Meny

Vad är artificiell intelligens: definition och underfält av AI

  • Huvud
  • Övrig
  • Vad är artificiell intelligens: definition och underfält av AI

what is artificial intelligence

Prova Vårt Instrument För Att Eliminera Problem

Lär dig vad som är artificiell intelligens (AI), intelligenselement och delfält av AI som maskininlärning, djupinlärning, NLP, etc:

Datornätverkssystemet har förbättrat den mänskliga livsstilen genom att tillhandahålla olika typer av prylar och enheter som minskar mänskliga fysiska och mentala ansträngningar för att utföra olika uppgifter. Den artificiella intelligensen är nästa steg i denna process för att göra den mer effektiv genom att använda logisk, analytisk och mer produktiv teknik i detta arbete.

Denna handledning kommer att förklara vad som är artificiell intelligens och dess definition och komponenter med hjälp av olika exempel. Vi kommer också att undersöka skillnaden mellan mänsklig och maskinell intelligens.

Vad är artificiell intelligens

Vad du kommer att lära dig:

Vad är artificiell intelligens (AI)?

Det finns olika tekniska definitioner tillgängliga för att beskriva artificiell intelligens men alla är mycket komplexa och förvirrande. Vi kommer att utarbeta definitionen i enkla ord för din bättre förståelse.

Människorna betraktas som de mest intelligenta arterna på jorden eftersom de kan lösa alla problem och analysera stora data med sina färdigheter som analytiskt tänkande, logiskt resonemang, statistisk kunskap och matematisk eller beräkningsintelligens.

Med tanke på alla dessa kombinationer av färdigheter har artificiell intelligens utvecklats för maskiner och robotar som inför förmågan att lösa komplexa problem i maskinerna som liknar dem som kan göras av människor.

Den artificiella intelligensen är tillämplig inom alla områden inklusive medicinfält, bilar, dagliga livsstilsapplikationer, elektronik, kommunikation samt datanätverkssystem.

Så tekniskt sett AI i sammanhang med datanätverk kan definieras som datorenheter och nätverkssystem som kan förstå rådata korrekt, samla in användbar information från dessa data och sedan använda dessa resultat för att uppnå den slutliga lösningen och tilldelning av problemet med ett flexibelt tillvägagångssätt och lättanpassade lösningar.

Element av intelligens

# 1) Resonemang: Det är förfarandet som underlättar för oss att tillhandahålla de grundläggande kriterierna och riktlinjerna för att bedöma, förutsäga och fatta beslut i alla problem.

Resonemang kan vara av två typer, det ena är generaliserat resonemang som baseras på de allmänt observerade förekomsten och uttalandena. Slutsatsen kan ibland vara falsk i det här fallet. Den andra är logiskt resonemang, som är baserat på fakta, siffror och specifika uttalanden och specifika, nämnda och observerade händelser. Slutsatsen är således korrekt och logisk i detta fall.

# 2) Lärande: Det är handlingen att förvärva kunskap och kompetensutveckling från olika källor som böcker, verkliga incidenter i livet, erfarenheter, undervisas av vissa experter etc. Lärandet förbättrar personens kunskap inom områden som han inte är medveten om.

Förmågan att lära sig visas inte bara av människor utan också av några av djuren och artificiella intelligenta system har denna färdighet.

Inlärningen är av olika slag enligt listan nedan:

frågor och svar om kvalitetssäkringsintervju
  • Ljudtalinlärning baseras på processen när någon lärare håller föreläsning, så hör de hörbara studenterna den, memorerar den och använder den för att få kunskap från den.
  • Den linjära inlärningen baseras på att memorera den mängd händelser som personen har stött på och lärt sig av den.
  • Observationsinlärning betyder inlärning genom att observera beteende och ansiktsuttryck från andra personer eller varelser som djur. Till exempel, det lilla barnet lär sig att tala genom att härma sina föräldrar.
  • Perceptuell inlärning baseras på inlärning genom att identifiera och klassificera bilder och objekt och memorera dem.
  • Relationsinlärning baseras på lärande från tidigare händelser och misstag och gör ansträngningar för att improvisera dem.
  • Rumslig inlärning innebär att lära sig av bilder som bilder, videor, färger, kartor, filmer, etc., vilket hjälper människor att skapa en bild av dem i åtanke när det behövs för framtida referens.

# 3) Problemlösning: Det är processen att identifiera orsaken till problemet och att ta reda på ett möjligt sätt att lösa problemet. Detta görs genom att analysera problemet, beslutsfattande och sedan ta reda på mer än en lösning för att nå den slutliga och bäst lämpade lösningen på problemet.

