Читать книгу Искусственный интеллект для всех - Владимир Мишин - Страница 2

Помните те школьные уроки, которые следовали заданным траекториям обучения? Они могут не иметь возможности адаптироваться к индивидуальным стилям обучения. Когнитивные вычисления – это одна из таких технологий, которая может оценивать производительность человека и предлагать персонализированные рекомендации.

Когнитивные вычисления обеспечивают расширенную функциональность, адаптивность и интеллект в различных областях. Термин «когнитивные» включает в себя интеллектуальную деятельность, такую окак мышление, рассуждение и решение задач. Аналогично, когнитивные вычисления направлены на создание систем, имитирующих эти когнитивные процессы человека. Это раздел в ИИ, который имитирует мыслительные процессы человека для создания интеллектуальных машин. Когнитивные вычисления делают машины активными партнёрами, а не просто инструментами.

Эти передовые системы делают больше, чем просто выполняют команды. Они понимают ваши потребности, предугадывают ваши вопросы и заблаговременно предоставляют ценную информацию. Например, когнитивная вычислительная система может помочь банку обнаружить мошеннические транзакции, или её может использовать компания для улучшения поддержки клиентов через чат-бот.

Когда мы, люди, стремимся понять что-то и принять решение, мы проходим четыре ключевых этапа. Во-первых, мы наблюдаем видимые явления и совокупность доказательств. Во-вторых, мы опираемся на то, что нам известно, чтобы интерпретировать то, что мы видим, и сформулировать гипотезу о том, что это значит. В-третьих, мы оцениваем, какие гипотезы верны, а какие нет. Наконец, мы решаем выбрать вариант, который кажется лучшим, и действовать соответствующим образом.

Подобно тому, как люди становятся экспертами, проходя процесс наблюдения, оценки и принятия решений, когнитивные системы используют похожие процессы для анализа прочитанной информации, и они могут делать это с огромной скоростью и в больших масштабах.

Когнитивные вычисления состоят из трёх основных элементов: восприятия, обучения и рассуждения. Давайте посмотрим, как эти процессы функционируют для имитации принятия решений и человекоподобного интеллекта. Восприятие – основа когнитивных вычислений для интерпретации и понимания окружающей среды. Компоненты восприятия включают сенсорику, где данные, структурированные или неструктурированные, собираются из различных источников. Когнитивные вычисления используют алгоритмы машинного обучения для анализа данных и извлечения содержательной информации из данных.

Анализируя закономерности и тенденции в данных, система получает подробное представление о сложных взаимосвязях и делает точные прогнозы. Этот повторяющийся процесс подчеркивает эволюционирующий характер когнитивных вычислений. К числу ключевых преимуществ когнитивных вычислений относится повышение качества принятия решений благодаря анализу огромных наборов данных. Они повышают эффективность, экономя время и ресурсы за счет автоматизации задач. Кроме того, они обеспечивают более интерактивное общение между машинами и людьми с помощью обработки естественного языка.

Когнитивные вычисления имеют множество приложений – от здравоохранения и финансов до образования и развлечений. Несколько компаний из различных отраслей используют когнитивные вычисления для улучшения своих продуктов, услуг и операционной деятельности. Среди ярких примеров платформа IBM Watson, которая использует когнитивные вычисления в сферах здравоохранения, финансов, розничной торговли и обслуживания клиентов.

Google использует когнитивные методы в своих продуктах и услугах, включая Google Поиск, Google Ассистент и Google Переводчик.

Виртуальный помощник Alexa от Amazon использует когнитивные вычисления для понимания и реагирования на голосовые команды, управления устройствами умного дома и предоставления персонализированных рекомендаций пользователям.

JPMorgan Chase и Wells Fargo используют когнитивные вычисления для обнаружения мошенничества, оценки рисков и автоматизации обслуживания клиентов.

В эпоху ИИ понимание языка, ключевых терминов и связанных с ним концепций ИИ становится критически важным. Например, автономные транспортные средства или беспилотные автомобили в значительной степени зависят от технологий ИИ, таких как машинное обучение, глубокое обучение, обработка естественного языка и компьютерное зрение, для навигации и принятия решений в режиме реального времени.

Понимание этих ключевых терминов может дать ценную информацию о том, как работают эти транспортные средства, их преимуществах и проблемах.

Прежде чем обсуждать различные термины и ключевые концепции ИИ, давайте начнём с понимания ИИ. Искусственный интеллект – это раздел компьютерной науки, фокусирующийся на создании систем, способных выполнять задачи, обычно требующие человеческого интеллекта.

