AI er alls staðar en stundum getur verið erfitt að skilja hugtökin og hrognamálið. Í þessari bloggfærslu útskýrum við yfir 50 gervigreind hugtök og skilgreiningar svo þú getir gert þér grein fyrir þessari ört vaxandi tækni.
Hvort sem þú ert byrjandi eða sérfræðingur, við veðjum á að það eru nokkur hugtök hér sem þú þekkir ekki!
1. Gervigreind
Artificial Intelligence (AI) vísar til þróunar tölvukerfa sem hafa getu til að læra og starfa sjálfstætt, oft með því að líkja eftir mannlegri greind.
Þessi kerfi greina gögn, þekkja mynstur, taka ákvarðanir og laga hegðun sína út frá reynslu. Með því að nýta reiknirit og líkön miðar gervigreind að því að búa til greindar vélar sem geta skynjað og skilið umhverfi sitt.
Lokamarkmiðið er að gera vélum kleift að framkvæma verkefni á skilvirkan hátt, læra af gögnum og sýna vitræna hæfileika svipaða og menn.
2. reiknirit
Reiknirit er nákvæmt og kerfisbundið sett af leiðbeiningum eða reglum sem stýra ferlinu við að leysa vandamál eða framkvæma tiltekið verkefni.
Það þjónar sem grundvallarhugtak á ýmsum sviðum og gegnir lykilhlutverki í tölvunarfræði, stærðfræði og vandamálagreiningum. Skilningur á reikniritum skiptir sköpum þar sem þau gera skilvirka og skipulega lausn á vandamálum kleift, knýja fram framfarir í tækni og ákvarðanatökuferlum.
3. Stór gögn
Stór gögn vísa til afar stórra og flókinna gagnasetta sem fara yfir getu hefðbundinna greiningaraðferða. Þessi gagnasöfn einkennast venjulega af rúmmáli, hraða og fjölbreytni.
Rúmmál vísar til mikils magns gagna sem myndast frá ýmsum aðilum eins og félagslega fjölmiðla, skynjara og viðskipti.
Hraði vísar til þess mikla hraða sem gögn verða til á og þarf að vinna úr þeim í rauntíma eða næstum rauntíma. Fjölbreytni táknar fjölbreyttar tegundir og snið gagna, þar á meðal skipulögð, óskipulögð og hálfskipulögð gögn.
4. Gagnavinnsla
Gagnanám er yfirgripsmikið ferli sem miðar að því að draga út dýrmæta innsýn úr miklum gagnasöfnum.
Það nær yfir fjögur lykilþrep: gagnaöflun, sem felur í sér söfnun viðeigandi gagna; gagnagerð, tryggja gagnagæði og eindrægni; náma gögnin, nota reiknirit til að uppgötva mynstur og tengsl; og gagnagreiningu og túlkun, þar sem unnin þekking er skoðuð og skilin.
5. Tauganet
Tölvukerfi er hannað til að virka eins og heilann, sem samanstendur af samtengdum hnútum eða taugafrumum. Við skulum skilja þetta aðeins betur þar sem flest gervigreind eru byggð á taugakerfi.
Í grafíkinni hér að ofan erum við að spá fyrir um rakastig og hitastig á landfræðilegum stað með því að læra af fyrri mynstri. Inntakin eru gagnasafnið fyrir fyrri skrá.
The tauganet lærir mynstrið með því að leika sér með lóð og beita hlutdrægnigildum í földu lögin. W1, W2….W7 eru viðkomandi lóðir. Það þjálfar sig á gagnapakkanum sem fylgir og gefur úttak sem spá.
Þú gætir verið óvart af þessum flóknu upplýsingum. Ef þetta er raunin geturðu byrjað á einföldu handbókinni okkar hér.
6. Vélnám
Vélanám leggur áherslu á að þróa reiknirit og líkön sem geta lært sjálfkrafa af gögnum og bætt frammistöðu þeirra með tímanum.
Það felur í sér notkun tölfræðitækni til að gera tölvum kleift að bera kennsl á mynstur, gera spár og taka gagnadrifnar ákvarðanir án þess að vera sérstaklega forritaðar.
Vélarannsóknarreiknirit greina og læra af stórum gagnasöfnum, sem gerir kerfum kleift að aðlaga og bæta hegðun sína út frá upplýsingum sem þau vinna úr.
7. Djúpt nám
Djúpt nám, undirsvið vélanáms og tauganeta, notar háþróuð reiknirit til að afla þekkingar úr gögnum með því að líkja eftir flóknum ferlum mannsheilans.
Með því að nota taugakerfi með fjölmörgum falnum lögum geta djúpnámslíkön sjálfstætt dregið út flókna eiginleika og mynstur, sem gerir þeim kleift að takast á við flókin verkefni af einstakri nákvæmni og skilvirkni.
8. Mynsturþekking
Mynsturþekking, gagnagreiningartækni, beitir krafti vélrænna reiknirita til að greina og greina sjálfstætt mynstur og reglusemi innan gagnasafna.
Með því að nýta reiknilíkön og tölfræðilegar aðferðir geta mynsturgreiningarreiknirit greint merkingarbæra uppbyggingu, fylgni og þróun í flóknum og fjölbreyttum gögnum.
Þetta ferli gerir kleift að draga út dýrmæta innsýn, flokkun gagna í mismunandi flokka og spá um framtíðarútkomu byggða á viðurkenndum mynstrum. Mynsturþekking er mikilvægt tæki á ýmsum sviðum, sem styrkir ákvarðanatöku, greiningu frávika og forspárlíkön.
Líffræðileg tölfræði er eitt dæmi um þetta. Til dæmis, í fingrafaragreiningu, greinir reikniritið hryggjar, línur og einstaka eiginleika fingrafars einstaklings til að búa til stafræna framsetningu sem kallast sniðmát.
Þegar þú reynir að opna snjallsímann þinn eða fá aðgang að öruggri aðstöðu, ber mynsturgreiningarkerfið saman tekin líffræðileg tölfræðigögn (td fingrafar) við vistuð sniðmát í gagnagrunni þess.
Með því að passa við mynstrin og meta hversu líkt er, getur kerfið ákvarðað hvort líffræðileg tölfræðigögn sem eru gefin passa við geymda sniðmátið og veitt aðgang í samræmi við það.
9. Leiðbeinandi nám
Stýrt nám er vélanámsaðferð sem felur í sér að þjálfa tölvukerfi með því að nota merkt gögn. Í þessari aðferð er tölvan búin sett af inntaksgögnum ásamt samsvarandi þekktum merkjum eða niðurstöðum.
Segjum að þú sért með fullt af myndum, sumar með hundum og aðrar með köttum.
Þú segir tölvunni hvaða myndir eru með hunda og hverjar eru með ketti. Tölvan lærir síðan að þekkja muninn á hundum og köttum með því að finna mynstur á myndunum.
Eftir að hún lærir geturðu gefið tölvunni nýjar myndir og hún mun reyna að komast að því hvort hún eigi hunda eða ketti út frá því sem hún lærði af merktum dæmum. Þetta er eins og að þjálfa tölvu til að spá fyrir með þekktum upplýsingum.
