深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)

如果說機(jī)器學(xué)習(xí)是所謂弱人工智能的典型工具，那么深度學(xué)習(xí)就是強(qiáng)人工智能的參考學(xué)習(xí)技術(shù)。根據(jù)前面描述的理論概念前提，深度學(xué)習(xí)由受人腦功能啟發(fā)的學(xué)習(xí)模型組成。

它不是像ML 那樣嚴(yán)格基于輸入和輸出之間關(guān)系的訓(xùn)練方法，而是使用輸入來模擬人腦行為的系統(tǒng)。

這在任何方面都不足為奇，如果我們考慮一下有多少計算機(jī)技術(shù)無疑是受到自然界中實際存在的一些生物模型的結(jié)構(gòu)的啟發(fā)。算法設(shè)法復(fù)制合作機(jī)制的方式，例如鳥類的飛行，是非常令人著迷的。

該神經(jīng)網(wǎng)絡(luò)是網(wǎng)絡(luò)結(jié)構(gòu)的人工神經(jīng)元，幫助您實現(xiàn)典型的人類認(rèn)知的復(fù)雜的動作，比如看，說話，感覺和思考。這些現(xiàn)在是計算機(jī)科學(xué)中完全歷史化的概念，因為人工神經(jīng)元是由 McCulloch 和 Pitts 在 1943 年提出的，而神經(jīng)網(wǎng)絡(luò)是由 Rosenblatt 在 1958 年提出的。

的深度學(xué)習(xí)是基于所謂的深神經(jīng)網(wǎng)絡(luò)，其特征在于計算的許多層，基于大量水平的，如需要龐大的計算工作，以獲得類似的神經(jīng)連接的情形然而，人類大腦在很大程度上仍然未知。

由于重點往往放在保證輸出的計算能力的發(fā)展上，因此在創(chuàng)建輸入時也必須給予足夠的重視，這要歸功于從移動設(shè)備收集大量數(shù)據(jù)的能力，通常是從所有由于我們很容易接受各種設(shè)備上存在的應(yīng)用程序的使用政策，我們每天都與之交互的互連設(shè)備，即使是完全無意識的方式。

日益數(shù)字化的現(xiàn)實轉(zhuǎn)化為收集、存儲、分析和處理數(shù)據(jù)的巨大潛力。數(shù)據(jù)科學(xué)從未被要求在基于人工智能的應(yīng)用程序中發(fā)揮重要作用。

深度學(xué)習(xí)是基于所謂的“深層神經(jīng)網(wǎng)絡(luò)”，其特點是計算的多層次的基礎(chǔ)上，大量層次的，如需要龐大的計算工作量，以獲得類似的神經(jīng)連接的情況下的人類大腦。

NLP - 自然語言處理（自然語言識別和處理）

自然語言處理是一個復(fù)雜的應(yīng)用，它基于人工智能，但也基于計算機(jī)科學(xué)和語言學(xué)。它是所謂的強(qiáng)人工智能最廣泛的表達(dá)方式之一，它完美地體現(xiàn)了這一點，這要歸功于它不是為了解決特定方面的問題，而是在廣義上學(xué)習(xí)人類的語言交流，與哪些基于AI 的應(yīng)用程序是交互調(diào)用。

理解一門語言是一件非常復(fù)雜的事情，因為它不僅是一個知道如何管理詞匯、語法和句法規(guī)則的問題，而且還包括知道如何正確地將演講語境化，以便真正理解一個詞的含義。陳述。

NLP 學(xué)習(xí)方法顯然基于深度學(xué)習(xí)系統(tǒng)，旨在模擬人們理解對話內(nèi)容的方式。

一個NLP系統(tǒng)是基于一系列的嘗試找出并解決人類語言的所有含糊不清的步驟。分階段對于降低輸入數(shù)據(jù)中的錯誤風(fēng)險至關(guān)重要。在NLP 學(xué)習(xí)方法的主要階段中，我們發(fā)現(xiàn)了標(biāo)記化（將文本分成空格、單詞、標(biāo)點符號、句子等）、形態(tài)和詞匯分析、句法分析、NER（命名實體識別）、語義分析和語音分析。

