Sisällysluettelo

• Johdatus koneoppimiseen
• Koneoppiminen
• Ohjattu oppiminen
• Regressio
• Lineaarinen regressioalgoritmi
• Luokittelu
• Tuki Vector Machine
• Ohjaamaton oppiminen
• K- tarkoittaa klusterointia
• Puolivalvottu algoritmi
• Vahvistusoppiminen
• Syväoppiminen
• Syvä hermoverkko
• Tekoälyn sovellukset
  • Markkinointi
  • Pankkitoiminta
• Suositellut artikkelit

Johdatus koneoppimiseen

Tutkijat ovat pitkään haaveilleet mielikuvituksellisten koneiden rakentamisesta. Kun ohjelmoitavat PC:t keksittiin ensimmäisen kerran, ihmiset ihmettelivät, tuleeko tällaisista koneista jonain päivänä älykkäitä kuten ihmiset ja pystyvätkö suorittamaan tehtäviä kuin ihmiset. Nykyään tekoäly on nouseva teknologia, jolla on laaja valikoima sovelluksia eri aloilla. Tekoälyn ideana on simuloida ihmisälyä keinotekoisiksi koneiksi, jotta koneet pystyvät ajattelemaan ja suorittamaan tehtäviä kuten ihmiset.

Miksi tarvitsemme teknologiaa, joka toimii kuten ihminen kaikilta osin?

Ihmisillä on erittäin hyvä työntekotarkkuus, mutta tehokkuus työhön ei ole tyydyttävä ja ihmisen työn nopeuttamiselle on aina rajansa, mutta näin ei ole koneista ja myös koneiden tekemä työ on erittäin tarkkaa, tasaista ja skaalautuva.

1800-luvulla ohjelmistovallankumous tapahtui näiden ongelmien voittamiseksi, mutta se ei riitä näiden ongelmien ratkaisemiseen. Ohjelmisto pystyy suorittamaan tehtävän, joka on muodollisesti määritelty säännöissä siten, että se pystyy kirjoittamaan ohjelmoijan ohjelman ottamalla huomioon nämä säännöt.

Esimerkiksi kahden annetun luvun summan laskeminen. Nykymaailmassa tietokoneet voivat päihittää kaikki ihmiset tässä tehtävässä nopeudella ja tarkkuudella. Mutta ongelmat, joissa ei ole joukko muodollisia sääntöjä ja jotka edellyttävät ihmisen älykkyyttä, tällaiset ongelmat ovat erittäin vaikeasti ratkaistavissa tietokoneilla.

Esimerkiksi kasvojen tunnistamiseksi ihmiset voivat tunnistaa kasvot erittäin helposti, mutta tietokoneiden on erittäin vaikea tunnistaa, koska kasvojen muodollisten sääntöjen kirjoittaminen on erittäin monimutkaista. Tekoälyn todellinen haaste on siis ratkaista tehtäviä, joita ihmisten on helppo suorittaa, mutta joita ihmisten on vaikea kuvata muodollisesti.

Otetaan esimerkki IBM:n kehittämästä Deep Blue -shakkijärjestelmästä. Shakin säännöt voidaan määritellä täysin muodollisilla säännöillä. Joten ohjelmoija muunsi nämä säännöt helposti ohjelmaksi ja ohjelmoija toimitti ne etukäteen.

Tekoäly yrittää vastata tähän haasteeseen siirtämällä ihmisälyä koneisiin, joilla on vertaansa vailla olevat laskentaominaisuudet.

Ihminen tarvitsee jokapäiväisessä elämässä tietoa maailmasta ratkaistakseen tehtävänsä ja tällainen tieto on subjektiivista ja intuitiivista, joten ohjelmoijan on vaikea artikuloida sääntöjä.

Joten tästä eteenpäin voimme ymmärtää, että tietokoneet tarvitsevat samanlaista tietoa käyttäytyäkseen ihmisten tavoin tai toisin sanoen älykkäästi. Joten tekoälyn keskeinen haaste on laittaa tämä epävirallinen tai subjektiivinen tieto tietokoneeseen ja tutkijoihin keinotekoisessa tutkimuksessa. Tiedustelukenttä pohjimmiltaan yrittää saavuttaa tämän tavoitteen.

