人工智慧入門概念


自計算機或機器發明以來,它們執行各種任務的能力經歷了指數增長。 人類在計算機系統的多樣化工作領域發展越來越強大,計算機的速度不斷提高,並且隨著時間的推移縮小了規模。

電腦科學的一個分支叫做人工智慧,它追求創造出像人一樣聰明(智慧)的計算機或機器。

人工智慧的基本概念(AI)

根據人工智慧之父John McCarthy的說法,它是「製造智慧機器的科學和工程,特別是智慧計算機程式」。

人工智慧是一種以智慧人類思維的類似方式的計算機,計算機控制的機器人或軟體智慧地思考的方法。 人工智慧是通過研究人腦如何思考以及人類如何在解決問題的同時學習,決定和工作,然後將此研究的結果作為開發智慧軟體和系統的基礎來完成的。

在利用計算機系統的強大功能時,人類的也會有好奇心:「機器能像人類一樣思考和行為嗎?」

因此,人工智慧的發展始於在我們發現並認為在人類身上那些智慧,也可以機器中類似的創造。

學習AI的必要性

正如我們所知,AI追求的是創造出像人一樣聰明的機器。我們學習人工智慧的理由有很多。 一些主要原因如下 -

  • AI可以通過資料學習
    在我們的日常生活中,需要處理大量的資料,人類的大腦無法追蹤這麼多的資料。我們需要自動化處理這些事情。 為了實現自動化,我們需要學習AI,因為它可以從資料中學習,並且可以準確無誤地完成重複任務。

  • AI可以自學習
    一個系統應該能自學,因為資料本身不斷變化,並且源於這些資料的知識必須不斷更新。 我們可以使用AI來實現這個目的,因為啟用AI的系統可以自學。

  • AI可以實時響應
    人工智慧借助神經網路可以更深入地分析資料。 由於這種能力,人工智慧可以根據實時情況思考和響應情況。

  • AI達到高準確度
    在深度神經網路的幫助下,AI可以達到極高的準確度。 AI有助於醫學領域從患者的MRI中診斷癌症等疾病。

  • 人工智慧可以組織資料以最大限度地利用它
    資料是使用自學習演算法的系統的智慧財產權。 我們需要人工智慧以總是能夠提供最佳結果的方式對資料進行索引和組織。

  • 理解智慧
    通過人工智慧,可以構建智慧系統。 我們需要理解智慧的概念,以便我們的大腦可以構建像自己一樣的另一個智慧系統。

什麼是智慧?

系統能夠計算,推理,感知關係和類比,從經驗中學習,儲存和檢索來自記憶的資訊,解決問題,理解複雜的想法,流利地使用自然語言,分類,推廣和適應新的情況。

智慧型別
正如美國發展心理學家霍華德加德納(Howard Gardner)所描述的,智慧來自多方面,如下表所示 -

編號 智慧 描述 範例
1 語言智慧 能夠說,識別和使用音系學(語音),語法(語法)和語意(含義)機制。 講述人,演說者
2 音樂智慧 能夠創造,溝通和理解由聲音,音調和節奏的理解所構成的意義。 音樂家,歌手,作曲家
3 邏輯數學智慧 在沒有操作或物件的情況下使用和理解關係的能力。這也是理解複雜和抽象思想的能力。 數學家,科學家
4 空間智慧 能夠感知視覺或空間資訊,改變它,並在不參考物件的情況下重新建立視覺影象,構建3D影象以及移動和旋轉它們。 地圖讀者,宇航員,物理學家
5 身體-運動智慧 能夠使用完整或部分身體來解決問題或時尚產品,控制精細和粗糙的運動技能,並操縱物體。 球員,舞蹈演員
6 個人內部智慧 區分自己的感受,意圖和動機的能力。 佛陀
7 人際智慧 能夠識別和區分他人的感受,信念和意圖。 大眾傳播者,採訪者

可以說一台機器或者一個系統至少配備一種或所有智慧時是人工智慧的。

智慧組成有什麼?

智慧是無形的。 它由 -

  • 推理
  • 學習
  • 解決問題
  • 知覺
  • 語言智慧

下面簡要介紹所有元件 -

推理

這是一套程式,使我們能夠為判斷,制定決策和預測提供基礎。大致有兩種型別 -

歸納推理 演繹推理
它進行具體的觀察以作出廣泛的一般性陳述。 它從一般性陳述開始,考察可能性以達到一個特定的,合乎邏輯的結論。
即使所有的前提在陳述中都是真實的,但歸納推理允許結論是錯誤的。 一般來說,如果一類事情是真的,那麼這個類的所有成員也是如此。
例如 - 「Nita是老師,Nita很好學,所以老師都很好學。」 例如 - 「所有60歲以上的女性都是奶奶,Shalini已經65歲了,因此Shalini是奶奶。」

