Съдържание
- Кратка история на AI
- Налични платформи
- Без грешки, без стрес - Вашето стъпка по стъпка ръководство за създаване на софтуер, променящ живота, без да разрушава живота ви
- Практиката прави перфектни
Източник: Elnur / Dreamstime
За вкъщи:
Изкуственият интелект е една от най-бързо развиващите се области в технологиите, но с толкова много да се знае за нея, откъде започва човек? Тук ще разгледаме някои начини да се запознаете с AI.
Изкуственият интелект идва в център за данни близо до вас и вероятно ще започне да изпълнява много от задачите, за които човешките оператори прекарват по-голямата част от времето си.
Но вместо да разглежда това неизбежно развитие като заплаха, днешният ИТ работник би направил по-добре да научи основите на AI сега, така че когато го пристигне, той да може да бъде използван като инструмент за повишаване на стойността на човешките усилия за организацията, а не да замени то.
Първо, помага да се знае, че има много различни видове AI, които обслужват различни функции. Техническият журналист Майкъл Коупланд разглежда технологията като серия от концентрични кръгове, като AI е най-външният кръг и по-специализираните форми като машинно обучение (ML) и дълбоко учене.
Разликите се състоят в нивата на сложност, изложени от всяка форма на AI и специфичните функции, които те са проектирани да позволят.
Кратка история на AI
AI, например, има корени от 50-те години на миналия век, но едва в началото на това десетилетие започва да събира пара с концепцията за "тесен AI". Това е мястото, където технологията е фокусирана върху изпълнението на специфични задачи като класификация на изображението и разпознаване на лицето, но липсва способността да развива своите процеси, използвайки опит и други въвеждащи данни, както прави човешкият мозък. (За повече информация относно това, вижте дали компютрите могат да имитират човешкия мозък?)
За това трябва да се обърнем към машинното обучение, което използва алгоритми за анализиране на данни, за да прави прогнози за неговата среда. С ML програмистите вече не трябва да предават код на всяко действие, което една система трябва да предприеме, а по-скоро самата система може да определи най-добрия начин на действие предвид наличните данни. Дори на този етап, обаче, терминът „интелигентност“ се използва много слабо, тъй като все още изисква много човешки принос за МЛ, за да стигне до рационални заключения.
Тук влизат дълбокото обучение и невронните мрежи. За разлика от машинното обучение, тези технологии се стремят да подражават на работата на човешкия мозък. Използвайки напреднали слоеве, свързаност и разпространение на данни, те обработват набори от данни по много начини, за да генерират претеглени вероятности за даден резултат. Тъй като това е много тежко изчислително натоварване, не е изненадващо, че това ниво на AI се запазва на задната горелка, докато графичните процесори и паралелната обработка не влязат в основния поток.
Налични платформи
Бъдещият AI програмист също трябва да се запознае с водещите платформи на пазара. Докато изобилието от решения се увеличава с всеки изминал ден, някои от по-базовите системи предлагат доста лесна крива на обучение за тези, които вече са запознати с общи езици за програмиране.
Без грешки, без стрес - Вашето стъпка по стъпка ръководство за създаване на софтуер, променящ живота, без да разрушава живота ви
Не можете да подобрите уменията си за програмиране, когато никой не се интересува от качеството на софтуера.
Sitepoint.com изброи някои от по-утвърдените платформи, всяка от които обслужва различните начини, по които AI ще взаимодейства с процесите, управлявани от данни. Може би най-популярните са TensorFlow от Google и платформата Melissa, създадена за изчислителната среда на Raspberry Pi. И двете предоставят лесно набиране на AI програмиране, въпреки че Melissa изисква малко повече умения в езици за програмиране като Python.
Освен това има услуги като Wit.ai и Api.ai, които използват разпознаване на глас за преобразуване на вербални команди в. Те също така използват прости програмни елементи, наречени „намерения“ и „субекти“, които се използват за определяне на действието, което трябва да се предприеме, и устройството и / или услугата, по които да се действа. По този начин разработчиците могат да инструктират двигателя на AI да премахне данните от диск A и да го поставят за управление B. И Wit, и Api имат свой набор от шаблони за намерения и образувания, така че голяма част от работата вече е свършена. Въпреки че, освен iOS и Android, те са склонни да поддържат различни езици за програмиране, като Wit се навежда към Ruby, Python, C и Rust и Api подкрепя Unity, C ++, Python и JavaScript.
Практиката прави перфектни
Въпреки че никога не боли да се занимавате с AI по традиционния начин - да вземете клас, да научите нюансите на различните платформи, да изучавате минали практики - запаметяването на набор от прекъснати факти ще ви отведе само досега, казва CTO Kaggle Ben Hamner. По-практичен подход е да изберете конкретен проблем през работния ден и да се опитате да разберете как интелигентната система за автоматизация може да го облекчи, ако не и да го реши напълно. (За да научите за някои текущи приложения за AI, вижте 3 невероятни примера за изкуствен интелект в действие.)
Това е много по-трудно, отколкото звучи. Идеалният проблем трябва да има три критерия:
- Той трябва да обхваща област, от която се интересувате лично,
- Той трябва да използва лесно достъпен набор от данни, който е подходящ за справяне с проблема, и
- Данните или съответното подмножество трябва да се намират удобно в рамките на една машина.
След като установите подходящ проблем, Хамнер казва, че е време да направите бърз и мръсен хак - нищо фантазия, достатъчно е само да осигурите краен поправка на основния проблем. Това трябва да обхваща стъпки като четене на данните, превръщането им в нещо, което алгоритъмът за машинно обучение може да разбере, обучение на основен модел, създаване на резултат и оценка на ефективността.
След като тази функционална основна линия е завършена, винаги можете да се върнете назад и да подобрите всеки компонент, може би чрез разглеждане на отделни редове и визуализиране на разпределения, за да получите по-добро разбиране на структурата и аномалиите. В много случаи ще откриете, че подобряването на стъпките за почистване и предварителна обработка на данните дават по-добри резултати, отколкото оптимизиране на моделите за машинно обучение.
Също така помага да видите какво правят другите с AI в момента и след това може би споделяте публикациите си публично, за да насърчите още по-нататъшно развитие. Наскоро Google започна AI експериментална среда, наречена AI Experitions, която предлага код с отворен код и други ресурси, за да ви помогне да започнете плюс витрина за AI разработки в областта на изкуството, езика, музиката и други дисциплини. В допълнение към TensorFlow и Cloud ML API, сайтът разполага с версия на 3D игралната лаборатория DeepMind и набор от приложения и скриптове на openFrameworks за разработване на инструменти за машинно обучение в C ++.
Най-голямата промяна, която изкуственият интелект ще донесе на работната сила на знанието и в частност на ИТ, е премахването на всички ротационни повтарящи се задачи, които съставляват основната част от работния ден. Но не се заблуждавайте, AI няма да направи хората излишни, нито ще позволи на човечеството да живее живот в свободното време, докато машините вършат цялата работа.
Ще има много, за да задържи човешкия мозък в задвижвана от ИИ икономика, но това до голяма степен ще обхване творческите, интуитивни проекти, които математическите алгоритми никога няма да успеят да овладеят.
С AI като партньор очаквайте работният ден да стане по-интересен и възнаграждаващ за хората, докато организациите, които обслужват, трябва да виждат по-голяма полза от човешката дейност и като цяло по-висока производителност.