Di mana dia bercakap tentang salah satu matlamatnya yang membawanya ke profesion - keinginan untuk mempelajari prinsip kerja dan belajar cara membuat bot permainan sendiri.

Tetapi sebenarnya, ia adalah keinginan untuk mencipta kecerdasan buatan yang sempurna, sama ada model permainan atau program mudah alih, memberi inspirasi kepada ramai daripada kita untuk menjadi pengaturcara. Masalahnya ialah di sebalik banyak bahan pendidikan dan realiti keras pelanggan, keinginan ini telah digantikan dengan keinginan mudah untuk pembangunan diri. Bagi mereka yang masih belum mula memenuhi impian zaman kanak-kanak mereka, berikut adalah panduan ringkas untuk mencipta kecerdasan buatan sebenar.

Tahap 1. Kekecewaan

Apabila kita bercakap tentang mencipta bot yang mudah sekalipun, mata kita dipenuhi dengan kilauan, dan beratus-ratus idea terlintas di kepala kita tentang perkara yang sepatutnya dapat dilakukan. Walau bagaimanapun, apabila ia datang kepada pelaksanaan, ia ternyata bahawa kunci kepada penyelesaian model sebenar tingkah laku adalah...matematik. Untuk menjadi lebih spesifik, berikut ialah senarai bahagiannya yang perlu dipelajari sekurang-kurangnya dalam format pendidikan universiti:

Algebra linear;

• Teori graf;

  Teori Kebarangkalian dan Statistik Matematik.

Ini adalah papan anjal saintifik di mana pengaturcaraan anda selanjutnya akan dibina. Tanpa pengetahuan dan pemahaman tentang teori ini, semua idea akan cepat rosak akibat interaksi dengan seseorang, kerana kecerdasan buatan sebenarnya tidak lebih daripada satu set formula.

Peringkat 2. Penerimaan

Apabila keangkuhan itu dirobohkan sedikit oleh sastera pelajar, anda boleh mula belajar bahasa. Anda tidak perlu tergesa-gesa ke LISP atau yang lain; mula-mula anda perlu belajar cara bekerja dengan pembolehubah dan keadaan bernilai tunggal. Ia sesuai untuk pembelajaran pantas dan pembangunan lanjut, tetapi secara amnya anda boleh mengambil sebagai asas mana-mana bahasa yang mempunyai perpustakaan yang sesuai.

Peringkat 3. Perkembangan

Sekarang mari kita beralih terus ke teori AI. Mereka boleh dibahagikan secara kasar kepada 3 kategori:

AI yang lemah - bot yang kita lihat permainan komputer, atau pembantu ringkas seperti Siri. Mereka sama ada melaksanakan tugas yang sangat khusus atau merupakan kompleks yang tidak penting, dan sebarang interaksi yang tidak dapat diramal membingungkan mereka.

AI yang kuat ialah mesin yang kecerdasannya setanding dengannya otak manusia. Pada masa ini tiada wakil sebenar kelas ini, tetapi komputer seperti Watson sangat hampir untuk mencapai matlamat ini.

AI yang sempurna ialah masa depan, otak mesin yang akan mengatasi keupayaan kita. Bahaya perkembangan sedemikian yang Stephen Hawking, Elon Musk dan francais filem Terminator memberi amaran.

Sememangnya, anda harus bermula dengan bot yang paling mudah. Untuk melakukan ini, ingat permainan lama yang baik "Tic Tac Toe" apabila menggunakan medan 3x3 dan cuba memikirkan sendiri algoritma asas tindakan: kebarangkalian kemenangan dengan tindakan bebas ralat, tempat paling berjaya di padang untuk letakkan sekeping, keperluan untuk mengurangkan permainan menjadi seri, dan sebagainya.

Seperti yang anda fahami walaupun dari namanya, ini adalah API yang membolehkan anda melakukannya kos tambahan masa untuk mencipta beberapa rupa AI yang serius.

Peringkat 5. Kerja

Memandangkan anda mempunyai idea yang jelas tentang cara mencipta AI dan perkara yang perlu digunakan, sudah tiba masanya untuk membawa pengetahuan anda ke peringkat seterusnya. Pertama, ini memerlukan mempelajari disiplin yang dipanggil "Pembelajaran Mesin". Kedua, anda perlu belajar cara bekerja dengan perpustakaan yang sesuai bagi bahasa pengaturcaraan yang dipilih. Untuk Python yang sedang kita lihat, ini ialah Scikit-learn, NLTK, SciPy, PyBrain dan Nump. Ketiga, dalam pembangunan tidak ada jalan keluar

Bekerja di persimpangan sibernetik, psikologi dan behaviorisme (sains tingkah laku), dan seorang jurutera yang menyusun algoritma untuk sistem robotik industri, yang alat utamanya termasuk matematik dan mekatronik yang lebih tinggi, mereka bekerja dalam industri yang paling menjanjikan pada tahun-tahun akan datang - robotik . Robot, walaupun kebaharuan perbandingan istilah itu, telah lama dikenali oleh manusia. Berikut adalah beberapa fakta dari sejarah perkembangan mekanisme pintar.

Lelaki Besi Henri Droz

Malah dalam mitos Yunani Purba, hamba mekanikal telah disebutkan, dicipta oleh Hephaestus untuk melakukan kerja berat dan monoton. Dan pencipta dan pembangun robot humanoid pertama ialah Leonardo da Vinci yang legenda. Lukisan paling terperinci dari genius Itali telah bertahan sehingga hari ini, menggambarkan seorang kesatria mekanikal yang mampu meniru pergerakan manusia dengan tangan, kaki, dan kepalanya.

Penciptaan mekanisme automatik pertama dengan program dikawal bermula pada akhir abad ke-15 oleh pembuat jam Eropah. Yang paling berjaya dalam bidang ini ialah pakar Switzerland, bapa dan anak Pierre-Jacques dan Henri Droz. Mereka mencipta keseluruhan siri ("penulis budak", "pelukis pelukis", "pemuzik"), yang kawalannya berdasarkan mekanisme jam. Ia adalah untuk menghormati Henri Droz bahawa kemudian semua automata humanoid yang boleh diprogramkan mula dipanggil "android."

Pada asal-usul pengaturcaraan

Asas untuk pengaturcaraan robot industri telah diletakkan pada awal abad ke-19 di Perancis. Di sinilah program pertama untuk mesin tekstil automatik (berputar dan menenun) telah dibangunkan. Tentera Napoleon yang berkembang pesat sangat memerlukan pakaian seragam dan, akibatnya, kain. Seorang pencipta dari Lyon, Joseph Jacquard, mencadangkan cara untuk mengkonfigurasi semula mesin tenun dengan cepat untuk menghasilkan pelbagai jenis produk. Selalunya prosedur ini memerlukan masa yang besar, usaha yang besar dan perhatian seluruh pasukan. Intipati inovasi adalah penggunaan kad kadbod dengan lubang berlubang. Jarum, masuk ke tempat yang dipotong, mengalihkan benang dengan cara yang diperlukan. Penukaran kad telah dilakukan dengan pantas oleh pengendali mesin: kad tebuk baharu - program baharu - jenis baru kain atau corak. Perkembangan Perancis menjadi prototaip moden kompleks automatik, robot dengan keupayaan pengaturcaraan.

