Mikä on AI? Historia, määritelmät ja sovellukset

Historia

Tekoälyllä on yhä suurempi rooli elämässämme, ja uusin trendi ovat AI-sirut ja niihin liittyvät älypuhelinsovellukset. Mutta tätä tekniikkaa alettiin kehittää jo 50-luvulla Dartmouthin tekoälyn Dartmouthin kesätutkimusprojektissa Dartmouth Collegessa Yhdysvalloissa. Sen alkuperä juontaa juurensa vielä pidemmälle Alan Turingin työhön – jolle voimme katsoa kuuluisan Turingin testin. —, Allen Newell ja Herbert A. Simon, mutta tekoäly ei noussut valokeilaan maailman näyttämöllä ennen kuin IBM:n shakkisupertietokone Deep Blue saapui, joka oli ensimmäinen kone, joka voitti silloin puolustaneen shakin maailmanmestarin Garry Kasparovin. Ottelussa vuonna 1996. Tekoälyalgoritmeja on käytetty datakeskuksissa ja suurissa tietokoneissa useiden vuosien ajan, mutta vasta viime aikoina niitä on käytetty kulutuselektroniikan alalla.

Tekoälyn määritelmä

Tekoälyn määritelmä luonnehtii sitä tietotekniikan osa-alueeksi, joka käsittelee älykkään käyttäytymisen automatisointia. Tässä on vaikea osa: Koska et voi määritellä tarkasti älykkyyttä sinänsä, tekoälyä ei myöskään voida määritellä tarkasti. Yleisesti ottaen termiä käytetään kuvaamaan järjestelmiä, joiden tavoitteena on käyttää koneita jäljittelemään ja simuloimaan ihmisen älykkyyttä ja vastaavaa käyttäytymistä. Tämä voidaan saavuttaa yksinkertaisilla algoritmeilla ja ennalta määritellyillä malleilla, mutta siitä voi tulla myös paljon monimutkaisempi.

Erilaisia ​​AI

Symbolinen tai symboleja manipuloiva tekoäly toimii abstraktien symbolien kanssa, joita käytetään edustamaan tietoa. Se on klassinen tekoäly, joka ajaa ajatusta siitä, että ihmisen ajattelu voidaan rekonstruoida hierarkkisella, loogisella tasolla. Tietoa käsitellään ylhäältä käsin ihmisen luettavien symbolien, abstraktien yhteyksien ja loogisten johtopäätösten parissa.

• Tekoälyjä kasvatetaan videopeleissä…ei voittamaan meitä, vaan liittyäkseen joukkoomme

Neuraalinen AI tuli suosituksi tietojenkäsittelytieteessä 80-luvun lopulla. Täällä tietoa ei esitetä symbolien, vaan keinotekoisten hermosolujen ja niiden yhteyksien kautta – tavallaan kuin rekonstruoidut aivot. Kerätty tieto hajotetaan pieniksi paloiksi – hermosoluiksi – ja sitten yhdistetään ja rakennetaan ryhmiksi. Tämä lähestymistapa tunnetaan alhaalta ylös -menetelmänä, joka toimii alhaalta päin. Toisin kuin symbolinen tekoäly, hermojärjestelmää on koulutettava ja stimuloitava, jotta hermoverkot voivat kerätä kokemusta ja kasvaa, jolloin ne keräävät lisää tietoa.

Neuraaliverkot on järjestetty kerroksiin, jotka ovat yhteydessä toisiinsa simuloitujen linjojen kautta. Ylin kerros on syöttökerros, joka toimii kuin anturi, joka ottaa vastaan ​​käsiteltävät tiedot ja välittää ne eteenpäin. Tätä seuraa nyt vähintään kaksi – suurissa järjestelmissä yli kaksikymmentä – kerrosta, jotka ovat hierarkkisesti toistensa yläpuolella ja jotka lähettävät ja luokittelevat tietoa yhteyksien kautta. Aivan pohjassa on lähtökerros, jossa on yleensä vähiten keinotekoisia hermosoluja. Se tarjoaa lasketut tiedot koneellisesti luettavassa muodossa, eli “kuva koirasta päivällä punaisen auton kanssa”.

Menetelmät ja työkalut

Tekoälyn soveltamiseen tosielämän skenaarioihin on olemassa erilaisia ​​työkaluja ja menetelmiä, joista osaa voidaan käyttää rinnakkain.

Kaiken tämän perusta on koneoppiminen, joka määritellään kokemuksesta tietoa rakentavaksi järjestelmäksi. Tämä prosessi antaa järjestelmälle mahdollisuuden havaita kuvioita ja lakeja – ja jatkuvasti kasvavalla nopeudella ja tarkkuudella. Koneoppimisessa käytetään sekä symbolista että neuraalista tekoälyä.

Syväoppiminen on koneoppimisen alatyyppi, josta on tulossa yhä tärkeämpi. Tässä tapauksessa käytetään vain neuronaalisia tekoälyä eli hermoverkkoja. Syväoppiminen on perusta useimmille nykyisille tekoälysovelluksille. Koska neuroverkkojen suunnittelua on mahdollista laajentaa entistä enemmän ja tehdä niistä monimutkaisempia ja tehokkaampia uusilla kerroksilla, syväoppiminen on helposti skaalattavissa ja mukautettavissa moniin sovelluksiin.

