Tīmekļa Lietotnes

Kas ir mašīnmācīšanās?

2021. gada 30. oktobris

Satura rādītājs

Ievads mašīnmācībā

Pētnieki jau sen ir sapņojuši par izdomas bagātu mašīnu izveidi. Kad programmējamie personālie datori pirmo reizi tika izgudroti, cilvēki domāja, vai šādas mašīnas kādu dienu kļūs gudras kā cilvēki un spēj veikt uzdevumus kā cilvēki. Mūsdienās mākslīgais intelekts ir jauna tehnoloģija ar plašu pielietojumu klāstu dažādās jomās. AI koncepcija ir simulēt cilvēka intelektu mākslīgās mašīnās, lai mašīnas varētu domāt un veikt uzdevumus tāpat kā cilvēki.

Kāpēc mums ir vajadzīgas tehnoloģijas, kas visos aspektos darbojas kā cilvēki?

Cilvēkiem ir ļoti laba darba precizitāte, bet efektivitāte darbā nav apmierinoša, un vienmēr ir robeža, kā paātrināt cilvēku darbu, taču tas tā nav gadījumā ar mašīnām, un arī mašīnu veiktais darbs ir ļoti precīzs, vienmērīgs un mērogojams.

Deviņpadsmitajā gadsimtā, lai pārvarētu šīs problēmas, notika programmatūras revolūcija, taču ar to nepietiek, lai šīs problēmas risinātu. Programmatūra spēj izpildīt uzdevumu, kas formāli definēts noteikumu komplektā, lai programmētājs varētu uzrakstīt programmu, ņemot vērā šos noteikumus.

Piemēram, aprēķinot divu doto skaitļu summu. Mūsdienu pasaulē ātruma un precizitātes ziņā datori šajā uzdevumā var pārspēt jebkuru cilvēku. Bet problēmas, kurām nav formālu noteikumu kopuma un kurām ir nepieciešama cilvēka inteliģence, šādas problēmas ir ļoti grūti atrisināt ar datoriem.

Piemēram, lai atpazītu sejas, cilvēki var ļoti viegli atpazīt sejas, bet datoriem to ir ļoti grūti atpazīt, jo ir ļoti sarežģīti uzrakstīt formālus seju noteikumus. Tātad mākslīgā intelekta patiesais izaicinājums ir atrisināt uzdevumus, kurus cilvēkiem ir viegli veikt, bet cilvēkiem ir grūti formāli aprakstīt.

Ņemsim piemēru no IBM izstrādātās Deep Blue šaha spēles sistēmas. Šaha noteikumus var pilnībā definēt ar formālu noteikumu kopumu. Tātad programmētājs šos noteikumus viegli konvertēja programmā, un programmētājs tos nodrošināja pirms laika.

Mākslīgais intelekts mēģina risināt šo izaicinājumu, pārnesot cilvēka intelektu uz mašīnām ar nesalīdzināmām skaitļošanas iespējām.

Ikdienā cilvēkam ir nepieciešamas zināšanas par pasauli, lai atrisinātu savu uzdevumu, un šādas zināšanas ir subjektīvas un intuitīvas, tāpēc programmētājam ir grūti formulēt noteikumu kopumu.

Tātad no šejienes mēs varam saprast, ka datoriem ir vajadzīgas līdzīgas zināšanas, lai izturētos kā cilvēki vai, citiem vārdiem sakot, izturētos saprātīgi. Tāpēc galvenais AI izaicinājums ir ievietot šo neformālo vai subjektīvo informāciju datorā un pētniekiem mākslīgajā datorā. Inteliģences lauks pamatā cenšas sasniegt šo mērķi.

Pētnieki bija noskaidrojuši galveno veidu, kā sasniegt šo mērķi. Viņi ir izmantojuši uz zināšanām balstītu pieeju. Šajā pieejā pētnieki stingri iekodē zināšanas par pasauli formālās valodās.

