2. Sztuczna inteligencja PL
Ta maszyna jest najlepsza na rynku: Pepper the Robot
Pepper the Robot jest zaprogramowany do rozpoznawania ludzkich emocji poprzez mimikę twarzy. Jest używany w sklepach i biurach do odbierania wiadomości, „czatowania” z ludźmi i powiadomień dźwiękowych
Korzystanie ze sztucznej inteligencji
Niedawne globalne badanie konsumenckie wykazało, że tylko 34% konsumentów uważa, że korzysta z urządzenia lub usługi obsługującej AI, podczas gdy 84% faktycznie korzysta z technologii AI.
Jednymi z największych graczy w branży AI są obecne gigantyczne firmy technologiczne: Google, Facebook, Microsoft, Baidu, Alibaba, Amazon, Apple, Tesla, IBM i Deep Mind.
Ale czym dokładnie jest AI?
AI na podstawie pytań
Pytanie nr 1 – Czy komputery mogą „myśleć”?
Pytanie nr 2 – Czy mogą się „uczyć”?
Pytanie nr 3 – Czy komputery kiedykolwiek dorównają zdolnościom poznawczym i kreatywności ludzkiego umysłu?
Sztuczna
Coś zaprojektowanego, stworzonego, zaprogramowanego przez ludzi
Inteligencja
Tę trudniej już zdefiniować.
Różnorodność
Sztuczna inteligencja obejmuje duży obszar badań w dziedzinie informatyki, który urósł tak bardzo, że obejmuje wiele dyscyplin, przez co trudno jest wskazać dokładnie to, co nią jest lub nie jest.
Przykładowo, przetwarzanie kognitywne było kiedyś uważane za część sztucznej inteligencji, ponieważ cele były ze sobą powiązane, ale od tego czasu przetwarzanie rozwinęło się tak, że stało się własną dziedziną.
Definicja
„zdolność maszyny do naśladowania inteligentnego ludzkiego zachowania.”
Odpowiedź
Jest to sposób na programowanie maszyn lub komputerów w celu wykonywania zadań lub odpowiadania na zapytania za pomocą ludzkiej inteligencji. Biorąc tysiące punktów danych i ustanawiając reguły (algorytm) dla procesu rozwiązywania problemów wzorowanego na ludzkich sieciach neuronowych, sztuczna inteligencja może zapewnić “ludzkie” reakcje.
Praca w czasie rzeczywistym
Deep Blue produkcji IBM pokonał arcymistrza Garry’ego Kasparowa w 1997 roku: czy uważasz, że to zwycięstwo oznaczało, że Deep Blue był inteligentny? Deep Blue został zaprogramowany (przez człowieka) do obliczania 200 milionów możliwych ruchów szachowych na sekundę i miał pamięć, moc obliczeniową i szybkość do obliczania miliardów permutacji ruchów.
Miał on jednak przed sobą tylko jedno zadanie – pod tym względem był to przykład tego, co nazywamy dziś słabą (lub wąską) sztuczną inteligencją. Słaba sztuczna inteligencja jest jedną z kluczowych definicji w uczeniu się i analizie opartej na danych. Innymi są:
Kluczowe terminy:
Silna AI
Inteligencja maszynowa oparta na tych samych wzorach, co uczenie się człowieka: efektem końcowym jest posiadanie dobrze rozwiniętej inteligencji ludzkiej.
Słaba AI
Słaba sztuczna inteligencja zwykle polega na uczeniu maszynowym skoncentrowanym na wykonywaniu jednego rodzaju zadania. Słaba sztuczna inteligencja może również być po prostu inteligentnym algorytmem, który jest zbiorem zasad przestrzeganych przez komputer w celu rozwiązania problemu.
Uczenie maszynowe/głębokie uczenie się
Rodzaj sztucznej inteligencji, w której komputer może automatycznie uczyć się i ulepszać na podstawie doświadczenia bez konieczności programowania. Uczenie maszynowe to tak naprawdę seria algorytmów, które dają komputerowi możliwość uczenia się. Algorytm analizuje dane, a następnie dokonuje prognoz i decyzji na podstawie tych informacji.