10. Nám án eftirlits
Nám án eftirlits er tegund vélanáms þar sem tölvan skoðar gagnapakka á eigin spýtur til að finna mynstur eða líkindi án sérstakra leiðbeininga.
Það byggir ekki á merktum dæmum eins og í námi undir eftirliti. Þess í stað leitar það að földum mannvirkjum eða hópum í gögnunum. Það er eins og tölvan sé að uppgötva hluti af sjálfu sér, án þess að kennari segi henni að hverju hún eigi að leita.
Þessi tegund af námi hjálpar okkur að finna nýja innsýn, skipuleggja gögn eða bera kennsl á óvenjulega hluti án þess að þurfa forþekkingu eða skýra leiðbeiningar.
11. Náttúruleg málvinnsla (NLP)
Natural Language Processing leggur áherslu á hvernig tölvur skilja og hafa samskipti við mannlegt tungumál. Það hjálpar tölvum að greina, túlka og bregðast við tungumáli manna á þann hátt sem okkur finnst eðlilegra.
NLP er það sem gerir okkur kleift að eiga samskipti við raddaðstoðarmenn og spjallbotna, og jafnvel láta tölvupóstinn okkar flokka sjálfkrafa í möppur.
Það felur í sér að kenna tölvum að skilja merkinguna á bak við orð, setningar og jafnvel heila texta, svo þær geti aðstoðað okkur við ýmis verkefni og gert samskipti okkar við tæknina hnökralausari.
12. Tölvusjón
Tölvusýn er heillandi tækni sem gerir tölvum kleift að sjá og skilja myndir og myndbönd, alveg eins og við mannfólkið gerum með augunum. Þetta snýst allt um að kenna tölvum að greina sjónrænar upplýsingar og skilja það sem þær sjá.
Í einfaldari skilmálum hjálpar tölvusjón tölvum að þekkja og túlka sjónheiminn. Það felur í sér verkefni eins og að kenna þeim að bera kennsl á tiltekna hluti í myndum, flokka myndir í mismunandi flokka eða jafnvel skipta myndum í þýðingarmikla hluta.
Ímyndaðu þér sjálfkeyrandi bíl sem notar tölvusjón til að „sjá“ veginn og allt í kringum hann.
Það getur greint og fylgst með gangandi vegfarendum, umferðarmerkjum og öðrum farartækjum, sem hjálpar þeim að sigla á öruggan hátt. Eða hugsaðu um hvernig andlitsþekkingartækni notar tölvusjón til að opna snjallsímana okkar eða sannreyna auðkenni okkar með því að þekkja einstaka andlitseinkenni okkar.
Það er einnig notað í eftirlitskerfi til að fylgjast með fjölmennum stöðum og koma auga á grunsamlega starfsemi.
Tölvusjón er öflug tækni sem opnar heim möguleika. Með því að gera tölvum kleift að sjá og skilja sjónrænar upplýsingar getum við þróað forrit og kerfi sem geta skynjað og túlkað heiminn í kringum okkur, sem gerir líf okkar auðveldara, öruggara og skilvirkara.
13. Spjallboti
Chatbot er eins og tölvuforrit sem getur talað við fólk á þann hátt sem virðist vera raunverulegt mannlegt samtal.
Það er oft notað í þjónustu við viðskiptavini á netinu til að hjálpa viðskiptavinum og láta þá líða eins og þeir séu að tala við manneskju, jafnvel þó að það sé í raun forrit sem keyrir á tölvu.
Spjallbotninn getur skilið og svarað skilaboðum eða spurningum frá viðskiptavinum, veitt gagnlegar upplýsingar og aðstoð alveg eins og þjónustufulltrúi manna myndi gera.
14. Raddgreining
Raddgreining vísar til getu tölvukerfis til að skilja og túlka mannlegt tal. Það felur í sér tæknina sem gerir tölvu eða tæki kleift að „hlusta“ á töluð orð og breyta þeim í texta eða skipanir sem hún getur skilið.
með raddgreining, þú getur átt samskipti við tæki eða forrit með því einfaldlega að tala við þau í stað þess að slá inn eða nota aðrar innsláttaraðferðir.
Kerfið greinir töluð orð, þekkir mynstur og hljóð og þýðir þau síðan í skiljanlegan texta eða aðgerðir. Það gerir handfrjálsum og náttúrulegum samskiptum við tæknina kleift, sem gerir verkefni eins og raddskipanir, fyrirmæli eða raddstýrð samskipti möguleg. Algengustu dæmin eru gervigreind aðstoðarmenn eins og Siri og Google Assistant.
15. Viðhorfsgreining
Viðhorfsgreining er tækni sem notuð er til að skilja og túlka tilfinningar, skoðanir og viðhorf sem koma fram í texta eða tali. Það felur í sér að greina ritað eða talað mál til að ákvarða hvort tilfinningin sem sett er fram sé jákvæð, neikvæð eða hlutlaus.
Með því að nota vélanámsreiknirit geta tilfinningagreiningarreiknirit skannað og greint mikið magn af textagögnum, svo sem umsagnir viðskiptavina, færslur á samfélagsmiðlum eða endurgjöf viðskiptavina, til að bera kennsl á undirliggjandi viðhorf á bak við orðin.
Reikniritin leita að sérstökum orðum, orðasamböndum eða mynstrum sem gefa til kynna tilfinningar eða skoðanir.
Þessi greining hjálpar fyrirtækjum eða einstaklingum að skilja hvernig fólki finnst um vöru, þjónustu eða efni og er hægt að nota hana til að taka gagnadrifnar ákvarðanir eða fá innsýn í óskir viðskiptavina.
Fyrirtæki getur til dæmis notað tilfinningagreiningu til að fylgjast með ánægju viðskiptavina, tilgreina svæði til úrbóta eða fylgjast með almenningsáliti um vörumerkið sitt.
16. Vélþýðing
Vélræn þýðing, í samhengi við gervigreind, vísar til notkunar á tölvualgrími og gervigreind til að þýða texta eða tal sjálfkrafa frá einu tungumáli yfir á annað.
Það felur í sér að kenna tölvum að skilja og vinna úr tungumálum manna til að geta veitt nákvæmar þýðingar. Algengasta dæmið er Google þýðing.
Með vélþýðingu geturðu sett inn texta eða tal á einu tungumáli og kerfið mun greina inntakið og búa til samsvarandi þýðingu á öðru tungumáli. Þetta er sérstaklega gagnlegt þegar þú hefur samskipti eða aðgang að upplýsingum á mismunandi tungumálum.
Vélþýðingarkerfi treysta á blöndu af tungumálareglum, tölfræðilegum líkönum og vélrænum reikniritum. Þeir læra af miklu magni tungumálagagna til að bæta þýðingarnákvæmni með tímanum. Sumar vélþýðingaraðferðir innihalda einnig taugakerfi til að auka gæði þýðinga.
17. Vélmenni
Vélfærafræði er sambland af gervigreind og vélaverkfræði til að búa til greindar vélar sem kallast vélmenni. Þessi vélmenni eru hönnuð til að framkvæma verkefni sjálfstætt eða með lágmarks mannlegri íhlutun.
