Allmänna AI-tillämpningar
Definitioner av AI, ML, DL och RPA
Artificiell intelligens (AI)
Ibland kallas AI maskinintelligens, AI är intelligens som demonstreras av maskiner, till skillnad från den naturliga intelligensen som visas av människor och djur. AI erbjuder ett brett utbud av verktyg som hjälper till att utvärdera och producera bättre informationsintegration och dataanalys för att förbättra beslutsfattandet. Detta kan göras genom att utnyttja data som samlats in från olika källor, över olika plattformar och spektrum. Detta gör det möjligt för AI att erbjuda bättre förmåga till enorm sofistikering och analys. Nyckeln till bättre analys av sofistikerade trender och sammankopplingar är genom att dra nytta av kraftfulla AI-funktioner. Genom att ha tillgång till enorma mängder data från olika branscher och ekosystem som finans, sjukvård, smarta system, IoT, etc. AI kommer att kunna hitta värden inom olika orelaterade områden och ändra sin förmåga att producera resultat inom sitt tillämpningsområde.
Dessa discipliner består av AI-algoritmer, som försöker skapa expertsystem som gör förutsägelser eller klassificeringar baserat på indata. En förutsägelse förutser en händelse eller händelse som ännu inte har hänt baserat på information som leder till att den händer. Klassificering är processen att sätta lika med lika och bilda grupper med homogena medlemmar (t.ex. särskilja bilder av hundar och katter). Klassificering görs på grundval av vissa egenskaper baserade på differentiella data för de element som ska klassificeras (t.ex. formen på kattens näsa eller ögon).
I allmänhet fungerar AI-system genom att mata in stora mängder märkta träningsdata, analysera data för korrelationer och mönster och använda dessa mönster för att göra förutsägelser om framtida tillstånd.
På detta sätt kan till exempel en chatbot som matas med exempel på textchattar lära sig att producera verklighetstrogna utbyten med människor, eller ett bildigenkänningsverktyg kan lära sig att identifiera och beskriva objekt i bilder genom att granska miljontals exempel.
AI kommer också att hjälpa till att förutsäga trender på marknaden och generera produkter som är i linje med de kommande trenderna med mycket bättre noggrannhet. Det kan också bättre hantera logistik och leveranskedjan.
Artificiell intelligens är det bredare paraplyet under vilket maskininlärning och djupinlärning ingår. Och som diagrammet visar nedan är Deep Learning en delmängd av Machine Learning. Alla tre är AI, maskininlärning och djupinlärning bara olika nivåer. Så låt oss gå vidare och förstå hur exakt de skiljer sig från varandra.
(källa: edureka.co)
Maskininlärning (ML)
Efter att ha tittat på Youtube-videon
)
tänk på liknande AI-användningsfall från ditt dagliga liv.
ANDRA ML-exempel: UTFÖR AI-videor:
- Cape AI
- ARUTEC
Det betyder förmågan hos det AI-baserade verktyget att lära sig. ML definieras av datavetaren och maskininlärningspionjären Tom M. Mitchell: "Maskininlärning är studien av datoralgoritmer som gör att datorprogram automatiskt kan förbättras genom erfarenhet." - ML är ett av de sätt vi förväntar oss att uppnå AI. Maskininlärning bygger på att arbeta med små till stora datamängder genom att undersöka och jämföra data för att hitta vanliga mönster och utforska nyanser. Funktionen hos ett maskininlärningssystem kan vara beskrivande, vilket betyder att systemet använder data för att förklara vad som hände (t.ex.användning av sociala medier och engagemangsdata som Instagram eller Facebook-likes); prediktiv, vilket innebär att systemet använder data för att förutsäga vad som kommer att hända (t.ex. hantera prestationsförväntningar och undvika risker); eller föreskrivande, vilket innebär att systemet kommer att använda data för att ge förslag på vilka åtgärder som ska vidtas (t.ex. investeringsbeslut).
Vi kan nämna olika typer av ML, övervakad ML, oövervakad ML, förstärkning genom ML. Medan Samverkande ML är ett sätt att producera maskininlärning från flera servrar som arbetar med distribuerade datamängder utan att dela data. Det kallas också samarbetsinlärning.
Djupinlärning
Djupinlärning är en delmängd av maskininlärning, som i huvudsak är ett nätverk med många lager. Denna typ av nätverk försöker simulera humanhjärnans beteende - om än långt ifrån att matcha dess förmåga - så att den kan "lära sig" från stora mängder data. Medan ett nätverk med ett enda lager fortfarande kan göra ungefärliga förutsägelser, kan ytterligare dolda lager hjälpa till att optimera och förfina för noggrannhet.Områden som tal- och ansiktsigenkänning, bildklassificering och naturlig språkbehandling, som var i ett tidigt skede, tog plötsligt stora språng.
Robotiserad processautomation
. Företag får också ett uppsving:
effektivitet och motståndskraft.
Det är inte konstigt att RPA skriver om historien om work.
Exempel på robotiserad processautomation i praktiken
För att visa hur utbredd RPA:s användbarhet är (och varför så många investerar i den) har vi sammanställt en lista med verkliga exempel på RPA som hjälper företag att minska kostnaderna, spara tid, förbli konkurrenskraftiga och göra bättre arbete.
Verksamhet i callcenter
Många av de kundförfrågningar som tas emot av callcenter kan stödjas med RPA-teknik; vanliga kundfrågor och lösningar kan tillhandahållas till agenter via en instrumentpanel. När ett problem eskaleras till mänskliga kundtjänstagenter kan RPA hjälpa till att konsolidera all information om en kund på en enda skärm, så att handläggarna har all information de behöver från flera system för att ge exemplarisk service.
Kreditkortsansökningar
Idag är mjukvarurobotar bakom kulisserna som bearbetar majoriteten av kreditkortsapplikationer. De kan programmeras för att enkelt hantera alla aspekter av processen från att samla in information och dokument, göra kredit- och bakgrundscheckar och i slutändan avgöra om sökanden är värd att få kredit och utfärda det faktiska kortet. 
Helpdesk
Som det första steget för att ta itu med användarens tekniska problem kan RPA hjälpa till att minska arbetsbelastningen för den mänskliga helpdesken genom att ta hand om enkla, repetitiva problem. Dessa tekniska supportproblem på nivå ett är enkla men tidskrävande. Dessutom kommer regelbundna diagnostiska tester av ett företags datorsystem som slutförts av mjukvarurobotar att hjälpa den mänskliga IT-personalen att ligga steget före vad gäller problemlösning.
YTTERLIGARE RESURSER: VIDEOR OCH/ELLER ANVÄNDBARA LÄNKAR
● Introduktion till AI
● Dokumentärfilm om AI:
REFERENSER
● https://www.techtarget.com/searchenterpriseai/definition/AI-Artificial-Intelligence
● 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://www.expert.ai/blog/machine-learning-definition/
● https://www.geeksforgeeks.org/machine-learning/
● https://www.predictionmachines.ai/
Självreflektion
Här är länken till en dokumentärfilm om AI och dess påverkan på mänskligt liv.
Titta på den och svara på följande frågor.
Frågor: Vad tycker du om AI:s påverkan/fördelar för samhället?
