讨论什么是 AI 及其重要性
什么是人工智能(AI)?
简单的说,AI是机器的智能行为,这意味着,任何可以感知其环境并相应采取操作的设备都具有AI,通过使用AI,机器可以模仿人的认知功能,如学习和解决问题。
使用人工智能的一个常见例子,是让设备具有扫描功能并且可以解释其物理环境,这样一来,它们就可以四处移动甚至还可以上下楼梯。
要使机器像人类一样行动和反应,我们需要为它们提供来自现实世界的信息,为了模仿人类智能,AI依赖于知识工程,知识工程是AI研究的重要组成部分,具有AI的机器有望像人类一样解决问题,为此,机器需要有关现实世界的广泛知识,换句话说,它们需要了解物体与情景之间的关系,事件的性质、原因和结果等类似知识, 然后处理数据并反馈到软件程序中,在分析数据,最后以人类处理问题的方式对特定问题做出决策。
简单的说,目标是将人类的专业知识转化为可以采用相同数据并得出与人类相同的软件程序,这一将数据提供给软件程序并得出与人类一样的决策的过程也称为建模过程,这个模型从根本上说,就是一个软件算法,将不断优化直到它的决策接近人类所做出的决策,如果对某个特定问题的决策与人类的决策不一致,那么我们会返回模型并进行调试,直到我们改进它为止,就像我们预计的那样,这是一个迭代过程。
AI给我们带来了新的可能性,并推动了业务的增长,各种公司都在使用AI进行创新,公司正在根据用户满意度、反馈、趋势等进行重大投资以改进其产品,它们正在使用AI来实现这一点。
下面介绍几个目前如何使用AI的例子:
检测和阻止安全威胁和欺诈行为;
通过自动呼叫中心或聊天室解决用户的技术问题;
自动执行可重复的任务,如工资表、数据录入和审计;
预测用户的行为并提供建议;
监视社交媒体评论以及根据搜素趋势定制广告内容;
在我们开始了解AI后,我们就会看到类似于机器学习和深度学习的术语,
机器学习(也称为ML)和深度学习(也称为DL)实际上都是AI的子集,
我们可以借助ML和DL来创建AI系统。例如预测用户行为并提出建议的软件程序或者是一个理解人类(例如Alexa)所说的想法和句子的系统。
让我们来讨论一下这些领域以及它们之间的差异,
机器学习通常在显示编程过于僵化或不切实际的情况下部署,与常规计算代码不同,机器学习使用数据生成统计代码,该代码根据从期的输入示例中识别的模式输出正确的结果。
机器学习从处理它已经掌握的有关情境的数据开始,它使用算法处理数框以识别行为的模式和结果,然后解释这些模式以预测未来的结果,这些预测用于做出有关机器学习要执行的下一步的决策,该决策产生结果,然后对这些结果进行评估并添加到数据池中,心数据将影响未来的预测和后续决策,这就是机器学习随着时间的推移进行学习的方式,
机器学习能做什么?
机器学习可以通过庞大的数据集做出预测,通过对数据进行分类,从数据集优化实用程序功能,并提取隐藏的模式和结构,这使得软件程序能够学习并在未来做出预测,深度学习使机器学习更进一步。深度学习使机器能够根据提供的数据来定义自己需要的功能,而不是查找哪些功能。
介绍机器学习和深度学习
例如:区分矩形和圆形。
在这个例子中,传统的机器学习需要我们告诉机器如何区分矩形和圆形,而深度学习向机器展示几个矩形的例子,它分析这些示例并推断定义矩形的共同特征,这样,它可以自行识别是否正在查看矩形,与大脑使用神经元处理信息的方式一样,深度学习使用类似但称为为人工神经网络的人工处理结构体来处理信息,它从分析的数据中构建这些结构,然后根据数据推断有关其目标的特征,然后根据确定性和共同性权衡这些特征,并将它们组织成相互具有层次结构和关系的层次,
下面我们来看圆形和矩形的例子,
如果深度学习机器查看其有关什么是矩形的参考数据,可以推出来矩形是由四个直角边构成的,与机器学习不同,不需要指示深度学习机器去查找边的数量或角度,相反,它会自行将边视为参考数据的共同特征,然后他看到蓝色的大矩形,发现它有四条直角边,然后确定这是一个矩形。他还可以确定紫色正方形为矩形,因为正方形也有四个直角边,即使他的四个边看起来相等,并且它的颜色不是参考数据中包含的颜色,为了帮助理解AI机器学习和深度学习之间的距离。
我们通过一个高级例子来说明如何将这三者应用于人脸识别常见任务,
在这个例子中,人工智能未必知道他正在看三个人,除非已经教会他通过寻找什么来识别人类。这需要创建算法的开发人员进行大量的试验和出错,并且不要求机器必须学习开发人员要求他查找的内容以外的有关人类外表的任何内容,机器可以具有识别头型或肤色的能力,但由于人类外表的多样性,如果没有学习能力,机器可能会他可能会失败,例如,他可能无法识别出一个,因为胡子可能会导致误判,但是通过机器学习您可以提供一个粗略的框架来说明人类的大致外表,并且提供能够通过经验迭代的处理和学习其他人类外表的功能,因此,这里的机器可以识别中间这个图形,因为这个图形最接近机器已经知道的具有类似人脸形状和头发形状的图形例。在确认这个新外表是某个人的脸部后,他就会对基于人脸和头发形状来识别人类的能力变得更加自信,但对棕色头发的颜色不太自信,通过这个新信息,他现在可以识别出3号人物,因为他对面部形状的识别非常有足以弥补他在其他领域(如头发形状和肤色方面)知识的缺乏。
但是因为机器没有准备好,提前识别面部毛发,所以他仍然不具备识别一号人物的能力,这就是为什么深度学习是人脸识别热门选择的原因,通过深度学习,预先为机器提供了大量的人脸参考数据,且与传统的机器学习和或不同的是:通常并没有告诉他具体要去查查什么样的特征,它利用其高度先进的数据处理能力和神经网络来从数据本身获取它还需要查找的重要特征,机器只需查找在其数据中定义的所有人类的共同特征,并在他所看到的内容中查找这些特征,而不需要开发人员提前告诉机器如何识别特定的难以听你的内容,如面部毛发,换句话说,机器定义其目标的基本特征,而不是开发人员进行定义,这就是深度学习与传统机器学习的区别。
-END-