AI 是什么? 人工智能

简评:「人工智能入门」系列的第一篇,讲解了 AI 、机器学习、深度学习是怎么回事,他们之间的关系,常见的 AI 算法等知识。当有人问你这些概念的时候,你可以通熟易懂地讲解。

本文知识点(想省事就不用往下了):

  • 人工智能(AI)、机器学习(ML)、深度学习(DL)的关系如下,DL ⊆ ML ⊆ AI。
  • 人工智能比喻成的孩子大脑,而机器学习就是让孩子去掌握认知能力的过程,而深度学习是这过程中很有效率的一种教学体系。
  • 人工智能是目的,是结果;深度学习、机器学习是方法,是工具。
  • 人工智能的概念是在 1955 年提出的;机器学习概念是 1990 年提出的;深度学习概念是 2010 年提出的。
  • 深度学习曾经是以机器学习中的「神经网络算法」的身份存在的,随着大数据的爆发,深度学习被单拿出来,成为一种学习思想。

“The last 10 years have been about building a world that is mobile-first. In the next 10 years, we will shift to a world that is AI-first.” (Sundar Pichai, CEO of Google, October 2016)

从亚马逊和 Facebook 到谷歌和微软,世界上最具影响力的技术公司的领导者都在强调他们对人工智能(AI)的热情。但是什么是 AI?为什么很重要?为什么现在?虽然对人工智能越来越感兴趣,但该领域主要由专家来理解。我们的目标是使这个重要的领域可以更广泛的受众。

我们将首先解释 AI 的含义和关键术语,包括「机器学习」。我们将说明 AI 的最有效的领域之一,称为「深度学习」,如何工作。我们将探索 AI 解决的问题以及它们为什么重要。我们将在标题后面看到为什么 AI,以及为什么 20 世纪 50 年代就有的概念,为什么今天才爆发。

风险投资家,一直努力寻找新的趋势,为消费者和公司创造价值。我们相信 AI 是一种比移动或云计算转变更重要的计算演进。「这是很难夸大」亚马逊首席执行官杰夫·贝佐斯写道,「在未来20年,AI将对社会造成多大的影响。」无论你是消费者或行政,企业家或投资者,这种新兴趋势对我们所有人都很重要。

什么是 AI?

★ 人工智能:智能程序的科学

Artificial intelligence: The science of intelligent programs

1956 年 Dartmouth 助理教授 John McCarthy 创建的「人工智能」(AI)是一个通用术语,指的是表现出智能的行为的硬件或软件。用 McCarthy 教授的话来说,它是「制造智能机器,特别是智能计算机程序的科学和工程」。

基本的「AI」已经存在了几十年,通过基于规则的程序,在特定的上下文中提供「智能」的基本显示。然而,一直以来进步有限,因为解决许多现实世界问题的算法对于人们手工编程来说太复杂了。

复杂的活动包括进行医疗诊断,预测何时机器将失效或测量某些资产的市场价值,涉及成千上万的数据集和变量之间的非线性关系。在这些情况下,很难使用我们最好的数据来「优化」我们的预测。在其他情况下,包括识别图像中的对象和翻译语言,我们甚至不能制定规则来描述我们正在寻找的功能。举个例子:我们怎么能写一套规则,完整地描述一只狗的外观?

如果我们可以降低从程序员到程序的复杂预测(数据优化和特性规范)的难度呢?

这是现代人工智能的承诺(promise)。

★ Machine Learning 机器学习:推理 – 知识 – 学习

机器学习(ML)是 AI 的一个子集。所有机器学习是 AI,但不是所有的 AI 是机器学习(图1,上面)。「AI」的兴趣今天反映于人们对「机器学习」的热情,进展迅速且明显。

机器学习让我们解决一些过于复杂的问题,通过算法来解决。正如人工智能先驱 Arthur Samuel 在 1959 中写道的那样,机器学习是一门研究领域,它给计算机学习的能力而不是明确地编程能力。

大多数机器学习的目标是为特定场景开发预测引擎。一个算法将接收到一个域的信息(例如,一个人过去观看过的电影),并权衡输入做出一个有用的预测(未来的人享受不同电影的概率)。

