L'intelligenza artificiale spiegata semplice con esempi reali di Machine Learning, Reti Neurali e Deep Learning in azione.
Ci sono molti ottimi articoli sull'Intelligenza Artificiale (AI) e sui suoi vantaggi per le imprese e la società. Tuttavia, molti di questi articoli sono troppo tecnici per il lettore medio. Adoro leggere articoli e libri sull'intelligenza artificiale, ma a volte penso tra me e me: " Accidenti, vorrei che l'autore lo avesse spiegato in modo più semplice". '
Cercheremo di spiegare l'Intelligenza Artificiale e le relative tecnologie in termini semplici, usando esempi di vita reale, come se stessi parlando con qualcuno a una festa .
I tuoi colleghi oi tuoi amici (cari) possono tollerare le tue infinite e complesse divagazioni, ma ti garantisco che le persone alle feste sono molto meno indulgenti.
Dopo aver letto questo, sarai in grado di parlare dell'IA a una festa e intrattenere i tuoi compagni ospiti.
Cos'è l'Intelligenza Artificiale spiegata semplice?
L'intelligenza artificiale (AI) implica l'uso dei computer per fare cose che tradizionalmente richiedono l'intelligenza umana. Ciò significa creare algoritmi per classificare, analizzare e trarre previsioni dai dati. Coinvolge anche recitazione sui dati, apprendimento da nuovi dati, e miglioramento nel tempo. Proprio come un piccolo bambino umano che cresce in un adulto umano (a volte) più intelligente. E come gli esseri umani, l'IA non è perfetta. Ancora.
La differenza tra AI e programmazione regolare? I programmi regolari definiscono tutti i possibili scenari e operano solo all'interno di quegli scenari definiti. L'intelligenza artificiale "addestra" un programma per un'attività specifica e gli consente di esplorare e migliorare da solo. Una buona intelligenza artificiale "capisce" cosa fare quando incontra situazioni non familiari. Microsoft Word non può migliorare da solo, ma il software di riconoscimento facciale può migliorare nel riconoscere i volti più a lungo dura.
Per applicare l'IA, hai bisogno di dati. Un sacco. Gli algoritmi di intelligenza artificiale vengono addestrati utilizzando set di dati di grandi dimensioni in modo che possano identificare modelli, fare previsioni e consigliare azioni, proprio come farebbe un essere umano, solo più velocemente e meglio.
Interagiamo con l'IA ogni giorno nella nostra vita professionale e personale:
Automazione delle attività : le attività di back-office ripetitive come il lavoro d'ufficio, la fatturazione e il reporting gestionale possono essere automatizzate per risparmiare tempo e migliorare la precisione. Il lavoro in fabbrica e in magazzino può anche essere automatizzato utilizzando robot basati sull'intelligenza artificiale.
Assistenza clienti : ricordi la chat di testo online che hai avuto con l'assistenza clienti della tua banca? Potrebbe essere stato un chatbot invece di un vero essere umano.
Social media : Facebook utilizza l'intelligenza artificiale per riconoscere i volti. Quando carichi le foto su Facebook, mette un riquadro intorno ai volti nella foto e suggerisce i nomi degli amici da taggare.
Auto a guida autonoma : le telecamere e i computer di bordo identificano oggetti e persone sulla strada, seguono i segnali stradali e guidano l'auto. I primi modelli sono già più sicuri dei conducenti umani.
Tuttavia, anche la migliore IA di oggi non può competere con il cervello umano per alcuni aspetti. Mentre alcune IA sono progettate per imitare il cervello umano, oggi l'IA è efficace solo in una gamma relativamente ristretta di compiti. L'intelligenza artificiale può applicare un'enorme potenza di calcolo a un insieme ristretto di dati e metodi . Il cervello, d'altra parte, applica una potenza di calcolo media a un insieme molto più ampio di dati e metodi .
In altre parole, possiamo applicare il nostro cervello a quasi tutto, mentre l'IA è specializzata in determinate cose.
