring fra tidligere hendelser og feil og gjør en innsats for å improvisere dem.
  • Romlig læring betyr å lære av grafikk som bilder, videoer, farger, kart, filmer osv. Som vil hjelpe folk med å skape et bilde av dem i tankene når det er behov for fremtidig referanse.

# 3) Problemløsning: Det er prosessen med å identifisere årsaken til problemet og finne ut en mulig måte å løse problemet på. Dette gjøres ved å analysere problemet, ta beslutning, og deretter finne ut mer enn én løsning for å nå den endelige og best egnede løsningen på problemet.

Det endelige mottoet her er å finne den beste løsningen ut fra tilgjengelige for å oppnå de beste resultatene av problemløsing på minimal tid.

# 4) Oppfatning: Det er fenomenet å skaffe, tegne en slutning, velge og systematisere de nyttige dataene fra rå input.

Hos mennesker er oppfatningen avledet fra opplevelsene, sanseorganene og situasjonsforholdene i miljøet. Men når det gjelder oppfatning av kunstig intelligens, tilegnes den av den kunstige sensormekanismen i tilknytning til dataene på en logisk måte.

# 5) Språklig intelligens: Det er fenomenet med ens evne til å distribuere, finne ut, lese og skrive de verbale tingene på forskjellige språk. Det er den grunnleggende komponenten i kommunikasjonsmåten mellom de to eller flere individene og den nødvendige også for analytisk og logisk forståelse.

elementer av intelligens

Forskjellen mellom menneskelig og maskinintelligens

Følgende punkter forklarer forskjellene:

#1) Vi har forklart ovenfor komponentene i menneskelig intelligens på grunnlag av hvilke menneskene utfører forskjellige typer komplekse oppgaver og løser de forskjellige slags særegne problemer i ulike situasjoner.

#to) Mennesket utvikler maskiner med intelligens akkurat som mennesker, og de gir også resultater til det komplekse problemet i svært nær grad, akkurat som mennesker.

# 3) Menneskene skiller dataene etter visuelle og lydmønstre, tidligere situasjoner og omstendighetshendelser, mens de kunstig intelligente maskinene gjenkjenner problemet og håndterer problemet basert på forhåndsdefinerte regler og etterslagsdata.

# 4) Mennesker husker fortidens data og husker det mens de lærte det og holdt i hjernen, men maskinene finner fortidens data ved å søke i algoritmer.

# 5) Med språklig intelligens kan mennesker til og med gjenkjenne det forvrengte bildet og formene og manglende mønstre for tale, data og bilder. Men maskiner har ikke denne intelligensen, og de bruker datalæringsmetodikk og dyp læringsprosess som igjen involverer forskjellige algoritmer for å oppnå de ønskede resultatene.

# 6) Mennesker følger alltid instinkt, visjon, opplevelse, situasjoners situasjon, informasjon, visuelle og rådata som er tilgjengelig, og også de tingene de har blitt lært av noen lærere eller eldste til å analysere, løse ethvert problem og komme ut med noen effektive og meningsfulle resultater av ethvert problem.

På den annen side distribuerer kunstig intelligente maskiner på alle nivåer de forskjellige algoritmene, forhåndsdefinerte trinn, etterslagsdata og maskinlæring for å komme til noen nyttige resultater.

# 7) Selv om prosessen fulgt av maskinene er kompleks og involverer mye prosedyre, fremdeles gir de de beste resultatene i tilfelle å analysere den store kilden til komplekse data, og der den trenger å utføre særegne oppgaver fra forskjellige felt samtidig, nøyaktig og nøyaktig og innenfor den gitte tidsrammen.

Feilfrekvensen i disse tilfellene av maskiner er langt mindre enn mennesker.

Underfelt av kunstig intelligens

Underfelt av kunstig intelligens

# 1) Maskinlæring

Maskinlæring er en funksjon av kunstig intelligens som gir datamaskinen muligheten til automatisk å samle inn data og lære av opplevelsen av problemene eller tilfellene de har møtt i stedet for å være spesielt programmert til å utføre den gitte oppgaven eller arbeidet.

Maskinlæringen understreker veksten av algoritmene som kan granske dataene og forutsi det. Hovedbruken av dette er i helsevesenet der det brukes til diagnostisering av sykdommen, medisinsk skanningstolkning, etc.

Mønstergjenkjenning er en underkategori maskinlæring. Det kan beskrives som automatisk gjenkjenning av tegningen fra rådataene ved hjelp av datalgoritmer.

Et mønster kan være en vedvarende serie med data over tid som brukes til å forutsi en sekvens av hendelser og trender, spesielle egenskaper ved funksjonene til bilder for å identifisere objektene, gjentatt kombinasjon av ord og setninger for språkassistanse, og kan være en spesifikk samling av handlinger av mennesker i ethvert nettverk som kan indikere en viss sosial aktivitet og mange flere ting.

