Машинното обучение е основен фокус на AI

Комбинацията от технологии, обединени под общото наименование изкуствен интелект, налага иновации във всички области. 270% е ръстът във внедряванията на AI в последните четири години, като се очаква до 2030 г. изкуственият интелект да генерира около 13 трилиона долара допълнителна икономическа стойност.

Историята на изкуственият интелект се заражда в далечната 1940 г. През 60-те и 80-те години на миналия век се наблюдава активизиране в тази област, за да се стигне до настоящото развитие на AI, при което акцентът е върху машинното обучение, разказа д-р Кристина Арнаудова от лабораторията за изкуствен интелект на IBS България в лекция на конференцията „IBS IT Compass 2019” в столичния х-л Хилтън.

[related-posts]

Днес изкуственият интелект намира приложение при диагностициране на онкологични заболявания, в навигацията, роботиката, игрите, за оптимизация на взимането на решения и в редица други дейности. Възможностите на AI са свързани основно с машинното обучение, а предизвикателствата – с обработката на различните видове данни, изображения, говор, текст и т.н.

„Обемът данни е голям и трудно се обработва. Качеството на данните е решаващо за разбирането и правилното построяване на модела. На второ място са необходими експертиза за реализация на модел и опит в конкретна област. Това е бавен процес,  с много итерации и експерименти. На следващ етап се стига до действие, а именно интеграция в цялостно решение, прозрачност и справедливост при извеждане на решението”, обясни Арнаудова.

AI непрекъснато оптимизира процеса на обучение. Именно машинното обучение е основен фокус в изкуствения интелект. IBM, в частност, изгражда стратегия за автоматизиране на AI чрез три апликации:

• пренос на обучението – това е възможността един модел да бъде приложен в напълно друга сфера, с промяна само на последните слоеве;
• автоматични AI експерименти – автоматична подготовка на данните, избор на характеристики и оптимизация на параметрите на модела ;
• изграждане на невронни мрежи – автоматично избиране на подходяща архитектура на невронната мрежа.

Има, разбира се, и някои проблеми, като например фактът, че почти всеки модел, без значение колко внимателно е проектиран, е вероятно да прояви необективна оценка. „Това е така, защото с времето моделите променят своята точност. Затова е важно да се наблюдават промените и да се коригират своевременно”, разясни Арнаудова.