Sidste indlæg af intellect board hi tech. AINL-konference: Kunstig intelligens, naturligt sprog
Vil kunstig intelligens redde os fra krisen?
Ifølge foreløbige estimater vil det russiske it-marked i monetære termer i år ikke adskille sig meget fra det foregående. En af grundene til dette er den generelle økonomiske situation i landet. "Generelt for indeværende år forventer vi, at økonomien vil vise en vækst på 1,8 %, og inflationen vil ende året på 3,4 %," bemærkede den russiske minister for økonomisk udvikling Maxim Oreshkin, der i efteråret talte om den socioøkonomiske prognose udvikling af landet for 2019-2021. og for perioden frem til 2024.
Et sådant marked er markedet for kunstig intelligens (AI)-systemer. Lederen af denne komité og vicepræsident for IBM Kirill Korniliev talte på mødet i november i APCIT-udvalget for overvågning af udviklingen i it-industrien, mindede om, at introduktionen af AI-teknologier i 2030 ifølge Frost & Sullivans skøn vil sikre en stigning i verdens virksomheders omsætning med 15,7 billioner . dollars (10,7 billioner af dem vil komme fra amerikanske og kinesiske virksomheder), siger en ITWeek-artikel.
Omtrent de samme estimater af AIs bidrag til den globale økonomi er indeholdt i PwC-rapporten "Hvad er den reelle værdi af AI for din virksomhed, og hvordan kan du kapitalisere?": den vil gradvist stige fra omkring 1 billion. dollars i 2017 til næsten 16 billioner. dollar i 2030. Hvad angår vores land, vil maskinlæringsmarkedet dér vokse fra 700 millioner rubler. i 2017 til 28 milliarder rubler. i 2020 (det vil sige cirka 40 gange!), Og i år vil det være omkring 1 milliard rubler.
På baggrund af så høje forventninger er udtalelsen fra lederen af Center for Kognitive Teknologier i I-Teco Group of Companies, Ilya Kalagin, interessant, at AI og maskinlæringsmarkederne kan redde indenlandske integratorer fra ruin forårsaget af en fald i efterspørgslen efter traditionelle it-projekter.
Samtidig skal det forstås, at AI ikke er et vidundermiddel, understregede Ilya Kalagin. Og kunstig intelligens er ikke altid mere effektiv end naturlig intelligens. Især hvis sidstnævnte anvender veludviklede traditionelle metoder til anvendt matematik, "materialiseret" i moderne BI-systemer. Det er ingen hemmelighed, at udviklere af AI-systemer har en tendens til at overdrive deres succeser og dæmpe fejl, hvilket ofte skaber et forudindtaget indtryk af neurale netværk og neurocomputere. Men som Ilya Kalagin bemærker, er denne situation typisk ikke kun for udviklere af neurale netværkssystemer.
Han mener også, at før kunstige neurale netværk kan bruges til at løse problemer, hvor menneskeliv eller vigtige industrielle faciliteter er på spil (for eksempel inden for atomenergi), skal spørgsmål om pålideligheden af disse netværk løses. Samtidig gør han opmærksom på, at processen med at forbedre AI-teknologier er i gang, og moderne neurale netværksalgoritmer har allerede mærkbart overgået traditionelle algoritmer inden for computersyn og oversættelse i deres effektivitet.
Den 26. maj 2012 blev den første konference om kunstig intelligens i Rusland afholdt i Skt. Petersborg: "AINL: Artificial Intelligence, Natural Language". Generalsponsor og medarrangør af konferencen var i-Free. Eventpartneren er RVC OJSC, arrangørerne er NLPSeminar og Game|Changers.
Konferencen samlede førende russiske og udenlandske eksperter inden for kunstig intelligens og automatisk naturlig sprogbehandling, repræsentanter for det videnskabelige samfund, eksperter fra specialiserede virksomheder, der udvikler teknologier og skaber lovende produkter og løsninger baseret på dem.
Mere end 200 delegerede deltog direkte i konferencen, og takket være online-udsendelsen var forummets publikum meget bredere: rapporter fra deltagere bragte konferencens hash-tag #AINL til Twitter-tendenser i St. Petersborg.
