هفت الگوی هوش مصنوعی

از وسایل نقلیه خودمختار ، برنامه های پیش بینی تحلیلی ، تشخیص چهره ، تا چت بابات ، دستیاران مجازی ، اتوماسیون شناختی و تشخیص کلاهبرداری ، موارد استفاده برای هوش مصنوعی بسیار است. با این حال ، صرف نظر از کاربرد هوش مصنوعی ، مشترکات همه این برنامه ها وجود دارد. کسانی که صدها یا حتی هزاران پروژه هوش مصنوعی را اجرا کرده اند ، متوجه می شوند که با وجود این همه تنوع در کاربرد ، موارد استفاده هوش مصنوعی در یک یا چند از هفت الگوی رایج قرار می گیرند. هفت الگوی عبارتند از: بیش از حد شخصی سازی ، سیستم های خودمختار ، تجزیه و تحلیل پیش بینی کننده و پشتیبانی از تصمیم گیری ، تعامل مکالمه/انسانی ، الگوهای و ناهنجاری ها ، سیستم های تشخیص و سیستم های هدفمند. هر رویکرد سفارشی برای هوش مصنوعی به برنامه نویسی و الگوی خاص خود نیاز دارد ، اما مهم نیست که از این روندها در چه ترکیبی استفاده می شود ، همه آنها مجموعه ای از قوانین بسیار استاندارد خود را دنبال می کنند. این هفت الگوی بسته به راه حل خاصی که AI در آن اعمال می شود ، به صورت جداگانه یا در ترکیبات مختلف اعمال می شوند.

هفت الگوی هوش مصنوعی

(افشای اطلاعات: من یک تحلیلگر اصلی با Cognilytica هستم)

الگوی Hyperpreponalization: با هر مشتری به عنوان یک فرد رفتار کنید

الگوی Hyperpersonalization به عنوان استفاده از یادگیری ماشین برای توسعه مشخصات هر فرد تعریف شده است ، و سپس داشتن آن پروفایل با گذشت زمان برای اهداف متنوعی از جمله نمایش محتوای مربوطه ، ارائه محصولات مربوطه ، توصیه های شخصی و غیره را یاد می گیرد و تطبیق می دهد. هدف این الگوی رفتار با هر فرد به عنوان یک فرد است.

پیاده سازی الگوی خاص بیش از حد شخصی سازی شامل ایجاد توصیه های شخصی مبتنی بر الگوهای مرور و جستجو است. شرکتی که در حال حاضر از فناوری این طبیعت استفاده می کند ، نتفلیکس خواهد بود. آنها از AI برای کمک به پیشنهاد نمایش ها و فیلم ها به بینندگان مبتنی بر انتخاب های شخصی استفاده می کنند. مثال دیگر Starbucks است که از Hyperpersonalization برای ارتباط با پایگاه مشتری خود استفاده می کند.

اجرای بیش از حد شخصی سازی فقط به صنعت بازاریابی محدود نمی شود. همچنین در صنایعی مانند امور مالی ، مراقبت های بهداشتی یا کاربردهای تناسب اندام و سلامتی شخصی ظاهر می شود. به عنوان مثال ، یکی از کاربردهای متداول در مورد اینکه بیش از حد شخصی سازی می تواند تأثیر زیادی در امور مالی و وام داشته باشد. در ایالات متحده از نمره اعتباری FICO برای جمع کردن افراد استفاده می شود که در غیر این صورت ممکن است مقادیر بسیار متفاوتی از اعتبار داشته باشند و گروه هایی از افرادی را که فاقد سابقه اعتبار هستند مجازات کند. با دور شدن از استفاده از نمره سنتی FICO به چیزی که با هر فرد به عنوان یک فرد رفتار می کند ، ممکن است تصاویر دقیق تری از افراد بدست آوریم تا ببینیم که چقدر احتمال دارد وام را بازپرداخت کنند.

میلیاردر "Backsies": Texan ثروت دوم را از ضایعات امپراتوری املاک و مستغلات که او فروخته بود می سازد

دالاس ماوریکس از مجسمه افتخار Dirk Nowitzki رونمایی کرد

رهبری سرسخت و چگونگی غلبه بر ضرر

الگوی سیستم های خودمختار: کاهش نیاز به کار دستی

سیستم های خودمختار نرم افزارهای فیزیکی و مجازی و سیستم های سخت افزاری هستند که قادر به انجام یک کار هستند ، به یک هدف می رسند ، با محیط اطراف خود تعامل دارند و با حداقل درگیری انسان به یک هدف دست می یابند. در جایی که هدف اصلی شخصی سازی بیش از حد ، رفتار با افراد به عنوان افراد است ، هدف سیستم های خودمختار ساده تر کردن چیزها با تعامل کمی انسانی است. الگوی خودمختار به توانایی یادگیری ماشین نیاز دارد که می تواند به طور مستقل دنیای خارج را درک کند ، رفتار آینده عناصر خارجی را پیش بینی کند و برای چگونگی مقابله با آن تغییرات برنامه ریزی کند.