Idea yang dicadangkan oleh Jacquard telah digunakan dengan penuh semangat oleh banyak pencipta dalam peranti automatik mereka:

• Ketua jabatan statistik S. N. Korsakov (Rusia, 1832) - dalam mekanisme untuk membandingkan dan menganalisis idea.
• Ahli Matematik Charles Babbage (England, 1834) - dalam Enjin Analitik untuk menyelesaikan pelbagai masalah matematik.
• Jurutera (USA, 1890) - dalam peranti untuk menyimpan dan memproses data statistik (tabulator). Untuk rekod: pada tahun 1911 syarikat itu. Hollerith dinamakan IBM (Mesin Perniagaan Antarabangsa).

Kad tebuk adalah media storan utama sehingga 60-an abad yang lalu.

Mesin pintar berhutang namanya kepada seorang penulis drama Czech. Dalam drama "R.U.R.", yang diterbitkan pada tahun 1920, penulis memanggil robot orang tiruan, dicipta untuk kawasan pengeluaran yang berat dan berbahaya (robota (Czech) - kerja keras). Apakah yang membezakan robot daripada mekanisme dan peranti automatik? Tidak seperti yang terakhir, robot bukan sahaja melakukan tindakan tertentu, secara membuta tuli mengikuti algoritma yang ditetapkan, tetapi juga dapat berinteraksi dengan lebih dekat dengan persekitaran dan orang (pengendali), menyesuaikan fungsinya apabila berubah. isyarat luaran dan syarat.

Secara umum diterima bahawa robot kerja pertama telah direka dan dilaksanakan pada tahun 1928 oleh jurutera Amerika R. Wensley. "Intelek besi" humanoid itu dinamakan Herbert Televox. Ahli biologi Makoto Nishimura (Jepun, 1929) dan askar Inggeris William Richards (1928) juga menuntut kejayaan perintis. Mekanisme antropomorfik yang dicipta oleh pencipta mempunyai fungsi yang sama: mereka dapat menggerakkan anggota badan dan kepala mereka, melaksanakan arahan suara dan bunyi, dan menjawab soalan mudah. Tujuan utama peranti adalah untuk menunjukkan pencapaian saintifik dan teknikal. Pusingan seterusnya dalam pembangunan teknologi memungkinkan untuk mencipta robot industri pertama tidak lama lagi.

Generasi demi generasi

Pembangunan robotik adalah proses yang berterusan dan berperingkat. Sehingga kini, tiga generasi mesin "pintar" yang berbeza telah muncul. Setiap satu dicirikan oleh penunjuk dan bidang aplikasi tertentu.

Generasi pertama robot dicipta untuk jenis aktiviti yang sempit. Mesin hanya mampu melaksanakan urutan operasi terprogram yang khusus. Peranti kawalan robot, litar dan pengaturcaraan boleh dikatakan mengecualikan operasi autonomi dan memerlukan penciptaan ruang teknologi khas dengan peralatan tambahan dan maklumat serta sistem pengukuran yang diperlukan.

Mesin generasi kedua dipanggil penderiaan atau penyesuaian. Pengaturcaraan robot dijalankan dengan mengambil kira set besar sensor luaran dan dalaman. Berdasarkan analisis maklumat yang datang daripada penderia, tindakan kawalan yang diperlukan dibangunkan.

Dan akhirnya, generasi ketiga ialah robot pintar yang mampu:

• Merumus dan menganalisis maklumat,
• Meningkatkan dan belajar sendiri, mengumpul kemahiran dan pengetahuan,
• Kenali imej dan perubahan dalam situasi, dan, selaras dengan ini, atur kerja sistem eksekutif anda.

Kepintaran buatan adalah berdasarkan algoritma dan perisian.

Klasifikasi umum

Di mana-mana pameran robot moden yang mewakili, pelbagai mesin "pintar" boleh memukau bukan sahaja orang biasa, tetapi juga pakar. Apakah jenis robot yang ada? Klasifikasi yang paling umum dan bermakna telah dicadangkan oleh saintis Soviet A.E. Kobrinsky.

Berdasarkan tujuan dan fungsinya, robot dibahagikan kepada pengeluaran, perindustrian dan penyelidikan. Yang pertama, mengikut sifat kerja yang dilakukan, boleh menjadi teknologi, pengangkatan dan pengangkutan, universal atau khusus. Penyelidikan direka untuk mengkaji kawasan dan kawasan yang berbahaya atau tidak boleh diakses oleh manusia (angkasa lepas, pedalaman bumi dan gunung berapi, lapisan dalam lautan dunia).

Mengikut jenis kawalan kita boleh membezakan bioteknikal (menyalin, arahan, cyborg, interaktif dan automatik), mengikut prinsip - boleh diprogramkan secara tegar, penyesuaian dan boleh diprogramkan secara fleksibel. Perkembangan pesat teknologi moden menyediakan pembangun peluang yang hampir tidak terhad apabila mereka bentuk mesin pintar. Tetapi penyelesaian litar dan reka bentuk yang sangat baik hanya akan berfungsi sebagai shell mahal tanpa perisian dan sokongan algoritma yang sesuai.

Agar silikon mikropemproses mengambil alih fungsi otak robot, adalah perlu untuk "mengisi" program yang sepadan ke dalam kristal. Biasa bahasa manusia tidak dapat memberikan pemformalan tugas yang jelas, ketepatan dan kebolehpercayaan penilaian logik mereka. Oleh itu, maklumat yang diperlukan disediakan dalam bentuk tertentu menggunakan bahasa pengaturcaraan robot.

Selaras dengan tugas pengurusan yang sedang diselesaikan, empat peringkat bahasa yang dicipta khas itu dibezakan:

• Tahap terendah digunakan untuk mengawal penggerak dalam bentuk nilai yang tepat pergerakan linear atau sudut bahagian individu sistem pintar,
• Tahap manipulator membolehkan anda pengurusan am keseluruhan sistem, meletakkan badan kerja robot dalam ruang koordinat,
• Tahap operasi berfungsi untuk merumuskan program kerja dengan menunjukkan urutan tindakan yang diperlukan untuk mencapai hasil tertentu.
• Di peringkat tertinggi - tugas - program menunjukkan tanpa terperinci apa yang perlu dilakukan.

Pakar robot berusaha untuk mengurangkan robot pengaturcaraan untuk berkomunikasi dengan mereka dalam bahasa tingkat atas. Sebaik-baiknya, pengendali menetapkan tugas: "Pasang enjin pembakaran dalaman kereta" dan mengharapkan robot menyelesaikan tugas itu sepenuhnya.

Nuansa bahasa

DALAM robotik moden Pengaturcaraan robot sedang dibangunkan bersama dua vektor: pengaturcaraan berorientasikan robot dan berorientasikan masalah.

Bahasa berorientasikan robot yang paling biasa ialah AML dan AL. Yang pertama dibangunkan oleh IBM hanya untuk mengawal mekanisme pintar pengeluarannya sendiri. Yang kedua, produk pakar dari Universiti Stanford (AS), sedang giat membangun dan mempunyai kesan yang besar terhadap pembentukan bahasa baharu kelas ini. Seorang profesional boleh dengan mudah membezakan ciri ciri Pascal dan Algol dalam bahasa tersebut. Semua bahasa berorientasikan robot menggambarkan algoritma sebagai urutan tindakan mekanisme "pintar". Dalam hal ini, program ini sering menjadi sangat menyusahkan dan menyusahkan dalam pelaksanaan praktikal.