自2000 年代初以來，自然語言處理的研究一直很活躍，但自2013 年以來已經(jīng)能夠達(dá)到可觀的成熟度，當(dāng)時神經(jīng)網(wǎng)絡(luò)隨著與以數(shù)字方式表示自然語言相關(guān)的技術(shù)的深入而傳播，其中每個單詞都是“轉(zhuǎn)換的””轉(zhuǎn)化為由向量空間模型管理的實數(shù)向量，神經(jīng)網(wǎng)絡(luò)架構(gòu)專門用于解決自然語言的識別和處理。

NLP 現(xiàn)在是許多應(yīng)用程序不可或缺的一部分，從自動翻譯到自動識別(OCR)，再到聊天機(jī)器人/虛擬助手，再到為出版物自動生成復(fù)雜文本，再到營銷中用于分析所謂用戶的情緒（情緒分析）。

從文本的理解和處理來看，NLP系統(tǒng)已經(jīng)非常成熟，但要打造能夠充分發(fā)揮通用人工智能潛力的智能系統(tǒng)，還有很多工作要做。

到目前為止，我們已經(jīng)看過一些科幻電影。想想她，華金·菲尼克斯與電腦建立了真正的浪漫關(guān)系，電腦的操作系統(tǒng)能夠完美地理解語言交流，并用斯嘉麗·約翰遜非常感性的聲音表達(dá)自己。

計算機(jī)視覺和圖像識別

人工視覺最吸引人的方面之一是基于圖像識別，即模擬人腦如何處理從眼睛接收到的信息，而不是眼睛本身的功能。

目標(biāo)是了解您所看到的。為了實現(xiàn)這一結(jié)果，需要能夠處理圖像的各個像素的學(xué)習(xí)方法，換句話說，將它們轉(zhuǎn)換為數(shù)字。

使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)的計算機(jī)視覺能夠模擬大腦視覺皮層的行為來處理大量圖像數(shù)據(jù)集，以便準(zhǔn)確識別和上下文化從“應(yīng)用程序”實時識別的圖像。

有很多基于計算機(jī)視覺的例子。最受歡迎的是面部識別 技術(shù)，被許多應(yīng)用程序使用，包括解鎖移動設(shè)備的過程，而不是訪問授權(quán)。

在計算機(jī)視覺的應(yīng)用中，還有面部識別技術(shù)，例如，用于解鎖移動設(shè)備的程序，而不是用于授權(quán)訪問。

在工業(yè)領(lǐng)域，計算機(jī)視覺例如用于質(zhì)量控制，而自動駕駛則使用它來識別標(biāo)志、其他車輛、行人以及汽車在行駛過程中可能遇到的所有潛在障礙。還有許多B2C 營銷應(yīng)用程序，也與增強(qiáng)現(xiàn)實技術(shù)合作。

可解釋的人工智能

所謂的可解釋人工智能（ExplainableAI）——也稱為“可解釋人工智能”或“XAI”——是一門新興學(xué)科（尤其是在機(jī)器學(xué)習(xí)領(lǐng)域特別相關(guān)），旨在澄清（實際上是解釋）關(guān)于算法的所謂“黑匣子”中發(fā)生的事情。簡而言之，可解釋人工智能是一組技術(shù)和工具，可以幫助人類理解基于人工智能技術(shù)（尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)）的自治系統(tǒng)如何生成某些輸出并做出某些決策。

深入探討可解釋人工智能的話題，建議閱讀《可解釋人工智能：它是什么，原理和例子是什么》一文

以人為本的人工智能

所謂的可解釋人工智能需要一種新的解決方案設(shè)計方法，這是現(xiàn)在所謂的以人為中心的人工智能方法的一部分，也就是說，用于設(shè)計基于人工智能的技術(shù)的協(xié)作模型考慮了各個方面例如倫理學(xué)和其他典型的行為學(xué)科和人文科學(xué)。

Human Centered AI 的創(chuàng)建旨在為人機(jī)交互提供一種新的、以人類為中心的方式，特別是尋找新的方法，以確保技術(shù)解決方案旨在讓人們以合乎道德、負(fù)責(zé)任和透明的方式做出更多決策。知情，進(jìn)行更有效的分析（但也是可以理解和解釋的），以及更好的數(shù)字體驗。

