2019年AI技术现状:综合指南

Poet

发表文章数:85

首页 » 人工智能 » 正文

AI技术可以分为3层。虽然我们可能会看到在算法设计以及这些算法对特定领域的应用不断改进阶跃变化的计算是可能的,如果突破可以在量子计算来实现。

  • 支持机器决策的算法包括人工神经网络(ANN),贝叶斯推理和进化计算。人工神经网络可以按其深度(即层数)和结构(即节点如何连接)进行分类。人工智能的最新进展是由于深度神经网络(也称为深度学习)。
  • 运行这些算法的计算技术:计算是AI的关键,由于自2010年代以来的深度学习,计算能力的进步推动了AI商业化的浪潮。
  • 这些算法在特定领域中的应用,包括强化学习,计算机视觉,机器视觉,自然语言处理(NLP),推荐系统。

人工智能算法

算法就像AI系统从数据中学习或做出决策的秘诀。算法设计的进步是人工智能发展的关键。

人工神经网络(ANN)

神经网络是一种流行的机器学习技术,其灵感来自人脑和大脑中的神经网络。

这些网络由相互连接的人工神经元组成。每个神经元都使用预定义的数学函数处理输入数据,并产生和输出,这些输出成为其他神经元的输入。可以将ANN分为输入层,隐藏层和输出层。使用给定的输入数据,计算神经元之间的系数,以最终获得准确的输出。

深度学习的先驱之一杰弗里·欣顿(Geoffrey Hinton)在最近的一次采访中以相当容易理解的术语解释了人工神经网络:

您具有相对简单的处理元素,它们是神经元的非常松散的模型。他们有连接,每个连接都有权重,可以通过学习来改变权重。神经元要做的是将连接上的活动乘以权重,将所有权重加起来,然后决定是否发送输出。如果总和足够大,它将发送输出。如果总和为负,则不发送任何内容。就是这样 而您所要做的就是将一千亿个权重成平方的平方的电线连接起来,然后找出如何改变权重,它将做任何事情。这只是您如何更改权重的问题。

数据科学家将这项技术用于决策,改进的预测,图像识别和机器人技术。

人工神经网络可以很深也可以很浅,可以有不同的结构

深度人工神经网络

浅层网络是50年代和60年代重要研究的重点,无法学习复杂的任务。例如,马文·明斯基(Marvin Minsky)和西摩·佩尔特(Seymour Papert)撰写的《感知器》一书证明了感知器(神经元)的单层甚至无法学习诸如XOR之类的简单逻辑功能。当时,机器的功能不足以训练深度网络,这一发现减少了对浅层人工神经网络的研究重点。

在2010年代,由于廉价的计算能力和GPU的出现,科学家们能够在合理的时间范围内训练深度网络。从那时起,对AI的研究一直集中在深度ANN(即深度学习)上。

人工神经网络的结构

深度网络可以建立在各种架构中。下面,我们解释一些最受欢迎/最有希望的体系结构。

递归神经网络

递归神经网络是递归神经网络(即,递归地将相同的权重集合应用于输入的网络),该递归神经网络被构造为使用一系列输入进行操作。递归神经网络的性能优于其他当前方法,尤其是在自然语言处理(NLP)任务中,预测依赖于先前的输入。例如,Android到2015年开始依赖它们进行文本到语音的合成。随意查看特斯拉AI高级总监Andrej Karpathy’s的有关RNN的文章,该文章涉及从编写莎士比亚风格的文章到Linux源代码的各种任务。

卷积网络
您是否考虑过Facebook如何准确建议您在照片中标记某人?Facebook如何检测照片中的那个特定人?
 