Vélmenni eru líkamlegar einingar sem geta skynjað umhverfi sitt, tekið ákvarðanir byggðar á því skynrænu inntaki og framkvæmt sérstakar aðgerðir eða verkefni.
Þeir eru búnir ýmsum skynjurum, svo sem myndavélum, hljóðnemum eða snertiskynjurum, sem gera þeim kleift að safna upplýsingum frá heiminum í kringum sig. Með hjálp gervigreindar reiknirit og forritun geta vélmenni greint þessi gögn, túlkað þau og tekið skynsamlegar ákvarðanir til að framkvæma tilnefnd verkefni.
Gervigreind gegnir mikilvægu hlutverki í vélfærafræði með því að gera vélmennum kleift að læra af reynslu sinni og laga sig að mismunandi aðstæðum.
Hægt er að nota reiknirit fyrir vélanám til að þjálfa vélmenni til að þekkja hluti, vafra um umhverfi eða jafnvel hafa samskipti við menn. Þetta gerir vélmenni kleift að verða fjölhæfari, sveigjanlegri og fær um að takast á við flókin verkefni.
18 Drones
Drónar eru tegund vélmenna sem geta flogið eða sveimað í loftinu án mannlegs flugmanns um borð. Þeir eru einnig þekktir sem unmanned aerial vehicles (UAVs). Drónar eru búnir ýmsum skynjurum, svo sem myndavélum, GPS og gyroscope, sem gera þeim kleift að safna gögnum og vafra um umhverfi sitt.
Þeim er fjarstýrt af mannlegum rekstraraðila eða geta starfað sjálfstætt með því að nota fyrirfram forritaðar leiðbeiningar.
Drónar þjóna margvíslegum tilgangi, þar á meðal loftmyndatöku og myndbandstöku, landmælingar og kortlagningu, sendingarþjónustu, leitar- og björgunarleiðangra, landbúnaðareftirlit og jafnvel afþreyingarnotkun. Þeir geta nálgast fjarlæg eða hættuleg svæði sem eru erfið eða hættuleg mönnum.
19. Aukinn veruleiki (AR)
Aukinn veruleiki (AR) er tækni sem sameinar raunheiminn með sýndarhlutum eða upplýsingum til að auka skynjun okkar og samskipti við umhverfið. Það leggur tölvugerðar myndir, hljóð eða önnur skynjunarinntak yfir í raunheiminn og skapar yfirgripsmikla og gagnvirka upplifun.
Einfaldlega sagt, ímyndaðu þér að vera með sérstök gleraugu eða nota snjallsímann þinn til að sjá heiminn í kringum þig, en með fleiri sýndarþáttum bætt við.
Til dæmis gætirðu beint snjallsímanum þínum að borgargötu og séð sýndarskilti sem sýna leiðbeiningar, einkunnir og umsagnir um veitingastaði í nágrenninu eða jafnvel sýndarpersónur sem hafa samskipti við raunverulegt umhverfi.
Þessir sýndarþættir blandast óaðfinnanlega við raunheiminn og eykur skilning þinn og upplifun af umhverfinu. Aukinn raunveruleiki er hægt að nota á ýmsum sviðum eins og leikjum, menntun, arkitektúr og jafnvel fyrir dagleg verkefni eins og siglingar eða að prófa ný húsgögn á heimili þínu áður en þú kaupir þau.
20. Sýndarveruleiki (VR)
Sýndarveruleiki (VR) er tækni sem notar tölvugerða uppgerð til að búa til gervi umhverfi sem einstaklingur getur skoðað og haft samskipti við. Það sökkvi notandanum í sýndarheim, útilokar raunheiminn og kemur í staðinn fyrir stafrænt ríki.
Einfaldlega, ímyndaðu þér að setja á þig sérstakt heyrnartól sem hylur augu og eyru og flytur þig á allt annan stað. Í þessum sýndarheimi finnst allt sem þú sérð og heyrir ótrúlega raunverulegt, jafnvel þó það sé allt framleitt af tölvu.
Þú getur hreyft þig, horft í hvaða átt sem er og átt samskipti við hluti eða persónur eins og þeir væru líkamlega til staðar.
Til dæmis, í sýndarveruleikaleik gætirðu lent í miðaldakastala, þar sem þú getur gengið um ganga hans, tekið upp vopn og tekið þátt í sverðbardögum við sýndarandstæðinga. Sýndarveruleikaumhverfið bregst við hreyfingum þínum og aðgerðum, sem gerir þér kleift að líða að fullu á kafi og taka þátt í upplifuninni.
Sýndarveruleiki er ekki aðeins notaður til leikja heldur einnig fyrir ýmis önnur forrit eins og þjálfunarlíkingar fyrir flugmenn, skurðlækna eða hermenn, byggingarlistar, sýndarferðamennsku og jafnvel meðferð við ákveðnar sálfræðilegar aðstæður. Það skapar tilfinningu fyrir nærveru og flytur notendur yfir í nýja og spennandi sýndarheima, sem lætur upplifunina líða eins nálægt raunveruleikanum og mögulegt er.
21. Gagnafræði
Gagnavísindi er svið sem felur í sér að nota vísindalegar aðferðir, verkfæri og reiknirit til að draga dýrmæta þekkingu og innsýn úr gögnum. Það sameinar þætti stærðfræði, tölfræði, forritun og sérfræðiþekkingu á lénum til að greina stór og flókin gagnasöfn.
Í einfaldari skilmálum snýst gagnafræði um að finna merkingarbærar upplýsingar og mynstur sem eru falin í fullt af gögnum. Það felur í sér að safna, þrífa og skipuleggja gögn og nota síðan ýmsar aðferðir til að kanna og greina þau. Gagnfræðingar nota tölfræðileg líkön og reiknirit til að afhjúpa þróun, spá og leysa vandamál.
Til dæmis, á sviði heilbrigðisþjónustu, er hægt að nota gagnafræði til að greina sjúklingaskrár og læknisfræðileg gögn til að bera kennsl á áhættuþætti sjúkdóma, spá fyrir um útkomu sjúklinga eða hámarka meðferðaráætlanir. Í viðskiptum er hægt að beita gagnafræði á gögn viðskiptavina til að skilja óskir þeirra, mæla með vörum eða bæta markaðsaðferðir.
22. Gagnaþræta
Gagnavandræði, einnig þekkt sem gagnasöfnun, er ferlið við að safna, hreinsa og umbreyta hráum gögnum í snið sem er gagnlegra og hentar til greiningar. Það felur í sér að meðhöndla og útbúa gögn til að tryggja gæði þeirra, samræmi og samhæfni við greiningartæki eða líkön.
Í einfaldari skilmálum er gagnarugl eins og að undirbúa hráefni fyrir matreiðslu. Það felur í sér að safna gögnum frá mismunandi aðilum, flokka þau og hreinsa þau upp til að fjarlægja allar villur, ósamræmi eða óviðkomandi upplýsingar.
Að auki gæti þurft að umbreyta gögnum, endurskipuleggja eða safna saman til að gera það auðveldara að vinna með og draga úr innsýn.