Apabila robot pengaturcaraan dalam bahasa berorientasikan masalah, atur cara menentukan urutan bukan tindakan, tetapi matlamat atau kedudukan perantaraan objek. Bahasa yang paling popular dalam segmen ini ialah bahasa AUTOPASS (IBM), di mana keadaan persekitaran kerja diwakili dalam bentuk graf (bucu - objek, arka - sambungan).

Latihan robot

mana-mana robot moden mewakili pelajar dan sistem penyesuaian. Semua maklumat yang diperlukan, termasuk pengetahuan dan kemahiran, dipindahkan kepadanya semasa proses pembelajaran. Ini dilakukan dengan menyimpan secara langsung data yang berkaitan dalam memori pemproses (pengaturcaraan terperinci - pensampelan), dan menggunakan sensor robot (dengan demonstrasi visual) - semua pergerakan dan pergerakan mekanisme robot disimpan dalam ingatan dan kemudian diterbitkan semula dalam kerja. kitaran. Semasa belajar, sistem membina semula parameter dan struktur, bentuknya model maklumat dunia luar. Ini adalah perbezaan utama antara robot dan talian automatik, mesin perindustrian dengan struktur tegar dan peralatan automasi tradisional yang lain. Kaedah pengajaran yang disenaraikan mempunyai kelemahan yang ketara. Sebagai contoh, apabila pensampelan, konfigurasi semula memerlukan sedikit masa dan tenaga pakar yang berkelayakan.

Program untuk robot pengaturcaraan yang dibentangkan oleh pembangun Makmal kelihatan sangat menjanjikan teknologi maklumat di Massachusetts Institute of Technology (CSAIL MIT) di persidangan antarabangsa automasi industri dan robotik ICRA-2017 (Singapura). Platform C-LEARN yang mereka cipta mempunyai kelebihan kedua-dua kaedah. Ia menyediakan robot perpustakaan pergerakan asas dengan kekangan tertentu (contohnya, daya cengkaman untuk manipulator mengikut bentuk dan ketegaran bahagian). Pada masa yang sama, pengendali menunjukkan pergerakan utama kepada robot dalam antara muka 3D. Sistem, berdasarkan tugas yang diberikan, membentuk urutan operasi untuk melengkapkan kitaran kerja. C-LEARN membolehkan anda menulis semula program sedia ada untuk robot dengan reka bentuk yang berbeza. Operator tidak memerlukan pengetahuan pengaturcaraan yang mendalam.

Robotik dan kecerdasan buatan

Pakar Universiti Oxford memberi amaran bahawa teknologi mesin akan menggantikan lebih separuh daripada pekerjaan hari ini dalam dua dekad akan datang. Sesungguhnya, robot telah lama bekerja bukan sahaja di kawasan berbahaya dan sukar. Sebagai contoh, pengaturcaraan telah menggantikan broker manusia dengan ketara di bursa dunia. Beberapa perkataan tentang kecerdasan buatan.

Dalam fikiran orang biasa, ini adalah robot antropomorfik yang boleh menggantikan seseorang dalam banyak bidang kehidupan. Ini sebahagiannya benar, tetapi pada tahap yang lebih besar kecerdasan buatan adalah cabang sains dan teknologi yang bebas, dengan bantuan program komputer, memodelkan pemikiran "Homo sapiens", kerja otaknya. Pada peringkat pembangunan semasa, AI membantu orang ramai dan menghiburkan mereka. Tetapi, menurut pakar, kemajuan selanjutnya dalam bidang robotik dan kecerdasan buatan mungkin menimbulkan beberapa persoalan moral, etika dan undang-undang kepada manusia.

Pada pameran robot tahun ini di Geneva, android tercanggih di dunia, Sophia, mengumumkan bahawa dia sedang belajar menjadi manusia. Pada bulan Oktober, Sophia telah diiktiraf sebagai warganegara Arab Saudi dengan hak penuh buat pertama kali dalam sejarah kecerdasan buatan. Tanda pertama?

Trend utama dalam robotik

Pakar industri digital menyerlahkan beberapa penyelesaian teknologi yang cemerlang pada 2017 realiti maya. Robotik juga tidak ketinggalan. Arah meningkatkan kawalan mekanisme robotik yang kompleks melalui topi keledar maya(VR). Pakar meramalkan permintaan untuk teknologi sedemikian dalam perniagaan dan industri. Kemungkinan penggunaan kes:

• Kawalan peralatan tanpa pemandu (forklift dan manipulator gudang, dron, treler),
• Menjalankan penyelidikan perubatan dan operasi pembedahan,
• Pembangunan objek dan kawasan yang sukar dicapai (dasar lautan, kawasan kutub). Di samping itu, robot pengaturcaraan membolehkan mereka beroperasi secara autonomi.

Satu lagi trend popular ialah kereta bersambung. Baru-baru ini, wakil gergasi Apple mengumumkan permulaan pembangunan "drone" mereka sendiri. Semakin banyak syarikat menyatakan minat mereka untuk mencipta mesin yang mampu bergerak secara bebas di sepanjang jalan yang kasar, memelihara kargo dan peralatan.

Meningkatkan kerumitan algoritma pengaturcaraan robot dan pembelajaran mesin meletakkan permintaan yang meningkat pada sumber pengkomputeran dan, akibatnya, pada perkakasan. Nampaknya, penyelesaian optimum dalam kes ini adalah untuk menyambungkan peranti ke infrastruktur awan.

Bidang penting ialah robotik kognitif. Pertumbuhan pesat Bilangan mesin "pintar" memaksa pembangun untuk semakin memikirkan cara untuk mengajar robot berinteraksi secara harmoni.

Bidang aplikasi kecerdasan buatan

Kecerdasan buatan- ini kawasan Sains Komputer memberi tumpuan kepada pemodelan komputer dan pemahaman tentang kecerdasan manusia.

Aplikasi kaedah kecerdasan buatan:

Teori pengecaman corak

Simmakers menawarkan perkhidmatan pengecaman corak berikut:

• Pengecaman aksara optik
• Pengecaman tulisan tangan
• Pengecaman muka dan pengesanan automatik wajah dalam bingkai
• Pengesanan dan pengecaman gerakan

Pemprosesan imej

Perkhidmatan kami:

• Carian Imej
• Pengecaman objek
• Mengukur parameter objek
• Menajamkan imej

Perlombongan data

Hari ini, perlombongan data digunakan secara meluas oleh syarikat kewangan, serta organisasi runcit dan pemasaran. Kami menyediakan perkhidmatan perlombongan data yang membolehkan organisasi ini mengenal pasti hubungan antara faktor "dalaman" seperti harga, tahap kemahiran kakitangan atau kedudukan produk, serta faktor "luaran" seperti ekonomi, persaingan dan demografi pelanggan. Teknologi kami membolehkan syarikat mengukur kesan ke atas kepuasan pelanggan, jualan dan keuntungan.

