Bobas Penktadienis yra „Mist Systems“ įkūrėjas ir CTO.
Dirbtinis intelektas (AI) užplūsta pasaulį audringai, naujoviško naudojimo atvejai taikomi visuose pramonės segmentuose. Dešimtmečių laukia gydytojo pakeitimas dirbtinio intelekto robotu, kaip matoma filmuose, tačiau dirbtinis intelektas padeda visų sričių ekspertams greičiau diagnozuoti ir išspręsti problemas, suteikiant galimybę tokiems patiems vartotojams kaip aš padaryti nuostabių dalykų, pavyzdžiui, rasti dainas su balso komanda.
Daugelis žmonių sutelkia dėmesį į PG rezultatus. Tiems iš mūsų, kurie mėgsta žiūrėti po gaubtu, reikia suprasti keturis pagrindinius elementus: kategorizavimą, klasifikavimą, mašininį mokymąsi ir bendradarbiavimo filtravimą. Šie keturi ramsčiai taip pat yra analizės proceso žingsniai.
Klasifikavimas apima metrikų, būdingų probleminei sričiai, sukūrimą (pvz., Finansai, tinklų kūrimas). Klasifikavimas apima nustatymą, kurie duomenys yra svarbiausi sprendžiant problemą. Mašininis mokymasis apima anomalijų aptikimą, grupavimą, gilų mokymąsi ir tiesinę regresiją. Bendras filtravimas apima modelių paiešką dideliuose duomenų rinkiniuose.
Skirstymas į kategorijas
Dirbtinis intelektas reikalauja daug duomenų, susijusių su sprendžiama problema. Pirmasis žingsnis kuriant dirbtinio intelekto sprendimą yra sukurti tai, ką aš vadinu „dizaino ketinimų metrika“, kurie naudojami problemai suskirstyti. Nesvarbu, ar vartotojai bando sukurti sistemą, kuri galėtų žaisti „Jeopardy“, ar padėti gydytojui diagnozuoti vėžį, ar padėti IT administratoriui nustatyti belaidžio ryšio problemas, vartotojai turi apibrėžti metriką, leidžiančią problemą suskaidyti į mažesnes dalis. Pavyzdžiui, belaidžio tinklo atveju pagrindinė metrika yra vartotojo ryšio laikas, pralaidumas, aprėptis ir tarptinklinis ryšys. Diagnozuojant vėžį, pagrindinė metrika yra baltųjų ląstelių skaičius, etninė kilmė ir rentgeno tyrimai.
klasifikacija
Kai vartotojai suskirsto problemą į skirtingas sritis, kitas žingsnis - turėti kiekvienos kategorijos klasifikatorius, kurie vartotojus nukreiptų prasmingos išvados link. Pavyzdžiui, mokydami dirbtinio intelekto sistemą žaisti „Jeopardy“, vartotojai pirmiausia turi klasifikuoti klausimą kaip pažodinį pobūdį ar žodžių žaidimą, o tada klasifikuoti pagal laiką, asmenį, daiktą ar vietą. Vykdydami belaidį tinklą, kai vartotojai žino problemos kategoriją (pvz., Prieš ar po prisijungimo), vartotojai turi pradėti klasifikuoti, kas sukelia problemą: susiejimas, autentifikavimas, dinaminis pagrindinio kompiuterio konfigūravimo protokolas (DHCP) ar kitas belaidis ryšys. , laidinio ir prietaiso veiksniai.
Mašininis mokymasis
Dabar, kai problema yra suskirstyta į domenui būdingus metaduomenų gabalus, vartotojai yra pasirengę pateikti šią informaciją magiškam ir galingam mašininio mokymosi pasauliui. Yra daug mašininio mokymosi algoritmų ir metodų, o prižiūrimas mašininis mokymasis naudojant neuroninius tinklus (t. Y. Gilus mokymasis) dabar tampa vienu populiariausių metodų. Neuroninių tinklų samprata gyvuoja nuo 1949 m., O savo pirmąjį neuroninį tinklą sukūriau devintajame dešimtmetyje. Tačiau naujausiai padidėjus skaičiavimo ir saugojimo galimybėms, neuroniniai tinklai dabar mokomi spręsti įvairias realaus pasaulio problemas, pradedant vaizdo atpažinimu ir natūralios kalbos apdorojimu, ir numatant tinklo našumą. Kitos programos apima anomalijų funkcijų atradimą, laiko eilučių anomalijų aptikimą ir įvykių koreliaciją pagrindinės priežasties analizei atlikti.
Bendras filtravimas
Daugelis žmonių filtruodami bendradarbiauja, kai renkasi filmą „Netflix“ arba įsigyja ką nors iš „Amazon“ ir gauna rekomendacijas dėl kitų filmų ar daiktų, kurie jiems gali patikti. Be rekomendatorių, bendras filtravimas taip pat naudojamas rūšiuojant didelius duomenų rinkinius ir dirbtinio intelekto sprendimą. Čia visas duomenų rinkimas ir analizė paverčiama prasminga įžvalga ar veiksmu. Nesvarbu, ar jis naudojamas žaidimų laidoje, ar gydytojas, ar tinklo administratorius, bendras filtravimas yra priemonė atsakymams pateikti užtikrintai. Tai tarsi virtualus asistentas, padedantis išspręsti sudėtingas problemas.
Dirbtinis intelektas vis dar yra besiformuojanti erdvė, tačiau jo poveikis yra gilus ir bus jaučiamas dar labiau, kai jis taps vis didesne mūsų kasdienio gyvenimo dalimi. Rinkdamiesi dirbtinio intelekto sprendimą, pavyzdžiui, pirkdami automobilį, turėsime suprasti, kas yra po gaubtu, kad įsitikintume, jog perkame geriausią produktą pagal savo poreikius.
Naujųjų technologijų forumas suteikia galimybę tyrinėti ir aptarti besiformuojančios įmonės technologijas beprecedentiame gylyje. Atranka yra subjektyvi, atsižvelgiant į mūsų pasirinktas technologijas, kurios, mūsų manymu, yra svarbios ir labiausiai domina skaitytojus. nepriima rinkodaros užtikrinimo priemonės paskelbimui ir pasilieka teisę redaguoti visą pateiktą turinį. Visus klausimus siųskite adresu [email protected].