Neuroverkkojen koulutukseen on kolme oppimisprosessia: ohjattu, ei-valvottu ja vahvistusoppiminen, jotka tarjoavat monia erilaisia ​​tapoja säädellä, kuinka syötteestä tulee haluttu tulos. Vaikka tavoitearvot ja parametrit määritetään ulkopuolelta ohjatussa oppimisessa, ohjaamattomassa oppimisessa järjestelmä yrittää tunnistaa syötteestä malleja, joilla on tunnistettavissa oleva rakenne ja jotka voidaan toistaa. Vahvistusoppimisessa kone toimii myös itsenäisesti, mutta sitä palkitaan tai rangaistaan ​​onnistumisesta tai epäonnistumisesta riippuen.

Sovellukset

Tekoälyä käytetään jo monilla alueilla, mutta ne eivät suinkaan ole ensisilmäyksellä näkyviä. Siksi tämän tekniikan mahdollisuuksia hyödyntävien skenaarioiden valitseminen ei suinkaan ole täydellinen luettelo.

Tekoälyn mekanismit sopivat erinomaisesti kuvien ja videoiden kohteiden ja henkilöiden havaitsemiseen, tunnistamiseen ja luokitteluun. Tätä tarkoitusta varten käytetään yksinkertaista mutta prosessoriintensiivistä kuviontunnistusta. Jos kuvatietojen salaus on purettu ja koneellisesti luettavissa, valokuvat ja videot voidaan helposti jakaa luokkiin, etsiä ja löytää. Tällainen tunnistus on mahdollista myös äänidatalle.

Asiakaspalvelu käyttää yhä enemmän chatbotteja. Nämä tekstipohjaiset avustajat suorittavat tunnistuksen käyttämällä avainsanoja, jotka asiakas voi kertoa sille ja reagoivat vastaavasti. Käytöstä riippuen tämä avustaja voi olla enemmän tai vähemmän monimutkainen.

Mielipideanalyysiä ei käytetä pelkästään vaalien ennustamiseen politiikassa, vaan myös markkinoinnissa ja monilla muilla aloilla. Mielipiteiden louhintaa, joka tunnetaan myös nimellä tunneanalyysi, käytetään mielipiteiden ja tunneilmaisujen etsimiseen Internetistä, mikä mahdollistaa suurelta osin anonyymisti mielipidekyselyn luomisen.

Googlen kaltaiset hakualgoritmit ovat luonnollisesti huippusalaisia. Tapa, jolla hakutulokset lasketaan, mitataan ja tulostetaan, määräytyvät suurelta osin koneoppimisen kanssa toimivien mekanismien avulla.

Tekstinkäsittely eli tekstin kieliopin ja oikeinkirjoituksen tarkistaminen on klassinen symbolisen tekoälyn sovellus, jota on käytetty pitkään. Kieli määritellään monimutkaiseksi sääntöjen ja ohjeiden verkostoksi, joka analysoi lauseen tekstilohkoja ja voi joissain olosuhteissa tunnistaa ja korjata virheet.

Näitä kykyjä käytetään myös puheen syntetisoinnissa, mikä on tällä hetkellä kaupungin puhetta avustajajärjestelmillä, kuten Siri, Cortana, Alexa tai Google Assistant.

Uusissa älypuhelinsiruissa, kuten Kirin 970:ssä, tekoäly on integroitu omaan komponenttiinsa, NPU- tai hermoprosessointiyksikköön. Prosessori tekee debyyttinsä Huawei Mate 10:ssä. Saat lisätietoja siitä ja tekniikan rooleista. pelata Huawei-älypuhelimella, kun meillä on mahdollisuus kokeilla sitä lähitulevaisuudessa. Qualcomm on jo työskennellyt NPU:n, Zeroth-prosessorin parissa kahden vuoden ajan, ja uusi Apple A11 -siru sisältää samanlaisen komponentin.

Lisäksi on olemassa lukuisia tekoälyn tutkimusprojekteja, joista merkittävin voi olla IBM:n Watson. Tietokoneohjelma oli tehnyt ensimmäisen julkisen debyyttinsä jo vuonna 2011 Jeopardy-visaohjelmassa, jossa se kohtasi kaksi ihmisehdokasta. Watson voitti tietysti, ja sen jälkeen pidettiin lisää julkisuutta. Japanilainen vakuutusyhtiö on käyttänyt Watsonia tammikuusta lähtien vakuutettujen asiakkaiden, heidän historiansa ja lääketieteellisten tietojensa tarkistamiseen sekä vammojen ja sairauksien arvioimiseen. Yhtiön tietojen mukaan Watson on korvannut noin 30 työntekijää. Työpaikkojen menetys automatisoinnin seurauksena on vain yksi tekoälyyn liittyvistä eettisistä ja sosiaalisista ongelmista, joka on yritysten ja akateemisen tutkimuksen kohteena.

Projektio

Tekoäly ei ole äskettäin noussut tyhjästä, vaan se on lähestymässä läpimurtoa kulutuselektroniikan maailmassa, mikä on enemmän kuin riittävä syy kaikille pysyä ajan tasalla tästä aiheesta tulevaisuudessa.

Mitkä tekoälyn osa-alueet pidät poikkeuksellisen mielenkiintoisina? Kerro meille alla olevissa kommenteissa!

Lähde:
1&1, Qualcomm, Koneoppimisen hallinta