Definitioner af AI, ML, DL og RPA

Kunstig intelligens (AI)

Se videoen nedenfor, og tænk på lignende eksempler på brug af AI i den virkelige verden, som du har hørt om, læst om eller kender til:

Heuristisk video

(

Som det også forklares i videoen ovenfor, kombinerer kunstig intelligens i sin enkleste form computervidenskab og robuste datasæt med henblik på at muliggøre problemløsning, beslutningstagning osv.

Som den mest enkle definition lyder Kunstig intelligens (AI) er en computers eller en robot styret af en computer, der er i stand til at udføre opgaver, som normalt udføres af mennesker, fordi de kræver menneskelig intelligens og dømmekraft.

AI, der undertiden kaldes maskinintelligens, er intelligens, der demonstreres af maskiner, i modsætning til den naturlige intelligens, som mennesker og dyr udviser. AI tilbyder en bred vifte af værktøjer, der hjælper med at evaluere og producere bedre informationsintegration og dataanalyse for at forbedre beslutningstagningen. Dette kan gøres ved at udnytte data, der er indsamlet fra forskellige kilder på tværs af forskellige platforme og spektrer. Dette vil gøre det muligt for AI at tilbyde bedre muligheder for en enorm sofistikering og analyse. Nøglen til bedre analyse af sofistikerede tendenser og sammenhænge er at udnytte de stærke AI-funktioner. Ved at have adgang til enorme datamængder fra forskellige industrier og økosystemer som finans, sundhedspleje, intelligente byer, IoT osv. vil AI være i stand til at finde værdi på områder på tværs af forskellige uvedkommende områder og ændre sin evne til at producere overlegne resultater inden for deres anvendelsesområde.

AI omfatter underområderne maskinlæring og dybdegående læring, som ofte nævnes i forbindelse med kunstig intelligens. Disse discipliner består af AI-algoritmer, som søger at skabe .ekspertsystemer, der foretager forudsigelser eller klassifikationer på grundlag af inputdata.

En forudsigelse er at foregribe en hændelse eller begivenhed, der endnu ikke er sket, på baggrund af oplysninger, der fører til, at den sker. Klassificering er processen med at sætte lighedstegn ved lighedstegn og danne grupper med ensartede medlemmer (f.eks. skelne billeder af hunde og katte). Klassificering sker på grundlag af visse karakteristika baseret på differentielle data om de elementer, der skal klassificeres (f.eks. formen af næse eller øjne hos katte).

Generelt fungerer AI-systemer ved at indhente store mængder af mærket træningsdata, analysere dataene for at finde sammenhænge og mønstre og bruge disse mønstre til at forudsige fremtidige tilstande.

På den måde kan f.eks. en chatbot, der får eksempler på tekstchats, lære at skabe livagtige udvekslinger med mennesker, eller et billedgenkendelsesværktøj kan lære at identificere og beskrive objekter på billeder ved at gennemgå millioner af eksempler.

AI-programmering fokuserer på tre kognitive færdigheder: indlæring, ræsonnement og selvkorrektion. Forestil dig de muligheder, der skabes ved at kombinere AI med andre nye eksponentielle teknologier som f.eks. autonome systemer, droner, kvantecomputere, bioteknologi osv. Disse krydsninger af områder muliggør og skaber bølger af nye muligheder, der kan omdanne og forstyrre industrier på tværs af hele spektret.

AI vil også hjælpe med at forudsige tendenser på markedet og generere produkter, der er i tråd med de kommende tendenser med langt større nøjagtighed. Den kan også bedre styre logistikken og forsyningskæden.

Kunstig intelligens er den bredere paraply, som maskinlæring og dyb læring hører under. Og som diagrammet nedenfor viser, er Deep Learning en delmængde af Machine Learning. Alle tre er AI, maskinlæring og deep learning blot delmængder af hinanden. Så lad os gå videre og forstå, hvordan de præcist er forskellige fra hinanden.

(kilde: edureka.co)

Maskinlæring (ML)

Når du har set Youtube-videoen

)

skal du tænke på lignende AI-anvendelsestilfælde fra din hverdag.

ANDRE ML-eksempler: PERFORM AI-videoer:
- Cape AI
- ARUTEC

Maskinlæring er anvendelsen af kunstig intelligens, som omfatter algoritmer, der analyserer data, lærer af disse data og derefter anvender det, de har lært, til at træffe informerede beslutninger..

Det betyder, at det AI-baserede værktøj er i stand til at lære. ML er defineret af datalog og pioner inden for maskinlæring Tom M. Mitchell: "Maskinlæring er studiet af computeralgoritmer, der gør det muligt for computerprogrammer at forbedre sig automatisk gennem erfaring." - ML er en af de måder, hvorpå vi forventer at opnå AI. Maskinlæring er baseret på at arbejde med små til store datasæt ved at undersøge og sammenligne dataene for at finde fælles mønstre og udforske nuancer.

