Conţinut
- Scurt istoric al AI
- Platforme disponibile
- Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
- Practică face perfect
Sursa: Elnur / Dreamstime
La pachet:
Inteligența artificială este unul dintre domeniile cu cea mai rapidă creștere a tehnologiei, dar cu atât de multe despre asta, de unde începe? Aici aruncăm o privire asupra unor modalități de a vă familiariza cu AI.
Inteligența artificială se apropie de un centru de date din apropierea dvs., și probabil că va începe să îndeplinească multe dintre sarcinile pe care operatorii umani își petrec cea mai mare parte a timpului lor.
În loc să privească această evoluție inevitabilă ca o amenințare, lucrătorii IT de azi ar face mai bine să învețe fundamentele AI acum, astfel încât atunci când ajunge, poate fi folosit ca un instrument pentru a spori valoarea efortului uman pentru organizație, nu pentru a înlocui aceasta.
În primul rând, ajută să știți că există multe tipuri diferite de AI care servesc diverse funcții. Jurnalistul tehnic Michael Copeland consideră tehnologia ca o serie de cercuri concentrice, cu AI ca fiind cercul cel mai exterior și forme mai specializate, cum ar fi învățarea automată (ML) și învățarea profundă.
Diferențele constau în nivelurile de complexitate expuse de fiecare formă de AI și funcțiile specifice pe care sunt proiectate să le permită.
Scurt istoric al AI
AI, de exemplu, are rădăcini care datează din anii 1950, dar a început doar să adune aburi la începutul acestui deceniu cu conceptul de „IA îngustă.” Iată că tehnologia este concentrată pe finalizarea sarcinilor specifice precum clasificarea imaginilor și recunoașterea facială, dar îi lipsește capacitatea să-și evolueze procesele folosind experiența și alte date de intrare cum face un creier uman. (Pentru mai multe detalii, consultați Va fi calculatorul va fi capabil să imite creierul uman?)
Pentru asta, trebuie să apelăm la învățarea automată, care folosește algoritmi pentru a analiza date pentru a face predicții despre mediul său. Cu ML, programatorii nu mai trebuie să predea fiecare acțiune pe care un sistem ar trebui să o facă, ci mai degrabă sistemul însuși poate determina cel mai bun curs de acțiune având în vedere datele disponibile. Cu toate acestea, chiar și în această etapă, termenul „inteligență” este utilizat foarte vag, deoarece încă mai necesită multă contribuție umană pentru ca ML să ajungă la concluzii raționale.
Aici intră rețele de învățare profundă și rețele neuronale. Spre deosebire de învățare automată, aceste tehnologii încearcă să imite funcționarea creierului uman. Folosind stratificarea avansată, conectivitatea și propagarea datelor, acestea procesează seturi de date în numeroase moduri pentru a produce probabilități ponderate pentru un rezultat dat. Deoarece este o sarcină de lucru de calcul foarte grea, nu este surprinzător faptul că acest nivel de AI a fost păstrat pe arzătorul din spate până când GPU-urile și procesarea paralelă au intrat în mainstream.
Platforme disponibile
Programatorul AI în devenire ar trebui, de asemenea, să se familiarizeze cu platformele de lider de pe piață. În timp ce multitudinea de soluții este din ce în ce mai mare, o parte din sistemele de bază oferă o curbă de învățare destul de ușoară pentru cei care sunt deja familiarizați cu limbajele de programare comune.
Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
Nu îți poți îmbunătăți abilitățile de programare atunci când nimeni nu îi pasă de calitatea software-ului.
Sitepoint.com a enumerat unele dintre cele mai stabilite platforme, fiecare dintre acestea tratând diferitele moduri în care AI va interacționa cu procesele bazate pe date. Poate cele mai populare sunt TensorFlow Google și platforma Melissa construită pentru mediul de calcul la nivel de intrare Raspberry Pi. Ambele oferă o ușoară rampă pentru programarea AI, deși Melissa necesită un pic mai multă pricepere în limbajele de programare precum Python.
