Na początku lat 80,dwóch naukowców z dziedziny teorii obliczeń, Barr i Feigenbaum, zaproponowali definicjęsztucznej inteligencji (AI):
Sztucznainteligencja to dziedzina informatyki, która zajmuje się rozwojem inteligentnychsystemów komputerowych, to znaczy systemów o zdolnościach, które tradycyjniekojarzymy z ludzkim umysłem - rozumienia języka, uczenia się, zdolnościmyślenia, rozwiązywania problemów itp.
Dziś AI kojarzy sięrównież z szeregiem algorytmów i systemów oprogramowania. Ich cechąwyróżniającą jest zdolność do realizacji wybranych funkcji umysłu czy ludzkiejpercepcji. Oznacza to, że potrafią rozwiązywać problemy niemal jak człowiek,który analizuje podjęcie decyzji na bardzo złożonym poziomie oraz poprzednichdoświadczeniach.
Głównymiwłaściwościami sztucznej inteligencji są umiejętność uczenia się oraz, co ważniejsze,przetwarzania tych informacji na nowe dane. Najczęstsze zastosowania AI tointerpretacja języka naturalnego, rozpoznawanie obrazu oraz prognozowaniezjawisk, takich jak intencje klientów czy poziom sprzedaży.
Algorytm
Twórcy pierwszychkomputerów opierali działania na konkretnej konfiguracji prostych komend.Kolejność i opis działań to nic innego jak algorytm. Wszystkie programy, zktórymi mamy do czynienia działają w oparciu o nie. Ich funkcjonalność jestjasna: „gdy wydam komendę, musisz wykonać przypisaną jej czynność”.
Pracując zalgorytmami należy pamiętać, że napisane błędnie, do niczego nie są przydatne. Komputerysame w sobie nie potrafią oceniać sytuacji i wyciągać wniosków. Jeśli komendanie zostanie zaplanowana w algorytmie, komputer jej nie wykona. „Niebieskieekrany śmierci” i wyskakujące komunikaty z błędami są bezpośrednim wynikiemtakich sytuacji. Komputer postrzega nieznane zdarzenie jako niestandardowąsytuację i nie jest w stanie się w niej zorientować i odpowiednio zareagować.
Wyobraź sobiesytuację, w której wydajesz komendę robotowi: „przed przejściem dla pieszychspójrz w lewo, a potem w prawo i, jeśli nie ma samochodów, przejdź na drugąstronę ulicy”. Robot przetworzył instrukcję i zbliżył się do przejścia.Spojrzał w lewo i zobaczył rowerzystę. Rowerzysta według rozumowania robota niejest samochodem i nie było na jego temat w komendzie żadnych informacji. Dlategorobot wychodzi na drogę i mamy kolizję.
Ten przykładpokazuje, że algorytm zadziała tak dobrze, jak dobrze zakoduje go programista. Wszystko,czego nie zapisano w algorytmie, nigdy nie zostanie wykonane. Już od wieludekad naukowcy marzą o znalezieniu rozwiązania, by nauczyć komputery myślećbardziej samodzielnie. W tym celu powstała dziedzina nazywana uczeniemmaszynowym, która pozwala na rozwijanie programów, które samodzielnie uczą sięna podstawie historycznych danych, np. że „rowerzystów również należyprzepuszczać na drogach”. Doskonałym przykładem algorytmów z tej grupy są siecineuronowe.
Sieć neuronowa
Sieć neuronowa to połączenieelementów, czyli sztucznych neuronów, które tworzą trzy warstwy: wejściową, warstwyukryte i wyjściową. W wejściach zostają przypisane parametry, zwane wagami,które określają, jak duży wpływ ma dane wejście na wynik. Następnie zestawdanych ze wszystkich wejść jest podstawiany do wzoru określonego przezprogramistę. Jeśli suma przekroczy ustalony próg, sieć neuronowa da odpowiedź wformie liczby rzeczywistej, czyli może wystąpić wynik pozytywny, negatywny lubwszystko pomiędzy. Inspiracją takiej struktury była budowa naturalnych neuronówczy układów nerwowych, w szczególności mózgu.