卷积神经网络是另一种网络体系结构,是该图像识别示例背后的思想。卷积是一种专门的线性运算。卷积网络是在其至少一层中使用卷积代替常规矩阵乘法的神经网络。
胶囊网络

胶囊网络旨在更紧密地模仿人类的大脑。这些网络由胶囊组成,每个胶囊包含一组神经元。胶囊同时工作时,胶囊中的每个神经元都具有特定的功能。这使胶囊网络可以并行执行任务。

胶囊网络的流行示例是人脸识别。建立胶囊网络以将内部信息保存在内存中。例如,在区分像下面两个图像这样的示例时,胶囊网络优于其他当前流行的方法。

深度学习的先驱者之一Geoffrey Hinton指出, 与以前的AI算法相比,胶囊网络将错误率降低了45%。

计算技术

人工智能需要学习的计算能力。没有强大的计算技术,AI代理可能无法为企业带来预期的结果。因此,开发人员旨在创建更强大的计算技术来提高AI性能。为此,他们可能会构建新技术或开发可处理更复杂工作的当前硬件

这些进步主要实现了增量增强。然而,量子计算是改变游戏规则的人,可以带来巨大的变化。随意阅读我们关于AI的未来的文章,以了解有关AI的量子计算和其他计算趋势的更多信息。

AI算法在特定领域中的应用

强化学习(RL)

在现实生活中,学习是动态的。我们进行实验,观察结果并进行新的实验。强化学习通过AI算法解决交互式学习环境。通过强化学习,AI代理可以与其环境互动,并采取连续的行动来最大化其收益。

与传统学习不同,RL不会寻找任何采取行动的模式。取而代之的是,它生成数值作为对预期结果的奖励,并做出顺序决策以最大化其总奖励。在此过程中,人工智能主体不断探索和更新自己的信念,就像人类从现实世界中的经验中学到的一样。

最著名的RL示例是Google的DeepMind AlphaGo,它在连续两场比赛中击败了世界排名第一的围棋选手柯洁。同样,RL也被广泛用于机器人技术,因为它也需要基于目标的探索。

计算机视觉

计算机视觉包括利用计算机感知和区分图像的技术。提高图像质量,图像匹配,对象识别和图像重建都是计算机视觉的子类别。这项技术的主要目标是使计算机理解并能够实现人类的视觉感知。

这些用例包括医疗保健中的肿瘤检测,军事中的无人机跟踪,情绪检测和车牌识别。使用面部识别功能解锁手机是计算机视觉的另一个日常生活示例。

自然语言处理(NLP)

自然语言处理(NLP)与AI代理如何感知人类语言有关。该技术涉及文本和语音识别,自然语言理解,生成和翻译。

NLP当前用于聊天机器人,网络安全,文章摘要,即时翻译,垃圾邮件检测和信息提取。

社交媒体是用于信息提取的常见NLP用例。例如,Cambridge Analytica依靠一些结构化的数据(如选民的喜好)来对美国选民进行臭名昭著的细分。用户的帖子包含有关这些用户偏好的更详细的数据,可以对其进行分析以进行更好的细分。这是随着时间的流逝越来越严格的法规使数据隐私的重要性日益增加的原因之一。

推荐系统

推荐系统旨在根据用户的先前信息来预测他们的未来偏好。这些信息可以包括一般信息,您喜欢的照片或购买的物品。这些系统使用户能够获得个性化的体验,并让他们发现自己感兴趣的新事物。

最常见的示例是Amazon,Netflix和Spotify,它们会根据您的使用记录向您推荐书籍,电影和音乐。

如果您想知道如何将AI应用于移动应用程序,可以阅读本文。

要了解有关这些AI技术在未来如何发展的更多信息,请随时阅读我们有关AI的未来的文章。

未经允许不得转载:作者:Poet, 转载或复制请以 超链接形式 并注明出处 RPA学习
原文地址:《2019年AI技术现状:综合指南》 发布于2019-10-29

分享到:
赞(1)

长按图片转发给朋友

网站公告

网站访客类型统计 2020-09-9

访客人群统计

查看结果

加载中 ... 加载中 ...

我已阅读
RPA学习社区 开通了
打造轻量级RPA学习论坛!专注于RPA学习探讨,与你一起成长。
切换注册

登录

忘记密码 ?

切换登录

注册