AI e apprendimento automatico

L'intelligenza artificiale (AI) e il machine learning (ML) sono due tipi di soluzioni software intelligenti che incidono sul modo in cui la tecnologia passata, attuale e futura è progettata per imitare qualità più simili alle persone.

Alla base, l'intelligenza artificiale è una soluzione tecnologica, un sistema o un computer che ha lo scopo di imitare l'intelligenza umana per eseguire i task e migliorare costantemente se stessa in base alle informazioni che raccoglie.

Il machine learning è un sottoinsieme dell'AI che si concentra sulla creazione di un sistema software che possa apprendere o migliorare le performance in base ai dati che consuma. Ciò significa che ogni soluzione di machine learning è una soluzione AI, ma non tutte le soluzioni AI sono soluzioni di machine learning.

L'intelligenza artificiale, l'apprendimento automatico e l'apprendimento approfondito a confronto

Intelligenza artificiale (AI). Machine Learning. Deep learning. Anche se questi termini stanno diventando sempre più mainstream, a molte persone si sentono ancora come il soggetto di un film di fantascienza. Semplifichiamo le cose e proviamo la definizione di una riga di ogni termine:

• Intelligenza artificiale (AI): azioni informatiche che imitano il processo decisionale umano sulla base di esperienze e dati appresi.
• Machine Learning (ML): processi che consentono ai computer di trarre conclusioni dai dati. ML è un sottoinsieme dell'intelligenza artificiale che consente AI computer di apprendere al di fuori della programmazione.
• Deep learning: processi che consentono ai computer di risolvere problemi molto complessi. Deep learning è un sottoinsieme di ML che rende fattibili i calcoli nelle reti neurali multistrato.

Storia dell'AI

L'idea stessa dell'intelligenza artificiale risale agli anni 1950 con l'avvento di tecniche e capacità computazionali nelle macchine. L'obiettivo era semplice: andare oltre l'utilizzo di un computer come mezzo di calcolo e effettivamente guidare il processo decisionale.

Ciò significava che i computer dovevano andare oltre il calcolo delle decisioni in base ai dati esistenti; dovevano andare avanti con una visione più ampia di varie opzioni per un ragionamento deduttivo più calcolato. Come questo è praticamente realizzato, tuttavia, ha richiesto decenni di ricerca e innovazione. Una semplice forma di intelligenza artificiale sta costruendo sistemi basati su regole o esperti. Tuttavia, l'avvento di una maggiore potenza del computer a partire dagli anni 1980 ha significato che il machine learning avrebbe cambiato le possibilità di AI.

L'evoluzione del machine learning

Decisioni basate su regole elaborate per situazioni più semplici con variabili chiare. Anche gli scacchi simulati al computer si basano su una serie di decisioni basate su regole che incorporano variabili come quali quali i pezzi che si trovano sul bordo, quali posizioni si trovano in, e quale turno è. Il problema è che tutte queste situazioni richiedevano un certo livello di controllo. Ad un certo punto, la capacità di prendere decisioni basate semplicemente su variabili e se / poi le regole non hanno funzionato.

Il trucco, quindi, era quello di imitare COME gli umani impararono.

Negli anni 1980 è stato introdotto il Machine Learning con l'idea che un algoritmo possa elaborare grandi volumi di dati, quindi iniziare a determinare le conclusioni in base ai risultati ottenuti. Ad esempio, se a un algoritmo di apprendimento automatico è stato assegnato un grande volume di transazioni con carta di credito con regole if/then per contrassegnare le frodi, potrebbe quindi iniziare a identificare i fattori secondari che hanno creato un pattern, ad esempio quando un account acquista qualcosa in ore insolite o in negozi in un'ubicazione geografica diversa.

Tale processo richiedeva set di dati di grandi dimensioni per iniziare a identificare i pattern. Tuttavia, mentre i set di dati che contengono caratteri alfanumerici, formati e sintassi chiari potrebbero aiutare l'algoritmo interessato, altri task meno tangibili come l'identificazione delle facce in un'immagine hanno creato problemi.

Nel 2000, la tecnologia ha fatto un altro passo avanti e la soluzione a questo era quella di creare una metodologia di apprendimento che imita il cervello umano.

Approfondimento e apprendimento automatico a confronto

Il deep learning funziona suddividendo le informazioni in relazioni interconnesse, rendendo sostanzialmente deduzioni basate su una serie di osservazioni. Attraverso la gestione dei dati e dei pattern dedotti dal machine learning, il deep learning crea una serie di riferimenti da utilizzare per il processo decisionale. Come nel caso del machine learning standard, più grande è il data set per l'apprendimento, più perfeziona i risultati del deep learning.

Un modo semplice per spiegare il deep learning è che consente di adottare indizi di contesto imprevisti nel processo decisionale. Considera come un bambino impara a leggere. Se vedono una frase che dice "I carri vanno velocemente", possono riconoscere le parole "auto" e "go" ma non "fast". Tuttavia, con qualche pensiero, possono dedurre l'intera frase a causa di indizi di contesto. "Fast" è una parola che probabilmente avranno sentito in relazione alle automobili prima, l'illustrazione può mostrare linee per indicare la velocità, e possono sapere come le lettere F e A funzionano insieme. Questi sono i singoli elementi, come "riconosco quella lettera e so come suona?" Ma quando messo insieme, il cervello del bambino è in grado di prendere una decisione su come funziona e leggere la frase. E a sua volta, questo rafforzerà come dire la parola "veloce" la prossima volta che lo vedono.

Ecco come funziona il deep learning, eliminando vari elementi per prendere decisioni di apprendimento automatico su di loro, quindi guardando in che modo sono interconnessi per dedurre un risultato finale.

Software di intelligenza artificiale

Il software di intelligenza artificiale può utilizzare il processo decisionale e l'automazione basati su machine learning e deep learning per aumentare l'efficienza di un'organizzazione. Dalla modellazione predittiva alla generazione dei report all'automazione dei processi, l'intelligenza artificiale può trasformare il funzionamento di un'organizzazione, migliorando l'efficienza e la precisione. Oracle Cloud Infrastructure (OCI) fornisce la base per la gestione dei dati basata su cloud basata su AI e ML.