Hva er kunstig intelligens?

Kunstig intelligens er et begrep som har fått mer og mer fremtreden de siste årene, og ikke for mindre. Det er en teknologi som revolusjonerer hvordan vi samhandler med verden rundt oss.

Men når alt kommer til alt, hva er kunstig intelligens? I denne spesielle artikkelen vil vi utforske konseptet, dets anvendelser, utfordringer og perspektiver for fremtiden. Følg med og finn ut hvordan AI forvandler verden vi lever i.

Se videoen på Showmetech Channel:

Hva er kunstig intelligens?

A Kunstig intelligens er også kjent under akronymene IA, på portugisisk, eller AI, på engelsk, og representerer et av de mest fascinerende feltene innen informatikk i dag.

Denne teknologien lar datamaskiner eller maskiner etterligne menneskelig intelligens.

AI-er er basert på modeller og algoritmer laget av forskere, designet for å fungere som den menneskelige hjernen. De er i stand til å identifisere informasjon, lage forbindelser mellom dem og til og med forutsi, nesten alltid, hvilket som er det mest korrekte svaret for saken.

De siste årene har det vært flere begreper og definisjoner for kunstig intelligens, men John McCarthy, kjent informatiker, i en artikkelen, definerte AI som «Vitenskapen og ingeniørkunsten for å lage intelligente maskiner, spesielt intelligent programvare. Det er relatert til den lignende oppgaven med å bruke datamaskiner for å forstå menneskelig intelligens, men AI trenger ikke begrense seg til metoder som er biologisk observerbare.".

Ifølge forskeren, selv om vi anser menneskelig intelligens som en standard for suksess, bør vi ikke begrense kunstig intelligens til å tilpasse seg vår måte å tenke på.

Studiet av AI er ikke nytt (det begynte i 1950), men det har først nå klart å nå dette potensialet med "revolusjonær" status, takket være 3 aktuelle faktorer: 

Den første er utviklingen av datamaskiner eller datasentre med gigantisk prosessorkraft, nok til å håndtere komplekse kunstig intelligens-modeller.

Den andre faktoren er tilgang til store mengder data, levert av internett selv. Disse, selv om de er «rå», det vil si ikke nødvendigvis organisert og klassifisert, er grunnlaget for at AI-er skal lære å klassifisere objekter riktig og gi riktige svar på det som blir spurt.

Og den tredje gjelder datamodeller, som er effektive og nøyaktige representasjoner av informasjonen vi ønsker å analysere eller bruke. De er bygget for å hjelpe AI-er bedre å forstå hva de blir fortalt.

Med det kommer vi til det vi ser i dag: AI-er som svarer på spørsmål om ethvert emne, lager arbeidspresentasjoner, helt nye bilder og til og med sanger med stemmene til ekte sangere.

For eksempel, hvis vi spør ChatGPT, et AI-system som kan forstå og svare på spørsmål som om det var en ekte person, hva er kunstig intelligens, kan vi få følgende svar:

Kunstig intelligens (AI) refererer til et felt innen informatikk som fokuserer på å utvikle systemer og maskiner som er i stand til å utføre oppgaver som normalt ville kreve menneskelig intelligens. AI har som mål å lage programmer og algoritmer som kan oppfatte, resonnere, lære og ta beslutninger autonomt.

ChatGPT

Disse programmene eller algoritmene finnes også i elektronikken vi bruker, for eksempel i biler som kjører selv, robotstøvsugere og selvfølgelig i de mest forskjellige funksjonene som smarttelefonen din tilbyr deg.

Men for at vi skal forstå hvordan AI-er kom hit, er det på tide å snakke litt historie.

Historien om kunstig intelligens

Siden antikken har ideen om livløse gjenstander med intelligens eksistert. Ideen om intelligente roboter og kunstige vesener dukket først opp i myter av antikkens Hellas. guden Hephaestus, for eksempel, har blitt beskrevet som å skape robotlignende gyldne tjenere. I det gamle Egypt bygde ingeniører statuer som angivelig var animert av prester.

Gjennom århundrene har tenkere som f.eks Aristoteles, Ramon Llull, René Descartes e thomas bayes beskrev menneskelige tankeprosesser ved å bruke verktøy og logikk fra sin tid, og la grunnlaget for AI-konsepter som å representere generell kunnskap.

På slutten av 1836-tallet og i første halvdel av XNUMX-tallet dukket det opp grunnleggende verk som skulle gi opphav til den moderne datamaskinen. I XNUMX, matematiker Cambridge University, Charles Babbage e Augusta Ada Kingen grevinne av Lovelace, laget det første designet for en programmerbar maskin.

Selv om røttene er eldgamle, er historien til kunstig intelligens slik vi kjenner den i dag mindre enn et århundre gammel. Nedenfor gir vi en rask oversikt over noen av de viktigste hendelsene i dens bane.

1940-tallet:

• I 1943, Warren McCullough e Walter Pitts publisere artikkelenEn logisk beregning av iboende ideer i nervøs aktivitet", som foreslår den første matematiske modellen for å bygge et nevralt nettverk.
• I 1949, i sin bok "Organisasjonen av atferd: En nevropsykologisk teori" Donald Hebb foreslår teorien om at nevrale veier skapes fra erfaringer og at forbindelser mellom nevroner styrkes jo oftere de brukes. Lær hebbisk er fortsatt en viktig modell innen AI.

1950-tallet:

I 1950, matematikeren Alan Turing, betraktet som datavitenskapens far, skrev en artikkel for å svare på spørsmålet "Kan en maskin tenke?, spør om det ville være mulig å lage en intelligent maskin. Han oppfant også en test for å se om en datamaskin kunne etterligne menneskelig atferd. De berømte Turing test.

I 1950 også science fiction-forfatteren Isaac Asimov, ga ut boken "jeg stjeler”, for å stille spørsmål ved hvor intelligente roboter ville være og hvilke regler de bør følge. Her skapte han også sin berømte "3 lover for robotikk", som fortsatt brukes i dag for å forstå hvordan en robot skal opptre uten å skade mennesker. 

Så, i 1956, John McCarthy skapte begrepet "kunstig intelligens" på den første konferansen dedikert til AI-er i USA, og samme år ble det første programmet for kunstig intelligens opprettet, Logikkteoretiker, som klarte å utføre en slags «automatisert resonnement».

Andre viktige fakta fra tiåret inkluderer:

• I 1950 ble elever fra Harvard, Marvin Minsky e Dean Edmonds bygge SNARC, den første nevrale nettverksdatamaskinen.

• I 1950, claude shannon publisere artikkelenProgrammere en datamaskin til å spille sjakk".
• I 1952, Arthur Samuel utvikler et selvlæringsprogram for å spille dam.
• I 1954 eksperimenterte den russiske til engelske maskinoversettelse av Georgetown-IBM Oversetter automatisk 60 nøye utvalgte russiske setninger til engelsk.
• I 1957, Frank Rosenblatt oppfinne perceptron Nei. Cornell Aeronautical Laboratory, det første kunstige nevrale nettverket.

• I 1957, Allen Newell og Herbert Simon e JC Shaw utvikle Generell problemløser (GPS), et program designet for å etterligne menneskelig problemløsning.
• I 1958, John McCarthy utvikler AI programmeringsspråk lisp og publiserer "Programmer med sunn fornuft”, en artikkel som foreslår det hypotetiske Rådgiver, et komplett AI-system med evnen til å lære av erfaring like effektivt som mennesker.
• I 1959, Herbert Gelernter utvikler programmet Geometriteoremleverandør. Programmet kunne bevise geometriteoremer på en automatisert måte.
• I 1959, Arthur Samuel mynt begrepet "maskinlæring"(maskinlæring) mens du jobbet hos IBM.
• I 1959, John McCarthy e Marvin Minsky fant Kunstig intelligensprosjekt do MIT.

