what is artificial intelligence
Scopri cos'è l'intelligenza artificiale (AI), gli elementi di intelligenza e i sottocampi dell'IA come machine learning, deep learning, NLP, ecc:
voglio essere un tester del prodotto
Il sistema di reti informatiche ha migliorato lo stile di vita umano fornendo i diversi tipi di gadget e dispositivi che riducono gli sforzi fisici e mentali umani per svolgere compiti diversi. L'intelligenza artificiale è il passo successivo in questo processo per renderlo più efficace applicando tecnologie logiche, analitiche e più produttive in questo sforzo.
Questo tutorial spiegherà cos'è l'intelligenza artificiale e la sua definizione e i suoi componenti con l'aiuto di diversi esempi. Esploreremo anche la differenza tra intelligenza umana e intelligenza artificiale.
Cosa imparerai:
Cos'è l'intelligenza artificiale (AI)?
Sono disponibili varie definizioni tecniche per descrivere l'Intelligenza Artificiale, ma tutte sono molto complesse e confuse. Elaboreremo la definizione in parole semplici per una migliore comprensione.
Gli umani sono considerati le specie più intelligenti su questa terra in quanto possono risolvere qualsiasi problema e analizzare i big data con le loro abilità come il pensiero analitico, il ragionamento logico, la conoscenza statistica e l'intelligenza matematica o computazionale.
Tenendo a mente tutte queste combinazioni di abilità, l'intelligenza artificiale è sviluppata per macchine e robot che impongono la capacità di risolvere problemi complessi nelle macchine simili a quelli che possono essere fatti dagli esseri umani.
L'intelligenza artificiale è applicabile in tutti i campi, compreso il campo della medicina, le automobili, le applicazioni dello stile di vita quotidiano, l'elettronica, le comunicazioni e i sistemi di rete di computer.
Quindi tecnicamente il L'intelligenza artificiale nel contesto delle reti di computer può essere definita come i dispositivi informatici e il sistema di rete in grado di comprendere accuratamente i dati grezzi, raccogliere informazioni utili da tali dati e quindi utilizzare tali risultati per ottenere la soluzione finale e assegnazione del problema con un approccio flessibile e soluzioni facilmente adattabili.
Elementi di intelligenza
# 1) Ragionamento: È la procedura che ci facilita nel fornire i criteri e le linee guida di base per formulare un giudizio, una previsione e un processo decisionale in qualsiasi problema.
Il ragionamento può essere di due tipi, uno è il ragionamento generalizzato che si basa sulle incidenze e sulle affermazioni generali osservate. La conclusione può essere falsa a volte in questo caso. L'altro è il ragionamento logico, che si basa su fatti, cifre e dichiarazioni specifiche e incidenze specifiche, menzionate e osservate. Quindi la conclusione è corretta e logica in questo caso.
# 2) Apprendimento: È l'azione di acquisire conoscenza e sviluppo di abilità da varie fonti come libri, veri incidenti di vita, esperienze, insegnamenti di alcuni esperti, ecc. L'apprendimento migliora la conoscenza della persona in campi di cui non è a conoscenza.
La capacità di apprendimento è mostrata non solo dagli esseri umani ma anche da alcuni degli animali e i sistemi intelligenti artificiali possiedono questa abilità.
L'apprendimento è di diversi tipi come elencato di seguito:
- L'apprendimento del parlato audio si basa sul processo in cui un insegnante tiene una lezione, quindi gli studenti udibili lo ascoltano, lo memorizzano e quindi lo usano per acquisire conoscenza da esso.
- L'apprendimento lineare si basa sulla memorizzazione della serie di eventi che la persona ha incontrato e da cui ha imparato.
- Apprendimento osservazionale significa apprendimento osservando il comportamento e le espressioni facciali di altre persone o creature come gli animali. Per esempio, il bambino piccolo impara a parlare imitando i genitori.
- L'apprendimento percettivo si basa sull'apprendimento identificando e classificando le immagini e gli oggetti e memorizzandoli.
