深度學習和神經(jīng)網(wǎng)絡

如果說機器學習是所謂弱人工智能的典型工具，那么深度學習就是強人工智能的參考學習技術。根據(jù)前面描述的理論概念前提，深度學習由受人腦功能啟發(fā)的學習模型組成。

它不是像ML 那樣嚴格基于輸入和輸出之間關系的訓練方法，而是使用輸入來模擬人腦行為的系統(tǒng)。

這在任何方面都不足為奇，如果我們考慮一下有多少計算機技術無疑是受到自然界中實際存在的一些生物模型的結構的啟發(fā)。算法設法復制合作機制的方式，例如鳥類的飛行，是非常令人著迷的。

該神經(jīng)網(wǎng)絡是網(wǎng)絡結構的人工神經(jīng)元，幫助您實現(xiàn)典型的人類認知的復雜的動作，比如看，說話，感覺和思考。這些現(xiàn)在是計算機科學中完全歷史化的概念，因為人工神經(jīng)元是由 McCulloch 和 Pitts 在 1943 年提出的，而神經(jīng)網(wǎng)絡是由 Rosenblatt 在 1958 年提出的。

的深度學習是基于所謂的深神經(jīng)網(wǎng)絡，其特征在于計算的許多層，基于大量水平的，如需要龐大的計算工作，以獲得類似的神經(jīng)連接的情形然而，人類大腦在很大程度上仍然未知。

由于重點往往放在保證輸出的計算能力的發(fā)展上，因此在創(chuàng)建輸入時也必須給予足夠的重視，這要歸功于從移動設備收集大量數(shù)據(jù)的能力，通常是從所有由于我們很容易接受各種設備上存在的應用程序的使用政策，我們每天都與之交互的互連設備，即使是完全無意識的方式。

日益數(shù)字化的現(xiàn)實轉化為收集、存儲、分析和處理數(shù)據(jù)的巨大潛力。數(shù)據(jù)科學從未被要求在基于人工智能的應用程序中發(fā)揮重要作用。

深度學習是基于所謂的“深層神經(jīng)網(wǎng)絡”，其特點是計算的多層次的基礎上，大量層次的，如需要龐大的計算工作量，以獲得類似的神經(jīng)連接的情況下的人類大腦。

NLP - 自然語言處理（自然語言識別和處理）

自然語言處理是一個復雜的應用，它基于人工智能，但也基于計算機科學和語言學。它是所謂的強人工智能最廣泛的表達方式之一，它完美地體現(xiàn)了這一點，這要歸功于它不是為了解決特定方面的問題，而是在廣義上學習人類的語言交流，與哪些基于AI 的應用程序是交互調(diào)用。

理解一門語言是一件非常復雜的事情，因為它不僅是一個知道如何管理詞匯、語法和句法規(guī)則的問題，而且還包括知道如何正確地將演講語境化，以便真正理解一個詞的含義。陳述。

NLP 學習方法顯然基于深度學習系統(tǒng)，旨在模擬人們理解對話內(nèi)容的方式。

一個NLP系統(tǒng)是基于一系列的嘗試找出并解決人類語言的所有含糊不清的步驟。分階段對于降低輸入數(shù)據(jù)中的錯誤風險至關重要。在NLP 學習方法的主要階段中，我們發(fā)現(xiàn)了標記化（將文本分成空格、單詞、標點符號、句子等）、形態(tài)和詞匯分析、句法分析、NER（命名實體識別）、語義分析和語音分析。

自2000 年代初以來，自然語言處理的研究一直很活躍，但自2013 年以來已經(jīng)能夠達到可觀的成熟度，當時神經(jīng)網(wǎng)絡隨著與以數(shù)字方式表示自然語言相關的技術的深入而傳播，其中每個單詞都是“轉換的””轉化為由向量空間模型管理的實數(shù)向量，神經(jīng)網(wǎng)絡架構專門用于解決自然語言的識別和處理。

NLP 現(xiàn)在是許多應用程序不可或缺的一部分，從自動翻譯到自動識別(OCR)，再到聊天機器人/虛擬助手，再到為出版物自動生成復雜文本，再到營銷中用于分析所謂用戶的情緒（情緒分析）。

從文本的理解和處理來看，NLP系統(tǒng)已經(jīng)非常成熟，但要打造能夠充分發(fā)揮通用人工智能潛力的智能系統(tǒng)，還有很多工作要做。

到目前為止，我們已經(jīng)看過一些科幻電影。想想她，華金·菲尼克斯與電腦建立了真正的浪漫關系，電腦的操作系統(tǒng)能夠完美地理解語言交流，并用斯嘉麗·約翰遜非常感性的聲音表達自己。

計算機視覺和圖像識別

人工視覺最吸引人的方面之一是基于圖像識別，即模擬人腦如何處理從眼睛接收到的信息，而不是眼睛本身的功能。

目標是了解您所看到的。為了實現(xiàn)這一結果，需要能夠處理圖像的各個像素的學習方法，換句話說，將它們轉換為數(shù)字。

使用基于卷積神經(jīng)網(wǎng)絡的深度學習技術的計算機視覺能夠模擬大腦視覺皮層的行為來處理大量圖像數(shù)據(jù)集，以便準確識別和上下文化從“應用程序”實時識別的圖像。