1960-tallet:

På 60-tallet ble nevrale nettverk kom faktisk inn på kartet. De er systemer som etterligner funksjonen til nevroner i den menneskelige hjernen, for å tillate maskiner å "lære" som oss, i et prøvings- og feilingsformat. Vi vil se mer detaljert senere, i kapittelet om maskinlæring.

• I 1962, John McCarthy starter AI Lab em Stanford.
• I 1966, Joseph Weizenbaum oppdrett ELIZA, den første programvare for simulering av dialoger (Chatbot) ved MIT Artificial Intelligence Laboratory.

• I 1966 ble rapporten fra Rådgivende komité for automatisk språkbehandling (ALPAC), fra den amerikanske regjeringen, beskriver mangelen på fremgang i forskning på maskinoversettelse. Et flott initiativ av Kald krig med løftet om automatisk og umiddelbar oversettelse fra russisk.

1970-tallet:

På 1970-tallet, programmeringsspråket PROLOG opprettes og rapporten lighthill er utgitt av den britiske regjeringen, og beskriver skuffelsene i AI-forskning og resulterer i betydelige kutt i prosjektfinansiering. Denne perioden er kjent som "AIs første vinter".

• I 1970, de første vellykkede ekspertsystemene, DENDRAL e MYCIN, er opprettet i Stanford. Ekspertsystemer er programvare som har til hensikt å simulere resonnementet til en profesjonell ekspert innen et bestemt kunnskapsområde, i dette tilfellet for å hjelpe leger med diagnostisering og behandling av infeksjonssykdommer.
• I 1972, programmeringsspråket PROLOG er laget av Alain Colmerauer og dets medarbeidere i Universitetet i Marseille. Språket ble født fra et prosjekt som ikke var fokusert på implementering av et programmeringsspråk, men på prosessering av naturlige språk.
• I 1973, i Waseda universitet, i Japan, ble bygget WABOT-1, ansett som den første antropomorfe roboten. Blant ressursene skiller evnen til å flytte medlemmene, se og snakke seg ut.

• I 1978 ble Digital Equipment Corporations utvikler R1 (også kjent som XCON), det første vellykkede handelsekspertsystemet. Designet for å konfigurere bestillinger for nye datasystemer, starter R1 en boom i investering i ekspertsystemer som vil vare i det meste av tiåret.
• Mellom 1974 og 1980 førte frustrasjon over fremgang i AI-utvikling til store kutt i akademiske stipend fra DARPA. Kombinert med rapporten ALPAC og rapporten lighthill fra året før tørker finansieringen til AI opp og forskningen stagnerer.

1980-tallet:

På 1980-tallet dukket teknologier som nye ekspertsystemer og programmeringsspråket opp. lisp, og betydelige investeringer i kunstig intelligens finner sted. Denne perioden er kjent som "Boom of Expert Systems” og markerer slutten på AIs første vinter.

Fortsatt i det tiåret, i 1986, det som nå anses «Fader til kunstig intelligens" Geoffrey Everest Hinton, utviklet algoritmer som er i stand til å trene nevrale nettverk på en enda mer kompleks måte og til og med uten hjelp fra forskerne selv, som i dag kalles Dyp læring eller dyp maskinlæring. Det er riktig, AI-ene begynner å lære av seg selv her, alt som trengs er at forskeren gir dataene for at de kan "studere"!

Andre viktige fakta inkluderer:

• I 1982 lanserte Japan det ambisiøse prosjektet om Femte generasjons datasystemer, FGCS. Meningen med FGCS er å utvikle superdatamaskin-lignende ytelse og en plattform for AI-utvikling.
• I 1983, som svar på FGCS Japan, den amerikanske regjeringen lanserer Strategisk databehandlingsinitiativ å gi midler til DARPA for forskning innen AI og informasjonsteknologi.
• I 1985 bruker bedrifter over en milliard dollar årlig på ekspertsystemer og en hel industri kjent som maskinmarkedet. lisp kommer for å støtte dem. Bedrifter liker Symbolikk e Lisp Machines Inc. bygge spesialiserte datamaskiner for å kjøre AI-programmeringsspråket lisp.

• I 1986, Hinton, Rumelhart e Williams publisere "Lære representasjoner gjennom feiltilbakeforplantning”, slik at dypere nevrale nettverk kan utvikles.
• Mellom 1987 og 1993, med forbedringen av datateknologi, dukket det opp billigere alternativer og maskinmarkedet lisp kollapset i 1987, og innviet "AIs andre vinter". I løpet av denne perioden viste ekspertsystemer seg for dyre å vedlikeholde og oppdatere, og falt til slutt i unåde.

1990-tallet:

På 1990-tallet ble nettet allment tilgjengelig, slik at en stor mengde data kan samles inn og tilgjengelig for trening av AI-modeller. Interessen for nevrale nettverk og maskinlæring fornyes også.

• I 1991 satte amerikanske styrker ut DART, et automatisert verktøy for logistikkplanlegging og planlegging, under Gulfkrigen.
• I 1992 avslutter Japan prosjektet FGCS, med henvisning til feil med å nå ambisiøse mål satt et tiår tidligere.
• I 1993 ble DARPA avslutter Strategisk databehandlingsinitiativ, etter å ha brukt nesten 1 milliard dollar og falt langt under forventningene.
• I 1997 ble Deep Blue da IBM verdensmester i sjakk vinner Garry Kasparov.

• I 1999, filmen Matrix utgis, og populariserer ideen om kunstig intelligens og dens innvirkning på samfunnet ytterligere.

2000-tallet til i dag:

Fra 2000-tallet blir AI stadig mer tilstede i hverdagen vår, fra virtuelle assistenter til stemme- og bildegjenkjenningssystemer, samt selvkjørende biler og andre teknologier. Nye teknikker som dype nevrale nettverk, naturlig språkbehandling (NLP) og forsterkende læring utvikles og forbedres.

I midten av 2018 fortsatte AI-er å utvikle seg raskt og de første "Great Language Models" eller LLM-er, i akronymet på engelsk, som er nevrale nettverk som er i stand til å tolke store mengder tekster for å generere passende svar. Og dette er akkurat det vi ser i dag i ChatGTP, kunstig intelligens lansert i 2022 som svarer på brukernes spørsmål og kommandoer.

Sjekk ut de siste faktaene:

• I 2002 ble iRobot kaster Roomba, den første masseproduserte robotstøvsugeren med et AI-drevet navigasjonssystem.
• I 2005, den selvkjørende bilen STANLEY vinner DARPA Grand Challenge.

• I 2005 begynte USAs væpnede styrker å investere i autonome roboter som "Stor hund" fra Boston Dynamics det er "PackBot" fra iRobot.
• I 2008 ble Google fremmer talegjenkjenningsteknologi og introduserer funksjonalitet i applikasjonen din iPhone.
• I 2010 ble eple kaste Siri, en AI-drevet virtuell assistent, gjennom iOS-operativsystemet.
• I 2011 ble Watson da IBM beseirer lett konkurrentene i programmet Jeopardy!.

• I 2012, Andrew Ng, grunnlegger av prosjektet Google Brain Deep Learning, mater et nevralt nettverk ved hjelp av dyplæringsalgoritmer med 10 millioner videoer fra YouTube som et treningssett. Det nevrale nettverket lærte å gjenkjenne en katt uten å bli fortalt hva en katt er, og innledet epoken med fremskritt innen nevrale nettverk og finansiering av dyp læring.
• I 2012 ble Google gjør den første selvkjørende bilen som har bestått en statlig førerprøve.
• I 2014 ble Alexa da Amazon, et virtuelt smarthjemsapparat, lanseres.
• I 2015 ble den første "robotborger”, heter en menneskelig robot Sophia, er laget av Hanson Robotics og er i stand til ansiktsgjenkjenning, verbal kommunikasjon og ansiktsuttrykk.

