Выберете лишнее слово big data искусственный интеллект word робототехника

С 14 ноября в рамках информационного образования стартовал диктант по искусственному интеллекту 2022 на сайте иидиктант.рф. В случаи если участник набирает менее 12 баллов, то ему рекомендуется на том же сайте ознакомиться с образовательными материалами.

Вопросы и ответы на диктант по искусственному интеллекту 2022

Если знаете, где мы ошиблись со своим вариантом — просьба написать в комментариях.

Вопрос 1. Какой пункт из нижеперечисленных не является истинным?

• Искусственный интеллект – это комплекс технологических решений, имитирующий когнитивные функции человека
• Искусственный интеллект получает в наследство убеждения и стереотипы своих создателей
• Искусственный интеллект помогает бороться с коронавирусом
• Близкий к бесконечному интеллект сможет быстро разрешить все наши проблемы

Вопрос 2. Расставьте следующие понятия об областях знаний ИИ в хронологической последовательности возникновения терминов

• Машинное обучение, глубокое обучение, искусственный интеллект
• Искусственный интеллект, машинное обучение, глубокое обучение
• Глубокое обучение, машинное обучение, искусственный интеллект

Вопрос 3. Сколько определений искусственного интеллекта существует?

• Ни одного
• Одно
• Несколько

Вопрос 4. Что не входит в рамки возможностей искусственного интеллекта на современном этапе?

• Саморазвитие
• Предсказание
• Классификация объектов

Вопрос 5. Выберите верные утверждения:

1. ИИ активно применяется в сельском хозяйстве, медицине, финансах, промышленности, робототехнике и других сферах.
2. Для оплаты московского метро с помощью биометрии используются технологии распознавания речи

• Оба утверждения неверны
• Верно только первое утверждение
• Верно только второе утверждение
• Верны оба утверждения

Вопрос 6.Выберите один или несколько правильных вариантов ответа

• Искусственный интеллект – это раздел машинного обучения
• Глубокое обучение включает в себя искусственный интеллект
• Искусственный интеллект включает в себя машинное обучение

Вопрос 7. Что такое Deep Fake?

• Выдача неправильных прогнозов нейросетями
• Публикация пропагандистских текстов в социальных сетях
• Замена нейросетями лиц на изображениях и в видео

Вопрос 8. Какое приблизительное количество нейронных клеток в человеческом мозге?

• 100 миллионов
• 10 миллиардов
• 100 миллиардов

Вопрос 9. Что такое «демократизация искусственного интеллекта»?

• Упрощение использования технологий искусственного интеллекта
• Использование технологий искусственного интеллекта для выборов в органы власти

Вопрос 10. Какой пункт из нижеперечисленных не является целью этичного искусственного интеллекта? ИИ должен быть:

• Подконтролен и полезен обществу
• Безопасен для человека
• Надежен в эксплуатации и предсказуем в действиях
• Все принятые решения и ошибки искусственного интеллекта должны быть прозрачны для понимания и доступны для анализа
• Все принятые искусственным интеллектом решения должны быть наилучшими в текущей ситуации

Вопрос 11. Какой тип нейронных сетей используется для синтеза речи?

• Многослойный персептрон
• Рекуррентная нейронная сеть
• Сверточная нейронная сеть

Вопрос 12. Какие разделы математики используются в машинном обучении? Отметить все подходящие

• Топология
• Статистика
• Линейная алгебра
• Дифференциальное исчисление

Вопрос 13. Какой уровень распознавания картинок у среднестатистического человека?

• 99%
• 95%
• 90%
• 85%
• 80%

Вопрос 14. Выберите из списка виды базового машинного обучения

• Обучение без учителя
• Обучение с руководителем
• Обучение с учителем
• Обучение без руководителя

Вопрос 15. Какая зависимость количества вычислений для обучения нейронной сети от количества ячеек этой сети?

• Линейная
• Степенная
• Экспоненциальная

Вопрос 16. Против какой супер-ЭВМ играл в го Ли Седоль?

• Deep Purple
• Go Pro
• AlphaGo
• Deep Blue

Вопрос 17. Что не было прообразом искусственной нейронной сети?

• Паутинная сеть
• Структура головного мозга
• Компьютерная сеть

Вопрос 18. Какой тип нейронных сетей в основном используется для компьютерного зрения?

• Рекуррентная нейронная сеть
• Сверточная нейронная сеть
• Многослойный персептрон

Вопрос 19. Где уже применяются технологии ИИ? Выберите один или несколько вариантов ответов:

• Распознавание предметов на видео
• Беспилотные летательные аппараты
• Улучшение качества фотографий
• Выявление нежелательных электронных писем (спама)

Мы набрали 23 балла из 26 — будем рады обсудить наши ошибки ниже в месседжах)

Искусственный интеллект и машинное обучение всё чаще используются компаниями в маркетинге. О том, как и для чего они применяются в работе, расскажем в следующих статьях. А чтобы лучше понимать, как устроены эти технологии, мы подготовили для вас тематический словарь с наглядными примерами. Объясняем термины так просто, чтобы и ежу стало понятно.