Kami menawarkan perkhidmatan perlombongan data dalam industri berikut:

	Pembangunan dan penciptaan gudang data menggunakan kelebihan analisis ramalan dalam sektor kewangan Pembangunan strategi perdagangan dan menyelidik peraturan perdagangan menggunakan algoritma genetik Pengiraan risiko pasaran dan kredit Alat visualisasi untuk analisis data kewangan
	Industri telekomunikasi Pembangunan dan penciptaan gudang data menggunakan kelebihan analisis ramalan dalam industri telekomunikasi Analisis pelbagai dimensi data telekomunikasi Pemprosesan data telekomunikasi untuk tujuan pemasaran Pengesanan Penipuan Telekom Penyetempatan ralat dan ramalan ralat dalam rangkaian komunikasi Alat visualisasi untuk analisis data telekomunikasi
	Industri runcit Pembangunan dan penciptaan gudang data menggunakan kelebihan analisis ramalan dalam industri runcit Analisis keberkesanan organisasi jualan dan kempen promosi Analisis pelbagai faktor pelanggan, produk, jualan, wilayah, masa, dsb. Pengesyoran produk dan rujukan silang kepada produk Alat visualisasi untuk analisis data runcit

Mengapa pelanggan memilih Simmakers

Dengan menghubungi Simmakers, anda akan menerima penyelesaian cekap yang dibangunkan oleh pakar yang berkelayakan tinggi dalam pembangunan sistem kecerdasan buatan, perlombongan data, Kejuruteraan perisian Dan matematik gunaan.

Tugasan yang sebelum ini diselesaikan oleh pakar Simmakers:

Kami mempunyai beberapa kelebihan yang membolehkan kami berjaya menyelesaikan masalah kami:

• Perkongsian dengan NVIDIA. Sebagai peneraju dunia dalam pengeluaran kad video dan pemproses grafik, kami menggunakan pencapaian terkini perbadanan dalam membangunkan penyelesaian IT dalam bidang grafik komputer, visualisasi data dan selari pengiraan.

• Pengalaman yang luas. Bekerja selama lebih daripada 10 tahun, pakar syarikat kami telah menyelesaikan lebih 30 projek kompleks untuk visualisasi data dan pemodelan komputer fizikal dan proses teknologi untuk pelbagai industri, termasuk kejuruteraan pembinaan, pengeluaran minyak dan gas, metalurgi, industri filem, perubatan, seni, dsb.

• Kepakaran peringkat antarabangsa. Pekerja Simmakers adalah profesional dalam bidang matematik gunaan, teknologi maklumat dan pembangunan perisian, ramai daripada mereka mempunyai pencapaian tinggi dan anugerah antarabangsa dalam bidang subjek mereka. Kami secara aktif bekerjasama dengan pusat penyelidikan terkemuka dunia, Institut Teknologi Massachusetts, UCLA dan Institut Sains dan Teknologi Skolkovo.

• Pendekatan individu. Apabila membangunkan penyelesaian IT, kami mengambil kira keperluan dan kehendak setiap pelanggan sebaik mungkin. Pendekatan ini membolehkan kami mewujudkan hubungan yang saling mempercayai dan saling menguntungkan dengan pelanggan, yang akhirnya memberi kesan yang baik terhadap kecekapan pelaksanaan projek.
• Masih ada soalan? –

Teknologi

Kami menggunakan pelbagai kaedah:

	Perceptrons Perceptron Berbilang Lapisan Rangkaian berasaskan jejari Cognitron, neocognitron Rangkaian saraf Hopfield
	Algoritma perambatan balik kesilapan Algoritma Levenberg-Marquardt Algoritma penyebaran elastik Kaedah Broyden-Fletcher-Goldfarb-Shanno Kaedah kecerunan konjugat (CG).
	Algoritma genetik Pengaturcaraan evolusi Strategi evolusi
	Propositional Predikat Perintah yang lebih tinggi
	Sistem pakar, sistem pintar hibrid Algoritma penghibridan Sistem pakar hibrid Neuron hibrid dan rangkaian saraf Algoritma pembelajaran ANN hibrid

Soalan Lazim

S: Apakah maksud istilah "kecerdasan buatan"?

A: Kecerdasan buatan (AI) ialah sains dan teknologi mencipta mesin pintar, terutamanya program komputer pintar, serta hala tuju saintifik yang membangunkan kaedah yang membolehkan komputer elektronik menyelesaikan masalah intelektual jika ia diselesaikan oleh seseorang. Konsep ini merujuk kepada kefungsian mesin untuk menyelesaikan masalah manusia.

S: Apakah pendekatan dan arahan utama untuk membina sistem AI?

A: Terdapat pendekatan yang berbeza untuk membina sistem AI.

Tidak ada jawapan tunggal kepada soalan tentang apa yang dilakukan oleh kecerdasan buatan. Menganalisis sejarah AI, kita boleh membuat kesimpulan bahawa sejak lima dekad yang lalu, penyelidikan dalam bidang AI telah tertumpu terutamanya pada penyelesaian masalah tertentu. Oleh itu, walaupun terdapat banyak pendekatan untuk memahami masalah AI dan mencipta pintar sistem maklumat, hari ini kita boleh membezakan dua pendekatan utama untuk pembangunan AI: 1) atas ke bawah (Bahasa Inggeris Top-Down AI), semiotik - penciptaan sistem pakar, pangkalan pengetahuan dan sistem inferens logik yang mensimulasikan proses mental peringkat tinggi: pemikiran , penaakulan, pertuturan, emosi, kreativiti, dsb.; 2) AI bottom-up, biologi - kajian rangkaian saraf dan pengiraan evolusi yang memodelkan tingkah laku pintar berdasarkan unsur biologi, serta penciptaan yang sepadan sistem pengkomputeran, seperti neurokomputer atau biokomputer.

S: Apakah bidang aplikasi kecerdasan buatan yang wujud hari ini?

A: DALAM pada masa ini dalam bidang kecerdasan buatan terdapat penglibatan banyak bidang subjek yang mempunyai lebih sikap praktikal kepada AI, bukan asas. Banyak pendekatan telah diuji, tetapi belum ada kumpulan penyelidik yang mendekati kemunculan kecerdasan buatan. Di bawah adalah beberapa contoh sahaja.

Sistem pakar

Sistem komputer yang sebahagiannya boleh menggantikan pakar dalam menyelesaikan situasi masalah. Sistem sedemikian dianggap bersama dengan pangkalan pengetahuan sebagai model tingkah laku pakar dalam bidang pengetahuan tertentu menggunakan inferens logik dan prosedur membuat keputusan, dan pangkalan pengetahuan dianggap sebagai satu set fakta dan peraturan inferens logik dalam bidang subjek yang dipilih aktiviti. MYCIN ialah sistem pakar awal, dibangunkan sebagai disertasi kedoktoran pada tahun 1974, untuk mendiagnosis bakteria yang menyebabkan jangkitan teruk seperti bakteremia dan meningitis, dan untuk mengesyorkan jumlah antibiotik yang sesuai berdasarkan berat badan pesakit. Ia adalah sistem yang berdiri sendiri yang memerlukan pengguna untuk memasukkan semua maklumat yang diperlukan. Malah, MYCIN tidak pernah digunakan dalam amalan. Kesukaran utama yang dihadapi semasa pembangunan MYCIN dan sistem pakar seterusnya adalah "mengekstrak" pengetahuan daripada pengalaman pakar manusia untuk membentuk asas peraturan.