Datori var automātiski spriest par apgalvojumiem šajās formālajās valodās, izmantojot loģisko secinājumu noteikumus. Tā kā šī ir ļoti vienkārša, vienkārša un naiva pieeja, projektā šī pieeja nav veiksmīga, jo pētniekiem ir grūti izstrādāt formālus noteikumus, kas ir pietiekami sarežģīti, lai precīzi izstrādātu pasauli. Viens šāda projekta piemērs ir Cyc. Cyc ir secinājumu dzinējs.

Grūtības, ar kurām saskaras iepriekš minētie projekti (pamatojoties uz zināšanām balstītu pieeju), ir paļaušanās uz stingri iekodētām zināšanām. Tātad, lai pārvarētu šīs grūtības, AI sistēmām ir nepieciešama iespēja iegūt savas zināšanas no pasaules, iegūstot modeļus no neapstrādātiem datiem. Šī iespēja ir pazīstama kā mašīnmācīšanās.

Mašīnmācība

Mašīnmācīšanās ieviešana sniedz datoriem iespēju iegūt zināšanas par reālo pasauli un pieņemt lēmumus, kas šķiet subjektīvi. Tādā veidā mašīnmācība spēj pārvarēt uz zināšanām balstītas pieejas ierobežojumus.

Saskaņā ar Wikipedia

Mašīnmācība ir datoralgoritmu izpēte, kas tiek automātiski uzlabota, pateicoties pieredzei.

Pēc Mičela teiktā

Tiek uzskatīts, ka datorprogramma mācās no pieredzes E attiecībā uz kādu uzdevumu klasi T un veiktspējas rādītāju P, ja tās veiktspēja uzdevumā T, ko mēra ar P, uzlabojas ar pieredzi E.

Literatūrā ir daudz veidu mašīnmācīšanās algoritmu. Šeit algoritmu grupēšana tiek veikta, pamatojoties uz mācīšanās stilu. Mašīnmācīšanās algoritmu plašā grupēšana ir parādīta 1. attēlā. Apskatīsim sīkāk pa vienam.

mašīnmācība

Mašīnmācīšanās algoritma grupēšana, pamatojoties uz mācīšanās stilu

Uzraudzīta mācīšanās

Uzraudzītā mācīšanās, kā norāda nosaukums, ir supervizora kā skolotāja klātbūtne. Uzraudzītajā apmācībā mēs apmācām savu mašīnu, izmantojot marķētos datus. Marķēti dati nozīmē, ka katrai ievadei ir labi marķēta izvade.

Apmācības procesā mašīnas iegūst zināšanas par pasauli no marķētiem datiem. Pēc apmācības mašīna tiek nodrošināta ar jaunu datu kopu, lai prognozētu rezultātu. Mērķis ir likt mašīnām mācīties no līdzīgiem modeļiem, kas iegūti no apmācības datu kopas, un izmantot iegūtās zināšanas pārbaudītajā datu kopā, lai prognozētu reālās vērtības rezultātu.

Apskatīsim Iris datu kopas piemēru, lai labāk izprastu. Iris datu kopa ir 150 īrisu augu dažādu daļu mērījumu apkopojums. Katrs datu kopas piemērs sastāv no katras auga daļas, piemēram, kauslapas garuma, platuma, ziedlapas garuma, ziedlapas platuma, mērījuma. Datu kopa arī reģistrē, kurai sugai pieder katrs augs. Datu kopā ir trīs dažādas sugas. Tātad, kā mēs redzam šeit, Iris datu kopā, katrs Iris augs ir marķēts ar tā sugām.

Skatīt arī 15 labākās pārdošanas pārvaldības programmatūras

Uzraudzīti mācību algoritmi var izpētīt šo datu kopu un iemācīties klasificēt īrisa augu trīs dažādās sugās, pamatojoties uz to mērījumiem

Termins uzraudzīta mācīšanās būtībā nozīmē, ka mērķis y, ko nodrošina skolotājs, kurš parāda mašīnai, kas jādara.

