Dieser Artikel wurde im Rahmen der Data Science Blogathon.
Das Anwendungsspektrum hat die Facetten der Technik in allen Bereichen verändert, aus der medizinischen Versorgung, die Herstellung, Unternehmen, Die Bildung, zur Bank, Informationstechnologie und andere Dinge.
Obwohl diese Wörter bekannt und weit verbreitet sind, werden oft synonym verwendet. Aber es gibt einen großen Unterschied zwischen ihnen allen.
In diesem Artikel, Wir werden diese Schlagworte erforschen und den Unterschied zwischen ihnen lernen.
Künstliche Intelligenz
In einer Nussschale, “Künstliche Intelligenz ist die Fähigkeit von Maschinen, wie das menschliche Gehirn zu funktionieren”.
Immer wenn wir an Künstliche Intelligenz denken, Das erste, was mir in den Sinn kommt, sind Roboter. Vor ein paar Jahrzehnten, „Roboter“’ faszinierten uns mehr mit Filmen, die Roboter zeigten / Übermenschen, die mühelos unglaublich schwierige Jobs ausführen und auf Augenhöhe mit den Menschen leben. Jetzt sind Roboter wie Sophia Realität und wir finden KI überall. Von Roboterstaubsaugern, virtuelle Assistenten wie SIRI, Roboter, die Operationen im Gesundheitswesen durchführen, Roboter, die Codes schreiben und, Natürlich, autonome Autos und Lastwagen, die meisten davon sind Realität und die Welt der künstlichen Intelligenz entwickelt sich rasant weiter. Beginnend mit dem IBM Schachcomputer „Deep Blue“, der eine Schachpartie gegen den Weltmeister gewonnen hat, zu 'AlphaGo von Google', Wir haben faszinierende Entdeckungen in dieser Revolution der künstlichen Intelligenz gesehen.
In einfachen Worten, Bei künstlicher Intelligenz geht es darum, Maschinen zu trainieren, um menschliches Verhalten nachzuahmen, speziell, das menschliche Gehirn und seine Denkfähigkeiten. Wie das menschliche Gehirn, Systeme der künstlichen Intelligenz entwickeln die Fähigkeit, Handlungen zu rationalisieren und auszuführen, die die besten Chancen haben, ein bestimmtes Ziel zu erreichen.
Künstliche Intelligenz konzentriert sich auf die Verwirklichung 3 kognitive Fähigkeiten wie ein Mensch: Lernen, Argumentation, Ja Autokorrektur.
Die Evolution der Künstlichen Intelligenz gilt als vierte industrielle Revolution ~ UBS
Experten sagen, wie 3 Erste industrielle Revolutionen veränderten den Lauf der Welt, die vierte revolution, angetrieben von künstlicher Intelligenz, IoT und die Cloud werden sicherlich den Kurs der Menschheit und unseres Planeten Erde verändern. Und Enthusiasten laufen, um zu lernen Online-KI-Kurs.
Werfen wir einen kurzen Blick auf die drei allgemeinen Kategorien der Künstlichen Intelligenz und wie wir uns in diesen Bereichen rasant entwickeln!!
1. Schmale künstliche Intelligenz
2. Allgemeine künstliche Intelligenz
3. Super künstliche Intelligenz
Schmale künstliche Intelligenz
Schmale künstliche Intelligenz Systeme werden entwickelt und trainiert, um eine bestimmte Aufgabe zu erfüllen und, häufig, heißen schwache KI / Schmale KI. Chatbots, die Fragen basierend auf Benutzereingaben beantworten, Sprachassistenten wie Siri, Alexa und Cortana, Gesichtserkennungssysteme, Systeme der künstlichen Intelligenz, die das Internet durchsuchen, sind Beispiele für schwache künstliche Intelligenz. Sie sind schlau in bestimmte Aufgaben ausführen die darauf programmiert sind.
Schmale KI ahmt keine menschliche Intelligenz nach, Vielmehr simuliert es einfach menschliches Verhalten basierend auf einer Reihe von Eingabedaten und Parametern. Schwache KI erfordert immer noch ein gewisses Maß an menschlichem Eingreifen in Bezug auf die Definition von Parametern für lernende Algorithmen., Füttern Sie relevante Trainingsdaten und stellen Sie die Vorhersagegenauigkeit sicher.
Sie können ihn sich wie ein Baby vorstellen, das auf Anweisungen von Erwachsenen hört und Funktionen nach Anweisung ausführt.