Til dæmis getur gagnarugl falið í sér að fjarlægja tvíteknar færslur, leiðrétta stafsetningarvillur eða sniðvandamál, meðhöndla vantar gildi og umbreyta gagnategundum. Það getur líka falið í sér að sameina eða sameina mismunandi gagnasöfn, skipta gögnum í undirmengi eða búa til nýjar breytur byggðar á fyrirliggjandi gögnum.
23. Gagnasögugerð
Gagnasögugerð er listin að koma gögnum á framfæri á sannfærandi og grípandi hátt til að koma frásögn eða skilaboðum á skilvirkan hátt á framfæri. Það felur í sér að nota sjónræn gögn, frásagnir og samhengi til að miðla innsýn og niðurstöðum á þann hátt sem er skiljanlegur og eftirminnilegur fyrir áhorfendur.
Í einfaldari skilmálum snýst gagnasagnfræði um að nota gögn til að segja sögu. Það gengur lengra en bara að kynna tölur og töflur. Það felur í sér að búa til frásögn í kringum gögnin, nota sjónræna þætti og frásagnartækni til að koma gögnunum til skila og gera þau tengd við áhorfendur.
Til dæmis, í stað þess að setja einfaldlega fram töflu yfir sölutölur, gæti saga frá gögnum falið í sér að búa til gagnvirkt mælaborð sem gerir notendum kleift að kanna söluþróun sjónrænt.
Það gæti falið í sér frásögn sem dregur fram helstu niðurstöður, útskýrir ástæðurnar á bak við þróunina og bendir á ráðleggingar sem hægt er að framkvæma á grundvelli gagna.
24. Gagnadrifin ákvarðanataka
Gagnadrifin ákvarðanataka er ferli til að taka ákvarðanir eða grípa til aðgerða sem byggjast á greiningu og túlkun á viðeigandi gögnum. Það felur í sér að nota gögn sem grunn til að leiðbeina og styðja ákvarðanatökuferli frekar en að treysta eingöngu á innsæi eða persónulega dómgreind.
Í einfaldari skilmálum þýðir gagnadrifin ákvarðanataka að nota staðreyndir og sönnunargögn úr gögnum til að upplýsa og leiðbeina þeim valum sem við tökum. Það felur í sér að safna og greina gögn til að skilja mynstur, stefnur og tengsl og nota þá þekkingu til að taka upplýstar ákvarðanir og leysa vandamál.
Til dæmis, í viðskiptaumhverfi, getur gagnadrifin ákvarðanataka falið í sér að greina sölugögn, endurgjöf viðskiptavina og markaðsþróun til að ákvarða árangursríkustu verðstefnuna eða greina svæði til umbóta í vöruþróun.
Í heilbrigðisþjónustu getur það falið í sér að greina gögn sjúklinga til að hámarka meðferðaráætlanir eða spá fyrir um útkomu sjúkdóma.
25. Gagnavatn
Gagnavatn er miðstýrð og stigstærð gagnageymsla sem geymir mikið magn af gögnum á hráu og óunnu formi. Það er hannað til að geyma margs konar gagnagerðir, snið og uppbyggingu, svo sem skipulögð, hálfuppbyggð og óskipulögð gögn, án þess að þörf sé á fyrirfram skilgreindum skema eða gagnabreytingum.
Til dæmis getur fyrirtæki safnað og geymt gögn frá ýmsum aðilum, svo sem vefsíðuskrám, viðskiptaviðskiptum, straumum á samfélagsmiðlum og IoT tæki, í gagnavatni.
Þessi gögn er síðan hægt að nota í ýmsum tilgangi, svo sem að framkvæma háþróaða greiningu, framkvæma vélræna reiknirit eða kanna mynstur og þróun í hegðun viðskiptavina.
26. Gagnageymsla
Gagnahús er sérhæft gagnagrunnskerfi sem er sérstaklega hannað til að geyma, skipuleggja og greina mikið magn gagna úr ýmsum áttum. Það er byggt upp á þann hátt að það styður skilvirka gagnaöflun og flóknar greiningarfyrirspurnir.
Það þjónar sem miðlæg geymsla sem samþættir gögn frá mismunandi rekstrarkerfum, svo sem viðskiptagagnagrunnum, CRM-kerfum og öðrum gagnaveitum innan stofnunar.
Gögnin eru umbreytt, hreinsuð og hlaðin inn í gagnageymsluna á skipulögðu sniði sem er fínstillt fyrir greiningar.
27. Viðskipti greind (BI)
Viðskiptagreind vísar til þess ferlis að safna, greina og setja fram gögn á þann hátt sem hjálpar fyrirtækjum að taka upplýstar ákvarðanir og fá dýrmæta innsýn. Það felur í sér að nota ýmis verkfæri, tækni og tækni til að umbreyta hráum gögnum í þýðingarmikil, hagnýt upplýsinga.
Til dæmis gæti viðskiptagreindarkerfi greint sölugögn til að bera kennsl á arðbærustu vörurnar, fylgjast með birgðastigi og fylgjast með óskum viðskiptavina.
Það getur veitt rauntíma innsýn í lykilframmistöðuvísa (KPI) eins og tekjur, kaup viðskiptavina eða frammistöðu vöru, sem gerir fyrirtækjum kleift að taka gagnadrifnar ákvarðanir og grípa til viðeigandi aðgerða til að bæta rekstur sinn.
Viðskiptagreindarverkfæri innihalda oft eiginleika eins og gagnasýn, tilfallandi fyrirspurnir og gagnakönnunargetu. Þessi verkfæri gera notendum kleift, svo sem viðskiptafræðingar eða stjórnendur, til að hafa samskipti við gögnin, sneiða og sneiða þau og búa til skýrslur eða sjónræna framsetningu sem varpa ljósi á mikilvæga innsýn og þróun.
28. Forspárgreining
Forspárgreining er sú æfing að nota gögn og tölfræðilegar aðferðir til að gera upplýstar spár eða spár um framtíðaratburði eða niðurstöður. Það felur í sér að greina söguleg gögn, greina mynstur og byggja líkön til að framreikna og meta framtíðarþróun, hegðun eða atburði.
Það miðar að því að afhjúpa tengsl milli breyta og nota þær upplýsingar til að gera spár. Það gengur lengra en einfaldlega að lýsa liðnum atburðum; í staðinn nýtir það söguleg gögn til að skilja og sjá fyrir hvað er líklegt til að gerast í framtíðinni.
Til dæmis, á sviði fjármála, er hægt að nota forspárgreiningar til að spá lager verð byggt á sögulegum markaðsgögnum, hagvísum og öðrum viðeigandi þáttum.
Í markaðssetningu er hægt að nota það til að spá fyrir um hegðun og óskir viðskiptavina, sem gerir markvissar auglýsingar og sérsniðnar markaðsherferðir kleift.
Í heilbrigðisþjónustu getur forspárgreining hjálpað til við að bera kennsl á sjúklinga sem eru í mikilli hættu á að fá ákveðna sjúkdóma eða spá fyrir um líkur á endurinnlagningu út frá sjúkrasögu og öðrum þáttum.
29. Forskriftargreining
Forskriftargreining er beiting gagna og greiningar til að ákvarða bestu mögulegu aðgerðir til að grípa til í tilteknum aðstæðum eða ákvarðanatöku.