Uzraudzīta mācīšanās, kas iedalīta divās algoritmu kategorijās, kā parādīts attēlā:2.

Uzraudzīta mācīšanās

Regresija

Regresijas algoritmi paredz nepārtrauktu rezultātu (mērķi), pamatojoties uz vienu vai vairākām ievades vai prognozēšanas vērtībām. Vienkāršiem vārdiem sakot, izvades vērtība ir reāla vērtība, piemēram, svari.

Ir dažādi regresijas algoritmi. Dažādu regresijas algoritmu veidi ir atkarīgi no neatkarīgo mainīgo skaita, regresijas līnijas formas un atkarīgā mainīgā veida. Apskatīsim dažus regresijas metožu veidus.

Lineārā regresija ir viens no visvienkāršākajiem un populārākajiem regresijas algoritmiem nepārtrauktās vērtības prognozēšanai. Šeit tiek pieņemta lineāra sakarība starp ievadi (prognozētāju) un izvadi.

Lineārās regresijas algoritms

Lineārās regresijas nosaukumi liecina, ka tā spēj atrisināt regresijas problēmas. Šo algoritmu mērķis ir izveidot sistēmu, kas var izmantot vektoru x un prognozēt skalāro vērtību y kā izvadi. Vienkāršiem vārdiem sakot, šis algoritms nosaka attiecības starp ievadi un izvadi, izmantojot vislabāk atbilstošo taisni.

y=wTx

Šeit w ir parametru vektors. Parametri ir vērtības, kas kontrolē sistēmas uzvedību.

Mēs varam uzskatīt “w” kā svaru kopu, kas nosaka, kā katra funkcija ietekmē izvadi. Šī funkcija nav nekas cits kā ievadei raksturīga iezīme.

Piemēram

Pieņemsim, ka mēs vēlamies izveidot sistēmu, kas spēj paredzēt lietotu automašīnu cenas. Šeit ir norādītas automašīnas īpašības, kas, mūsuprāt, ietekmē automašīnas vērtību, piemēram, zīmolu, gadu, dzinēja efektivitāti, jaudu, nobraukumu un daudz citu informāciju.

y=w0 * jauda+w1 * nobraukums +w3 * dzinēja efektivitāte

ja šīs pazīmes saņem pozitīvus svarus, tad šo svaru palielināšana palielina mūsu prognozes vērtību un otrādi. Ja svari “wi” ir lieli, tam ir liela ietekme uz prognozēšanu. Ja svars “wi” ir 0, tas neietekmē prognozēšanu.

Klasifikācija

Klasifikācija ir uzraudzīta mācīšanās koncepcija, kas mēģina paredzēt kategorijas, kurām ievade pieder. Lai atrisinātu klasifikācijas problēmu, mācīšanās algoritmi mēģinās izveidot tādu funkciju kā f:R-{1,2,…k}. Vienkāršiem vārdiem sakot, ja izvade ir mainīga, tā ir tāda kategorija kā slimība vai ne-slimība, t.i., šajā problēmā rezultāts ir diskrēts. Piemēram, Iris datu kopā mums ir jāparedz trīs sugu klases, ievadot trīs pazīmes (sepal garums (sl), sepal platums (sw), ziedlapas garums (pl), ziedlapas platums (pw)).

Ņemsim vēl vienu objektu atpazīšanas piemēru, lai to skaidri saprastu

Šeit ievade ir attēls, bet izvade ir ciparu kods, kas identificē attēlā redzamo objektu.

Ir vairāki klasifikācijas algoritmi. Klasifikācijas algoritmi ietver atbalsta vektora mašīnu loģistikas regresiju, lēmumu koku, nejaušu mežu utt. Apskatīsim dažus algoritmus sīkāk.