Poniżej znajdziesznajprostszą ilustrację sieci neuronowej. Po lewej stronie znajdują się komórkiwprowadzania danych, po prawej – komórki danych wyjściowych, a między nimi jestukryta warstwa, gdzie sieć wykonuje obliczenia matematyczne na podstawiepodstawionego przez programistę wzoru.
Rysunek 1
Źródło: https://commons.wikimedia.org/wiki/File:Artificial_neural_network.svg
Prawdziwą istotą iwartością sieci neuronowej jest jej proces nauki. Nie przebiega on wedługjednej wybranej strategii, ale raczej przypomina metodę prób i błędów. Programistapodaje na wejściach różne wzorce, a sieć neuronowa modyfikuje wagi na podstawieróżnic otrzymanych przy wynikach wyjściowych w stosunku do pierwotniewprowadzonego wzorca. Kluczem do sukcesu działania sieci neuronowej jest więcjej wytrenowanie potrzebne do właściwego funkcjonowania.
Co trzeba zrozumieć na temat siecineuronowych?
Sieci neuronowe wnowoczesnej formie są maszynami do przetwarzania liczb. Nie rozumieją, że mamydo czynienia ze zdjęciem lub prowadzeniem samochodu. Odbierają liczby nawejściu i podają liczby na wyjściu.
Sieć neuronowa niejest w stanie improwizować. Może działać w sytuacji nieco nieprzewidywalnej,ale generować oryginalne rozwiązania – już nie. Prosta sieć neuronowa może byćuruchomiona na dowolnym komputerze, bo nie jest do tego wymagany żadenspecjalny sprzęt. Złożone modele służące między innymi do rozpoznawania obrazuczy analizy języka naturalnego wymagają już znacznej mocy obliczeniowej, częstoczerpanej z procesorów graficznych. Można je kopiować, archiwizować i przesyłaćdo Internetu. Jednocześnie istnieją też specjalne maszyny - neuronowe procesorylub innymi słowy, akceleratory AI. Są to te same mikroprocesory, ale połączonew taki sposób, aby szybciej obliczyć neurony. Są one jednak potrzebne tylko dlaprędkości, więc proste działania można obliczyć na zwykłym procesorze. Naobecnym etapie rozwoju sieci neuronowe mogą odtwarzać tylko to, czego zostałynauczone.
Klasyczne algorytmy a uczeniemaszynowe
Tworząc klasyczne algorytmy,deweloperzy nadają działaniom właściwą kolejność, która daje przewidywanyrezultat. Przykładowo, deweloper pisze program do obliczania powierzchnimieszkania w oparciu o plany lokalu i krok po kroku opisuje wszystkiedziałania: mnożenie, dodawanie, odejmowanie itp. W ten sposób algorytm potrafiszybko obliczyć powierzchnię mieszkania. Można w nim też łatwo i na bieżąco wprowadzaćzmiany.
Z kolei do modeliuczenia maszynowego specjaliści Data Science, zamiast algorytmów, wprowadzająwiele poprawnie rozwiązanych zadań. W ten sposób sieć neuronowa samodzielnie uczysię i udoskonala wyniki. Na przykład deweloper wprowadza do systemu dziesięćtysięcy planów mieszkań z już zapisanymi wymiarami powierzchni. Model zaczynazgadywać, jakiego wyniku od niej się oczekuje, a deweloper wprowadza architekturalnepoprawki, gdy wynik mocno odbiega od pożądanego, np. zmieniając modelanalityczny czy hiperparametry.