Искусственный интеллект

Он же ИИ, Artificial Intelligence, AI

Точного определения не существует, совсем как в философии. Всё зависит от того, что именно понимать под словами «разум» и «интеллект». Считать это только свойством людей? Или некоторые животные тоже разумны и обладают интеллектом? В целом, искусственный интеллект — это свойство систем имитировать либо психические процессы человека, либо разумное поведение и возможность совершать выбор.

Представьте, вы мечтаете завести ежа. Останавливает только аллергия на этих животных. Тогда друзья предлагают купить робоёжика. Он должен уметь воспроизводить поведение настоящего ежа: фыркать, выражая своё недовольство, сворачиваться в клубочек, когда его пытаются погладить, громко топать лапками по ночам, любить хозяина и кусать незнакомых ему людей. Если ваш робоёж умеет всё это, то можете смело говорить, что он обладает искусственным интеллектом.

Большие данные

Они же Big Data

Вроде сразу понятно, большие данные — это много каких-то данных. Но всё не так просто. Для начала, много — это сколько? Три, десять, миллион, миллиард? А чего — мегабайтов, гигабайтов, терабайтов? Насчёт этого нет единого мнения. Кто-то думает, что это когда данные нельзя посчитать на одном компьютере, кто-то — когда ежедневный поток информации превышает 100 Гб в день. Принято считать, что большие данные — это не только сами данные, но ещё и инструменты, подходы и методы обработки информации.

Допустим, есть задание от Гринпис: каждый день считать белобрюхих, ушастых и африканских карликовых ежей, живущих на территории заповедника. Это нужно, чтобы сравнить их количество между собой и посмотреть, не уменьшается ли популяция одного из видов ежей.

Каждый день вы собираете всех ёжиков и распределяете по трём комнатам.

Если в заповеднике 100 ёжиков, задача кажется легкой. С 1000 ежей становится сложнее (не забывайте, они могут выбегать). А если у вас самый большой в мире ежиный заповедник, то вручную животных уже не посчитать — в этот момент они станут большими данными. Вам придётся обзавестись инструментом обработки больших данных — умным автоматическим сортировщиком ежей. Он не только распределит и посчитает животных, но и найдёт новые зависимости, например, сезонные колебания в ежиной популяции.

Блокчейн

От англ. Blockchain

Блокчейн — это не только про криптовалюту! Это технология хранения информации в цепочке блоков. Каждый из блоков содержит данные о всей предыдущей цепочке: известно, что именно хранится в предыдущих блоках, кто и когда создал информацию, переместил её или изменил. Все сведения дублируются на разных компьютерах, возможно, в разных странах. Благодаря этому подделать их просто невозможно.

Представьте, что у вас есть лучший друг — ёж Соник. Прибегает сосед, грозится вызвать полицию и кричит, что у него есть видео, где Соник два дня назад крадёт огромный алмаз, закопанный в саду. Но такого не может быть: весь вечер вы с ежом смотрели сериалы и ели пиццу.

Предположим, все записи с камер наблюдения района хранятся с помощью технологии блокчейн: запись одного дня с одной камеры — один блок, в новом блоке содержится видеозапись нового дня и код-идентификатор предыдущего блока. Полицейский получает доступ ко всем камерам, на которых виден сад соседа. Затем он ищет код с нужной камеры, смотрит на идентификатор видео, где Соник крадёт алмаз и понимает, что видео сфабриковано. Теперь можно дальше счастливо есть пиццу, а сосед будет отрабатывать наказание за клевету!

Машинное обучение

Оно же МО, Machine Learning, ML

Это алгоритмы, обучающиеся самостоятельно или с помощью учителя. Выглядит это примерно так:

1. Собираются данные.
2. Делятся примерно в отношении 80/20 для обучения и проверки.
3. Выбирается модель, подходящая для нашей задачи.
4. Модель обучается.
5. Результаты оцениваются и отправляются на доработку при недостаточной точности.

С помощью методов машинного обучения можно научить компьютеры распознавать ёжиков или рисовать их. Ниже расскажем про два разных подхода с конкретными примерами.

1. Градиентный бустинг 

От англ. Gradient Boosting

Это способ последовательного построения алгоритмов. Каждый новый алгоритм создаётся, чтобы исправить недостатки предыдущего.

Например, мы придумываем алгоритм, определяющий породу ежей. Для начала смотрим их размеры: большой ёж, средний или маленький. Это наше первое простое дерево решений. Затем ещё несколько:

• по длине иголок;
• по основному цвету;
• по форме ушек.

Далее соединяем все признаки в одно дерево и получаем заготовку, словно мы делаем тест «Какой вы ёжик». Все породы такой тест не покроет, поэтому придётся построить ещё одно дерево с учётом получившейся ошибки. Каждое новое дерево будет уменьшать ошибку и точнее определять породу ежей.

2. Нейронные сети

От англ. Artificial neural network

Это аналог нейронных сетей человеческого мозга. Много маленьких нейронов решают свои простейшие операции. Они взаимосвязаны и вместе выполняют сложные функции.

Предположим, мы много раз сфотографировали и нарисовали ежей, показали компьютеру и сказали: «Смотри, всё это ёжики». Он проанализировал картинки, наложил их друг на друга и выделил признаки ежа. В результате получилось представление — его называют слоем свёртки. Человек, который посмотрит на него, скорее всего, не поймет, почему алгоритм так видит ёжиков. Он увидит только набор пикселей. Такой сверточной нейронной сети теперь можно показать видео из заповедника, а она посчитает, сколько ежей там живет.