Atbalstiet vektoru mašīnu

Atbalsta vektora mašīna ir uzraudzīts mācīšanās algoritms, ko var izmantot gan klasifikācijas, gan regresijas problēmām, bet galvenokārt to izmanto klasifikācijas problēmām.

Ņemot vērā apmācības datu kopu, kurā katra ir apzīmēta kā viena vai otra no divām klasēm, SVM apmācības algoritms izveido modeli, kas piešķir jaunus piemērus vienai vai otrai kategorijai, padarot to par nevarbūtisku bināro lineāro klasifikatoru.

Būtībā šis algoritms mēģina atrast optimālo hiperplakni n-dimensiju vietā, kas klasificē jaunus piemērus. Divdimensiju telpā (ja ievades elementu skaits ir divi) šī hiperplakne ir nekas cits kā līnija, kas sadala plakni divās daļās, kā parādīts attēlā3.

Saskaņā ar wikipedia

SVM modelis ir piemēru attēlojums kā telpas punkti, kas kartēti tā, lai atsevišķo kategoriju piemēri tiktu sadalīti ar skaidru, pēc iespējas plašāku atstarpi. Pēc tam jauni piemēri tiek kartēti tajā pašā telpā un tiek prognozēti, ka tie pieder kategorijai, pamatojoties uz atstarpes pusi, uz kuras tie atrodas.

img 617dd7d8dd962

3. attēls

SVM cenšas maksimāli palielināt starpību starp abām klasēm. Maksimālo rezervi sasniedz hiperplakne, kurai ir vislielākais attālums līdz jebkuras klases tuvākajam apmācības datu punktam.

Tas ir ļoti intuitīvi saprotams. Attēlā redzams, ka visi datu punkti, kas atrodas līnijas malā, tiks apzīmēti kā viena klase, bet punkti, kas atrodas līnijas otrā pusē, tiks apzīmēti kā otrā klase. Tagad, kā redzams 3. attēlā, starp tām iet bezgalīgi daudz līniju.

Tātad, kā mēs zinām, kura līnija darbojas vislabāk? Šis algoritms mēģina atlasīt līniju, kas ne tikai atdala abas klases, bet arī atrodas pēc iespējas tālāk no tuvākajiem paraugiem, kā parādīts 3. attēlā.

Mācības bez uzraudzības

Uzraudzītās mācībās mērķis ir apgūt kartēšanu no ievades līdz izvadei, kuras pareizās vērtības nodrošina vadītājs. Bezvadītās mācībās tiek sniegti tikai ievades dati, un šāda vadītāja nav. Mērķis ir atrast ievades likumsakarības.

Ievades telpai ir tāda struktūra, ka daži modeļi parādās vairāk nekā citi.

Skatīt arī 9 labojumi Google Chrome vairāku darbības procesu problēmai

Ir divas galvenās metodes, ko izmanto nekontrolētā apmācībā, ir klasteru analīze un galvenā sastāvdaļa.

Klasteru analīzē mērķis ir atrast ievades grupējumu.

Ņemsim piemēru, lai skaidri saprastu

Visiem uzņēmumiem ir daudz klientu datu. Klienta dati satur demogrāfisko informāciju, kā arī iepriekšējo darījumu ar uzņēmumu. Uzņēmums var būt ieinteresēts redzēt sava uzņēmuma profila izplatību, lai redzētu, kāda veida klienti bieži parādās. Šādos scenārijos klasteru veidošanā klienti, kuru atribūti ir līdzīgi, tiek piešķirti vienai grupai. Šīs klasterizētās grupas var palīdzēt izlemt par uzņēmuma stratēģijām, piemēram, pakalpojumiem un produktiem, kas ir raksturīgi dažādām grupām.

Populārs algoritms šīs klasterizācijas analīzes veikšanai ir K-means klasterizācija. Apspriedīsim K-nozīmē sīkāk.