کاربردهای آشکار این الگوی شامل دستگاه های خودمختار و وسایل نقلیه از انواع مختلف شامل اتومبیل ، قایق ، قطار ، هواپیما و موارد دیگر است. با این حال این الگوی همچنین شامل سیستم های خودمختار از جمله مستندات خودمختار و تولید دانش ، فرآیندهای تجاری خودمختار و استقلال شناختی است. اینها شامل سیستمهایی است که می توانند در مجاورت انسان ، از جمله تصمیم گیری ترجیحی ، در نزدیکی انسان فعالیت کنند.

تجزیه و تحلیل پیش بینی شده هوش مصنوعی

الگوی دیگر هوش مصنوعی تجزیه و تحلیل پیش بینی کننده و پشتیبانی از تصمیم گیری است. این به عنوان استفاده از یادگیری ماشین و سایر رویکردهای شناختی برای درک چگونگی رفتارهای گذشته یا موجود می تواند به پیش بینی نتایج آینده کمک کند یا به انسان کمک کند تا در مورد نتایج آینده بر اساس این الگوهای تصمیم بگیرند. هدف این الگوی کمک به انسان ها برای تصمیم گیری بهتر است.

برخی از کاربردهای این الگوی شامل جستجوی و بازیابی کمک شده ، پیش بینی برخی از ارزش های آینده برای داده ها ، پیش بینی رفتار ، پیش بینی خرابی ، وضوح مشکل کمک شده ، شناسایی و انتخاب بهترین تناسب ، شناسایی مسابقات در داده ها ، فعالیت های بهینه سازی ، ارائه مشاوره و ناوبری هوشمند است. ایده این است که به تصمیم گیری های بهتر ، فراهم کردن قابلیت های اطلاعاتی تقویت شده کمک می کند. یادگیری ماشین همان چیزی است که به تصمیم گیری کمک می کند و به مرور زمان تطبیق می دهد تا نتایج بهتری را ارائه دهد.

الگوی مکالمه: ماشینهایی که می توانند همانطور که انسان انجام می دهند ارتباط برقرار کنند

الگوی دیگر هوش مصنوعی الگوی تعامل مکالمه/انسانی است. این به عنوان ماشین آلات و انسانهایی که با یکدیگر از طریق اشکال مکالمه تعامل و محتوا در روش های مختلفی از جمله فرم های صدا ، متن و تصویر در تعامل هستند تعریف شده است. این شامل دستگاه به انسان ، انسان به ماشین و تعامل انسان و ماشین است. هدف از این الگوی این است که دستگاه ها بتوانند با انسان ارتباط برقرار کنند که چگونه انسان با یکدیگر ارتباط برقرار می کند.

بارزترین نمونه های این شامل الگوی شامل گپت ها ، دستیاران صوتی و احساسات ، خلق و خوی و تجزیه و تحلیل قصد است. نکته این است که در تلاش است تا هدف تعامل انسان را درک کند. همچنین می توان از آن برای تسهیل تعامل انسان به انسان از طریق ترجمه استفاده کرد. نکته بزرگی که باید به خاطر بسپارید این است که از این الگوی برای ایجاد روشی آسان تر برای تعامل انسان با یکدیگر و ماشین آلات از طریق روش هایی که برای انسان طبیعی یا راحت است استفاده می شود.

شناسایی الگوهای و ناهنجاری ها با هوش مصنوعی

یادگیری ماشین به ویژه در شناسایی الگوهای و پیدا کردن ناهنجاری ها یا مسافت های دور خوب است."الگوی تطبیق الگوی" یکی از رویکردهای مکرر در پروژه های هوش مصنوعی است که شاهد پذیرش گسترده و فزاینده ای بوده است. هدف از الگوهای و الگوی ناهنجاری های هوش مصنوعی استفاده از یادگیری ماشین و سایر رویکردهای شناختی برای یادگیری الگوهای در داده ها و یادگیری اتصالات مرتبه بالاتر بین نقاط داده برای دیدن اینکه آیا این یک الگوی موجود متناسب است یا اینکه از آن خارج است یا ناهنجاری است. هدف این الگوی این است که آنچه را با داده های موجود متناسب است و چه چیزی نیست.

برنامه های این الگوی شامل کلاهبرداری و تشخیص ریسک برای دیدن اینکه آیا اتفاقات غیر عادی است یا انتظارات در حال وقوع است یا خیر. برنامه دیگر یافتن الگوهای بین داده ها و کمک به به حداقل رساندن یا رفع اشتباهات انسانی است. این الگوی همچنین شامل متن پیش بینی کننده است ، که در آن می تواند الگوهای موجود در گفتار و گرامر را تجزیه و تحلیل کند تا به کلمات برای انتخاب سرعت بخشیدن به روند نوشتن کمک کند.

