今日の IT 界で最もホットなテクノロジーについて語るとき、人工知能について触れなければなりません。

人工知能は、今世紀における世界の将来の技術発展とライフスタイルの変化をリードする風向計です。オンラインショッピングのパーソナライズされた推奨システム、顔認識によるアクセス制御、人工知能による医療画像、人工知能によるナビゲーションシステム、人工知能によるライティングアシスタント、人工知能による音声アシスタントなど、人々は実際に日常生活のあらゆる場面で人工知能技術を使用しています。

中国一の富豪である馬英九氏でさえ、人工知能カンファレンスで、今後30年間で人工知能技術が社会のあらゆる側面に浸透し、伝統的な製造業を完全に作り変えるだろうと語った。誰かがあなたに人工知能について話していて、それが何なのかと尋ねたとしても、その人はきっと答えられないでしょう。そこで今日は、人工知能に関するいくつかの話を見てみましょう。これを読んだら、他の人に自慢するだけで、あなたの地位は瞬く間に上昇します。

01 人工知能の定義

人工知能には、さまざまな次元に基づいた複数の定義があります。それらを1つずつリストすることはしません。人工知能の最もわかりやすい定義を見つけましょう。人工知能は、大量の特性データからルールを要約し、特定の特定のルールを要約し、これらのルールを実際のシナリオに適用して実用的な問題を解決する機械です。従来のソフトウェア ロジックとどのように異なるかを見てみましょう。

従来のソフトウェア

上の図に示すように、従来のソフトウェアはルールベースであり、人間が条件を設定し、条件が満たされたときにコンピューターに何を実行するかを指示する必要があります。このロジックは、ルールが明確で結果が予測可能であるため、いくつかの単純な問題を扱うときに非常にうまく機能します。しかし、現実の生活には、ルールをカスタマイズするだけでは解決できないさまざまな複雑な問題が満ち溢れています。

人工知能

人工知能とは、膨大な量の機能データから特定の機能とロジックを要約し、これらの要約された機能とルールを使用して実際のシナリオで実際の問題を解決することです。人工知能によってまとめられた知識は、従来のソフトウェアのように直接的かつ正確に表現することはできません。それは人間が学んだ知識に似ていますが、比較的抽象的で表現するのが難しいものです。

02 人工知能の3つの要素

上の図に示すように、人工知能の 3 つの要素は、データ、計算能力、アルゴリズムです。これら 3 つの要素は、人工知能がこのような成果を達成するために不可欠であり、必要な条件です。

データ

人工知能の基礎はトレーニングです。人間が特定のスキルを習得したい場合、それを得るために継続的なトレーニングを受ける必要があるのと同じです。多くのトレーニングを経て初めて、ニューラル ネットワークはルールを要約し、新しいサンプルに適用できるようになります。

アルゴリズム

アルゴリズムは計算方法とも言えます。優れたアルゴリズムは効率的で正確です。人工知能のアルゴリズムは現在盛んに話題になっており、謎めいているようです。

ハッシュレート

コンピューティング能力は、アルゴリズムとデータのインフラストラクチャです。すべてのデータに基づく AI トレーニングとアルゴリズム推論は、コンピューティング能力によってサポートされています。コンピューティング能力は工場の機械のようなものです。機械が高性能で先進的であればあるほど、製造プロセスは速くなります。

03 人工知能の進化

有名なチューリング テストは 1950 年に誕生しました。「人工知能の父」アラン チューリングの定義によれば、機械が人間と通信でき (テレタイプ機器を介して)、その身元が機械であると識別できない場合、その機械は知的であると言われます。このようにして、人工知能の概念が初めて提案されました。人工知能の発展に伴い、1980年にアメリカのカーネギーメロン大学で最初の機械学習セミナーが開催され、機械学習が台頭し始めました。その後、さまざまなアルゴリズムのブレークスルーにより、2010年までにディープラーニングが広く使用されるようになりました。実際、範囲的には、人工知能、機械学習、ディープラーニングがすべて順番に含まれています。機械学習とディープラーニングについて簡単に見てみましょう。

04 機械学習

機械学習は、アルゴリズムを使用してデータを解釈し、そこから学習し、現実世界の出来事について決定や予測を行う人工知能へのアプローチです。ディープラーニングは機械学習の一分野であり、ディープニューラルネットワークの概念に基づいてデータサンプルの特徴階層構造を自動的に学習するために使用される統計的機械学習技術の集合です。

現在、機械学習は主にパーソナライズされた推奨、精密マーケティング、データ分析などの分野で使用されています。機械学習の主な特徴は次のとおりです。

1) 機械学習は低次元データ、つまり2次元構造化データサンプルを対象としている

2) さまざまな機械学習アルゴリズムを直接選択できます

3) 手動データ処理と特徴抽出

4) 大規模な計算能力を必要とせず、高いハードウェア要件も必要としない

05 ディープラーニング

ディープラーニングは機械学習の分野であり、ディープニューラルネットワークの概念に基づいてデータサンプルの特徴階層を自動的に学習するために使用される統計的機械学習技術の集合です。

現在、ディープラーニングは主にコンピュータービジョン（画像分類、物体検出、画像セグメンテーション）、NLP（自然言語処理）、OCR（光学文字認識）などの分野で使用されています。ディープラーニングの主な特徴は次のとおりです。

1) ディープラーニングは、画像、動画、音声、テキストなどの高次元データ、または非構造化データサンプルを対象としています。

2) パフォーマンスを向上させるためにアルゴリズムを設計する必要がある

3) 大規模な計算能力と非常に高いハードウェア要件が必要

4) アルゴリズムはデータの特徴を自動的に分析して抽出します

06 結論

本記事では、主に人工知能の基本概念、基本要素、発展の歴史を紹介します。また、機械学習とディープラーニングの概念、応用分野、機能特性についても簡単に紹介し、誰もが人工知能の基本を素早く理解できるようにすることを目的としています。