Tutkijat olivat löytäneet perustavan saavuttaa tämä tavoite. He ovat käyttäneet tietoon perustuvaa lähestymistapaa. Tässä lähestymistavassa tutkijat koodaavat tietoa maailmasta muodollisilla kielillä.

Tietokoneet voivat päätellä näiden muodollisten kielten lauseet automaattisesti loogisten päättelysääntöjen avulla. Koska tämä on hyvin yksinkertainen, yksinkertainen ja naiivi lähestymistapa, projekti käyttää tätä lähestymistapaa ei ole onnistunut, koska tutkijat kamppailevat muotoillakseen muodollisia sääntöjä, jotka ovat tarpeeksi monimutkaisia ​​suunnitellakseen maailmaa tarkasti. Yksi esimerkki tällaisesta hankkeesta on Cyc. Cyc on päättelymoottori.

Yllä olevien (tietopohjaiseen lähestymistapaan perustuvien) hankkeiden kohtaama vaikeus on turvautua koodattuihin tietoihin. Joten tämän vaikeuden voittamiseksi tekoälyjärjestelmät tarvitsevat kyvyn hankkia omaa tietonsa maailmasta poimimalla malleja raakatiedoista. Tämä ominaisuus tunnetaan koneoppimisena.

Koneoppiminen

Koneoppimisen käyttöönotto antaa tietokoneille mahdollisuuden hankkia tietoa todellisesta maailmasta ja tehdä päätöksiä, jotka vaikuttavat subjektiivisilta. Tällä tavalla koneoppiminen pystyy voittamaan tietopohjaisen lähestymistavan rajoitukset.

Wikipedian mukaan

Koneoppiminen on tietokonealgoritmien tutkimus, joka paranee automaattisesti kokemuksen myötä.

Mitchellin mukaan

Tietokoneohjelman sanotaan oppivan kokemuksesta E jonkin luokan tehtävien T ja suoritusmittarin P suhteen, jos sen suorituskyky tehtävässä T, mitattuna P:llä, paranee kokemuksella E

Kirjallisuudessa on monenlaisia ​​koneoppimisalgoritmeja. Tässä algoritmien ryhmittely tapahtuu oppimistyylin perusteella. Koneoppimisalgoritmien laaja algoritmien ryhmittely on esitetty kuvassa 1. Katsotaanpa yksityiskohtaisesti yksitellen.

Koneoppimisalgoritmin ryhmittely oppimistyylin perusteella

Ohjattu oppiminen

Ohjattu oppiminen on nimensä mukaisesti ohjaajan läsnäoloa opettajana. Valvotussa oppimisessa koulutamme koneemme käyttämällä merkittyjä tietoja. Merkitty data tarkoittaa, että jokaiselle sisääntulolle on hyvin merkitty tulos.

Koulutuksen aikana koneet hankkivat tietoa maailmasta merkityistä tiedoista. Harjoittelun jälkeen kone saa uuden datasarjan tuloksen ennustamiseksi. Tavoitteena on saada koneet oppimaan vastaavista koulutusaineistosta saaduista kaavoista ja soveltamaan opittua tietoa testattavaan tietoaineistoon todellisen arvon tuotoksen ennustamiseksi.

Otetaan esimerkki Iris-tietojoukosta ymmärtääksemme paremmin. Iris-tietojoukko on kokoelma mittauksia 150 iiriskasvin eri osista. Jokainen esimerkki tietojoukossa sisältää jokaisen kasvin osan, kuten verholehden pituuden, verholehden leveyden, terälehden pituuden ja terälehden leveyden, mittauksen. Aineisto tallentaa myös mihin lajiin kukin kasvi kuuluu. Aineistossa on kolme eri lajia. Joten kuten näemme täällä Iris-tietojoukossa, jokainen Iris-kasvi on merkitty lajillaan.

Valvotut oppimisalgoritmit voivat tutkia tätä aineistoa ja oppia luokittelemaan iiriskasvin kolmeen eri lajiin mittaustensa perusteella

Termi ohjattu oppiminen tarkoittaa pohjimmiltaan sitä, että tavoite y antaa opettaja, joka näyttää koneelle mitä tehdä.

Ohjattu oppiminen luokitellaan kahteen algoritmiluokkaan kuvan osoittamalla tavalla:2.

Regressio

Regressioalgoritmit ennustavat jatkuvan tuloksen (tavoitteen) yhden tai useamman syöte- tai ennustajaarvon perusteella. Yksinkertaisesti sanottuna lähtöarvo on todellinen arvo, kuten painot.