Модель машинного обучения

Она же ML model

Это конкретный обученный алгоритм. Модель со своим набором признаков (фич) решает только тот тип задач, для которого была построена. Как ёжик, которого научили ловить определённый вид гусениц.

Фича

От англ. feature — особенность, характеристика, свойство

Это сленговое обозначение признаков, применяющихся в моделях. Помните, мы в градиентном бустинге строили деревья для определения породы ежа? Так вот, форма ушек — это фича. Как и длина иголок.

Если вы хотите подробнее узнать, как устроено машинное обучение, где мы сталкиваемся с ним в жизни и как оно используется в маркетинге, переходите на статью «Вторжение машинного обучения: от заказа такси до персонализации контента».

Данные становятся движущей силой современного мира, поэтому почти каждый уже сталкивался с такими терминами, как data science, «машинное обучение», «искусственный интеллект», «глубокое обучение» и data mining. Но что же обозначают эти понятия? Какие различия и связи между ними существуют?

Все перечисленные выше термины, несмотря на их взаимосвязь, нельзя использовать в качестве синонимов. Эта статья поможет вам не только понять, какие исследования и опыт позволяют извлекать знания из данных, чтобы делать машины умнее, но и как конкретно это происходит.

Вкратце о дисциплинах работы с данными

Data science, data mining, машинное обучение, глубокое обучение и искусственный интеллект — основные термины, вызывающие самый высокий ажиотаж. Поэтому прежде чем приступать к подробным объяснениям, давайте вкратце рассмотрим все дисциплины, для которых важны данные.

Дисциплины data science на примере распознавания снимков МРТ.

Data science — это обширная научная область, занимающаяся осмыслением данных. Например, рассмотрим системы рекомендаций, создающие индивидуальные предложения для покупателей на основе истории их поиска. Допустим, если один покупатель искал удочку и прикорм, а другой наряду с этими продуктами искал и рыболовную леску, то есть высокая вероятность того, что первый покупатель будет заинтересован и в приобретении лески. Data science — это обширная область, включающая в себя все процессы и технологии, помогающие создавать такие системы, и в особенности те, которые мы рассмотрим ниже.

Data mining обычно является частью конвейера data science. Однако в отличие от него, data mining больше связан с техниками и инструментами, используемыми для выявления ранее неизвестных паттернов данных и для преобразования данных, чтобы они были более удобны для анализа. Если вернуться к примеру с рыболовными снастями, то data mining будет заключаться в исследовании данных за последние два года для поиска корреляций между количеством продаж удочек до и во время сезонов рыбалки в магазинах, расположенных в разных регионах.

Машинное обучение предназначено для обучения машин на исторических данных, чтобы они могли обрабатывать новые входящие данные на основании изученных паттернов без программирования, то есть без создаваемых вручную команд для выполнения системой действий. Если бы машинного обучения не существовало, то движки рекомендаций было бы создать невозможно, ведь человеку сложно было бы обработать миллионы поисковых запросов, оценок и обзоров, чтобы определить, какие покупатели покупают удочки с прикормом, а какие покупают дополнительно и леску.

Глубокое обучение — это самая ажиотажная область машинного обучения, использующая сложные алгоритмы глубоких нейронных сетей, примером для создания которых стала работа человеческого мозга. Модели глубокого обучения могут получать точные результаты из больших объёмов входящих данных, без указания того, на какие характеристики данных нужно обращать внимание. Представьте, что вам нужно определить, какие удочки генерируют положительные онлайн-отзывы на вашем веб-сайте, а какие отрицательные. В таком случае глубокие нейронные сети могут извлекать важные характеристики из отзывов и выполнять анализ эмоциональной наполненности.

Искусственный интеллект — это сложная тема. Но для простоты скажем, что каждый продукт, работающий с данными в реальном времени, можно назвать ИИ. Давайте вернёмся к нашему примеру с рыбалкой. Вам нужно купить определённую модель удочки, но у вас есть только её фотография и вы не знаете название производителя. Система ИИ — это программный продукт, способный изучить фотографию и предложить варианты названия продукта и магазинов, в которых его можно купить. Для создания системы ИИ нужно использовать data mining, машинное обучение и иногда глубокое обучение.

Объяснение data science, машинного обучения, искусственного интеллекта и big data за шесть минут.

Итак, подведём итог. Data science — это общий термин. Это область исследований наподобие computer science или прикладной математики. Data mining — более узкий термин, связанный с техниками, применяемыми в процессах data science, однако такие аспекты, как распознавание паттернов, статистический анализ и запись потоков данных, применимы в обеих областях. Data science, а, следовательно, и data mining могут использоваться для создания базы знаний, необходимой для машинного обучения, глубокого обучения, а в дальнейшем и для искусственного интеллекта.

После этого краткого описания мы перейдём к более подробным определениям терминов, а также поговорим об их взаимосвязи.

Что такое data science?

Профессор Школы бизнеса Штерна Васант Дхар предложил следующее определение:

«Data science — это исследование обобщаемого извлечения знаний из данных».

Хотя это одно из самых популярных определений data science, оно требует более подробного объяснения.

