Искусственный интеллект

1.

Ustud
y Uzinfocom
AI Lecture Series
Искусственный интеллект.
Лекция

2.

План лекции
01 Что умеет искусственный интеллект?
На что способен искусственный интеллект сегодня
и каков его потенциал.
02 Что ему для этого нужно?
Ресурсы и условия, необходимые для
работы искусственного интеллекта.
03 Типы искусственного интеллекта.
Общепринятая классификации искусственного
интеллекта по степени развития и
функциональности.
04 Вопросы и обсуждение.

3.

На что способен ИИ сегодня?
Создавать
Читать
Понимать
Писать
Управлять транспортом
Видеть
Играть
Давать рекомендации
Анализировать факты
Слушать
Говорить
Прогнозировать события
Ставить диагнозы
…

4.

Что необходимо
для работы ИИ?

5.

Данные
для обучения
Алгоритмы
машинного обучения
Вычислительные
ресурсы
Данные являются основой для
обучения и функционирования
ИИ. Качество, объем и
разнообразие данных
напрямую влияют на
способность ИИ адекватно
выполнять свои задачи. Для
разных приложений ИИ могут
потребоваться разные типы
данных, включая тексты,
изображения, звук и другие
форматы.
ИИ использует алгоритмы
машинного обучения для
анализа данных и принятия
решений на основе
обнаруженных
закономерностей. Существует
множество алгоритмов для
различных задач, от простых,
таких как линейная регрессия,
до сложных, как глубокое
обучение и нейронные сети.
Обучение моделей ИИ,
особенно в области глубокого
обучения, требует
значительных вычислительных
мощностей. Часто
используются
специализированные
графические процессоры и
тензорные процессоры,
которые оптимизированы для
быстрой обработки больших
объемов данных.

6.

Типы искусственного интеллекта.
Узкий или слабый ИИ
(Narrow AI or Weak AI)
Общий или сильный ИИ
(General AI or Strong AI)
Супер ИИ
(Super AI)
Выполняет конкретные
задачи или функции.
Способность мыслить,
осознавать, самообучаться.
Превосходит когнитивные
способности человека во всем.

7.

Классификация методов ИИ.
Машинное
обучение
Глубокое
обучение
Эволюционные
алгоритмы
Многоагентные
системы
Регрессионные модели,
деревья решений, случайные
леса, градиентный бустинг,
простые нейронные сети и др.
Подкласс нейронных сетей с
множеством слоев,
позволяющих модели
обучаться на очень сложных
данных (MLP, CNN, RNN, GAN
и т.д.).
Используют признаки теории
Дарвина (процессы
естественного отбора) для
построения
интеллектуальных систем.
Образуются из нескольких
взаимодействующих
интеллектуальных агентов.
Используются для решения
задач онлайн-торговли,
моделирование социальных
структур и др.
Методы нечеткой
логики
Экспертные
системы
Имитируют высокую степень
работы центральной нервной
системы человека, в отличие
от искусственных нейронных
сетей.
Методы этой группы основаны на
использовании знаний экспертов о
некоторой конкретной предметной
области. В пределах этой области,
экспертные системы способны
принимать решения на уровне
эксперта-профессионала.

8.

Искусственная нейронная сеть.
Нейрон (клетка головного мозга)
Математическая модель

9.

Архитектуры нейронных сетей.
CNN
ANN
GAN
RNN

10.

Вопросы и обсуждение