• I 2016 ble AlphaGo do Google DeepMind beseirer verdensmesteren i Go, Lee Sedol. Kompleksiteten til det gamle kinesiske spillet ble sett på som en stor hindring for AI.
• I 2018 ble Google lanserer naturlig språkbehandlingsmotor BERTI, redusere barrierer i oversettelse og forståelse av maskinlæringsapplikasjoner.
• I 2018 ble Waymo starte tjenesten din Waymo One, slik at brukere over hele Phoenix kan be om henting fra et av selskapets selvkjørende kjøretøy.
• I 2020 ble Baidu lanserer sin kunstig intelligens-algoritme LinearFold for vitenskapelige og medisinske team som jobber med vaksineutvikling i de tidlige stadiene av SARS-CoV-2-pandemien. Algoritmen kan forutsi RNA-sekvensen til viruset på bare 27 sekunder, 120 ganger raskere enn andre metoder.
• I 2020 ble OpenAI lanserer den naturlige språkbehandlingsmodellen GPT-3, i stand til å produsere tekst modellert etter måten folk snakker og skriver på.
• I 2020 ble AlphaFold2 da DeepMind løser problemet med proteinfolding, og baner vei for nye medikamentoppdagelser og medisinske fremskritt.

• I 2021 ble OpenAI utvikler DALL-E, basert på GPT-3, i stand til å lage bilder fra tekstmeldinger.
• I 2021 ble Nasjonalt institutt for standarder og teknologi lanserer det første utkastet hans AI Risk Management Framework, en frivillig guide fra USA "å bedre håndtere risikoen for enkeltpersoner, organisasjoner og samfunn knyttet til kunstig intelligens".
• I 2022 ble DeepMind presenterer gato, et AI-system som er opplært til å utføre hundrevis av oppgaver, inkludert å spille spill Atari, bildetekster, og bruk en robotarm til å stable blokker.
• I 2022 ble Google sparke ingeniøren Blake Lemoine for din bekreftelser av hva eller Googles språkmodell for dialogapplikasjoner (LaMDA) var bevisst.
• I 2023 ble Microsoft lanserer en AI-versjon av Bing, dens søkemotor, bygget på den samme teknologien som driver ChatGPT.
• I 2023 ble Google kunngjør Bard, en samtidig samtale-AI.
• I 2023 anla artister et gruppesøksmål mot Stabilitet AI, DeviantArt e midt på reisen til din bruk av Stabil diffusjon å remikse de opphavsrettsbeskyttede verkene til millioner av artister.
• I 2023 ble OpenAI kaster GPT-4, dens mest sofistikerte språkmodell til dags dato.

Vel, med historien oppdatert, vil vi nå forstå hvordan typene kunstig intelligens er klassifisert.

Hva er typene kunstig intelligens?

Generelt deler forskere vanligvis AI-er inn i 5 hovedtyper, hver av dem er et steg på stigen for å nærme seg eller til og med overgå menneskesinnet:

Reaktive AIer

Den første typen er Reaktive AIer, som ikke har noe minne og ikke lærer av tidligere feil eller erfaringer.

Et vanlig eksempel på en reaktiv maskin er en robot programmert til å produsere bildeler på produksjonslinjen. Roboten er utstyrt med sensorer som lar den oppdage tilstedeværelsen av deler og maskiner i arbeidsområdet. Den er programmert til å utføre spesifikke oppgaver, som sveising og skjæring, som svar på stimuli oppdaget av sensorene.

AI-er med begrenset minne

Den andre typen er AI-er med begrenset minne, som lærer av feil eller tidligere erfaringer for å ta beslutninger. Maskiner med begrenset minne kan lagre tidligere data og spådommer for å ta sanntidsbeslutninger. De er mer komplekse enn reaktive maskiner og gir flere muligheter.

Her er de personlige assistentene som Google, Alexa og Siri og til og med spesialfunksjoner på telefonen din, som å identifisere objekter for å forbedre dem i en video eller et bilde.

AI-ene Reaktiv og av Begrenset minne, er også klassifisert som Begrenset kunstig intelligens, eller akronymet ANI, på engelsk. De kalles populært "Dårlig AI" og de omfatter all AI som vi har i verden i dag.

Theory of Mind AI

Den tredje typen kalles Theory of Mind AI, der intelligente systemer kan forstå og forklare sine beslutninger på en måte som mennesker kan forstå dem. Det vil si at AI forstår og gjenkjenner de som samhandler med den, og forstår deres behov, følelser og tro.

Denne typen AI er ennå ikke oppfunnet, men det er svært sannsynlig at vi snart vil se noe slikt rundt, men som et fiktivt eksempel, i filmen "Blade Runner 2049”, er en av karakterene en AI som kan forstå menneskelige følelser og til og med føle dem.

Selvbevisst AI

Den fjerde typen, den mest avanserte, er selvbevisst AI. I denne kategorien blir kunstig intelligens bevisst seg selv, sine behov og til og med sine følelser. er klassifisert som Generell kunstig intelligens, eller akronymet AGI, på engelsk, men også kalt "Sterk AI".

En selvbevisst AI kunne lære om seg selv og verden rundt seg, og den ville ha sin egen identitet. Selvbevissthet regnes som et endelig mål for AI, men det blir også sett på som en etisk og filosofisk utfordring, da det reiser spørsmål om bevissthetens og identitetens natur.

En av de mest kjente teoriene om bevissthet er Integrert informasjonsteori (IIT), foreslått av nevrovitenskapsmannen Giulio Tononi i 2004. Den IIT antyder at bevissthet oppstår når et system kan integrere informasjon fra forskjellige kilder og skape en enhetlig bevissthetstilstand. I følge denne ideen er bevissthet ikke bare avhengig av systemets kompleksitet, men også av evnen til å samle informasjon og skape en personlig bevissthetstilstand.

Denne typen er heller ikke oppfunnet ennå, men det anslås at vi nærmer oss å se en «selvbevisst AI» i nær fremtid, som tenker og oppfører seg som et menneske.

Som et fiktivt eksempel, i filmen "Ex Machina”, en AI kalt Ava er designet med evnen til å lære om seg selv og utvikle sin egen personlighet, og reiser spørsmål om hva det vil si å være menneske og rollen til AI i samfunnet.

Super AI

Men det er en femte fase, kalt super AI ou Kunstig superintelligens, eller akronymet ASI, på engelsk, også kalt "super sterk AI".

Øyeblikket når det nås har allerede et navn: singularitet. Det vil representere en milepæl i vitenskapelig evolusjon, hvor datamaskiner vil ha overmenneskelig intelligens, det vil si over det vi er i stand til å resonnere. 

Her er fremtiden like imponerende som den er bekymringsfull, ettersom disse AI-ene kan hjelpe oss med å kurere sykdom og utvikle oss teknologisk, men de kan også bestemme at menneskeslekten ikke lenger er nødvendig eller bør behandles som underlegen.

I likhet med det som skjer i filmen The Terminator, der en kunstig intelligens bestemmer seg for å eliminere oss, eller i The Matrix, en historie som forteller hvordan en AI dominerte mennesker og gjorde dem til "batterier" for maskinene.

Fra det tidspunktet kan AI-ene bli ukontrollerbare. For en frykt, ikke sant?

Deep Learning vs. Maskinlæring

Maskinlæring (maskinlæring) e Deep Learning (dyp læring) er to grunnleggende teknikker innen kunstig intelligens som lar maskiner automatisk lære av data og forbedre ytelsen over tid.