L'intelligenza artificiale generalmente rientra in due grandi categorie:
AI ristretta: a volte indicata come "IA debole", questo tipo di intelligenza artificiale opera in un contesto limitato ed è una simulazione dell'intelligenza umana. L'IA ristretta è spesso focalizzata sull'esecuzione di un singolo compito estremamente bene e sebbene queste macchine possano sembrare intelligenti, operano sotto molti più vincoli e limitazioni persino dell'intelligenza umana più elementare.
Intelligenza artificiale generale (AGI) : l'AGI, a volte indicata come "IA forte", è il tipo di intelligenza artificiale che vediamo nei film, come i robot di Westworld o Data di Star Trek: The Next Generation . L'AGI è una macchina con intelligenza generale e, proprio come un essere umano, può applicare quell'intelligenza per risolvere qualsiasi problema.
Intelligenza artificiale debole spiegata semplice
L'IA ristretta è tutt'intorno a noi ed è facilmente la realizzazione di maggior successo dell'intelligenza artificiale fino ad oggi. Concentrandosi sull'esecuzione di compiti specifici, Narrow AI ha sperimentato numerose scoperte nell'ultimo decennio che hanno avuto "significativi benefici per la società e hanno contribuito alla vitalità economica della nazione", secondo "Preparazione per il futuro dell'intelligenza artificiale", un Rapporto 2016 pubblicato dall'amministrazione Obama.
Alcuni esempi di IA stretta includono :
ricerca Google
Software di riconoscimento delle immagini
Siri, Alexa e altri assistenti personali
Auto a guida autonoma
Watson di IBM
Apprendimento automatico e apprendimento profondo
Gran parte della Narrow AI è alimentata da innovazioni nell'apprendimento automatico e nel deep learning . Comprendere la differenza tra intelligenza artificiale, machine learning e deep learning può creare confusione. Il venture capitalist Frank Chen fornisce una buona panoramica su come distinguerli, osservando:
In poche parole, l'apprendimento automatico alimenta i dati di un computer e utilizza tecniche statistiche per aiutarlo a "imparare" come migliorare progressivamente un'attività, senza essere stato programmato specificamente per tale attività, eliminando la necessità di milioni di righe di codice scritto. L'apprendimento automatico consiste sia nell'apprendimento supervisionato (utilizzando set di dati etichettati) sia nell'apprendimento non supervisionato (utilizzando set di dati senza etichetta).
Il deep learning è un tipo di machine learning che esegue gli input attraverso un'architettura di rete neurale di ispirazione biologica. Le reti neurali contengono una serie di livelli nascosti attraverso i quali i dati vengono elaborati, consentendo alla macchina di andare "in profondità" nel suo apprendimento, creando connessioni e ponderando l'input per ottenere i migliori risultati.
Intelligenza Artificiale Generale spiegata semplice
La creazione di una macchina con intelligenza a livello umano che può essere applicata a qualsiasi compito è il Santo Graal per molti ricercatori di intelligenza artificiale, ma la ricerca dell'AGI è stata irta di difficoltà.
La ricerca di un "algoritmo universale per l'apprendimento e l'azione in qualsiasi ambiente" (Russel e Norvig 27) non è nuova, ma il tempo non ha alleviato la difficoltà di creare essenzialmente una macchina con un set completo di abilità cognitive.
AGI è stata a lungo la musa ispiratrice della fantascienza distopica, in cui robot super intelligenti invadono l'umanità, ma gli esperti concordano sul fatto che non è qualcosa di cui dobbiamo preoccuparci tanto presto .
Applicazioni reali dell'Intelligenza Artificiale: Machine Learning, Deep Learning, Reti Neurali, Algoritmi Evolutivi
Diamo un'occhiata brevemente all'apprendimento automatico, al deep learning, alle reti neurali, agli algoritmi evolutivi e ad alcune applicazioni del mondo reale. Tieni presente che molte applicazioni del mondo reale utilizzano più di una tecnologia di intelligenza artificiale.