K-nozīmē klasterizāciju

K-means klasterizācija ir viens no populārajiem un vienkāršākajiem bez uzraudzības mācību algoritmiem.

K-means ir uz centroīdiem balstīts algoritms, kurā mēs aprēķinām doto punktu attālumus no centroīda, lai piešķirtu punktu klasterim. Programmā K-Means katrs klasteris ir saistīts ar centroīdu.

Šis algoritms darbojas šādi:

  1. Vispirms inicializējiet k punktus pēc nejaušības principa, ko sauc par līdzekļiem
  2. Pēc tam kategorizējiet katru vienumu līdz tuvākajam vidējam līmenim un atjauniniet vidējās koordinātas, kas ir līdz šim šajā vidējā kategorijā klasificēto vienumu vidējās vērtības.
  3. Atkārtojiet šīs darbības noteiktam iterāciju skaitam, un pēc noteiktā iterāciju skaita mums ir mūsu kopas.
mašīnmācība

Attēls:4

Daļēji uzraudzīts algoritms

Uzraudzītās mācībās mēs esam redzējuši, ka datu kopa ir manuāli jāmarķē cilvēkiem. Šis process ir ļoti dārgs, jo datu kopas apjoms ir ļoti liels. Nepārraudzītā apmācībā marķēta datu kopa nav nepieciešama, taču tās lietojuma spektrs ir ierobežots.

Lai novērstu šos ierobežojumus, tiek ieviests daļēji uzraudzītas mācīšanās jēdziens. Šajā mācīšanās stilā algoritms tiek apmācīts, apvienojot nelielu daudzumu marķētu datu un lielu daudzumu nemarķētu datu. Daļēji uzraudzīta mācīšanās atrodas starp uzraudzītu mācīšanos un bez uzraudzības.

Lai jebkādā veidā izmantotu nemarķētus datus, daļēji uzraudzītais algoritms par datiem pieņem šādas attiecības:

    Nepārtrauktība:Tas pieņem, ka punktiem, kas atrodas tuvāk viens otram, ir lielāka iespēja, ka tiem ir viena un tā pati izvades etiķete.Klasteris:Ja datus var sadalīt atsevišķos klasteros, ir lielāka iespēja, ka punktiem vienā un tajā pašā klasterī būs kopīga iezīme.Kolektors:Dati atrodas aptuveni kolektorā, kura dimensija ir daudz mazāka nekā ievades telpa. Šis pieņēmums ļauj izmantot attālumus un blīvumus, kas definēti uz a kolektors .

Mēs varam saprast šos trīs mācīšanās stilu veidus, proti, uzraudzīto mācīšanos, bez uzraudzības mācīšanos un daļēji uzraudzītu mācīšanos, saskaroties ar reālo pasauli.

Uzraudzītas mācības, kur skolēns atrodas skolotāja uzraudzībā. Bez uzraudzības mācībās, kur skolēnam pašam jāizdomā jēdziens. Daļēji uzraudzīta mācīšanās, kurā skolotājs stundā māca dažus jēdzienus un uzdod jautājumus kā mājasdarbus, kuru pamatā ir līdzīgi jēdzieni.

Pastiprināšanas mācības

Mācīšanās pastiprināšana ir mācīšanās, mijiedarbojoties ar vidi. Mācību procesā ir iesaistīts aktieris, vide un atlīdzības signāls. Aktieris izvēlas rīkoties vidē, par kuru aktieris saņem atbilstošu atlīdzību. Šeit sistēmas izvade ir darbību secība.