Begge teknikkene har blitt brukt mye i en rekke bransjer, inkludert finans, helsevesen, transport, detaljhandel og mange andre. Men til tross for deres popularitet, er mange mennesker fortsatt i tvil om forskjellene mellom de to teknikkene og hvordan de kan brukes i forskjellige scenarier.

Hva er maskinlæring?

O Maskinlæring er en AI-tilnærming som fokuserer på å lære maskiner å lære av data uten å være eksplisitt programmert. I stedet algoritmene Maskinlæring bruke statistiske teknikker for å identifisere mønstre i datasett og, basert på disse mønstrene, ta spådommer eller beslutninger.

Det er lettere å forstå når vi ser på de seks trinnene som brukes til å lære en maskin med begrenset minne:

1. Ordne data for å lære maskinen (treningsdata);
2. Lag en modell for maskinen å lære;
3. Sjekk om modellen kan gi spådommer;
4. Sjekk om modellen kan motta tilbakemelding (mening) fra mennesker eller miljø;
5. Lagre denne tilbakemeldingen som data;
6. Gjenta alt dette mange ganger for å forbedre maskinens ytelse.

Ved å bruke disse trinnene er det fire hovedmåter å lære en maskin å lære av data:

• Veiledet læring: det er da vi lærer maskinen å gjenkjenne informasjon ved hjelp av mange eksempler. Det er som å lære en hund å kjenne igjen en ball. Vi viser mange baller og sier «dette er en ball». På samme måte, for å lære maskinen å gjenkjenne bilder av hester, viser vi mange bilder som vi allerede vet er hester. Dermed lærer maskinen av seg selv å gjenkjenne hester på andre bilder.
• Afanget uten tilsyn: det er da vi lærer maskinen å finne mønstre i data uten at noen trenger å fortelle oss hva hver del av data er. Det er som å organisere objekter i grupper uten at noen forteller deg hvilke objekter som hører sammen. Maskinen lærer på egen hånd å finne likheter mellom objekter og gruppere dem etter disse likhetene. Dette er nyttig for å finne mønstre i data og beskrive dem.
• Semi-veiledet læring: det er en blanding av de to foregående typene. Noe informasjon læres inn, men maskinen må selv finne ut hvordan den skal organisere informasjonen for å få riktig resultat. Det er som å lære en hund å bare fange den røde ballen, men han må finne ut hvordan han skal gjøre det selv.
• Forsterkende læring: er når vi lærer maskinen å gjøre noe gjennom prøving og feiling. Maskinen utfører en oppgave og mottar positiv tilbakemelding når den gjør det bra og negativ tilbakemelding når den gjør det dårlig. Det er som å lære en hund å plukke opp en leke. Hvis han velger riktig leketøy, får han en godbit. Hvis du tar feil, vinner du ingenting.

Hva er dyp læring?

O Dyp læring (Deep Learning, i fri oversettelse) er en maskinlæringsteknikk som bruker Kunstige nevrale nettverk å lære av data.

Et nevralt nettverk er en samling av kunstige nevroner kalt perseptroner, som brukes til å analysere og klassifisere data. De fungerer som en liten datamaskin som mottar informasjon og gjør beregninger. Data mates inn i det første laget av nettverket, hvor hver perceptron mottar en beregning og deretter overfører denne informasjonen til flere andre perceptrons i det neste laget.

Når det nevrale nettverket har mer enn tre lag, kalles det et "dypt nevralt nettverk" eller Deep Learning. Noen moderne nevrale nettverk har hundrevis eller til og med tusenvis av lag. Utdataene fra de endelige perceptronene utfører oppgaven som er definert for det nevrale nettverket, for eksempel å klassifisere et objekt eller finne mønstre i dataene.

Når det nevrale nettverket trenes med flere eksempler, kan det lære å identifisere mønstre og utføre komplekse oppgaver som stemmegjenkjenning, bildegjenkjenning og naturlig språkbehandling (NLP).

Det finnes forskjellige typer kunstige nevrale nettverk, som hver brukes til spesifikke oppgaver. Noen av de vanligste er:

As FeedForward (FF) nettverk brukes til å klassifisere ting, som bilder eller tekst. Dataene går gjennom flere lag til de når det endelige svaret. FF-er er vanligvis kombinert med en feilkorrigeringsalgoritme kalt "BackPropagation", som omarbeider nettverket bakover med resultatet for å forbedre nøyaktigheten.

As Tilbakevendende nevrale nettverk (RNN) brukes til å forutsi ting basert på sekvenser av data, som ord i tekst. De har "minne" av det som skjedde i forrige lag og brukes til talegjenkjenning, oversettelse og teksting.

As Langtidsminnenettverk (LSTM) er en spesiell type RNN som kan huske ting fra tidligere lag. De brukes til å forutsi ting basert på tidligere data, som i talegjenkjenning.

As Convolutional Neural Networks (CNN) brukes hovedsakelig til å behandle bilder. De ser etter forskjellige deler av bildet og kombinerer dem for å komme frem til et resultat.

As Generative Adversarial Networks (GAN) brukes til å lage realistiske bilder og til og med lage kunst. De fungerer som et spill, der et nettverk lager eksempler som det andre nettverket prøver å bevise om de er sanne eller usanne.

Hva er forskjellene mellom Machine Learning og Deep Learning?

Hovedforskjellen mellom Maskinlæring e Dyp læring er at hver enkelt er bedre til å håndtere forskjellige typer data. O Maskinlæring er nyttig for strukturerte data som salgsprognoser og svindeldeteksjon, mens Dyp læring den er best egnet for komplekse, ustrukturerte data som bilder og lyd.

En annen viktig forskjell er mengden data som trengs for å trene en modell. O Dyp læring krever vanligvis store datasett for å være effektive, mens Maskinlæring det kan fungere bra med mindre datasett.

Til slutt, trening en modell av Dyp læring er mer komplekst og tidkrevende enn å trene en modell Maskinlæring, men kan resultere i mer nøyaktige spådommer og bedre ytelse på komplekse oppgaver.

Fremme av generative modeller

Kunstig intelligens har utviklet seg raskt de siste årene, og et av områdene som har fått en fremtredende plass er utviklingen av generative modeller. De er en gjeldende klasse AI-er som brukes til å generere ny informasjon. 

De kan lage bilder, fulltekster, musikk og til og med videoer fra et sett med treningsdata. De er algoritmer av Dyp læring som kan lære å generere ny informasjon og skiller seg fra modeller diskriminerende, brukes kun til sortering eller merking av data.

For eksempel kan du trene en generativ modell til å lese all tekst fra Wikipedia og deretter bruke den informasjonen til å generere nye tekster basert på en spesifikk forespørsel. Et annet eksempel ville være å trene en generativ modell med verkene til Rembrandt og deretter bruke den til å lage nye kunstverk

Tenk deg at du vil lage en ny sang, for eksempel, men du vet ikke hvordan du spiller noen instrumenter. Du kan bruke en generativ musikkprodusentmal som MusicLM do Google og forklar ham hva slags sang eller rytme du trenger, og han vil generere en helt ny sang for deg.

For å generere tekster eller bilder er fremgangsmåten den samme, bare finn en spesialisert modell, som f.eks Bing med AI fra Microsoft, for tekster og svar, eller midt på reisen, for bilder, skriv til dem hva du trenger.

Denne handlingen med å skrive kommandoer eller forespørsler til AI-ene kalles til og med "prompt".

Det mest utrolige er at alt du trenger å gjøre er å skrive forespørselen din eller prompt i naturlig språk, som systemene forstår, og på et hvilket som helst språk.

Du kan for eksempel beskrive til Midjourney, AI som genererer bilder noe sånt som: "Se for deg et fotorealistisk bilde av en jente som kjører et skateboard", eller spør ChatGPT å "skrive en morsom historie om frosker og prinsesser". Resultatet er nesten magi.

