Grunderna i AI

  • 4 minuter

Modern AI bygger på en grund av datavetenskap och maskininlärning. Det primära målet med AI är att använda datorer för funktioner som vanligtvis är associerade med människor. Nu ska vi se att datavetenskapsbegrepp stöder grunden för AI.

Vad är dataforskning?

Datavetenskap är ett tvärvetenskapligt område vars syfte är att uppnå AI. Den använder främst maskininlärnings- och statistiktekniker. I de flesta fall är dataexperter experter som ansvarar för att lösa AI-problem.

Vad är maskininlärning?

Maskininlärning är en teknik där en maskin söker igenom många mängder data för att hitta mönster. Den här tekniken används ofta för AI-ändamål. Maskininlärning använder algoritmer som tränar en dator för att lära sig mönster baserat på differentieringsfunktioner om data. Ju mer träningsdata, desto mer exakta förutsägelser.

Nedan följer några exempel:

  • Identifiering av skräppost via e-post – Maskininlärning kan leta efter mönster där e-post har ord som "gratis" eller "garanti", e-postadressdomänen finns i en blockerad lista eller en länk som visas i text matchar inte URL:en bakom den.
  • Identifiering av kreditkortsbedrägerier – Maskininlärning kan leta efter mönster som utgifterna i ett postnummer som ägaren vanligtvis inte besöker, köper ett dyrt objekt eller en plötslig shoppingrunda.

Vad är djupinlärning?

Djupinlärning är en delmängd av maskininlärning. Djupinlärning imiterar hur en mänsklig hjärna bearbetar information som ett anslutet artificiellt neuralt nätverk. Till skillnad från maskininlärning kan djupinlärning upptäcka komplexa mönster och skilja funktioner om data på egen hand. Det fungerar normalt med ostrukturerade data som bilder, text och ljud. Det kräver enorma mängder data för bättre analys och massiv databehandlingskraft för hastighet.

Till exempel kan djupinlärning användas för att upptäcka cancerceller i medicinska bilder. Djupinlärning söker igenom varje bildpunkt i bilden som indata till neurala noder. Noderna analyserar varje pixel för att filtrera bort funktioner som ser cancerframkallande ut. Varje lager av noder skickar resultaten av potentiella cancerceller till nästa lager av noder för att upprepa processen och slutligen aggregera alla resultat för att klassificera bilden. Bilden kan till exempel klassificeras som en felfri bild eller en bild med cancerframkallande funktioner.

Diagram som visar AI-metoder (djupinlärning, maskininlärning och datavetenskap).

Nu ska vi utforska fyra kategorier av Microsoft-verktyg som du kan använda för att lägga till AI i ditt företag.