有很多基于計算機視覺的例子。最受歡迎的是面部識別 技術，被許多應用程序使用，包括解鎖移動設備的過程，而不是訪問授權。

在計算機視覺的應用中，還有面部識別技術，例如，用于解鎖移動設備的程序，而不是用于授權訪問。

在工業(yè)領域，計算機視覺例如用于質(zhì)量控制，而自動駕駛則使用它來識別標志、其他車輛、行人以及汽車在行駛過程中可能遇到的所有潛在障礙。還有許多B2C 營銷應用程序，也與增強現(xiàn)實技術合作。

可解釋的人工智能

所謂的可解釋人工智能（ExplainableAI）——也稱為“可解釋人工智能”或“XAI”——是一門新興學科（尤其是在機器學習領域特別相關），旨在澄清（實際上是解釋）關于算法的所謂“黑匣子”中發(fā)生的事情。簡而言之，可解釋人工智能是一組技術和工具，可以幫助人類理解基于人工智能技術（尤其是機器學習和深度學習）的自治系統(tǒng)如何生成某些輸出并做出某些決策。

深入探討可解釋人工智能的話題，建議閱讀《可解釋人工智能：它是什么，原理和例子是什么》一文

以人為本的人工智能

所謂的可解釋人工智能需要一種新的解決方案設計方法，這是現(xiàn)在所謂的以人為中心的人工智能方法的一部分，也就是說，用于設計基于人工智能的技術的協(xié)作模型考慮了各個方面例如倫理學和其他典型的行為學科和人文科學。

Human Centered AI 的創(chuàng)建旨在為人機交互提供一種新的、以人類為中心的方式，特別是尋找新的方法，以確保技術解決方案旨在讓人們以合乎道德、負責任和透明的方式做出更多決策。知情，進行更有效的分析（但也是可以理解和解釋的），以及更好的數(shù)字體驗。

為了加深以人為中心的人工智能的主題，我們建議閱讀文章“以人為中心的人工智能：以人為中心的人工智能”。

生成式人工智能

在人工智能的新興應用中（Gartner 已將其列入2022 年的技術趨勢，旨在推動從現(xiàn)在到2024 年的數(shù)字化轉型業(yè)務），生成式人工智能（或生成式人工智能）能夠生成合成數(shù)據(jù)并支持人類的創(chuàng)造能力和活動。

與生成式AI相關的技術包括允許機器學習系統(tǒng)（使用主題數(shù)據(jù)集進行適當訓練）生成人工內(nèi)容和各種合成數(shù)據(jù)的技術。

多媒體行業(yè)、醫(yī)療保健、藝術和設計領域以及新產(chǎn)品的生產(chǎn)代表了生成式人工智能應用目前越來越廣泛的領域。

要了解有關Generative AI 的更多信息，我們建議閱讀文章“藝術、設計和生產(chǎn)：超越deepfake 的Generative AI”。

人工智能的例子和應用

它分析數(shù)據(jù)以提供有用信息的能力使人工智能成為許多業(yè)務領域的寶貴盟友，在工業(yè)環(huán)境和家庭中都有大量投資，想想與家庭自動化相關的應用程序。

為了在這片可能性的海洋中成功定位，參考米蘭理工大學人工智能數(shù)字創(chuàng)新觀察站開發(fā)的解決方案分類是有用的，該分類確定了八種不同類型的應用，根據(jù)使用目的：

智能數(shù)據(jù)處理：其特點是能夠分析特定數(shù)據(jù)以推斷信息并執(zhí)行相應操作的算法。例如，它們用于預測分析（數(shù)據(jù)分析以提供對未來趨勢的預測）和欺詐檢測（識別與預期模型相關的不合規(guī)元素）

虛擬助手/聊天機器人：聊天機器人使用NLP 技術基于語音或文本交互執(zhí)行操作并為用戶提供服務。它們的用途非常廣泛，從客戶服務系統(tǒng)到電子商務門戶的虛擬助手。NLP 技術允許最先進的聊天機器人應用程序除了存儲收集的信息外，還可以理解對話的語氣，例如通過實施與其連接的CRM 系統(tǒng)的數(shù)據(jù)集

建議：基于以直接或間接信息形式獲得的用戶行為，人工智能應用程序能夠將銷售系統(tǒng)與建議消費者引導其完成購買的應用程序集成。因此，它們可以提高轉化率并優(yōu)化客戶旅程的效率，從而影響客戶的決策過程

圖像處理：基于圖像識別的計算機視覺技術可以自動識別物體、人和動物，以支持許多應用，從視頻監(jiān)控到工業(yè)質(zhì)量控制中的異常模式檢測

自動駕駛汽車：人工智能使支持自動駕駛汽車系統(tǒng)成為可能。自動駕駛在汽車領域大行其道，但也影響到其他自動駕駛交通工具，支持海、河、空航行

智能對象：或智能對象，智能對象對無需人類用戶直接輸入即可執(zhí)行操作的設備進行分類。集成的人工智能系統(tǒng)，通常與智能傳感器相關聯(lián)，允許智能對象通過對特定事件的反應，根據(jù)周圍環(huán)境的條件做出決策

語言處理：包括通過自然語言處理技術(NLP) 理解文本和口頭交流的所有應用程序

自主機器人：得益于基于人工智能技術的系統(tǒng)指令，機器人可以在沒有用戶直接命令的情況下移動和行動，這要歸功于其識別周圍環(huán)境并與周圍環(huán)境交互的能力。自主機器人在工業(yè)制造環(huán)境、物流和民用/家庭應用中越來越普遍

以下是當今已經(jīng)成功使用人工智能的主要行業(yè)和應用。