Системы ИИ обычно демонстрируют поведение, связанное с человеческим интеллектом, такое как планирование, обучение, рассуждение, решение задач, представление знаний, восприятие, движение, манипулирование, социальный интеллект и креативность.

ИИ подразделяется на узкий ИИ, общий ИИ и супер ИИ. Узкий ИИ, или слабый ИИ, выполняет конкретные задачи. Общий ИИ, также известный как сильный ИИ, обладает когнитивными навыками, подобными человеческим, и способен обучаться и адаптироваться для решения различных задач, в то время как супер ИИ стремится превзойти человеческий интеллект и в настоящее время находится в стадии теоретического развития, но пока не реализован.

Машинное обучение – это подмножество ИИ, которое использует компьютерные алгоритмы для анализа данных и принятия разумных решений на основе полученных знаний без явного программирования.

Алгоритмы машинного обучения обучаются на больших наборах данных и обучаются на примерах. Они не следуют алгоритмам, основанным на правилах. Машинное обучение позволяет машинам самостоятельно решать задачи и делать точные прогнозы, используя предоставленные данные.

Глубокое обучение – важная концепция и специализированное подмножество машинного обучения. Оно использует многослойные нейронные сети, известные как глубокие нейронные сети, для анализа сложных данных и имитации принятия решений человеком. Алгоритмы глубокого обучения могут маркировать и категоризировать информацию и выявлять сложные закономерности в данных. Это позволяет системам ИИ непрерывно обучаться и повышать качество и точность результатов, оценивая правильность решений.

Еще одна важная концепция – нейронные сети, вычислительная модель, вдохновленная нейронной структурой человеческого мозга. Нейронные сети состоят из взаимосвязанных узлов или нейронов и имеют три слоя. Входной слой получает и обрабатывает необработанные данные, а скрытые слои выполняют сложные вычисления и преобразуют данные. Выходной слой преобразует обработанные данные в выходной формат, получая результат.

Машинное обучение, подвид искусственного интеллекта, использует компьютерные алгоритмы для анализа данных и принятия разумных решений на основе полученных знаний. Вместо того, чтобы следовать алгоритмам, основанным на правилах, машинное обучение строит модели для классификации данных и построения прогнозов на их основе.

Давайте разберёмся в этом на примере задачи, которую мы можем решить с помощью машинного обучения. Что, если мы хотим определить, может ли произойти сердечная недостаточность? Можно ли решить эту проблему с помощью машинного обучения? Ответ – да.

Допустим, нам даны наборы данных, такие как частота ударов в минуту, индекс массы тела, возраст, пол и результат определения того, произошел ли сердечный приступ. С помощью машинного обучения мы можем обучаться и создавать модель, которая на основе заданных входных данных будет прогнозировать результаты.

В чём же разница между этим способом и использованием статистического анализа для создания алгоритма? Алгоритм – это математический метод. В традиционном программировании мы берём данные и правила и используем их для разработки алгоритма, который даст нам ответ. В предыдущем примере, если бы мы использовали традиционный алгоритм, мы бы взяли данные, такие как частота сердечных сокращений в минуту и индекс массы тела (ИМТ), и использовали бы их для создания алгоритма, который определит, произойдет ли остановка сердца. По сути, это был бы оператор типа «если-то-иначе». При отправке входных данных мы получаем ответы, основанные на выбранном нами алгоритме, и этот алгоритм не изменится.

Машинное обучение, с другой стороны, берет данные и ответы и создает алгоритм. Вместо того, чтобы получать ответы в конечном итоге, у нас уже есть ответы. Мы получаем набор правил, определяющих, какой будет модель машинного обучения. Модель определяет правила и оператор «если-то-иначе», когда получает входные данные. По сути, модель определяет параметры традиционного алгоритма, и вместо того, чтобы произвольно решать, что частота сердечных сокращений плюс ИМТ равняется определенному результату, мы используем модель для определения логики. Эта модель, в отличие от традиционного алгоритма, может непрерывно обучаться и использоваться в будущем для прогнозирования значений.

Машинное обучение основано на определении поведенческих правил путем изучения и сравнения больших наборов данных для поиска общих закономерностей. Например, мы можем предоставить программе машинного обучения большой объем изображений птиц и обучить модель возвращать метку «птица» при каждом предоставлении изображения птицы. Мы также можем создать метку для кошки и предоставить изображения кошек для обучения. Когда машинной модели показывают изображение кошки или птицы, она будет маркировать изображение с определенной степенью уверенности.