תוֹכֶן
- היסטוריה קצרה של AI
- פלטפורמות זמינות
- אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
- תרגול מביא לשלמות
מקור: אלנור / Dreamstime
להסיר:
בינה מלאכותית היא אחד התחומים הצומחים ביותר בטק, אבל עם כל כך הרבה לדעת עליו, מאיפה מתחילים? כאן אנו מסתכלים על כמה דרכים להכיר את AI.
בינה מלאכותית מגיעה למרכז נתונים קרוב אליך, והיא ככל הנראה תתחיל לבצע רבות מהמטלות שהמפעילים האנושיים מבלים את עיקר זמנם בביצוע.
אבל במקום לראות התפתחות בלתי נמנעת זו כאיום, עובדת ה- IT של ימינו תעשה טוב יותר ללמוד את יסודות ה- AI כעת, כך שכאשר היא תגיע היא יכולה לשמש ככלי להגברת הערך של המאמץ האנושי לארגון, לא להחליף זה.
ראשית, זה עוזר לדעת שיש הרבה סוגים שונים של AI המשרתים פונקציות שונות. עיתונאי הטכנולוג מייקל קופלנד רואה את הטכנולוגיה כסדרה של מעגלים קונצנטריים, כאשר AI הוא המעגל החיצוני ביותר וצורות מיוחדות יותר כמו למידת מכונות (ML) ולמידה עמוקה נופלות בתוך.
ההבדלים נעוצים ברמות המורכבות המוצגת על ידי כל צורה של AI והפונקציות הספציפיות שהם נועדו לאפשר.
היסטוריה קצרה של AI
ל- AI, למשל, יש שורשים עוד משנות החמישים, אך רק התחילו לאסוף קיטור מוקדם יותר בעשור הזה עם המושג "AI צר". זה המקום בו הטכנולוגיה מתמקדת בהשלמת משימות ספציפיות כמו סיווג תמונות וזיהוי פנים, אך חסרה את היכולת לפתח את התהליכים שלו באמצעות ניסיון ונתוני נתונים אחרים כפי שעושה מוח אנושי. (למידע נוסף בנושא זה, האם מחשבים יוכלו לחקות את המוח האנושי?)
לשם כך עלינו לפנות ללמידה במכונה, המשתמשת באלגוריתמים כדי לנתח נתונים כדי לחזות את סביבתם. עם ML, מתכנתים כבר לא צריכים להקדיש קוד לכל אחת מהפעולות שמערכת צריכה לבצע, אלא המערכת עצמה יכולה לקבוע את דרך הפעולה הטובה ביותר בהינתן הנתונים הזמינים. אולם גם בשלב זה משתמשים במושג "אינטליגנציה" באופן רופף ביותר, מכיוון שהוא עדיין דורש תשומות אנושיות רבות כדי ש- ML יגיע למסקנות רציונליות.
כאן נכנסים למידה עמוקה ורשתות עצביות. בניגוד למידה במכונה, טכנולוגיות אלה מבקשות לחקות את פעולות המוח האנושי. בעזרת שכבות מתקדמות, קישוריות והפצת נתונים, הם מעבדים מערכי נתונים בכמה דרכים לייצור הסתברויות משוקללות לתוצאה נתונה. מכיוון שמדובר בעומס חישוב כבד מאוד, אין זה מפתיע שרמה זו של AI נשמרה על המבער האחורי עד שנכנסו GPUs ועיבוד מקביל למיינסטרים.
פלטפורמות זמינות
מתכנת ה- AI המתהווה אמור להתוודע גם לפלטפורמות המובילות בשוק. בעוד ששפע הפתרונות הולך וגדל מיום ליום, חלק מהמערכות הבסיסיות יותר מציעות עקומת למידה קלה למדי עבור מי שכבר מכיר שפות תכנות נפוצות.
אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
אתה לא יכול לשפר את כישורי התכנות שלך כאשר לאף אחד לא אכפת מאיכות התוכנה.
Sitepoint.com פירט כמה מהפלטפורמות היותר מבוססות, שכל אחת מהן עונה על הדרכים השונות בהן AI תתקשר עם תהליכים מונעי נתונים. אולי הפופולריות ביותר היא TensorFlow של גוגל ופלטפורמת מליסה שנבנתה לסביבת המחשוב ברמת הכניסה Raspberry Pi. שתיהן מספקות תכנית AI על ההפעלה קלה, אם כי מליסה דורשת קצת יותר מיומנות בשפות תכנות כמו פייתון.