Künstliche allgemeine Intelligenz
Künstliche allgemeine Intelligenz ist, wenn die Systeme / KI-Maschinen handeln auf Augenhöhe mit einem anderen Menschen. Dies bedeutet auch die Fähigkeit der Maschine, menschliche Tonalität und Emotionen zu interpretieren, zu verstehen und entsprechend zu handeln.. Das nennt man auch Starke KI und wir kratzen immer noch an der Oberfläche von Starke KI. Während sich die Fähigkeiten des maschinellen Lernens weiterentwickeln, Künstliche Intelligenz wird voranschreiten und wir werden es bald schaffen.
Super künstliche Intelligenz
Super künstliche Intelligenz / Super AI ist, wenn aus einer künstlichen intelligenten Maschine Seien Sie sich selbst bewusst und übertreffen Sie die menschliche Intelligenz und Fähigkeit. Obwohl in diesem Bereich viele interessante Forschungen betrieben werden, es gibt auch Warnungen von Wissenschaftlern.
Professor an der Oxford University und New York Times-Bestsellerautor des Buches. “Superintelligenz: Straßen, Gefahren, Strategien”, Würfel Nick Bostrom,
„Die größte Bedrohung ist das langfristige Problem, das führt etwas Radikales ein, das super schlau ist und nicht mit menschlichen Werten und Absichten übereinstimmt. Das ist ein großes technisches Problem. Wir konnten das Kapazitätsproblem lösen, bevor wir das Sicherheits- und Ausrichtungsproblem lösen konnten “.
Dann, Was halten Sie davon, diese Stufe der künstlichen Superintelligenz zu erreichen?? Glaubst du, dass unkontrollierte Super-KI eine Bedrohung für die Menschheit werden kann?? Vergiss nicht, deine Gedanken in den Kommentaren zu teilen..
Okay! Das ist viel über Künstliche Intelligenz!!
Wie wir eine faire Vorstellung von Künstlicher Intelligenz haben; Ich frage mich, wie das System / Computermaschine kann menschliche Handlungen nachahmen und Vorhersagen treffen, Automatisierung und Entscheidungsfindung?
Hier kommt maschinelles Lernen ins Spiel..
Maschinelles Lernen
Maschinelles Lernen ist, selbstverständlich, eine Teilmenge der künstlichen Intelligenz. Bietet statistische Algorithmen und Methoden und ermöglicht Maschinen / Computer lernen automatisch aus Ihren bisherigen Erfahrungen und Daten und ermöglichen dem Programm, sein Verhalten entsprechend zu ändern.
Maschinelles Lernen bietet viele verschiedene Techniken und Algorithmen, um den Computer zum Lernen zu bringen. Entscheidungsbäume, Zufällige Wälder, Support-Vektor-Maschinen, K bedeutet Gruppierung – das sind nur einige zu nennen.
Nachfrageprognose Produktverkäufe, Kundenverhalten vorhersagen, Kundengefühle anhand ihres Verhaltens in sozialen Medien messen: Dies sind einige Anwendungsfälle, in denen Modelle des maschinellen Lernens verwendet werden. Algorithmen für maschinelles Lernen funktionieren gut, wenn die Eingabedaten einigermaßen gut sind. Wenn die Datengröße in die Höhe geschossen ist, wir müssen nach effizienteren Algorithmen und Techniken suchen und hier findet Deep Learning seinen Zugangspunkt.
OTT-Plattformen wie Netflix und Amazon Prime verwenden Machine Learning, um Filme basierend auf den vorherigen Anzeigedaten des Benutzers zu empfehlen und sich ständig zu verbessern, indem sie aus früheren Erfahrungen lernen.
Bildquelle: Scrabbl
Im E-Commerce, Unternehmen wie Amazon und Flipkart verwenden maschinelles Lernen, um Benutzerpräferenzen zu verstehen und Produktempfehlungen basierend auf früheren Einkäufen und dem Anzeigeverlauf anzubieten..
Die Anwendung von Machine Learning in der realen Welt ist enorm!!
Jetzt haben wir eine klare Vorstellung, dass maschinelles Lernen und künstliche Intelligenz nicht dasselbe sind. Maschinelles Lernen ist einer der Wege, um künstliche Intelligenz zu erreichen.
Wie alles andere, Machine Learning hat seine Schwächen und hier kommt Deep Learning ins Spiel.
Machine-Learning-Modelle funktionieren nicht sehr gut, wenn sich das Volumen und die Komplexität der Daten vervielfachen. Sie brauchen eine Art menschlicher Intervention und Anleitung, während Deep-Learning-Modelle aus Daten und früheren Erfahrungen lernen und nach und nach korrigiert werden.