Inden for rammerne af seks afsnit af konferencen blev der lavet mere end 20 rapporter, og 9 plakater med information om projekter blev præsenteret. De vigtigste tematiske områder i forummet var: "Talegenkendelse og syntese", "Kunstig intelligens og dialogsystemer", "Videnteknik, ontologier, dataudvinding, datamining".
I en kommentar til deltagelsen i konferencen understregede Kirill Petrov, administrerende direktør for i-Free Innovations: "Vi er glade for, at det første russiske forum dedikeret til kunstig intelligens var vellykket og samlede et så repræsentativt publikum. Deltagerne fik de bredeste muligheder for kommunikation, diskussion af lovende ideer, udveksling af erfaringer og erhvervelse af forretningsforbindelser. Vi håber, at konferencen "AINL: Artificial Intelligence, Natural Language" bliver en årlig begivenhed og vil bidrage til udviklingen af det russiske AI-teknologimarked."
I-Free-virksomheden præsenterede på konferencen en rapport "Prospects for the use of artificial intelligence systems in mobile technologys" samt et casestudie "Creating an intelligent mobile assistant."
Detaljeret information om konferencen "AINL: Artificial Intelligence, Natural Language" er præsenteret på hjemmesiden http://nlpseminar.ru/ainl/.
Præsentationer fra konferencetalere kan også findes her.
Oplysninger om samarbejdspartnere og arrangører:
i-Free Innovations er en afdeling af i-Free-virksomheden, der er specialiseret i udvikling, test og implementering af ventureprojekter, lovende teknologiske løsninger og innovative produkter. Det har et unikt team af eksperter og it-specialister og har stor erfaring med at implementere innovative projekter inden for højteknologi.
RVC OJSC er en statslig fond af midler, et udviklingsinstitut i Den Russiske Føderation, et af statens nøgleinstrumenter til at opbygge et nationalt innovationssystem.
NLPseminar er det eneste regelmæssige seminar i Rusland om automatisk behandling af naturligt sprog, som har fungeret i St. Petersborg i mere end 5 år.
Game|Changers er et interuniversitært uddannelses- og forskningsprogram om IT-virksomhed for aktive studerende i St. Petersborg. Programmet samarbejder med byens førende universiteter, succesrige russiske og internationale teknologivirksomheder og udviklingsinstitutioner.
Verdens største revisionsvirksomheder begynder så småt at introducere kunstig intelligens-teknologier i deres aktiviteter. Revisorer håber, at AI vil hjælpe dem med at frigøre folk fra tekniske og rutinemæssige opgaver for at optimere deres arbejde.
Som det blev kendt, implementerer revisionsfirmaerne EY og PwC et pilotprojekt for at bruge kunstig intelligens (AI) til billedgenkendelse, udføre nogle regnskabsopgaver og andre typer rutinemæssige tekniske aktiviteter, som medarbejderne i øjeblikket udfører. Den britiske publikation bemærker, at alle de fire store virksomheder - PwC, EY, KPMG og Deloitte - aktivt øger investeringerne i nye teknologier, herunder kunstig intelligens, for at optimere deres aktiviteter og undgå menneskelige fejl. Blandt de mest lovende anvendelsesområder for kunstig intelligens er at fremskynde færdiggørelsen af applikationer fra og til kunder, genkende "anomalier" i finansielle transaktioner og analysere data for mulig udefrakommende indblanding og svindel.
"Det bliver mere og mere klart for os, at kunstig intelligens vil have en enorm indvirkning på vores forretning, så vi forsøger allerede at lave så meget grundarbejde på dette område som muligt," sagde John Andrews, chef for teknologi og investering hos PwC UK. FT. "Investeringer i disse områder vil sandsynligvis vokse eksponentielt."
Til gengæld planlægger KPMG at indføre et system, der vil evaluere kreditoplysninger baseret på resultaterne af en analyse af låneporteføljer i kommercielle banker. Derudover kan kunstig intelligens bruges til prædiktiv analyse og opbygning af sandsynlighedsmodeller. For at implementere disse teknologier har KPMG samarbejdet med IBMs Watson-projekt og flere AI-startups i mere end et år.