Mønstergjenkjenningsprosessen inkluderer flere trinn. Disse blir forklart som følger:

(i) Datainnsamling og sensing: Dette inkluderer innsamling av rådata som fysiske variabler osv. Og måling av frekvens, båndbredde, oppløsning osv. Dataene er av to typer: treningsdata og læringsdata.

Opplæringsdataene er en der det ikke er noen merking av datasettet, og systemet bruker klynger for å kategorisere dem. Mens læringsdataene har et godt merket datasett slik at det kan brukes direkte med klassifisereren.

(ii) Forbehandling av inngangsdata :Dette inkluderer filtrering av uønskede data som støy fra inngangskilden, og det gjøres gjennom signalbehandling. På dette stadiet blir også filtrering av eksisterende mønstre i inngangsdata gjort for ytterligere referanser.

(iii) Utvinning av funksjoner :Ulike algoritmer utføres som en mønstermatchingsalgoritme for å finne det matchende mønsteret etter behov for funksjoner.

(iv) Klassifisering :Basert på utdataene fra utførte algoritmer og forskjellige modeller lært å få det matchende mønsteret, blir klassen tildelt mønsteret.

(v) Etterbehandling :Her presenteres den endelige produksjonen, og det vil være garantert at det oppnådde resultatet er nesten like sannsynlig å være nødvendig.

Modell for mønstergjenkjenning:

Modell for mønstergjenkjenning

(bilde kilde )

Som vist i figuren ovenfor, vil funksjonen extractor utlede funksjonene fra inngående rådata, som lyd, bilde, video, lyd osv.

Nå vil klassifisereren motta x som inngangsverdi og vil tildele forskjellige kategorier til inngangsverdien som klasse 1, klasse 2…. klasse C. basert på dataklassen, blir ytterligere gjenkjenning og analyse av mønsteret gjort.

Eksempel på gjenkjenning av trekantform gjennom denne modellen:

eksempel på PR

Mønstergjenkjenning brukes i identifikasjons- og autentiseringsprosessorer som stemmebasert anerkjennelse og ansiktsautentisering, i forsvarssystemer for målgjenkjenning og navigasjonsveiledning og bilindustrien.

# 2) Dyp læring

Det er prosessen med å lære ved å behandle og analysere inngangsdataene på flere måter til maskinen oppdager den eneste ønskelige utgangen. Det er også kjent som maskinlæringen.

Maskinen kjører forskjellige tilfeldige programmer og algoritmer for å kartlegge den rå rå sekvensen av inngangsdata som skal sendes ut. Ved å distribuere de forskjellige algoritmene som nevroutvikling og andre tilnærminger som gradient ned på en nevrotopologi, heves utgangen y til slutt fra den ukjente inngangsfunksjonen f (x), forutsatt at x og y er korrelert.

Her interessant, er jobben til nevrale nettverk å finne ut riktig f-funksjon.

Dyp læring vil være vitne til alle mulige menneskelige egenskaper og atferdsmessige databaser og vil utføre veiledet læring. Denne prosessen inkluderer:

  • Oppdagelse av forskjellige typer menneskelige følelser og tegn.
  • Identifiser mennesket og dyrene ved hjelp av bildene, for eksempel ved spesielle tegn, merker eller funksjoner.
  • Stemmegjenkjenning av forskjellige høyttalere og husk dem.
  • Konvertering av video og tale til tekstdata.
  • Identifisering av riktige eller gale bevegelser, klassifisering av spam-ting og svindelsaker (som svindelkrav).

Alle andre egenskaper, inkludert de som er nevnt ovenfor, brukes til å forberede de kunstige nevrale nettverkene ved dyp læring.

Prediktiv analyse: Etter å ha samlet og lært enorme datasett, blir grupperingen av lignende typer datasett gjort ved å nærme seg tilgjengelige modellsett, som å sammenligne den samme typen talesett, bilder eller dokumenter.

Siden vi har gjort klassifiseringen og grupperingen av datasettene, vil vi nærme oss prediksjonen av fremtidige hendelser som er basert på begrunnelsen i de aktuelle hendelsessakene ved å etablere sammenhengen mellom dem begge. Husk at den prediktive avgjørelsen og tilnærmingen ikke er tidsbundet.

Det eneste punktet som du bør huske på når du forutsier, er at produksjonen skal være fornuftig og være logisk.

Ved å gi repeterende tar og selvanalyse, vil løsningen på problemer oppnås ved dette for maskiner. Eksemplet på dyp læring er talegjenkjenning i telefoner som gjør at smarttelefonene kan forstå en annen type aksent fra høyttaleren og konvertere den til meningsfull tale.

