Содержание
- Краткая история ИИ
- Доступные платформы
- Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
- Практика делает совершенным
Источник: Эльнур / Dreamstime
вынос:
Искусственный интеллект - одна из самых быстрорастущих областей в области технологий, но с чего можно многое узнать, с чего начать? Здесь мы рассмотрим некоторые способы знакомства с ИИ.
Искусственный интеллект приближается к центру обработки данных рядом с вами, и он, вероятно, начнет выполнять многие из задач, на которые операторы-люди тратят большую часть своего времени.
Но вместо того, чтобы рассматривать это неизбежное развитие как угрозу, сегодняшнему ИТ-специалисту лучше научиться основам ИИ сейчас, чтобы, когда он все-таки появился, его можно было использовать в качестве инструмента повышения ценности человеческих усилий для организации, а не замены. Это.
Прежде всего, это помогает узнать, что существует много разных типов ИИ, которые выполняют различные функции. Технический журналист Майкл Коупленд рассматривает технологию как серию концентрических кругов, с ИИ как с внешним кругом и более специализированными формами, такими как машинное обучение (ML) и глубокое обучение.
Различия заключаются в уровнях сложности, демонстрируемых каждой формой ИИ, и в специфических функциях, для которых они предназначены.
Краткая история ИИ
ИИ, например, имеет корни, восходящие к 1950-м годам, но начал набирать обороты в начале этого десятилетия с концепцией «узкого ИИ». Именно здесь технология фокусируется на выполнении конкретных задач, таких как классификация изображений и распознавание лиц, но не имеет возможности развивать свои процессы, используя опыт и другие данные, как человеческий мозг. (Подробнее об этом можно узнать, смогут ли компьютеры имитировать человеческий мозг?)
Для этого нам нужно обратиться к машинному обучению, которое использует алгоритмы для анализа данных, чтобы делать прогнозы относительно его среды. С ML программистам больше не нужно кодировать каждое действие, которое должна выполнять система, а сама система может определить наилучший курс действий с учетом доступных данных. Тем не менее, даже на этом этапе термин «интеллект» используется очень свободно, поскольку для МЛ все еще требуется много человеческого вклада, чтобы прийти к рациональным выводам.
Именно здесь начинается глубокое обучение и нейронные сети. В отличие от машинного обучения, эти технологии стремятся подражать работе человеческого мозга. Используя расширенные уровни, возможности подключения и распространения данных, они обрабатывают наборы данных множеством способов для получения взвешенных вероятностей для данного результата. Поскольку это очень большая вычислительная нагрузка, неудивительно, что этот уровень искусственного интеллекта оставался на заднем плане до тех пор, пока графические процессоры и параллельная обработка не вошли в мейнстрим.
Доступные платформы
Будущий программист ИИ должен также познакомиться с ведущими платформами на рынке. В то время как множество решений растет день ото дня, некоторые из более базовых систем предлагают довольно простую кривую обучения для тех, кто уже знаком с общими языками программирования.
Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
Вы не можете улучшить свои навыки программирования, когда никто не заботится о качестве программного обеспечения.
Sitepoint.com перечислил некоторые из наиболее известных платформ, каждая из которых обслуживает различные способы взаимодействия ИИ с процессами, управляемыми данными. Пожалуй, наиболее популярными являются TensorFlow от Google и платформа Melissa, созданные для вычислительной среды начального уровня Raspberry Pi. Оба обеспечивают простое программирование ИИ, хотя Мелиссе требуется немного больше навыков в таких языках программирования, как Python.
Кроме того, есть такие сервисы, как Wit.ai и Api.ai, которые используют распознавание голоса для преобразования устных команд в. Они также используют простые элементы программирования, называемые «намерениями» и «сущностями», которые используются для определения действия, которое необходимо выполнить, и устройства и / или услуги, на которые необходимо воздействовать. Таким образом, разработчики могут поручить механизму ИИ удалить данные с диска А и вставить их на диск Б. И у Wit, и у Api есть свой собственный набор шаблонов для намерений и сущностей, поэтому большая часть работы уже выполнена. Однако, кроме iOS и Android, они, как правило, поддерживают разные языки программирования, причем Wit склоняется к Ruby, Python, C и Rust, а Api поддерживает Unity, C ++, Python и JavaScript.
Практика делает совершенным
Хотя изучение традиционного подхода к искусственному интеллекту никогда не помешает - посещать занятия, изучать нюансы различных платформ, изучать прошлые практики, - запоминание набора несвязанных фактов приведет вас к успеху, говорит технический директор Kaggle Бен Хамнер. Скорее, более практичный подход состоит в том, чтобы выбрать конкретную проблему в свой рабочий день и попытаться выяснить, как интеллектуальная система автоматизации может облегчить ее, если не решить полностью. (Чтобы узнать о некоторых современных применениях ИИ, см. 3 «Удивительных примера искусственного интеллекта в действии».)
Это намного сложнее, чем кажется. Идеальная задача должна иметь три критерия:
- Он должен охватывать область, в которой вы лично заинтересованы,
- Он должен использовать легкодоступный набор данных, который хорошо подходит для решения проблемы, и
- Данные или соответствующее подмножество должны удобно размещаться на одной машине.
Как только вы определили подходящую проблему, Хамнер говорит, что пришло время сделать быстрый и грязный взлом - ничего особенного, просто достаточного, чтобы обеспечить комплексное решение основной проблемы. Это должно охватывать такие этапы, как чтение данных, преобразование их в нечто, понятное алгоритму машинного обучения, обучение базовой модели, создание результата и оценка производительности.
Когда эта функциональная базовая линия завершена, вы всегда можете вернуться и улучшить каждый компонент, возможно, изучив отдельные строки и визуализируя распределения, чтобы лучше понять структуру и аномалии. Во многих случаях вы обнаружите, что улучшение этапов очистки данных и предварительной обработки дает лучшие результаты, чем оптимизация моделей машинного обучения.
Это также помогает увидеть, что другие делают с ИИ в данный момент, а затем, возможно, поделиться своими творениями публично, чтобы способствовать дальнейшему развитию. Google недавно запустил изолированную программную среду для искусственного интеллекта под названием AI Experiment, которая предлагает открытый исходный код и другие ресурсы, которые помогут вам начать работу, а также витрину для разработок искусственного интеллекта в области искусства, языка, музыки и других дисциплин. В дополнение к TensorFlow и API Cloud ML на сайте представлена версия игровой лаборатории DeepMind 3D, а также набор приложений и скриптов openFrameworks для разработки инструментов машинного обучения на C ++.
Самое большое изменение, которое искусственный интеллект внесет в рабочую силу знаний, и в частности в ИТ, - это устранение всех повторяющихся, повторяющихся задач, составляющих основную часть рабочего дня. Но не заблуждайтесь, ИИ не сделает людей лишними и не позволит человечеству жить досугом, пока машины выполняют всю работу.
В экономике, основанной на искусственном интеллекте, будет много людей, которые будут заняты, но это будет в значительной степени включать творческие, интуитивные проекты, которые математические алгоритмы никогда не смогут освоить.
Учитывая, что ИИ является партнером, ожидайте, что рабочий день станет более интересным и полезным для отдельных лиц, в то время как организации, которые они обслуживают, должны получать большую выгоду от человеческой деятельности и более высокой производительности в целом.