Inżynierowie sztucznej inteligencji: mity kontra rzeczywistość
Opublikowany: 2018-05-08Sztuczna inteligencja odnotowała szybki wzrost w dziedzinach, w których znalazła zastosowanie. Od inteligentnych lodówek po autonomiczne samochody – wszystko jest wynikiem wyrafinowanych algorytmów sztucznej inteligencji. Kto jest za to odpowiedzialny? Inżynierowie Sztucznej Inteligencji.
Uważa się, że sztuczna inteligencja jest tym samym, co uczenie maszynowe, ale w rzeczywistości ta druga jest podzbiorem tej pierwszej. Sztuczna inteligencja to szeroka dziedzina o różnorodnych zastosowaniach, ale także jedna z najtrudniejszych dziedzin do pracy. Sztuczna inteligencja ma na celu nadanie maszynom zdolności do naśladowania ludzi w prawie każdym aspekcie – co jest o wiele trudniejsze niż się wydaje. Maszyny z natury są głupimi urządzeniami i wymagają dużej ilości danych, mocy obliczeniowej i wysiłku, aby się uczyć. 
Odnoszący największe sukcesy profesjonaliści w dziedzinie sztucznej inteligencji często mają wspólne cechy i miłość do maszyn, które pozwalają im rozwijać się w ich karierze. Praca ze sztuczną inteligencją wymaga niezwykle analitycznego i logicznego procesu myślowego oraz umiejętności rozwiązywania najtrudniejszych problemów w najbardziej opłacalny i efektywny sposób. Oczekuje się, że inżynierowie sztucznej inteligencji będą jasno przewidywać innowacje technologiczne, które przekładają się na najnowocześniejsze programy, które pozwalają firmom zachować konkurencyjność.
Sztuczna inteligencja: przejmowanie lub raczej przejmowanie
Ponadto specjaliści AI muszą również posiadać umiejętności techniczne wymagane do projektowania, rozwijania, utrzymywania, monitorowania i naprawy swoich systemów i programów. Wreszcie, specjaliści od sztucznej inteligencji muszą być biegli w tłumaczeniu wysoce technicznych informacji w sposób zrozumiały nawet dla osób nietechnicznych. Muszą współpracować z resztą organizacji, aby uzyskać najbardziej wnikliwe wyniki.
W porządku, teraz, gdy jesteśmy na tej samej stronie, jeśli chodzi o role zawodowe inżyniera sztucznej inteligencji, przyjrzyjmy się niektórym krytycznym umiejętnościom, które musi posiadać każdy specjalista AI.
Podstawy informatyki i matematyki stanowią podstawę większości programów wykorzystujących sztuczną inteligencję. Stanowiska na poziomie podstawowym wymagają co najmniej stopnia licencjata, podczas gdy stanowiska wymagające nadzoru, przywództwa lub ról administracyjnych często wymagają stopnia magistra lub doktora.
Każdy początkujący inżynier AI powinien czuć się komfortowo z:
- Różne poziomy matematyki, w tym prawdopodobieństwo, statystyka, algebra i rachunek różniczkowy.
- Sieci bayesowskie lub modelowanie graficzne, w tym sieci neuronowe.
- Fizyka, inżynieria i robotyka.
- Informatyka, języki programowania i kodowanie.
- Teoria kognitywistyki.
Dziedzina sztucznej inteligencji stale się rozwija i dała początek różnym nowym technologiom, nad którymi ci programiści/inżynierowie AI konsekwentnie pracują. Zobaczmy, jakie one są:
Spis treści
Przetwarzanie języka naturalnego i analiza tekstu
NLP wykorzystuje i wspiera analitykę tekstu. NLP pomaga w zrozumieniu każdego zdania wypowiedzianego w języku naturalnym w odniesieniu do struktury, sentymentu, intencji i znaczenia za pomocą metod statystycznych. NLP znajduje szerokie zastosowanie w wykrywaniu oszustw i bezpieczeństwie, szerokiej gamie automatycznych asystentów (na przykład Siri) oraz aplikacjach do eksploracji nieustrukturyzowanych danych.
Przewodnik dla początkujących do zrozumienia języka naturalnego
Wirtualni agenci
Od prostych chatbotów po zaawansowane systemy, które mogą bezproblemowo wchodzić w interakcje z ludźmi, wszystko to stało się możliwe dzięki inżynierom AI i sztucznej inteligencji. Korzystanie z tych chatbotów i wirtualnych agentów rośnie, ponieważ organizacje zdają sobie sprawę, jak ważne są chatboty dla obsługi klienta i wsparcia.
Sprzęt zoptymalizowany pod kątem sztucznej inteligencji
W miarę rozwoju sztucznej inteligencji i powiązanych technologii sprzęt musi stać się znacznie bardziej przystosowany. I co to znaczy?
Procesory graficzne (GPU) i urządzenia specjalnie zaprojektowane i opracowane w celu wydajnego wykonywania zadań obliczeniowych zorientowanych na sztuczną inteligencję. Mają ogromny wpływ na aplikacje do głębokiego uczenia się. Niektórzy dostawcy opracowujący takie procesory graficzne to Cray, Google, IBM, Intel i Nvidia.
