Sztuczna inteligencja oparta o koncepcje uczenia maszynowego posiada funkcje automatycznego uczenia przy wykorzystaniu odpowiedniej ilości danych i zasobów mocy obliczeniowej.
AI na podstawie danych (doświadczeń) przewiduje podczas procesu podejmowania działań, następnie analizuje i przetwarza wyniki (uczenie maszynowe). Zdolność realizacji zadań przez maszyny, które ludzie uznają „za inteligentne” przypisywana jest koncepcji sztucznej inteligencji.
Sztuczna inteligencja oparta na koncepcji uczenia maszynowego
Istnieje wiele sposobów osiągnięcia sztucznej inteligencji, ale główną koncepcją będącą siłą napędową sztucznej inteligencji jest uczenie maszynowe.
Maszyna przy użyciu zdolności myślowych uczy się poprzez zdobywanie doświadczenia, jako doświadczenia traktujemy tutaj informacje lub dane. Zdolności myślowe maszyny służące do uczenia ograniczone są ilością dostępnej mocy obliczeniowej.
Jak osiąga się sztuczną inteligencję?
Sprawienie, aby maszyny były zdolne do realizacji funkcji zbliżonych do umysłu i zmysłów człowieka jest możliwe poprzez zastosowanie:
Business Intelligence (BI)
Przy tym procesie przekształcamy zebrane dane do takiej formy, która może zostać do zwiększenia konkurencyjności – znajdywania najlepszego rozwiązania. Każdy problem lub spostrzeżenie są analizowane pod kątem znalezienia najlepszego rozwiązania.
BI dostarcza kompleksowych informacji i wspomaga proces podejmowania decyzji – poprzez efektywne eksploatowanie hurtowni danych zintegrowanych ze źródłami pochodzących z różnych systemów.
Big Data
Gdy magazynowanie danych stało się tańsze, rozpoczęte zostało zbieranie ogromnych ilości danych wymaganych do istotnych procesów uczenia maszynowego (np. deep learning).
Zebrane dane pochodzą najczęściej z niejednolitych źródeł, które mogą być nieuporządkowane lub częściowo / całkowicie uporządkowane (np. systemy transakcji biznesowych, bazy danych klientów, dane medyczne, dzienniki kliknięć internetowych, aplikacje mobilne, sieci społecznościowe, zbiory wyników badań naukowych, dane generowane przez maszyny i czujniki danych). Zbierane dane w surowej postaci są konwertowane do formy umożliwiającej dalszą szczegółową analizę.
Uczenie maszynowe
Uczenie maszynowe (ang. machine learning) jest to zdolność uczenia przy zastosowaniu specjalnych i specyficznych algorytmów przygotowanych w celu osiągnięcia oczekiwanych rezultatów.
Sztuczna inteligencja i uczenie maszynowe nie powinny być traktowane jako to samo. Są ze sobą ściśle połączone, ale uczenie maszynowe powinno być traktowane jako podzbiór – jeden z elementów niezbędnych do osiągnięcia sztucznej inteligencji.
Deep learning
Podkategoria uczenia maszynowego, oparta na zwiększaniu liczby przetwarzanych warstw danych w celu osiągania najlepszych wyników. Głębokie uczenie (ang. deep learning) polega na automatyzacji analiz predykcyjnych.
Najczęściej algorytmy uczenia maszynowego mają cechy linearne, a przy algorytmach deep learning są one ułożone hierarchicznie wedle rosnącej złożoności i zwiększania się ilości warunków, zmiennych, itd.. Podczas przetwarzania dane przechodzą przez wiele warstw przetwarzania – stąd pochodzi geneza określenia „głębokiego” uczenia.
Deep learning znajduje zastosowanie w aplikacjach analitycznych, przy przetwarzaniu NLP, tłumaczeniu języków (translator), diagnostyce medycznej, transakcjach giełdowych, bezpieczeństwie sieci czy rozpoznawaniu obrazów.