Það gengur lengra en lýsandi og sjálfvirk greining með því að veita ekki aðeins innsýn í hvað gæti gerst í framtíðinni heldur einnig að mæla með bestu leiðinni til að ná tilætluðum árangri.
Það sameinar söguleg gögn, forspárlíkön og hagræðingartækni til að líkja eftir mismunandi atburðarásum og meta hugsanlegar niðurstöður ýmissa ákvarðana. Það íhugar margar takmarkanir, markmið og þætti til að búa til framkvæmanlegar ráðleggingar sem hámarka tilætluðan árangur eða lágmarka áhættu.
Til dæmis, í framboð keðja stjórnun, forskriftargreining getur greint gögn um birgðastig, framleiðslugetu, flutningskostnað og eftirspurn viðskiptavina til að ákvarða skilvirkustu dreifingaráætlunina.
Það getur mælt með fullkominni úthlutun fjármagns, svo sem birgðageymslu eða flutningsleiða, til að lágmarka kostnað og tryggja tímanlega afhendingu.
30. Gagnadrifin markaðssetning
Gagnadrifin markaðssetning vísar til þess að nota gögn og greiningar til að knýja fram markaðsaðferðir, herferðir og ákvarðanatökuferli.
Það felur í sér að nýta ýmsar uppsprettur gagna til að fá innsýn í hegðun viðskiptavina, óskir og þróun og nota þær upplýsingar til að hámarka markaðsstarf.
Það leggur áherslu á að safna og greina gögn frá mörgum snertipunktum, svo sem samskipti á vefsíðum, þátttöku á samfélagsmiðlum, lýðfræði viðskiptavina, kaupsögu og fleira. Þessi gögn eru síðan notuð til að skapa alhliða skilning á markhópnum, óskum þeirra og þörfum.
Með því að virkja gögn geta markaðsmenn tekið upplýstar ákvarðanir varðandi skiptingu viðskiptavina, miðun og sérstillingu.
Þeir geta borið kennsl á tiltekna hluta viðskiptavina sem eru líklegri til að bregðast jákvætt við markaðsherferðum og sníða skilaboð sín og tilboð í samræmi við það.
Að auki hjálpar gagnadrifin markaðssetning við að fínstilla markaðsleiðir, ákvarða árangursríkustu markaðsblönduna og mæla árangur markaðsverkefna.
Til dæmis gæti gagnastýrð markaðsaðferð falið í sér að greina gögn viðskiptavina til að bera kennsl á kauphegðun og óskumynstur. Á grundvelli þessarar innsýnar geta markaðsmenn búið til markvissar herferðir með sérsniðnu efni og tilboðum sem falla í takt við ákveðinn hóp viðskiptavina.
Með stöðugri greiningu og hagræðingu geta þeir mælt árangur markaðsaðgerða sinna og betrumbætt aðferðir með tímanum.
31. Gagnastjórnun
Gagnastjórnun er umgjörð og verkferla sem stofnanir tileinka sér til að tryggja rétta stjórnun, vernd og heilleika gagna allan lífsferil þeirra. Það nær yfir ferla, stefnur og verklagsreglur sem stjórna því hvernig gögnum er safnað, geymt, nálgast, notað og deilt innan stofnunar.
Það miðar að því að koma á ábyrgð, ábyrgð og stjórn á gagnaeignum. Það tryggir að gögn séu nákvæm, fullkomin, samkvæm og áreiðanleg, sem gerir stofnunum kleift að taka upplýstar ákvarðanir, viðhalda gagnagæðum og uppfylla reglugerðarkröfur.
Gagnastjórnun felur í sér að skilgreina hlutverk og ábyrgð fyrir gagnastjórnun, setja gagnastaðla og stefnur og innleiða ferla til að fylgjast með og framfylgja fylgni. Það tekur á ýmsum þáttum gagnastjórnunar, þar á meðal persónuvernd gagna, gagnaöryggi, gagnagæði, gagnaflokkun og lífsferilsstjórnun gagna.
Til dæmis getur gagnastjórnun falið í sér að innleiða verklagsreglur til að tryggja að persónuupplýsingar eða viðkvæmar upplýsingar séu meðhöndlaðar í samræmi við gildandi persónuverndarreglugerðir, svo sem almennu persónuverndarreglugerðina (GDPR).
Það getur einnig falið í sér að setja gagnagæðastaðla og innleiða gagnaprófunarferli til að tryggja að gögn séu nákvæm og áreiðanleg.
32. Gagnaöryggi
Gagnaöryggi snýst um að halda dýrmætum upplýsingum okkar öruggum fyrir óviðkomandi aðgangi eða þjófnaði. Það felur í sér að grípa til ráðstafana til að vernda gagnaleynd, heiðarleika og aðgengi.
Í meginatriðum þýðir það að tryggja að aðeins rétta fólkið hafi aðgang að gögnum okkar, að þau haldist nákvæm og óbreytt og að þau séu tiltæk þegar þörf krefur.
Til að ná fram gagnaöryggi eru ýmsar aðferðir og tækni notaðar. Til dæmis, aðgangsstýringar og dulkóðunaraðferðir hjálpa til við að takmarka aðgang að viðurkenndum einstaklingum eða kerfum, sem gerir það erfiðara fyrir utanaðkomandi að nálgast gögnin okkar.
Vöktunarkerfi, eldveggir og innbrotsuppgötvunarkerfi starfa sem verndarar, gera okkur viðvart um grunsamlega starfsemi og koma í veg fyrir óviðkomandi aðgang.
33. Internet af hlutum
Internet of Things (IoT) vísar til nets af líkamlegum hlutum eða „hlutum“ sem eru tengdir við internetið og geta átt samskipti sín á milli. Þetta er eins og stór vefur hversdagslegra hluta, tækja og véla sem geta deilt upplýsingum og framkvæmt verkefni með því að hafa samskipti í gegnum internetið.
Í einföldu máli, IoT felur í sér að veita „snjöllum“ getu til ýmissa hluta eða tækja sem venjulega voru ekki tengd við internetið. Þessir hlutir geta verið heimilistæki, klæðanleg tæki, hitastillar, bílar og jafnvel iðnaðarvélar.
Með því að tengja þessa hluti við internetið geta þeir safnað og deilt gögnum, fengið leiðbeiningar og framkvæmt verkefni sjálfstætt eða sem svar við skipunum notenda.
Til dæmis getur snjallhitastillir fylgst með hitastigi, stillt stillingar og sent orkunotkunarskýrslur í snjallsímaforrit. Snyrtilegur líkamsræktartæki getur safnað gögnum um líkamsrækt þína og samstillt þau við skýjatengdan vettvang til greiningar.
34. Ákvörðunartré
Ákvörðunartré er sjónræn framsetning eða skýringarmynd sem hjálpar okkur að taka ákvarðanir eða ákveða aðferð sem byggist á röð val eða aðstæðna.
Það er eins og flæðirit sem leiðir okkur í gegnum ákvarðanatökuferli með því að íhuga mismunandi valkosti og hugsanlegar niðurstöður þeirra.
Ímyndaðu þér að þú sért með vandamál eða spurningu og þú þarft að velja.