- L'apprendimento relazionale si basa sull'apprendimento dalle incidenze e dagli errori del passato e sul fare sforzi per improvvisarli.
- L'apprendimento spaziale significa imparare da elementi visivi come immagini, video, colori, mappe, filmati, ecc. Che aiuteranno le persone a creare un'immagine di coloro in mente ogni volta che sarà necessaria per riferimento futuro.
# 3) Risoluzione dei problemi: È il processo per identificare la causa del problema e trovare un modo possibile per risolverlo. Questo viene fatto analizzando il problema, il processo decisionale e quindi trovando più di una soluzione per raggiungere la soluzione finale e più adatta al problema.
Il motto finale qui è trovare la migliore soluzione tra quelle disponibili per ottenere i migliori risultati di risoluzione dei problemi in tempi minimi.
# 4) Percezione: È il fenomeno di ottenere, trarre un'inferenza, scegliere e sistematizzare i dati utili dall'input grezzo.
Negli esseri umani, la percezione deriva dalle esperienze, dagli organi di senso e dalle condizioni situazionali dell'ambiente. Ma per quanto riguarda la percezione dell'intelligenza artificiale, viene acquisita dal meccanismo del sensore artificiale in associazione con i dati in modo logico.
# 5) Intelligenza linguistica: È il fenomeno della capacità di dispiegare, capire, leggere e scrivere le cose verbali in diverse lingue. È la componente base della modalità di comunicazione tra i due o più individui e quella necessaria anche per la comprensione analitica e logica.
Differenza tra intelligenza umana e artificiale
I seguenti punti spiegano le differenze:
# 1) Abbiamo spiegato sopra le componenti dell'intelligenza umana sulla base delle quali l'essere umano esegue diversi tipi di compiti complessi e risolve i vari tipi di problemi distintivi in diverse situazioni.
#Due) L'umano sviluppa macchine con intelligenza proprio come gli umani e anche loro danno risultati al problema complesso in misura molto vicina proprio come gli umani.
# 3) Gli umani distinguono i dati in base a schemi visivi e audio, situazioni passate ed eventi di circostanze, mentre le macchine artificialmente intelligenti riconoscono il problema e gestiscono il problema in base a regole predefinite e dati arretrati.
# 4) Gli esseri umani memorizzano i dati del passato e li ricordano come li hanno appresi e conservati nel cervello, ma le macchine troveranno i dati del passato cercando algoritmi.
# 5) Con l'intelligenza linguistica, gli esseri umani possono persino riconoscere l'immagine e le forme distorte e gli schemi mancanti di voce, dati e immagini. Ma le macchine non hanno questa intelligenza e usano la metodologia di apprendimento del computer e il processo di apprendimento profondo che coinvolge di nuovo vari algoritmi per ottenere i risultati desiderati.
# 6) Gli esseri umani seguono sempre il loro istinto, visione, esperienza, circostanze, situazioni, informazioni circostanti, dati visivi e grezzi disponibili, e anche le cose che sono state insegnate da alcuni insegnanti o anziani ad analizzare, risolvere qualsiasi problema e ottenere risultati efficaci e significativi di qualsiasi problema.
D'altra parte, le macchine artificialmente intelligenti a ogni livello distribuiscono i vari algoritmi, passaggi predefiniti, dati di backlog e apprendimento automatico per arrivare a risultati utili.
# 7) Sebbene il processo seguito dalle macchine sia complesso e richieda molte procedure, tuttavia danno i migliori risultati in caso di analisi della grande fonte di dati complessi e dove deve eseguire compiti distintivi di diversi campi nello stesso istante di tempo in modo preciso e in modo accurato ed entro il periodo di tempo stabilito.
Il tasso di errore in questi casi di macchine è molto inferiore a quello degli esseri umani.
Sottocampi dell'intelligenza artificiale
# 1) Apprendimento automatico
L'apprendimento automatico è una caratteristica dell'intelligenza artificiale che fornisce al computer la capacità di raccogliere automaticamente dati e apprendere dall'esperienza dei problemi o dei casi che hanno incontrato piuttosto che programmati appositamente per eseguire il compito o il lavoro dato.
