欧易

欧易(OKX)

国内用户最喜爱的合约交易所

火币

火币(HTX )

全球知名的比特币交易所

币安

币安(Binance)

全球用户最多的交易所

深刻理解AI(人工智能),你需要知道的名词

2023-02-06 14:17:14 71

摘要:1956年,约翰▪麦卡锡在达特茅斯大学设立了一个为期十周的研究项目,专注于他称之为"人工智能"的新概念。该活动包括许多将成为新兴领域巨头的研究人员,如Marvin Minsky,Nathaniel Rochester,Allen Newel...

1956年,约翰▪麦卡锡在达特茅斯大学设立了一个为期十周的研究项目,专注于他称之为"人工智能"的新概念。该活动包括许多将成为新兴领域巨头的研究人员,如Marvin Minsky,Nathaniel Rochester,Allen Newell,OG Selfridge,Raymond Solomonoff和Claude Shannon。

然而,对人工智能这一名词,却一直莫衷一是。它真的准确解释了这项技术吗?有没有更好的方式来表达?从那以后,我们看到了该领域大量词汇的创造,这些词汇经常定义复杂的技术和系统。结果是,很难理解所谈论的内容。

为了帮助人们更准确的描述和理解人工智能,让我们来看看你需要知道的一些AI词汇。

算法(Algorithm)

来自Dataiku的首席客户官Kurt Muehmel。

一系列的计算,从最简单的(使用铅笔和纸张的长除法)到最复杂的。例如,机器学习使用算法来处理数据,发现隐藏在数据中的规则,然后将其编码在可用于对新数据进行预测的"模型"中。

机器学习(Machine Learning)

来自霍塞因·拉纳马博士,Flybits共同创始人兼CEO。

传统编程涉及指定一系列指令,这些指令指示计算机确切地做什么。另一方面,机器学习是不同的编程范例,其中工程师提供包括程序的预期输出对于给定输入应该是什么的示例。然后,机器学习系统探索所有可能的计算机程序的集合,以便找到最接近地生成相应输入数据的预期输出的程序。因此,利用该编程范例,工程师不需要弄清楚如何指示计算机完成任务,只要它们具有足够数量的示例以供系统识别搜索空间中的正确程序。

神经网络(Neural Networks)

来自Real Gretworks的计算机视觉副总裁兼总经理Dan Grimm。

神经网络是数学结构,模仿人类大脑的结构,将复杂信息概括为简单有形的结果。就像我们训练人类的大脑一样,例如,学会控制我们的身体以便行走,这些网络也需要接受大量数据的训练。在过去五年中,这些网络的分层和可用于训练它们的计算能力取得了巨大进步。

深度学习(Deep Learning)

来自DarwinAI的首席执行官Sheldon Fernandez。

深度学习是一种专门的机器学习形式,基于模仿人类思维认知能力的神经网络。深度学习是机器学习机器学习对人工智能的影响 - 不是其标的的唯一表现,而是通常最强大和最引人注目的版本。

在实践中,能够执行复杂任务的深度学习网络是:

1.)许多层深,有数百万,有时是数十亿输入(因此"深");

2.)使用现实世界的例子训练,直到他们熟练掌握当前的任务(因此"学习")。

可解释性(Explainability)

来自Appian的CTO和创始人Michael Beckley。

可解释性是知道为什么AI认定为欺诈而拒绝您的信用卡支付,拒绝您的保险索赔,或混淆卡车的侧面与多云的天空。

可解释性对于在AI驱动的软件中建立信任和透明度是必要的。AI深度学习的强大功能和复杂性使得预测和决策难以向客户和监管机构解释。

随着我们对用于训练AI算法的数据集中潜在偏差的理解的增长,我们对AI系统中更大可解释性的需求也在增长。为了应对这一挑战,企业可以使用低代码平台等工具将人员置于循环中,并管理AI在重要决策中的使用方式。