Det sista mottot här är att hitta den bästa lösningen bland tillgängliga för att uppnå bästa resultat för problemlösning på minimal tid.

# 4) Uppfattning: Det är fenomenet att erhålla, dra en slutsats, välja och systematisera användbara data från råinmatningen.

Hos människor härrör uppfattningen från upplevelserna, sinnesorganen och situationens förhållanden i miljön. Men när det gäller artificiell intelligensuppfattning förvärvas den av den konstgjorda sensormekanismen i samband med data på ett logiskt sätt.

# 5) Språklig intelligens: Det är fenomenet med en förmåga att distribuera, räkna ut, läsa och skriva de verbala sakerna på olika språk. Det är den grundläggande komponenten i kommunikationssättet mellan de två eller flera individerna och den nödvändiga också för analytisk och logisk förståelse.

element av intelligens

Skillnaden mellan mänsklig och maskinell intelligens

Följande punkter förklarar skillnaderna:

# 1) Vi har ovan förklarat komponenterna för mänsklig intelligens på grund av vilka människan utför olika typer av komplexa uppgifter och löser olika typer av distinkta problem i olika situationer.

#två) Människan utvecklar maskiner med intelligens precis som människor och de ger också resultat till det komplexa problemet i mycket nära utsträckning precis som människor.

# 3) Människan särskiljer data genom visuella och ljudmönster, tidigare situationer och omständighetshändelser medan de artificiellt intelligenta maskinerna känner igen problemet och hanterar problemet baserat på fördefinierade regler och eftersläpningsdata.

# 4) Människor lagrar data från det förflutna och minns det när de lärde sig det och förvarade i hjärnan, men maskinerna kommer att hitta det förflutna genom att söka algoritmer.

# 5) Med språklig intelligens kan människor till och med känna igen den förvrängda bilden och formerna och de saknade mönster av röst, data och bilder. Men maskiner har inte denna intelligens och de använder datorinlärningsmetodik och djupinlärningsprocess som igen involverar olika algoritmer för att uppnå önskade resultat.

# 6) Människor följer alltid sin instinkt, vision, upplevelse, omständighetssituationer, kringliggande information, visuella och rådata tillgängliga, och också de saker som de har lärt sig av vissa lärare eller äldste att analysera, lösa alla problem och komma ut med några effektiva och meningsfulla resultat av alla frågor.

Å andra sidan använder konstgjorda intelligenta maskiner på alla nivåer olika algoritmer, fördefinierade steg, eftersläpningsdata och maskininlärning för att nå några användbara resultat.

# 7) Även om processen som följs av maskinerna är komplex och involverar en hel del procedurer, ger de fortfarande de bästa resultaten om man analyserar den stora källan till komplexa data och där den behöver utföra särskiljande uppgifter från olika fält vid samma tidpunkt exakt och exakt och inom den angivna tidsramen.

Felfrekvensen i dessa fall av maskiner är mycket mindre än människor.

Underfält av artificiell intelligens

Underfält av artificiell intelligens

# 1) Maskininlärning

Maskininlärning är en funktion av artificiell intelligens som ger datorn möjlighet att automatiskt samla in data och lära av erfarenheterna av de problem eller fall de har stött på snarare än speciellt programmerad för att utföra den givna uppgiften eller arbetet.

Maskininlärningen betonar tillväxten av algoritmer som kan granska data och göra förutsägelser av den. Huvudanvändningen av detta är inom sjukvårdsindustrin där den används för diagnos av sjukdomen, tolkning av medicinsk skanning etc.

Mönsterigenkänning är en underkategori av maskininlärning. Det kan beskrivas som automatiskt igenkänning av ritningen från rådata med datoralgoritmer.

Ett mönster kan vara en ihållande serie av data över tiden som används för att förutsäga en sekvens av händelser och trender, särskilda egenskaper hos bilderna för att identifiera objekten, återkommande kombination av ord och meningar för språkassistans, och kan vara en specifik insamling av handlingar från människor i vilket nätverk som helst som kan indikera någon social aktivitet och många fler saker.

Processen för mönsterigenkänning innehåller flera steg. Dessa förklaras enligt följande:

(i) Datainsamling och avkänning: Detta inkluderar insamling av rådata som fysiska variabler etc och mätning av frekvens, bandbredd, upplösning etc. Data är av två typer: träningsdata och inlärningsdata.