Data science — это непрерывно эволюционирующая научная дисциплина, нацеленная на понимание данных (структурированных и неструктурированных) и на поиск выводов из них. Data science использует big data и обширное множество различных исследований, методов, технологий и инструментов, в том числе машинное обучение, ИИ, глубокое обучение и data mining. Эта научная сфера сильно зависит от анализа данных, статистики, математики и программирования, а также от визуализации и интерпретирования данных. Всё это помогает дата-саентистам принимать обоснованные решения на основании данных и определять, как извлекать из них ценность и полезные для бизнеса выводы.

Процесс и примеры применения data science

Дата-саентисты работают с огромными объёмами данных, пытаясь добиться их понимания. Благодаря использованию нужных инструментов анализа данных дата-саентисты могут собирать, обрабатывать и анализировать данные для того, чтобы делать суждения и прогнозы на основе полученных выводов.

Иллюстрация взаимосвязей между data science, машинным обучением, искусственным интеллектом, глубоким обучением и data mining.

Уже многие годы data science эффективно используется в различных отраслях для внедрения инноваций, оптимизации стратегического планирования и совершенствования производственных процессов. И огромные корпорации, и мелкие стартапы собирают, а затем анализируют данные для развития своих бизнесов и повышения прибылей. Логика проста ‒ чем больше данных вы можете собрать и обработать, тем больше вероятность того, что вы сделаете из этих данных важные выводы. При помощи предсказательной аналитики бизнесы могут выявлять паттерны данных, о которых они и не догадывались. Одним из примеров таких областей применения является предсказательная оценка лидов.

Например, финансовая компания может выяснить, что клиенты, правильно расставляющие в тексте заглавные буквы, более надёжны, когда дело касается выплаты кредитов онлайн.

Ещё одним популярным примером использования data science является прогнозирование спроса и предложения. Рассмотрим компанию, занимающуюся производством графических карт. Предположим, что компания знает о выпуске новых популярных видеоигр. Она знает приблизительные даты, а также то, каким из игр требуются мощные GPU. В наилучшем для компании случае она сможет выполнить точное предсказание спроса, чтобы спрогнозировать будущие продажи и оптимизировать прибыль. Дата-саентисты сначала собирают исторические данные, сравнивают схожие ситуации с ожидаемыми, производят вычисления, а затем планируют предложение, чтобы покрыть спрос.

Что такое data mining?

Data mining — это набор техник и инструментов, широко используемых учёными и исследователями для извлечения новой и потенциально полезной информации из больших массивов ранее неизвестных данных, а также преобразования их в легко воспринимаемые структуры для дальнейшего применения. В основе современных технологий data mining лежит концепция поиска сокрытых паттернов и аномалий, отражающих многогранные соотношения между сырыми данными.

Процесс data mining и примеры его использования

Процесс data mining состоит из двух частей, называемых предварительной обработкой данных (data pre-processing) и самим data mining. Первая включает в себя такие этапы, как очистка данных, интеграция данных и преобразование данных, в то время как data mining занимается выявлением паттернов и представлением данных в понятном для понимания виде. Data mining часто рассматривается как часть более обширной области под названием Knowledge Discovery in Databases (KDD).

Общая схема этапов процесса data mining.

Практическое применение data mining неограниченно, поскольку его методики полезны в любой отрасли, имеющей дело с данными. Но в первую очередь методики data mining используются организациями, реализующими проекты, основанные на data warehousing. Например, анализ схожести корзин, предназначенный для выявления продуктов, которые покупатели склонны покупать вместе, широко применяется в электронной коммерции и розничной торговле.

Раздел «Frequently bought together» сайта Amazon — пример трендов, выявленных при помощи data mining.

На скриншоте представлено три разных товара, продаваемых на Amazon; утверждается, что люди часто покупают эти товары вместе, и поначалу связи между ними не видно. Да, перчатки и шарф выглядят логично, однако обмотанная колючей проволокой бейсбольная бита кажется здесь неподходящей. На самом деле, такое сочетание товаров очень популярно из-за сериала «Ходячие мертвецы». Благодаря data mining можно выявлять даже такие сложные взаимосвязи и странные паттерны в поведении покупателей.

Что такое машинное обучение?

Машинное обучение — это набор методик, инструментов и компьютерных алгоритмов, используемый для обучения машин анализу, пониманию и нахождению сокрытых паттернов в данных, а также для создания прогнозов. Конечная цель машинного обучения заключается в использовании данных для самообучения, устраняющего необходимость программирования машин вручную. После обучения на массивах данных машины могут применять запомненные паттерны к новым данным, делая благодаря этому более точные прогнозы.

Машинное обучение бывает разных видов:

При обучении с учителем машины обучаются находить решение нужной задачи при помощи людей, собирающих размечающих данные, которые затем передаются системам. Машине указывают, на какие характеристики данных нужно обращать внимание, чтобы она могла выявлять паттерны, помещать объекты в соответствующие классы и оценивать правильность своих прогнозов.

При обучении без учителя машины учатся распознавать паттерны и тренды в неразмеченных данных обучения без надсмотра пользователей.

При обучении с частичных привлечением учителя модели обучаются на небольшом объёме размеченных данных и гораздо большем объёме неразмеченных данных, используя обучение с учителем и без учителя.