Klasifikasi heuristik

Istilah ini biasanya digunakan untuk mencirikan kelakuan banyak sistem pakar yang memfokuskan pada melaksanakan tugas seperti diagnosis dan tafsiran data. Contoh yang baik akan memberikan nasihat tentang penerimaan pembayaran melalui kad kredit yang ditawarkan. DALAM dalam kes ini maklumat tentang pemilik akan segera tersedia kad kredit, maklumat pembayarannya, maklumat tentang pembelian semasa, serta tentang institusi di mana ia dibuat (contohnya, sama ada terdapat sebarang kes penipuan menggunakan kad bank di institusi ini).

Pengenalan suara

Program pengecaman pertuturan komersial muncul pada awal tahun sembilan puluhan, dan sejak itu penggunaan pengecaman pertuturan telah menjadi semakin popular dalam pelbagai bidang perniagaan, sebagai contoh, seorang doktor di klinik boleh melafazkan diagnosis, yang akan segera dimasukkan ke dalam kad elektronik. Pasti setiap orang sekurang-kurangnya sekali dalam hidup mereka bermimpi menggunakan suara mereka untuk mematikan lampu atau membuka tingkap. Baru-baru ini dalam telefon aplikasi interaktif sistem semakin digunakan pengecaman automatik dan sintesis pertuturan. Dalam kes ini, komunikasi dengan portal suara menjadi lebih semula jadi, kerana pemilihan di dalamnya boleh dibuat bukan sahaja menggunakan pendailan nada, tetapi juga menggunakan arahan suara. Pada masa yang sama, sistem pengecaman adalah bebas daripada pembesar suara, iaitu, mereka mengenali suara mana-mana orang.

Rawatan bahasa semula jadi

Pemahaman bahasa semula jadi kadangkala dianggap sebagai tugas lengkap AI kerana mengenali bahasa hidup memerlukan pengetahuan sistem yang sangat besar tentang dunia di sekelilingnya dan keupayaan untuk berinteraksi dengannya. Sekarang tidak cukup untuk mendapatkan hanya urutan perkataan atau rangkaian ayat. Kita mesti mengajar komputer untuk "memahami", dan ini adalah salah satu tugas utama kecerdasan buatan. Kualiti pemahaman bergantung kepada banyak faktor.

Visi komputer

Dunia terdiri daripada objek tiga dimensi, dan saat apabila data input untuk mata manusia dan kamera televisyen adalah dua dimensi. Penglihatan komputer memfokuskan pada memproses pemandangan tiga dimensi yang ditayangkan pada satu atau lebih imej. Contohnya, dengan memulihkan struktur atau maklumat lain tentang pemandangan tiga dimensi daripada satu atau lebih imej.

Kepintaran buatan permainan

Hari ini anda boleh dengan mudah membeli mesin catur mahal atau memuat turun program yang boleh mengalahkan ramai pemain catur profesional. Dan yang terbaik program komersial, terima kasih kepada pelaksanaan teknologi kecerdasan buatan dalam mereka, telah pun melebihi tahap juara manusia. Untuk melakukan ini, program ini perlu mengira 200 juta kedudukan setiap saat.

Dengan artikel ini saya memulakan satu siri penerbitan yang dikhaskan untuk masalah pengaturcaraan kecerdasan buatan. Tujuan siri ini adalah untuk menunjukkan bagaimana (dalam erti kata prinsip umum) pengaturcaraan kecerdasan buatan dijalankan.

Konsep "kecerdasan buatan" muncul di suatu tempat pada awal teknologi pengkomputeran. Walaupun usianya yang dihormati, istilah ini tidak mempunyai definisi yang tepat dan sentiasa difahami dalam erti kata yang intuitif. Ia biasanya dikatakan bahawa bidang kecerdasan buatan termasuk tugas-tugas yang manusia masih menyelesaikan lebih baik daripada komputer. Oleh itu, pelbagai masalah yang diselesaikan dalam rangka kerja kecerdasan buatan sentiasa berubah secara dinamik. Sebagai contoh, beberapa tahun yang lalu, mengajar komputer untuk bermain catur adalah hak prerogatif AI (dari bahasa Inggeris Artificial Intelligence - kecerdasan buatan), tetapi hari ini semakin ramai pakar percaya bahawa bermain catur bukan lagi masalah kecerdasan buatan. Hari ini, masalah utama yang diselesaikan dalam rangka kerja AI adalah lebih kurang seperti berikut: membina sistem pakar, menyelesaikan masalah carian di mana penghitungan lengkap pilihan secara teorinya mustahil (termasuk pengaturcaraan permainan), pemodelan bentuk biologi, pengecaman corak. Prinsip asas untuk menyelesaikan semua masalah ini telah ditetapkan pada awal tahun tujuh puluhan, tetapi disebabkan oleh fakta bahawa tugas AI sangat intensif sumber, mereka hanya menerima pembangunan sebenar pada zaman kita.

Untuk menyelesaikan masalah AI, pada awal tahun tujuh puluhan, dua bahasa pengaturcaraan khusus dicipta - Prolog dan Lisp. Pembangun kecerdasan buatan moden mesti fasih dalam setiap daripada mereka. Seterusnya, kita akan membincangkan ciri-ciri mereka yang paling banyak.

Dari segi sejarah, Lisp adalah bahasa yang lebih lama. Konsep yang diperkenalkannya dipanggil pengaturcaraan berfungsi, yang merupakan lanjutan langsung daripada pendekatan algoritma konvensional. Program Lisp ialah fungsi, yang hasilnya adalah hasil program, dan hujah, selalunya, adalah panggilan fungsi lain. Disebabkan oleh sebab objektif, Lisp telah menerima pakai notasi bebas kurungan apabila memanggil fungsi; memanggil mana-mana fungsi dijalankan menggunakan senarai, elemen pertamanya ialah nama fungsi, dan semua elemen lain mewakili hujah. Sebagai contoh, penambahan dua nombor A dan B boleh kelihatan seperti ini: (tambah A B), penambahan tiga nombor boleh kelihatan seperti ini: (tambah A (tambah B C)). Ciri Lisp yang paling penting ialah rekod borang (tambah A B) boleh bukan sahaja senarai, seperti panggilan fungsi, tetapi juga senarai, seperti elemen data, mengandungi tiga komponen - tambah, A dan B. keputusan ialah sama ada senarai itu harus digunakan sebagai data atau harus ditafsirkan boleh, dalam Lisp, diputuskan oleh program itu sendiri. Ini memberikan program keupayaan untuk mengubah suai kodnya sendiri, yang sangat penting untuk aplikasi AI.

