什么是人工智能?

欢迎来到 The Burnie Group 的 AI 和机器学习知识中心

什么是人工智能?

人工智能 (AI) 是计算机科学的理论和领域,它开发旨在执行通常需要人类智能的任务的系统。人工智能的概念已经存在了几十年;艾伦图灵首先提出了一个问题,“机器会思考吗?”在他 1950 年的论文“计算机与智能”中。然而,该技术仍可被视为处于早期阶段,我们现在才开始接受其巨大的潜力。

人工智能已经被用于改进流程和解决以前只能由人类解决的复杂问题。人工智能技术,例如 机器学习, 深度学习, 神经网络, 和 生成对抗网络,近年来取得了显着进步,并被用于完成以前从未有过的复杂任务。借助人工智能,机器正在获得理解语言的能力(自然语言处理), 看 (机器视觉),并做出明智的决定(认知计算)。这些能力正在跨bob手机登陆应用,以执行任务和解决问题。

要了解有关 AI 能力的更多信息, 点击这里.
要了解有关 AI 应用程序的更多信息, 点击这里.


机器学习图标|什么是人工智能 人工神经网络 |什么是人工智能 深度学习 |什么是人工智能 生成对抗网络|什么是人工智能 机器视觉 |什么是人工智能 自然语言处理|什么是人工智能 认知计算 |什么是人工智能
机器
学习
人造的
神经
网络
深的
学习
生成
对抗性
网络
机器
想象
自然

加工
认知的
计算

要了解您的企业如何从 AI 中受益,请立即联系 The Burnie Group

联系我们

什么是机器学习?

机器学习是人工智能的一个领域,它允许计算机系统使用大型数据集、发现模式并学习执行特定任务,而无需明确编程来执行这些任务。

有两种类型的机器学习:有监督的和无监督的。在有监督的机器学习中,模型提供有标记的数据集。在无监督机器学习中,模型使用算法根据未标记的数据得出结论。该模型通过分析它在未标记数据集中识别的模式来创建结果。这称为聚类。

有许多不同类型的机器学习模型,每种模型都有自己的一套算法。这些模型包括支持向量机——用于将项目以非概率方式分类,例如将图像的一部分识别为人脸或非人脸——以及贝叶斯网络,用于发现项目和类别之间的概率关系,例如作为症状和疾病。目前正在探索的两种最有前途的机器学习方法是 神经网络 and deep learning.

重要的是要记住,必须正确准备提供给任何机器学习模型的数据。例如,训练数据不能与模型用于执行所需任务的数据相同。就像数学老师使用他们的家庭作业的副本来测试她的学生一样,相同的训练数据会像学生一样教模型记住正确答案,而不是制定自己得出答案的策略。数据的质量、数量和准备决定了结果的预测质量。

有兴趣为机器学习系统优化数据吗?

联系我们

什么是人工神经网络?

人工神经网络是一种特定的模型 机器学习 模仿人类学习模式。这些网络由按层分组的单元(神经元)组成。层数越多,网络可以解决的问题就越复杂。这种用于处理信息的神经系统为复杂的机器学习过程提供动力,例如 深度学习.

在人脑中,神经元接收来自身体感官的多种输入,通知它们视觉、声音和触觉。神经元处理这些输入以确定是否将传递信息,最终促使大脑指示行动。

神经元赋予输入的权重随着经验而变化。就像在巴甫洛夫著名的实验中一样,铃铛可能不是狗大脑的重要输入。然而,如果经验告诉狗铃与食物有关,狗的神经元就会开始识别模式。该信息应引起垂涎三尺的反应。

与人脑一样,计算机系统使用人工神经网络来处理信息并根据输入的权重做出决策。下图说明了输入如何被外层神经元接收和处理,然后再传递到下一层的神经元。

为了处理信息,每个神经元都从一个基值开始,它允许它猜测什么输入会导致什么结果。这个猜测第一次可能不正确,所以神经元调整了这个值的权重。随着系统处理更多信息,神经元会调整其权重并学习产生更准确的结果。

随着更多层神经元的引入,系统变得能够进行越来越复杂的抽象和解决问题。深度学习系统使用具有多层的神经网络来完成机器以前无法完成的任务。这些内层对他们的用户是隐藏的,他们只能看到原始数据和结果的外层。这就是考虑人工神经网络的原因 黑盒子 算法:机器产生答案的逻辑仍不清楚。

有兴趣了解更多关于人工智能在您的业务中的应用吗?