通过给计算机学习的能力,我们的意思是通过优化 -任务 衡量变量的可用数据来对未来做出准确的预测 - 的算法 。

机器学习算法通过训练学习。算法最初接收其输出是已知的示例,注意其预测和正确输出之间的差异,并且调谐输入的权重以提高其预测的准确性,直到它们被优化。因此,机器学习算法的定义特征是,它们的预测的质量随着经验而改进

我们提供的数据越多(通常达到一个点),我们就可以创建的预测引擎越好(图2 和 图3 是连起来看的)有超过 15 种机器学习方法,每种方法使用不同的算法结构以基于接收的数据优化预测。一种方法 – 「深度学习」 – 在新领域取得突破性成果,我们将在下面进行探讨。但是有许多其他的,虽然他们受到较少的关注,但却非常是有价值,它们更适用于广泛的使用情况。

具体的机器学习算法有:

每种方法都有其优点和缺点,可以使用组合。选择的算法来解决一个特定的问题将取决于因素,包括可用的数据集的性质。在实践中,开发人员倾向于实验来选择采取哪种方法。

机器学习的使用案例根据我们的需求和想象力而有所不同。使用正确的数据,我们可以构建无数目的的算法,包括:根据他们以前的购买建议一个人喜欢的产品;预测汽车装配线上的机器人何时失效;预测电子邮件是否被误解;估计信用卡交易是欺诈的概率;等等还有很多。
★ Deep Learning 深度学习

一般的机器学习 ,例如 random forests, Bayesian networks, support vector machines 和其他的算法, 写执行某些任务的程序是很困难的,比如理解语音和识别图像中的对象。举个例子,如果我们想编写一个识别汽车图像的计算机程序,那么我们就不能指定一个算法来处理汽车的特征,以便在任何情况下都能进行正确的识别。汽车有各种各样的形状、大小和颜色.。他们的位置,方向和姿势可以不同。背景,照明和其他许多因素影响的对象的外观。变量太多,就算是我们硬头皮写了出来,这也不是一个好的可扩展的方案。如此一来,我们就需要为每一种我们要是别的对象单独的写程序。

但是,深度学习(DL),这彻底改变了人工智能的世界。深度学习是一个子集的机器学习。所有深度学习都是机器学习,但并非所有机器学习都是深度学习(图4,下)。

深度学习是有用的,因为它避免了程序员必须按照特征规范(定义数据中所分析的特征)或优化(如何权衡数据以提供更准确的预测)的任务。(园长:深度学习让程序员不用看特质和优化)

深度学习是如何实现的?

深度学习的突破是模拟大脑,我们自己的大脑学会做困难的事情 :包括理解言语和识别对象,不是通过处理穷举规则,而是通过实践和反馈。就像一个孩子,看到汽车会知道这是汽车,看到图片会知道上面表达的含义。孩子们没有一套详细的规则来学习,孩子们是通过训练而掌握这些的。

深度学习使用相同的方法。基于人工的,基于软件的计算器,其近似脑中的神经元的功能被连接在一起。它们形成一个“神经网络”,它接收一个输入(继续我们的例子,一辆汽车的图片),分析;他做出判断并被告知自己的判断是否正确,以此来训练。如果输出是错误的,神经元之间的连接由算法调整,这将改变未来的预测。最初网络将错误多次。

但是,当我们在数百万的例子中,神经元之间的连接将被调整,所以神经网络在几乎所有的场合做出正确的决定。实践使其逐渐完善,一步步接近完美。
通过深度学习 DL 我们现在可以:

  • 识别图片中的元素;
  • 实时翻译语言;
  • 使用语音来控制设备(通过 Apple 的 Siri,Google Now; Amazon Alexa 和 Microsoft Cortana);
  • 预测遗传变异如何影响 DNA 转录;
  • 分析客户评论中的情绪;
  • 检测医学图像中的肿瘤;
  • 其他更多可能性。。。

深度学习不适合的问题。它通常需要大量的数据集进行培训。它需要广泛的处理能力来训练和运行神经网络。

深度学习将程序员从复杂的问题处理中解放出来,深度学习为一系列重要问题提供了成功的预测引擎。因此,它已经成为 AI 开发者工具包的强大工具。

原文:The fourth industrial revolution: a primer on Artificial Intelligence (AI)


分享:
databig Asked on 2017年1月22日 in other.
Add Comment
0 Answer(s)

Your Answer

By posting your answer, you agree to the privacy policy and terms of service.