Tādā gadījumā viena darbība nav svarīga, šeit svarīga ir korektīvo darbību secība mērķa sasniegšanai. To sauc arī par politiku. Aktieris vēlas palielināt atlīdzību, ko tas saņem, un tāpēc viņam ir jāapgūst optimāla un laba politika mijiedarbībai ar vidi. Labs piemērs ir spēles. Spēlē viena kustība pati par sevi nav svarīga, tā prasa pareizu kustību secību, kas ir laba (t.i., kustības noved pie uzvaras)

Pastiprināšanas apmācības iestatīšana

5. attēls: Pastiprināšanas apmācības iestatīšana

`Pastiprināšanas mācības ļoti atšķiras no citiem mācīšanās veidiem, ko līdz šim esam aptvēruši. Kā mēs redzējām uzraudzītajā apmācībā, mums tiek doti dati un etiķetes, un mums ir uzdots paredzēt dotos datus. Nepārraudzītās mācībās mums tiek doti tikai dati, un mums tiek uzdots atrast datos esošo struktūru. Pastiprināšanā mums netiek doti ne dati, ne etiķetes.

Pastiprināšanas mācīšanās pielietojumi ir

  1. Pašbraucošs auto
  2. Robotu motora vadība
  3. Gaisa kondicionēšanas kontrole
  4. Reklāmu izvietojuma optimizācija
  5. Akciju tirgus tirdzniecības stratēģijas
  6. Spēļu spēlēšana

Dziļa mācīšanās

Ja mēs analizējam automašīnas attēlu, tad sarkanās automašīnas attēla atsevišķais pikselis ir ļoti tuvu melnam naktī. Šis piemērs var sniegt ieskatu grūtībās, ar kurām saskaras daudzas mākslīgā intelekta lietojumprogrammas. Ir ļoti grūti iegūt tik augsta līmeņa un abstraktas iezīmes, jo tas prasa cilvēka līmeņa izpratni.

Deep Learning risina šo problēmu, veidojot sarežģītas funkcijas no vienkāršas. Visvienkāršākais dziļās mācīšanās modeļa piemērs ir Multilayer Perceptron. Daudzslāņu Perceptron ir tikai matemātiska funkcija, kas savieno ievades vērtības ar izvades vērtībām. Šī funkcija sastāv no daudzām vienkāršākām funkcijām.

Padziļinātā mācīšanās ir īpašs mašīnmācīšanās veids, kas nodrošina lielu jaudu un elastību, attēlojot pasauli kā ligzdotu jēdzienu hierarhiju. Katrs jēdziens ir definēts saistībā ar vienkāršākiem jēdzieniem un abstraktākiem priekšstatiem, kas aprēķināti mazāk abstraktu jēdzienu izteiksmē.

Dziļās mācīšanās algoritmi, piemēram, dziļais neironu tīkls, dziļās pārliecības tīkls, konvolucionālais neironu tīkls, atkārtots neironu tīkls, ir izmantoti tādās jomās kā datora redze, runas atpazīšana, dabiskās valodas apstrāde un daudzās citās jomās.

Dziļais neironu tīkls

Dziļais neironu tīkls ir iedvesmots no cilvēka smadzeņu funkcijas un to darbības veida. Dziļo neironu tīklu pamatelements ir mezgli. Mezgli ir gluži kā cilvēka smadzeņu neironi. Kad stimuls tos sasniedz, mezglā notiek process. Parasti mezgli tiek grupēti slāņos, kā parādīts 6. attēlā.

Dziļais neironu tīkls

6. attēls: dziļais neironu tīkls

Ir dažādi dziļo neironu tīklu veidi, un atšķirības starp tiem slēpjas to darbības principos, darbību shēmā un pielietojuma jomās.