Ákvörðunartré sundrar ákvörðuninni í smærri skref, byrjar á upphafsspurningu og greinir út í mismunandi möguleg svör eða aðgerðir út frá skilyrðum eða viðmiðum í hverju skrefi.
35. Vitsmunaleg tölvumál
Hugræn tölvumál vísar í einföldu máli til tölvukerfa eða tækni sem líkja eftir vitsmunalegum hæfileikum manna, svo sem nám, rökhugsun, skilning og lausn vandamála.
Það felur í sér að búa til tölvukerfi sem geta unnið úr og túlkað upplýsingar á þann hátt sem líkist mannlegri hugsun.
Hugræn tölvumál miðar að því að þróa vélar sem geta skilið og haft samskipti við menn á eðlilegri og skynsamlegri hátt. Þessi kerfi eru hönnuð til að greina mikið magn gagna, þekkja mynstur, gera spár og veita þýðingarmikla innsýn.
Hugsaðu um hugræna tölvuvinnslu sem tilraun til að fá tölvur til að hugsa og haga sér meira eins og menn.
Það felur í sér að nýta tækni eins og gervigreind, vélanám, náttúrulega málvinnslu og tölvusjón til að gera tölvum kleift að sinna verkefnum sem jafnan voru tengd mannlegri greind.
36. Computational Learning Theory
Computational Learning Theory er sérhæfð grein á sviði gervigreindar sem snýst um þróun og skoðun á reikniritum sem eru sérstaklega hönnuð til að læra af gögnum.
Þetta svið kannar ýmsar aðferðir og aðferðafræði til að smíða reiknirit sem geta sjálfkrafa bætt árangur þeirra með því að greina og vinna úr miklu magni upplýsinga.
Með því að virkja kraft gagna miðar Computational Learning Theory að afhjúpa mynstur, tengsl og innsýn sem gerir vélum kleift að auka ákvarðanatökuhæfileika sína og framkvæma verkefni á skilvirkari hátt.
Lokamarkmiðið er að búa til reiknirit sem geta aðlagað, alhæft og gert nákvæmar spár byggðar á gögnum sem þeir hafa verið útsettir fyrir, sem stuðlar að framgangi gervigreindar og hagnýtrar notkunar hennar.
37. Turing próf
Turing prófið, sem upphaflega var lagt til af hinum frábæra stærðfræðingi og tölvunarfræðingi Alan Turing, er grípandi hugtak sem notað er til að meta hvort vél geti sýnt greind hegðun sem er sambærileg við eða nánast óaðgreinanleg frá manneskju.
Í Turing prófinu tekur mannlegur matsmaður samtal á náttúrulegu máli við bæði vél og annan mannlegan þátttakanda án þess að vita hver er vélin.
Hlutverk matsmannsins er að greina hvaða aðili er vélin eingöngu út frá svörum þeirra. Ef vélin getur sannfært úttektarmanninn um að hún sé mannleg hliðstæða, þá er hún sögð hafa staðist Turing prófið og þar með sýnt fram á greind sem endurspeglar mannlega getu.
Alan Turing lagði fram þetta próf sem leið til að kanna hugmyndina um vélagreind og varpa fram þeirri spurningu hvort vélar geti náð skilningi á mönnum.
Með því að setja prófið í skilmálar af óaðgreinanleika mannsins benti Turing á möguleika véla til að sýna hegðun sem er svo sannfærandi greind að það verður krefjandi að aðgreina þær frá mönnum.
Turing prófið vakti miklar umræður og rannsóknir á sviði gervigreindar og vitsmunafræði. Þótt það sé mikilvægur áfangi að standast Turing prófið er það ekki eini mælikvarðinn á greind.
Engu að síður þjónar prófið sem umhugsunarverð viðmið, örvar áframhaldandi viðleitni til að þróa vélar sem geta líkt eftir mannlegri greind og hegðun og stuðlað að víðtækari könnun á því hvað það þýðir að vera greindur.
38. Styrkingarnám
Styrkingarnám er tegund af námi sem gerist með tilraunum og mistökum, þar sem „umboðsmaður“ (sem getur verið tölvuforrit eða vélmenni) lærir að framkvæma verkefni með því að fá verðlaun fyrir góða hegðun og horfast í augu við afleiðingar eða refsingar fyrir slæma hegðun.
Ímyndaðu þér atburðarás þar sem umboðsmaðurinn er að reyna að klára tiltekið verkefni, eins og að vafra um völundarhús. Í fyrstu veit umboðsmaðurinn ekki rétta leiðina sem hann á að fara, svo hann reynir mismunandi aðgerðir og kannar ýmsar leiðir.
Þegar það velur góða aðgerð sem færir það nær markmiðinu fær það verðlaun, eins og sýndar „klapp á bakið“. Hins vegar, ef það tekur lélega ákvörðun sem leiðir til dauða eða tekur það frá markinu, fær það refsingu eða neikvæð viðbrögð.
Í gegnum þetta ferli prufa og villa lærir umboðsmaðurinn að tengja ákveðnar aðgerðir við jákvæða eða neikvæða niðurstöðu. Það finnur smám saman út bestu röð aðgerða til að hámarka umbun sína og lágmarka refsingar, og verður að lokum færari í verkefninu.
Styrkingarnám sækir innblástur frá því hvernig menn og dýr læra með því að fá endurgjöf frá umhverfinu.
Með því að beita þessu hugtaki á vélar, miða vísindamenn að því að þróa greindarkerfi sem geta lært og lagað sig að mismunandi aðstæðum með því að uppgötva sjálfkrafa árangursríkustu hegðunina í gegnum ferli jákvæðrar styrkingar og neikvæðra afleiðinga.
39. Einingaútdráttur
Einingaútdráttur vísar til ferlis þar sem við auðkennum og tökum út mikilvægar upplýsingar, þekktar sem einingar, úr textablokk. Þessar einingar geta verið ýmislegt eins og nöfn fólks, nöfn á stöðum, nöfn stofnana og svo framvegis.
Ímyndum okkur að þú sért með málsgrein sem lýsir frétt.
Einingaútdráttur myndi fela í sér að greina textann og velja tiltekna bita sem tákna sérstakar einingar. Til dæmis, ef textinn nefnir nafn einstaklings eins og „John Smith,“ staðsetningin „New York City,“ eða stofnunin „OpenAI,“ væru þetta einingarnar sem við stefnum að því að bera kennsl á og draga út.
Með því að framkvæma einingaútdrátt erum við í rauninni að kenna tölvuforriti að þekkja og einangra mikilvæga þætti úr textanum. Þetta ferli gerir okkur kleift að skipuleggja og flokka upplýsingar á skilvirkari hátt, sem gerir það auðveldara að leita, greina og fá innsýn úr miklu magni textagagna.
Á heildina litið hjálpar einingaútdráttur okkur að gera sjálfvirkt verkefni við að finna mikilvægar einingar, eins og fólk, staði og stofnanir, innan textans, hagræða útdrátt verðmætra upplýsinga og auka getu okkar til að vinna úr og skilja textagögn.
40. Málfræðileg skýring
Málfræðileg skýring felur í sér að auðga texta með frekari tungumálaupplýsingum til að auka skilning okkar og greiningu á tungumálinu sem notað er. Það er eins og að bæta gagnlegum merkimiðum eða merkjum við mismunandi hluta texta.