Utbildningsdata är en där det inte finns någon märkning av datamängden och systemet använder kluster för att kategorisera dem. Medan inlärningsdata har en väl märkt dataset så att den kan användas direkt med klassificeraren.

(ii) Förbehandling av indata :Detta inkluderar filtrering av oönskade data som brus från ingångskällan och det görs genom signalbehandling. I detta skede görs också filtrering av redan existerande mönster i indata för ytterligare referenser.

(iii) Funktionsextraktion :Olika algoritmer utförs som en mönstermatchningsalgoritm för att hitta det matchande mönstret som krävs när det gäller funktioner.

(iv) Klassificering :Baserat på resultatet av genomförda algoritmer och olika modeller lärt sig att få matchande mönster, tilldelas klassen till mönstret.

(v) Efterbehandling :Här presenteras den slutliga produktionen och det kommer att säkerställas att det uppnådda resultatet är nästan lika sannolikt att det behövs.

Modell för mönsterigenkänning:

Modell för mönsterigenkänning

(bild källa )

Som visas i figuren ovan kommer funktionshämtaren att härleda funktionerna från ingående rådata, som ljud, bild, video, ljud etc.

Nu kommer klassificeraren att få x som ingångsvärde och allokera olika kategorier till ingångsvärdet som klass 1, klass 2…. klass C. baserat på dataklassen görs ytterligare igenkänning och analys av mönstret.

Exempel på igenkänning av triangelform genom denna modell:

exempel på PR

Mönsterigenkänning används i identifierings- och autentiseringsprocessorer som röstbaserat igenkänning och ansiktsautentisering, i försvarssystem för måligenkänning och navigationsvägledning och bilindustrin.

# 2) Djupt lärande

Det är inlärningsprocessen genom att bearbeta och analysera indata med flera metoder tills maskinen upptäcker den enda önskvärda utdata. Det är också känt som maskininlärningen.

Maskinen kör olika slumpmässiga program och algoritmer för att kartlägga den inmatade råa sekvensen för ingångsdata som ska matas ut. Genom att distribuera de olika algoritmerna som neuroevolution och andra tillvägagångssätt som gradient ner på en neural topologi höjs utgången slutligen från den okända ingångsfunktionen f (x), förutsatt att x och y är korrelerade.

Här intressant är jobbet för neurala nätverk att ta reda på rätt f-funktion.

Djupinlärning kommer att bevittna alla möjliga mänskliga egenskaper och beteendedatabaser och kommer att utföra övervakat lärande. Denna process inkluderar:

  • Upptäckt av olika typer av mänskliga känslor och tecken.
  • Identifiera människan och djuren genom bilderna, som med särskilda tecken, märken eller egenskaper.
  • Röstigenkänning av olika högtalare och memorera dem.
  • Omvandling av video och röst till textdata.
  • Identifiering av rätt eller fel gester, klassificering av skräppost och bedrägerifall (som bedrägeripåståenden).

Alla andra egenskaper inklusive de som nämns ovan används för att förbereda de artificiella neurala nätverken genom djupinlärning.

Prediktiv analys: Efter att ha samlat in och lärt sig stora datamängder görs klustring av liknande typer av datamängder genom att närma sig tillgängliga modelluppsättningar, som att jämföra samma typ av taluppsättningar, bilder eller dokument.

Eftersom vi har gjort klassificeringen och klustringen av datauppsättningarna kommer vi att närma oss förutsägelsen av framtida händelser som baseras på grunderna för de aktuella händelsefallen genom att fastställa korrelationen mellan dem båda. Kom ihåg att det prediktiva beslutet och tillvägagångssättet inte är tidsbegränsat.

Den enda punkten som bör hållas i åtanke när man gör en förutsägelse är att produktionen ska vara meningsfull och bör vara logisk.

Genom att ge repetitiva tag och självanalys kommer lösningen på problem att uppnås med detta för maskiner. Exemplet med djupinlärning är taligenkänning i telefoner som gör att smartphones kan förstå en annan typ av högtalare och konvertera den till meningsfullt tal.

# 3) Neurala nätverk

Neurala nätverk är hjärnan i artificiell intelligens. De är datorsystemen som är en kopia av neurala kopplingar i den mänskliga hjärnan. De artificiella motsvarande hjärnorna i hjärnan är kända som perceptron.

Stapeln med olika perceptron som sammanfogar gör de artificiella neurala nätverken i maskinerna. Innan neurala nätverk ger en önskvärd produktion får de kunskap genom att bearbeta olika träningsexempel.