# 3) Nevrale nettverk

Nevrale nettverk er hjernen til kunstig intelligens. De er datasystemene som er kopien av nevrale forbindelser i den menneskelige hjerne. De kunstige tilsvarende nevronene i hjernen er kjent som perceptron.

Bunken med forskjellige perseptroner som sammenføyer, gjør de kunstige nevrale nettverkene i maskinene. Før de gir et ønskelig resultat, får nevrale nettverk kunnskap ved å behandle forskjellige opplæringseksempler.

Ved bruk av forskjellige læringsmodeller vil denne prosessen med å analysere data også gi en løsning for mange tilknyttede spørsmål som ikke var besvart tidligere.

Dyp læring i forbindelse med nevrale nettverk kan utfolde flere lag med skjulte data, inkludert utgangslaget for komplekse problemer, og er en hjelpemiddel for underfeltene som talegjenkjenning, naturlig språkbehandling og datasyn, etc.

Nevrale nettverk input-output diagram

(bilde kilde )

De tidligere typene nevrale nettverk var sammensatt av en inngang og en utgang, og bare ett skjult lag eller et enkelt lag perceptron.

De dype nevrale nettverkene består av mer enn ett skjult lag mellom inngangs- og utgangslagene. Derfor kreves det en dyp læringsprosess for å utfolde de skjulte lagene i dataenheten.

I dyplæring av nevrale nettverk er hvert lag dyktig på det unike settet med attributter, basert på utgangsfunksjonene til de forrige lagene. Jo mer du kommer inn i nevrale nettverk, får noden muligheten til å gjenkjenne mer komplekse attributter når de forutsier og rekombinerer utgangene til alle de forrige lagene for å gi den mer klare endelige utgangen.

Hele denne prosessen kalles et funksjonshierarki og også kjent som hierarkiet til de komplekse og immaterielle datasettene. Det forbedrer muligheten til de dype nevrale nettverk til å håndtere veldig store og brede dimensjonale dataenheter som har milliarder av begrensningen, vil gå gjennom de lineære og ikke-lineære funksjonene.

flere lag nevrale nettverk

Hovedspørsmålet som maskinens intelligens sliter med å løse er å håndtere og administrere umerkede og ustrukturerte data i verden som er spredt overalt i alle felt og land. Nå har nevrale garn muligheten til å håndtere ventetid og komplekse funksjoner i disse datasettene.

Den dype læringen i forbindelse med kunstige nevrale nettverk har klassifisert og karakterisert de navngitte og rå dataene som var i form av bilder, tekst, lyd, etc. i en organisert relasjonsdatabase med riktig merking.

For eksempel, dyp læring vil ta som input de tusenvis av rå bilder, og deretter klassifisere dem basert på deres grunnleggende funksjoner og karakterer som alle dyr som hunder på den ene siden, ikke-levende ting som møbler i det ene hjørnet og alle bildene fra familien din på tredje side fullfører dermed det totale bildet, som også er kjent som smart-fotoalbum.

Et annet eksempel, la oss se på tilfellet med tekstdata som input der vi har tusenvis av e-poster. Her vil den dype læringen samle e-postene i forskjellige kategorier som primær-, sosial-, reklamepost- og spam-e-post i henhold til innholdet.

Feedforward Neural Networks: Målet for bruk av nevrale nettverk er å oppnå det endelige resultatet med minimal feil og høyt nøyaktighetsnivå.

Denne prosedyren involverer mange trinn, og hvert av nivåene inkluderer prediksjon, feilhåndtering og vektoppdateringer, noe som er en liten økning i koeffisienten, da den vil bevege seg sakte til de ønskelige funksjonene.

Ved utgangspunktet for nevrale nettverk vet den ikke hvilken vekt og datadel som vil gjøre det til å konvertere inngangen til de beste egnede spådommene. Dermed vil den vurdere alle slags delmengder av data og vekter som modeller for å lage spådommer sekvensielt for å oppnå det beste resultatet, og det lærer hver gang av feilen.

For eksempel, vi kan henvise nevrale nettverk til de små barna som når de blir født, de vet ingenting om verden rundt seg og har ingen intelligens, men når de blir gamle lærer de av livserfaringene og feilene deres for å bli et bedre menneske og intellektuelt.

Arkitekturen til fremovernettverket vises nedenfor med et matematisk uttrykk:

Inngang * vekt = prediksjon
Deretter,
Grunn sannhet - prediksjon = feil
Deretter,
Feil * vektbidrag til feil = justering

Dette kan forklares her, inngangsdatasettet vil kartlegge dem med koeffisientene for å få flere spådommer for nettverket.

Nå blir prediksjonen sammenlignet med grunnfakta som er hentet fra sanntidsscenariene, og fakta slutter erfaring for å finne feilraten. Justeringene er gjort for å håndtere feilen og relatere vektenes bidrag til den.

Disse tre funksjonene er de tre kjernebyggesteinene i nevrale nettverk som scorer input, vurderer tapet og distribuerer en oppgradering til modellen.

