Nilalaman
- Isang Maikling Kasaysayan ng AI
- Magagamit na Mga Plataporma
- Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
- Ginagawa ang Praktis na Perpekto
Pinagmulan: Elnur / Dreamstime
Takeaway:
Ang artipisyal na katalinuhan ay isa sa pinakamabilis na lumalagong mga patlang sa tech, ngunit sa napakaraming malaman tungkol dito, saan nagsisimula ang isa? Narito tinitingnan namin ang ilang mga paraan upang maging pamilyar sa AI.
Ang artipisyal na katalinuhan ay dumarating sa isang sentro ng data na malapit sa iyo, at malamang na magsisimula itong isagawa ang maraming mga gawain na ginugol ng mga operator ng tao sa karamihan ng kanilang oras sa paggawa.
Ngunit sa halip na tingnan ang hindi maiiwasang pag-unlad na ito bilang isang banta, mas mahusay na gawin ng IT worker ngayon upang malaman ang mga pundasyon ng AI ngayon upang kapag ito ay dumating ito ay maaaring magamit bilang isang tool upang mapahusay ang halaga ng pagsisikap ng tao sa samahan, hindi palitan ito.
Una, nakakatulong upang malaman na maraming iba't ibang mga uri ng AI na nagsisilbi sa iba't ibang mga pag-andar. Ang mamamahayag ng Tech na si Michael Copeland ay tinitingnan ang teknolohiya bilang isang serye ng mga concentric na lupon, na may AI bilang ang pinakamalayo na bilog at mas dalubhasang mga form tulad ng pag-aaral ng makina (ML) at malalim na pag-aaral na bumabagsak sa loob.
Ang mga pagkakaiba ay namamalagi sa mga antas ng pagiging kumplikado na ipinakita ng bawat anyo ng AI at ang mga tukoy na pag-andar na kanilang dinisenyo upang paganahin.
Isang Maikling Kasaysayan ng AI
Ang AI, halimbawa, ay may mga ugat simula pa noong 1950s ngunit nagsimula lamang na magtipon ng singaw nang mas maaga sa dekada na ito kasama ang konsepto ng "makitid na AI." Dito nakatuon ang teknolohiya sa pagkumpleto ng mga tiyak na gawain tulad ng pag-uuri ng imahe at pagkilala sa mukha ngunit kulang ang kakayahan upang mabago ang mga proseso nito gamit ang karanasan at iba pang pag-input ng data sa paraang ginagawa ng utak ng tao. (Para sa higit pa tungkol dito, tingnan ang Magagawa ba ng mga Computer na Maipakita ang Human Brain?)
Para dito, kailangan nating lumiko sa pag-aaral ng makina, na gumagamit ng mga algorithm upang mai-parse ang data upang makagawa ng mga hula tungkol sa kapaligiran nito. Sa ML, ang mga programmer ay hindi na kailangang ibigay ang code ng bawat isa at ang bawat aksyon na dapat gawin ng isang sistema, ngunit sa halip ang sistema mismo ay maaaring matukoy ang pinakamahusay na kurso ng aksyon na ibinigay ng magagamit na data. Kahit na sa yugtong ito, gayunpaman, ang salitang "katalinuhan" ay ginagamit nang maluwag, dahil nangangailangan pa rin ito ng maraming input ng tao para sa ML na makarating sa mga pangwakas na konklusyon.
Dito napasok ang malalim na pag-aaral at mga neural network. Hindi tulad ng pagkatuto ng makina, ang mga teknolohiyang ito ay nagsisikap na tularan ang mga gawa ng utak ng tao. Gamit ang advanced layering, koneksyon at pagpapalaganap ng data, pinoproseso nila ang mga set ng data sa maraming mga paraan upang makabuo ng mga timbang na posibilidad para sa isang naibigay na resulta. Dahil ito ay isang mabibigat na pagkarga ng computation, hindi kataka-taka na ang antas ng AI na ito ay pinananatiling back burner hanggang sa ang mga GPU at parehong pagproseso ay pumasok sa mainstream.
Magagamit na Mga Plataporma
Ang budding AI programmer ay dapat ding maging pamilyar sa nangungunang mga platform sa merkado. Habang ang plethora ng mga solusyon ay lumalaki nang malaki sa araw, ang ilan sa mga mas pangunahing mga sistema ay nag-aalok ng isang medyo madaling curve sa pag-aaral para sa mga pamilyar na sa mga karaniwang wika ng programming.
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo maaaring mapabuti ang iyong mga kasanayan sa pag-programming kapag walang nagmamalasakit sa kalidad ng software.
Ang Sitepoint.com ay nakalista ang ilan sa mga mas itinatag na mga platform, na bawat isa ay nagtataguyod sa iba't ibang mga paraan kung saan makikipag-ugnay ang AI sa mga proseso na hinihimok ng data. Marahil ang pinakapopular ay ang TensorFlow ng Google at ang platform ng Melissa na binuo para sa Raspberry Pi entry-level computing environment. Ang parehong ay nagbibigay ng isang madaling on-rampa sa programming ng AI, bagaman nangangailangan si Melissa ng higit pang kasanayan sa mga wika ng programming tulad ng Python.