Þegar við framkvæmum tungumálaskýringar förum við út fyrir grunnorð og setningar í texta og byrjum að merkja eða merkja tiltekna þætti. Til dæmis gætum við bætt við orðræðumerkjum, sem gefa til kynna málfræðilegan flokk hvers orðs (eins og nafnorð, sögn, lýsingarorð o.s.frv.). Þetta hjálpar okkur að skilja hlutverk hvert orð gegnir í setningu.
Önnur tegund tungumálaskýringa er kölluð einingaviðurkenning, þar sem við auðkennum og merkjum sérstakar nafngreindar einingar, svo sem nöfn fólks, staða, stofnana eða dagsetningar. Þetta gerir okkur kleift að finna og draga mikilvægar upplýsingar úr textanum fljótt.
Með því að skrifa texta á þennan hátt búum við til skipulagðari og skipulagðari framsetningu tungumálsins. Þetta getur verið gríðarlega gagnlegt í ýmsum forritum. Til dæmis hjálpar það til við að bæta nákvæmni leitarvéla með því að skilja tilganginn á bak við fyrirspurnir notenda. Það aðstoðar einnig við vélþýðingu, tilfinningagreiningu, upplýsingaútdrátt og mörg önnur náttúruleg málvinnsluverkefni.
Málfræðileg skýring þjónar sem mikilvægt tæki fyrir rannsakendur, málfræðinga og þróunaraðila, sem gerir þeim kleift að rannsaka tungumálamynstur, byggja mállíkön og þróa háþróuð reiknirit sem geta betur greint og skilið textann.
41. Hyperparameter
In vél nám, Hyperparameter er eins og sérstök stilling eða stillingar sem við þurfum að ákveða áður en við þjálfum líkan. Það er ekki eitthvað sem líkanið getur lært á eigin spýtur af gögnunum; í staðinn verðum við að ákveða það fyrirfram.
Hugsaðu um það sem hnapp eða rofa sem við getum stillt til að fínstilla hvernig líkanið lærir og spáir. Þessar ofurbreytur stjórna ýmsum þáttum námsferlisins, svo sem hversu flókið líkanið er, hraða þjálfunar og skiptinguna á milli nákvæmni og alhæfingar.
Til dæmis skulum við íhuga taugakerfi. Einn mikilvægur hyperparameter er fjöldi laga í netinu. Við verðum að velja hversu djúpt við viljum að netið sé og þessi ákvörðun hefur áhrif á getu þess til að fanga flókið mynstur í gögnunum.
Aðrar algengar ofurfæribreytur eru meðal annars námshlutfallið, sem ákvarðar hversu fljótt líkanið aðlagar innri breytur sínar út frá þjálfunargögnunum, og reglusetningarstyrkinn, sem stjórnar hversu mikið líkanið refsar flóknu mynstrum til að koma í veg fyrir offitun.
Að stilla þessar ofurfæribreytur rétt er mikilvægt vegna þess að þær geta haft veruleg áhrif á frammistöðu og hegðun líkansins. Það felur oft í sér smá prufa og villa, tilraunir með mismunandi gildi og athuga hvernig þau hafa áhrif á frammistöðu líkansins á staðfestingargagnasetti.
42. Lýsigögn
Lýsigögn vísa til viðbótarupplýsinga sem veita upplýsingar um önnur gögn. Það er eins og sett af merkjum eða merkjum sem gefa okkur meira samhengi eða lýsa eiginleikum helstu gagna.
Þegar við höfum gögn, hvort sem það er skjal, ljósmynd, myndband eða hvers kyns aðrar upplýsingar, hjálpa lýsigögn okkur að skilja mikilvæga þætti þessara gagna.
Til dæmis, í skjali, gætu lýsigögn innihaldið upplýsingar eins og nafn höfundar, dagsetninguna sem það var búið til eða skráarsniðið. Ef um ljósmynd er að ræða gætu lýsigögn sagt okkur staðsetninguna þar sem hún var tekin, myndavélarstillingarnar sem notaðar eru eða jafnvel dagsetningu og tíma sem hún var tekin.
Lýsigögn hjálpa okkur að skipuleggja, leita og túlka gögn á skilvirkari hátt. Með því að bæta við þessum lýsandi upplýsingum getum við fljótt fundið tilteknar skrár eða skilið uppruna þeirra, tilgang eða samhengi án þess að þurfa að grafa í gegnum allt innihaldið.
43. Víddarmækkun
Víddarmækkun er tækni sem notuð er til að einfalda gagnasafn með því að fækka eiginleikum eða breytum sem það inniheldur. Þetta er eins og að þétta eða draga saman upplýsingarnar í gagnapakka til að gera þær viðráðanlegri og auðveldari að vinna með þær.
Ímyndaðu þér að þú sért með gagnapakka með fjölmörgum dálkum eða eiginleikum sem tákna mismunandi eiginleika gagnapunktanna. Hver dálkur eykur flókið og reiknikröfur vélrænna reiknirita.
Í sumum tilfellum getur það að hafa mikið af víddum gert það krefjandi að finna þroskandi mynstur eða tengsl í gögnunum.
Minnkun víddar hjálpar til við að takast á við þetta vandamál með því að umbreyta gagnasafninu í lægri víddar framsetningu á sama tíma og það geymir eins mikið af viðeigandi upplýsingum og mögulegt er. Það miðar að því að fanga mikilvægustu þættina eða afbrigðin í gögnunum á sama tíma og óþarfar eða minna upplýsandi víddir er fleygt.
44. Textaflokkun
Textaflokkun er ferli sem felur í sér að úthluta ákveðnum merkimiðum eða flokkum á textablokkir út frá innihaldi þeirra eða merkingu. Þetta er eins og að flokka eða skipuleggja textaupplýsingar í mismunandi hópa eða flokka til að auðvelda frekari greiningu eða ákvarðanatöku.
Við skulum íhuga dæmi um flokkun tölvupósts. Í þessari atburðarás viljum við ákvarða hvort móttekinn tölvupóstur sé ruslpóstur eða ekki ruslpóstur (einnig þekktur sem skinka). Textaflokkun reiknirit greina innihald tölvupóstsins og úthluta honum merki í samræmi við það.
Ef reikniritið ákveður að tölvupósturinn hafi einkenni sem almennt eru tengd við ruslpóst, úthlutar það merkinu „ruslpóst“. Aftur á móti, ef tölvupósturinn virðist lögmætur og ekki ruslpóstur, úthlutar hann merkingunni „ekki ruslpóstur“ eða „skinka“.
Textaflokkun finnur forrit á ýmsum sviðum umfram tölvupóstsíun. Það er notað í viðhorfsgreiningu til að ákvarða viðhorfið sem kemur fram í umsögnum viðskiptavina (jákvætt, neikvætt eða hlutlaust).
Hægt er að flokka fréttagreinar í mismunandi efni eða flokka eins og íþróttir, stjórnmál, skemmtun og fleira. Hægt er að flokka spjallskrár fyrir þjónustuver eftir ásetningi eða vandamáli sem verið er að taka á.