联系我们

什么是深度学习?

深度学习是一种 机器学习 使用 人工神经网络 处理非结构化数据集并生成智能决策。深度学习系统通常包含排列在几个隐藏层中的大型人工神经元系统。

深度学习是机器学习的一种无监督形式,这意味着它解释未标记的数据,允许算法本身从中导出有意义的特征。这种特征提取允许系统学习如何使用一组特征完成特定任务,同时也学习特征本身。简而言之,深度学习系统可以学习如何更好地学习。

考虑下面使用神经网络识别图像的深度学习系统的图像。原始数据是狮子的图像。在传统的监督模型中,程序员或数据科学家会为系统标记狮子的特征:毛皮、黄色、大、眼睛、外面。在无监督的深度学习模型中,特征没有被标记;系统必须自己识别它们。在每一层,人工神经元都会对图像进行有根据的猜测,将信息传递到下一层。这些猜测可能不正确,但有了更多的数据和经验,系统就会学会如何提高其准确性。在数据经过所有层处理后,系统识别出数据的特征,产生一个分类:lion。

深度学习图像识别示例|什么是人工智能

图像识别是深度学习的一个主要用例。许多人认为 2012 年 ImageNet 大规模视觉识别挑战赛,其中来自多伦多大学的名为 Supervision 的深度学习算法横扫竞争对手,作为释放对 AI 的重大投资的火花,这些投资正在推动我们迅速迈向 AI 普及的未来.

深度学习系统评估非结构化数据集的能力拥有巨大的可能性。大公司正在大力投资这一潜力。谷歌正在使用深度学习来降低其语音识别软件的错误率 [2],微软设计了一个深度学习系统,可以将中文新闻文章翻译成英文,准确度与人类相同。 [3] 深度学习也被用于机器视觉,为特斯拉等公司的自动驾驶系统提供动力,并为医生解读放射图像。深度学习技术也在促进突破,在 生成对抗网络 (GAN),其中机器学习系统相互教学,以及 自然语言处理 (NLP),这使计算机能够理解人类并与人类互动。

 

[2] //www.technologyreview.com/s/513696/deep-learning/

[3] //techcrunch.com/2018/03/14/microsoft-announces-breakthrough-in-chinese-to-english-machine-translation/

有兴趣了解更多关于人工智能在您的业务中的应用吗?

联系我们

生成对抗网络 (GAN)

生成对抗网络 (GAN) 是一类 AI 算法,用于 无监督机器学习 楷模。这些网络由两种不同的系统组成:一种是生成式的,一种是判别式的。这些系统使用已知数据集进行训练。生成系统的目标是通过生成似乎来自真实数据集的综合候选来“愚弄”判别系统。

判别系统审查数据,直到它可以准确地区分真实数据分布中的实例和错误候选者。

与所有机器学习模型一样,成功的关键是反复试验。生成系统的任务可能是根据文本生成图像。下图显示了描述向日葵的文本输入。系统第一次尝试根据此文本生成图像显然不是向日葵。判别系统可以很容易地将这个候选人识别为一个充满适当向日葵的数据集中的冒名顶替者。这个过程不断重复——判别系统越来越擅长标记合成图像,而生成系统学习如何更好地欺骗它。最后,生成系统成功地愚弄了判别系统。逼真的向日葵纯粹是由计算机智能生成的。

GAN 画向日葵 |什么是人工智能
给定文本输入,GAN 学习绘制更好的向日葵。 [1]
计算机系统相互教导如何改进的这种能力具有改变bob手机登陆的潜力。生成对抗系统生成图像的能力正在被试验为电子商务和室内设计的工具,仅举几个受到影响的bob手机登陆。这些卓越的系统展示了人工智能不仅在开发模仿人类智能的方法,而且在精确地模仿我们生活的世界。

生成对抗网络 (GAN) 因其生成照片般逼真的图像甚至视频的不可思议的能力而闻名。仅在电子商务经济中就有许多潜在的应用。正在研究的一个复杂问题是姿势生成。经过专门训练的 GAN 能够从训练集中学习人体姿势的细微差别,然后根据估算数据和过去的经验生成栩栩如生的图像。下图展示了 GAN 如何从目标图像中提取目标姿态并将该知识应用于新的条件图像。结果是一个新图像,生成以新姿势显示原始模型。

