In het laatste artikel hebben we geprobeerd te begrijpen wat kunstmatige intelligentie precies is. Aangezien AI een technologie is die tot doel heeft menselijk gedrag na te bootsen, kunnen we veilig stellen dat de takken van AI die entiteiten zullen omvatten die ons anders maken dan machines. Laten we daarom kort ingaan op de takken van kunstmatige intelligentie en proberen ze in verband te brengen met menselijke activiteiten!
1.Machine Learning: Dit is de techniek die een computer in staat stelt zelf te leren door hem voldoende gegevens te verstrekken. Net als mensen traint machinaal leren een systeem om een resultaat te voorspellen op basis van ervaringen uit het verleden. Een algoritme voor machinaal leren herkent patronen in de gegeven gegevens, traint een model en voorspelt de uitkomst zonder dat het daarvoor expliciet hoeft te worden geprogrammeerd.
Een van mijn professoren gaf een opmerkelijk voorbeeld om te bevestigen dat machinaal leren net zoiets is als het trainen van een baby om de wereld aan te kunnen. Een baby komt in de buurt van een kaars, brandt zijn vinger en is nu gewond! Hij kon niet beredeneren wat er net gebeurde. Laten we dit in verband brengen met het trainen van een algoritme. Wanneer de kaars zijn vinger voor de tweede keer verbrandt, is de baby nu gewaarschuwd en weet hij wat de oorzaak van de brandwond kan zijn. Dit kan zo een tijdje doorgaan tot de baby uiteindelijk doorheeft dat de vlam van de kaars de reden is waarom zijn vinger brandt. Nu ons “model” is gebouwd, laten we het testen. De volgende keer dat een baby in de buurt van een kaars komt, weet hij dat de vlam hem kan schaden en vermijdt hij die volledig. We kunnen gerust zeggen dat ons model met succes is getraind! Dit is precies hoe machine learning plaatsvindt.
2.Neurale netwerken: Gezien het feit dat het al een tijdje een buzz-woord is, lijkt een neuraal netwerk voor sommigen van ons misschien een ingewikkelde term. Vertrouw me, als je de wiskunde uit een neuraal netwerk wegneemt, is het vrij eenvoudig te begrijpen. Het enige wat je moet doen is je model voeden met inputs in de eerste laag, de verborgen lagen specificeren en de output zou je laatste laag zijn. De taak van verborgen lagen is om belangrijke informatie uit de geleverde input te extraheren, om de uitkomst te voorspellen. We kunnen zoveel verborgen lagen kiezen als we willen, maar we moeten voorzichtig zijn omdat dit kan leiden tot overfitting en op zijn beurt de nauwkeurigheid van ons model kan aantasten.
Als u bekend bent met de biologie van een neuron, zijn neurale netwerken misschien gemakkelijker te begrijpen voor u. De inputlaag, zoals de dendriet, is de receptor die de input opneemt, het neuron verwerkt de informatie zoals de verborgen lagen, en het axon draagt de verwerkte signalen over en werkt als de outputlaag.
3.Robotica: Wat robotica interessant maakt, is dat het een amalgaam is van werktuigbouwkunde, elektrotechniek, informatica en verschillende andere wetenschappelijke gebieden. Het houdt zich bezig met het ontwerp, de productie en de bediening van robots, om de taken uit te voeren waarvoor ze gebouwd zijn.
Robots zijn het “lichaam” van een intelligent systeem, het coördineert met het programma en de uitkomsten ervan om een specifieke functie uit te voeren, vergelijkbaar met het skelet- en spierstelsel van het menselijk lichaam, toch? Het is verbazingwekkend om te zien hoe robots kunnen worden gebouwd om zo levensecht te zijn, net als Sofia, de dag is niet ver meer dat wij mensen eindelijk een robot als vriend zouden kunnen hebben!
4.Expert System: We weten nu hoe we een machine kunnen programmeren om te leren als een mens, maar hebben we ons ooit afgevraagd hoe we een machine kunnen laten denken als een mens? Wel, dit is waar expertsystemen in beeld komen. Het expertsysteem is een toepassing om de computer in staat te stellen het besluitvormingsvermogen van de mens na te bootsen. De drie onderdelen van een expertsysteem zijn de gebruikersinterface, de inferentiemachine en de kennisbank.