Il machine learning enfatizza la crescita degli algoritmi che possono esaminare i dati e fare previsioni. L'uso principale di questo è nel settore sanitario dove viene utilizzato per la diagnosi della malattia, l'interpretazione della scansione medica, ecc.
Riconoscimento di modelli è una sottocategoria dell'apprendimento automatico. Può essere descritto come il riconoscimento automatico del progetto dai dati grezzi utilizzando algoritmi informatici.
Un modello può essere una serie persistente di dati nel tempo che viene utilizzata per prevedere una sequenza di eventi e tendenze, caratteristiche particolari delle caratteristiche delle immagini per identificare gli oggetti, combinazione ricorrente di parole e frasi per l'assistenza linguistica e può essere una specifica raccolta di azioni di persone in qualsiasi rete che possono indicare alcune attività sociali e molte altre cose.
Il processo di riconoscimento del modello comprende diversi passaggi. Questi sono spiegati come segue:
(i) Acquisizione e rilevamento dati: Ciò include la raccolta di dati grezzi come variabili fisiche, ecc. E la misurazione di frequenza, larghezza di banda, risoluzione, ecc. I dati sono di due tipi: dati di addestramento e dati di apprendimento.
I dati di addestramento sono quelli in cui non viene fornita alcuna etichettatura del set di dati e il sistema applica i cluster per classificarli. Mentre i dati di apprendimento hanno un set di dati ben etichettato in modo che possa essere utilizzato direttamente con il classificatore.
(ii) Pre-elaborazione dei dati di input :Ciò include il filtraggio dei dati indesiderati come il rumore dalla sorgente di ingresso e viene eseguito attraverso l'elaborazione del segnale. In questa fase, viene eseguito anche il filtraggio dei modelli preesistenti nei dati di input per ulteriori riferimenti.
(iii) Estrazione delle caratteristiche :Vari algoritmi vengono eseguiti come un algoritmo di corrispondenza del modello per trovare il modello di corrispondenza come richiesto in termini di caratteristiche.
(iv) Classificazione :In base all'output degli algoritmi eseguiti e ai vari modelli appresi per ottenere il modello di corrispondenza, la classe viene assegnata al modello.
(v) Post-elaborazione :Qui viene presentato l'output finale e si avrà la certezza che il risultato raggiunto è quasi altrettanto probabile che sia necessario.
Modello per il riconoscimento del modello:
[Immagine fonte ]
Come mostrato nella figura sopra, l'estrattore di funzionalità ricaverà le funzionalità dai dati grezzi di input, come audio, immagine, video, sonoro, ecc.
Ora, il classificatore riceverà x come valore di input e assegnerà diverse categorie al valore di input come classe 1, classe 2…. classe C. in base alla classe dei dati, vengono effettuati ulteriori riconoscimenti e analisi del modello.
Esempio di riconoscimento della forma triangolare tramite questo modello:
Il riconoscimento del modello viene utilizzato nei processori di identificazione e autenticazione come il riconoscimento vocale e l'autenticazione facciale, nei sistemi di difesa per il riconoscimento del bersaglio e la guida alla navigazione e nell'industria automobilistica.
# 2) Apprendimento profondo
È il processo di apprendimento elaborando e analizzando i dati di input con diversi metodi finché la macchina non scopre il singolo output desiderabile. È anche noto come autoapprendimento delle macchine.
La macchina esegue vari programmi e algoritmi casuali per mappare la sequenza grezza di input dei dati di input all'output. Distribuendo i vari algoritmi come la neuroevoluzione e altri approcci come il gradiente discendente su una topologia neurale, l'output y viene infine elevato dalla funzione di input sconosciuta f (x), assumendo che x e y siano correlati.
Qui è interessante notare che il compito delle reti neurali è trovare la funzione f corretta.
L'apprendimento profondo testimonierà tutte le possibili caratteristiche umane e database comportamentali ed eseguirà l'apprendimento supervisionato. Questo processo include:
- Rilevamento di diversi tipi di emozioni e segni umani.