Algorytm
Zestaw kroków, które należy wykonać, aby rozwiązać problem matematyczny lub ukończyć proces komputerowy.
Kluczowe terminy
Rozpoznawanie mowy – Zdolność komputera do rozpoznawania mowy ludzkiej i reagowania na nią.
Przetwarzanie języka naturalnego – Zdolność komputera do rozumienia języka mówionego i pisanego przez człowieka.
Internet rzeczy – Połączenie przez Internet urządzeń komputerowych wbudowanych w przedmioty codziennego użytku, umożliwiające im wysyłanie i odbieranie danych.
Efekt AI
Występuje, gdy coś, co jest sztuczną inteligencją, staje się tak standardową częścią naszego doświadczenia, że nie uważamy tego za sztuczną inteligencję. Na przykład rozpoznawanie mowy było kiedyś uważane za istotną część sztucznej inteligencji. Dziś wydaje się to raczej typowe.
Ewolucja Ai
1997
IBM Deep Blue vS Garry Kasparov:
2011
IBM WATSON
WYGRYWA
Jeopardy!
2015
Uczenie maszynowe
Program komputerowy AlphaGo pokonuje Fana Hui (1981–), europejskiego czempiona gry Go. AlphaGo to sztuczna inteligencja zaprojektowana przez DeepMind, firmę, która jest teraz częścią Google. Go to starożytna gra strategiczna wymyślona w Chinach ponad 2500 lat temu! Zasady są proste. Dwóch graczy na zmianę kładzie czarne i białe kamienie na planszy. Jeśli kamień jednego koloru otoczony zostanie kamieniami drugiego koloru, kamień zostaje wzięty do niewoli.
Gracz, który zdobędzie najwięcej więźniów i terytorium na planszy, wygrywa. Choć brzmi to prosto, Go jest znacznie bardziej skomplikowane niż szachy. W szachach jest 20 możliwych ruchów otwierających. Na planszy Go pierwszy gracz ma 361 możliwych ruchów!
2017
Głębokie uczenie się
Najnowsza wersja sztucznej inteligencji grającej w grę Go, zwana AlphaGo Zero, nauczyła się grać w tę grę, grając tylko przeciwko sobie!
PRZYKŁAD – AI W AKCJI – IBM WATSON
Watson Imaging Clinical Review poprawia ścieżkę od diagnozy do dokumentacji, eliminując wycieki danych spowodowane niekompletną lub nieprawidłową dokumentacją. To innowacyjne narzędzie AI do oceny danych pomaga w podejmowaniu trafnych i terminowych decyzji klinicznych i administracyjnych poprzez:
- Odczytywanie danych ustrukturyzowanych i nieustrukturyzowanych
- Zrozumienie danych w celu wydobycia istotnych informacji
- Porównanie raportów klinicznych z listą problemów EMR i zarejestrowaną diagnozą
- Umożliwienie użytkownikom wprowadzania poprawnych informacji z powrotem do raportów EMR
AI vs Uczenie maszynowe
- AI pomimo całej retoryki naprawdę sprowadza się do bycia programem komputerowym lub zestawem algorytmów, które robią coś, co wydaje się sprytne. Może być prostym agentem opartym na wiedzy z zestawem reguł.
- Konsensus i ogólne przekonanie jest takie, że uczenie maszynowe jest podzbiorem sztucznej inteligencji. Co więcej, nauka buduje algorytmy, które pozwalają maszynom uczyć się wykonywania zadań z danych, które przetwarzają lub uzyskują same, zamiast być wyraźnie zaprogramowanym.
- Stąd celem uczenia maszynowego jest zmniejszenie ilości z góry przekazanej wiedzy, która jest dostarczana agentowi i umożliwienie agentowi poznania samego środowiska poprzez ciągłą ocenę danych, zasad, które otrzymuje poprzez własne czujniki.
- W ostatnim dziesięcioleciu uczenie maszynowe spowodowało zalew aplikacji sztucznej inteligencji o bardzo ograniczonym zakresie inteligencji – takich jak roboty programowe, które przejawiają się jako boty czatowe, boty internetowe, systemy interaktywnego rozpoznawania głosu (IVR) oraz zautomatyzowane oprogramowanie, które wykonuje powtarzające się zadania, takie jak naliczanie płac, księgowość, finanse, zarządzanie zamówieniami i HR w biznesie i kredytach, roszczeniach i zatwierdzeniach hipotek w handlu.
