AI věda

AI vědci

AI Scientists vytváří software s algoritmy, které mohou provádět úkoly, které normálně vyžadují lidskou inteligenci.

Vědci umělé inteligence mohou být odborníky v několika oborech umělé inteligence:

• Aplikovaná matematika
• Výpočetní statistika
• Počítačová věda
• Strojové učení
• Hluboké učení

Někteří vědci AI mají také značné zkušenosti s velkými daty:

• Business Intelligence
• Návrh databáze
• Návrh datového skladu
• Dolování dat
• SQL dotazy
• SQL Reporting

Slabá AI

Slabá umělá inteligence je omezena na konkrétní nebo úzké oblasti, jako je většina AI, kterou máme dnes kolem sebe:

• Vyhledávače
• Siri od Applu
• Cortana od Microsoftu
• Alexa od Amazonu
• Watson od IBM

Slabá AI se také nazývá Narrow AI.

Slabá umělá inteligence simuluje lidské poznání na rozdíl od silné umělé inteligence, která má lidské poznání .

Silná AI

Silná umělá inteligence je typ umělé inteligence, který napodobuje lidskou inteligenci.

Silná umělá inteligence označuje schopnost myslet, plánovat, učit se a komunikovat.

Silná AI je další teoretickou úrovní AI: True Intelligence .

Silná umělá inteligence se posouvá směrem ke strojům se sebeuvědoměním, vědomím a objektivními myšlenkami.

strojové učení (ML)

Klasické programování používá programy k vytváření výsledků:

Strojové učení využívá výsledky k vytváření programů (algoritmů):

Neuronové sítě (NN)

Jedním z nejvýznamnějších objevů v historii je síla neuronových sítí (NN).

V neuronových sítích se mnoho vrstev dat nazývaných neurony sčítá dohromady nebo naskládá na sebe, aby se vypočítaly nové úrovně dat.

Běžně používané krátké názvy:

• Hluboká neuronová síť DNN
• CNN konvoluční neuronová síť
• RNN Rekurentní neuronová síť

Hluboké učení (DL)

Hluboké učení jsou algoritmy, které využívají neuronové sítě k extrakci dat vyšší úrovně.

Každá následující vrstva používá jako vstup předchozí vrstvu.

Například optické čtení používá nízké vrstvy k identifikaci hran a vyšší vrstvy k identifikaci písmen.

Hluboké učení má dvě fáze:

1. Školení: Vstupní data slouží k výpočtu parametrů modelu.

2. Vyvození: „Vycvičený“ model vydává data z libovolného daného vstupu.

Revoluce hlubokého učení

Revoluce hlubokého učení je tady!

Revoluce hlubokého učení začala kolem roku 2010. Od té doby se hluboké učení používá k řešení mnoha „neřešitelných“ problémů.

Příklady

Konvoluční neuronové sítě (CNN)

Deep CNN jako ResNeta a Inception snížily chybovost v klasifikaci ImageNet z 25 % v roce 2011 na 5 % v roce 2017.

ImageNet je databáze obrázků organizovaná podle hierarchie WordNet, ve které každý uzel hierarchie obsahuje stovky a tisíce obrázků. ImageNet je užitečným zdrojem pro výzkumníky, pedagogy, studenty a všechny ostatní s vášní pro obrázky.

WordNet je lexikální databáze sémantických vztahů mezi slovy ve více než 200 jazycích. Je organizován jako kombinace slovníku a tezauru, spojující slova do sémantických vztahů pomocí synonym, hyponym a meronym.

Rekurentní neuronové sítě (RNN)

RNN pomáhají vytvářet hudební partitury a nové zvuky nástrojů:
https://magenta.tensorflow.org/demos .

Historie AI