Зміст
- Коротка історія ІІІ
- Доступні платформи
- Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
- Практика робить ідеальною
Джерело: Elnur / Dreamstime
Винос:
Штучний інтелект - одна з найбільш швидко розвиваються галузей у техніці, але з такою великою кількістю про неї знати, з чого починати? Тут ми розглянемо деякі способи ознайомлення з ШІ.
Штучний інтелект підходить до центру даних поблизу вас, і він, ймовірно, почне виконувати багато завдань, на які оператори людини витрачають основну частину свого часу.
Але замість того, щоб розглядати цю неминучу розробку як загрозу, сьогоднішній ІТ-працівник краще буде вивчити основи AI зараз, щоб, коли він дійде, його можна використовувати як інструмент підвищення цінності людських зусиль для організації, а не замінювати це.
По-перше, це допомагає знати, що існує багато різних видів ШІ, які виконують різні функції. Технологічний журналіст Майкл Коупленд розглядає технологію як серію концентричних кіл, причому AI є найвіддаленішим колом та більш спеціалізованими формами, такими як машинне навчання (ML) та глибоке навчання.
Відмінності полягають у рівнях складності, виявлених кожною формою ШІ, і в специфічних функціях, які вони розроблені для того, щоб їх можна було включити.
Коротка історія ІІІ
Наприклад, AI має коріння ще в 50-х роках минулого століття, але тільки почало збирати пару на початку цього десятиліття з концепцією "вузького ШІ". Саме тут технологія орієнтована на виконання конкретних завдань, таких як класифікація зображення та розпізнавання обличчя, але не має можливості розвивати свої процеси, використовуючи досвід та інші дані, як це робить людський мозок. (Докладніше про це перегляньте, чи здатні комп'ютери наслідувати людський мозок?)
Для цього нам потрібно звернутися до машинного навчання, яке використовує алгоритми для аналізу даних для прогнозування його оточення. З ML, програмістам більше не потрібно передавати коди кожної дії, яку повинна здійснити система, але, скоріше, сама система може визначити найкращий хід дій з урахуванням наявних даних. Однак, навіть на цьому етапі термін "інтелект" використовується дуже вільно, оскільки для МЛ все ще потрібно багато людського внеску, щоб зробити раціональні висновки.
Ось тут заходять глибоке навчання та нейронні мережі. На відміну від машинного навчання, ці технології прагнуть наслідувати роботу мозку людини. Використовуючи вдосконалене шарування, з'єднання та розповсюдження даних, вони обробляють набори даних численними способами, щоб створити зважені ймовірності для заданого результату. Оскільки це дуже велике навантаження на обчислення, не дивно, що цей рівень AI зберігався на задній панелі, поки GPU та паралельна обробка не ввійшли в основний потік.
Доступні платформи
Новачок-програміст AI також повинен ознайомитися з провідними платформами на ринку. Хоча кількість рішень з кожним днем збільшується, деякі більш базові системи пропонують досить легку криву навчання для тих, хто вже знайомий із загальними мовами програмування.
Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
Ви не можете покращити свої навички програмування, коли ніхто не піклується про якість програмного забезпечення.
Sitepoint.com перерахував деякі більш встановлені платформи, кожна з яких забезпечує різні способи взаємодії AI з керованими даними процесами. Мабуть, найпопулярнішими є TensorFlow від Google та платформа Melissa, створена для обчислювального середовища Raspberry Pi початкового рівня. Обидва пропонують просте програмування AI, хоча Меліссі потрібно трохи більше навичок в мовах програмування, як Python.
Крім того, є такі сервіси, як Wit.ai та Api.ai, які використовують розпізнавання голосу для перетворення словесних команд у. Вони також використовують прості елементи програмування, які називаються "наміри" та "сутності", які використовуються для визначення дії, яку слід вжити, і пристрою та / або послуги, щодо якої потрібно діяти. Таким чином, розробники можуть доручити двигуну AI видалити дані з накопичувача A і вставити їх на диск B. І Wit, і Api мають власний набір шаблонів для намірів і об'єктів, тому значна частина роботи вже зроблена. Однак, окрім iOS та Android, вони, як правило, підтримують різні мови програмування. Віт схиляється до Ruby, Python, C і Rust, і Api підтримує Unity, C ++, Python та JavaScript.
Практика робить ідеальною
Хоча ніколи не зашкодить навчатися на AI традиційним способом - пройти заняття, вивчити нюанси різних платформ, вивчити минулу практику - запам'ятовування набору роз'єднаних фактів забирає вас лише поки що, - зазначає БТ Хагнер (Kaggle). Швидше, більш практичним підходом є вибір конкретної проблеми в робочий день і спробувати розібратися, як інтелектуальна система автоматизації може полегшити її, якщо не вирішити її взагалі.(Щоб дізнатися про деякі поточні можливості використання ШІ, див. 3 дивовижні приклади штучного інтелекту в дії.)
Це набагато складніше, ніж це звучить. Ідеальна проблема повинна мати три критерії:
- Він повинен охоплювати область, яка вас особисто цікавить,
- Він повинен використовувати легко доступний набір даних, який добре підходить для вирішення проблеми, та
- Дані або відповідна підмножина повинні зручно розміщуватися в межах однієї машини.
Виявивши підходящу проблему, Гамнер каже, що час зробити швидку та брудну злому - нічого фантазійного, достатньо лише забезпечити виправлення основної проблеми. Це має охоплювати такі кроки, як читання даних, перетворення їх у те, що алгоритм машинного навчання може зрозуміти, підготовка базової моделі, створення результату та оцінка ефективності.
Після завершення цієї функціональної базової лінії ви завжди можете повернутися та вдосконалити кожен компонент, можливо, досліджуючи окремі рядки та візуалізуючи розподіли, щоб краще зрозуміти структуру та аномалії. У багатьох випадках ви виявите, що вдосконалення кроків очищення даних та попередньої обробки дають кращі результати, ніж оптимізація моделей машинного навчання.
Це також допомагає побачити, що інші зараз роблять з AI, а потім, можливо, поділитися своїми творами публічно, щоб сприяти ще більшому розвитку. Нещодавно компанія Google почала розробляти AI експерименти, що пропонує відкритий код та інші ресурси, які допоможуть розпочати роботу, а також демонструють розробки AI в галузі мистецтва, мови, музики та інших дисциплін. Окрім TensorFlow та Cloud ML API, на сайті представлена версія ігрової лабораторії DeepMind 3D і набір програм та сценаріїв openFrameworks для розробки інструментів машинного навчання в C ++.
Найбільша зміна, яку принесе штучний інтелект робочій силі знань, і, зокрема, ІТ, - це усунення всіх цілих, що повторюються завдань, які складають основну частину робочого дня. Але не помиляйтесь, що AI не зробить людей надмірними, і не дозволить людству жити життям у вільний час, поки машини виконують всю роботу.
Буде багато, щоб утримати людський мозок в економіці, керованій ШІ, але це значною мірою охопить творчі, інтуїтивні проекти, які математичні алгоритми ніколи не зможуть освоїти.
Якщо AI є партнером, очікуйте, що робочий день стане цікавішим і кориснішим для людей, тоді як організації, які вони обслуговують, повинні бачити більше користі від людської діяльності та підвищення загальної продуктивності.