- Wielu z nas również ma Siri, Alexę, Asystenta Google lub podobne aplikacje w naszych telefonach lub w naszych domach. Urządzenia te przechowują dane, które im dostarczamy, analizują je za pomocą procesów opartych na algorytmach i stosują uczenie maszynowe oraz proste dopasowanie wzorców, aby przewidzieć nasze zachowanie: filmy, muzykę, na które możemy mieć ochotę itp.
- Urządzenia te współpracują z innymi „inteligentnymi” urządzeniami za pośrednictwem czujników IOT: świateł, urządzeń gospodarstwa domowego, zegarków, samochodów itp.
PRZYKŁAD – PRZEDSIĘBIORSTWO WYKORZYSTUJĄCE UCZENIE MASZYNOWE
SonarHome, Polska https://www.facebook.com/sonarhomepl/
SonarHome to start-up działający w modelu iBuying (natychmiastowy zakup), który pozwala na szybką i wygodną sprzedaż mieszkań. Ta działalność oparta jest na platformie, która dzięki uczeniu maszynowemu i analizie Sonar Home umożliwia szybką wycenę nieruchomości. Dane o lokalizacji, wielkości i stanie prawnym są zestawiane z danymi z popularnych polskich usług nieruchomościowych OLX lub Otodom. Po uzyskaniu wartości przedstawiciel SonarHome sprawdza nieruchomość i negocjuje ostateczną cenę. Następnie SonarHome kupuje nieruchomość i przygotowuje ją do sprzedaży. Pobiera od 6 do 10 procent prowizji za usługę przyspieszenia procesu sprzedaży.
Źródło: Sonar Home. Technologiczny klucz do mieszkań, Forbes , Listopad 2019
PRZYKŁAD – AI W PRZEDSIĘBIORSTWACH
Voice Lab AI, POLSKA https://www.voicelab.ai/
Voice Lab AI to polska firma zajmująca się przetwarzaniem
i rozumieniem mowy. Firma prowadzi badania i rozwój, tworząc nowe algorytmy oparte na sztucznej inteligencji.
Jeden z głównych inwestorów w Voice Lab AI podkreśla kluczowe znaczenie gromadzenia danych w formie konwersacji. Aby opracować sztuczną inteligencję, która będzie w stanie skutecznie przetwarzać i rozpoznawać, potrzebna jest ogromna ilość danych. Głos nagrany z radia to za mało.
Aby nauczyć sztuczną inteligencję rozpoznawania głosu, potrzeba wielu godzin rozmów, które różnią się transkrypcją, głosem i hałasem w tle. Aby zrozumieć skalę danych, warto wspomnieć, że Google wykorzystuje 20 tysięcy nagrań do opracowania własnego systemu.
Źródło: Czarno na białym. Rozmowa z Jackiem Kawalcem, Forbes. 01/2020
GŁĘBOKIE UCZENIE SIĘ
- Głębokie uczenie się to specyficzny algorytm uczenia maszynowego, który automatycznie uczy się funkcji, wykorzystując do tego sieć neuronową. Jest to zastosowanie głębokich sztucznych sieci neuronowych, które zawierają wiele warstw.
- Sieć neuronowa jest nazywana taką, ponieważ w pewnym momencie historii informatycy próbowali modelować mózg w kodzie komputerowym. Ostatecznym celem jest stworzenie „sztucznej inteligencji ogólnej”, programu, który może nauczyć się wszystkiego, czego ty lub ja możemy się nauczyć.
- Obecnie sieci neuronowe są bardzo dobre w wykonywaniu pojedynczych zadań, takich jak klasyfikowanie obrazów i mowy. W przeciwieństwie do mózgu, te sztuczne sieci neuronowe mają bardzo ściśle określoną strukturę.