При обучении с подкреплением модели, помещённые в незнакомое им окружение, должны найти решение задачи путём последовательных проб и ошибок. Аналогично системе, используемой во многих играх, машины получают наказание за ошибку и вознаграждение за успешную попытку. Таким образом они учатся находить оптимальное решение.

Процесс машинного обучения и примеры его использования

Для демонстрации работы машинного обучения мы возьмём классический пример фильтрации спама в электронной почте. Если вы откроете папку спама в своём аккаунте электронной почты, то увидите множество ненужных и раздражающих сообщений. Системы распознавания спама помогают в отфильтровывании неуместных сообщений от важных пользователям.

Как работает машинное обучение в распознавании спама.

Системы анализируют содержимое электронных писем и классифицируют данные при помощи алгоритмов машинного обучения. Задача таких моделей — определять, является ли письмо спамом. Так как распознавание спама — задача для машинного обучения с учителем, модель сначала обучается на размеченных массивах данных — примерах спама и обычных сообщений, выбранных людьми. Подробнее о подготовке данных в машинном обучении можно узнать из нашей статьи или из видео:

Основы подготовки данных для машинного обучения

Один из популярных способов обучения модели — это наивный байесовский алгоритм, вычисляющий вероятность событий или результатов на основании полученных ранее знаний. Этот способ выполняет корреляцию одних признаков с спам-сообщениями и других признаков — с обычной почтой. Признаки — это слова или фразы, находящиеся в теле и заголовке письма. Затем он вычисляет вероятность того, что конкретное сообщение является спамом.

Вам известно, что сообщение с заголовком «Вы выиграли 1000000 долларов», скорее всего, является спамом, но машине сначала нужно этому научиться. В процессе изучения моделью паттернов она может точно присваивать каждому новому письму оценку. Письма, оценка которых превышает пороговое значение, попадают во входящие, а письма с более низкой оценкой помечаются как мусорные. При пользовании сервисами электронной почты люди вручную помечают некоторые входящие сообщения как спам, добавляя новые данные в массив данных обучения системы. Это часть конвейера машинного обучения называется переобучением модели, она гарантирует актуальность системы и обеспечение ею точных результатов.

Ещё одним примером машинного обучения является медицинское прогнозирование того, какие пациенты имеют повышенную вероятность заболевания, при помощи анализа их электронных медицинских записей и жалоб. Замечательный пример машинного обучения — это системы распознавания мошенничества. Они помогают сигнализировать о возможном мошенничестве, анализируя подозрительное поведение пользователей.

Что такое глубокое обучение?

Глубокое обучение — это подмножество машинного обучения, однако дополненное сложными нейронными сетями, источником для создания которых послужили биологические нейронные сети в человеческом мозге. Нейросети содержат узлы, находящиеся в нескольких взаимосвязанных слоях, выполняющие коммуникацию друг между другом для понимания объёмных входящих данных.

Существует множество видов нейросетей, например, свёрточные, рекурсивные и рекуррентные. Типичная нейронная сеть состоит из входного слоя, нескольких скрытых слоёв и выходного слоя, наложенных друг на друга.

Иллюстрация глубокой нейронной сети с тремя скрытыми слоями.

Процесс глубокого обучения и примеры его использования

На показанном ниже изображении мы с лёгкостью можем отличить корги и буханки хлеба. Машины не могут выполнять эту задачу столь же просто. Прежде чем понять, что находится на изображении, и выдать точные результаты, им нужно учиться на огромных объёмах данных, создавать алгоритмы и преобразовывать входящие данные в машинночитаемый вид.

Пример распознавания изображения «корги или буханка хлеба». Источник: Imgur

Допустим, нам нужно создать программу, распознающую на фотографиях корги, или, в более общем случае, распознающую на изображениях определённые объекты. Для распознавания изображений, а также других данных, которые можно преобразовать в визуальный формат (например, звуковых спектрограмм) лучше всего подходят модели глубокого обучения.

Давайте вернёмся к нашему примеру. Мы берём множество фотографий корги и буханок; каждое изображение имеет размер 30×30 пикселей. Группа нейронов будет соответствовать каждому пикселю входящего изображения (суммарно 900), а каждый нейрон обозначает свою активацию (число, обозначающее значение конкретного пикселя). Активации в одном слое определяют активации в следующем.

Нейроны соединены линиями, называемыми синапсами, и каждая из этих линий имеет вес, определяемый значениями активации. Чем больше вес, тем сильнее он будет доминировать в следующем слое нейросети.

В каждом слое есть нейроны смещения, перемещающие функции активации в разных направлениях. Сумма весов, значений активации и значений смещения называется взвешенной суммой слоя нейросети. Взвешенная сумма в одном слое создаёт входящие данные для другого, пока они не достигнут последнего выходного слоя.

Процесс глубокого обучения.

Активация нейронов в выходном слое обозначает величину того, насколько, по мнению системы, изображение соответствует задаче классификации. В нашем случае это вероятность того, что на конкретном фото представлен корги, а не буханка хлеба. Нейросеть считается успешно обученной, когда значение весов, создающих результат, ближе всего к реальности.