Regressioalgoritmeja on monenlaisia. Erilaisten regressioalgoritmien tyypit riippuvat riippumattomien muuttujien lukumäärästä, regressioviivan muodosta ja riippuvan muuttujan tyypistä. Katsotaanpa joitain regressiotekniikoita.

Lineaarinen regressio on yksi yksinkertaisimmista ja suosituimmista regressioalgoritmeista jatkuvan arvon ennustamiseen. Tässä se olettaa lineaarisen suhteen tulon (ennustajan) ja ulostulon välillä.

Lineaarinen regressioalgoritmi

Lineaarisen regression nimet viittaavat siihen, että se pystyy ratkaisemaan regressioongelmia. Näiden algoritmien tavoitteena on rakentaa järjestelmä, joka voi ottaa vektorin x ja ennustaa tulokseksi skalaariarvon y. Yksinkertaisesti sanottuna tämä algoritmi määrittää tulon ja lähdön välisen suhteen käyttämällä parhaiten sopivaa suoraa.

y=wTx

Tässä w on parametrien vektori. Parametrit ovat arvoja, jotka ohjaavat järjestelmän toimintaa.

Voimme ajatella 'w':n painoarvojen joukkona, joka määrittää, kuinka kukin ominaisuus vaikuttaa tuottoon. Ominaisuus on vain ominaisuus syötteelle.

Esimerkiksi

Oletetaan, että haluamme järjestelmän, joka pystyy ennustamaan käytettyjen autojen hinnat. Tässä ominaisuudet ovat auton ominaisuuksia, joiden uskomme vaikuttavan auton arvoon, kuten merkki, vuosi, moottorin hyötysuhde, kapasiteetti, mittarilukema ja monet muut tiedot.

y=w0 * kapasiteetti+w1 * mittarilukema +w3 * moottorin hyötysuhde

jos nämä ominaisuudet saavat positiivisia painoja wi, näiden painojen kasvu lisää ennusteemme arvoa ja päinvastoin. Jos painojen 'wi' suuruus on suuri, sillä on suuri vaikutus ennusteeseen. Jos paino 'wi' on 0, sillä ei ole vaikutusta ennusteeseen.

Luokittelu

Luokittelu on ohjattu oppimiskonsepti, joka yrittää ennustaa luokkia, joihin syöte kuuluu. Luokitteluongelman ratkaisemiseksi oppimisalgoritmit yrittävät tuottaa funktion esimerkiksi f:R-{1,2,…k}. Yksinkertaisesti sanottuna, kun tuotos on muuttuva, se on luokka kuten sairaus tai ei-tauti, eli tässä tehtävässä tulos on diskreetti. Esimerkiksi Iris-tietojoukossa meidän on ennustettava kolme lajiluokkaa, joissa syötteessä on kolme ominaisuutta (verholehden pituus (sl), verholehden leveys (sw), terälehden pituus (pl), terälehden leveys (pw)).

Otetaan toinen esimerkki kohteen tunnistamisesta ymmärtääksemme sen selvästi

Tässä syöte on kuva ja tulos on numeerinen koodi, joka tunnistaa kuvassa olevan kohteen.

Luokittelualgoritmeja on useita. Luokittelualgoritmit sisältävät tukivektorikonelogistisen regression, päätöspuun, satunnaisen metsän jne. Katsotaanpa joitain algoritmeja yksityiskohtaisesti.

Tuki Vector Machine

Tukivektorikone on valvottu oppimisalgoritmi, jota voidaan käyttää sekä luokittelu- että regressioongelmiin, mutta enimmäkseen sitä käytetään luokitteluongelmiin.

Kun otetaan huomioon opetustietojoukko, joista kukin on merkitty jommallakummalla kahdesta luokasta, SVM-opetusalgoritmi rakentaa mallin, joka määrittää uusia esimerkkejä jollekin kategorialle, mikä tekee siitä ei-todennäköisyyspohjaisen binaarisen lineaariluokituksen.

Pohjimmiltaan tämä algoritmi yrittää löytää optimaalisen hypertason n-ulotteisesta paikasta, joka luokittelee uusia esimerkkejä. Kaksiulotteisessa avaruudessa (kun syöteominaisuuksien lukumäärä on kaksi) tämä hypertaso ei ole muuta kuin viiva, joka jakaa tason kahteen osaan, kuten kuvassa3.