监督,无监督和强化学习(Supervised, Unsupervised and Reinforcement Learning)

来自PROS科学与研究经理Justin Silver。

机器学习有三大类:监督,无监督和强化学习。

在有监督的学习中,机器观察一组案例(将"案例"视为"天气寒冷多雨"的场景)及其结果(例如,"约翰将去海滩"),并学习规则以能够预测未观察到案例的结果。比如,在过去,约翰通常在寒冷和多雨的时候去海滩,将来机器会预测每当天气寒冷多雨时约翰很可能都会去海滩。

在无监督学习中,机器观察一组案例,而不观察这些案例的任何结果,并学习模式,使其能够将案例分类为具有相似特征的群体(不知道约翰是否去过海滩,机器得知"天气寒冷,多雨"类似于"正在下雪",但不是"外面很热")。

在强化学习中,机器设定目标采取行动,接收有关这些行动的反馈,并通过反复试验来采取行动,以更好地实现该目标(如果机器试图帮助约翰避免在寒冷多雨时去海滩,它可以给约翰建议是否去海滩,学习约翰的积极和消极反馈,并继续更新其建议)。机器得知"天气寒冷多雨"类似于"正在下雪"但不是"外面很热"。

偏差(Bias)

来自Hired的首席执行官Mehul Patel。

虽然您可能认为机器是客观的、公平的和一致的,但它们通常采用与构建它们的人类相同的无意识偏见。这就是为什么公司必须认识到数据标准化的重要性 - 意味着将在不同尺度上测量的值调整到一个共同的尺度 - 以确保人为偏差不会无意地引入到算法中。

以招聘为例:如果你给计算机一个包含100名女性候选人和300名男性候选人的数据集,并要求它预测最佳人选,那么由于男性人数是三倍,这将会增加男性候选人的数量。构建公平合理的技术可能具有挑战性,但它将确保为我们的决策和结果提供信息的算法能避免社会偏见。

反向传播(Backpropagation)

来自维多利亚琼斯,他是Zoho AI福音传教士。

反向传播算法允许神经网络从其错误中吸取教训。该技术从结果向预测回溯事件,并分析不同阶段的误差范围,以调整其下一次预测的方式。大约70%的AI助手(称为Zia)使用反向传播,包括Zoho Writer的语法检查引擎和Zoho Notebook的OCR技术,它让Zia识别图像中的对象并使这些图像可搜索。这项技术还使Zia的聊天机器人能够更准确,更自然地做出响应。企业使用Zia越多,Zia就越了解该企业的运营方式。这意味着Zia的异常检测和预测功能对任何特定业务都变得更加准确和个性化。

自然语言处理(NLP)

来自Courtney Napoles,Grammarly的语言数据经理。

NLP领域汇集了人工智能,计算机科学和语言学,其目标是教授机器以理解和处理人类语言。NLP研究人员和工程师为计算机构建模型,以执行各种语言任务,包括机器翻译,情感分析和书写增强。研究人员通常从分析文本语料库开始 - 这是一个庞大的句子集合,以AI算法可以理解的方式组织和注释。

教授机器来理解人类语言的问题,这具有高度的创造性和复杂性,可以追溯到人工智能本身的出现。语言已经发展了数千年,设计方法来理解人类文化的方面是NLP特别具有挑战性的任务,需要惊人的灵活性,精确度和洞察力。随着人工智能接近 - 特别是机器学习和被称为深度学习的ML的子集 - 在过去几年中得到发展,NLP已经进入了一个进步惊人的阶段,以前所未有的规模分析语言并构建可以建立友好关系进行交互的工具,这即使在十年前,复杂性也难以想象。

参考《人工智能基础:非技术导论》作者Tom Taulli的观点。

版权声明:本站所有文章皆是来自互联网,如内容侵权可以联系我们( 微信:bisheco )删除!

相关推荐

友情链接
币圈社群欧易官网