Oppsummert er generering av generative modeller et lovende område av AI som allerede er mye brukt i forskjellige sektorer. EN trend er at disse modellene blir stadig mer nøyaktige og effektive, og åpner dører til en ny æra av kunstig intelligens.

Hvor kan vi finne kunstig intelligens?

AI er tilstede i mange områder og sektorer, og transformerer måten vi utfører oppgaver på og samhandler med teknologi. Nedenfor er noen eksempler på hvor vi kan finne kunstig intelligens:

• talegjenkjenning: Talegjenkjenningsteknologi brukes i mobile enheter som virtuelle assistenter som f.eks Siri, for å utføre talesøk og gi tilgjengelighet i tekstmeldinger.
• Kundeservice: Virtuelle agenter er stadig mer vanlige i kundeservice, svarer på vanlige spørsmål, gir personlig rådgivning og bistår med krysssalg av produkter. Eksempler inkluderer chatbots på e-handelsnettsteder og meldingsapper som Facebook Messenger e WhatsApp.
• Datamaskin syn: Datasyn lar systemer og datamaskiner analysere visuell informasjon, for eksempel bilder og videoer, for å utføre handlinger. Applikasjoner inkluderer bildemerking på sosiale medier, medisinsk bildediagnostikk og selvkjørende biler.
• anbefalingssystemer: AI-algoritmer brukes i anbefalingssystemer for å identifisere atferdsmønstre og gi personlige forslag. Dette er vanlig å se i nettbutikker der produktanbefalinger utarbeides under kasseprosessen.
• Automatisert aksjehandel: AI-baserte høyfrekvente handelsplattformer utfører tusenvis eller til og med millioner av handler daglig, uten menneskelig innblanding, og optimaliserer aksjeporteføljer.
• Robotikk: Robotics bruker AI til å designe og produsere roboter som er i stand til å utføre vanskelige eller repeterende oppgaver. Disse robotene brukes i industrielle produksjonslinjer, romutforskning og sosiale interaksjoner.

• autonome biler: Kombinasjonen av datasyn, bildegjenkjenning og dyp læring er avgjørende for utviklingen av selvkjørende biler, som kan kjøre ved å holde seg i et bestemt kjørefelt og unngå uventede hindringer.
• Tekst-, bilde- og lydgenerering: Generative AI-teknikker brukes til å lage ulike typer medier basert på tekstmeldinger. Dette inkluderer fotorealistiske kunstverk, e-postsvar og skript.

I tillegg til disse eksemplene er kunstig intelligens tilstede i flere bransjer og markeder, inkludert:

• Helse: AI brukes i helsevesenet for å forbedre pasientresultater og redusere kostnader. Maskinlæringsalgoritmer brukes for raskere og mer nøyaktige medisinske diagnoser. I tillegg brukes virtuelle assistenter og chatbots for å hjelpe pasienter med å finne medisinsk informasjon, planlegge avtaler og bistå med administrative prosesser.

• Virksomhet: AI blir integrert i analyse- og CRM-plattformer for å forbedre tjenesten. Chatbots er innebygd i nettsider for å gi umiddelbar støtte, og generativ AI-teknologi som f.eks ChatGPT, revolusjonerer produktdesign og forretningsmodeller.
• Utdanning: AI kan automatisere vurdering og tilpasning til elevenes behov, slik at de kan jobbe i sitt eget tempo. AI-veiledere gir ekstra støtte og kan hjelpe lærere med å lage undervisningsmateriell. Imidlertid bruk av AI i utdanning det krever også refleksjon over plagiatpolitikk og studentplikter.
• Finansiert: apper for personlig økonomi som f.eks Intuit Mint eller TurboTax, bruk AI for å gi personlig tilpasset økonomisk rådgivning. Videre er AI til stede i handelsprosesser på Wall Street og i finansiell analyse.
• Law: AI brukes til å automatisere arbeidskrevende prosesser på det juridiske feltet, som å analysere dokumenter og tolke forespørsler om informasjon.
• produksjon: Industriroboter blir integrert i arbeidsflyten, og jobber sammen med mennesker. AI brukes til å forbedre effektiviteten og nøyaktigheten til produksjonsprosesser. I tillegg brukes AI i prediktivt vedlikehold, slik at bedrifter kan identifisere og løse problemer før maskinfeil oppstår.

• underholdning og media: AI brukes i underholdningsindustrien for målrettet annonsering, innholdsanbefaling, manusskaping og filmproduksjon. Automatisert journalistikk bidrar til å effektivisere arbeidsflyter og redusere tid og kostnader. Imidlertid er det fortsatt diskusjoner om pålitelig bruk av generativ AI i genereringen av journalistisk innhold.
• Programvarekoding og IT-prosesser: Generative AI-verktøy brukes til å produsere applikasjonskode basert på naturlige språkoppfordringer. I tillegg automatiserer AI IT-prosesser som dataregistrering, svindeldeteksjon og sikkerhet.
• Sikkerhet: AI brukes på cybersikkerhet for avviksdeteksjon, feilsøking og trusselanalyse. AI brukes i programvare for sikkerhetsinformasjon og hendelseshåndtering (SIEM) for å identifisere mistenkelig aktivitet.
• Transportere: AI spiller en nøkkelrolle i transportindustrien, spesielt i utviklingen av autonome kjøretøy. I tillegg brukes AI for å optimalisere transportruter, administrere trafikk og forbedre logistikken.
• jordbruk: AI brukes i landbruket på en rekke måter, fra optimalisering av bruken av ressurser som vann og gjødsel, til tidlig oppdagelse av sykdom i planter. Droner utstyrt med AI-teknologi brukes til å overvåke avlinger, identifisere problemområder og bistå i landbruksplanlegging.

• personlig assistanse: virtuelle assistenter, som f.eks Siri da epleen Alexa da Amazon og Google Assistant, er eksempler på hvordan AI er tilstede i våre daglige liv. Disse assistentene bruker AI-teknikker for å forstå talekommandoer, utføre oppgaver, gi informasjon og til og med holde samtaler.
• Human Resources: AI-algoritmer kan brukes til å analysere CVer, velge kvalifiserte kandidater og forutsi ansattes ytelse. I tillegg kan AI-drevne chatbots brukes til å svare på vanlige spørsmål fra ansatte og hjelpe til med opplæring og faglig utvikling.
• Detaljhandel: I detaljhandelen brukes AI for å forbedre kundeopplevelsen, tilpasse produktanbefalinger, administrere varelager og optimalisere prisstrategier. AI-algoritmer kan analysere kundenes kjøpsatferd, identifisere mønstre og tilby personlige forslag, noe som bidrar til å øke salg og kundelojalitet.
• Militær sektor: AI spiller en betydelig rolle i militærsektoren, og brukes på flere områder. For eksempel kan AI-baserte overvåkingssystemer brukes til å overvåke grenser, identifisere trusler og hjelpe til med strategiske beslutninger. I tillegg brukes AI i utviklingen av autonome militærdroner, som kan utføre rekognoserings- og angrepsoppdrag med presisjon.

Dette er bare noen få eksempler på hvor kunstig intelligens kan finnes. Ettersom teknologien fortsetter å utvikle seg, er det sannsynlig at AI vil bli brukt i flere bransjer og ha en enda større innvirkning på livene våre.

Vil kunstig intelligens stjele jobben din?

Automatisering og kunstig intelligens har vært hete temaer i arbeidslivet, og mange bekymrer seg for å miste jobben til maskiner. Denne bekymringen er imidlertid ikke helt sann.