    Konvolucionālie neironu tīkli (CNN): To galvenokārt izmanto attēlu atpazīšanai, jo nav nepieciešams pārbaudīt visus pikseļus pa vienam. CNN sastāv no ievades slāņa, izvades slāņa un slēptiem slāņiem. Slēptie slāņi parasti sastāv no konvolucionāliem slāņiem, apvienojošiem slāņiem un pilnībā savienotiem slāņiem. Konvolūcijas un maksimālās apvienošanas slāņi darbojas kā pazīmju nosūcējs un pilnībā savienots slānis, kas veic ekstrahēto pazīmju nelineāras transformācijas un darbojas kā klasifikators. Konvolūcijas slāņi ievadei piemēro konvolūcijas darbību. Apvienošanas slānis tiek izmantots uzreiz pēc konvolucionālā slāņa, lai samazinātu telpisko izmēru (tikai platumu un augstumu, nevis dziļumu). Tas samazina parametru skaitu un līdz ar to tiek samazināts aprēķins, kā arī palīdz padarīt iezīmju detektorus nemainīgākus attiecībā uz to pozīciju ievadē. Izmantojot šo animāciju, ir viegli saprast konvolūcijas darbību
mašīnmācība
    Atkārtots neironu tīkls (RNN):Atkārtoti neironu tīkli ir neironu tīklu klase, kas ļauj iepriekšējās izvades izmantot kā modeļa ievades. Pirmo reizi tas tika ieviests pagājušā gadsimta astoņdesmitajos gados. RNN atšķiras no padeves neironu tīkliem, jo ​​tie izmanto īpašu neironu tīklu veidu, kas pazīstams kā atkārtots slānis. Atkārtota neironu tīkla galvenā ideja ir izmantot secīgu informāciju. Tradicionālā neironu tīklā, piemēram, CNN, mēs esam pieņēmuši, ka visas ieejas un izejas ir neatkarīgas viena no otras. Bet daudziem uzdevumiem, kas nav ļoti laba ideja, to pieņemt. Pieņemsim, ja mēs vēlamies paredzēt nākamo vārdu teikumā, tad labāk ir zināt, kuri vārdi bija pirms tā. RNN sauc par atkārtotiem, jo ​​tie veic vienu un to pašu uzdevumu katram secības elementam, un izvade ir atkarīga no iepriekšējiem aprēķiniem. Vienkāršiem vārdiem sakot, RNN ir atmiņa, kas tver informāciju par to, kas līdz šim ir aprēķināts. Teorētiski RNN var izmantot informāciju garās secībās, taču praksē tie aprobežojas ar atskatīšanu tikai dažus soļus atpakaļ.
Skatīt arī Vai iPhone var iegūt vīrusus: kā pārbaudīt un noņemt vīrusus

Apskatīsim attiecības starp mākslīgo intelektu, mašīnmācīšanos un dziļo mācīšanos, izmantojot Venna diagrammu

mašīnmācība

7. attēls. Šis attēls parāda attiecības starp dziļo mācīšanos, mašīnmācīšanos un mākslīgo intelektu.

Mākslīgā intelekta pielietojumi

Ir daudz dažādu jomu, kur tiek izmantots AI. Šajās jomās ietilpst mārketings, banku darbība, finanses, lauksaimniecība, veselības aprūpe, spēles, kosmosa izpēte, autonomie transportlīdzekļi, tērzēšanas roboti, mākslīgā jaunrade utt.

Izpētīsim mārketinga un banku darbības jomu.

Mārketings

Agrīnās dienās (kad mākslīgais intelekts nav lietots. Tas pastāv tikai grāmatās), ja mēs vēlamies iegādāties kādu produktu no tiešsaistes veikala, tad mums ir jāmeklē produkts ar precīzu tā nosaukumu. Tāpēc ir ļoti grūti atrast produktu, ja mēs nezinām precīzu produkta nosaukumu.

Taču mūsdienās, kad mēs meklējam jebkuru preci jebkurā e-komercijas veikalā, mēs iegūstam visus iespējamos ar šo preci saistītos rezultātus. Mums nav jāraizējas par precīzu pareizrakstību vai produkta nosaukumu, lai atrastu produktu. Vēl viens piemērs ir pareizo filmu atrašana pakalpojumā Netflix.