Mukaan wikipedia

SVM-malli on esimerkkien esitys pisteinä avaruudessa, joka on kartoitettu siten, että erillisten kategorioiden esimerkit jaetaan mahdollisimman leveällä aukolla. Uudet esimerkit kartoitetaan sitten samaan tilaan ja ennustetaan kuuluvan luokkaan sen raon puolen perusteella, jolle ne kuuluvat.

Kuva 3

SVM yrittää maksimoida marginaalin kahden luokan välillä. Maksimimarginaali saavutetaan hypertasolla, jolla on suurin etäisyys minkä tahansa luokan lähimpään harjoitustietopisteeseen.

Tämä on erittäin intuitiivista ymmärtää. Näemme kuvasta, että kaikki datapisteet, jotka putoavat viivan puolelle, merkitään yhdeksi luokaksi ja pisteet, jotka putoavat viivan toiselle puolelle, merkitään toiseksi luokaksi. Kuten nyt näemme kuvassa 3, niiden välillä kulkee ääretön määrä viivoja.

Joten mistä tiedämme, mikä linja toimii parhaiten? Tämä algoritmi yrittää valita linjan, joka ei vain erota kahta luokkaa, vaan pysyy mahdollisimman kaukana lähimmistä näytteistä kuvan 3 mukaisesti.

Ohjaamaton oppiminen

Ohjatussa oppimisessa tavoitteena on oppia kartoitus syötteestä lähtöön, jonka oikeat arvot ohjaaja antaa. Ohjaamattomassa oppimisessa annetaan vain syöttötiedot, eikä sellaista ohjaajaa ole. Tavoitteena on löytää syötteen säännönmukaisuudet.

Syöttöavaruudessa on sellainen rakenne, että jotkin kuviot esiintyvät enemmän kuin toiset.

Ohjaamattomassa oppimisessa käytetään kahta päämenetelmää, jotka ovat klusterianalyysi ja pääkomponentti.

Klusterianalyysissä tavoitteena on löytää syötteen ryhmittely.

Otetaan esimerkki ymmärtääksemme selkeästi

Kaikilla yrityksillä on paljon asiakasdataa. Asiakastiedot sisältävät demografisia tietoja sekä aiempia tapahtumia yrityksen kanssa. Yritys voi olla kiinnostunut näkemään yrityksensä profiilin jakautumisen, näkemään, millaisia ​​asiakkaita usein esiintyy. Tällaisissa skenaarioissa klusterointi allokoi ominaisuuksiltaan samankaltaiset asiakkaat samaan ryhmään. Nämä klusteroidut ryhmät voivat auttaa päättämään yrityksen strategioista esimerkiksi eri ryhmille ominaisten palveluiden ja tuotteiden osalta.

Suosittu algoritmi tämän klusterointianalyysin tekemiseen on K-keskiarvoklusterointi. Keskustellaan K-keinoista tarkemmin.

K- tarkoittaa klusterointia

K-means-klusterointi on yksi suosituimmista ja yksinkertaisimmista valvomattomista oppimisalgoritmeista.

K-means on sentroidipohjainen algoritmi, jossa lasketaan annettujen pisteiden etäisyydet sentroidista pisteen osoittamiseksi klusteriin. K-Meansissa jokainen klusteri liittyy sentroidiin.

Tämä algoritmi toimii seuraavasti:

1. Alusta ensin k pistettä, joita kutsutaan satunnaisesti välineiksi
2. Luokittele sen jälkeen jokainen kohta sen lähimpään keskiarvoon ja päivitä keskiarvon koordinaatit, jotka ovat tähän mennessä tähän mennessä luokiteltujen kohteiden keskiarvoja.
3. Toista nämä vaiheet tietylle iteraatiomäärälle ja tietyn iteraatiomäärän jälkeen meillä on klusterimme.

Kuva:4

Puolivalvottu algoritmi

Valvotussa oppimisessa olemme nähneet, että ihmisten on merkittävä tietojoukko manuaalisesti. Tämä prosessi on erittäin kallis, koska tietojoukon määrä on erittäin suuri. Ohjaamattomassa oppimisessa merkittyä tietojoukkoa ei vaadita, mutta sen sovellusspektri on rajallinen.