Skalieren Sie mit der Datenmenge | Bildquelle: soshace.com
Schauen wir uns das nächste Schlagwort an: Tiefes Lernen!
Tiefes Lernen
Deep Learning kann als Evolution des maschinellen Lernens betrachtet werden, das von der Funktionsweise des menschlichen Gehirns inspiriert ist. Deep Learning wird verwendet, um komplexe Probleme mit riesigen Datenmengen zu lösen, vielfältig und weniger strukturiert. Deep-Learning-Modelle basieren auf künstlichen neuronalen Netzen, das ahme nach, wie das menschliche Gehirn funktioniert.
Schauen wir uns die grundlegende Funktionsweise unseres Gehirns an, um zu verstehen, wie neuronale Netze funktionieren. Unser menschliches Gehirn hat Neuronen, die die grundlegenden Funktionseinheiten unseres Gehirns sind.. Neuronen übermitteln Informationen an andere Nervenzellen, Muskeln und Drüsen und erhalten auch Informationen von anderen Neuronen, dem Gehirn erlauben, Entscheidungen zu treffen.
Sich vorstellen, Du bist ein kleines Kind und siehst einen Topf mit heißem Wasser. Wenn du es siehst, du wirst nicht verstehen, dass es heiß ist, es sei denn, jemand sagt es. Wenn du den heißen Topf berührst, die Nerven in deinen Fingern tragen diese Informationen zum Gehirn, und die Neuronen verarbeiten diese Informationen und senden das Signal an Ihre Finger und Sie würden die Hitze spüren. Das nächste Mal sehe ich einen heißen Topf, Ihr Gehirn wird sich an die vorherigen Vorfälle erinnern und Sie daran erinnern, dass es sich heiß anfühlt, wenn Sie es berühren.
Und unser Gehirn lernt kontinuierlich aus den Beiträgen der Umwelt und bisherigen Erfahrungen und trifft in jedem Szenario die bestmögliche Entscheidung.. Das ist so ziemlich das, was Deep Learning macht!! Lerne nach und nach aus Rohdaten und früheren Erfahrungen und korrigiere dich ohne explizite Programmierung.
Bildquelle: Herzog heute
Künstliche neurale Netzwerke, konvolutionelle neuronale Netze und rekurrente neuronale Netze sind einige der Deep-Learning-Algorithmen, die verwendet werden, um reale Probleme zu lösen.
Autonome Autos und Lastwagen, virtuelle Assistenten wie Alexa, Siri und Google Assistant, Spracherkennungssysteme, Computer Vision, Roboteroperationen sind alles coole Deep-Learning-Anwendungen.
Obwohl Deep Learning im Jahrzehnt des 1980, die Forscher hatten zwei große Einschränkungen bei der Implementierung von Deep-Learning-Modellen. Deep-Learning-Modelle benötigen viele Daten Ja sehr hohe Rechenleistung. Wenn die Daten wachsen, die Tiefe des neuronalen Netzes nimmt zu und das Lernen wird 'Tief'. Das ist die Essenz von Deep Learning. Ein weiterer wesentlicher Vorteil von Deep Learning ist, dass, wie die Modelleisenbahnen, es lernt selbst, Features zu extrahieren, und wir müssen keine manuelle Feature-Extraktion durchführen, wie dies bei anderen Machine Learning-Algorithmen der Fall ist.
Mit dem Aufkommen neuer Verarbeitungseinheiten, erhöhte Rechenleistung und exponentielles Datenwachstum; Deep Learning gewinnt an Bedeutung und wird zur Lösung vieler realer Probleme eingesetzt.
“Früh rein kommen 2020, die Anzahl der Bytes im digitalen Universum war 40 mal größer als die Anzahl der Sterne im beobachtbaren Universum” ~ Weltwirtschaftsforum
Zusammenfassend, Viele Systeme der künstlichen Intelligenz werden durch maschinelles Lernen und Deep-Learning-Algorithmen angetrieben. Künstliche Intelligenz wird durch maschinelles Lernen und Deep Learning erreicht und sie sind nicht gleich.
Ich hoffe, dieser Artikel hat Ihnen eine klare Vorstellung von künstlicher Intelligenz vermittelt, Maschinelles Lernen und Deep Learning.
Wenn Sie Ihre Gedanken hinterlassen oder sich mit mir auf LinkedIn verbinden möchten, hier ist der Link- LinkedIn
Viel Spaß beim Lernen!
Die in diesem Artikel gezeigten Medien sind nicht Eigentum von Analytics Vidhya und werden nach Ermessen des Autors verwendet.