Работа алгоритмов глубокого обучения в задачах распознавания изображений

Глубокое обучение находит множество практических применений: от технологий распознавания речи, позволяющих преобразовывать устную речь в текстовый формат (это помогает тысячам людей, испытывающим трудности с вводом кнопками и клавишами), до систем поиска лекарств, способных прогнозировать фармакологические свойства лекарств в различных биологических условиях. Ещё одним примером успешной реализации алгоритмов глубокого обучения является Google Переводчик, создающий качественные переводы письменного текста на более чем ста языках.

Что такое искусственный интеллект?

В традиционной терминологии искусственный интеллект (ИИ) — это просто алгоритм, код или техника, позволяющая машинам имитировать, развивать и демонстрировать человеческое понимание или поведение. В мире бизнеса ИИ — это продукт для обработки данных в реальном времени, способный выполнять операции и решать задачи примерно так же, как это делает человек. В функции систем ИИ включены обучение, планирование, рассуждение, принятие решений и решение задач.

Проблема в том, что понятию ИИ сложно дать точное и недвусмысленное определение.

Мы живём в эпоху так называемого слабого ИИ, или узкого искусственного интеллекта (artificial narrow intelligence, ANI), то есть такие технологические продукты умеют делать только то, чему их научили. Сильный ИИ, или artificial general intelligence (AGI) встречается пока только в фильмах и книгах, где машины могут обобщённо решать различные задачи так, как это делают люди. Можно вспомнить такие фильмы, как «Я, робот» (2004 год) или «Чаппи» (2015 год). Также существует третий тип ИИ — искусственный сверхинтеллект (artificial superintelligence, ASI), обладающий более мощными способностями, чем человек. Естественно, до его реализации нам ещё далеко.

Слабый и сильный ИИ.

Не существует консенсуса о том, какие из открытий больше связаны с ИИ, чем остальные, как и нет согласия в том, чем же является ИИ — угрозой или спасением. Вот что говорил Билл Гейтс в одном из своих интервью:

«Google, Facebook, Apple, Microsoft — все они быстро совершенствуют своё ПО искусственного интеллекта […] искусственный интеллект будет чрезвычайно полезен, а риск того, что он станет сверхумным, далеко в будущем».

Чтобы спать спокойно, прочитайте нашу статью о том, захватит ли AGI мир.

Примеры использования искусственного интеллекта

Хотя от человекоподобного уровня ИИ роботов нас отделяет не менее нескольких десятков лет, учёные уже сегодня могут решать при помощи слабого ИИ кучу потрясающих задач. Возьмём для примера чат-ботов. Благодаря пониманию речи и текста на естественном языке системы ИИ общаются с людьми естественным образом. Другими замечательными примерами ИИ являются беспилотные автомобили, промышленные роботы и спам-фильтры.

Ключевые различия между ИИ, машинным обучением, глубоким обучением, Data Science и Data Mining

Подводя итоги, мы выделим ключевые различия между data science, data mining, искусственным интеллектом, машинным обучением и глубоким обучением.

• Data science можно рассматривать как зонтичный термин для всех дисциплин, используемых для понимания больших объёмов данных. Исследования data science — основа для создания умных ИИ-продуктов с использованием машинного или глубокого обучения.
• В отличие от data science, data mining — это набор техник и инструментов, используемых для сбора, очистки и анализа данных с целью извлечения из них интересных паттернов и трендов. Также data mining обычно используется при работе над проектами ИИ.
• ИИ связан с процессом создания функционального продукта для обработки данных, который может самостоятельно решать поставленные задачи, что отдалённо напоминает решение задач человеком.
• Машинное обучение — это система ИИ, которая может самообучаться на основании алгоритмов и ранее выученных паттернов.
• Глубокое обучение — это разновидность машинного обучения, однако в нём используются нейронные сети для создания прогнозов на основе обработанных данных.
• В большинстве проектов ИИ используется или машинное, или глубокое обучение, поскольку так называемое «интеллектуальное» поведение машин требует огромного количества данных, что, в свою очередь, требует исследований в сфере data science и data mining.

Описанные в статье дисциплины обработки данных применяются совместно. Они уже сегодня имеют множество практических применений в различных сферах, от менеджмента и продаж до здравоохранения и финансов, и в дальнейшем нас ждут новые инновации и прорывы.

Статус:
Курс обязательный (Дизайн)

Направление:
54.03.01. Дизайн

Когда читается:
1-й курс, 3, 4 модуль

Формат изучения:
без онлайн-курса

Преподаватели:
Маслинский Кирилл Александрович

Язык:
русский

Кредиты:
4

Контактные часы:
42

Библиографическое описание:

Пилецкая, А. В. Искусственный интеллект и большие данные / А. В. Пилецкая. — Текст : непосредственный // Молодой ученый. — 2019. — № 50 (288). — С. 20-22. — URL: https://moluch.ru/archive/288/65241/ (дата обращения: 15.04.2023).

Искусственный интеллект и большие данные становятся одной из самых потенциально разрушительных тем в цифровом мире. По мере того, как мировые данные растут в геометрической прогрессии, возможности ИИ отстают друг от друга, далеко идущие последствия которых становятся яснее с каждым днем. В этой статье мы исследуем тему ИИ и больших данных.

Ключевые слова:искусственный интеллект, большие данные, big data, глубокое обучение.

