宁德生活圈

网站首页 科技 > 正文

在这里 我们来看看一些熟悉人工智能的方法

2021-09-22 00:17:59 科技 来源:
导读 人工智能即将到达您附近的数据中心,它可能会开始执行许多人类操作员花费大量时间完成的任务。然而,不要把这种不可避免的发展视为威胁。今

人工智能即将到达您附近的数据中心,它可能会开始执行许多人类操作员花费大量时间完成的任务。

然而,不要把这种不可避免的发展视为威胁。今天的IT工作者现在应该更好地学习AI的基础知识,这样当它到来时,就可以作为一种工具来提升人类对组织的价值,而不是取代它。

首先,它有助于理解有许多不同类型的人工智能可以提供各种功能。技术记者Michael Copeland认为,这项技术是一系列同心圆,而人工智能是最外层的圆,是一种更专业的形式,比如机器学习(ML)和深度学习。

不同之处在于每种人工智能形式的复杂性以及它们旨在实现的特定功能。

人工智能简史。

例如,人工智能的历史可以追溯到20世纪50年代,但它在本世纪初开始随着“狭义人工智能”的概念而聚集。这就是技术专注于图像分类和人脸识别等特定任务,但缺乏能力的地方。利用经验和其他数据输入,以人脑的方式发展其过程。

因此,我们需要转向机器学习,它使用算法来分析数据以预测其环境。使用ML,程序员不再需要手动编码系统应该采取的每一个动作,而是系统本身可以根据可用的数据来确定最佳的动作计划。然而,即使在这个阶段,“智能”一词的使用也非常宽松,因为它仍然需要大量的人力投入才能得出合理的结论。

这就是深度学习和神经网络发挥作用的地方。与机器学习不同,这些技术试图模仿人脑的操作。使用高级分层、链接和数据传播,他们以各种方式处理数据集,以产生给定结果的加权概率。由于这是一个非常繁重的计算工作量,所以在GPU和并行处理进入主流之前,这种级别的AI仍然处于次要地位并不奇怪。

可用平台。

后起之秀的AI程序员也应该熟悉市场上的领先平台。尽管有太多的解决方案日益膨胀,但一些更基本的系统为那些已经熟悉常见编程语言的人提供了相当简单的学习曲线。

Sitepoint.com列举了一些成熟的平台,每一个平台都迎合了AI和数据驱动过程之间的各种交互方式。也许最受欢迎的是谷歌的TensorFlow和Melissa平台,它们是为树莓Pi入门级计算环境构建的。两者都为AI编程提供了一个简单的入口点,尽管Melissa需要更多的Python编程语言技能。

此外,还有像Wit.ai和Api.ai这样的服务,它们使用语音识别将口头命令转换为文本。它们还使用称为“意图”和“实体”的简单编程元素,用于定义要采取的操作和要采取的设备和/或服务。这样开发者就可以指令AI引擎从驱动器A中删除数据,粘贴到驱动器B中,Wit和Api都有自己的意图和实体模板集,所以大部分工作已经完成。然而,除了iOS和安卓,它们往往支持不同的编程语言。Wit倾向于支持Ruby、Python、C和Rust,以及支持Unity、C、Python和JavaScript的API。

实践完美

Kaggle首席技术官Ben Hamner表示,用传统方式研究人工智能永远不会有坏处——研究课程、学习各种平台的细微差别、研究过去的实践——记住一系列不相关的事实只会带你走这么远。相反,更实用的方法是在工作日选择一个具体的问题,试着弄清楚如果不能完全解决,智能自动化系统如何缓解。

这比听起来要困难得多。一个理想的问题必须有三个标准:

它必须涵盖个人感兴趣的领域,

它必须使用非常适合解决问题的现成数据集。

或者相关的数据子集必须舒适地放置在机器中。

一旦你确定了一个合适的问题,哈姆纳说是时候成为一个快速而肮脏的黑客了——没有什么特别的东西足以为这个基本问题提供端到端的解决方案。这应该包括读取数据、将其转换为机器学习算法可以理解的东西、训练基本模型、创建结果和评估性能等步骤。

一旦这个功能基线完成,您可以随时返回并改进每个组件,也许可以通过检查单个行并可视化分布来更好地理解结构和异常。在许多情况下,您会发现改进数据清理和预处理步骤可以产生比优化机器学习模型更好的结果。

也有助于了解别人目前在做什么,然后公开分享你的创作,促进进一步发展。谷歌最近推出了一个名为AI实验的AI沙盒,提供开源代码等资源,帮助你入门,展示AI在艺术、语言、音乐等学科的发展。除了TensorFlow和Cloud ML API之外,该网站还提供了DeepMind 3D Game Lab版本以及一套用于开发C语言机器学习工具的openFrameworks应用程序和脚本.

人工智能将给知识型员工,尤其是IT带来的最大变化,就是消除了构成大部分工作日的所有死记硬背和重复性任务。但是不要搞错了,人工智能不会让人变得多余,也不会让人在机器完成所有工作的同时过着悠闲的生活。

在人工智能领域。

能驱动的经济中,人类的大脑将会有很多,但这很大程度上包含了数学算法永远无法掌握的创造性,直观的项目。

人工智能作为合作伙伴,希望工作日变得更有趣,并为个人带来回报,而他们服务的组织应该从人类活动和整体更高的生产力中看到更大的价值。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

免责声明: 本文由用户上传,如有侵权请联系删除!


标签: