I den sidste artikel forsøgte vi at forstå, hvad der præcist er kunstig intelligens. Da kunstig intelligens er en teknologi, hvis mål er at efterligne menneskelig adfærd, kan vi roligt sige, at grene af kunstig intelligens vil omfatte de enheder, som gør os forskellige fra maskiner. Så lad os kort beskrive grenene af kunstig intelligens og forsøge at korrelere dem med menneskelige aktiviteter!
1.Machine Learning: Dette er den teknik, der gør det muligt for en computer at lære af sig selv ved at give den tilstrækkelige data. Meget ligesom mennesker træner maskinlæring et system til at forudsige et resultat ved hjælp af tidligere erfaringer. En maskinlæringsalgoritme genkender mønstre i de givne data, træner en model og forudsiger resultatet uden at skulle programmere den eksplicit til det samme.
En af mine professorer gav et bemærkelsesværdigt eksempel for at bekræfte, hvordan maskinlæring er ligesom at træne en baby i at møde verden. En baby går i nærheden af et stearinlys, brænder sin finger og er nu skadet! Han kunne ikke blot ræsonnere, hvad der lige var sket. Lad os forbinde dette med træning af en algoritme. Når stearinlyset brænder hans finger for anden gang, er babyen nu advaret og ved, hvad der kan have forårsaget forbrændingen. Dette kan fortsætte et stykke tid, indtil barnet endelig finder ud af, at det er flammen fra stearinlyset, der er årsagen til, at hans finger brænder. Nu, hvor vores “model” er bygget, kan vi afprøve den. Næste gang en baby kommer i nærheden af et stearinlys, ved den, at flammen kan skade den, og den undgår det helt. Man kan roligt sige, at vores model er trænet med succes! Det er præcis sådan, maskinlæring foregår.
2.Neurale netværk: I betragtning af, at det har været et modeord i et stykke tid nu, kan et neuralt netværk måske virke som et komplekst begreb for nogle af os. Tro mig, hvis du tager matematikken ud af et neuralt netværk til side, er det ret simpelt at forstå. Det eneste, du skal gøre, er at fodre din model med input i det første lag, angive de skjulte lag, og output vil være dit sidste lag. De skjulte lag har til opgave at udtrække vigtige oplysninger fra det leverede input for at forudsige resultatet. Vi kan vælge så mange skjulte lag, som vi vil, men vi skal være forsigtige, fordi det kan føre til overfitting og dermed forringe nøjagtigheden af vores model.
Hvis du er bekendt med neuronernes biologi, er neurale netværk måske lettere for dig at forstå. Indgangslaget, som dendriten, er receptoren, der tager imod input, neuronet behandler informationen som de skjulte lag, og axonet overfører de behandlede signaler og fungerer som udgangslaget.
3.Robotics: Det, der gør robotteknologi interessant, er, at den er en sammensmeltning af maskinteknik, elektroteknik, datalogi og flere andre videnskabelige områder. Den beskæftiger sig med design, produktion og drift af robotter, så de kan udføre de opgaver, som de er bygget til at udføre.
Robotter er “kroppen” i et intelligent system, den koordinerer med programmet og dets resultater for at udføre en bestemt funktion, ganske som skelet- og muskelsystemet i den menneskelige krop, ikke sandt? Det er utroligt at se, hvordan robotter kan bygges så livagtige, ligesom Sofia, den dag er ikke langt væk, hvor vi mennesker endelig kan få en robot som ven!
4.Ekspertsystem: Vi ved nu, hvordan vi kan programmere en maskine til at lære som et menneske, men har du nogensinde spekuleret på, hvordan man får en maskine til at tænke som et menneske? Det er her, ekspertsystemer kommer ind i billedet. Ekspertsystemet er en applikation, der sætter computeren i stand til at efterligne menneskers beslutningsevne. De tre komponenter i et ekspertsystem er brugergrænseflade, inferencemotor og vidensbase.
Som vores øjne tager brugergrænsefladen imod brugerens forespørgsel og sender den videre til inferencemotoren. Inferensmotoren er ligesom vores hjerne, den har en bestemt sekvens af regler til at løse et problem, og den henviser til vidensbasen for at levere ræsonnementer. Vidensbasen er ligesom vores hukommelse, det er et enormt lager af oplysninger, der er indhentet fra eksperter på området. Derfor afhænger et ekspertsystems succes i høj grad af, hvor nøjagtig dets viden er.
5.Fuzzy Logic: Vi mennesker er i høj grad udsat for at have et dilemma, så det ville kun være rimeligt, hvis de systemer, som vi designer, også er trænet til at klare sådanne situationer. Fuzzy logic er en teknik, der beskæftiger sig med løsning af problemer med usikkerhed. Forestil dig, at du kigger op på himlen og ser et par mørkegrå skyer på en dejlig solskinsdag. Forvirrende, ikke sandt?
Kan du afgøre, om det kommer til at regne eller ej? Kunne du sige et “bestemt ja” eller et “bestemt nej”? Det er her, at fuzzy logik vil hjælpe dig! I modsætning til Boolsk algebra kræver fuzzy logik ikke de absolutte værdier “sandt” eller “falsk”. Faktisk kan du have mellemliggende værdier som “delvist sandt” eller “delvist falsk”, når du har med fuzzy logik at gøre. En fuzzy-arkitektur består af fire komponenter – regelgrundlag, fuzzificering, inferensmotor og defuzzificering. Regelgrundlaget består af et sæt regler og “hvis-dan”-betingelser, som eksperterne har tilvejebragt til styring af beslutningstagningen. Fuzzification bruges til at konvertere skarpe input (de værdier, der sendes ind i systemet til behandling) til fuzzy-sæt. Inferencesystemet bestemmer derefter overensstemmelsesgraden for hver regel og beslutter, hvilke regler der skal udløses i overensstemmelse hermed. De udløste input kombineres derefter for at danne kontrolhandlinger. Defuzzificering konverterer de fuzzy sæt, der er opnået fra inferencemaskinen, til skarpe værdier og videregiver dem derefter som output.
6.Natural Language Processing: Har du nogensinde forsøgt at kommunikere med en person, der ikke talte dit sprog, og som ikke kunne forstå dig? Ret udfordrende, ikke sandt? Forestil dig nu at forsøge at kommunikere med en computer, er det ikke endnu mere udfordrende? Hvad betyder ord og sætninger for en computer, som kun kan forstå et sprog bestående af nuller og ettaller? Det virker måske ikke som en let opgave at lære maskiner at forstå vores kommunikation. Tja, ja og nej.
Processen med at få en maskine til at læse, tyde, forstå og give mening til menneskelig interaktion kaldes naturlig sprogbehandling. Kort fortalt fungerer systemet til naturligt sprog på følgende måde- En person siger noget til maskinen, maskinen optager lyd og omdanner lyden til tekst. NLP-systemet analyserer derefter teksten i komponenter, forstår konteksten for samtalen og personens hensigt. På grundlag af resultaterne bestemmer maskinen, hvilken kommando der skal udføres. Det er præcis sådan, mennesker kommunikerer, vi lytter til, hvad den anden person siger, forsøger at forstå betydningen af deres tale og giver derefter et passende svar i samme kontekst. Ikke sandt?
Jeg tror, at det er sikkert at sige, at kunstig intelligens er endnu sjovere, når vi forsøger at korrelere den med menneskelige aktiviteter. Er du ikke enig? Nå, det var det hele for denne artikel. I den næste vil jeg orientere om nogle anvendelser af kunstig intelligens, stay tuned!