Искусственный интеллект — это концепция машин, выполняющих задачи, которые когда-то требовали человеческого интеллекта. Многие используют термины AI, машинное обучение (ML) и глубокое обучение (DL) взаимозаменяемо, но между ними есть ключевые различия. AI широко охватывает всю область исследования, из которых ML и DL являются подсегментами. Искусственный интеллект можно разделить на две отдельные области. Под прикладным ИИ понимается приложение, оптимизированное для выполнения одной конкретной задачи, например, для предложения фильма или оптимизации маршрута вождения. Общий ИИ включает в себя более широкие возможности применения ИИ, такие как компьютер, обучающий различным задачам и способность решать проблемы, как человек. Машинное обучение — это процесс создания машин или программ, которые могут получать доступ к данным, применять к ним алгоритмы, получать ценную информацию и затем применять полученные знания к другим сценариям или новым наборам данных.

Большие данные — топливо ИИ. Это и то, что обучает ИИ, становится все более и более мощным, и то, к чему в конечном итоге применяются системы ИИ, чтобы генерировать реальное понимание. Чем больше систем искусственного интеллекта может использовать данные, тем больше их интеллект и разрушительный потенциал. Хотя ИИ как концепция существует уже более 50 лет, нехватка структурированных данных для большей части этого диапазона и вычислительных ограничений задерживала рост ИИ. Например, хорошая технология распознавания речи требует около 150000 часов (т. е. 10 лет) аудиоданных. Приложения распознавания лица требуют около 15 миллионов изображений.

Только до недавнего времени было доступно такое количество изображений и аудиоданных. Фактически, с 2015 года генерируется 90 % мировых данных. В том же году цифровая вселенная, т. е. резервуар данных, созданных и скопированных, насчитывал менее 10 зетабайт, то есть 10, а затем 21 ноль. К 2020 году ожидается рост более чем в четыре раза до 44 зетабайт. Всего через пять лет он может достичь 180 зетабайт.

Большая часть этого роста может быть приписана более широкому внедрению Интернета вещей и достижений в области глубокого обучения. С увеличением числа подключенных устройств, записывающих видео, измеряющих частоту сердечных сокращений или отслеживающих доставку, информация в мире становится все более цифровой. Комбинируя создание этих данных с достижениями в области глубокого обучения для распознавания изображений и речи, все больше и больше информации теперь не просто сохраняется и сохраняется, а структурируется и анализируется системами ИИ.

Питаясь постоянно растущим запасом данных, была подготовлена почва для ИИ, чтобы стать разрушительной силой в мировой экономике. Согласно одному отчету, ИИ может внести до 15,7 триллиона долларов в мировой ВВП в 2030 году, причем 9,1 триллиона долларов будут вызваны побочными эффектами потребления, а 6,6 триллионов долларов — увеличением производительности. Для контекста, это добавило бы около 14 % к мировому ВВП, или больше, чем совокупный объем производства Китая и Индии.

Как уже упоминалось, ускоренное внедрение Интернета вещей приводит к оцифровке информации по всей экономике, которая теперь может обрабатываться или анализироваться системами искусственного интеллекта. Поэтому охват ИИ продолжает расширяться в различных секторах и сферах бизнеса. Вследствие увеличения глобальных инвестиций в робототехнику, которые к 2020 году могут превысить 180 миллиардов долларов, промышленная автоматизация находится на переднем крае внедрения ИИ в физическом мире. Программы ИИ все чаще используются в производственном процессе для моделирования и тестирования, прогнозного обслуживания, оптимизации цепочки поставок и индивидуального производства.

Автономные транспортные средства: AI стоит у руля автономных транспортных средств (AV), которые, как представляется, вызовут массовые нарушения в транспортной отрасли. Получая информацию от сложных датчиков, GPS, камер и радарных систем, программное обеспечение AI, встроенное в AV, каждую секунду вычисляет миллиарды точек данных, чтобы эффективно видеть дорогу и ориентироваться в автомобиле.

Препятствия остаются до полной автоматизации, но автомобили высшего класса уже способны выполнять основные функции вождения с ограниченным человеческим взаимодействием. И тестирование началось с AV, которые управляют всеми аспектами вождения без помощи человека в определенных условиях.

Здравоохранение: применение искусственного интеллекта в системе здравоохранения США может привести к ежегодной экономии в 15026 долларов к 2026 году и улучшению результатов лечения пациентов. Ожидается, что ИИ, от искусственной хирургии с помощью интеграции диагностических изображений и медицинских данных до операции, до виртуальных сестринских помощников, которые помогут с первоначальной диагностикой и логистикой пациента, — ожидается, что ИИ произведет революцию в различных аспектах здравоохранения.

Розничная торговля и электронная коммерция: ИИ уже используется для выработки персонализированных рекомендаций, помогающих магазинам лучше взаимодействовать со своими клиентами и увеличивать доходы. Тем не менее, ИИ также может быть использован на стороне операций для снижения затрат, таких как прогнозирование заказов клиентов, что может снизить затраты на доставку, запасы и цепочки поставок.

Разнообразные компании, занимающиеся ИИ и большими данными, имеют хорошие возможности для потенциальной выгоды по мере появления этой темы. Мы считаем, что это компании, которые владеют большими проприетарными наборами данных, разрабатывают передовые программы ИИ или создают компьютерное оборудование, которое может выполнять эти сложные вычисления.