Źródło: https://machinelearningmastery.com/what-is-deep-learning/
- Mózg składa się z neuronów, które komunikują się ze sobą za pomocą sygnałów elektrycznych i chemicznych (stąd nazwa sieć neuronowa). Nie rozróżniamy tych dwóch rodzajów sygnałów w sztucznych sieciach neuronowych, więc odtąd będziemy po prostu mówić, że sygnał „a” jest przekazywany z jednego neuronu do drugiego.
- Sygnały są przekazywane z jednego neuronu do drugiego za pośrednictwem tak zwanego „potencjału czynnościowego”. Jest to skok energii elektrycznej wzdłuż błony komórkowej neuronu. Interesującą rzeczą w potencjale czynnościowym akcji jest to, że albo się zdarza, albo nie. Nie ma „pomiędzy”. Nazywa się to zasadą „wszystko albo nic”.
- Zatem możemy myśleć o tym, że neuron jest „włączony” lub „wyłączony”. (tj. ma potencjał działania lub nie)
- Co ci to przypomina? Gdybyś powiedział „komputery cyfrowe”, miałbyś rację!
- Klasyfikacja binarna jest idealna dla algorytmu uczenia maszynowego uczenia głębokiego.
W dużych, wysoce ewoluujących częściach sensorycznych i motorycznych ludzkiego mózgu zakodowane jest miliard lat doświadczeń na temat natury świata i tego, jak w nim przetrwać… Jednak myśl abstrakcyjna to nowa sztuczka, być może młodsza niż 100 tysięcy lat. Jeszcze jej nie opanowaliśmy. Nie wszystko jest z natury trudne; tylko wydaje się nam, że tak właśnie jest.
– Hans Moravec, Mind Children (1988)
Internet rzeczy (IoT) – Przemysłowy Internet rzeczy (IIOT)
Internet rzeczy pojawił się w ciągu ostatnich kilku lat jako nowy trend, w którym urządzenia mobilne, inteligentny transport, obiekty użyteczności publicznej i sprzęt AGD mogą być używane jako sprzęt do pozyskiwania danych: urządzenia „rozmawiają” ze sobą i przekazują dane – geograficzne, środowiskowe, logistyczne.
IoT oferuje platformę dla czujników i urządzeń do płynnej komunikacji w inteligentnym środowisku sieciowym, umożliwiając wymianę informacji między platformami: duża liczba urządzeń komunikacyjnych jest wbudowana w urządzenia czujnikowe w prawdziwym świecie – a te urządzenia wykrywają i przesyłają dane za pomocą wbudowanych nadajników: Bluetooth, Wi-Fi, GSM, RFID.
Oczekuje się, że w 2030 r. zostanie podłączonych ponad 50 miliardów urządzeń, a głównymi sterownikami rynku będą: zorientowane na Internet (chmura) czujniki i systemy zarządzania danymi (wiedza).
Internet rzeczy związany z dużymi danymi różni się od zwykłych dużych danych gromadzonych pod względem cech charakterystycznych ze względu na różne czujniki i obiekty zaangażowane podczas gromadzenia danych oraz komplikacje związane z automatyzacją sprzętu i systemami osadzonymi: w zależności od fizyki krajobrazu – potrzeba inżynierii sprzętu i inżynierii materiałowej.
Jednak wdrożenie Internetu rzeczy może przynieść ogromne korzyści w zakresie komunikacji i współpracy, szczególnie w takich koncepcjach, jak Smart Cities, Smart Retail, Smart Aging, a nawet Super Connected Home.
Potrzebna jest następna generacja technologii dużych zbiorów danych, która może wydobywać wartość z ogromnej ilości danych w różnych formatach, umożliwiając przechwytywanie z dużą prędkością, wykrywanie i analizę. Upraszczając, oznacza to, że możliwości biznesowe spoczywają w: źródłach danych, analizach danych, zwłaszcza analizach w czasie rzeczywistym i prezentacji wyników – systemach zarządzania i narzędziach do raportowania danych.
Te analizy dużych zbiorów danych wymagają wszelkiego rodzaju technologii i narzędzi, które mogą przekształcić dużą liczbę danych strukturalnych, nieustrukturyzowanych i częściowo ustrukturyzowanych w bardziej zrozumiałe dane i formaty metadanych do analizy: algorytmy są potrzebne do analizy wzorców, trendów, korelacji w ramach różnych horyzontów czasowych.