FT noterer sig, at de fire store revisorer aktivt implementerer AI, også fordi de forsøger at forsvare deres positioner på EU-markedet, hvor konkurrencen på det seneste er steget mærkbart: nye EU-regler, hvorefter virksomheden er forpligtet til at offentliggøre et udbud om revision og skifter revisor mindst en gang hvert 20. år, og har øget antallet af udbud af ekstern revision markant. Således steg antallet af sådanne udbud blandt virksomheder inkluderet i FTSE 250-indekset fra fem i 2012 til halvtreds i 2016.
"Forventningerne i revisionsbranchen stiger markant, efterhånden som regulatorer bliver mere krævende," sagde Stephen Giggs fra Deloitte. "Revisionsfirmaer forsøger at differentiere sig fra mængden med deres tilgang til innovation og proprietær ekspertise, hvilket burde give dem en konkurrencefordel. ”
Kunstig intelligens har længe og med succes "taget rattet" - for eksempel Google og Tesla-droner. Langt de fleste eksperter er enige om, at selvkørende biler er fremtiden. Og den nærmeste. Det bruges i sikkerhedssystemer: for eksempel, efter en række træninger, er et "smart" kamera i en bank i stand til at registrere besøgende, der opfører sig mistænkeligt og øjeblikkeligt sende et signal til sikkerhedskonsollen. Hvis systemet perfektioneres, vil røveri blive en fuldstændig håbløs virksomhed.
Billede: depositphotos
Baseret på informationsdata genererer en elektronisk "journalist" i løbet af få øjeblikke artikler, som selv en professionel redaktør ikke kan skelne fra "rigtige". Desuden er fejl udelukket. Måske er ordforrådet for kunstig intelligens endnu ikke så rigt, og svingene er ikke så kreative som de levende konkurrenters, men det lærer utroligt hurtigt. Det skrivende broderskab bliver nødt til at flytte. Der er utallige eksempler på implementering - snart bliver det sværere at finde et område, hvor AI ikke bruges, end et område, hvor det fungerer med succes.
Hvad er en "smart smartphone"?
"Smartphone" er oversat fra engelsk til "smartphone". Men som moderne trends inden for gadgetudvikling viser, er der en kløft mellem en "smart" og en "intelligent" telefon. I dag finder fundamentalt vigtige begivenheder sted på dette område, selvom det ikke er indlysende for de fleste brugere. En revolution, hvis du vil.
Så hvad er den revolutionerende forskel mellem en smartphone og en smart enhed? Forskellen er, at en moderne gadget ikke kun udfører ordrer.
AI hjælper virkelig fra bunden med at løse visse problemer - det vil sige, det giver dig ikke punktfunktioner, men en hel strategi. For hvert enkelt problem vælges en unik algoritme. Dette er ikke en slave eller en tjener, det er en partner.
Flere og flere gadgets modtager AI ikke som en mulighed, men som grundlaget for alle andre systemers funktioner. Ny generation af flagskibsmodeller er blevet skabt baseret på avanceret kunstig intelligens. Det er takket være den "elektroniske hjerne", at mulighederne for at bruge en smartphone afsløres fuldt ud. Lad os vise, hvordan dette fungerer ved at bruge eksemplet med forskellige undersystemer til LG G7 ThinQ-smartphonen.
AI skyder som en professionel
AI kan hjælpe dig med at blive en rigtig fotograf: den kan tage landskaber uden forvrængning og en blokeret horisont, klare og naturlige traditionelle selfies og også optage i portrættilstand (mere om det separat nedenfor). Brugere kan redigere og forbedre deres billeder med de bedste filtre foreslået af AI.
Systemet identificerer først et objekt eller en scene og tilbyder behandlingsmuligheder afhængigt af resultatet. Dette handler ikke om mekanisk påføring af masker, men om seriøs billedtransformation i stil med den populære Prisma-applikation.