- Identifica l'uomo e gli animali dalle immagini come da segni, segni o caratteristiche particolari.
- Riconoscimento vocale di diversi altoparlanti e memorizzarli.
- Conversione di video e voce in dati di testo.
- Identificazione di gesti giusti o sbagliati, classificazione di spam e casi di frode (come reclami di frode).
Tutte le altre caratteristiche, comprese quelle sopra menzionate, vengono utilizzate per preparare le reti neurali artificiali mediante il deep learning.
Analisi predittiva: Dopo aver raccolto e appreso enormi set di dati, il raggruppamento di tipi simili di set di dati viene eseguito avvicinandosi ai set di modelli disponibili, come il confronto di tipi simili di set di discorsi, immagini o documenti.
Dal momento che abbiamo eseguito la classificazione e il raggruppamento dei set di dati, ci avvicineremo alla previsione di eventi futuri che si basano sulla base dei casi di eventi presenti stabilendo la correlazione tra entrambi. Ricorda che la decisione e l'approccio predittivo non sono vincolati nel tempo.
L'unico punto che dovrebbe essere tenuto presente mentre si fa una previsione è che l'output dovrebbe avere un senso e dovrebbe essere logico.
Fornendo riprese ripetitive e autoanalisi, la soluzione ai problemi sarà raggiunta da questo per le macchine. L'esempio dell'apprendimento profondo è il riconoscimento vocale nei telefoni che consente agli smartphone di comprendere un diverso tipo di accento del parlante e convertirlo in un discorso significativo.
# 3) Reti neurali
Le reti neurali sono il cervello dell'intelligenza artificiale. Sono i sistemi informatici che sono la replica delle connessioni neurali nel cervello umano. I corrispondenti neuroni artificiali del cervello sono noti come perceptron.
La pila di vari perceptron che si uniscono insieme forma le reti neurali artificiali nelle macchine. Prima di fornire un output desiderabile, le reti neurali acquisiscono conoscenza elaborando vari esempi di addestramento.
Con l'uso di diversi modelli di apprendimento, questo processo di analisi dei dati fornirà anche una soluzione per molte query associate a cui non era stata data risposta in precedenza.
L'apprendimento profondo in associazione con le reti neurali può svelare i molteplici livelli di dati nascosti incluso lo strato di output di problemi complessi ed è un aiuto per i sottocampi come il riconoscimento vocale, l'elaborazione del linguaggio naturale e la visione artificiale, ecc.
[Immagine fonte ]
I primi tipi di reti neurali erano composti da un input e un output e più in alto solo da uno strato nascosto o da un solo strato di perceptron.
Le reti neurali profonde sono composte da più di uno strato nascosto tra i livelli di input e output. Pertanto è necessario un processo di apprendimento profondo per svelare gli strati nascosti dell'unità di dati.
Nell'apprendimento approfondito delle reti neurali, ogni livello è esperto sul set univoco di attributi, in base alle caratteristiche di output dei livelli precedenti. Più si entra nella rete neurale, il nodo acquisisce la capacità di riconoscere attributi più complessi mentre prevedono e ricombinano gli output di tutti i livelli precedenti per produrre l'output finale più chiaro.
L'intero processo è chiamato gerarchia delle caratteristiche e noto anche come la gerarchia dei set di dati complessi e intangibili. Migliora la capacità delle reti neurali profonde di gestire unità di dati di dimensioni molto grandi e larghe che hanno miliardi di vincoli passeranno attraverso le funzioni lineari e non lineari.
Il problema principale con cui l'intelligenza artificiale sta lottando per risolvere è gestire e gestire i dati non etichettati e non strutturati nel mondo che sono sparsi ovunque in tutti i campi e paesi. Ora le reti neurali hanno la capacità di gestire la latenza e le caratteristiche complesse di questi sottoinsiemi di dati.
L'apprendimento profondo in associazione con reti neurali artificiali ha classificato e caratterizzato i dati non nominati e grezzi che erano sotto forma di immagini, testo, audio, ecc. In un database relazionale organizzato con un'adeguata etichettatura.