為了加深以人為中心的人工智能的主題，我們建議閱讀文章“以人為中心的人工智能：以人為中心的人工智能”。

生成式人工智能

在人工智能的新興應(yīng)用中（Gartner 已將其列入2022 年的技術(shù)趨勢，旨在推動從現(xiàn)在到2024 年的數(shù)字化轉(zhuǎn)型業(yè)務(wù)），生成式人工智能（或生成式人工智能）能夠生成合成數(shù)據(jù)并支持人類的創(chuàng)造能力和活動。

與生成式AI相關(guān)的技術(shù)包括允許機(jī)器學(xué)習(xí)系統(tǒng)（使用主題數(shù)據(jù)集進(jìn)行適當(dāng)訓(xùn)練）生成人工內(nèi)容和各種合成數(shù)據(jù)的技術(shù)。

多媒體行業(yè)、醫(yī)療保健、藝術(shù)和設(shè)計領(lǐng)域以及新產(chǎn)品的生產(chǎn)代表了生成式人工智能應(yīng)用目前越來越廣泛的領(lǐng)域。

要了解有關(guān)Generative AI 的更多信息，我們建議閱讀文章“藝術(shù)、設(shè)計和生產(chǎn)：超越deepfake 的Generative AI”。

人工智能的例子和應(yīng)用

它分析數(shù)據(jù)以提供有用信息的能力使人工智能成為許多業(yè)務(wù)領(lǐng)域的寶貴盟友，在工業(yè)環(huán)境和家庭中都有大量投資，想想與家庭自動化相關(guān)的應(yīng)用程序。

為了在這片可能性的海洋中成功定位，參考米蘭理工大學(xué)人工智能數(shù)字創(chuàng)新觀察站開發(fā)的解決方案分類是有用的，該分類確定了八種不同類型的應(yīng)用，根據(jù)使用目的：

智能數(shù)據(jù)處理：其特點是能夠分析特定數(shù)據(jù)以推斷信息并執(zhí)行相應(yīng)操作的算法。例如，它們用于預(yù)測分析（數(shù)據(jù)分析以提供對未來趨勢的預(yù)測）和欺詐檢測（識別與預(yù)期模型相關(guān)的不合規(guī)元素）

虛擬助手/聊天機(jī)器人：聊天機(jī)器人使用NLP 技術(shù)基于語音或文本交互執(zhí)行操作并為用戶提供服務(wù)。它們的用途非常廣泛，從客戶服務(wù)系統(tǒng)到電子商務(wù)門戶的虛擬助手。NLP 技術(shù)允許最先進(jìn)的聊天機(jī)器人應(yīng)用程序除了存儲收集的信息外，還可以理解對話的語氣，例如通過實施與其連接的CRM 系統(tǒng)的數(shù)據(jù)集

建議：基于以直接或間接信息形式獲得的用戶行為，人工智能應(yīng)用程序能夠?qū)N售系統(tǒng)與建議消費者引導(dǎo)其完成購買的應(yīng)用程序集成。因此，它們可以提高轉(zhuǎn)化率并優(yōu)化客戶旅程的效率，從而影響客戶的決策過程

圖像處理：基于圖像識別的計算機(jī)視覺技術(shù)可以自動識別物體、人和動物，以支持許多應(yīng)用，從視頻監(jiān)控到工業(yè)質(zhì)量控制中的異常模式檢測

自動駕駛汽車：人工智能使支持自動駕駛汽車系統(tǒng)成為可能。自動駕駛在汽車領(lǐng)域大行其道，但也影響到其他自動駕駛交通工具，支持海、河、空航行

智能對象：或智能對象，智能對象對無需人類用戶直接輸入即可執(zhí)行操作的設(shè)備進(jìn)行分類。集成的人工智能系統(tǒng)，通常與智能傳感器相關(guān)聯(lián)，允許智能對象通過對特定事件的反應(yīng)，根據(jù)周圍環(huán)境的條件做出決策

語言處理：包括通過自然語言處理技術(shù)(NLP) 理解文本和口頭交流的所有應(yīng)用程序

自主機(jī)器人：得益于基于人工智能技術(shù)的系統(tǒng)指令，機(jī)器人可以在沒有用戶直接命令的情況下移動和行動，這要歸功于其識別周圍環(huán)境并與周圍環(huán)境交互的能力。自主機(jī)器人在工業(yè)制造環(huán)境、物流和民用/家庭應(yīng)用中越來越普遍

以下是當(dāng)今已經(jīng)成功使用人工智能的主要行業(yè)和應(yīng)用。