Ifølge a studere gjennomført av Goldman Sachs innen utgangen av mars 2023 er den økende innvirkningen av kunstig intelligens på økonomien tydelig. Forskning viser at hvis generativ kunstig intelligens lever opp til løftene, kan markedet stå overfor betydelige endringer, påvirker rundt 300 millioner arbeidsplasser.

Det er imidlertid viktig å understreke at dette ikke nødvendigvis innebærer å erstatte disse jobbene med teknologier. Rapporten påpeker at automatisering historisk sett har blitt oppveid av å skape nye jobbmuligheter.

For tiden kompletterer kunstig intelligens omtrent 63 % av eksisterende jobber, spesielt innen kundeservice. Yrker som kokker og motorsykkelmekanikere står foreløpig ikke overfor noen trussel om erstatning.

Det er en kjensgjerning at automatisering transformerer arbeidsmarkedet, men bare en del av jobbene vil bli fullstendig automatisert, iht. søke da McKinsey & Company. Dette betyr at det er et enormt potensial for mennesker til å bli mer produktive enn noen gang før.

Basert på denne informasjonen kan vi konkludere med at selv om kunstig intelligens kan virke som en trussel mot jobber globalt, er den fortsatt avhengig av menneskelig tilsyn og har ikke nok autonomi til å stå på egen hånd. Derfor vil det være et bredt spekter av jobbmuligheter for de som er interessert i å jobbe i dette voksende feltet.

I den følgende listen presenterer vi yrker generert av virkningen av AI på arbeidsmarkedet. Hver av disse profesjonene spiller en viktig rolle i implementering, utvikling og etikk av kunstig intelligens, og demonstrerer potensialet og viktigheten til denne teknologien på flere områder av det moderne samfunnet.

• AI revisor: Evaluerer og verifiserer samsvar av kunstig intelligens-systemer med etiske standarder, forskrifter og beste praksis.
• Maskinsjef: ansvarlig for å overvåke og vedlikeholde riktig funksjon av systemer og maskinvareinfrastruktur relatert til kunstig intelligens.
• rask ingeniør: utvikler og forbedrer tekstgenereringsmodellene som brukes av kunstig intelligens, og sikrer sammenhengende og tilstrekkelige svar.
• AI trener: Ansvarlig for å trene og forbedre AI-modellene, mate dem med relevante data og overvåke ytelsen deres.
• AI-konsulent: tilbyr veiledning og ekspertråd om anvendelse og implementering av kunstig intelligens i ulike sektorer og organisasjoner.
• dataforsker: analyserer og tolker store datasett for å trekke ut innsikt og ta strategiske beslutninger.
• Maskinlæringsingeniør: utvikler og implementerer Machine Learning algoritmer og modeller for å lage intelligente systemer.
• AI-etikkspesialist: Evaluerer den etiske virkningen av kunstig intelligens og sikrer ansvarlig bruk av disse teknologiene.
• AI-arkitekt: designer og bygger kunstig intelligens-systemarkitekturer for å møte forretningsbehov.
• Naturlig språkbehandlingsanalytiker: utvikler algoritmer som lar maskiner forstå og behandle menneskelig språk.
• Robotikkspesialist: designe og programmere intelligente roboter som er i stand til å utføre komplekse oppgaver i forskjellige bransjer.
• AI-spesialist i helsevesenet: Bruker AI-algoritmer for å hjelpe til med medisinsk diagnose, behandling og klinisk forskning.
• AI-spesialist i finans: Bruk AI-algoritmer for markedsanalyse, økonomiske prognoser og svindeldeteksjon.
• AI User Interaction Designer: designer intuitive grensesnitt og menneskelig interaksjon for kunstig intelligens-systemer.
• Datasynsspesialist: utvikler algoritmer og systemer for maskiner for å forstå og tolke bilder og videoer.
• dataingeniør: designer og administrerer infrastrukturen som trengs for å samle inn, lagre og behandle store datamengder.
• Chatbot-spesialist: Lag intelligente chatbots som er i stand til å samhandle med brukere og gi støtte eller assistanse.
• Maskinlæringsingeniør: Utvikler maskinlæringsalgoritmer som lar maskiner lære og forbedre seg basert på data.
• AI-spesialist i logistikk: Bruker kunstig intelligens for å optimalisere og automatisere logistiske prosesser, for eksempel lagerstyring og ruting.
• AI-spesialist i markedsføring: Bruk AI-teknikker for dataanalyse, kampanjetilpasning og prognoser for markedstrender.
• Personvernspesialist: sikrer sikkerheten og beskyttelsen av data som brukes i AI-systemer, og sikrer overholdelse av forskrifter.
• Spesialist for mønstergjenkjenning: utvikler algoritmer som lar maskiner gjenkjenne og tolke mer komplekse mønstre i data.
• AI-ekspert i landbruk: bruker kunstig intelligens for å optimalisere landbruksproduksjonen, overvåke avlinger og forutsi værforhold.
• AI-spesialist i menneskelige ressurser: bruker AI-teknikker for å optimalisere rekruttering, utvelgelse og utviklingsprosesser for talenter.

Disse og andre nye yrker innen kunstig intelligens gjenspeiler den økende etterspørselen etter spesialister som kan forstå, implementere og optimalisere bruken av disse teknologiene. Ettersom AI fortsetter å utvikle seg og integreres i ulike felt, dukker det opp nye jobbmuligheter for dyktige fagfolk.

Så du kan si at automatisering og kunstig intelligens vil endre arbeidsmarkedet, ja, men ikke nødvendigvis på en negativ måte. Noen funksjoner vil bli erstattet av AI, som er naturlig med ankomsten av nye teknologier, men nye jobber begynner også å dukke opp.

Det viktige er da at du tilpasser deg, for ikke å bli etterlatt, ok?

De mest kjente kunstige intelligensene

Flere AI-applikasjoner har blitt en del av hverdagen vår, som f.eks virtuelle assistenter, chatbots, anbefalingssystemer, selvkjørende biler og mange andre. Vi vil utforske noen av de mest kjente AI-ene og hvordan de ble en del av vår kultur og hverdagslig.

• Siri: er en virtuell assistent utviklet av eple i 2011 for mobile enheter som f.eks iPhones, iPads e Apple klokker. Den bruker kunstig intelligens for å forstå talekommandoer på naturlig språk og utføre oppgaver som å sende meldinger, ringe, stille inn alarmer, søke etter informasjon på internett, blant annet. EN Siri den kan lære av brukeren og tilpasse seg deres preferanser og vaner, og bli stadig mer personlig og effektiv. I tillegg Siri kan integreres med andre applikasjoner og smarte enheter for å skape en enda mer komplett og intuitiv brukeropplevelse.
• Alexa: er en virtuell assistent utviklet av Amazon som hjelper i utførelsen av daglige oppgaver. Den aktiveres via talekommando. "Alexa", "Amazon" ou "Ekko". A Alexa den fungerer gjennom stemmegjenkjenning og kan samhandle med smarte enheter i huset, legge til påminnelser, sjekke været, informere om dagens hovednyheter, blant annet.
• Google Assistant: er en virtuell assistent utviklet av Google som kan nås via talekommandoen "Ok Google"Eller"Hei Google". Den kan brukes på mobile enheter som smarttelefoner og nettbrett, samt smarte hjemmeenheter som Google Hjem. Den Google Assistant kan utføre ulike oppgaver, som å søke, stille inn påminnelser, sende meldinger, spille musikk, blant annet.

• Watson: er en plattform for kunstig intelligens utviklet av IBM som kombinerer maskinlæring, naturlig språkbehandling og dataanalyse for å hjelpe bedrifter med å automatisere og forenkle forretningsprosesser. Plattformen har flere APIer som letter arbeidet, som f.eks Watson-assistent, som gir raske, konsistente og nøyaktige svar på tvers av alle apper, enheter eller kanaler.