Pieteikums neaprobežojas tikai ar īstā produkta atrašanu. AI attīstība spēj ieteikt produktu, pamatojoties uz jūsu interesēm, analizējot jūsu pagātnes darījumus un lietu pirkšanas garšu. Saskaņā ar šiem datiem AI var zināt, kāda veida produkts jums ir atbilstošs, un, pamatojoties uz to, tas filtrēs produktu un ieteiks to jums.

Tādā veidā mākslīgais intelekts spēlē nozīmīgu lomu mārketingā un produktu pārdošanas palielināšanā tiešsaistē un tādējādi arī e-komercijas uzņēmumiem, piemēram, Flipkart, Amazon , vai Netflix līdzīgi uzņēmumi izmanto AI, lai ļoti viegli pārdotu savus produktus un gūtu peļņu.

Banku darbība

Banku jomā mākslīgā intelekta sistēma aug straujāk. Daudzas bankas jau ir pieņēmušas AI sistēmu, lai sniegtu dažādus pakalpojumus, piemēram, klientu atbalstu, anomāliju noteikšanu, kredītkaršu krāpšanu.

Ņemsim HDFC bankas piemēru. Viņi ir izstrādājuši uz AI balstītu tērzēšanas robotu ar nosaukumu Electronic Virtual Assistant (EVA). Šis tērzēšanas robots jau ir atrisinājis vairāk nekā 3 miljonus klientu vaicājumu. Eva var sniegt vienkāršas atbildes mazāk nekā 0,4 sekundēs. Bank of America ir sava tērzēšanas robota nosaukums Erica. American Express izmanto savus AmEX tērzēšanas robotus, lai sniegtu labumu saviem klientiem.

MasterCard un RBS WorldPay ir izmantojuši AI un dziļo apmācību, lai atklātu krāpnieciskus darījumus un novērstu krāpšanu ar kartēm. Šī AI sistēma ietaupīja miljoniem dolāru. Uz mākslīgā intelekta balstīti krāpšanas atklāšanas algoritmi ir precīzāki krāpšanas atklāšanā ar precizitāti, kas pārsniedz 95%. Viņiem ir iespēja ātri pielāgoties, lai atklātu jaunus krāpšanas mēģinājumus reāllaikā.

Vissvarīgākais mākslīgā intelekta pielietojums banku jomā ir riska pārvaldība, jo aplēses liecina, ka vidēji tirgotāju zaudējumi krāpšanas uzbrukumu dēļ ir 1,5% no viņu gada ieņēmumiem. JPMorgan arī sāka izmantot AI metodes, lai izstrādātu agrīnās brīdināšanas sistēmu, kas atklāj ļaunprātīgu programmatūru, Trojas zirgus un vīrusus. Šī noteikšanas sistēma, iespējams, identificē aizdomīgu uzvedību ilgi pirms krāpšanas e-pasta ziņojumi faktiski tiek nosūtīti darbiniekiem.

Ieteicamie raksti

  • Kas ir Unsecapp.Exe un vai tas ir drošsKas ir Unsecapp.exe un vai tas ir drošs?
  • 15 labākais UML diagrammu rīks un programmatūra15 labākais UML diagrammu rīks un programmatūra
  • [FIKSĒTS] Windows nevar piekļūt norādītajai ierīcei, ceļam vai faila kļūdai[FIKSĒTS] Windows nevar piekļūt norādītajai ierīcei, ceļam vai faila kļūdai
  • 16 Windows atjaunināšanas labojumi, kas nedarbojas operētājsistēmā Windows16 Windows atjaunināšanas labojumi, kas nedarbojas operētājsistēmā Windows
  • Uzvarēti 4 labojumi AMD Radeon iestatījumiem4 AMD Radeon iestatījumu labojumi netiks atvērti
  • Tālummaiņas ekrānuzņēmuma rīks: padomi un ieteikumiTālummaiņas ekrānuzņēmuma rīks: padomi un ieteikumi