Per esempio, l'apprendimento profondo prenderà come input le migliaia di immagini grezze, quindi le classificherà in base alle loro caratteristiche e caratteri di base come tutti gli animali come i cani da un lato, le cose non viventi come i mobili da un angolo e tutte le foto della tua famiglia su il terzo lato completando così la foto complessiva che è anche conosciuta come album di foto intelligenti.
Un altro esempio, consideriamo il caso dei dati di testo come input in cui abbiamo migliaia di e-mail. Qui, l'apprendimento profondo raggrupperà le e-mail in diverse categorie come e-mail primarie, sociali, promozionali e di spam secondo il loro contenuto.
Reti neurali feedforward: L'obiettivo per l'utilizzo delle reti neurali è ottenere il risultato finale con il minimo errore e un alto livello di precisione.
Questa procedura prevede molti passaggi e ciascuno dei livelli include la previsione, la gestione degli errori e gli aggiornamenti del peso, il che rappresenta un leggero incremento del coefficiente poiché si sposterà lentamente verso le caratteristiche desiderabili.
Al punto di partenza delle reti neurali, non sa quale peso e sottoinsiemi di dati gli consentiranno di convertire l'input nelle previsioni più adatte. Quindi considererà tutti i tipi di sottoinsiemi di dati e pesi come modelli per fare previsioni in sequenza per ottenere il miglior risultato e apprende ogni volta dal suo errore.
Per esempio, possiamo riferire le reti neurali con i bambini piccoli come quando nascono, non sanno nulla del mondo che li circonda e non hanno intelligenza, ma invecchiando imparano dalle loro esperienze di vita e dagli errori per diventare un umano e un intellettuale migliore.
L'architettura della rete feed-forward è mostrata di seguito da un'espressione matematica:
Input * peso = previsione
Poi,
Verità fondante - predizione = errore
Poi,
Errore * contributo peso all'errore = aggiustamento
Questo può essere spiegato qui, il set di dati di input li mapperà con i coefficienti per ottenere le previsioni multiple per la rete.
Ora la previsione viene confrontata con i fatti di base che sono presi dagli scenari in tempo reale, i fatti concludono l'esperienza per trovare il tasso di errore. Gli aggiustamenti vengono effettuati per affrontare l'errore e mettere in relazione il contributo dei pesi in esso.
Queste tre funzioni sono i tre elementi costitutivi fondamentali delle reti neurali che assegnano un punteggio all'input, valutano la perdita e implementano un aggiornamento al modello.
Quindi è un ciclo di feedback che premierà i coefficienti che supportano nel fare le previsioni corrette e scarterà i coefficienti che portano agli errori.
Il riconoscimento della grafia, il riconoscimento del volto e della firma digitale, l'identificazione del pattern mancante sono alcuni degli esempi in tempo reale di reti neurali.
# 4) Cognitive Computing
Lo scopo di questo componente dell'intelligenza artificiale è avviare e accelerare l'interazione per il completamento di attività complesse e la risoluzione dei problemi tra esseri umani e macchine.
Mentre lavorano su vari tipi di attività con gli esseri umani, le macchine apprendono e comprendono il comportamento umano, i sentimenti in varie condizioni distintive e ricreano il processo di pensiero degli esseri umani in un modello computerizzato.
Praticando questo, la macchina acquisisce la capacità di comprendere il linguaggio umano e le riflessioni dell'immagine. Pertanto il pensiero cognitivo insieme all'intelligenza artificiale può creare un prodotto che avrà azioni simili a quelle umane e può anche avere capacità di gestione dei dati.
Il cognitive computing è in grado di prendere decisioni accurate in caso di problemi complessi. Così viene applicato nell'area che necessita di migliorare soluzioni con costi ottimali e viene acquisito analizzando il linguaggio naturale e l'apprendimento basato sull'evidenza.
Per esempio, Google Assistant è un grande esempio di cognitive computing.
# 5) Elaborazione del linguaggio naturale
Con questa caratteristica dell'intelligenza artificiale, i computer possono interpretare, identificare, localizzare ed elaborare il linguaggio e il linguaggio umano.