Oldtidens græske filosof Sokrates - selfie via Prisma
I den samme LG G7 ThinQ giver AI, som styrer Super Bright Camera-tilstand, dig mulighed for at tage billeder 4 gange lysere end normale billeder taget i svagt lys. Ved at arbejde sammen med sensor- og softwarebehandling justerer AI automatisk kameraindstillingerne, når der optages under dårlige lysforhold, og justerer den optimale balance mellem lysstyrke, klarhed, opløsning og farvepalet for hvert enkelt billede.
LG G7 ThinQ
En af de mest populære AI-funktioner i fotobehandling er portrættilstand, som kan skabe fotos i professionel kvalitet med en sløret baggrund (denne populære teknik kaldes "bokeh-effekt" (japansk for "diset, fuzzy"). AI bruges også til at ansigtsgenkendelse, og så kan smartphone-ejere bruge klistermærker til at skabe masker, såvel som animoji eller endda animerede avatarer.
Progressiv intelligens er en assistent i enhver situation
De nyeste kunstige intelligens- og computersynsteknologier bruges i avancerede søgealgoritmer ved hjælp af Google Lens. Tilgængelig i Google Assistant og Google Fotos, denne mulighed kan give flere oplysninger om forskellige objekter - vartegn, planter, dyr, bøger.
At tage billeder i LG G7 ThinQ med dobbelt kamera er en af hovedfunktionerne
Derudover identificerer smartphonen tekst, når du besøger hjemmesider, læser og genkender data for at tilføje et visitkort til kontakter, indtaste begivenheder i kalenderen eller søge efter den ønskede ret på en restaurantmenu.
At stille spørgsmålet: Hvad er kunstig intelligens? Svaret afhænger af, hvornår du stillede dette spørgsmål.
Tilbage i 1950'erne beskrev Minsky og McCarthy kunstig intelligens som enhver opgave udført af et program eller en maskine, der kan udføres som om udført af et menneske i form af en intellektuel aktivitet.
Naturligvis en ret bred definition af AI.
AI-systemer udviser typisk nogle af følgende adfærd forbundet med menneskelig intelligens: planlægning, læring, ræsonnement, problemløsning, videnrepræsentation, perception, bevægelse og manipulation, og i mindre grad social intelligens og kreativitet.
Hvad er fordelene ved kunstig intelligens?
Kunstig intelligens bruges nu overalt. For eksempel virtuelle stemmeassistenter som Apples Siri for at finde ud af, hvem og hvad der er på et billede, for at identificere spam eller for at opdage svindel med kreditkort.
Typer af kunstig intelligens
På et meget højt niveau kan kunstig intelligens opdeles i to brede typer: smal AI og generel AI.
Smal AI er, hvad vi ser omkring os i computere i dag: intelligente systemer, der er blevet trænet eller lært til at udføre specifikke opgaver uden at være eksplicit programmeret, hvordan det skal gøres.
Denne type maskinintelligens er tydelig i tale- og sproggenkendelsen af den virtuelle Siri-assistent på Apple iPhone og i synsgenkendelsessystemer i selvkørende biler. I modsætning til mennesker kan disse systemer kun lære eller blive undervist i, hvordan man udfører specifikke opgaver, hvorfor de kaldes smal AI.
Der er et stort antal nye applikationer til smal AI: oversættelse af video fra droner, der inspicerer infrastruktur såsom olierørledninger, organisering af personlige og forretningskalendere, besvarelse af simple spørgsmål med kundeservicesupport, koordinering med andre intelligente systemer, udførelse af opgaver såsom booking af hotel kl. når som helst, hjælp til at identificere mulige tumorer ved hjælp af røntgenstråler, blokering af upassende indhold på internettet, detektering af slid i elevatorer fra data indsamlet ved hjælp af IoT-enheder, listen kan fortsætte i meget lang tid.
Hvilke funktioner kan generel kunstig intelligens udføre?
Kunstig generel intelligens er meget anderledes og er en form for intelligens, der kan tilpasses, ligesom menneskelig intelligens, en fleksibel form for intelligens, der er i stand til at lære at udføre helt forskellige opgaver, fra at klippe hår til at bygge regneark eller ræsonnere om forskellige emner baseret på dens akkumulerede erfaring . Denne AI ses mere almindeligt i film som Skynet i Terminator, men som endnu ikke eksisterer i dag, og AI-eksperter skriver om, hvordan det snart bliver en realitet. 