Näiden rajoitusten poistamiseksi otetaan käyttöön puoliohjatun oppimisen käsite. Tässä oppimistyylissä algoritmia opetetaan yhdistämällä pieni määrä merkittyä tietoa ja suuri määrä merkitsemätöntä dataa. Puoliohjattu oppiminen sijoittuu ohjatun ja ohjaamattoman oppimisen väliin.

Merkitsemättömien tietojen käyttämiseksi Semi-Supervised-algoritmi olettaa datasta seuraavan suhteen:

Jatkuvuus:Se olettaa, että pisteet, jotka ovat lähempänä toisiaan, jakavat todennäköisemmin saman tulostustunnisteen.Klusteri:Jos tiedot voidaan jakaa erillisiin klustereihin, saman klusterin pisteet jakavat todennäköisemmin tunnisteen.Jakotukki:Tiedot ovat suunnilleen monissa, jotka ovat paljon pienempiä kuin syöttöavaruus. Tämä oletus sallii etäisyyksien ja tiheyksien käytön, jotka on määritelty kohdassa a jakotukki .

Voimme ymmärtää nämä kolme oppimistyylityyppiä, nimittäin ohjattua oppimista, ohjaamatonta oppimista ja puoliohjattua oppimista suhteuttamalla todelliseen maailmaan.

Ohjattua oppimista, jossa opiskelija on opettajan valvonnassa. Ohjaamattomassa oppimisessa, jossa opiskelijan on keksittävä käsite itse. Puoliohjattu oppiminen, jossa opettaja opettaa tunnilla muutamia käsitteitä ja antaa kotitehtävinä kysymyksiä, jotka perustuvat samanlaisiin käsitteisiin.

Vahvistusoppiminen

Vahvistusoppiminen on oppimista vuorovaikutuksessa ympäristön kanssa. Oppimisprosessissa on mukana toimija, ympäristö ja palkintosignaali. Näyttelijä valitsee toimia ympäristössä, josta näyttelijä palkitaan vastaavasti. Tässä järjestelmän tulos on toimintosarja.

Tällaisessa tapauksessa yksittäinen toimenpide ei ole tärkeä, tässä on tärkeää korjata toimenpiteitä tavoitteen saavuttamiseksi. Tätä kutsutaan myös politiikaksi. Toimija haluaa kasvattaa saamaansa palkkiota ja siksi hänen on opittava optimaalinen ja hyvä toimintatapa ympäristön kanssa vuorovaikutukseen. Hyvä esimerkki ovat pelit. Pelissä yksittäinen liike ei sinänsä ole tärkeä, se vaatii oikeiden liikkeiden sarjan, joka on hyvä (eli liikkeet johtavat voittoon)

Kuva 5: Vahvistusoppimisen asetukset

`Vahvistusoppiminen on hyvin erilaista kuin muut tähän mennessä käsitellyt oppimisemme. Kuten olemme nähneet ohjatussa oppimisessa, meille annetaan dataa ja tunnisteita, ja meidän tehtävänä on ennustaa annettua dataa. Ohjaamattomassa oppimisessa meille annetaan vain dataa ja tehtävänä on löytää datan taustalla oleva rakenne. Vahvistuksessa meille ei anneta tietoja eikä tarroja.

Vahvistusoppimisen sovelluksia ovat

1. Itse ajava auto
2. Robottimoottorin ohjaus
3. Ilmastoinnin ohjaus
4. Mainosten sijoittelun optimointi
5. Osakemarkkinoiden kaupankäyntistrategiat
6. Pelin pelaaminen

Syväoppiminen

Kun analysoimme auton kuvaa, punaisen auton kuvassa oleva yksittäinen pikseli on hyvin lähellä mustaa yöllä. Tämä esimerkki voi antaa sinulle käsityksen monien tekoälysovellusten kohtaamista vaikeuksista. Näin korkean tason ja abstrakteja piirteitä on erittäin vaikea poimia, koska se vaatii ihmistason ymmärrystä.

Deep Learning ratkaisee tämän ongelman tekemällä monimutkaisia ​​ominaisuuksia yksinkertaisista. Perusesimerkki syväoppimismallista on Multilayer Perceptron. Monikerroksinen Perceptron on vain matemaattinen funktio, joka yhdistää tuloarvot lähtöarvoihin. Tämä toiminto koostuu monista yksinkertaisemmista toiminnoista.