Funktionen af et maskinlæringssystem kan være beskrivende, hvilket betyder, at systemet bruger dataene til at forklare, hvad der er sket (f.eks. data om brug af sociale medier og engagement, f.eks. Instagram- eller Facebook-likes), forudsigende, hvilket betyder, at systemet bruger dataene til at forudsige, hvad der vil ske (f.eks. styring af forventninger til præstationer og undgåelse af risici), eller præskriptiv, hvilket betyder, at systemet bruger dataene til at komme med forslag til, hvilken handling der skal foretages (f.eks. investeringsbeslutninger).

Vi kan nævne forskellige typer ML, overvåget ML, uovervåget ML, forstærket ML, Reinforcement ML. Federated ML er en måde at producere maskinlæring fra flere servere, der arbejder med distribuerede datasæt uden at dele data. Det kaldes også kollaborativ læring.

ML-algoritmer forandrer salget ved hjælp af forudsigende analyser og forbedrer brugeroplevelsen. Ved at indsamle flere data om kunderne kan branchen få en dybere forståelse af kundens interesser og købsmønstre og kan foreslå tilpassede produkter baseret på de individuelle interesser.

Dyb indlæring

Deep Learning handler om computere, der lærer at tænke ved hjælp af strukturer, der er modelleret efter den menneskelige hjerne.]]

Faktisk er al dyb læring maskinel læring, men ikke al maskinel læring er dyb læring.

Deep learning er en delmængde af maskinlæring, som i bund og grund er et neuralt netværk med mange lag. Disse neurale netværk forsøger at simulere den menneskelige hjernes opførsel - om end de langt fra svarer til dens evne - og gør det muligt at "lære" af store mængder data. Mens et neuralt netværk med et enkelt lag stadig kan lave omtrentlige forudsigelser, kan yderligere skjulte lag hjælpe med at optimere og forfine præcisionen.

Deep learning er drivkraften bag mange applikationer og tjenester med kunstig intelligens (AI), der forbedrer automatiseringen og udfører analytiske og fysiske opgaver uden menneskelig indgriben. Deep learning-teknologi ligger bag produkter og tjenester i dagligdagen (f.eks. digitale assistenter, stemmestyrede fjernbetjeninger til tv'er og registrering af kreditkortsvindel) samt nye teknologier (f.eks. selvkørende biler).

Endvidere omfatter medicinske diagnoserelaterede eksempler overvågning af akut makuladegeneration, kvantificering af træthed, der kan tilskrives multipel sklerose, og måling af adfærdsmæssige manifestationer af genetiske autismeforstyrrelser i prækliniske modeller. .

Deep learning begyndte at udføre opgaver, der var umulige at udføre med klassisk regelbaseret programmering. Områder som tale- og ansigtsgenkendelse, billedklassificering og behandling af naturligt sprog, som var på et tidligt stadie, tog pludselig store spring fremad.

Automatisering af robotprocesser

Automatisering af robotprocesser (RPA) er en softwareteknologi, der gør det nemt at bygge, implementere og administrere softwarerobotter, der emulerer menneskelige handlinger i interaktion med digitale systemer og software. Ligesom mennesker kan softwarerobotter gøre ting som at forstå, hvad der står på en skærm, udføre de rigtige tastetryk, navigere i systemer, identificere og udtrække data og udføre en lang række definerede handlinger. Men softwarerobotter kan gøre det hurtigere og mere konsekvent end mennesker, uden at de behøver at rejse sig op og strække sig eller holde kaffepause. .

RPA-teknologien er ved at ændre den måde, verden får arbejdet udført på. Softwarerobotter - i stedet for mennesker - udfører gentagende og mindre værdifulde opgaver, f.eks. logge ind i programmer og systemer, flytte filer og mapper, udtrække, kopiere og indsætte data, udfylde formularer og udføre rutineanalyser og rapporter. Avancerede robotter kan endda udføre kognitive processer, f.eks. fortolkning af tekst, deltagelse i chats og samtaler, forståelse af ustrukturerede data og anvendelse af avancerede maskinlæringsmodeller til at træffe komplekse beslutninger. Når robotter udfører disse typer af gentagne opgaver med stor volumen, kan mennesker fokusere på de ting, de er bedst til og nyder mere: innovation, samarbejde, skabelse og interaktion med kunderne. Virksomhederne får også et løft: højere produktivitet, effektivitet og modstandsdygtighed.

Det er ikke underligt, at RPA er ved at omskrive historien om arbejde..

Eksempler på Robotic Process Automation i praksis

For at vise, hvor udbredt RPA's nytteværdi er (og hvorfor så mange investerer i det), har vi samlet en liste over eksempler fra det virkelige liv, hvor RPA hjælper virksomheder med at reducere omkostninger, spare tid, forblive konkurrencedygtige og udføre bedre arbejde.

Drift af callcentre
Mange af de kundeforespørgsler, som callcentre modtager, kan understøttes af RPA-teknologi; almindelige kundeforespørgsler og løsninger kan leveres til agenterne via et dashboard. Når et problem eskaleres til menneskelige kundeservicemedarbejdere, kan RPA hjælpe med at konsolidere alle oplysninger om en kunde på en enkelt skærm, så agenterne har alle de oplysninger, de har brug for fra flere systemer, til at yde en eksemplarisk service.