Apprendimento automatico spiegato semplice
Gli algoritmi di apprendimento automatico identificano i modelli e/o prevedono i risultati. Molte organizzazioni utilizzano enormi set di dati relativi a clienti, operazioni aziendali o dati finanziari. Gli analisti umani hanno tempo e capacità intellettuali limitati per elaborare e analizzare questi dati. Pertanto, l'apprendimento automatico può essere utilizzato per:
Prevedi i risultati dati i dati di input, come l'analisi di regressione, ma su scale molto più ampie e con più variabili. Un esempio perfetto è il trading algoritmico, in cui il modello di trading deve analizzare grandi quantità di dati di input e raccomandare operazioni redditizie. Poiché il modello continua a lavorare con i dati del mondo reale, può persino "migliorare" se stesso e adattare le sue strategie di trading alle condizioni di mercato.
Trova approfondimenti o schemi in grandi set di dati che a volte gli occhi umani sfuggono. Ad esempio, un'azienda può studiare come si stanno evolvendo i modelli di acquisto dei suoi clienti e utilizzare i risultati per modificare le proprie linee di prodotti.
Fai molto di più in meno tempo. Addio grugnito.
Molte metodologie di intelligenza artificiale, tra cui reti neurali, deep learning e algoritmi evolutivi, sono correlate all'apprendimento automatico.
Machine Learning in azione: Netflix
Quello che vedi su Netflix è su misura per te e per le persone con preferenze simili a te.
Netflix afferma di
" investire molto nell'apprendimento automatico per migliorare continuamente la nostra esperienza per i membri e ottimizzare il servizio Netflix end-to-end. "
Netflix applica l'apprendimento automatico alla cronologia delle visualizzazioni per personalizzare i consigli sui programmi TV di film che vedi. Netflix analizza anche ciò che tu e le persone con preferenze simili avete guardato in passato e genera automaticamente miniature e illustrazioni personalizzate per i titoli dei film, per invogliarvi a fare clic su un titolo che altrimenti ignorereste.
Tutto per assicurarti di rimanere incollato allo schermo mentre il tuo cervello si scioglie.
Reti neurali e Deep learning spiegati semplicemente
Una rete neurale tenta di replicare l'approccio del cervello umano all'analisi dei dati. Possono identificare, classificare e analizzare dati diversi, gestire molte variabili e trovare schemi troppo complessi per essere visti dal cervello umano.
Il deep learning è un sottoinsieme del machine learning. Quando applicato a una rete neurale, consente alla rete di apprendere senza la supervisione umana da dati non strutturati (dati che non sono classificati o etichettati). Questo è perfetto per analizzare i "big data" raccolti dalle organizzazioni. Questi set di big data includono diversi formati di dati come testo, immagini, video e audio.
Le reti neurali sono spesso combinate con l'apprendimento automatico, l'apprendimento profondo e la visione artificiale (addestrando i computer per trarre significato dalle immagini). Ecco perché le persone parlano di "reti neurali profonde", che è fondamentalmente una rete neurale con più di 2 strati. Più strati = più potenza analitica.
Le reti neurali profonde possono essere addestrate per identificare e classificare oggetti. Un uso interessante è il riconoscimento facciale: identificare volti unici in foto e video. Anche le reti neurali apprendono nel tempo. Ad esempio, migliorano nella classificazione degli oggetti e nell'identificazione dei volti man mano che ricevono più dati.
Reti neurali e deep learning in azione: il riconoscimento facciale in Cina
La Cina sta facendo molto con il riconoscimento facciale. Il che ha senso, perché ci sono telecamere ovunque in Cina. Molte telecamere significano molti dati da utilizzare per le reti neurali profonde. Nell'interesse del tempo, ecco tre esempi.
All'università…
Un'università della Cina orientale ha implementato un sistema di presenze basato sull'intelligenza artificiale , con telecamere che osservano costantemente gli studenti in classe.
