tutorial

Intelligence Ponggawa lan sistem kognitif, apa iku lan bisa aplikasi

Intelijen buatan bisa dideleng minangka kemampuan sistem komputasional kanggo nindakake tugas, kagiyatan lan ngrampungake masalah khas pikiran lan kemampuan manungsa.

Perkiraan wektu maca: 7 menit

Disiplin kasebut dilahirake minangka cabang teknologi informasi, kanthi tujuan nggawe mesin:

"Loro-lorone hardware lan piranti lunak";
bisa tumindak kanthi otonom ing kabeh kahanan kasebut, manawa wong bisa mikir manawa mung manungsa sing bisa ngerti konteks lan tumindak kanthi bener.

Wis pirang-pirang taun, intelijen buatan asring nglalekake debat filosofis kanggo menehi jawaban babagan kemungkinan ngganti manungsa karo mesin ... apa bisa?

Ing babagan iki, kita bisa ngerteni rong aren pamikiran:

Lemah intelijen buatan
Intelijen intelijen sing kuat

Kita ujar babagan intelijen buatan (Lemah Artis) sing ringkih yen tujuane yaiku ora nggawe sistem sing duwe kapinteran sing padha karo manungsa. Nanging sistem sing bisa tumindak kanthi sukses ing siji utawa luwih akeh kegiatan manungsa, kayata terjemahan teks kanthi otomatis.

Ing kasus kasebut, piranti lunak, kanggo nindakake tugas sing wis diprogram, tumindak kaya-kaya minangka subyek cerdas, nanging kanggo tujuan asil kasebut ora preduli apa pancene bener utawa ora.

Pramila kita ngomong babagan intelijen buatan lemah ing kabeh kedadeyan mesin kasebut ora bisa mikir kanthi otonom, nanging isih bisa nyonto kapinteran.

AI jinis iki ditrapake ing kasus sing ngerti proses kognitif manungsa ora relevan karo asil sing paling penting.

Kita ngomongake Intelligence Ponggawa sing kuwat nalika mesin sing dilengkapi intelijen buatan ora mung "alat".

Yen dikembangake kanthi bener, bisa dadi awake dhewe mikir, kanthi kapasitas kognitif ora bisa dibedakake saka manungsa.

Ing filsafat iki, ide kasebut yaiku sawetara wujud intelijen buatan sing bisa menehi sebab lan bisa ngrampungake masalah kaya manungsa, mula bisa mbedakake asil saka mesin utawa manungsa bakal mokal.

Istilah Machine Learning (pembelajaran otomatis) nuduhake sakumpulan mekanisme sing ana ing jagad intelijen buatan.

Mekanisme iki ngidini mesin cerdas nambah kapabilitas lan kinerja sajrone wektu, kanthi otomatis sinau kanthi pengalaman kanggo nindakake tugas tartamtu, nambah kinerja luwih suwe lan saya suwe.

Conto yaiku AlphaGo, piranti lunak saka machine Learning sing sinau kanthi ndelok jutaan gerakan sing ditindakake dening pemain Go sajrone game sing beda-beda, lan duwe mesin kanggo muter dhewe, kanthi asile bisa ngalahake apa sing dianggep minangka pemain paling apik ing donya game iki.

Telung kategori utama sinau mesin yaiku:

Pembelajaran sing diawasi: sistem kasebut nampi conto sing diwenehi label miturut output sing bakal dipikolehi lan, diwiwiti saka data latihan kasebut, kudu ngetrapake aturan umum sing nggandhengake label sing bener karo saben input anyar;
Ora dilatih: ora ana data sing diwenehi label, yaiku sistem sing, wiwit saka masukan, kudu nemokake struktur ing data;
Pembuatan penegakan: Sistem nampa input saka lingkungan lan nindakake tumindak. Sistem kasebut nyoba nindakake tumindak supaya bisa nampa hadiah. Sistem kasebut bakal nyoba ngetrapake tumindak sing ngoptimalake penghargaan gumantung karo kahanan ing sekitar lingkungan kasebut.

Il Deep Learning minangka subkategori saka Mesin Pembelajaran, yaiku kulawarga metode kepinteran gawean sing diilhami dening struktur lan fungsi otak: yaiku jaringan saraf buatan (Jaringan Neural Ponggawa).

Arsitektur iki ditrapake ing konteks sing beda:

Komputer Vision
pangenalan basa audio lan pidato
pangolahan basa alam
bioinformatics

Karakteristik saka Deep Learning dibandhingake karo teknik AI liyane:

Iki minangka algoritma sing nggunakake macem-macem unit non-linear. Tahap kasebut digunakake ing kaskada kanggo nindakake tugas sing bisa diklasifikasikake minangka masalah ngowahi karakteristik sing diekstrak saka data; saben level nggunakake output level sadurunge minangka input;
Algoritma kasebut mlebu menyang kelas data algoritma perwakilan perwakilan data sing luwih amba sajrone sinau mesin;
Iki kawangun dening pirang-pirang tingkat perwakilan sing bisa dingerteni kaya tingkat abstraksi sing beda, bisa mbentuk hirarki konsep.

Il Deep Learning tumindak kanthi mekanisme sing padha karo otak, mesin sinau kanthi otomatis kaya ing Machine Learning, nanging nindakake kanthi cara sing luwih "jero" kaya sing ditindakake otak manungsa. Kanthi jero tegese "ing sawetara tingkat konseptual".

Koyone panjaluk sing kuat kanggo kemampuan komputasi bisa dadi watesan, nanging skalabilitas Deep Learning kanggo nambah data lan algoritma sing kasedhiya yaiku sing mbedakake saka Machine Learning:

sistem saka Deep Learning padha nambah kinerja nalika data mundhak
Aplikasi Pembelajaran Mesin, yen level prestasi tartamtu wis digayuh, ora ana maneh scalable.

Kanggo nglatih sistem Deep Learning biasane sampeyan label data.

Contone, ing lapangan pangenalan visual, sampeyan bisa nglebokake meta tag "kucing" ing gambar sing ngemot kucing lan, tanpa nerangake sistem babagan cara ngerteni, sistem kasebut dhewe, liwat pirang-pirang tingkat hirarki, bakal ngira-ngira apa ciri kucing (kucing, buntut, wulu, lan sapiturute) lan mulane sinau ngerti.

Data ora bisa direkayasa bisa dianalisa model sinau jero yen wis dibentuk lan tekan tingkat akurasi sing bisa ditrima, nanging ora kanggo tahap latihan awal.

Il Deep Learning dina iki wis diterapake ing macem-macem lapangan:

mobil tanpa sopir fisik
drones lan robot sing digunakake kanggo pangiriman bingkisan utawa kanggo manajemen darurat
pangenalan wicara lan sintesis kanggo chatbots lan robot layanan
pangenalan rai kanggo pengawasan
pangopènan ramalan

Komputasi kognitif

Ngleksanakake teknologi hardware paling maju, lan nggunakake algoritma belajar mandiri kayata:

data mining
analytics data amba
pola pangenalan
pangolahan basa alam
pamroses sinyal

platform teknologi digawe sing nyoba niru otak manungsa, diwiwiti saka kegiatan sing luwih gampang supaya bisa luwih olahan olahan.

Sinyal minangka variasi temporal saka negara fisik sistem utawa jumlahe fisik sing digunakake kanggo makili lan ngirim pesen, informasi i jarak, mula analisis sinyal minangka komponen sing ndhukung komputasi kognitif.