Ansøgninger om kreditkort

I dag er robotter bag kulisserne og behandler størstedelen af alle kreditkortansøgninger. De kan programmeres til nemt at håndtere alle aspekter af processen, lige fra indsamling af oplysninger og dokumenter, kredit- og baggrundstjek og i sidste ende at afgøre, om ansøgeren er værdig til at modtage kredit og udstede det faktiske kort.

Helpdesk
Som den første linje til at løse brugernes tekniske problemer kan RPA hjælpe med at mindske arbejdsbyrden for den menneskelige helpdesk ved at tage sig af enkle, gentagne problemer. Disse tekniske supportproblemer på niveau et er enkle, men tidskrævende. Desuden vil regelmæssige diagnostiske tests af virksomhedens computersystemer, som udføres af robotter, hjælpe det menneskelige it-personale med at være på forkant med problemerne.

YDERLIGERE RESSOURCER: VIDEOER OG/ELLER NYTTIGE LINKS

● Introduktion til AI

● Dokumentarfilm om AI:

Referencer

● https://www.techtarget.com/searchenterpriseai/definition/AI-Artificial-Intelligence

● https://www.europarl.europa.eu/news/en/headlines/society/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used

● Hatamleh, Omar; Tilesch, George. BetweenBrains: Taking back our AI Future. Kindle Edition, https://betweenbrains.ai/

● Machine Learning definition, 2020, Expert AI, https://www.expert.ai/blog/machine-learning-definition/

● Machine Learning, 2017 SAS Institute Inc., sas.com/content/dam/SAS/documents/marketing-whitepapers-ebooks/sas-whitepapers/en/machine-learning-primer-108796.pdf

● Artificial Intelligence: The Ambiguous Labor Market Impact of Automating Prediction; Ajay Agrawal, Joshua S. Gans, and Avi Goldfarb; https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.33.2.31

● Definition of Robotic Process Automation, UiPath, https://www.uipath.com/rpa/robotic-process-automation

● https://ai.google/about/

● https://www.expert.ai/blog/machine-learning-definition/

● https://www.geeksforgeeks.org/machine-learning/

● https://www.predictionmachines.ai/

Selvrefleksion:

Her er et link til en dokumentarfilm om kunstig intelligens og dens indvirkning på menneskers liv.

Se den og besvar følgende spørgsmål.

Spørgsmål: Hvad mener du om AI's indvirkning/fordelene ved AI på samfundet?

AI generelle anvendelser

Kunstig intelligens (AI)

Maskinlæring (ML)

Dyb indlæring

Automatisering af robotprocesser

YDERLIGERE RESSOURCER: VIDEOER OG/ELLER NYTTIGE LINKS

Referencer

Selvrefleksion:

Øvelse

Øvelse: Multiple choice

Hvilken løsning anvendes af BIYECTIVA til at lette processerne inden for medicinsk diagnostik:

Øvelse: Multiple choice

Hvilken løsning bruger HEURISTIK til at lette sine forretningsprocesser:

Øvelse: Multiple choice

Se animationerne (Hotel Villa Clasic, og Hotelway Oy, og marker, hvilken type softwareteknologi virksomhederne anvender:

Øvelse: Multiple choice

Tjek mindst 3 eksempler på AI-anvendelsestilfælde fra det virkelige liv, som er nævnt i videoen!

Øvelse: Multiple choice

Hvad er de to kategorier af AI?

Øvelse: Multiple choice

Hvilke af nedenstående AI-projekter findes endnu ikke?

Øvelse: Sandt / falsk

På dette spæde stadium af AI-udviklingen spiller mennesket stadig en central og paradigmatisk rolle i forhold til, hvordan det kan udtænke, designe og forme tankegangen i forbindelse med AI?

Øvelse: Sandt / falsk

DL vil gøre det muligt for sundhedspersonale at foretage mere præcise patientvurderinger, give hurtigere diagnosticering af sygdomme og muligvis forbedre tidlig opdagelse af livstruende tilstande, hvilket vil medføre rettidige medicinske indgreb og mere effektive behandlingsmuligheder.

Øvelse: Sandt / falsk

ML-algoritmer forandrer salget ved hjælp af forudsigende analyser og forbedrer brugeroplevelsen.

Øvelse: Sandt / falsk

Betyder maskinlæring, at systemet kan lære af data?

Øvelse: Sandt / falsk

Når du bruger Robotic Process Automation til repetitive opgaver med stor volumen, giver det dig så friheden til at fokusere på de ting, du er bedst til og nyder mere: innovation, samarbejde, skabelse og interaktion med kunderne?

Øvelse: Sandt / falsk

Traditionelle maskinlæringsalgoritmer er lineære, og dybe læringsalgoritmer er ikke stablet i et hierarki af stigende kompleksitet og abstraktion.

Øvelse: Sandt / falsk

AI er for kompleks, så den kan ikke bruges til at evaluere information, til at skabe bedre informationsintegration, til at analysere data og til at forbedre beslutningstagningen.