TensorFlow工具快速入门教程1人工智能简介

什么是AI？

具有执行认知功能（例如感知，学习，推理和解决问题）的能力的机器被认为具有人工智能。

当机器具有认知能力时，存在人工智能。人工智能的基准是关于推理，说话和视觉的人类水平。

AI有三个不同的级别：

  • 狭义的AI：当机器能够比人类更好地执行特定任务时，这是人工智能的当前水平。
  • 通用的人工智能：能够以与人类相同的准确度执行任何智力任务。
  • 强大的人工智能：人工智能在很多任务中可以击败人类。

人工智能几乎用于所有行业，据麦肯锡称，人工智能有可能在零售业中创造价值600亿美元的价值，与其他分析技术相比，银行业的增值价值增加了​​50％。在运输和物流方面，潜在的收入增长了89％。

如果一个组织将AI用于其营销团队，它可以自动执行重复的任务，使销售代表能够专注于建立关系，领导培育等任务。某公司每次销售代表打电话时，机器都会记录转录和分析聊天。 VP可以使用AI分析和推荐来制定获胜策略。

简而言之，AI提供了一种尖端技术来处理人类无法处理的复杂数据。 AI可自动执行冗余作业，使工作人员能够专注于高级增值任务。当人工智能大规模实施时，可以降低成本并增加收入。

人工智能简史

1956年，一群来自不同背景的前卫专家决定组织一个关于人工智能的夏季研究项目。四个聪明的头脑领导了这个项目; John McCarthy（达特茅斯学院），Marvin Minsky（哈佛大学），Nathaniel Rochester（IBM）和Claude Shannon（贝尔电话实验室）。

研究项目的主要目的是解决“学习的各个方面或任何其他智能特征，原则上可以如此精确地描述，可以使机器模拟它。”

首脑会议的提议：

  • 自动电脑
  • 编程？
  • 神经网络
  • 自我提升

这样，人工智能诞生了。

人工智能的类型

图片.png

  • 机器学习

从实例和经验中学习算法研究的艺术。

机器学习基于以下思想：在数据中存在一些能识别并用于未来预测的模式。

与硬编码规则的不同之处在于机器自己学习以找到这样的规则。

  • 深度学习 机器学习的一个子领域。深度学习并不意味着机器学习更深入的知识，而是使用不同的层来从数据中学习。模型的深度由模型中的层数表示。例如，用于图像识别的Google LeNet模型计为22层。

在深度学习中，学习阶段通过神经网络完成。神经网络是一种架构，其中层彼此堆叠。

  • 人工智能与机器学习

AI，即人工智能 - 是训练机器执行人工任务的科学。该术语在20世纪50年代发明的，当时科学家们开始探索计算机如何能够自己解决问题。

图片.png

人工智能是具有人类特性的计算机它可以毫不费力地无缝地计算我们周围的世界。人工智能是模仿人类能力的大科学。

机器学习是人工智能的独特子集，用于训练机器如何学习。机器学习模型寻找数据模式并试图得出结论。简而言之，机器不需要由人编程。程序员给出了一些例子，计算机将从这些样本中学习如何做。

AI在哪里使用?

  • 用于减少或避免重复性任务。例如，AI可以连续重复任务，而不会疲劳。
  • 改进了现有产品。在机器学习时代之前，核心产品正在建立在硬编码规则之上。公司引入了人工智能来增强产品的功能，而不是从头开始设计新产品。你可以想到Facebook的形象。几年前，您必须手动标记您的朋友。如今，在AI的帮助下，Facebook会给你进行朋友推荐。

AI用于所有行业，从营销到供应链，金融，食品加工部门。根据麦肯锡的一项调查，金融服务和高科技通信正在引领人工智能领域。

图片.png

AI为什么现在爆发？

图片.png

自九十年代以来，神经网络已经出版了Yann LeCun的开创性论文。然而，它开始在2012年左右成名。由其受欢迎的三个关键：硬件、数据、算法。

机器学习是一个实验领域，这意味着它需要有数据来测试新的想法或方法。随着互联网的蓬勃发展，数据变得更容易访问。此外，像NVIDIA和AMD这样的大公司已经为游戏市场开发了高性能图形芯片。

  • 硬件

在过去的二十年中，CPU已经逐渐强大，允许用户在任何笔记本电脑上训练一个小型的深度学习模型。但是，要处理计算机视觉或深度学习的深度学习模型，您需要功能更强大的机器。由于NVIDIA和AMD的投资，可以使用新一代GPU（图形处理单元 raphical processing unit）。这些芯片允许并行计算。这意味着机器可以在几个GPU上分离计算以加速计算。

例如，使用NVIDIA TITAN X，需要两天的时间来训练名为ImageNet的模型，而传统CPU需要几个星期。此外，大公司使用NVIDIA Tesla K80 GPU集群来训练的深度学习模型，它有助于降低数据中心成本并提供更好的性能。

图片.png

  • 数据

深度学习是模型的基础，数据是动力。没有数据，什么都做不了。最新技术推动了数据存储的发展。

互联网革命使得数据收集和分发可用于机器学习算法。Flickr，Instagram或任何其他带图像的网站上有数百万张带标签的图片。这些图片可用于训练神经网络模型以识别图片上的对象，而无需手动收集和标记数据。

人工智能与数据是黄金组合。当所有公司都拥有相同的技术时，拥有数据的公司将具有竞争优势。世界每天创造大约，即22亿千兆字节数据。

公司需要异常多样化的数据源才能找到模式，并在大量学习中学习。

图片.png

  • 算法 初级神经网络是一种简单的乘法矩阵，没有深入的统计特性。自2010年以来，已经取得了显着的发现，以改善神经网络。

人工智能使用渐进式学习算法让数据进行编程。这意味着，计算机可以自学如何执行不同的任务，如发现异常，成为聊天机器人。

参考资料

小结

人工智能和机器学习是两个令人困惑的术语。人工智能是训练机器模拟或复制人类任务的科学。科学家可以使用不同的方法来训练机器。在AI年代开始时，程序员编写了硬编码程序，即键入机器可以面对的每种逻辑可能性以及如何响应。当系统变得复杂时，管理规则变得困难。为了解决这个问题，机器可以使用数据来学习如何处理给定环境中的所有情况。

拥有强大AI的最重要特征是拥有足够的数据并具有相当大的异质性。例如，只要有足够的单词可供学习，机器就可以学习不同的语言。

AI是新的尖端技术。风险资本家正在投资数十亿美元的创业公司或人工智能项目。麦肯锡估计人工智能可以使每个行业至少达到两位数的增长率。

参考资料

links