Biometria
Biometria zajmuje się identyfikacją, pomiarem i analizą fizycznych aspektów ludzkiego ciała. Pozwala na znacznie bardziej naturalne interakcje między człowiekiem a maszynami dbając o interakcje związane z dotykaniem, widzeniem, mówieniem i rozpoznawaniem mowy ciała.
Platformy głębokiego uczenia się
Platformy do głębokiego uczenia się przenoszą sztuczną inteligencję i uczenie maszynowe na zupełnie nowy poziom, pracując z zaawansowanymi sieciami neuronowymi z różnymi warstwami abstrakcji. Ta technologia naśladuje ludzki mózg, przetwarzając dane i tworząc wzorce, które pomagają w podejmowaniu decyzji.
5 przełomowych zastosowań uczenia maszynowego
Przejdźmy teraz przez kilka mitów i nieporozumień – jesteśmy pewni, że Ty też masz na myśli niektóre z nich. Razem je rozwalmy!
Mit 1: Sztuczna inteligencja myśli dokładnie tak, jak człowiek – może rozwiązać wszystkie problemy, jakie potrafią ludzie.
W AI nie ma jeszcze czegoś takiego jak inteligencja ogólna i być może my też jej nie potrzebujemy. Jeśli już, to dzisiejsza sztuczna inteligencja skupia się bardziej na nauczeniu lemura, jak zdobywać jedzenie, a nie na tym, by szympansy same to rozgryzły. Większość funkcji sztucznej inteligencji jest opracowywana w konkretnym celu, takim jak przetwarzanie języka naturalnego (NLP), rozpoznawanie obrazów, wyszukiwarki, gry, prognozy lub określone funkcje w samojezdnych samochodach. To często przynosi wyższą wartość biznesową niż ogólna inteligencja. Specjalista jest zawsze lepszy od lekarza ogólnego.
Mit 2: AI to to samo, co uczenie maszynowe lub uczenie głębokie.
AI jest często błędnie interpretowana w przypadku uczenia maszynowego, głębokiego uczenia, a nawet przetwarzania poznawczego. Jednak prawda jest taka, że ML jest częścią sztucznej inteligencji, w której podawanie danych regularnie trenuje maszynę. Jak wspomnieliśmy wcześniej, sztuczna inteligencja jest szersza i tworzy nadzbiór wspomnianych przez nas technologii.
5 zastosowań przetwarzania języka naturalnego w biznesie w 2018 roku
Mit 3: Inżynierowie sztucznej inteligencji opracowują system tylko raz, a potem sam się uczy.
Gdyby tylko! Nawet uczenie maszynowe, podzbiór sztucznej inteligencji, pozostaje niezwykle trudne do wdrożenia. Oczywiście istnieją łatwiejsze i trudniejsze wyzwania, ale generalnie dostosowanie tych algorytmów do potrzeb biznesowych jest zadaniem samym w sobie. Często algorytmy są łatwe do zrozumienia, ale wyzwaniem jest wybranie odpowiedniego algorytmu do problemu i przedstawienie danych algorytmowi we właściwy sposób. Wymaga to wszechstronnej znajomości problemu, a także dogłębnego zrozumienia możliwości i ograniczeń algorytmów i modeli. Sprawę dodatkowo komplikuje fakt, że maszyny wymagają odpowiedniej ilości treningu, aby uzyskać sztuczną inteligencję.
Szkolenie to wymaga dokładnych danych w możliwie najczystszej formie. Co więcej, dane wykorzystywane do trenowania są niezwykle dynamiczne i stają się nieaktualne, jeśli nie zostaną użyte we właściwym czasie. Dlatego inżynierowie zajmujący się sztuczną inteligencją muszą również wykonywać iteracje po iteracjach w swoim systemie, aby upewnić się, że działa on bezproblemowo z tak dynamicznymi danymi.
Mit 4: Algorytmy AI mogą w magiczny sposób tworzyć inteligentne systemy. Jakość podawanych danych nie ma znaczenia dla sztucznej inteligencji.
Sztuczna inteligencja to nic innego jak „załaduj i idź”. Sztuczna inteligencja na niewiele się zda, jeśli masz bardzo obszerne lub nieprzetworzone dane. Takie dane są niestrawne dla żadnego systemu i często prowadzą do błędnych wyników. Zamiast przetwarzać cokolwiek i wszystko, inżynier AI musi starannie nadzorować dane i upewnić się, że są najwyższej możliwej jakości. Algorytm to nic innego jak program, a program wymaga danych do pracy. Im lepsze dane, tym lepsze wyniki.
Mit 5: Sztuczna inteligencja to niezwykle nowa dziedzina.
John McCarthy ukuł termin „sztuczna inteligencja” w 1956 roku, a następnie zdefiniował tę dziedzinę przez ponad pięć dekad. Tak więc, chociaż koncepcja AI nie jest taka nowa, jest dziś znacznie bardziej rozpowszechniona na świecie.
Różnica między Data Science, Machine Learning i Big Data!
Ach! A więc chodzi o mity otaczające inżynierów Sztucznej Inteligencji. Daj nam znać, jeśli słyszałeś więcej takich mitów, a my pomożemy Ci je obalić! Wrócimy z innymi Pogromcami mitów.
Ucz się kursu ML z najlepszych światowych uniwersytetów. Zdobywaj programy Masters, Executive PGP lub Advanced Certificate Programy, aby przyspieszyć swoją karierę.