姿势引导图像生成,由 GAN 生成。 [1]
GAN 系统,如 DiscoGAN,也一直在学习在没有标记的情况下形成跨域关系。系统可以接收未标记的输入,并且基于系统自学基于其训练集识别的特征,生成来自不同域的匹配图像。下图显示了 DiscoGAN 如何审查输入(手提包)并根据识别的特征生成推荐的匹配项目(鞋子)。正在研究 GAN 的这种特殊应用,因为它适用于流媒体电子商务。

匹配样式,由 DiscoGAN 生成。 [2]
除了图像生成之外,GAN 也被作为一种图像增强方法进行试验。 [3] 通过合成纹理,而不是尝试像素精度,GAN 可以生成高质量的图像,然后填充丢失或损坏的图像数据。这项技术已被用于改善天文图像 [4],并被视为一种执法工具,用于老化或更改受害者和嫌疑人的照片以进行识别。

像 Facebook 这样的大公司 [5] 目前正在资助正在探索 GAN 潜在应用的 AI 智囊团。 GAN 的许多应用超出了其卓越的成像能力。给定特定的数据训练集,GAN 可以创作特定流派的原创歌曲。它们还有可能用于帮助根据患者的症状、病史和病理进行医学诊断。使用患者的症状、病史和她疾病的任何图像,GAN 可以生成可能的原因并根据相关数据对其进行评估。该系统会及时自学,以做出越来越准确的诊断。

与大多数其他 AI 项目一样,GAN 需要准备专门的数据集来实现其目标。训练数据必须以这样的方式呈现,即 GAN 可以在准确复制元素之前学会识别元素。同样,如果判别系统没有收到合适的数据,它就无法识别 GAN 生成的候选者,从而消除了生成系统改进的机会。如果您正在考虑实施 GAN 或任何其他 AI 系统来帮助您的企业实现其目标,请确保您选择了正确的数据来教授他们。 立即联系bob苹果手机登录版,了解我们如何提供帮助。

 

[1] 马丽倩、徐嘉、孙倩茹、伯恩特·席勒、Tinne Tuytelaars 和 Luc Van Gool。 “姿势引导人物图像生成。”神经信息处理系统进展,第 406-416 页。 2017 年。

[2] //github.com/carpedm20/DiscoGAN-pytorch

[3] Sajjadi, Mehdi SM, Bernhard Schölkopf, and Michael Hirsch. “Enhancenet: Single image super-resolution through automated texture synthesis.” In Computer Vision (ICCV), 2017 IEEE International Conference on, pp. 4501-4510. IEEE, 2017. //ieeexplore.ieee.org/abstract/document/8237743/

[4] //www.techrepublic.com/article/how-generative-adversarial-networks-gans-make-ai-systems-smarter/

[5] //www.scientificamerican.com/article/when-will-computers-have-common-sense-ask-facebook/

有兴趣了解更多关于人工智能在您的业务中的应用吗?

联系我们

什么是机器视觉?

机器视觉是计算机系统以与人类相同的方式识别和处理图像的能力。像人类一样,机器视觉的目标是让计算机系统不仅“看到”图像,而且“理解”它们。为此,传感器(通常是相机)与 AI 软件算法协同工作,例如 神经网络 and 深度学习系统.

与传统的图像处理输出是另一幅图像不同,机器视觉的目标是从图像中提取特定信息并推断其含义。想想你的社交媒体账户:你上传了一张照片,系统会神奇地建议人们在其中添加标签。真正发生的是机器视觉提取照片中每个人的特征,并评估这些特征与您的一位朋友相匹配的可能性。随着每张照片的处理,系统在将姓名与面孔匹配方面变得越来越好。

目前,机器视觉主要用于工业领域,以改进自动检测和机器人过程引导。例如,装瓶设施使用机器视觉系统进行质量控制。当瓶子到达检测传感器时,相机被触发,将瓶子的图像发送到机器视觉系统。系统解释图像的非结构化信息并产生所需的答案:是的,这是一个正确填充的瓶子,或者不是,这个瓶子应该被拒绝。从历史上看,这种检查都是手工完成的。现在,机器可以快速准确地判断每个瓶子,而员工则可以检查机器的流程并检查每个被拒绝的瓶子,以确保安全。

机器视觉高度适用于许多bob手机登陆,降低生产成本,提高产品质量。由于它在自动驾驶汽车中发挥着核心作用,因此它也将成为交通转型的基础。机器视觉从图像中提取信息并理解它的能力在大量和各种用例中证明是无价的。

有兴趣了解更多关于人工智能在您的业务中的应用吗?

