自从计算机或机器的发明以来,它们执行各种任务的能力经历了指数级增长。人类已经开发出计算机系统的功能,包括各种工作领域,它们的速度越来越快,并且随着时间的推移缩小了尺寸。
计算机科学的一个分支,名为人工智能,追求创造像人类一样聪明的计算机或机器。
人工智能的基本概念(AI)
根据人工智能之父约翰麦卡锡的说法,它是“制造智能机器的科学与工程,特别是智能计算机程序”。
人工智能是一种使计算机,计算机控制的机器人或软件智能地思考的方式,其方式与智能人类的思维方式类似。人工智能是通过研究人类大脑如何思考以及人类在尝试解决问题时如何学习,决定和工作,然后将本研究的结果用作开发智能软件和系统的基础来实现的。
在充分利用计算机系统的力量的同时,人类的好奇心使他想知道“机器能像人类一样思考和行为吗?”
因此,人工智能的发展始于在我们发现并在人类中高度重视的机器中创造类似的智能。
学习人工智能的必要性
我们知道AI追求创造像人类一样聪明的机器。我们研究AI的原因有很多。原因如下 –
AI可以通过数据学习
在我们的日常生活中,我们处理的是大量的数据,人类的大脑无法跟踪这么多的数据。这就是我们需要自动化的原因。为了实现自动化,我们需要研究AI,因为它可以从数据中学习,并且可以准确无误地完成重复性任务。
AI可以自学
系统应该自学,因为数据本身不断变化,并且必须不断更新从这些数据中获得的知识。我们可以使用AI来实现这一目的,因为启用AI的系统可以自学。
AI可以实时响应
借助神经网络的人工智能可以更深入地分析数据。由于这种能力,AI可以根据实时情况思考和响应情况。
AI实现准确性
在深度神经网络的帮助下,AI可以实现极高的准确性。AI帮助医学领域从患者的MRI中诊断癌症等疾病。
AI可以组织数据以最大限度地利用它
数据是使用自学习算法的系统的知识产权。我们需要AI以一种始终提供最佳结果的方式索引和组织数据。
了解情报
使用AI,可以构建智能系统。我们需要了解智力的概念,以便我们的大脑可以构建像自己这样的另一个智能系统。
什么是情报?
系统计算,推理,感知关系和类比的能力,从经验中学习,存储和检索记忆中的信息,解决问题,理解复杂的想法,流利地使用自然语言,分类,概括和适应新情况。
智力类型
正如美国发展心理学家霍华德加德纳所描述的那样,情报来自多方面 –
Sr.No | Intelligence & Description | Example |
---|---|---|
1 | 语言智能
能够说,识别和使用音韵(语音),语法(语法)和语义(意义)的机制。 |
讲述者,演说家 |
2 | 音乐情报
能够创造,交流和理解声音,对音高,节奏的理解。 |
音乐家,歌手,作曲家 |
3 | 逻辑数学智能
在没有动作或对象的情况下使用和理解关系的能力。它也是理解复杂和抽象概念的能力。 |
数学家,科学家 |
4 | 空间智能
能够感知视觉或空间信息,改变它,并在不参考物体的情况下重新创建视觉图像,构建3D图像,以及移动和旋转它们。 |
地图读者,宇航员,物理学家 |
五 | 身体运动智能
能够使用完整或部分身体来解决问题或时尚产品,控制精细和粗糙的运动技能,以及操纵物体。 |
球员,舞者 |
6 | 个人智慧
能够区分自己的感受,意图和动机。 |
Gautam Buddhha |
7 | 人际交往情报
能够识别和区分其他人的感受,信念和意图。 |
大众传播者,采访者 |
您可以说机器或系统在其中至少配备了一个或所有智能时是人工智能的。
什么是智力组成?
