Quando ho iniziato con l'apprendimento automatico, avevo molta confusione. La mia confusione non era nulla di tecnico, ma il modo in cui le parole sono state usate durante il mio viaggio verso l'apprendimento automatico.
Queste aree si stanno evolvendo rapidamente e la definizione che trovi qui oggi potrebbe essere diversa da quella che troverai domani, quindi non dimenticare di stare al passo con la crescita della tecnologia.
Cos'è l'intelligenza artificiale o Artificial Intelligence?
Prima di approfondire il significato specifico dell'intelligenza artificiale, avevo l'idea che l'intelligenza artificiale (AI) riguardasse i robot che conquistano il mondo essendo in grado di fare le stesse cose che noi, in quanto umani, potremmo fare. Anche se questo fa parte della verità, non è esattamente ciò che riguarda l'intelligenza artificiale. Come sappiamo, mezza verità è quasi nessuna verità.
La parola intelligenza secondo il dizionario Merriam-webster è "la capacità di apprendere o comprendere o di affrontare situazioni nuove o difficili"
È anche definito come l'uso esperto della ragione e la capacità di applicare la conoscenza per manipolare il proprio ambiente o pensare in modo astratto misurato da criteri oggettivi (come i test).
L'intelligenza artificiale (AI) è quindi, basata sull'idea della capacità di una macchina o di un programma per computer di pensare (ragionare), capire e imparare come gli esseri umani.
Dalla definizione di intelligenza, possiamo anche dire che l'intelligenza artificiale è lo studio della possibilità di creare macchine in grado di applicare la conoscenza ricevuta dai dati nella manipolazione dell'ambiente.
Quindi Riassumendo e prendendosi il rischio di definire l'intelligenza artificiale in due righe :
L'intelligenza artificiale riproduce l'intelligenza umana nelle macchine, in particolare nei sistemi informatici attraverso l'apprendimento, il ragionamento e l'autocorrezione.
Esempio di intelligenza artificiale nella vita reale:
Se sei mio amico e capisco che ami i film d'azione, ti consiglierei dei film d'azione, in base a quello che so di te. Questa è l'intelligenza umana. Anche le macchine sono diventate in grado di farlo, se guardi una particolare categoria di film su Netflix, ad esempio, Netflix inizia a suggerirti film, in base al tuo modello di visione. Com'è possibile? Intelligenza artificiale. Questo è un esempio molto generico sull'intelligenza artificiale.
Che cos'è l'apprendimento automatico o Machine Learning ?
L'intelligenza artificiale è molto vasta. L'apprendimento automatico (ML) è un sottoinsieme dell'intelligenza artificiale. Ricordi la definizione di intelligenza vista nel paragrafo precedente? Dicevamo che attraverso l'apprendimento le macchine ... Ed è qui che entra in gioco ML.
L'apprendimento automatico (ML) è un insieme di strumenti statistici per apprendere dai dati. Il nucleo del machine learning sta nell'insegnare ai computer come apprendere e fare previsioni dai dati senza essere necessariamente programmati.
Esempio di vita reale di Machine Learning:
Riceviamo tutti messaggi di spam. Questi sono sempre filtrati da Gmail, ad esempio. Inoltre, le e-mail sono classificate come promozioni e social, nonché altre categorie in base al servizio di posta utilizzato.
Come ha imparato Gmail a farlo?
Apprendimento automatico!
Non dimenticare che il machine learning fa parte dell'IA. Nel tempo, il servizio è stato in grado di apprendere la categoria in cui potrebbe rientrare un'e-mail. Può essere sbagliato a volte, ma continua a imparare.
Che cos'è l'apprendimento profondo o Deep Learning?
Nell'apprendimento automatico, i dati passano principalmente attraverso algoritmi che eseguono trasformazioni lineari su di essi per produrre output. Il deep learning è un sottoinsieme del machine learning in cui i dati passano attraverso un numero multiplo di trasformazioni non lineari per ottenere un output. "Profondo" si riferisce a molti layer in questo caso. L'output di un layer è l'input per un altro layer, e questo viene fatto continuamente per ottenere un output finale. Tutti questi layer non sono lineari spesso. Un esempio di trasformazione non lineare è una trasformazione di matrice.
L'apprendimento profondo è talvolta chiamato reti neurali profonde (DNN) perché utilizza reti neurali artificiali multistrato per implementare l'apprendimento profondo. Hai visto una foto di un neurone del cervello umano? Le reti neurali artificiali sono costruite in modo simile, con nodi neurali connessi come una rete.
Gli algoritmi di deep learning richiedono macchine molto potenti ed è molto utile per rilevare pattern dai dati di input. ( ad esempio riconoscere oggetti nelle foto o video )
Un'applicazione di Deep Learning:
Hai mai sentito parlare di WaveNet e Deep Speech?
Entrambe sono reti di Deep Learning che generano automaticamente la voce umana dando in input solo un testo.
Con il deep learning, i sistemi stanno imparando a imitare le voci umane al punto che è difficile distinguere tra una voce umana e una voce sintetizzata. Il Deep Learning ci avvicina a dare ai computer la capacità di parlare come gli umani.
Ricorda Il deep learning è un sottoinsieme di ML che è un sottoinsieme di AI, quindi è AI.
Che cos'è la scienza dei dati?
La scienza dei dati ha un'intersezione con l'intelligenza artificiale ma non è un sottoinsieme dell'intelligenza artificiale. La scienza dei dati è lo studio di una curiosità suscitata in un dato campo, l'estrazione di dati da una grande fonte di dati relativi alla domanda in mente, l'elaborazione di dati, l'analisi e la visualizzazione di questi dati, in modo da dargli un significato per l'IT e strategie aziendali.
In parole povere, è capire e dare un senso ai dati. Nella scienza dei dati vengono utilizzati molti strumenti. Includono strumenti statistici, probabilistici, algebra lineare e metrica, ottimizzazione numerica e programmazione.
Un'applicazione della scienza dei dati:
Scegliamo un concetto a caso: la sponsorizzazione.
In che modo le persone ottengono una sponsorizzazione per una causa. Chi di solito è disposto a rispondere a un'e-mail di richiesta di sponsor. Quali parole chiave cercano nelle e-mail di richiesta di sponsorizzazione? preferirebbero una telefonata?
In questo caso, la scienza dei dati può aiutare. Un pool di dati relativi a tutti coloro che hanno sponsorizzato una causa, al motivo per cui l'hanno sponsorizzata, alle loro preferenze in termini di canali di comunicazione ecc. Viene estratto un ampio insieme di dati non strutturati.
I dati vengono elaborati, analizzati e visualizzati utilizzando i vari strumenti. Le conclusioni sono tratte da questi dati. Queste informazioni possono aiutare le organizzazioni non profit e le persone che perseguono una causa a cercare sponsor.
La scienza dei dati non è completamente intelligenza artificiale, tuttavia parti della scienza dei dati si intersecano con l'intelligenza artificiale.
Quando si arriva al punto, una cosa è comune a queste parole d'ordine: DATI!
Grazie mille per aver letto tutto l'articolo, condividilo con i tuoi colleghi per evitare gaf durante i meeting 😊
.png)