Med användning av olika inlärningsmodeller, kommer denna process att analysera data också ge en lösning för många associerade frågor som tidigare inte besvarats.

Djupinlärning i samband med neurala nätverk kan utveckla flera lager av dolda data inklusive utmatningsskiktet för komplexa problem och är en hjälp för underfält som taligenkänning, naturlig språkbehandling och datorvision etc.

Neurala nätverk input-output diagram

(bild källa )

De tidigare typerna av neurala nätverk bestod av en ingång och en utgång och endast ett dolt lager eller ett enda lager av perceptron.

De djupa neurala nätverken består av mer än ett dolt lager mellan ingångs- och utgångslager. Därför krävs en djup inlärningsprocess för att utveckla de dolda skikten i dataenheten.

Vid djupinlärning av neurala nätverk är varje lager skickligt med den unika uppsättningen attribut, baserat på de tidigare lagrenas utdatafunktioner. Ju mer du kommer in i det neurala nätverket, får noden förmågan att känna igen mer komplexa attribut när de förutsäger och rekombinerar utgångarna från alla tidigare lager för att producera en tydligare slututgång.

Hela processen kallas en funktionshierarki och även känd som hierarkin för de komplexa och immateriella datamängderna. Det förbättrar förmågan hos de djupa neurala nätverken att hantera mycket stora och breda dimensionella dataenheter som har miljarder begränsningar kommer att gå igenom de linjära och icke-linjära funktionerna.

neurala nätverk med flera lager

Huvudfrågan som maskinintelligensen kämpar för att lösa är att hantera och hantera de omärkta och ostrukturerade uppgifterna i världen som är spridda över alla områden och länder. Nu har de neurala näten förmågan att hantera latens och komplexa funktioner i dessa datamängder.

Den djupa inlärningen i samband med artificiella neurala nätverk har klassificerat och karaktäriserat de namnlösa och rådata som fanns i form av bilder, text, ljud etc. i en organiserad relationsdatabas med rätt märkning.

Till exempel, den djupa inlärningen tar som inmatning tusentals råbilder och klassificerar dem sedan baserat på deras grundläggande funktioner och karaktärer som alla djur som hundar på ena sidan, icke-levande saker som möbler i ett hörn och alla foton från din familj på tredje sidan kompletterar därmed det övergripande fotot som också kallas smarta fotoalbum.

Ett annat exempel, låt oss betrakta fallet med textdata som inmatning där vi har tusentals e-postmeddelanden. Här kommer djupinlärningen att samla e-postmeddelandena i olika kategorier som primära, sociala, reklam- och skräppostmeddelanden enligt deras innehåll.

Feedforward Neural Networks: Målet för att använda neurala nätverk är att uppnå slutresultatet med minimalt fel och hög noggrannhetsnivå.

Denna procedur involverar många steg och var och en av nivåerna inkluderar förutsägelse, felhantering och viktuppdateringar vilket är en liten ökning av koefficienten eftersom den långsamt kommer till de önskade funktionerna.

Vid utgångspunkten för de neurala nätverken vet den inte vilken vikt och datamängder som gör att den konverterar ingången till de bästa lämpliga förutsägelserna. Således kommer den att betrakta alla typer av underuppsättningar av data och vikter som modeller för att göra förutsägelser i följd för att uppnå bästa resultat och det lär sig varje gång av sitt misstag.

Till exempel, vi kan hänvisa neuronnätverken med små barn som när de föds, de vet ingenting om världen omkring dem och har ingen intelligens, men när de blir gamla lär de sig av sina livserfarenheter och misstag för att bli en bättre människa och intellektuell.

Arkitekturen för feed-forward-nätverket visas nedan med ett matematiskt uttryck:

Ingång * vikt = förutsägelse
Sedan,
Mark sanning - förutsägelse = fel
Sedan,
Fel * viktbidrag till fel = justering

Detta kan förklaras här, den inmatade datasetet kartlägger dem med koefficienterna för att få flera förutsägelser för nätverket.

Nu jämförs förutsägelsen med markfakta som hämtas från realtidsscenarier, fakta slutar upplevelsen för att hitta felfrekvensen. Justeringarna görs för att hantera felet och relatera vikternas bidrag till det.

Dessa tre funktioner är de tre centrala byggstenarna i neurala nätverk som gör ingång, utvärderar förlusten och distribuerar en uppgradering till modellen.