Gayundin, mayroong mga serbisyo tulad ng Wit.ai at Api.ai na gumagamit ng pagkilala sa boses upang mai-convert ang mga verbal na utos. Ginagamit din nila ang mga simpleng elemento ng programming na tinatawag na "mga intensyon" at "mga nilalang" na ginagamit upang tukuyin ang pagkilos na gagawin at ang aparato at / o serbisyo na gagawin. Sa ganitong paraan, maaaring magtaguyod ang mga developer ng AI engine na alisin ang data mula sa drive A at i-paste ito upang magmaneho B. Parehong Wit at Api ay may sariling hanay ng mga template para sa mga intensyon at mga nilalang, kaya marami nang gawain ang nagawa na. Gayunpaman, bukod sa iOS at Android, may posibilidad silang suportahan ang iba't ibang mga wika sa programming, na may Wit na nakasandal patungo sa Ruby, Python, C at Rust, at Api na pag-back Unity, C ++, Python at JavaScript.
Ginagawa ang Praktis na Perpekto
Habang hindi ito nasasaktan na pag-aralan ang AI sa tradisyunal na paraan - pagkuha ng isang klase, pag-aralan ang mga nuances ng iba't ibang mga platform, pag-aralan ang mga nakaraang kasanayan - ang pag-alaala ng isang hanay ng mga naka-disconnect na katotohanan ay magdadala sa iyo sa ngayon, sabi ni Kaggle CTO Ben Hamner. Sa halip, ang isang mas praktikal na diskarte ay ang pumili ng isang partikular na problema sa iyong araw ng trabaho at subukang malaman kung paano maiiwasan ito ng isang intelihenteng sistema ng automation, kung hindi malutas ito nang buo. (Upang malaman ang tungkol sa ilang kasalukuyang gamit para sa AI, tingnan ang 3 Kamangha-manghang Mga Halimbawa ng Artipisyal na Katalinuhan sa Pagkilos.)
Ito ay mas mahirap kaysa sa tunog. Ang perpektong problema ay dapat magkaroon ng tatlong pamantayan:
- Dapat itong masakop ang isang lugar na personal mong interesado,
- Dapat itong gumamit ng isang madaling magagamit na set ng data na naaangkop sa pagtugon sa problema, at
- Ang data o isang kaugnay na subset ay dapat na umupo nang kumportable sa loob ng isang makina.
Kapag nakilala mo ang isang angkop na problema, sinabi ni Hamner na oras na upang gumawa ng isang mabilis at maruming hack - walang magarbong, sapat na lamang upang magbigay ng isang pagwawakas sa wakas para sa pangunahing problema. Dapat itong masakop ang mga hakbang tulad ng pagbabasa ng data, pag-convert sa isang bagay na maunawaan ng isang algorithm ng pagkatuto ng makina, pagsasanay ng isang pangunahing modelo, paglikha ng isang resulta at pagsusuri ng pagganap.
Kapag nakumpleto ang functional na saligan na ito, maaari mong palaging bumalik at pagbutihin ang bawat sangkap, marahil sa pamamagitan ng pagsusuri sa mga indibidwal na mga hilera at pagpapakita ng mga pamamahagi upang makakuha ng isang mas mahusay na pag-unawa sa istraktura at anomalya. Sa maraming mga kaso, makikita mo na ang pagpapabuti ng mga hakbang sa paglilinis ng data at mga preprocessing na gumawa ng mas mahusay na mga resulta kaysa sa pag-optimize sa mga modelo ng pag-aaral ng makina.
Tumutulong din ito upang makita kung ano ang ginagawa ng iba sa AI sa sandaling ito at pagkatapos ay marahil ay ibinahagi ang iyong mga likha sa publiko upang mapasigla ang karagdagang pag-unlad. Kamakailan ay nagsimula ang Google ng isang sandbox ng AI na tinatawag na AI Eksperimento na nag-aalok ng bukas na mapagkukunan code at iba pang mga mapagkukunan upang matulungan kang magsimula kasama ang isang showcase para sa mga pagpapaunlad ng AI sa sining, wika, musika at iba pang mga disiplina. Bilang karagdagan sa TensorFlow at ang Cloud ML API, ang site ay nagtatampok ng isang bersyon ng DeepMind 3D gaming lab at isang hanay ng mga openFrameworks apps at script para sa pagbuo ng mga tool sa pag-aaral ng machine sa C ++.
Ang pinakamalaking pagbabago na dadalhin ng artipisyal na katalinuhan sa lakas-paggawa ng kaalaman, at partikular sa IT, ay ang pag-alis ng lahat ng mga rote, paulit-ulit na mga gawain na bumubuo sa karamihan ng araw ng trabaho. Ngunit hindi nagkakamali, ang AI ay hindi gagawing kalabisan ng mga tao, at hindi rin papayagan ang sangkatauhan na mabuhay ng isang paglilibang habang ginagawa ng mga makina ang lahat ng gawain.
Magkakaroon ng maraming upang mapanatili ang utak ng tao na sakupin sa isang ekonomiya na hinimok ng AI, ngunit higit sa lahat ito ay sumasaklaw sa mga malikhaing, madaling maunawaan na mga proyekto na ang mga algorithm ng matematika ay hindi kailanman makakaya.
Sa isang kasosyo sa AI, asahan na ang araw ng trabaho ay maging mas kawili-wili at gagantimpalaan para sa mga indibidwal, habang ang mga samahan na kanilang pinaglingkuran ay dapat makakita ng higit na halaga mula sa aktibidad ng tao at mas mataas na produktibo sa pangkalahatan.