Rodzaje sztucznej inteligencji

Rodzaje sztucznej inteligencji

 Jeśli weźmiemy pod uwagę klasyfikację, którą w obrębie sztucznej inteligencji wprowadził amerykański filozof profesor Uniwersytetu Kalifornijskiego  John R. Searle możemy mówić o:

  • słabej sztucznej  inteligencji

Sztuczna inteligencja  jest w stanie wykonywać jedynie pojedyncze, proste zadania, nie potrafi natomiast przejawiać zdolności poznawczych. Oznacza to, że słaba sztuczna inteligencja nie jest rozumna, świadoma czy w inny sposób czuła na bodźce poznawcze.

  • silnej sztucznej inteligencji

To zamknięty  w maszynie zbiór algorytmów dorównujący poziomem ludzkiej inteligencji,  który jest w  stanie obserwować świat dookoła, nieustająco uczyć się samodzielnie i jest w stanie zrozumieć z czym ma do czynienia i poprawiać się zupełnie tak samo jak to robią ludzie.

Inny podział, który  zależy od liczby ukrytych warstw w architekturze sieci neuronowej

  • sztuczna inteligencja płytka

  • sztuczna inteligencja głęboka

 

Płytka sztuczna inteligencja to rozwiązanie z  jedną ukrytą warstwą, podczas gdy głęboka sztuczna inteligencja to rozwiązanie, które tworzą sieci z większą liczbą ukrytych warstw.

Obecnie najbardziej rozwiniętymi technikami w AI są sieci neuronowe, uczenie głębokie, uczenie przez przeniesienie i uczenie przez wzmocnienie. Te techniki koncentrują się  na pojedynczym, bardzo określonym zadaniu. Sieć neuronowa w uczeniu głębokim przystosowana na przykład tylko do rozpoznawania twarzy na zdjęciach nie jest jednocześnie zdolna  przewidzieć naszego wyglądu za 10 lat. Potrafi jedynie rozpoznać twarz  na zdjęciu.  Potrafi wykonać tylko to do czego została wytrenowana.  Jeśli potrzebny będzie  model predykcyjnego do określenia naszego przyszłego wyglądu,  koniecznie jest  stworzenie i wytrenowanie  innego  modelu na podstawie zupełnie innego zbioru danych.

Sztuczna inteligencja jest możliwa dzięki trenowaniu i optymalizowaniu procesów przy wykorzystaniu właściwych danych do konkretnego zadania. Zastosowania AI mogą być zmieniane i ulepszane z biegiem czasu, w miarę jak stają się dostępne nowe dane, i to właśnie stanowi element uczenia na podstawie doświadczenia w przypadku sztucznej inteligencji. Nieustające uczenie się na podstawie nowych danych jest ważne bo wszystko wokół nas się zmienia w miarę upływu czasu. W związku z tym zbiory danych z procesu  z dzisiaj  mogą się diametralnie różnić od tych które zostaną pozyskane jutro czy za kilka lat. Może się zdarzyć tak,  że zarówno  dane i  jak i modele wytrenowane na podstawie  tych danych mogą się okazać przestarzałe. Jest to zjawisko tzw. model drift. Dlatego niezmiernie istotnym staje się konieczność wprowadzania takich mechanizmów, w których rozwiązania oparte na AI będą aktualizowane,  będą zdobywać  nowe doświadczenie i wiedzę za pomocą  uczenia się na podstawie nowych i stale aktualizowanych zbiorów danych. Klasycznym przykładem tego, kiedy może się to zdarzyć, jest sytuacja, w której wzorce w danych zmieniają się z powodu sezonowości. Jeden model  działa w lecie ale nie może już działać w zimie.


Jak działają mechanizmy aktualizacji modeli?

Najlepszym sposobem na rozwiązanie tego problemu jest ciągłe dopasowywanie modeli. Na podstawie doświadczeń można oszacować moment  w którym rozpoczyna się model dryft. Na tej podstawie model może być aktywnie przebudowywany w celu zmniejszenia ryzyka związanego z dryftem.

W sytuacjach, gdy dane zmieniają się wraz z upływem czasu, dobrym rozwiązaniem może być ważenie danych. Na przykład,  modele finansowe decydujące o pewnych parametrach w oparciu o ostatnie transakcje mogą zawierać cechy, które nadają większą wagę najnowszym transakcjom i mniejszą wagę poprzednim transakcjom. Zapewnia to nie tylko solidność modelu, ale również pomaga utrzymać potencjalne problemy związane ze zjawiskiem  dryftu modelu.

