Искусственный интеллект-это будущее…Итак, Как Же Это Работает?

Опубликовано: 09/01/2021 Время на прочтение: 5 минут

София-робот из Hanson Robotics, который демонстрирует, как искусственный интеллект может быть использован в будущем. Sophia humanoid robot-Word Investment Forum 2018 (44775984264) by UN Photo имеет лицензию CC BY-SA 2.0

Независимо от того, о чем вы подумали, прежде чем обсуждать плюсы и минусы искусственного интеллекта (или, для краткости, ИИ), важно иметь общее представление о том, что такое ИИ.

Я собираюсь кратко объяснить две важные темы в мире искусственного интеллекта:машинное обучение и неконтролируемое обучение.

Если вы уже считаете себя экспертом по АИ, то эта статья может послужить вам освежающим напоминанием. В противном случае включите себя и добро пожаловать в мир искусственного интеллекта!

Машинное Обучение

К сожалению, некоторые проблемы слишком велики, чтобы люди могли указывать машинам, что делать. Вот тут-то и вступает в игру машинное обучение!

Вы можете думать о машинном обучении, как о посещении школы. Студент учится на фактах, готовится к тесту, проходит тест, а затем использует эту информацию вне класса. Это очень похоже на процесс машинного обучения!

Предположим, мы хотим создать модель, которая просит машину отличить, показывают ли ей изображение блинов или вафель.

Первое, что мы можем сделать, это собрать данные по каждому из них. Например, мы можем собрать толщину каждой пищи в сантиметрах и время, необходимое для приготовления пищи, в минутах.

Затем мы хотим собрать эти данные с еще одной информацией: является ли еда блином или вафлей, конечно! Как только мы это сделаем, у нас будет то, что мы называем обучающими данными.

Далее мы переходим к подготовке данных. Именно здесь мы, как вы уже догадались, готовим данные для этапа обучения (который, конечно, мы вскоре обсудим). Например, вы можете рандомизировать строки таблицы с нашими данными, так как мы хотим, чтобы на определение пищи нашей машиной не влиял элемент, который находится до и после нее.

Следует отметить, что мы должны получить примерно одинаковое количество данных о блинах и вафлях, чтобы убедиться, что они работают в реальном мире. Я имею в виду, что вы не хотите давать машине 99 блинов для тренировки и только 1 вафлю, потому что это затруднит машине точное угадывание при тестировании.

Отнеситесь к подготовке данных серьезно. Если подготовка данных не будет выполнена должным образом, это может разрушить всю модель. Фото создателей кампании на Unsplash

Возвращаясь к процессу, 80% данных будут использоваться для обучения, а 20% — для оценки. Подумайте об этом так: мы не хотим использовать одни и те же данные для оценки, потому что машина может просто запомнить вопросы.

В школе вопросы по тестам никогда не совпадают с вопросами по домашним заданиям учеников. Если бы это было так, студенты могли бы просто запомнить вопросы Для теста! Мы не хотим этого для студентов или машин.

Затем мы выберем модель для тренировок. Различия между различными типами моделей мы обсудим во второй половине статьи. А пока просто осознайте, что вы можете выбрать модель под наблюдением или модель без контроля.

Дальше идет тренировка. Основная идея обучения заключается в том, что мы хотим постепенно улучшить способность модели различать блины и вафли.

Метод обучения заключается в том, что мы корректируем некоторые значения, позволяем машине сделать предположение, а затем сравниваем ее предсказания с ответами, которые мы знаем. В этом случае мы будем регулировать толщину пищи и время, необходимое для ее приготовления.

Увидев, как работает машина, мы корректируем значения, чтобы сделать прогнозы машины более точными. Один из таких циклов называется тренировочным шагом. Мы продолжаем тренироваться до тех пор, пока не убедимся в способности машины различать эти два вида пищи.

Когда вы учитесь ездить на велосипеде, вы продолжаете практиковаться, пока не убедитесь, что можете ездить самостоятельно. Вы не можете просто ездить самостоятельно после одной попытки! Это относится и к обучению машины.

После завершения обучения мы используем оценку, чтобы проверить нашу машину на данных, которые никогда не использовались для обучения. Предполагается, что это отражает то, насколько хорошо наша модель будет работать в реальном мире.

Один из последних шагов называется настройкой параметров. На этом этапе мы посмотрим, сможем ли мы улучшить модель. Это означает, что мы меняем некоторые факторы, которые вошли в обучение. Например, мы можем изменить количество шагов обучения, которые мы должны выполнить.

Точно так же, как настройка гитары делает ее звучание лучше, настройка параметров сделает вашу модель лучше. Это решающий шаг. Фото Алексиса Байдуна на Unsplash

Наконец-то настал момент, которого мы так долго ждали! Мы можем протестировать модель в реальном мире! Приготовьте эти кухни, потому что нам понадобятся блины и вафли!

Без присмотра и Контролируемое Обучение

Два популярных метода машинного обучения-это неконтролируемое и контролируемое обучение. Я собираюсь объяснить основную идею каждой из этих техник, обсудить потенциальные проблемы с каждой из них и исследовать потенциальное решение этих проблем.

Неконтролируемое Обучение

Когда вы используете неконтролируемое обучение, это означает, что вы работаете с данными, которые не помечены. Например, глядя на наш предыдущий пример с блинами и вафлями, мы можем получить информацию о толщине пищи и времени, необходимом для приготовления, но наши данные обучения не говорят нам, является ли пища на самом деле блином или вафлей.



прокрутка вверх