Yapay Zeka AI Hakkında Öğrenme'ye Nasıl Başlamalıyım?

Takeaway: Yapay zeka, teknolojideki en hızlı büyüyen alanlardan biridir, ancak bu konuda bilmesi gereken bir şey, nerede başlar? İşte size AI ile tanışmanın bazı yollarını inceliyoruz.

Yapay zeka yakınınızdaki bir veri merkezine geliyor ve büyük olasılıkla insan operatörlerinin zamanlarının büyük bir kısmını harcadıkları birçok görevi yerine getirmeye başlayacak.

Ancak bu kaçınılmaz gelişmeyi bir tehdit olarak görmekten ziyade, bugünün BT çalışanı şimdi AI'nın temellerini öğrenmek için daha iyi bir şey yapacaktır. Böylece, geldiğinde, insan çabasının değerini değiştirmek için bir araç olarak kullanılabilir. o.

İlk olarak, çeşitli işlevlere hizmet eden birçok farklı AI türü olduğunu bilmek yardımcı olur. Teknoloji muhabiri Michael Copeland , teknolojiyi bir dizi eşmerkezli daire olarak görüyor, AI en dışsal daire ve makine öğrenimi ML) gibi daha uzmanlaşmış formlar ve içinde derin bir öğrenmenin içine düşüyor.

Farklılıklar, her bir AI formunun sergilediği karmaşıklık seviyelerinde ve bunları etkinleştirmek için tasarladıkları spesifik işlevlerde yatar.

Örneğin, AI, 1950'li yıllara dayanan köklere sahip, ancak sadece bu darlığın “dar AI”konsepti ile bu kadar erken toplanmasına başladı . Bu, teknolojinin, görüntü sınıflandırması ve yüz tanıma gibi belirli görevleri tamamlamaya odaklandığı, ancak yeteneğin eksik olduğu yer. süreçlerini, insan beyninin yaptığı gibi deneyim ve diğer verileri kullanarak geliştirmek.

Bunun için, kullandığı makine öğrenimi, yönelmek gerek algoritmalar için ayrıştırmak çevresiyle ilgili tahminlerde veri. ML ile, programcılar artık bir sistemin alması gereken her eylemi elle kodlamaya ihtiyaç duymazlar , bunun yerine sistemin kendisi mevcut veriler dikkate alındığında en iyi eylemi belirleyebilir. Bununla birlikte, bu aşamada bile, “zeka” terimi çok gevşek bir şekilde kullanılmaktadır, çünkü ML'nin rasyonel sonuçlara varması için hala birçok insan girdisi gerektirmektedir.

Derin öğrenme ve sinir ağlarının devreye girdiği yer burasıdır . Makine öğrenmesinin aksine, bu teknolojiler insan beyninin işleyişini taklit etmeye çalışır. Gelişmiş katmanlama, bağlantı ve veri yayılımı kullanarak, veri setlerini belirli bir sonuç için ağırlıklı olasılıklar üretmek için çeşitli şekillerde işlerler. Bu, çok ağır bir hesaplama iş yükü olduğundan, GPU'lar ve paralel işlemenin ana akışa girmesine kadar, bu AI seviyesinin arka brülörde tutulması şaşırtıcı değildir .

Tomurcuklanan AI programcısı, piyasadaki lider platformlara da aşina olmalıdır. Çözümlerin bolluğu gün geçtikçe büyürken, daha temel sistemlerden bazıları ortak programlama dillerine aşina olanlar için oldukça kolay bir öğrenme eğrisi sunar .

Sitepoint.com , her biri AI'nin veriye dayalı süreçlerle etkileşime gireceği çeşitli yollara hitap eden daha yerleşik platformlardan bazılarını listelemiştir . Belki de en popüler olanı, Google'ın TensorFlow ve Raspberry Pi giriş seviyesi bilgi işlem ortamı için oluşturulmuş Melissa platformudur . Her ikisi de Python gibi programlama dillerinde biraz daha yetenekli olmasına rağmen, her ikisi de AI programlama için kolay bir rampa sağlar .