De asemenea, există servicii precum Wit.ai și Api.ai care folosesc recunoașterea vocală pentru a converti comenzile verbale în. De asemenea, utilizează elemente de programare simple numite „intenții” și „entități” care sunt utilizate pentru a defini acțiunea care trebuie luată și dispozitivul și / sau serviciul care trebuie acționat. În acest fel, dezvoltatorii pot instrui motorul AI să elimine datele din unitatea A și să le lipească pentru a conduce B. Atât Wit cât și Api au propriul set de șabloane pentru intenții și entități, așa că o mare parte a lucrărilor a fost deja făcută. Cu toate acestea, în afară de iOS și Android, ei tind să suporte diferite limbaje de programare, cu Wit aplecat spre Ruby, Python, C și Rust și Api care sprijină Unity, C ++, Python și JavaScript.
Practică face perfect
Deși nu strică niciodată să studiezi AI în mod tradițional - luând o clasă, învățând nuanțele diferitelor platforme, studiind practicile din trecut - memorarea unui set de fapte deconectate te va duce doar până acum, spune Kaggle CTO Ben Hamner. Mai degrabă, o abordare mai practică este să selectezi o anumită problemă în ziua ta de muncă și să încerci să-ți dai seama cum un sistem de automatizare inteligent îl poate atenua, dacă nu rezolvă cu totul. (Pentru a afla despre unele utilizări actuale pentru AI, consultați 3 Exemple uimitoare de inteligență artificială în acțiune.)
Acest lucru este mult mai dificil decât pare. Problema ideală trebuie să aibă trei criterii:
- Trebuie să acopere o zonă de care sunteți interesat personal,
- Acesta trebuie să utilizeze un set de date ușor disponibil, care să fie adecvat pentru a rezolva problema și
- Datele sau subseturile relevante trebuie să stea confortabil într-o singură mașină.
După ce ați identificat o problemă potrivită, Hamner spune că este timpul să faceți un hack rapid și murdar - nimic fantezist, suficient doar pentru a oferi o soluție end-to-end pentru problema de bază. Aceasta ar trebui să acopere pași precum citirea datelor, transformarea acestora într-un lucru pe care un algoritm de învățare automată îl poate înțelege, formarea unui model de bază, crearea unui rezultat și evaluarea performanței.
După ce această linie de bază funcțională este completă, puteți întotdeauna întoarce și îmbunătăți fiecare componentă, probabil examinând rândurile individuale și vizualizând distribuțiile pentru a obține o mai bună înțelegere a structurii și anomaliilor. În multe cazuri, veți constata că îmbunătățirea etapelor de curățare și prelucrare a datelor produce rezultate mai bune decât optimizarea modelelor de învățare a mașinilor.
De asemenea, vă ajută să vedeți ce fac ceilalți cu AI în acest moment și apoi să vă împărtășiți creațiile în mod public pentru a favoriza și mai mult dezvoltarea. Google a început recent o cutie de nisip AI numită Experimente AI, care oferă cod sursă deschisă și alte resurse pentru a vă ajuta să începeți, plus o vitrină pentru dezvoltările AI în artă, limbă, muzică și alte discipline. Pe lângă TensorFlow și API-ul Cloud ML, site-ul oferă o versiune a laboratorului de jocuri DeepMind 3D și un set de aplicații și scripturi openFrameworks pentru dezvoltarea instrumentelor de învățare a mașinilor în C ++.
Cea mai mare schimbare pe care inteligența artificială o va aduce forței de muncă a cunoștințelor și, în special, IT, este eliminarea tuturor sarcinilor repetate, repetitive, care constituie cea mai mare parte a zilei de muncă. Însă nu faceți greșeală, AI nu va face omul să fie redundant și nici nu va permite omenirii să trăiască o viață liberă în timp ce mașinile fac toată munca.
Vor fi multe pentru a menține creierul uman ocupat într-o economie bazată pe AI, dar aceasta va cuprinde în mare parte proiectele creative și intuitive pe care algoritmii matematici nu le vor putea stăpâni niciodată.
Cu AI ca partener, așteptați-vă că ziua de muncă va deveni mai interesantă și plină de satisfacții pentru indivizi, în timp ce organizațiile pe care le deservesc ar trebui să vadă o valoare mai mare din activitatea umană și o productivitate mai mare în general.