ماشینهایی که می توانند جهان را بشناسند: الگوی شناخت

یکی از پیشرفت های بزرگ در یادگیری ماشین ، استفاده از یادگیری عمیق برای بهبود دقت در انجام کارهای مرتبط با تشخیص مانند تصویر ، فیلم ، صدا و تشخیص ، طبقه بندی و شناسایی شیء است. الگوی شناخت به عنوان استفاده از یادگیری ماشین و سایر رویکردهای شناختی برای شناسایی و تعیین اشیاء یا سایر موارد مورد نظر در تصویر ، ویدئو ، صوتی ، متن یا سایر داده های در درجه اول بدون ساختار به طور رسمی مشخص می شود. هدف از این الگوی این است که ماشین آلات را شناسایی و درک کنیم.

مثالها شامل تشخیص تصویر و شی ، تشخیص چهره ، تشخیص صوتی و صدا ، دست نوشته و تشخیص متن و تشخیص ژست است. این یک الگوی به خوبی توسعه یافته است که رایانه ها واقعاً خوب هستند و نسبتاً گسترده مورد استفاده قرار می گیرند. بسیاری از شرکت ها وجود دارند که در سیستم های تشخیص سرمایه گذاری زیادی سرمایه گذاری می کنند. در حقیقت ، یکی از با بودجه ترین شرکت های هوش مصنوعی ، Sensetime ، روی برنامه های تشخیص چهره متمرکز شده است و دولت چین سرمایه گذاری زیادی را در استفاده و اتخاذ این الگوی سرمایه گذاری می کند.

حل پازل: الگوی سیستم های هدفمند

ثابت شده است که ماشین ها به ویژه در یادگیری قوانین بازی ها و ضرب و شتم انسان در بازی های خودشان بسیار ماهر هستند. در گذشته ، ماشین ها به راحتی بازی های چکرز ، شطرنج و یافتن راه حل هایی برای مارپیچ ها را فتح کرده اند. از طریق قدرت یادگیری تقویت و قابلیت های محاسباتی بسیار پیشرفته تر ، ماشین ها اکنون قادر به پیروزی در GO ، بازی های چند نفره مانند DOTA و بازی های بسیار پیچیده تر هستند. Alpha Go و Alpha Zero توسط بخش DeepMind Google تحت این تئوری ایجاد شده اند که از طریق اهداف ، رایانه ها می توانند از طریق بازی هر چیزی را یاد بگیرند. بازی ها تازه شروع راه حل هایی هستند که به طور بالقوه حتی می تواند منجر به دستیابی به موفقیت در حل اهداف در اهداف در هوش عمومی مصنوعی (AGI) شود.

بازی ها تنها امکان سیستم های هدفمند نیستند. با قدرت یادگیری تقویت و سایر تکنیک های یادگیری ماشین ، سازمانها می توانند از یادگیری ماشین و سایر رویکردهای شناختی استفاده کنند تا سیستم های خود را توانایی یادگیری از طریق آزمایش و خطا داشته باشند. این برای هر شرایطی مفید است که بخواهید سیستم راه حل بهینه برای یک مشکل را پیدا کند. رویکرد اصلی یادگیری برای این الگوی از طریق یادگیری تقویت است. نمونه های این الگوی می تواند شامل بازی ، بهینه سازی منابع ، حل مسئله تکراری و حراج های مناقصه و در زمان واقعی باشد. در حالی که الگوی سیستم های هدف محور هنوز به اندازه برخی از الگوهای دیگر به طور گسترده اجرا نشده است ، اما در حال اتخاذ سریع است.

ترکیب الگوهای موفقیت پروژه هوش مصنوعی

در حالی که ممکن است این الگوهای گسسته به نظر برسد که به صورت جداگانه در پروژه های معمولی هوش مصنوعی اجرا می شوند ، در واقعیت ، ما دیده ایم که سازمان ها یک یا چند مورد از این هفت الگوی را برای تحقق اهداف خود ترکیب می کنند. توسط شرکت هایی که به فکر پروژه های هوش مصنوعی از نظر این الگوهای هستند ، به آنها کمک می کند تا پروژه های هوش مصنوعی را بهتر ، برنامه ریزی و اجرا کنند. در حقیقت ، روشهای نوظهور در استفاده از این هفت الگوی به عنوان راهی برای تسریع در برنامه ریزی پروژه هوش مصنوعی متمرکز شده اند. به عنوان مثال ، هنگامی که می دانید در حال انجام یک الگوی تشخیص هستید ، می توانید بینش در مورد طیف گسترده ای از راه حل هایی که برای آن مشکل اعمال شده است ، بینش در مورد داده های مورد نیاز برای برقراری الگوی ، استفاده از موارد و نمونه هایی از برنامه ها کسب کنید. از الگوی ، الگوریتم و نکات توسعه مدل و سایر بینش هایی که می تواند به سرعت بخشیدن به تحویل پروژه های با کیفیت بالا AI کمک کند.

در حالی که هوش مصنوعی هنوز در مرحله اکثریت پذیرش است ، مشخص است که شناسایی و استفاده از این الگوهای به سازمانها کمک می کند تا اهداف پروژه هوش مصنوعی خود را با سرعت بیشتری با اختراع کمتری از چرخ و با شانس بسیار بهتر تحقق بخشند.