Prolog lebih menarik bagi saya daripada Lisp kerana ia menggunakan pendekatan kepada pengaturcaraan yang pada asasnya berbeza daripada algoritma dan dipanggil pengaturcaraan berorientasikan matlamat atau deklaratif. Dalam pengaturcaraan algoritma, kami menentukan urutan tindakan yang harus dilakukan oleh program, i.e. Kami menerangkan BAGAIMANA ia harus berfungsi. Dengan pengaturcaraan deklaratif, kami menerangkan APA yang perlu dilakukan oleh program, dan cara tindakan ini akan dijalankan adalah perkara untuk sistem Prolog. Mari kita pertimbangkan tugas Prolog biasa - menentukan jenis hubungan kekeluargaan orang tertentu wujud. Sebagai yang awal, kita memilih induk hubungan(X,Y), menunjukkan bahawa X ialah induk kepada Y, dan hubungan lelaki(X) dan perempuan(X), menunjukkan bahawa seseorang itu tergolong dalam salah satu jantina. Kemudian data sumber untuk program mungkin kelihatan seperti ini.

lelaki (Sergey). perempuan (Tamara). lelaki (Semyon). wanita (Lyudmila). lelaki (Paulus).

ibu bapa (Sergey, Semyon). ibu bapa (Tamara, Semyon). ibu bapa (Semyon, Pavel).

ibu bapa (Lyudmila, Pavel)

Seperti yang anda lihat, ini adalah pangkalan data kecil yang secara semula jadi mewakili salasilah keluarga. Setiap ungkapan di dalamnya adalah pernyataan; dalam Prolog pernyataan tersebut dipanggil fakta. Pangkalan boleh dengan mudah dikembangkan.

Sekarang mari kita perkenalkan ungkapan ded(X,Y), menandakan sama ada X ialah datuk nenek Y. Kami menggunakan dua simbol Prolog - koma dalam tatatanda berikut menandakan logik dan, dan simbol :- menandakan jika.

datuk(X,Y):- ibu bapa(X,Z), ibu bapa(Z,Y), lelaki(X).

ini tatatanda bersyarat ialah elemen pangkalan data yang sama dengan fakta; dalam Prolog, elemen tersebut biasanya dipanggil peraturan.

Sebenarnya, program Prolog yang kami tulis boleh melakukan banyak perkara (ini mungkin akan mengejutkan mereka yang sehingga kini hanya biasa dengan pengaturcaraan algoritma). Selepas melancarkannya untuk pelaksanaan, sistem Prolog akan meminta anda memasukkan soalan. Mula-mula, mari kita masukkan datuk(X,Pavel) (dalam bahasa Rusia soalan ini berbunyi seperti ini: "Siapa datuk Pavel?"), sistem akan mengembalikan X=Sergey. Sekarang mari kita tanya datuk (Tamara, Pavel) (“Adakah datuk Tamara Pavel?”). Kami mendapat jawapan tidak (tidak). Anda boleh bertanya kepada ibu bapa(X,_) (memandangkan dalam Prolog _ bermaksud nilai elemen hubungan ini tidak penting kepada kami, entri dalam bahasa Rusia ini berbunyi seperti "Siapa ibu bapa seseorang?"). Kami mendapat X=Sergey, X=Tamara, X=Semyon, X=Lyudmila. Pelbagai soalan yang boleh ditanya mengenai program kami adalah jauh dari keletihan oleh ini.

Seperti yang dapat kita lihat, dalam tugas yang berkaitan dengan mentakrifkan hubungan antara objek, Prolog jauh lebih berkuasa daripada bahasa algoritma seperti Pascal atau C. Apabila anda menambah pada ini bahawa pangkalan data Prolog (mengandungi fakta dan peraturan) boleh berubah secara dinamik semasa pelaksanaan oleh program itu sendiri atau oleh pengguna, ia menjadi jelas betapa bergunanya Prolog untuk pembangunan kecerdasan buatan.

Sekiranya pembaca berminat dengan Lisp dan Prolog, dia boleh mempelajarinya sendiri - bahasanya sangat mudah. Dalam penerbitan berikutnya, saya tidak akan memikirkan masalah linguistik, cuba memberi perhatian hanya kepada kaedah pengaturcaraan asas dalam bidang AI.

Denis MARGOLIN
[e-mel dilindungi]

"Saya mahu melakukan AI. Apa yang patut dipelajari? Apakah bahasa yang harus saya gunakan? Apakah organisasi yang patut saya belajar dan bekerja?

Kami berpaling kepada pakar kami untuk mendapatkan penjelasan, dan kami membentangkan jawapan yang diterima untuk perhatian anda.

Ia bergantung pada latihan asas anda. Pertama sekali, anda memerlukan budaya matematik (pengetahuan tentang statistik, teori kebarangkalian, matematik diskret, algebra linear, analisis, dll.) dan kesediaan untuk belajar banyak dengan cepat. Apabila melaksanakan kaedah AI, pengaturcaraan (algoritma, struktur data, OOP, dll.) akan diperlukan.

Projek yang berbeza memerlukan pengetahuan tentang bahasa pengaturcaraan yang berbeza. Saya akan mengesyorkan mengetahui sekurang-kurangnya Python, Java dan mana-mana bahasa berfungsi. Pengalaman bekerja dengan pelbagai pangkalan data data dan sistem teragih. Kemahiran bahasa Inggeris diperlukan untuk mempelajari amalan terbaik industri dengan cepat.

Saya cadangkan belajar di universiti Rusia yang bagus! Contohnya, MIPT, MSU dan HSE mempunyai jabatan yang sepadan. Pelbagai jenis kursus tematik tersedia di Coursera, edX, Udacity, Udemy dan platform MOOC yang lain. Sesetengah organisasi terkemuka mempunyai program latihan mereka sendiri dalam bidang AI (contohnya, Sekolah Analisis Data di Yandex).

Masalah aplikasi yang diselesaikan dengan kaedah AI boleh didapati di pelbagai tempat. Bank, sektor kewangan, perundingan, runcit, e-dagang, enjin carian, perkhidmatan pos, industri permainan, industri sistem keselamatan dan, sudah tentu, Avito - semuanya memerlukan pakar dari pelbagai kelayakan.

Naikkan Turun Turun

Kami mempunyai projek fintech yang berkaitan dengan pembelajaran mesin dan visi komputer, di mana pembangun pertamanya menulis segala-galanya dalam C++, kemudian seorang pembangun datang yang menulis semula segala-galanya dalam Python. Jadi bahasa bukanlah perkara yang paling penting di sini, kerana bahasa pertama sekali adalah alat, dan terpulang kepada anda cara menggunakannya. Cuma dalam sesetengah bahasa, masalah boleh diselesaikan dengan lebih cepat, dan dalam bahasa lain lebih perlahan.

Sukar untuk mengatakan di mana untuk belajar - semua lelaki kami belajar sendiri, mujur ada Internet dan Google.

Naikkan Turun Turun

Saya boleh menasihati anda untuk menyediakan diri anda dari awal lagi kerana anda perlu belajar banyak. Tidak kira apa yang dimaksudkan dengan "melakukan AI" - bekerja dengan data besar atau rangkaian saraf; pembangunan teknologi atau sokongan dan latihan sistem tertentu yang telah dibangunkan.

Mari kita ambil profesion saintis Data yang sedang trend untuk kepentingan khusus. Apa yang orang ini buat? Secara umum, ia mengumpul, menganalisis dan menyediakan data besar untuk digunakan. Ini adalah yang AI berkembang dan melatih. Apakah yang perlu diketahui dan boleh dilakukan oleh Saintis Data? Analisis statik dan pemodelan matematik- secara lalai, dan pada tahap kefasihan. Bahasa - katakan, R, SAS, Python. Ia juga bagus untuk mempunyai beberapa pengalaman pembangunan. Secara amnya, saintis data yang baik harus berasa yakin dengan pangkalan data, algoritma dan visualisasi data.