En undersøgelse foretaget blandt fire grupper af eksperter i 2012/13 af AI-forskerne Vincent Müller og filosoffen Nick Bostrom fandt en 50 procents chance for, at Artificial General Intelligence (AGI) vil blive udviklet mellem 2040 og 2050, stigende til 90 procent i 2075. Gruppen gik endnu længere og forudsagde, at AI vil være i stand til at overgå menneskelig præstation markant på næsten alle områder.
Nogle AI-eksperter mener dog, at sådanne forudsigelser er vildt optimistiske i betragtning af vores begrænsede forståelse af den menneskelige hjerne, og mener, at AGI stadig vil udvikle sig i de kommende århundreder.
Hvad er machine learning?
Der er en bred vifte af AI-forskning, hvoraf mange fodrer og supplerer hinanden.
I øjeblikket er maskinlæring, hvor et computersystem modtager store mængder data, som det derefter bruger til at lære, hvordan man udfører en bestemt opgave, såsom talegenkendelse eller billedtekstning.
Hvad er neurale netværk (Botnet)?
Nøglen til maskinlæringsprocessen er neurale netværk. Det er smarte netværk af indbyrdes forbundne lag af algoritmer, kaldet neuroner, der føder data ind i hinanden, og som kan trænes til at udføre specifikke opgaver ved at ændre den betydning, der tildeles de originale data. Efterhånden som disse neurale netværk trænes, vil betydningen af den information, der er knyttet som inputdata, ændre sig, indtil outputtet fra det neurale netværk er meget tæt på det ønskede, på hvilket tidspunkt netværket vil "lære" hvordan man udfører en bestemt opgave.
En undergruppe af maskinlæring er deep learning, hvor neurale netværk udvides til spredte netværk med et stort antal lag, der trænes ved hjælp af enorme mængder data. Det er disse dybe neurale netværk, der har givet næring til det nuværende spring fremad i computeres evne til at udføre opgaver såsom talegenkendelse og computersyn.
Der er forskellige typer af neurale netværk med forskellige styrker og svagheder.
Tilbagevendende neurale netværk er en type neurale netværk, der er særligt velegnet til sprogbehandling og talegenkendelse, mens konvolutionelle neurale netværk oftest bruges i billedgenkendelse. Et af de slående eksempler på et neuralt netværk er Google Oversæt.
Et andet område af AI-forskning er evolutionær beregning, som låner fra Darwins berømte teori om naturlig selektion, og bemærker, at genetiske algoritmer gennemgår tilfældige mutationer og kombinationer på tværs af generationer i et forsøg på at udvikle den optimale løsning på et givet problem.
Denne tilgang er endda blevet brugt til at hjælpe med at konstruere AI-modeller, ved effektivt at bruge AI til at hjælpe med at opbygge AI. Denne brug af evolutionære algoritmer til at optimere neurale netværk kaldes neuroevolution og kunne spille en vigtig rolle i at lette udviklingen af effektiv kunstig intelligens, efterhånden som brugen af intelligente systemer bliver mere udbredt, især da efterspørgslen efter information ofte overstiger udbuddet. Denne metode blev for nylig demonstreret af virksomheden Uber Labs, som offentliggjorde forskning i brugen af genetiske algoritmer til at træne dybe forstærkende neurale netværk til problemet.
Endelig er der ekspertsystemer, hvor computere er programmeret med algoritmer, der giver dem mulighed for at træffe en række beslutninger baseret på et stort antal input, hvilket gør det muligt for den maskine at efterligne adfærden hos en menneskelig ekspert på et bestemt område. Et eksempel på sådanne videnbaserede systemer vil for eksempel være et autopilotsystem på en flyvemaskine.
Hvad hjælper udviklingen af kunstig intelligens?
De største gennembrud for AI-teknologiforskning i de senere år har været inden for maskinlæring, især deep learning.