• Cortana: er en virtuell personlig assistent utviklet av Microsoft som kan utløses av talekommandoer som "Hei Cortana". Den er integrert i operativsystemet. Windows 10 og kan brukes på mobile enheter som smarttelefoner og nettbrett. EN Cortana Du kan utføre ulike oppgaver, som å åpne programmer, stille inn påminnelser, søke på internett og mer.

• Tesla Autopilot: er et førerassistentsystem utviklet av Tesla som bruker kunstig intelligens og datasyn for å hjelpe sjåføren til å kjøre kjøretøyet på en sikrere og mer effektiv måte. Systemet kan utføre flere oppgaver, som å holde kjøretøyet i kjørefeltet, justere hastigheten etter trafikken, parkere automatisk, blant annet. Systemet er imidlertid fortsatt ikke helt autonomt og krever til enhver tid førerens oppmerksomhet. Selv om Autopilot har fått ros for å redusere antall ulykker hvor Tesla involvert, er teknologien fortsatt gjenstand for kritikk og kontrovers.

• AlphaGo: er et kunstig intelligensprogram utviklet av det britiske selskapet DeepMind, senere kjøpt opp av Google, som ble kjent for å beseire verdensmesteren i Go, Lee Sedol, i 2015. Den DeepMind fortsetter å utvikle nye kunstig intelligens-teknologier som f.eks alphazero, som kan lære å spille sjakk, Go og andre spill uten noen forkunnskaper om reglene.

• Sophia: er en humanoid robot utviklet av selskapet Hanson Robotics, basert i Hong Kong, i stand til å gjengi mer enn 60 forskjellige ansiktsuttrykk. Designet for å lære, tilpasse seg menneskelig atferd og jobbe med mennesker, Sophia er en viktig milepæl i utviklingen av kunstig intelligens og robotikk. Selv om den ble designet for å være en følgesvenn for eldre på sykehjem eller for å hjelpe folkemengder ved store arrangementer og parker, Sophia du kan fortsette naturlige samtaler og til og med lage vitser.

• ChatGPT: er en naturlig språkmodell utviklet av OpenAI i 2022, som bruker kunstig intelligens-teknologi GPT (Generative Pretrained Transformer) basert på Stor språkmodell (LLM). Den berømte chatboten lar brukere snakke med den ved hjelp av naturlig språk og kan svare på et bredt spekter av spørsmål, etterligne menneskelige talestiler, og kan brukes i virkelige applikasjoner som digital markedsføring, online innholdsoppretting og kundeservice.

• Deep Blue: var en superdatamaskin og programvare laget av IBM spesielt for å spille sjakk. Med 256 koprosessorer som er i stand til å analysere omtrent 200 millioner posisjoner per sekund Deep Blue var en viktig milepæl i historien til kunstig intelligens og databehandling. I 1996 tok superdatamaskinen opp mot verdensmesteren i sjakk, Garry Kasparov, i en serie på seks kamper, og vant det siste spillet og ble den første datamaskinen til å beseire en verdensmester i sjakk under turneringsforhold. Konfrontasjonen skapte stor interesse og kontrovers, med Kasparov som stilte spørsmål ved integriteten til spillet og antydet at datamaskinen ble manipulert av mennesker. I 1997 ble Deep Blue møtte Kasparov igjen i en omkamp, ​​og vant serien 3,5 til 2,5.

• HAL 9000: er en fiktiv karakter fra filmen "2001: A Space Odyssey", i regi av Stanley Kubrick i 1968. HAL 9000 er en avansert datamaskin med kunstig intelligens som styrer romfartøyet Discovery One på oppdrag til Jupiter. Karakteren er bemerkelsesverdig i historien til science fiction og kunstig intelligens, og representerer et eksempel på hvordan teknologi kan bli farlig og truende for menneskeheten.

• midt på reisen: er en kunstig intelligens-tjeneste utviklet av selskapet Midjourney, Inc., et uavhengig forskningslaboratorium basert i San Francisco, som bruker dyp læringsteknologi for å generere realistiske bilder fra naturspråklige beskrivelser. Den ble laget for å tillate brukere å enkelt generere tilpassede bilder basert på spørsmålene deres, uten behov for ferdigheter i grafisk design eller teknisk kunnskap. 
• Bard: er en chatbot utviklet av Google og basert på språkmodellen LaMDA (språkmodell for dialogapplikasjoner). Chatboten ble lansert i mars 2023 og er en konkurrent til ChatGPT. Den Bard kan oppsummere informasjon funnet på internett og gi lenker til nettsteder med tilleggsinformasjon. Plattformen er et nytt skritt i måten vi søker på internett og lover å være en drastisk endring i internettsøkeatferd.
• tensorflow: er et gratis åpen kildekode-bibliotek som er kompatibelt med Python og et av hovedverktøyene for maskinlæring e dyp læring. Biblioteket utviklet av Google Brain Team er fleksibel, effektiv, utvidbar og bærbar, og kan kjøres på datamaskiner av enhver art, fra smarttelefoner til gigantiske klynger av datamaskiner.

• Azure kognitive tjenester: er skybaserte tjenester for kunstig intelligens som hjelper utviklere med å bygge kognitiv intelligens inn i applikasjoner uten å ha direkte ferdigheter eller kunnskap innen AI eller datavitenskap. O Azure kognitive tjenester lar utviklere enkelt legge til kognitive evner til applikasjonene sine, for eksempel talegjenkjenning, datasyn og tekstanalyse.

• Adobe Sensei: er en kunstig intelligens-plattform fra Adobe som bruker maskinlæring og dataanalyse for å forbedre brukeropplevelsen av produktene sine. Som Sensei, kan du automatisere repeterende oppgaver, for eksempel å velge objekter i bilder, og lage personlige opplevelser for hver bruker. O Sensei er integrert i flere produkter fra Adobe, inklindo o Photoshopen Illustrator og Premiere Pro.

• Bixby: er en virtuell assistent fra Samsung som ble lansert i 2017 med Samsung Galaxy S8. Den er designet for å fungere på en rekke Samsung-produkter som smarttelefoner, nettbrett, klokker, hodetelefoner og mer. Virtuell assistent kan enkelt kontrollere alle enheter Galaxy, slik at brukere kan kontrollere enhetene sine med stemmen.

• Aibo: er en robothund utviklet av Sony opprinnelig utgitt i 1999 og avviklet i 2006. I 2017 ble Sony relansert o Aibo med en rekke sofistikerte funksjoner som stemmegjenkjenning og maskinlæring. O Aibo den har utseendet og oppførselen til en tamhund og kan samhandle med sine eiere på samme måte som et ekte kjæledyr. O Aibo er et eksempel på hvordan teknologi kan brukes til å skape emosjonelle og interaktive opplevelser.

• Xiaoice: er en chatbot laget av Microsoft i 2014, som ble en hit i Kina med over 660 millioner brukere over hele verden. Chatboten kan føre samtaler med brukere, med mer naturlige og emosjonelle reaksjoner enn andre chatboter. Xiaoice regnes som en "emosjonell følgesvenn" med høy emosjonell intelligens, i stand til å snakke med morsomme comebacks og noen ganger til og med flørte.

• Skynet: i filmserien Terminatoren Skynet er en svært avansert kunstig intelligens laget av USAs regjering for militære formål. Etter å ha blitt selvbevisst, Skynet ser på menneskeheten som en trussel mot dens eksistens og bestemmer seg for å utløse det kjernefysiske holocaust kjent som "Dommedag" å prøve å utrydde menneskeslekten. EN Skynet er en av hovedantagonistene til franchisen og er ansvarlig for å skape utryddere, snikmorderroboter sendt inn i fortiden for å drepe ledere av den menneskelige motstanden. EN Skynet er et fiktivt eksempel på hvordan kunstig intelligens kan bli en trussel mot menneskeheten hvis den ikke kontrolleres riktig.