Klasyczny algorytmrobi to, co mu zakodowano i daje jasny, przewidywalny rezultat. Model uczeniamaszynowego samodzielnie uczy się relacji pomiędzy danymi wejściowymi a zmiennącelu. Zależności, których jest w stanie się nauczyć taki model wymagałybyogromnej pracy do „zaprogramowania klasycznego”.
Do czego służy sztuczna inteligencja?
Zakres AI jest bardzoszeroki i obejmuje zarówno znane technologie, jak i nowe kierunki dalekie odmasowego zastosowania. Jest to cała gama rozwiązań, od odkurzaczy po stacjekosmiczne, zaś całą ich różnorodność można podzielić według kryteriumkluczowych punktów rozwoju. Poniższa grafika przedstawia część z tych obszarówtechnologicznych.
Rysunek 2
Źródło: Deloitte
AI w życiu codziennym
1. Asystenci głosowi wtelefonach i głośnikach rozpoznają mowę i polecenia, aby pokazać nam najlepszątrasę, wynik wyszukiwania lub odczytać prognozę pogody. Przykładowo „Siri”rozpoznaje mowę, analizuje ją, określa temat dialogu, wybiera informacjeprzydatne do wyszukiwania i syntetyzuje odpowiedzi asystentki. Wstępnieprzeszkolone sieci neuronowe pomagają jej we wszystkich tych czynnościach.
2. Chatboty na stronachinternetowych rozumieją typowe pytania, nawet jeśli są sformułowane inaczej, iudzielają na nie odpowiedzi. Pozwala to firmom redukować koszty zatrudnienia dopomocy technicznej. Różnią się od prostych botów typu „Zostaw swój numer lub oddzwoń”tym, że rozpoznają tekst pytania i znajdują odpowiedź na to pytanie w swojejbazie wiedzy. Najczęściej takie boty operują wykorzystując głębokie siecineuronowe w wielu przypadkach oparte na silniku TensorFlow.
3. Inteligentne filtry waparatach same określają, kiedy fotografujesz pod słońce i dodają jasności wcieniach, aby obraz pozostał zrównoważony. Natomiast jeśli zrobisz selfie,aparat rozpozna twarz i upiększy ją na zdjęciu: usunie pryszcze, wygładzizmarszczki oraz wystające włosy.
Sztucznainteligencja od dawna już nie jest tylko kolejnym trendem na rynku. Jeślichcesz być na czele, musisz ją opanować już dziś. A żeby uzyskać najlepszewyniki i szybki zwrot z inwestycji, wybierz Partnera oferującego prawdziwąsztuczną inteligencję – ITMAGINATION.
Firma ma w swoim portfoliojuż wiele udanych projektów opartych o AI. Jednym z nich jest systemoparty na sztucznej inteligencji, który pozwala znacząco obniżyć czasspędzany w kolejce do kas. Algorytmyuczenia maszynowego w oparciu o AI liczą wyłącznie liczbę "sylwetek"w zasięgu danej kamery. Kolejki identyfikowane są natychmiast, a dziękisynchronizacji kamer w sklepie, kierownictwo otrzymuje dokładną liczbę kaspotrzebnych w danym momencie do obsługi precyzyjnie przewidzianej liczbyklientów. Ten system analizuje także danehistoryczne, co umożliwia prognozowanie ruchu w sklepie.
Inne rozwiązanie,stworzone przez ITMAGINATION, to systemdo zarządzania obszarami KYC i AML dla jednego z największych banków wPolsce. System ten, dzięki analityce danych bazującej na sztucznej inteligencjii uczeniu maszynowym, analizuje miliony aktywności klientów jednocześnie wczasie rzeczywistym. Banki będą mogły nie tylko odnotować od razu, że miałmiejsce incydent AML, ale będą mogły takie sytuacje także przewidywać. ITMAGINATIONzadbało o wysoką jakość i niezawodność systemu działającego w trybie 24/7. A dotego wystarczyły mądrze zastosowane algorytmy.
.svg){kind=small}
