– Интернет вещей собирает колоссальные объемы данных от подключенных устройств. Большая часть этих данных не проанализирована. Автоматизация моделей с помощью ИИ позволит использовать больше таких данных.

– Разрабатываются и по-новому комбинируются более совершенные алгоритмы, которые позволяют быстрее анализировать больший объем данных сразу на нескольких уровнях. Такая интеллектуальная обработка – ключ к выявлению и прогнозированию редких событий, пониманию сложных систем и оптимизации уникальных сценариев.

– API (программные интерфейсы приложений) представляют собой переносимые пакеты кода, благодаря которым функционал ИИ может быть интегрирован в существующие продукты и пакеты программ. С помощью API можно добавить функцию распознавания изображений в домашнюю систему безопасности или вопросно-ответные функции для описания данных, создания титров и заголовков, обнаружения в данных интересных закономерностей и иной полезной информации.

Группы искусственного интеллекта

Рис. 1.2. Виды искусственного интеллекта в общей системе понятий ИИ.

– Слабый ИИ – то, что уже удалось создать. Такой ИИ способен решать определённую задачу, зачастую даже лучше, чем человек.

– Сильный ИИ – способность машины учиться, мыслить, чувствовать, осознавать себя и принимать решения.

– Суперинтеллект – не только не создали, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей.

Машинное обучение

Машинное обучение – это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо.

Для принятия решения необходимо:

– Алгоритм – специальная программа, которая говорит компьютеру, что делать и откуда брать данные.

– Набор данных – примеры, на которых машина тренируется.

– Признаки – то, на что компьютеру смотреть при принятии решения.

Алгоритмы машинного обучения

– Линейная регрессия – применяют, если есть линейная зависимость между переменными.

– Байесовские алгоритмы – применение теоремы Байеса и теории вероятности.

– Нейронные сети – один из методов глубокого обучения.

Глубокое обучение

– Глубокое обучение – подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные данные.

– Нейронные сети – математические модели, созданные по аналогии с биологическими нейронными сетями. Они способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами.

Искусственные нейронные сети

Рис. 1.3. Модель ИНС

Итоги:

Искусственный интеллект – одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.

Машинное обучение – одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.

Глубокое обучение – лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя сама с помощью данных.

Проблемы искусственного интеллекта

Искусственный интеллект сейчас находится в основном на уровне слабого интеллекта. Например, нет возможности уверенно и точно распознавать ограниченные образы.

Рис. 1.4. Проблема распознавания образов в ИИ

Будущее ИИ

1. ИИ станет умнее человека.

2. ИИ может диагностировать и чинить себя.

3. Питомцы с ИИ

5. О запрете использования ИИ в военных целях

6. Наутилус – электронный Нострадамус

7. Компьютеры, обучающие сами себя

8. Индустрии будущего на основе ИИ