情报是无形的。它由 – 组成 –
- 推理
- 学习
- 解决问题
- 知觉
- 语言智能
让我们简要介绍一下所有组件 –
推理
正是这一系列过程使我们能够为判断,决策和预测提供依据。大致有两种类型 –
归纳整理 | 演绎整理 |
---|---|
它进行具体的观察,以作出广泛的一般性陈述。 | 它首先是一般性陈述,并探讨了达成具体逻辑结论的可能性。 |
即使所有前提在陈述中都是正确的,归纳推理也允许结论是错误的。 | 如果某类事物的某些事情是正确的,那么该类的所有成员也是如此。 |
例子 – “妮塔是老师。尼塔很好学。因此,所有老师都很好学。” | 例子 – “所有60岁以上的女性都是祖母.Shalini是65岁。因此,Shalini是一位祖母。” |
学习
人类,特定动物物种和启用AI的系统具有学习能力。学习分类如下
听觉学习
它通过听和听来学习。例如,学生听录音带讲座。
情节学习
通过记住一个人目睹或经历过的事件序列来学习。这是线性和有序的。
运动学习
它通过精确的肌肉运动来学习。例如,挑选对象,书写等
观察学习
通过观察和模仿他人来学习。例如,孩子试图通过模仿她的父母来学习。
感性学习
它正在学习识别以前见过的刺激。例如,识别和分类对象和情境。
关系学习
它涉及学习基于关系属性而不是绝对属性来区分各种刺激。例如,在烹饪土豆时添加“少一点”的盐,上次加入咸味时,加入一汤匙盐煮熟。
- 空间学习 – 通过视觉刺激学习,例如图像,颜色,地图等。例如,一个人可以在实际跟随道路之前记住路线图。
- 刺激 – 反应学习 – 学习在存在某种刺激时执行特定行为。 例如,一只狗在听到门铃时抬起耳朵。
解决问题
这是一个过程,在这个过程中,人们通过采取一些被已知或未知障碍阻挡的路径来感知并试图从当前情况得出所需的解决方案。
解决问题还包括 决策制定 ,这是从多种替代方案中选择最合适的替代方案以达到预期目标的过程。
知觉
它是获取,解释,选择和组织感官信息的过程。
感知假设 感知 。在人类中,感知由感觉器官辅助。在AI领域,感知机制以有意义的方式将传感器获取的数据放在一起。
语言智能
这是一个人使用,理解,说话和写作口头和书面语言的能力。这在人际交往中很重要。
人工智能有什么参与
人工智能是一个广泛的研究领域。该研究领域有助于找到解决现实世界问题的方法。
现在让我们看看AI中不同的研究领域 –
机器学习
它是人工智能最受欢迎的领域之一。该领域的基本概念是使机器从数据中学习,因为人类可以从他/她的经验中学习。它包含学习模型,在此基础上可以对未知数据进行预测。
逻辑
这是另一个重要的研究领域,其中使用数学逻辑来执行计算机程序。它包含执行模式匹配,语义分析等的规则和事实。
搜索
这个研究领域主要用于象棋,井字游戏等游戏。搜索算法在搜索整个搜索空间后提供最佳解决方案。
人工神经网络
这是一个高效计算系统网络,其核心主题是从生物神经网络的类比中借鉴而来。ANN可用于机器人,语音识别,语音处理等。
遗传算法
遗传算法有助于在多个程序的帮助下解决问题。结果将基于选择最适合的。
知识表示
这是一个研究领域,借助它我们可以用一台机器可以理解的机器来表示事实。表示知识的效率更高; 更多的系统将是智能的。
人工智能的应用
在本节中,我们将看到AI支持的不同字段 –
赌博
AI在诸如国际象棋,扑克,井字游戏等战略游戏中起着至关重要的作用,其中机器可以基于启发式知识来思考大量可能的位置。
自然语言处理
可以与理解人类所说的自然语言的计算机进行交互。
专家系统
有些应用程序集成了机器,软件和特殊信息,以传授推理和建议。它们为用户提供解释和建议。
视觉系统
这些系统理解,解释和理解计算机上的视觉输入。例如,
- 间谍飞机拍摄照片,用于计算空间信息或区域地图。
- 医生使用临床专家系统来诊断患者。
- 警方使用的计算机软件可以识别法庭艺术家所存储的肖像,从而识别犯罪者的脸部。
语音识别
一些智能系统能够在人类与之对话的同时,通过句子及其含义来听取和理解语言。它可以处理不同的重音,俚语,背景噪音,寒冷引起的人体噪音变化等。
手写识别
手写识别软件通过笔或笔在屏幕上读取写在纸上的文本。它可以识别字母的形状并将其转换为可编辑的文本。
智能机器人
机器人能够执行人类给出的任务。它们具有传感器,用于检测来自现实世界的物理数据,例如光,热,温度,运动,声音,碰撞和压力。他们拥有高效的处理器,多个传感器和巨大的内存,以展示智能。此外,他们能够从错误中吸取教训,并能适应新的环境。
认知建模:模拟人类思维过程
认知建模基本上是计算机科学中的研究领域,涉及研究和模拟人类的思维过程。人工智能的主要任务是让机器像人一样思考。人类思维过程最重要的特征是解决问题。这就是为什么或多或少的认知建模试图理解人类如何解决问题的原因。之后,该模型可用于各种AI应用,如机器学习,机器人,自然语言处理等。以下是人类大脑不同思维水平的图表
代理与环境
在本节中,我们将重点关注代理和环境以及这些对人工智能的帮助。
代理人
代理商是指通过传感器感知其环境并通过效应器对该环境起作用的任何事物。
- 一个 人的代理人 有感觉器官如眼,耳,鼻,舌和皮肤平行的传感器和其他器官如手,脚,嘴,用于效应。
- 甲 机器人剂 代替摄像机和用于传感器红外线测距仪,和各种马达及致动器用于效应器。
- 一个 软件代理 已编码的比特串作为它的方案和行动。
环境
某些程序在完全 人为的环境中 运行,仅限于键盘输入,数据库,计算机文件系统和屏幕上的字符输出。
- 相比之下,一些软件代理(软件机器人或软机器人)存在于丰富的无限软机器人域中。模拟器具有 非常详细,复杂的环境
软件代理需要实时从一系列动作中进行选择软件机器人旨在扫描客户的在线偏好,并向 真实 和 人工 环境中的客户展示有趣的项目