Dermed er det en tilbakemeldingssløyfe som vil belønne koeffisientene som støtter i å lage de riktige spådommene og vil forkaste koeffisientene som fører til feil.

Håndskriftgjenkjenning, ansikts- og digital signaturgjenkjenning, manglende mønsteridentifikasjon er noen av sanntidseksemplene på nevrale nettverk.

# 4) Kognitiv databehandling

Hensikten med denne komponenten av kunstig intelligens er å initiere og akselerere samspillet for komplisert oppgaveavvikling og problemløsning mellom mennesker og maskiner.

Mens de arbeider med forskjellige typer oppgaver med mennesker, lærer og forstår maskinene menneskelig atferd, følelser i forskjellige særegne forhold og gjenskaper tankeprosessen til mennesker i en datamodell.

Ved å øve på dette får maskinen evnen til å forstå menneskets språk og bilderefleksjoner. Dermed kan kognitiv tenkning sammen med kunstig intelligens lage et produkt som vil ha menneskelignende handlinger og som også kan ha datahåndteringsegenskaper.

Kognitiv databehandling er i stand til å ta nøyaktige beslutninger i tilfelle komplekse problemer. Dermed brukes den i området som trenger å forbedre løsninger med optimale kostnader, og tilegnes ved å analysere naturlig språk og evidensbasert læring.

For eksempel, Google Assistant er et veldig stort eksempel på kognitiv databehandling.

# 5) Naturlig språkbehandling

Med denne funksjonen av kunstig intelligens kan datamaskiner tolke, identifisere, lokalisere og behandle menneskelig språk og tale.

Konseptet bak å introdusere denne komponenten er å gjøre samspillet mellom maskinene og menneskespråket sømløst, og datamaskinene vil være i stand til å levere logiske responser mot menneskelig tale eller spørsmål.

Naturlig språkbehandling fokuserer både på den verbale og skriftlige delen av menneskelige språk, og betyr både aktive og passive måter å bruke algoritmer på.

Natural Language Generation (NLG) vil behandle og dekode setningene og ordene som mennesker pleide å snakke (verbal kommunikasjon) mens NaturalLanguage Understanding (NLU) vil legge vekt på det skrevne ordforrådet for å oversette språket i teksten eller pikslene som kan forstås av maskiner.

Grafiske brukergrensesnitt (GUI) -baserte applikasjoner på maskinene er det beste eksemplet på naturlig språkbehandling.

De forskjellige typene oversettere som konverterer ett språk til et annet er eksempler på det naturlige språkbehandlingssystemet. Google-funksjonen til stemmeassistent og stemmesøkemotor er også et eksempel på dette.

# 6) Datasyn

Datasynet er en veldig viktig del av kunstig intelligens, ettersom det gjør det mulig for datamaskinen å automatisk gjenkjenne, analysere og tolke de visuelle dataene fra bildene og bildene fra den virkelige verden ved å fange dem og avlytte dem.

Den inneholder ferdighetene med dyp læring og mønstergjenkjenning for å trekke ut innholdet av bilder fra alle gitte data, inkludert bilder eller videofiler i PDF-dokument, Word-dokument, PPT-dokument, XL-fil, grafer og bilder, etc.

Anta at vi har et komplekst bilde av en mengde ting, så det er ikke lett mulig for alle å se bildet og huske det. Datasynet kan inkludere en rekke transformasjoner til bildet for å trekke ut bit- og byte-detaljer om det som de skarpe kantene på gjenstandene, uvanlig design eller farge som brukes osv.

Dette gjøres ved å bruke forskjellige algoritmer ved å anvende matematiske uttrykk og statistikk. Robotene bruker datasynteknologi for å se verden og handle i sanntidssituasjoner.

Anvendelsen av denne komponenten er veldig mye brukt i helsevesenet til å analysere pasientens helsetilstand ved hjelp av en MR-skanning, røntgen, etc. Også brukt i bilindustrien for å håndtere datastyrte biler og droner.

Konklusjon

I denne opplæringen har vi først forklart de ulike elementene i intelligens med et diagram og deres betydning for å bruke intelligens i virkelige situasjoner for å få ønsket resultat.

Deretter har vi utforsket i detalj de forskjellige underfeltene av kunstig intelligens og deres betydning for maskinintelligens og den virkelige verden ved hjelp av matematiske uttrykk, sanntidsapplikasjoner og forskjellige eksempler.

Vi har også lært i detalj om maskinlæring, mønstergjenkjenning og nevrale nettverksbegreper kunstig intelligens som spiller en veldig viktig rolle i alle anvendelser av kunstig intelligens.

I den påfølgende delen av denne opplæringen vil vi undersøke anvendelsen av kunstig intelligens i detalj.

Anbefalt lesing

^