45. Veik gervigreind
Veik gervigreind, einnig þekkt sem þröng gervigreind, vísar til gervigreindarkerfa sem eru hönnuð og forrituð til að framkvæma ákveðin verkefni eða aðgerðir. Ólíkt mannlegri greind, sem nær yfir margs konar vitræna hæfileika, er veik gervigreind takmörkuð við tiltekið svið eða verkefni.
Hugsaðu um veika gervigreind sem sérhæfðan hugbúnað eða vélar sem skara fram úr við að framkvæma ákveðin störf. Til dæmis er hægt að búa til gervigreindarforrit fyrir skák til að greina aðstæður í leiknum, skipuleggja hreyfingar og keppa við menn.
Annað dæmi er myndgreiningarkerfi sem getur borið kennsl á hluti í ljósmyndum eða myndböndum.
Þessi gervigreind kerfi eru þjálfuð og fínstillt til að skara fram úr á sérstökum sérsviðum þeirra. Þeir treysta á reiknirit, gögn og fyrirfram skilgreindar reglur til að sinna verkefnum sínum á áhrifaríkan hátt.
Hins vegar búa þeir ekki yfir almennri greind sem gerir þeim kleift að skilja eða framkvæma verkefni utan tilnefnds léns.
46. Sterk gervigreind
Sterk gervigreind, einnig þekkt sem almenn gervigreind eða gervigreind (AGI), vísar til gervigreindar sem býr yfir getu til að skilja, læra og framkvæma hvaða vitsmunalegu verkefni sem manneskja getur.
Ólíkt veikum gervigreind, sem er hannað fyrir ákveðin verkefni, miðar sterk gervigreind að því að endurtaka mannlega greind og vitræna hæfileika. Það leitast við að búa til vélar eða hugbúnað sem ekki aðeins skara fram úr í sérhæfðum verkefnum heldur einnig hafa víðtækari skilning og aðlögunarhæfni til að takast á við margs konar vitsmunalegar áskoranir.
Markmið sterkrar gervigreindar er að þróa kerfi sem geta rökhugsað, skilið flóknar upplýsingar, lært af reynslunni, tekið þátt í samtölum á náttúrulegum tungumálum, sýnt sköpunargáfu og sýnt aðra eiginleika sem tengjast mannlegri greind.
Í meginatriðum stefnir það að því að búa til gervigreind kerfi sem geta líkt eftir eða endurtekið hugsun og lausn vandamála á mönnum á mörgum sviðum.
47. Áfram keðja
Forward chaining er aðferð við rökhugsun eða rökfræði sem byrjar á fyrirliggjandi gögnum og notar þau til að draga ályktanir og draga nýjar ályktanir. Það er eins og að tengja punktana með því að nota upplýsingarnar sem eru til staðar til að halda áfram og ná frekari innsýn.
Ímyndaðu þér að þú hafir sett af reglum eða staðreyndum og þú vilt fá nýjar upplýsingar eða komast að ákveðnum ályktunum út frá þeim. Forward chaining virkar með því að skoða fyrstu gögnin og beita rökréttum reglum til að búa til viðbótar staðreyndir eða ályktanir.
Til að einfalda, skulum íhuga einfalda atburðarás til að ákvarða hvað á að klæðast út frá veðurskilyrðum. Þú hefur reglu sem segir: "Ef það er rigning, taktu þá með þér regnhlíf," og aðra reglu sem segir "Ef það er kalt, farðu í jakka." Nú, ef þú tekur eftir því að það er örugglega rigning, geturðu notað áfram keðju til að álykta að þú ættir að koma með regnhlíf.
48. Afturábak keðja
Afturábak keðja er rökhugsunaraðferð sem byrjar á æskilegri niðurstöðu eða markmiði og vinnur afturábak til að ákvarða nauðsynleg gögn eða staðreyndir sem þarf til að styðja þá niðurstöðu. Það er eins og að rekja skrefin frá æskilegri niðurstöðu til upphaflegra upplýsinga sem þarf til að ná þeim.
Til að skilja afturábak keðjuverk skulum við íhuga einfalt dæmi. Segjum að þú viljir ákveða hvort það sé hentugur að fara í sund. Æskileg niðurstaða er hvort sund sé viðeigandi miðað við ákveðnar aðstæður.
Í stað þess að byrja á skilyrðunum byrjar afturábak keðja með niðurstöðunni og vinnur afturábak til að finna stuðningsgögnin.
Í þessu tilviki myndi afturábak keðja fela í sér að spyrja spurninga eins og "Er veðrið hlýtt?" Ef svarið er já, myndirðu þá spyrja: "Er sundlaug í boði?" Ef svarið er já aftur myndirðu spyrja frekari spurninga eins og: „Er nægur tími til að fara í sund?
Með því að svara þessum spurningum ítrekað og vinna aftur á bak geturðu ákvarðað nauðsynleg skilyrði sem þarf að uppfylla til að styðja niðurstöðuna um að fara í sund.
49. Heuristic
Heuristic, í einföldu máli, er hagnýt regla eða stefna sem hjálpar okkur að taka ákvarðanir eða leysa vandamál, venjulega byggt á fyrri reynslu okkar eða innsæi. Þetta er eins og andleg flýtileið sem gerir okkur kleift að finna skynsamlega lausn fljótt án þess að fara í gegnum langt eða tæmandi ferli.
Þegar þú stendur frammi fyrir flóknum aðstæðum eða verkefnum, þjóna heuristics sem leiðarljós eða „þumalputtareglur“ sem einfalda ákvarðanatöku. Þeir veita okkur almennar leiðbeiningar eða aðferðir sem eru oft árangursríkar við ákveðnar aðstæður, jafnvel þó að þær tryggi kannski ekki bestu lausnina.
Til dæmis skulum við íhuga heuristic til að finna bílastæði á fjölmennu svæði. Í stað þess að greina nákvæmlega hvern lausan stað gætirðu reitt þig á þá vitleysu að leita að kyrrstæðum bílum með vélina í gangi.
Þessi heuristic gerir ráð fyrir að þessir bílar séu að fara að fara, eykur líkurnar á að finna lausan stað.
50. Natural Language Modeling
Náttúrulegt tungumál líkanagerð, í einföldu máli, er ferlið við að þjálfa tölvulíkön til að skilja og búa til mannamál á svipaðan hátt og manneskjur hafa samskipti. Það felur í sér að kenna tölvum að vinna, túlka og búa til texta á eðlilegan og þroskandi hátt.
Markmið náttúrumálslíkana er að gera tölvum kleift að skilja og búa til mannamál á þann hátt sem er reiprennandi, samhangandi og skiptir máli í samhengi.
Það felur í sér að þjálfa líkön á miklu magni textagagna, eins og bækur, greinar eða samtöl, til að læra mynstur, uppbyggingu og merkingarfræði tungumálsins.
Þegar þau hafa verið þjálfuð geta þessi líkön framkvæmt ýmis tungumálatengd verkefni, svo sem tungumálaþýðingu, textasamantekt, svörun spurninga, samskipti spjallbotna og fleira.
Þeir geta skilið merkingu og samhengi setninga, dregið út viðeigandi upplýsingar og búið til texta sem er málfræðilega réttur og samhangandi.
Skildu eftir skilaboð