כמו כן, ישנם שירותים כמו Wit.ai ו- Api.ai שמשתמשים בזיהוי קולי כדי להמיר פקודות מילוליות. הם מעסיקים גם אלמנטים תכנותיים פשוטים הנקראים "כוונות" ו"ישויות "המשמשים להגדרת הפעולה שיש לנקוט ואת המכשיר ו / או השירות שיש לבצע. באופן זה, מפתחים יכולים להורות למנוע ה- AI להסיר נתונים מכונן A ולהדביק אותם בכונן B. לשני וייט וגם לאפי יש סט תבניות משלהם למטרות וישויות, כך שרבים מהעבודה כבר נעשתה. עם זאת, מלבד iOS ואנדרואיד, הם נוטים לתמוך בשפות תכנות שונות, כאשר Wit נוטה לעבר רובי, פייתון, C וחלודה, וגיבוי Api Unity, C ++, Python ו- JavaScript.
תרגול מביא לשלמות
אף על פי שלעולם לא כואב ללמוד על AI באופן המסורתי - לקיחת כיתה, לימוד הניואנסים של הפלטפורמות השונות, לימוד פרקטיקות עבר - שינון מערכת עובדות מנותקות רק ייקח אותך עד כה, אומר בן המנר, סמנכ"ל הכספים של קגל. במקום זאת, גישה מעשית יותר היא לבחור בעיה מסוימת ביום העבודה שלך ולנסות להבין כיצד מערכת אוטומציה חכמה יכולה להקל על כך, אם לא לפתור אותה לגמרי. (למידע על כמה שימושים עדכניים עבור AI, ראה 3 דוגמאות מדהימות של בינה מלאכותית בפעולה.)
זה הרבה יותר קשה ממה שזה נשמע. הבעיה האידיאלית חייבת לכלול שלושה קריטריונים:
- עליו לכסות תחום שאתה מעוניין בו באופן אישי,
- עליו להשתמש בערכת נתונים זמינה המתאימה לטיפול בבעיה, ו
- הנתונים או קבוצת משנה רלוונטית חייבים לשבת בנוחות בתוך מחשב בודד.
לאחר שזיהית בעיה מתאימה, המנר אומר שהגיע הזמן לבצע גרזן מהיר ומלוכלך - שום דבר מפואר, מספיק כדי לספק פתרון מקצה לקצה לבעיה הבסיסית. זה אמור לכסות שלבים כמו קריאת הנתונים, המרתם למשהו שאלגוריתם למידת מכונה יכול להבין, הכשרה של מודל בסיסי, יצירת תוצאה והערכת ביצועים.
לאחר השלמת קו הבסיס התפקודי הזה, תמיד תוכלו לחזור ולשפר כל רכיב, אולי על ידי בחינת שורות בודדות והדמיית חלוקות בכדי לקבל הבנה טובה יותר של מבנה וחריגות. במקרים רבים, תמצא כי שיפור שלבי ניקוי הנתונים ועבודות הכנה מראש מניבים תוצאות טובות יותר מאשר מיטוב אופטימיזציה של דגמי למידת המכונה.
זה גם עוזר לראות מה אחרים עושים עם AI כרגע ואז אולי לשתף את היצירות שלך בפומבי כדי לטפח התפתחות נוספת. גוגל הקימה לאחרונה ארגז חול של AI בשם AI Experiments שמציע קוד קוד פתוח ומשאבים אחרים שיעזרו לך להתחיל בתוספת חלון ראווה להתפתחויות AI בתחומי אמנות, שפה, מוסיקה ותחומים אחרים. בנוסף ל- TensorFlow ו- API של Cloud ML, האתר כולל גרסה של מעבדת המשחקים DeepMind 3D ומערך אפליקציות ותסריטים openFrameworks לפיתוח כלים למידת מכונה ב- C ++.
השינוי הגדול ביותר שהבינה המלאכותית תביא לכוח העבודה בידע, וב- IT בפרט, הוא הסרת כל המשימות הרבות והחוזרות על עצמן המהוות את עיקר יום העבודה. אך אל תטעו, ה- AI לא יפטר את בני האדם, וגם לא יאפשר לאנושות לחיות חיי פנאי בזמן שמכונות עושות את כל העבודה.
יהיה מספיק כדי להחזיק את המוח האנושי בכלכלה מונעת AI, אך זה יקיף במידה רבה את הפרויקטים היצירתיים והאינטואיטיביים שאלגוריתמים מתמטיים לעולם לא יוכלו לשלוט בהם.
עם AI כשותף, צפו מיום העבודה להיות מעניין ומתגמל יותר עבור יחידים, בעוד שהארגונים שהם משרתים צריכים לראות ערך רב יותר מפעילות אנושית ופרודוקטיביות גבוהה יותר בסך הכל.