Dette er til dels drevet af den lette tilgængelighed af data, samt den hurtige stigning i parallel computerkraft i de seneste år, hvor brugen af GPU-klynger til at træne machine learning-systemer er blevet mere almindelig.
Disse klynger tilbyder ikke kun mere kraftfulde systemer til træning af maskinlæringsmodeller, men er nu bredt tilgængelige som cloud-tjenester over internettet. Over tid er store teknologivirksomheder som Google og Microsoft gået over til at bruge specialiserede processorer, der er skræddersyet til både kørende og nyuddannede maskinlæringsmodeller.
Et eksempel på en af disse brugerdefinerede chips er (TPU), hvoraf den seneste version accelererer den hastighed, hvormed effektive maskinlæringsmodeller bygget ved hjælp af Googles Tensorflow-softwarebibliotek kan udlede information fra data, såvel som den hastighed, hvormed de kan trænes. .
Disse chips bruges ikke kun til at træne modeller til Googles DeepMind, men også til de modeller, der findes i Google Fotos og billedgenkendelse, samt tjenester, der giver offentligheden mulighed for at bygge maskinlæringsmodeller ved hjælp af Googles TensorFlow. Anden generation af disse chips blev afsløret på Googles konference i maj sidste år med en række af disse nye TPU'er, der er i stand til at træne Googles maskinlæringsmodel, der bruges til at oversætte på halvdelen af den tid, det ville tage at behandle en række data fra top-end grafikbehandling enheder (GPU'er).
Hvilke elementer består maskinlæring af?
Maskinlæring er som nævnt en delmængde af AI og er generelt opdelt i to hovedkategorier: overvåget og ikke-overvåget maskinlæring.
Supervised Machine Learning
En almindelig metode til træning af AI-systemer er at træne dem ved hjælp af en meget stor mængde information med eksempler. Disse maskinlæringssystemer modtager enorme mængder data, der er blevet kommenteret for at fremhæve funktioner af interesse. Det kan være billeder med et tag for at fortælle brugeren, om de indeholder en hund eller en testtekst. Det vil sige, at et dokument genkendes, tekst eller et billede på et dokument. Og så bestemmer systemet, hvad billedet kan henføres til og sætter passende tags til billederne (type dyr, monument osv.) eller forsøger at genkende og læse teksten på dokumentet. Når først det er trænet, kan systemet anvende disse etiketter på nye data, såsom hunden på billedet, der lige er blevet uploadet.
Denne proces med maskinlæring, i eksemplet ovenfor, kaldes overvåget læring. Tagging udføres normalt af medarbejdere, der arbejder på platforme som f.eks.
Træning af disse AI-systemer kræver typisk store mængder data, hvor nogle systemer skal søge gennem millioner af eksempler for at lære, hvordan man udfører opgaver effektivt, selvom dette bliver mere og mere muligt i en æra med store mængder information og omfattende datamining. Træningsdatasættene er enorme og vokser i størrelse – Google Billeder har omkring ni millioner tilgængelige billeder, og YouTube-videoer hoster op til syv millioner med videotagget.
Folk træner sådan kunstig intelligens. Som allerede skrevet ovenfor, sætter de forskellige tags til tekster, billeder og videoer. Disse mærker bruges af AI som eksempler på fremtidig tekst- og billedgenkendelse. Inden for to år havde det samlet en stab på næsten 50.000 mennesker - hvoraf de fleste var ansat gennem Amazon Mechanical Turk.
I det lange løb kan adgang til enorme, mærkede datasæt også være mindre vigtig end adgang til store mængder computerkraft.
I de senere år har maskinlæringssystemer vist, at de kan generere enorme mængder information, som de selv kan undervise i.
Denne tilgang kan føre til fremkomsten af semi-overvåget læring, hvor systemer kan lære at udføre opgaver ved hjælp af langt mindre mærkede data, end det er nødvendigt for overvågede læringssystemer i dag.
Uovervåget maskinlæring
I modsætning til førstnævnte tager uovervåget læring en anden tilgang, hvor algoritmer forsøger at identificere mønstre i data ved at lede efter ligheder, der kan bruges til at klassificere disse data.