Naturalmente, scansiona i volti per verificare che lo studente si presenti effettivamente in classe. Ancora più importante, analizza anche le espressioni facciali in tempo reale e può giudicare se gli studenti stanno prestando attenzione. Apparentemente può riconoscere le persone che dormono o giocano sui loro telefoni. Scommetto che stai pensando 'Sono contento che non avessero questa tecnologia nella mia università...'
Per i pagamenti...
Mentre le persone parlano ancora di pagamenti mobili tramite WeChat Pay e Alipay, queste aziende stanno già passando alla fase successiva: i pagamenti basati sul volto . Perché preoccuparsi del telefono quando puoi pagare guardando in una fotocamera?
Il sistema di riconoscimento facciale Dragonfly di Alipay si è esteso a oltre 300 città in Cina. WeChat Pay ha anche un sistema simile. Le aziende, dalle panetterie ai supermercati, hanno adottato questi sistemi per velocizzare i pagamenti dei clienti. Dopo la scansione di un volto, il denaro viene detratto dall'account Alipay o WeChat Pay del cliente. Le aziende beneficiano di una spesa inferiore per il personale di cassa.
I pagamenti basati sul volto avvantaggiano anche i cittadini meno esperti di tecnologia come gli anziani. Inoltre, solo il 60% degli 1,4 miliardi di abitanti della Cina è connesso a Internet e solo il 40% della popolazione paga con gli smartphone. In futuro, possiamo persino aspettarci che questi cittadini non collegati utilizzino pagamenti basati sul volto se il loro volto può essere collegato a un conto bancario.
Per combattere il crimine...
Le aziende di intelligenza artificiale in Cina stanno utilizzando il riconoscimento facciale per aiutare le forze dell'ordine a rintracciare i sospetti.
La tecnologia di riconoscimento facciale di Cloudwalk, sostenuta dallo stato, ha aiutato la polizia a effettuare oltre 10.000 arresti ed è utilizzata in 29 province cinesi. Effettua oltre 1 miliardo di confronti facciali ogni giorno e ha accumulato oltre 100 miliardi di punti dati.
SenseTime ha recentemente fatto notizia per aver utilizzato il riconoscimento facciale per identificare un sospetto in una folla di 50.000 spettatori in Cina.
Watrix , un'altra azienda di computer vision, ha apparentemente deciso che il riconoscimento facciale è una vecchia notizia. La loro tecnologia aiuta la polizia a rintracciare le persone dal modo in cui camminano e si muovono, anche se la loro faccia è nascosta. Inoltre, non puoi ingannare la loro tecnologia aggiungendo un zoppicare o alterando la tua andatura.
Algoritmi evolutivi
Un sottoinsieme dell'apprendimento automatico, gli algoritmi evolutivi si auto-migliorano nel tempo. Creano una popolazione di algoritmi e preservano quelli di maggior successo nella previsione dei risultati. Applicando il principio della "sopravvivenza del più adatto", i migliori algoritmi vengono mantenuti in vita e i perdenti vengono scartati. Sezioni di codice degli algoritmi vincenti vengono utilizzate per creare una nuova popolazione di algoritmi e il processo di selezione si ripete.
Gli algoritmi evolutivi sono adatti per attività di ottimizzazione in cui sono presenti molte variabili e un ambiente dinamico. Fondamentalmente: trovare un modo per ottenere il miglior risultato possibile.
Algoritmi evolutivi in azione: selezione e trading di titoli
Algoritmi evolutivi possono essere integrati nei modelli di rete neurale per selezionare le azioni e identificare le operazioni. Le regole di trading sono impostate come parametri e l'algoritmo lavora per massimizzare il profitto di trading. Piccole modifiche vengono introdotte nel modello nel tempo e le modifiche che hanno il maggiore impatto desiderabile vengono mantenute per la generazione successiva. Il modello migliora con il tempo.
Questi modelli di trading sono popolari tra i trader quantitativi istituzionali. Gli individui possono anche accedere a questi modelli tramite pacchetti software sul mercato.
Speriamo di essere riusciti a spiegarti in poche parole cosa è l'Intelligenza artificiale.
.png)