Ayrıca, sözel komutları metne dönüştürmek için ses tanıma özelliğini kullanan Wit.ai ve Api.ai gibi hizmetler de vardır . Ayrıca, alınacak eylemi tanımlamak için kullanılan “niyetler” ve “varlıklar” olarak adlandırılan basit programlama öğelerini ve harekete geçecek aygıt ve / veya hizmeti kullanırlar. Bu şekilde, geliştiriciler AI motoruna A sürücüsündeki verileri çıkarmaları ve B sürücüsüne yapıştırmaları için talimat verebilirler. Hem Wit hem de Api'nin amaç ve varlıklar için kendi şablonları grubu vardır, bu yüzden çalışmaların çoğu zaten yapılmıştır. Ancak, bir kenara gelen iOS ve Android'de , onlar Wit doğru eğilmiş olan, farklı programlama dilleri desteklemek eğiliminde Ruby , Python, Cve Pas ve Api destek Birlik, C ++ , Python ve JavaScript .

Kaggle CTO Ben Hamner , AI derslerini geleneksel yöntemlerle incelemeye asla yanaşmasa da - bir dersi almak, çeşitli platformların nüanslarını öğrenmek, geçmiş pratikleri çalışmak - bir dizi kopuk gerçekleri ezberlemek sizi ancak çok ileri götürecektir . Aksine, daha pratik bir yaklaşım, iş gününüzde belirli bir problemi seçmek ve akıllı bir otomasyon sisteminin bunu tamamen çözemezse nasıl azaltabileceğini anlamaya çalışmaktır.

Bu, göründüğünden çok daha zor. İdeal problemin üç kriteri olmalıdır:

• *Kişisel olarak ilgilendiğiniz bir alanı kapsamalıdır.
• *Sorunu ele almak için uygun olan bir hazır veri seti kullanmalı ve
• *Veri veya ilgili bir alt kümesi, tek bir makinede rahatça oturmalıdır.

Uygun bir problem belirledikten sonra, Hamner hızlı ve kirli bir hack yapmak için zaman olduğunu söylüyor - hiçbir şey fantezi, sadece temel sorun için uçtan uca bir düzeltme sağlamak için yeterli. Bu, verilerin okunması, bir makine öğrenimi algoritmasının anlayabileceği bir şeye dönüştürülmesi, temel bir modelin eğitilmesi, sonuç oluşturulması ve performansın değerlendirilmesi gibi adımları kapsamalıdır.

Bu fonksiyonel temel tamamlandığında, her bir bileşene her zaman geri dönüp geliştirebilirsiniz, belki de tek tek satırları inceleyerek ve dağılımları görselleştirerek yapı ve anomalileri daha iyi anlayabilmek için. Çoğu durumda, veri temizleme ve ön işleme adımlarını iyileştirmenin, makine öğrenim modellerini optimize etmekten daha iyi sonuçlar ürettiğini göreceksiniz .

Aynı zamanda, diğerlerinin AI ile neler yaptığını görmeye ve daha sonra belki de daha fazla gelişmeyi desteklemek için kreasyonlarınızı kamuya açık olarak paylaşmaya yardımcı olur. Google kısa bir süre önce AI kaynak denemeleri başlattı. Bu program size açık kaynak kodları ve başlamanıza yardımcı olacak diğer kaynaklar, artı sanat, dil, müzik ve diğer disiplinlerdeki AI gelişmeleri için bir vitrin sunuyor. TensorFlow ve Cloud ML API'sine ek olarak, site, DeepMind 3D oyun laboratuvarının bir sürümünü ve C + + 'da makine öğrenim araçlarını geliştirmek için bir dizi openFrameworks uygulaması ve betikleri içeriyor .

Yapay zekânın bilgi işgücüne getireceği en büyük değişiklik ve özellikle de IT, işgününün büyük kısmını oluşturan tüm tekrarlanan görevlerin ortadan kaldırılmasıdır. Ama hata yapmayın, AI insanları gereksiz hale getirmeyecek, makineler işini yaparken insanlığın boş zamanlarını yaşamalarına izin vermeyecek.

İnsan beyninin AI güdümlü bir ekonomide meşgul olması için bol miktarda olacak, ancak bu büyük ölçüde matematiksel algoritmaların asla ustalaşmayacağı yaratıcı, sezgisel projeleri kapsayacaktır.

Bir iş ortağı olarak AI ile birlikte, iş günlerinin bireyler için daha ilginç ve ödüllendirici olmasını beklerken, hizmet ettikleri kurumlar, insan faaliyetlerinden daha fazla değer ve genel olarak daha yüksek verimlilik sergilemelidir.