學習 - l

學習的能力被人類,動物的特定物種以及AI支援的系統所擁有。學習分類如下 -

聽覺學習

它通過聽力和聽力來學習。 例如,聽錄音講座的學生。

情節學習
通過記住人們目睹或經歷的一系列事件來學習。 這是線性和有序的。

運動學習
它通過肌肉的精確運動來學習。 例如,挑選物件,寫作等

觀察學習
通過觀看和模仿他人來學習。 例如,孩子試圖通過模仿她的父母來學習。

感性學習
它是學習認識到,一個之前已經看到過的刺激。 例如,識別和分類物件和情況。

關係學習
它涉及在關係屬性的基礎上學習區分各種刺激,而不是絕對屬性。 例如,在烹製上次鹹的土豆時新增「少量少量」的鹽,當因為當時加入一大湯匙鹽。

  • 空間學習 - 通過視覺刺激來學習,如影象,顏色,地圖等。例如,一個人可以在實際跟隨道路之前在腦海中建立路線圖。
  • 刺激反應學習 - 當某種刺激存在時,學習執行特定的行為。 例如,一隻狗在聽到門鈴時抬起耳朵。

解決問題
人們通過走一條被已知或未知的障礙阻擋的道路,從現在的情況中感知並試圖達到期望的解決方案。
解決問題還包括決策制定,即從多種選擇中選擇最合適的替代方案以達到預期目標的過程。

知覺
這是獲取,解釋,選擇和組織感官資訊的過程。
感知假設感知。在人類中,知覺受感覺器官的幫助。在人工智慧的領域,感知機制以有意義的方式將感測器獲取的資料放在一起。

語言智慧
這是一個使用,理解,說話和寫作口頭和書面語言的能力。 這在人際交往中很重要。

人工智慧涉及什麼?

人工智慧是一個廣闊的研究領域。 這個研究領域有助於尋找現實世界問題的解決方案。

下面我們來看看AI研究的不同研究領域 -

機器學習
它是AI最受歡迎的領域之一。 這個領域的基本概念是讓機器從資料中學習,因為人類可以從他/她的經驗中學習。 它包含的學習模型的基礎上,可以對未知資料進行預測。

邏輯
數學邏輯被用來執行計算機程式是另一個重要的研究領域。 它包含執行模式匹配,語意分析等的規則和事實。

搜尋
這個研究領域基本上用於象棋,圍棋等遊戲。 搜尋演算法在搜尋整個搜尋空間後給出最優解。

人工神經網路
這是一個高效的計算系統網路,其中心主題是從生物神經網路的類比中借鑒的。 ANN可用於機器人,語音識別,語音處理等。

遺傳演算法
遺傳演算法有助於在多個程式的幫助下解決問題。 結果將基於選擇適者。

知識表示
這是研究領域,我們可以用機器可以理解的機器來表示事實。 代表更有效的知識; 更多的系統將是智慧的。

AI的應用

在本節中,我們將看到AI支援的不同領域 -

棋類遊戲

人工智慧在諸如國際象棋,撲克,井字遊戲等戰略遊戲中發揮著至關重要的作用,機器可以基於啟發式知識考慮大量可能的玩法。

自然語言處理
可以與理解人類自然語言的計算機進行互動。

專家系統
有一些應用程式整合了機器,軟體和特殊資訊來傳遞推理和建議。 他們向使用者提供解釋和建議。

視覺系統
這些系統理解,解釋和理解計算機上的視覺輸入。 例如,

  • 間諜飛機拍攝照片,這些照片用於計算空間資訊或地區地圖。
  • 醫生使用臨床專家系統來診斷患者。
  • 警方使用計算機軟體,可以通過法醫藝術家儲存的肖像識別罪犯的臉部。

語音識別
一些智慧系統能夠在人們對話時聽到和理解語言的句子及其含義。 它可以處理不同的口音,俚語,背景中的噪音,由於寒冷造成的人類噪音變化等。

手寫識別
手寫識別軟體通過觸筆在筆上或螢幕上讀取寫在紙上的文字。 它可以識別字母的形狀並將其轉換為可編輯文字。

智慧機器人
機器人能夠執行人類給出的任務。 他們有感測器來檢測真實世界的物理資料,如光,熱,溫度,運動,聲音,碰撞和壓力。 他們有高效的處理器,多個感測器和巨大的記憶體,展現智慧。 另外,他們能夠從錯誤中學習,並能適應新的環境。

認知建模:模擬人類思維過程

認知建模基本上是電腦科學研究領域,涉及研究和模擬人類思維過程。 AI的主要任務是讓機器像人一樣思考。 人類思維過程的最重要特徵是解決問題。 這就是為什麼或多或少的認知建模試圖理解人類如何解決問題的原因。 該模型可用於各種AI應用,如機器學習,機器人技術,自然語言處理等。

代理和環境

在本節中,我們將重點介紹代理和環境以及這些在人工智慧中的幫助。

代理人
代理人是能夠通過感測器感知其環境並通過效應器作用於該環境的任何事物。

人用試劑具有與感測器平行的諸如眼睛,耳朵,鼻子,舌頭和面板之類的感覺器官以及用於效應器的諸如手,腿,嘴等其他器官。

機器人代理取代了感測器的攝像頭和紅外測距儀,以及各種效應器的馬達和執行器。

軟體代理已將位串編碼為其程式和操作。

環境
某些程式在局限於鍵盤輸入,資料庫,計算機檔案系統和螢幕上字元輸出的完全人造環境中執行。

相比之下,一些軟體代理(軟體機器人或softbots)存在於豐富的無限軟域中。 模擬器有一個非常詳細,複雜的環境。 軟體代理需要實時從多種行為中進行選擇。 Softbot旨在掃描客戶的線上偏好,並向客戶展示有趣的物品在真實以及人造環境中工作。