Et eksempel kunne være at gruppere frugter med samme vægt eller biler med samme motorstørrelse.
Algoritmen er ikke forudindstillet til at vælge bestemte typer data, den leder blot efter data, der kan grupperes efter dets ligheder, såsom Google Nyheder, der grupperer nyhedshistorier om lignende emner hver dag.
Forstærkende læring
I forstærkende læring forsøger systemet at maksimere belønningen baseret på input, dybest set gennemgår en proces med trial and error, indtil det opnår det bedst mulige resultat.
Et eksempel på forstærkende læring er Google DeepMind, som bruges til bedre menneskelig præstation i forskellige klassiske videospil. Systemet drives af pixels fra hvert spil og bestemmer forskellige oplysninger, såsom afstanden mellem objekter på skærmen.
Førende virksomheder inden for kunstig intelligens-teknologi
Kæmpe teknologivirksomheder, såvel som startups, gør alt for at få en plads på markedet for fremtidens teknologier, nemlig teknologier relateret til udvikling af kunstig intelligens.
Hver af dem skriver jævnligt rapporter og artikler i AI-forskning, selvom det er sandsynligt, at Google med sit DeepMind AlphaGo har haft størst indflydelse på offentlighedens bevidsthed om AI.
Hvilke AI-tjenester er tilgængelige for brugere?
Alle større Amazon cloud-platforme og Google Cloud Platform giver GPU-adgang til at forberede og køre maskinlæringsmodeller.
Al den nødvendige infrastruktur og tjenester er tilgængelige fra de tre store datavarehuse i skyen, der er i stand til at rumme den store mængde information, der er nødvendig for at træne maskinlæringsmodeller, datatransformationstjenester til at forberede information til analyse, visualiseringsværktøjer til tydeligt at vise resultater og software, der gør det nemt at bygge modeller.
Disse cloud-platforme gør det nemt at skabe brugerdefinerede maskinlæringsmodeller, og Google introducerede for nylig en tjeneste, der automatiserer AI-modeller, kaldet Cloud AutoML. Denne service opretter tilpassede billedgenkendelsesmodeller, selvom brugeren ikke har nogen maskinlæringserfaring.
Baseret på cloud-teknologier, machine learning, udvikler tjenester sig konstant, AI-træningsmodeller bliver forenklet.
For de virksomheder, der ikke ønsker at bygge deres egne maskinlæringsmodeller, men ønsker at bruge AI-drevne on-demand-tjenester – såsom stemme-, vision- og sproggenkendelse – skiller Microsoft Azure sig ud for den bredde af tjenester, det tilbyder, fulgte af Google Cloud Platform og derefter AWS. I mellemtiden forsøger IBM også at sælge branchespecifikke AI-teknologitjenester rettet mod alt fra sundhedspleje til handel, og grupperer disse tilbud under et navn, og har for nylig investeret 2 milliarder dollars for at udvide sine kunstige intelligenstjenester.
Hvem vinder kapløbet i AI-teknologi?
Kunstig intelligens i sundhedsvæsenet
AI kan have en betydelig indvirkning på sundhedsvæsenets udvikling ved at hjælpe radiologer med at identificere tumorer i røntgenstråler, hjælpe forskere med at opdage genetiske sekvenser forbundet med sygdomme og identificere molekyler, der kan føre til mere effektive lægemidler.
AI-relateret teknologi er blevet testet på hospitaler rundt om i verden. Disse omfatter brugen af IBMs Watson-system, brugen af Google DeepMind-systemer af UK National Health Service og meget mere.
Igen kommer det an på, hvem du spørger.
CEO for Tesla og SpaceX, at kunstig intelligens er en "fundamental risiko for eksistensen af den menneskelige civilisation." Som en del af sit fremstød for stærkere lovgivningsmæssigt tilsyn og mere ansvarlig forskning for at afbøde manglerne ved AI, skabte han OpenAI, en non-profit forskningsvirksomhed inden for kunstig intelligens, der søger at fremme og udvikle menneskevenlig AI, som skulle gavne samfundet som helhed.