Ia bukan untuk mengatakan bahawa set pengetahuan seperti itu boleh diperolehi di setiap universiti teknikal kedua di negara ini. Syarikat besar yang mempunyai pembangunan AI sebagai keutamaan, memahami perkara ini dan membangunkan yang sesuai program pembelajaran— terdapat, sebagai contoh, Sekolah Analisis Data daripada Yandex. Tetapi anda mesti sedar bahawa ini bukan skala di mana anda datang ke kursus "dari jalanan", tetapi biarkan mereka sebagai junior siap sedia. Lapisannya besar, dan masuk akal untuk mempelajari disiplin apabila asas (matematik, statistik) telah pun diliputi, sekurang-kurangnya dalam rangka program universiti.

Ya, ia akan mengambil masa yang agak lama. Tetapi permainan ini bernilai lilin, kerana Saintis Data yang baik sangat menjanjikan. Dan sangat mahal. Terdapat juga satu lagi perkara. Kecerdasan buatan, di satu pihak, bukan lagi sekadar objek gembar-gembur, tetapi teknologi yang telah mencapai tahap produktiviti sepenuhnya. Sebaliknya, AI masih berkembang. Pembangunan ini memerlukan banyak sumber, banyak kemahiran dan banyak wang. Setakat ini ini adalah peringkat liga utama. Saya akan mengatakan yang jelas sekarang, tetapi jika anda mahu berada di barisan hadapan serangan dan memacu kemajuan dengan tangan anda sendiri, sasarkan untuk syarikat seperti Facebook atau Amazon.

Pada masa yang sama, teknologi itu sudah digunakan dalam beberapa bidang: dalam perbankan, telekomunikasi, perusahaan perindustrian gergasi, dan runcit. Dan mereka sudah memerlukan orang yang boleh menyokongnya. Gartner meramalkan bahawa menjelang 2020, 20% daripada semua perusahaan di negara maju akan mengambil pekerja yang berdedikasi untuk melatih rangkaian saraf yang digunakan dalam syarikat ini. Jadi masih ada sedikit masa untuk belajar sendiri.

Naikkan Turun Turun

AI kini sedang giat membangun, dan sukar untuk meramalkan sepuluh tahun lebih awal. Dalam tempoh dua hingga tiga tahun akan datang, pendekatan berdasarkan rangkaian saraf dan pengkomputeran GPU akan mendominasi. Peneraju dalam kawasan ini ialah Python dengan persekitaran interaktif Jupyter dan perpustakaan numpy, scipy, dan tensorflow.

Terdapat banyak kursus dalam talian yang memberikan pemahaman asas tentang teknologi ini dan prinsip AI umum, seperti kursus Andrew Ng. Dan dari segi pengajaran topik ini, Rusia kini yang paling berkesan pendidikan kendiri atau dalam kumpulan minat tempatan (contohnya, di Moscow saya tahu kewujudan sekurang-kurangnya beberapa kumpulan di mana orang berkongsi pengalaman dan pengetahuan).

Naikkan Turun Turun

Naikkan Turun Turun

Hari ini, bahagian kecerdasan buatan yang paling pesat berkembang adalah, mungkin, rangkaian saraf.
Kajian rangkaian saraf dan AI harus bermula dengan menguasai dua cabang matematik - algebra linear dan teori kebarangkalian. Ini adalah minimum wajib, tonggak kecerdasan buatan yang tidak tergoyahkan. Pemohon yang ingin memahami asas AI, apabila memilih universiti, pada pendapat saya, harus memberi perhatian kepada fakulti yang mempunyai sekolah matematik yang kukuh.

Langkah seterusnya ialah mengkaji masalah isu tersebut. Terdapat sejumlah besar kesusasteraan, pendidikan dan khusus. Kebanyakan penerbitan mengenai topik kecerdasan buatan dan rangkaian saraf ditulis dalam Bahasa Inggeris, bagaimanapun, bahan berbahasa Rusia juga diterbitkan. Sastera yang berguna boleh didapati, contohnya, dalam perpustakaan digital awam arxiv.org.

Jika kita bercakap tentang bidang aktiviti, di sini kita boleh menyerlahkan latihan rangkaian saraf gunaan dan pembangunan versi rangkaian saraf yang benar-benar baharu. Contoh yang menarik: terdapat kepakaran yang sangat popular sekarang - "saintis data" (Saintis Data). Ini adalah pembangun yang, sebagai peraturan, mengkaji dan menyediakan set data tertentu untuk melatih rangkaian saraf dalam kawasan aplikasi tertentu. Sebagai ringkasan, saya ingin menekankan bahawa setiap pengkhususan memerlukan laluan penyediaan yang berasingan.

Naikkan Turun Turun

Sebelum memulakan kursus khusus, anda perlu mempelajari algebra dan statistik linear. Saya akan mengesyorkan memulakan rendaman anda dalam AI dengan buku teks “Pembelajaran Mesin. Sains dan Seni Membina Algoritma yang Mengekstrak Pengetahuan daripada Data" ialah buku asas yang baik untuk pemula. Pada Coursera adalah berbaloi untuk mendengar syarahan pengenalan oleh K. Vorontsov (saya menekankan bahawa mereka memerlukan ilmu yang baik algebra linear) dan kursus "Pembelajaran Mesin" di Universiti Stanford, yang diajar oleh Andrew Ng, profesor dan ketua Baidu AI Group/Google Brain.

Sebahagian besar ditulis dalam Python, diikuti oleh R dan Lua.

Jika kita bercakap tentang institusi pendidikan, adalah lebih baik untuk mendaftar dalam kursus di jabatan matematik gunaan dan sains komputer yang sesuai. program pendidikan Terdapat. Untuk menguji kebolehan anda, anda boleh mengambil bahagian dalam pertandingan Kaggle, di mana jenama global utama menawarkan kes mereka.

Naikkan Turun Turun

Dalam mana-mana perniagaan, sebelum memulakan projek, adalah baik untuk mendapatkan asas teori. Terdapat banyak tempat di mana anda boleh memperoleh ijazah sarjana formal dalam bidang ini, atau meningkatkan kelayakan anda. Sebagai contoh, Skoltech menawarkan program sarjana dalam bidang "Sains dan Kejuruteraan Pengkomputeran" dan "Sains Data," yang merangkumi kursus dalam "Pembelajaran Mesin" dan "Pemprosesan Bahasa Asli." Anda juga boleh menyebut Institut Sistem Sibernetik Pintar Universiti Nuklear Penyelidikan Kebangsaan MEPhI, Fakulti Matematik Pengiraan dan Sibernetik Universiti Negeri Moscow dan Jabatan " Sistem pintar» MIPT.

Jika anda sudah mempunyai pendidikan formal, terdapat beberapa kursus pelbagai platform MOOC. Sebagai contoh, EDx.org menawarkan kursus kecerdasan buatan dari Microsoft dan Columbia University, yang kedua menawarkan program sarjana mikro pada harga yang berpatutan. Saya ingin ambil perhatian terutamanya bahawa anda biasanya boleh mendapatkan pengetahuan itu sendiri secara percuma; anda hanya membayar sijil jika ia diperlukan untuk resume anda.