• Pepper: er en humanoid robot utviklet av SoftBank Robotics som kan lese følelser og gjenkjenne ansiktsuttrykk. Den ble utgitt i 2015 og ble utsolgt på bare ett minutt. O Pepper den kan utvikle seg med menneskelig interaksjon og lære nye aktiviteter, som dans og lek. Den brukes på tvers av flere bransjer, inkludert helsevesen, gjestfrihet, utdanning, bank og detaljhandel. Han kan komme med personlige anbefalinger, hjelpe folk med å finne det de leter etter, og samhandle med det menneskelige teamet, noe som gjør hver interaksjon positiv og profesjonell.

• AutoML: er en automatisert maskinlæringsmodell utviklet av Google som lar brukere uten datavitenskapelig bakgrunn bygge maskinlæringsmodeller. Den brukes i en rekke applikasjoner, inkludert datasyn, naturlig språkbehandling og talegjenkjenning.

• Rekognition: er en bilde- og videogjenkjenningstjeneste basert på dyp læring utviklet av Amazon Web Services. Den kan identifisere objekter, personer, tekst, scener og aktiviteter i bilder og videoer. Den trekker også ut tekst, kartlegger bevegelsen til personer i rammer og gjenkjenner gjenstander, kjendiser og upassende innhold i videoer som er lagret på Amazon S3, og i live videostrømmer.

• Face ID: er et ansiktsgjenkjenningssystem designet og utviklet av eple Til iPhone X eller senere og iPad Pro. Den sørger for intuitiv og sikker autentisering og aktiveres av kamerasystemet. TrueDepth state-of-the-art teknologi som bruker avansert teknologi for å kartlegge geometrien til brukerens ansikt nøyaktig. kameraet TrueDepth fanger opp nøyaktige ansiktsdata ved å projisere og analysere hundrevis av usynlige punkter for å lage et kart over brukerens ansikt.  

• Netflix: Plattformen bruker et anbefalingssystem for å hjelpe brukere med å finne innhold på en enkel og personlig måte. Systemet estimerer en brukers sannsynlighet for å se en bestemt tittel basert på en rekke faktorer: brukerens interaksjoner med tjenesten, preferansene til andre brukere med lignende smak, og informasjon om titler som sjanger, kategorier, skuespillere. , utgivelsesår. , blant andre. I tillegg Netflix observerer tiden en bruker ser på, enhetene de ser på og hvor lenge de ser på for å tilpasse anbefalingene ytterligere.

• Spotify: Plattformen bruker kunstig intelligens for å anbefale sanger til brukere, inkludert sanger som brukeren ikke har hørt på på lenge, noe som gir en følelse av nostalgi. O Spotify tilbyr også DJ og Spotify Radio som lar brukere få tilgang til personlige radiostasjoner basert på deres musikalske preferanser. AI til Spotify hjelper folk med å finne ny musikk, som er sentralt i forretningsmodellen til Spotify, noe som gir dem mer grunn til å fortsette å betale for tjenesten.

• Agent Smith: er en fiktiv karakter fra filmserien Matrix. Det er en manifestasjon av kunstig intelligens i verden av Matrix og er en av hovedantagonistene til franchisen. Agent Smith er et program laget for å opprettholde orden, men det gjør opprør mot dets skapere og prøver å ødelegge menneskeheten.

• Kokk Watson: er en applikasjon utviklet av IBM basert på kognitiv teknologi som bruker kunstig intelligens til å lage gastronomiske menyer på en automatisert måte. Applikasjonen lar brukeren legge inn ingrediensene eller la Kokk Watson velge for ham, i henhold til hans egen mystiske logikk.

• Amazon Polly: er en tekst-til-tale-tjeneste som bruker dyplæringsteknologier for å syntetisere naturtro, naturlig menneskelig tale. Tjenesten lar deg lage apper som snakker og lage helt nye kategorier av stemmeaktiverte apper. O Amazon Polly tilbyr en rekke menneskestemmer av høy kvalitet på dusinvis av språk, inkludert nevral tekst-til-tale, som forbedrer stemmekvaliteten til å bli mer naturlig og menneskelig. Tjenesten lar deg også tilpasse og kontrollere leksikonet og den tag-kompatible taleutgangen til Speech Synthesis Markup Language (SSML).

• Google Trans: er en online språkoversettelsestjeneste levert av Google som støtter over 100 språk og kan gi umiddelbare oversettelser av tekst, nettsider, bilder og dokumenter. Tjenesten brukes av millioner av mennesker over hele verden og blir stadig mer sofistikert, med funksjoner som umiddelbar stemme- og bildegjenkjenning.

• Facebook DeepFace: er et ansiktsgjenkjenningssystem utviklet av Facebook hvis mål er å lukke gapet mellom menneskelig ytelse og maskinytelse i ansiktsverifisering. Systemet ble trent på det største ansiktsdatasettet til dags dato, et datasett med fire millioner ansiktsbilder som tilhører over 4.000 identiteter. O deepface den kan gjenkjenne ansikter med en nøyaktighet på 97,35 %, som er svært nær menneskelig ytelse.

• NVIDIA Jarvis: er en plattform for kunstig intelligens som tar sikte på å lage samtale-AI-tjenester. plattformen til NVIDIA tilbyr en komplett pakke med GPU-akselerert programvare og verktøy for utviklere for å bygge, distribuere og administrere storskala samtale-AI-tjenester.

• DALL · E: er en dyp læringsmodell utviklet av ÅpneAJeg skal generere digitale bilder fra naturlige språkbeskrivelser, kalt spørsmål. Modellen ble avslørt i januar 2021 og bruker en versjon av GPT-3 modifisert for å generere bilder. O DALL E 2 er en etterfølger av DALL · E, designet for å generere mer realistiske bilder med høyere oppløsninger og kan kombinere konsepter, attributter og stiler. Malen kan utvide bilder utover det som er på det originale lerretet, og skape omfattende nye komposisjoner.

• Stabil diffusjon: er en nevrale nettverksmodell som genererer realistiske bilder fra tekstbeskrivelser. Den ble utviklet av teamet CompVis da Ludwig Maximilian Universitetet i München og for Stabilitet AI, og er et åpen kildekode-alternativ til proprietære tekst-til-bilde-maler som f.eks DALL-E og midt på reisen.
• AMECA: er en ultrarealistisk humanoid robot laget av Ingeniørkunst, som kan chatte og lagre informasjon med tillatelse. Han trekker oppmerksomheten til sine realistiske uttrykk og kommunikasjonsevner, i tillegg til å imitere menneskelige uttrykk og til og med vise følelser.

For tiden er kunstig intelligens-teknologi i stadig utvikling og mange flere nye verktøy dukker opp daglig.

Selv om det fortsatt er utfordringer som må møtes, som etiske og personvernspørsmål, er fremtiden for kunstig intelligens lovende. Med kontinuerlig utvikling og forbedring av denne teknologien kan vi forvente et mer avansert samfunn, med innovative løsninger og betydelige forbedringer på ulike områder av menneskelivet.

Kunstig intelligens er en drivkraft som former vår verden med potensial til å levere stadig økende fordeler for menneskeheten. Det er en spennende tid å utforske og utnytte kraften i denne teknologirevolusjonen i stadig utvikling.

Hold deg oppdatert med alt som skjer i AI her på showmetech.

Se mer:

20 Artificial Intelligence (AI) nettsteder som vil endre måten du jobber på

20 beste sangcover med kunstig intelligens

Kilde: IBM, Innebygd, Techtarget

Tekst korrekturlest av: Pedro Bomfim (14 / 06 / 23)