Машинное обучение, глубокое обучение, прогнозная аналитика - какова реальность, стоящая за ажиотажем? Как машины обучаются и каковы их пределы?

Искусственный интеллект означает искусственный интеллект, искусственный интеллект не нов, он существует со времен Второй мировой войны и появления первых компьютеров, он стал популярным только в последние годы из-за технологических достижений и вычислительной мощности, так как теперь мы можем обрабатывать массивные наборы данных, используя мощный алгоритм почти в кратчайшие сроки и по минимальной цене.

Сегодня системы искусственного интеллекта побеждают людей в самых сложных играх, самостоятельно управляют автомобилями, создают произведения искусства и даже генерируют человеческий текст (GPT-3)
НО
Как это происходит? все собственно тикают под капотом?

Для начала давайте просто разберемся что такое интеллект?

Интеллект - это способность рассуждать, планировать, решать проблемы, абстрактно мыслить, понимать сложные идеи, быстро учиться и учиться на собственном опыте.

мы уже там?
не совсем

Итак, если вы боитесь, что машины захватят мир, не бойтесь - это вряд ли произойдет в обозримом будущем. но мы делаем большие успехи.

Когда мы говорим об ИИ, мы обычно говорим о двух составляющих ИИ.

  • Искусственный интеллект, имитирующий «человеческий интеллект», обычно называется «общий искусственный интеллект» или «Сильный ИИ».
  • То, что сегодня разрабатывают и внедряют 99% практикующих ИИ в отрасли и академических кругах, называется «Узкий искусственный интеллект», также известный как «Слабый ИИ».

Эти решения предназначены для решения только одной конкретной проблемы без какой-либо возможности для преобразования в другую без доработки.
Вы можете назвать это «лошадкой для одного трюка», но, тем не менее, это очень мощный трюк.

Когда мы говорим об узком ИИ, мы обычно говорим о старом добром машинном обучении.

Машинное обучение

Это процесс применения компьютерных алгоритмов для фиксации поведения и модели поведения систем и процессов на основе входных и выходных данных, собранных из этих систем.
Под капотом - старая добрая математика, но AI-ML звучат намного круче.

Моделирование ИИ
Прогностическая модель - это упрощенное представление реального процесса, с которым мы имеем дело. Невозможно и не нужно когда-либо создавать идеальную модель - нам нужна такая, которая подходит для нашего приложения.

Как построить модель?

  • Определите проблему
  • Соберите данные
  • Настроить и подогнать под модель
  • Используй это!

Начните с определения конкретной проблемы, которую нам нужно решить, и связанных с ней критериев успеха. Затем мы собираем данные из входных и выходных данных нашего процесса, исходя из того, что мы выбираем модель для решения возникшей проблемы и подгоняем ее, используя доступные данные.
Подгонка модели - на страшном математическом жаргоне…

Подгонка модели относится к выполнению численной оптимизации, ищущей минимум функции стоимости в пространстве параметров.

с человеческой точки зрения подгонка - это процесс перемещения регуляторов под капотом нашей модели, тестирующей столько комбинаций, сколько необходимо, до тех пор, пока мы не найдем те значения, которые дают наиболее эффективную модель.

Чтобы лучше понять машинное обучение, давайте рассмотрим три его наиболее распространенных разновидности: контролируемое, неконтролируемое и обучение с подкреплением.

Под присмотром

Контролируемое обучение - это наиболее распространенный вид машинного обучения, который используется сегодня. Компании используют его для прогнозирования производительности сотрудников, того, какой продукт вы, скорее всего, купите в следующий раз, сможете ли вы погасить ссуду, на которую подаете заявку, и многое другое.
Мы используем его для создания моделей, которые прогнозируют категории или количество на основе некоторые измерения входов. Итак, если мы создаем распознаватель фруктов и овощей, входными данными для обучения будут изображения, а в результате обучения - метки, указывающие, какой фрукт или овощ изображен на картинке. От использования меток вывода во время обучения происходит название «контролируемый».
В контролируемом обучении есть два основных типа проблем: проблема регрессии , когда интересующий результат - это количество, например длина, вес или цена; и проблемы классификации, где мы хотим прогнозировать категории, такие как «металл или пластик», «положительное или отрицательное».

Без присмотра

Неконтролируемое обучение обязано своим названием тому факту, что во время обучения оно
не использует выходные метки - это плохо только с фиксацией взаимосвязей и шаблонов во входных данных процесса.

Обучение с подкреплением

Это наиболее похоже на естественный способ обучения живого организма: сущность или «агент» предпринимает определенные действия в своей среде, а затем корректирует свое поведение в зависимости от того, был ли результат действия положительным или отрицательным по сравнению с его критериями успеха. . Хотя это очень мощная идея и ее легко интуитивно понять, эта область ИИ все еще находится в зачаточном состоянии, но в исследования в этой области вкладываются значительные усилия.

Итак, вы получили общее представление о том, что такое искусственный интеллект и как он работает.

Если вам понравилась эта статья и вы чему-то научились, не забывайте хлопать в ладоши, это побуждает меня писать лучше.