Il concetto alla base dell'introduzione di questo componente è quello di rendere l'interazione tra le macchine e il linguaggio umano senza soluzione di continuità ei computer diventeranno in grado di fornire risposte logiche al discorso o alla domanda umana.
L'elaborazione del linguaggio naturale si concentra sia sulla sezione verbale che su quella scritta dei linguaggi umani significa modalità sia attive che passive di utilizzare algoritmi.
La Natural Language Generation (NLG) elaborerà e decodificherà le frasi e le parole che gli esseri umani usavano per parlare (comunicazione verbale) mentre la NaturalLanguage Understanding (NLU) enfatizzerà il vocabolario scritto per tradurre la lingua nel testo o pixel che possono essere compresi da macchine.
Le applicazioni basate su GUI (Graphical User Interface) delle macchine sono il miglior esempio di elaborazione del linguaggio naturale.
I vari tipi di traduttori che convertono una lingua in un'altra sono esempi del sistema di elaborazione del linguaggio naturale. Anche la funzione Google dell'assistente vocale e del motore di ricerca vocale ne è un esempio.
# 6) Visione artificiale
La visione artificiale è una parte molto vitale dell'intelligenza artificiale in quanto facilita il riconoscimento, l'analisi e l'interpretazione automatica dei dati visivi dalle immagini e dalle immagini del mondo reale catturandole e intercettandole.
Incorpora le capacità di apprendimento profondo e riconoscimento di pattern per estrarre il contenuto delle immagini da qualsiasi dato fornito, comprese immagini o file video all'interno di documenti PDF, documenti Word, documenti PPT, file XL, grafici e immagini, ecc.
Supponiamo di avere un'immagine complessa di un fascio di cose, quindi solo vedere l'immagine e memorizzarla non è facilmente possibile per tutti. La visione artificiale può incorporare una serie di trasformazioni all'immagine per estrarre i dettagli di bit e byte su di essa come i bordi taglienti degli oggetti, il design insolito o il colore utilizzato, ecc.
Questo viene fatto utilizzando vari algoritmi applicando espressioni matematiche e statistiche. I robot utilizzano la tecnologia di visione artificiale per vedere il mondo e agire in situazioni in tempo reale.
L'applicazione di questo componente è ampiamente utilizzata nel settore sanitario per analizzare le condizioni di salute del paziente utilizzando una risonanza magnetica, raggi X, ecc. Utilizzato anche nell'industria automobilistica per trattare veicoli e droni controllati da computer.
Conclusione
In questo tutorial, per prima cosa, abbiamo spiegato i vari elementi dell'intelligenza con un diagramma e il loro significato per applicare l'intelligenza in situazioni di vita reale per ottenere i risultati desiderati.
Quindi, abbiamo esplorato in dettaglio i vari sottocampi dell'intelligenza artificiale e il loro significato nell'intelligenza artificiale e nel mondo reale con l'aiuto di espressioni matematiche, applicazioni in tempo reale e vari esempi.
Abbiamo anche appreso in dettaglio l'apprendimento automatico, il riconoscimento di modelli e i concetti di rete neurale dell'intelligenza artificiale che svolgono un ruolo molto vitale in tutte le applicazioni dell'intelligenza artificiale.
Nella parte successiva di questo tutorial esploreremo in dettaglio l'applicazione dell'intelligenza artificiale.
Lettura consigliata
- Data mining vs machine learning vs intelligenza artificiale vs deep learning
- 10+ MIGLIORI società di intelligenza artificiale (AI) più promettenti [2021 Selective]
- 10 miglior software di intelligenza artificiale (recensioni di software AI nel 2021)
- Una guida completa alla rete neurale artificiale nell'apprendimento automatico
- I 4 passaggi per i test di Business Intelligence (BI): come testare i dati aziendali
- Tutorial sull'apprendimento automatico: introduzione al machine learning e alle sue applicazioni
- 25 migliori strumenti di business intelligence (migliori strumenti di BI nel 2021)
- Tipi di machine learning: apprendimento supervisionato e non supervisionato