Bardziej złożoną metodologią walki z dryfem modelu jest modelowanie samej zmiany. Pierwszy opracowany model jest statyczny i służy jako punkt odniesienia. W wyniku zmiany zachowania się ostatnich danych, można budować nowe modele w celu skorygowania przewidywań  modelu bazowego.

Pojawiają się pytania o to, jak często należy przebudowywać modele. Istnieje wiele rozwiązań w tym zakresie, z których każde różni się w zależności od sytuacji.

Kiedy pojawi się problem, można zbadać  dlaczego coś  poszło nie tak, a następnie wprowadzić stosowne  modyfikacje, które pozwolą wyeliminować takie problemy w przyszłości. Choć nie jest to najlepsze rozwiązanie bo jest to działanie ex post.

W innych przypadkach dane związane z podmiotami uwzględnionymi w modelu mają też na uwadze wzorce sezonowości. Po wykryciu zmian model powinien być  automatycznie przekwalifikowany zgodnie ze zmianami zarejestrowanymi w ramach sezonowości.

Najlepszym sposobem na wykrycie dryftu jest  ciągłe monitorowanie modelu  w stałych  odstępach czasu  uzależnionych  od dziedziny i działalności. Proces monitorowania może być ręczny lub  za pomocą automatycznego  skryptu, który zgłasza powiadomienia w przypadku zaobserwowania nagłych anomalii.

 

 

Chcesz nawiązać współpracę z Python Software House, który tworzy  dedykowane aplikacje webowe, dedykowane aplikacje mobilne i strony internetowe na zamówienie?

Poszukujesz Software House, który ma w swojej ofercie  tworzenie dedykowanych aplikacji internetowych z wykorzystaniem Python, Django i Flask? 



Jesteśmy  Python Software House, który istnieje na rynku 20 lat i ma w swoim portfolio wykonane dedykowane aplikacje webowe i desktopowe i oprogramowanie na zamówienie, jak również zaawansowane systemy informatyczne. Tworzymy narzędzia cyfrowe i  rozwiązania, które nie tylko pozwalają wizualizować dane, ale także integrujemy je z regularnymi procesami biznesowymi, tworzymy oparte na danych pełnoprawne dedykowane aplikacje mobilne i webowe, które sprawiają, że dane stają się bardziej dostępne dla całej organizacji.

 

Może chcesz wykorzystać rozwiązania oparte na algorytmach sztucznej inteligencji, machine learning lub deep learning?

 

Technologie informacyjne z usługi dla biznesu zamieniły się w  jego podstawę. Budujemy cyfrowe  kompetencje w obszarze zainteresowań Klienta i pomagamy znaleźć nowe modele dla biznesu.
To nasza misja.

 

Porozmawiaj z nami o swoim projekcie, a my weźmiemy pod uwagę specyfikę Twojej działalności, przewidziany czas i budżet i wybierzemy najlepszą z dostępnych opcji jego realizacji.

 

Nasza lokalizacja

Agencja Interaktywna  Web Wizard.com
rok założenia 2000


52-220 Wrocław, ul. Gen. Grota-Roweckiego 8/10
NIP:        PL 899-142-54-65
REGON:   932899803

kontakt telefoniczny w godzinach 8.30 - 16.30

tel.    +48 71 346 29 73
tel. kom.  +48 502 387 145

 

Formularz kontaktowy

Od nawiązania kontaktu z Nami, dzieli Cię Tylko jeden krok, który może być początkiem długoletniej współpracy.
Z pewnością szybko ulegnie zapomnieniu treść przesłanej korespondencji, ale nigdy nie zapomnisz tego jak się czułeś podczas współpracy z nami.

Zaczynamy?

 

*

Przeglądaj Dodaj plik

Podanie powyższych danych jest dobrowolne, przy czym podanie adresu e-mail jest niezbędne do uzyskania odpowiedzi. Osobie, której dane dotyczą, przysługuje prawo dostępu do treści jej danych osobowych oraz możliwość ich poprawiania lub usunięcia.

Administratorem danych osobowych jest Agencja Interaktywna Web Wizard.com z siedzibą we Wrocławiu, ul. Gen. Grota-Roweckiego 8/10, 52-220 Wrocław prowadząca działalność gospodarczą na podstawie wpisu do ewidencji działalności gospodarczej nr 1661331 z dnia 13.03.2003, REGON: 932899803, e-mail: biuro@webwizard.com.pl

Dane osobowe zawarte w powyższym formularzu będą przetwarzane w celu udzielenia odpowiedzi na zadane pytanie. Szczegółowe informacje znajdują się w Polityce prywatności.