Syväoppiminen on erityinen koneoppimisen muoto, joka saavuttaa suurta tehoa ja joustavuutta esittämällä maailmaa sisäkkäisenä käsitehierarkiana. Jokainen käsite määritellään suhteessa yksinkertaisempiin käsitteisiin ja abstraktimpiin esityksiin, jotka on laskettu vähemmän abstraktien käsitteiden perusteella.

Syväoppimisalgoritmeja, kuten Deep Neural Network, Deep belief network, Convolutional Neural Network, Recurrent Neural Network, on sovellettu aloille, kuten tietokonenäköön, puheentunnistukseen, luonnollisen kielen käsittelyyn ja moniin muihin kohteisiin.

Syvä hermoverkko

Deep Neural Network on saanut inspiraationsa ihmisaivojen toiminnasta ja tavasta, jolla se toimii. Syvien hermoverkkojen perusrakennuspalikka ovat solmut. Solmut ovat aivan kuin ihmisen aivojen neuronit. Kun ärsyke osuu niihin, solmussa tapahtuu prosessi. Yleensä solmut ryhmitellään tasoiksi kuvan 6 mukaisesti.

Kuva 6: Deep Neural Network

Syviä hermoverkkoja on erilaisia ​​ja niiden väliset erot piilevät niiden toimintaperiaatteissa, toimintasuunnitelmassa ja sovellusalueilla.

Konvoluutiohermoverkot (CNN): Sitä käytetään enimmäkseen kuvantunnistukseen, koska kaikkia pikseleitä ei tarvitse tarkistaa yksitellen. CNN:t koostuvat syöttökerroksesta, tulostekerroksesta ja piilokerroksista. Piilotetut kerrokset koostuvat yleensä konvoluutiokerroksista, yhdistävistä kerroksista ja täysin yhdistetyistä kerroksista. Konvoluutio- ja max-pooling-kerrokset toimivat piirteiden poimijana ja täysin yhdistettynä kerroksena, joka suorittaa erotettujen ominaisuuksien epälineaarisia muunnoksia ja toimii luokittelijana. Konvoluutiotasot käyttävät konvoluutiooperaatiota syötteeseen. Poolituskerrosta käytetään välittömästi konvoluutiokerroksen jälkeen spatiaalisen koon pienentämiseen (vain leveys ja korkeus, ei syvyys). Tämä vähentää parametrien määrää ja siten laskentaa sekä auttaa tekemään ominaisuusilmaisimista enemmän invariantteja sen sijainnin suhteen tulossa. Tämän animaation avulla konvoluutiotoiminto on helppo ymmärtää

Toistuva hermoverkko (RNN):Toistuvat neuroverkot ovat hermoverkkojen luokka, joka mahdollistaa aikaisempien tulosten käytön mallin tuloina. Se esiteltiin ensimmäisen kerran 1980-luvulla. RNN:t eroavat myötäkytkentäisistä hermoverkoista, koska ne hyödyntävät erityistä hermoverkkotyyppiä, joka tunnetaan nimellä toistuva kerros. Recurrent Neural Networkin pääideana on käyttää peräkkäistä tietoa. Perinteisessä hermoverkossa, kuten CNN, olemme olettaneet, että kaikki tulot ja lähdöt ovat toisistaan ​​riippumattomia. Mutta monissa tehtävissä, jotka eivät ole kovin hyvä idea olettaa tämä. Oletetaan, että jos haluamme ennustaa lauseen seuraavan sanan, on parempi tietää, mitkä sanat olivat ennen sitä. RNN:itä kutsutaan toistuviksi, koska ne suorittavat saman tehtävän jokaiselle sekvenssin elementille tulosten ollessa riippuvaisia ​​aiemmista laskelmista. Yksinkertaisesti sanottuna RNN:illä on muisti, joka tallentaa tiedot tähän mennessä lasketuista asioista. Teoriassa RNN:t pystyvät käyttämään tietoa pitkissä sarjoissa, mutta käytännössä ne rajoittuvat katsomaan taaksepäin vain muutaman askeleen.

Katsotaan tekoälyn, koneoppimisen ja syväoppimisen suhdetta Venn-kaavion avulla

Kuva 7: Tämä kuva esittää syvän oppimisen, koneoppimisen ja tekoälyn välisen suhteen.

