Identifikace základních konceptů technologie AI
Pojem AI se často hází kolem mnoha. Pravděpodobně jste slyšeli o strojovém učení, hlubokém učení, datových vědách, generování umělé inteligence a zodpovědné umělé inteligenci. Nemusí ale být jasné, co všechny tyto termíny znamenají a jak se vzájemně liší. V této lekci tyto koncepty objasníme, abyste pochopili, jak se vztahují na váš obchodní problém.
Co je umělá inteligence?
Umělá inteligence (AI) je schopnost počítačového programu nebo počítače napodobovat chování podobné člověku. Například napodobování vizuálních smyslů, rozpoznávání řeči, rozhodování, porozumění přirozenému jazyku atd. Není to technologie sama o sobě, ale spíše cíl nastavený techniky napodobovat lidskou inteligenci.
Co je generativní AI?
Generování umělé inteligence je podmnožinou umělé inteligence. AI se dá použít k predikci výsledků, detekci entit nebo klasifikaci dokumentů mimo jiné. Generování umělé inteligence, označované také jako GenAI, ale vytváří obsah, jako jsou obrázky, videa nebo text. Cílem je, aby tento obsah vygenerovaný AI byl stejně užitečný jako jakýkoli obsah vytvořený lidmi. Tento přístup je možný díky velkým jazykovým modelům (LLM), což jsou komplexní modely AI, které lze použít pro širokou škálu případů použití.
Můžete například použít generování umělé inteligence k vývoji následných otázek na schůzku, vytvoření obrázku z textu nebo vysvětlení řádku vtipu, i když je vtip ve videu.
Co jsou datové vědy?
Datové vědy jsou in interně zaměřené obory , jejichž cílem je dosáhnout umělé inteligence. Používá mnoho různých technik, většinou strojového učení a statistiky. Ve většině případů jsou datoví vědci odborníky, kteří mají na starosti řešení problémů s AI.
Co je strojové učení?
Strojové učení je technika , ve které strojový proud prochází mnoha objemy dat a hledá vzory. Tato technika se často používá pro účely AI. Strojové učení používá algoritmy, které trénují počítač, aby se naučil vzory na základě různých funkcí dat. Čím více trénovacích dat, tím přesnější jsou předpovědi. Zde je uvedeno několik příkladů:
- Detekce spamu e-mailu – Strojové učení může hledat vzory, ve kterých e-mail obsahuje slova typu "free" nebo "guarantee", doména e-mailové adresy je v blokovaném seznamu nebo odkaz zobrazený v textu neodpovídá adrese URL za ní.
- Detekce podvodů s platebními kartami – Strojové učení by mohlo hledat vzory, jako je útrata v PSČ, kterou vlastník obvykle nenavštěvuje, kupuje nákladnou položku nebo náhlé nákupy.
Co je hluboké učení?
Hluboké učení je podmnožinou strojového učení. Hluboké učení je imitace, jak lidský mozek zpracovává informace, jako propojená umělá neurální síť. Na rozdíl od strojového učení může hluboké učení objevit složité vzory a různé funkce týkající se dat samostatně. Obvykle funguje s nestrukturovanými daty, jako jsou obrázky, text a zvuk. Proto pro lepší analýzu a masivní výpočetní výkon pro rychlost vyžaduje obrovské objemy dat.
Hluboké učení lze například použít k detekci rakovinných buněk na lékařských obrázcích. Hluboké učení prohledá každý pixel na obrázku jako vstup do neurálních uzlů. Uzly analyzují jednotlivé pixely a vyfiltrují funkce, které vypadají rakovinně. Každá vrstva uzlů odesílá závěry potenciálních rakovinných buněk do další vrstvy uzlů, aby proces opakovala a nakonec agregovala všechna zjištění ke klasifikaci obrázku. Obrázek může být například klasifikován jako zdravý obrázek nebo obrázek s rakovinnými funkcemi.
Co je zodpovědné za AI?
AI má velký rušivý potenciál. Proto by měla dodržovat nejvyšší etické normy. Zodpovědná AI se týká principů a osvědčených postupů , které zajišťují, že práce umělé inteligence je zodpovědná, inkluzivní, spolehlivá, bezpečná, spravedlivá, transparentní, zabezpečená a respektuje ochranu osobních údajů.
Umělá inteligence by například mohla vytvořit video, které ukazuje skutečnou osobu na události, které se nezúčastnili v reálném životě. Zodpovědná AI zahrnuje, že tuto technologii nepoužívá k podvodným účelům, protože by ohrožovala jejich soukromí a měla nespravedlivé důsledky.
Rozšíření základních konceptů umělé inteligence, kde počítače zobrazují funkce, které jsou obvykle spojené s lidskými schopnostmi, můžete vidět, jak fungují vzorce učení, interpretace dat a odůvodnění s daty. Abychom toho dosáhli, musíme před učením nasměrovat počítač na velké množství dat. Strojové učení navíc vytváří algoritmy, které se liší od jednoduchých lineárních funkcí až po velmi složité, jako je umělá neurální síť.
Teď se podíváme, které nástroje a architektury máte k dispozici, pokud chcete do firmy přidat AI.