Således är det en återkopplingsslinga som kommer att belöna koefficienterna som stöder korrekta förutsägelser och kommer att kasta koefficienterna som leder till fel.

Handskriftsigenkänning, ansiktsigenkänning och digital signaturigenkänning, saknad mönsteridentifiering är några av realtidsexemplen på neurala nätverk.

# 4) Kognitiv beräkning

Syftet med denna komponent av artificiell intelligens är att initiera och påskynda interaktionen för komplicerad uppgift och problemlösning mellan människor och maskiner.

Medan maskinerna arbetar med olika typer av uppgifter lär sig och förstår maskinerna mänskligt beteende, känslor i olika distinkta förhållanden och återskapar tänkande hos människor i en datormodell.

Genom att öva detta får maskinen förmågan att förstå mänskligt språk och bildreflektioner. Således kan kognitivt tänkande tillsammans med artificiell intelligens skapa en produkt som kommer att ha mänskliga handlingar och kan också ha datahanteringsfunktioner.

Kognitiv databehandling kan ta exakta beslut i händelse av komplexa problem. Således används den i det område som behöver förbättra lösningar med optimala kostnader och förvärvas genom analys av naturligt språk och evidensbaserat lärande.

Till exempel, Google Assistant är ett mycket stort exempel på kognitiv datoranvändning.

# 5) Naturlig språkbehandling

Med denna funktion av artificiell intelligens kan datorer tolka, identifiera, lokalisera och bearbeta mänskligt språk och tal.

Konceptet bakom införandet av denna komponent är att göra samspelet mellan maskinerna och det mänskliga språket sömlöst och datorerna kommer att kunna leverera logiska svar mot mänskligt tal eller fråga.

Den naturliga språkbehandlingen fokuserar på både det verbala och det skriftliga avsnittet av mänskliga språk innebär både aktiva och passiva sätt att använda algoritmer.

Natural Language Generation (NLG) kommer att bearbeta och avkoda meningarna och orden som människor brukade tala (verbal kommunikation) medan NaturalLanguage Understanding (NLU) kommer att betona det skriftliga ordförrådet för att översätta språket i texten eller pixlar som kan förstås av maskiner.

Grafiska användargränssnitt (GUI) -baserade applikationer på maskinerna är det bästa exemplet på bearbetning av naturligt språk.

De olika typerna av översättare som omvandlar ett språk till ett annat är exempel på det naturliga språkbehandlingssystemet. Google-funktionen av röstassistent och röstsökmotor är också ett exempel på detta.

# 6) Datorvision

Datorsynen är en mycket viktig del av artificiell intelligens eftersom det underlättar för datorn att automatiskt känna igen, analysera och tolka den visuella informationen från bilder och bilder från den verkliga världen genom att fånga och fånga upp dem.

Den innehåller färdigheterna med djup inlärning och mönsterigenkänning för att extrahera innehållet i bilder från alla givna data, inklusive bilder eller videofiler i PDF-dokument, Word-dokument, PPT-dokument, XL-fil, grafer och bilder etc.

Anta att vi har en komplex bild av en massa saker, då är det inte lätt att se bilden och memorera den. Datorsynen kan innehålla en serie transformationer till bilden för att extrahera bit- och byte-detaljer om den som de skarpa kanterna på objekten, ovanlig design eller färg som används etc.

Detta görs genom att använda olika algoritmer genom att använda matematiska uttryck och statistik. Robotarna använder datorsynsteknik för att se världen och agera i realtidssituationer.

Tillämpningen av denna komponent används väldigt mycket i sjukvårdsindustrin för att analysera patientens hälsotillstånd med hjälp av en MR-skanning, röntgen etc. Används även inom bilindustrin för att hantera datorstyrda fordon och drönare.

Slutsats

I den här guiden har vi först förklarat de olika elementen av intelligens med ett diagram och deras betydelse för att tillämpa intelligens i verkliga situationer för att få önskade resultat.

Sedan har vi i detalj undersökt de olika delområdena av artificiell intelligens och deras betydelse för maskinintelligens och den verkliga världen med hjälp av matematiska uttryck, realtidsapplikationer och olika exempel.

Vi har också lärt oss i detalj om maskininlärning, mönsterigenkänning och de neurala nätverksbegreppen artificiell intelligens som spelar en mycket viktig roll i alla tillämpningar av artificiell intelligens.

I den på varandra följande delen av denna handledning kommer vi att undersöka tillämpningen av artificiell intelligens i detalj.

Rekommenderad läsning

^