联系我们

什么是自然语言处理?

自然语言处理 (NLP) 是计算机系统理解、解释和生成书面和口头语言的能力。人类交流极其复杂,有许多细微差别,而且经常令人困惑,因为人们使用口语、影射和频繁的拼写错误。使用 NLP,支持 AI 的系统(例如 IBM 的 Watson)已经开发出识别和响应此类细微差别和歧义的能力。

可以教授机器学习模型来识别语言规则和模式,以提供对文本语义(词义)、句法(句子结构)和上下文信息的一些理解。然而,传统的基于规则的方法既费时又不擅长解决拼写错误等问题。自然语言处理系统使用 深度学习算法 已经进化,因此他们不断学习新的语言形式,使系统能够快速有效地解决复杂的任务。例如,谷歌的网络搜索可以在几秒钟内返回搜索。在这短暂的时间内,系统使用 NLP 来评估查询的语言元素,并将此信息与其对用户的了解进行交叉引用。例如,要执行对“java”的简单搜索,系统必须理解搜索本身并根据对用户历史的语言理解来确定是否应向用户显示本地咖啡店或网站的列表软件下载。

基本的 NLP 任务包括解析、词干提取、标记、语言检测和语义关系的识别。通过接收基于文本或语音的数据,NLP 深度学习算法识别和解释语言特征以执行请求的任务。一些常见的基于语音的系统,例如 数字助理 Alexa 或 Google Assistant,首先将语音命令翻译成文本。在几秒钟的时间内,系统会听取所说的内容,将其分解为 10 到 20 毫秒的片段,识别语音单位,并将这些与已知的预先录制的语音样本进行比较。使用语义分析,系统然后可以确定适当的答案。这些系统被称为智能虚拟代理 (IVA),在医疗保健和电信等bob手机登陆有许多用途。

更复杂的 NLP 任务包括分类、总结、翻译和提取。在内容分类中,系统会审查文本内容、为其编制索引、检测重复并提醒用户注意特定内容。这些系统能够准确识别模式、细微差别和上下文,还可以总结大量文本并将文本或语音翻译成不同的语言。最复杂的级别涉及教 NLP 计算机系统识别情绪并从文本中提取意见,这项任务对于母语人士来说甚至可能是困难的。

要了解有关 AI 的众多功能如何用于使您的业务受益的更多信息,请立即联系 The Burnie Group

联系我们

什么是认知计算?

认知计算是一套可以模拟人脑工作的人工智能工具的组合。这些系统不只是看到(如 机器视觉 系统)或听(使用 自然语言处理) 但可以执行许多功能,包括复杂的深度问答 (Q&A)。这些系统专门处理和分析大型非结构化数据集,基于比基本数据更多的概念信息做出高级决策。

认知计算系统是一个复杂的子系统架构,每个子系统都使用 深度学习算法 建造在 neural networks 处理数据并根据训练集对其进行评估。例如,IBM 的 Watson 正在接受培训以提高 医疗诊断.目标是让此类系统能够处理患者的语言、文本和视觉症状;将它们与可能的疾病和已发表研究的庞大数据库进行比较;并提供结果摘要、可能的诊断,并推荐可能的治疗方案以供医生审查。

认知计算系统可以表达高级 AI 特征,包括适应性、交互性以及上下文和迭代理解。自适应系统可以随着信息的变化和目标的发展而学习。系统的交互性使用户可以轻松地与之交互。该系统本身也可以轻松地与其他设备和云服务进行交互。使用 NLP,认知系统可以实现高水平的上下文理解。该系统可以利用结构化和非结构化信息的多个来源来识别和提取完成任务所需的上下文元素。认知系统可能会记住任务的先前迭代,从而找到合适的信息以更好地完成其当前任务。如果提供的数据不完整或不合适,它还可以提出问题或寻求其他信息来源。

认知计算系统处于早期发展阶段,要实现此类系统的潜力还有很长的路要走;然而,构成认知计算系统的各个 AI 元素是普遍使用的,并且在各个bob手机登陆中不断得到改进和利用,相当数量的高功能认知系统已经得到有效使用。