Литература:

1. Влияние развития нейросетевых технологий в России на цифровую экономику // researchgate. URL: Влияние развития нейросетевых технологий в России на цифровую экономику (дата обращения: 11.12.2019).
2. Tariq Rashid. Make Your Own Neural Network. — 1-е изд. —: CreateSpace Independent Publishing Platform, 2016. — 222 с.

Вы уже оценили достижения в области искусственного интеллекта в 2023? Вы ищете ресурсы, чтобы попробовать самые невероятные технологии в мире ИИ?

Мы собрали для вас крутую подборку ии инструментов. Посмотрите эти 7 сайтов с искусственным интеллектом, которые поразят вас своими возможностями.

@vistehno – главные тренды ИИ в 2023 в нашем новом телеграм канале.

HyperWrite

HyperWrite

является ценным инструментом для писателей в современном быстро меняющемся мире. Он быстро и эффективно генерирует уникальный творческий контент, используя свое понимание языковой структуры. Это экономически выгодно по сравнению с традиционными методами письма и может создавать текст в различных форматах, включая сообщения в блогах, сообщения в социальных сетях, статьи, электронные письма и многое другое.

Murf.ai

Murf это идеальный инструмент для тех, кто хочет превратить свой текст в реалистичный человеческий голос! Эта программа может не только изменять голос, но и создавать аудиокниги. Использовать программное обеспечение Murf.ai невероятно просто — просто загрузите текстовый файл, а программа сделает все остальное. Основываясь на структуре ваших предложений, Murf.ai воспроизводит точный голос для аудиокниги, заставляя его звучать так же, как человеческий. Murf.ai отлично подходит для писателей и читателей, которые ищут более захватывающий опыт, чем просто чтение текста на бумаге. Кроме того, вы даже можете зарабатывать деньги на своих талантах с Murf.ai! Проверьте это сегодня!

Synthesia

Synthesia — это платформа, которая создает профессиональные видеоролики из текста. С помощью этого инструмента вы можете создавать анимированные GIF-файлы и аватары, изображающие ваших персонажей или предметы, на более чем 60 языках. Чтобы сделать ваши видео более привлекательными, вы также можете включить звуковые эффекты и музыку. Хотя Synthesia ориентирована на профессионалов, любой может легко использовать ее для создания видео. Все, что вам нужно, — это ваш контент и инструменты искусственного интеллекта, которые помогут вам в этом процессе. Просто загрузите свой файл, и Synthesia создаст для вас высококачественные анимированные видеоролики.

MagicEraser

MagicEraser — это бесплатный инструмент искусственного интеллекта, который быстро удаляет ненужные элементы с изображений. Вы можете легко загрузить фотографию, отметить часть, которую хотите удалить, а затем загрузить отредактированное изображение всего за несколько секунд.

Rytr

Rytr— это продвинутый помощник по письму с искусственным интеллектом, который поможет вам быстро и эффективно создавать высококачественный контент по разумной цене. С Rytr вы можете легко создавать выдающийся контент с более чем 40 вариантами использования и шаблонами на выбор, возможностью писать на более чем 30 языках, более чем 20 вариантами тона и научными формулами копирайтинга, такими как AIDA и PAS. Вы также можете легко управлять процессом написания с помощью мощного текстового редактора, различных параметров форматирования и средства проверки на плагиат. Вы даже можете взять Rytr с собой в дорогу с помощью расширения для браузера и управлять рабочим процессом вашей команды, доступом и выставлением счетов в одном месте. Вы можете подписаться на планы Saver или Unlimited, и вам больше никогда не придется сталкиваться с писательским кризисом. Попробуйте Rytr сегодня!

Lexica

Lexica

— это веб-приложение, которое предлагает доступ к обширной коллекции изображений, созданных искусственным интеллектом, и соответствующих текстовых подсказок. Он имеет удобное окно поиска и ссылку для разногласий, представление сетки для просмотра нескольких изображений на одной странице и возможность настройки размера предварительного просмотра изображений. Он служит отличным источником вдохновения для искусства, созданного искусственным интеллектом, содержит более 5 миллионов изображений и возможность копировать и изменять текстовые подсказки.

LogoAI

Вас интересует разработка логотипа? LogoAI делает этот процесс простым и легким благодаря генератору логотипов на основе искусственного интеллекта. Создайте свой логотип бесплатно и настройте его с помощью канцелярских товаров, таких как шляпы, веб-сайты, мобильные веб-сайты или чашки. Если вас устраивает дизайн, вы можете заплатить за его загрузку. LogoAI не обязательно должен быть вашим единственным источником вдохновения, но это отличный способ получить идеи и начать работу. Попробуйте бесплатную пробную версию сегодня! Эти 7 веб-сайтов по искусственному интеллекту (и многие другие…) — отличный ресурс для всех, кто хочет изучить возможности искусственного интеллекта.

Эти веб-сайты предлагают широкий спектр информации и инструментов для всех, кто интересуется искусственным интеллектом, от передовых исследований до интерактивных игр. Независимо от того, являетесь ли вы исследователем, разработчиком или просто тем, кто интересуется ИИ, эти веб-сайты обязательно предоставят вам всесторонний обзор последних разработок в этой области. Так что заходите на эти замечательные веб-сайты и убедитесь сами, как ИИ меняет наш мир сегодня!

Просмотры: 37 147