Tekoälyn sovellukset

Tekoälyä käytetään monilla eri aloilla. Aloja ovat markkinointi, pankkitoiminta, rahoitus, maatalous, terveydenhuolto, pelit, avaruustutkimus, autonomiset ajoneuvot, chatbotit, keinotekoinen luovuus jne.

Tutustutaan markkinoinnin ja pankkitoiminnan alaan.

Markkinointi

Alkuaikoina (kun tekoäly ei ole käytössä. Se on olemassa vain kirjoissa), jos haluamme ostaa tuotteen verkkokaupasta, meidän on etsittävä tuotetta sen tarkalla nimellä. Joten on erittäin vaikea löytää tuotetta, jos emme tiedä tuotteen tarkkaa nimeä.

Mutta nykyään kun etsimme mitä tahansa tuotetta mistä tahansa verkkokauppakaupasta, saamme kaikki mahdolliset tuotteeseen liittyvät tulokset. Meidän ei tarvitse miettiä tarkkaa kirjoitusasua tai tuotteen nimeä löytääksemme tuotteen. Toinen esimerkki on oikeiden elokuvien löytäminen Netflixistä.

Sovellus ei rajoitu oikean tuotteen löytämiseen. Tekoälyn edistyminen pystyy suosittelemaan tuotetta kiinnostuksesi perusteella analysoimalla menneisyyttäsi ja ostomakuasi. Näiden tietojen mukaan tekoäly voi tietää minkä tyyppinen tuote on sinulle merkityksellinen ja sen perusteella se suodattaa tuotteen ja suosittelee sitä sinulle.

Tällä tavalla tekoäly on tärkeässä roolissa markkinoinnissa ja tuotteiden online-myynnin lisäämisessä ja siten myös verkkokaupan yrityksissä, kuten Flipkart, Amazon , tai Netflixin kaltaiset yritykset hyödyntävät tekoälyn voimaa myydäkseen tuotteitaan erittäin helposti ja tuottaakseen voittoa.

Pankkitoiminta

Pankkialalla tekoälyjärjestelmä kasvaa nopeammin. Monet pankit ovat jo ottaneet tekoälyjärjestelmän käyttöön tarjotakseen erilaisia ​​palveluita, kuten asiakastukea, poikkeamien havaitsemista ja luottokorttipetoksia.

Otetaan esimerkki HDFC-pankista. He ovat kehittäneet tekoälypohjaisen chatbotin nimeltä Electronic Virtual Assistant (EVA). Tämä chatbot on vastannut jo yli 3 miljoonaan asiakaskyselyyn. Eva pystyy antamaan yksinkertaisia ​​vastauksia alle 0,4 sekunnissa. Bank of Americalla on chatbotin nimi Erica. American Express käyttää AmEX-chatbottejaan asiakkaidensa hyödyksi.

MasterCard ja RBS WorldPay ovat käyttäneet tekoälyä ja syväoppimista havaitakseen vilpilliset tapahtumat ja estääkseen korttipetoksia. Tämä tekoälyjärjestelmä säästi miljoonia dollareita. Tekoälypohjaiset petosten havaitsemisalgoritmit ovat tarkempia petosten havaitsemisessa yli 95 %:n tarkkuudella. He pystyvät mukautumaan nopeasti havaitakseen uudet petosyritykset reaaliajassa.

Tekoälyn tärkein sovellus pankkitoiminnassa on riskienhallinta, koska arvioiden mukaan kauppiaiden petosten aiheuttama menetys on keskimäärin 1,5 % heidän vuosituloistaan. JPMorgan alkoi myös käyttää tekoälytekniikoita kehittääkseen varhaisvaroitusjärjestelmää, joka havaitsee haittaohjelmat, troijalaiset ja virukset. Tämän havaitsemisjärjestelmän väitetään tunnistavan epäilyttävän käytöksen kauan ennen kuin petossähköpostit lähetetään työntekijöille.

Suositellut artikkelit

• Mikä on Unsecapp.exe ja onko se turvallista?
• 15 parasta UML-kaaviotyökalua ja ohjelmistoa
• [KORJAATTU] Windows ei voi käyttää määritettyä laitetta, polkua tai tiedostovirhettä
• 16 korjausta Windows Updatelle, joka ei toimi Windowsissa
• 4 korjausta AMD Radeon -asetukset eivät avaudu
• Zoom-kuvakaappaustyökalu: vinkkejä ja temppuja