Jika anda ingin "menyelami dengan mendalam" topik ini, beberapa syarikat di Moscow menawarkan kursus intensif selama seminggu dengan latihan amali, dan juga menawarkan peralatan untuk eksperimen (contohnya, newprolab.com), namun, harga kursus tersebut bermula dari beberapa puluh ribu rubel.

Daripada syarikat yang membangunkan Kecerdasan Buatan, anda mungkin tahu Yandex dan Sberbank, tetapi terdapat banyak lagi saiz yang berbeza. Sebagai contoh, minggu ini Kementerian Pertahanan membuka ERA Military Innovation Technopolis di Anapa, salah satu topiknya ialah pembangunan AI untuk keperluan ketenteraan.

Naikkan Turun Turun

Sebelum mengkaji kecerdasan buatan, kita perlu memutuskan soalan asas: adakah kita perlu mengambil pil merah atau pil biru.
Pil merah adalah untuk menjadi pemaju dan terjun ke dunia kejam kaedah statistik, algoritma dan pemahaman berterusan yang tidak diketahui. Sebaliknya, anda tidak perlu segera tergesa-gesa ke dalam "lubang arnab": anda boleh menjadi pengurus dan mencipta AI, sebagai contoh, sebagai pengurus projek. Ini adalah dua laluan yang pada asasnya berbeza.

Yang pertama adalah bagus jika anda telah memutuskan bahawa anda akan menulis algoritma kecerdasan buatan. Kemudian anda perlu bermula dengan arah yang paling popular hari ini - pembelajaran mesin. Untuk melakukan ini, anda perlu mengetahui kaedah statistik klasik klasifikasi, pengelompokan dan regresi. Ia juga berguna untuk membiasakan diri dengan langkah-langkah utama untuk menilai kualiti penyelesaian, sifatnya... dan segala-galanya yang menghampiri anda.

Hanya selepas asas dikuasai, ia patut mengkaji kaedah yang lebih khusus: pokok keputusan dan kumpulannya. Pada peringkat ini, anda perlu menyelami secara mendalam kaedah asas membina dan melatih model - ia tersembunyi di sebalik perkataan yang hampir tidak baik mengemis, meningkatkan, menyusun atau mengadun.

Ia juga berbaloi untuk belajar tentang kaedah untuk mengawal latihan semula model ("ing" lain - overfitting).

Dan akhirnya, tahap yang sangat Jedi - memperoleh pengetahuan yang sangat khusus. Sebagai contoh, untuk pembelajaran yang mendalam perlu menguasai seni bina dan algoritma asas keturunan kecerunan. Jika anda berminat dengan masalah pemprosesan bahasa semula jadi, saya syorkan anda mempelajari rangkaian saraf berulang. Dan pencipta algoritma masa depan untuk memproses gambar dan video harus melihat dengan baik rangkaian neural konvolusi.

Dua struktur terakhir yang disebut ialah blok binaan seni bina popular hari ini: rangkaian adversarial (GAN), rangkaian hubungan dan rangkaian jaringan. Oleh itu, adalah berguna untuk mengkajinya, walaupun anda tidak bercadang untuk mengajar komputer untuk melihat atau mendengar.

Pendekatan yang sama sekali berbeza untuk mempelajari AI - aka "pil biru" - bermula dengan mencari diri sendiri. Kecerdasan buatan melahirkan sekumpulan tugas dan keseluruhan profesion: daripada pengurus projek AI kepada jurutera data yang mampu menyediakan data, membersihkannya dan membina sistem berskala, dimuatkan dan tahan terhadap kesalahan.

Oleh itu, dengan pendekatan "pengurusan", anda harus terlebih dahulu menilai kebolehan dan latar belakang anda, dan kemudian memilih di mana dan apa yang hendak dipelajari. Sebagai contoh, walaupun tanpa minda matematik anda boleh mereka bentuk antara muka dan visualisasi AI untuk algoritma pintar. Tetapi bersedialah: dalam masa 5 tahun, kecerdasan buatan akan mula mengejek anda dan memanggil anda "humanis."

Kaedah ML utama dilaksanakan dalam bentuk perpustakaan siap sedia yang tersedia untuk sambungan perbezaan bahasa. Paling bahasa popular dalam ML hari ini ialah: C++, Python dan R.

Terdapat banyak kursus dalam bahasa Rusia dan Inggeris, seperti kursus Yandex School of Data Analysis, SkillFactory dan OTUS. Tetapi sebelum melaburkan masa dan wang dalam latihan khusus, saya fikir ia berbaloi untuk "menyertai topik": tonton kuliah terbuka di YouTube daripada persidangan DataFest sejak beberapa tahun lalu, pergi kursus percuma daripada Coursera dan Habrahabr.

Dan apabila semua pengetahuan yang diterangkan dikuasai, kami berharap padawan muda menyertai pasukan Navicon kami, di mana kami akan membantu dan mengajar cara berkawan dengan "intelek buatan" dalam kehidupan sebenar.

Naikkan Turun Turun

Topik AI dan pembelajaran mesin telah menjadi jauh lebih demokratik berbanding beberapa tahun lalu.
Anda boleh mendapatkan kursus berbayar dan percuma mengenai topik ini di Internet; alat menjadi lebih mudah dan kurang menuntut kedua-dua pengetahuan dan perkakasan.

Saya mengesyorkan agar pengaturcara yang berpengalaman dan baru bermula dengan kursus dalam talian pada platform MOOC. Sebagai contoh, Coursera mempunyai pengkhususan yang sangat baik "Pembelajaran Mesin dan Analisis Data" daripada Yandex dan Pusat Pengajian Tinggi Ekonomi. Jika anda tiada masalah memahami kuliah dalam bahasa Inggeris, anda juga boleh mengikuti kursus "Pembelajaran Mesin" Andrew Ng di sana.

Bahasa pengaturcaraan utama untuk bekerja dalam bidang AI dan pembelajaran mesin ialah R dan Python. Untuk masa yang lama bahasa-bahasa ini digunakan dalam kalangan akademik dan untuk mereka ia dicipta sejumlah besar perpustakaan. Pada masa kini, alatan sedang dibangunkan yang membolehkan anda memulakan projek anda dengan cepat: Keras, TensorFlow, Theano, Caffe, scikit-learn. Kebelakangan ini Microsoft mula aktif membangunkan alatannya: CNTK, ML.NET. Mereka membenarkan anda mencipta penyelesaian pintar dalam bahasa C#.

Cari kerja tanpa perlu pengalaman praktikal dalam bidang analisis data dan pembelajaran mesin agak sukar sekarang. Tetapi anda boleh belajar sendiri melalui kursus dalam talian, menyertai pertandingan di Kaggle dan platform yang serupa. Ini akan membolehkan anda membangunkan portfolio yang akan menjadi kelebihan daya saing anda apabila mencari pekerjaan.

Naikkan Turun Turun

Pakar, dan kami akan mengumpul jawapan kepadanya jika ia ternyata menarik. Soalan yang telah ditanya boleh didapati dalam senarai isu. Jika anda ingin menyertai barisan pakar dan menghantar jawapan daripada syarikat anda atau anda sendiri, kemudian tulis kepada, kami akan memberitahu anda bagaimana untuk melakukan ini.