Ligeledes har den respekterede fysiker Stephen Hawking advaret om, at når først tilstrækkelig avanceret kunstig intelligens er skabt, vil den hurtigt udvikle sig til det punkt, hvor teknologien er mange gange større end menneskelige evner, et fænomen kendt som singulariteten, og kan udgøre en eksistentiel trussel mod mennesket. race.
Forestillingen om, at menneskeheden er på nippet til at blive ødelagt af AI, forekommer dog absurd for nogle AI-forskere.
Muligheden for, at kunstigt intelligente systemer erstatter meget af moderne manuelt arbejde, kan tage job fra folk. Dette er en mere sandsynlig teori i den nærmeste fremtid.
Selvom AI ikke vil erstatte alle job, ser det ud til, at det vil ændre karakteren af arbejdet, og det eneste spørgsmål er, hvor hurtigt og hvor dybt automatisering vil ændre arbejdspladsen.
Der er næppe et område af menneskelig bestræbelse, som AI ikke kan mestre. AI-ekspert Andrew Ng siger det: "Mange mennesker udfører rutinemæssigt, gentagne arbejde. Desværre er teknologien særlig god til at automatisere rutinemæssigt, gentagne arbejde," sagde han, at han ser "en betydelig risiko for teknologisk arbejdsløshed i løbet af de næste par årtier."
Beviser begynder at dukke op om, hvilke job der vil blive fortrængt. Amazon lancerede for nylig et supermarked i Seattle, hvor kunderne blot kan få fat i varer fra hylderne og gå. Hvad det betyder for de mere end tre millioner mennesker i USA, der arbejder som kasseassistenter, er endnu uvist. Amazon har til hensigt at bruge robotter til at forbedre effektiviteten i sine varehuse. Disse robotter arrangerer og transporterer varer til en menneskelig plukker, som udvælger varer til forsendelse. Amazon har mere end 100.000 robotter i sine opfyldelsescentre og har planer om at udvikle og øge antallet af robotter. Men Amazon understreger også, at efterhånden som antallet af bots stiger, vil antallet af menneskelige arbejdere i disse lagre også øges. Men hos Amazon og i mindre robotvirksomheder kan man i øjeblikket se mennesker og robotter arbejde sammen. Disse robotter, der arbejder sammen med en person i samme rum, kaldes cobots.
Fremkomsten af fuldt autonome selvkørende biler på offentlige veje er ikke en realitet, men ifølge nogle skøn kan denne teknologi fjerne 1,7 millioner job i de kommende årtier, selv uden kurerer og taxachauffører, som også vil stå uden arbejde .
Nogle af de enkleste opgaver at automatisere kræver dog ikke engang brugen af robotter. I øjeblikket arbejder millioner af mennesker med administration, indtastning og kopiering af data mellem systemer, booking af hoteller til virksomheder og meget mere. Efterhånden som software bliver bedre til automatisk at opdatere systemer og markere vigtig information, vil behovet for administratorer falde.
Men der vil blive skabt nye arbejdspladser til at erstatte de tabte. Vi anbefaler at læse artiklen "" om dette. Det er dog uvist, hvor hurtigt nye job vil blive skabt til at erstatte dem, der mistes af mennesker. Og vil folk være i stand til at lære og tilpasse sig nye teknologier så hurtigt?
Ikke alle mennesker er pessimister. For nogle er kunstig intelligens en teknologi, der vil supplere i stedet for at erstatte arbejdere.
Der er meninger blandt AI-eksperter om, hvor hurtigt kunstigt intelligente systemer vil overgå menneskelige evner.
Oxford Universitys Future of Humanity Institute bad flere hundrede maskinlæringseksperter om at forudsige AI-kapaciteter i løbet af de kommende årtier.
Virksomheder har selv benyttet AI for at løse dette problem, som har beregnet, at lastbilchauffører vil blive afskediget i 2027, AI vil overgå menneskelige evner i detailhandlen i 2031, skrive en bedst sælgende bog i 2049 og udføre et kirurgjob i 2053.
Eksperter vurderer en relativt høj sandsynlighed for, at kunstig intelligens vil overgå mennesker på alle områder inden for 45 år og automatisere alle menneskelige job inden for 120 år.