Net als onze ogen neemt de gebruikersinterface de vraag van de gebruiker op en geeft deze door aan de inferentiemachine. De inferentie-engine is als ons brein, het heeft een specifieke volgorde van regels om een probleem op te lossen en het verwijst naar de kennisbank om te redeneren. De kennisbank is als ons geheugen, het is een enorme opslagplaats van informatie verkregen van deskundigen in het domein. Vandaar dat het succes van een expertsysteem sterk afhangt van de nauwkeurigheid van zijn kennis.
5.Fuzzy Logic: Wij mensen zijn zeer onderhevig aan het hebben van een dilemma, dus zou het alleen maar eerlijk zijn als de systemen die we ontwerpen ook getraind zijn om dergelijke situaties het hoofd te bieden. Fuzzy logic is een techniek die zich bezighoudt met het oplossen van problemen met onzekerheid. Stel je voor dat je naar de hemel kijkt en op een mooie zonnige dag een paar donkergrijze wolken ziet. Verwarrend, toch?
Zou je kunnen bepalen of het gaat regenen of niet? Kun je een ‘definitief ja’ of een ‘definitief nee’ zeggen? Hier kan fuzzy logic je helpen! In tegenstelling tot Booleaanse algebra, vereist fuzzy logic niet de absolute waarden ‘True’ of ‘False’. In feite kun je bij fuzzy logic ook tussenliggende waarden hebben, zoals ‘gedeeltelijk waar’ of ‘gedeeltelijk onwaar’. Een fuzzy architectuur bestaat uit vier componenten- rule base, fuzzification, inference engine en defuzzification. De rule base bestaat uit een reeks regels en if-then voorwaarden die door de deskundigen worden verstrekt om de besluitvorming te sturen. Fuzzificatie wordt gebruikt om kraakheldere inputs (de waarden die aan het systeem worden doorgegeven voor verwerking) om te zetten in fuzzy sets. Het inferentiesysteem bepaalt dan de overeenstemmingsgraad voor elke regel en beslist welke regels dienovereenkomstig moeten worden geactiveerd. De gevuurde inputs worden vervolgens gecombineerd tot regelacties. Defuzzificatie zet de fuzzy sets, verkregen van het inferentiesysteem, om in kraakheldere waarden en geeft deze vervolgens door als output.
6.Natural Language Processing: Heb je ooit geprobeerd om te communiceren met iemand die niet spreekt uw taal, en ze konden je niet begrijpen? Een hele uitdaging, nietwaar? Stel je nu eens voor dat je probeert te communiceren met een computer, is dat niet nog uitdagender? Wat betekenen woorden en zinnen voor een computer die alleen de taal van nullen en enen verstaat? Het lijkt misschien geen gemakkelijke taak om machines te leren onze communicatie te begrijpen.
Het proces waarbij een machine menselijke interactie kan lezen, ontcijferen, begrijpen en er iets zinnigs van kan maken, wordt natuurlijke taalverwerking genoemd. In een notendop werkt het natuurlijke-taalsysteem als volgt: een persoon zegt iets tegen de machine, de machine neemt geluid op en zet het geluid om in tekst. Het NLP-systeem parseert vervolgens de tekst in componenten, begrijpt de context van het gesprek, en de intentie van de persoon. Op basis van de resultaten bepaalt de machine welk commando moet worden uitgevoerd. Dit is precies hoe mensen communiceren: we luisteren naar wat de ander zegt, proberen de betekenis van zijn toespraak te begrijpen en geven vervolgens een passend antwoord in dezelfde context. Toch?
Ik denk dat we gerust kunnen zeggen dat kunstmatige intelligentie nog leuker is als we het proberen te correleren met menselijke activiteiten. Vind je ook niet? Nou, dat was het voor dit artikel. In het volgende zal ik het hebben over enkele toepassingen van AI, blijf luisteren!