AI ada di mana-mana, tetapi kadangkala sukar untuk memahami istilah dan jargon. Dalam catatan blog ini, kami menerangkan lebih daripada 50 istilah dan takrifan AI supaya anda boleh lebih memahami teknologi yang berkembang pesat ini.
Sama ada anda seorang pemula atau pakar, kami yakin terdapat beberapa istilah di sini yang anda tidak tahu!
1. Kecerdasan Buatan
Kepintaran Buatan (AI) merujuk kepada pembangunan sistem komputer yang mempunyai keupayaan untuk belajar dan berfungsi secara bebas, selalunya dengan meniru kecerdasan manusia.
Sistem ini menganalisis data, mengenali corak, membuat keputusan dan menyesuaikan tingkah laku mereka berdasarkan pengalaman. Dengan memanfaatkan algoritma dan model, AI menyasarkan untuk mencipta mesin pintar yang mampu melihat dan memahami persekitaran mereka.
Matlamat utama adalah untuk membolehkan mesin melaksanakan tugas dengan cekap, belajar daripada data, dan mempamerkan kebolehan kognitif yang serupa dengan manusia.
2. algoritma
Algoritma ialah set arahan atau peraturan yang tepat dan sistematik yang membimbing proses menyelesaikan masalah atau menyelesaikan tugas tertentu.
Ia berfungsi sebagai konsep asas dalam pelbagai domain dan memainkan peranan penting dalam sains komputer, matematik, dan disiplin penyelesaian masalah. Memahami algoritma adalah penting kerana ia membolehkan pendekatan penyelesaian masalah yang cekap dan berstruktur, memacu kemajuan dalam teknologi dan proses membuat keputusan.
3. Data Besar
Data besar merujuk kepada set data yang sangat besar dan kompleks yang melebihi keupayaan kaedah analisis tradisional. Set data ini biasanya dicirikan oleh volum, halaju dan kepelbagaiannya.
Kelantangan merujuk kepada sejumlah besar data yang dijana daripada pelbagai sumber seperti media sosial, penderia dan urus niaga.
Halaju merujuk kepada kelajuan tinggi di mana data dijana dan perlu diproses dalam masa nyata atau hampir masa nyata. Kepelbagaian menandakan pelbagai jenis dan format data, termasuk data berstruktur, tidak berstruktur dan separa berstruktur.
4. Perlombongan Data
Perlombongan data ialah proses komprehensif yang bertujuan untuk mengekstrak cerapan berharga daripada set data yang luas.
Ia merangkumi empat peringkat utama: pengumpulan data, melibatkan pengumpulan data yang berkaitan; penyediaan data, memastikan kualiti dan keserasian data; melombong data, menggunakan algoritma untuk menemui corak dan perhubungan; dan analisis dan tafsiran data, di mana pengetahuan yang diekstrak diperiksa dan difahami.
5. Rangkaian Neural
Sistem komputer direka bentuk untuk berfungsi seperti otak manusia, terdiri daripada nod atau neuron yang saling berkaitan. Mari kita fahami ini dengan lebih lanjut kerana kebanyakan AI adalah berdasarkan rangkaian saraf.
Dalam grafik di atas, kami meramalkan kelembapan dan suhu lokasi geografi dengan belajar daripada corak masa lalu. Input adalah set data untuk rekod lepas.
. rangkaian saraf belajar corak dengan bermain dengan pemberat dan menggunakan nilai bias dalam lapisan tersembunyi. W1, W2…W7 ialah pemberat masing-masing. Ia melatih dirinya sendiri pada set data yang disediakan dan memberikan output sebagai ramalan.
Anda mungkin terharu dengan maklumat yang rumit ini. Jika ini berlaku, anda boleh mulakan dengan panduan mudah kami disini.
6. Pembelajaran Mesin
Pembelajaran mesin memfokuskan pada membangunkan algoritma dan model yang mampu belajar secara automatik daripada data dan meningkatkan prestasinya dari semasa ke semasa.
Ia melibatkan penggunaan teknik statistik untuk membolehkan komputer mengenal pasti corak, membuat ramalan dan membuat keputusan berdasarkan data tanpa diprogramkan secara eksplisit.
Algoritma pembelajaran mesin menganalisis dan belajar daripada set data yang besar, membenarkan sistem menyesuaikan dan memperbaik tingkah laku mereka berdasarkan maklumat yang mereka proses.
7. Pembelajaran Dalam
Pembelajaran yang mendalam, subbidang pembelajaran mesin dan rangkaian saraf, memanfaatkan algoritma canggih untuk memperoleh pengetahuan daripada data dengan mensimulasikan proses rumit otak manusia.
Dengan menggunakan rangkaian saraf dengan pelbagai lapisan tersembunyi, model pembelajaran mendalam boleh mengekstrak ciri dan corak yang rumit secara autonomi, membolehkan mereka menangani tugas yang kompleks dengan ketepatan dan kecekapan yang luar biasa.
8. Pengecaman Corak
Pengecaman corak, teknik analisis data, memanfaatkan kuasa algoritma pembelajaran mesin untuk mengesan dan membezakan corak dan keteraturan secara autonomi dalam set data.
Dengan memanfaatkan model pengiraan dan kaedah statistik, algoritma pengecaman corak boleh mengenal pasti struktur, korelasi dan aliran yang bermakna dalam data yang kompleks dan pelbagai.
Proses ini membolehkan pengekstrakan cerapan berharga, pengelasan data ke dalam kategori yang berbeza dan ramalan hasil masa hadapan berdasarkan corak yang diiktiraf. Pengecaman corak ialah alat penting merentas pelbagai domain, memperkasakan pembuatan keputusan, pengesanan anomali dan pemodelan ramalan.
Biometrik adalah salah satu contoh ini. Sebagai contoh, dalam pengecaman cap jari, algoritma menganalisis rabung, lengkung dan ciri unik cap jari seseorang untuk mencipta perwakilan digital yang dipanggil templat.
Apabila anda cuba membuka kunci telefon pintar anda atau mengakses kemudahan selamat, sistem pengecaman corak membandingkan data biometrik yang ditangkap (cth, cap jari) dengan templat yang disimpan dalam pangkalan datanya.
Dengan memadankan corak dan menilai tahap persamaan, sistem boleh menentukan sama ada data biometrik yang disediakan sepadan dengan templat yang disimpan dan memberikan akses sewajarnya.
9. Pembelajaran Terselia
Pembelajaran diselia ialah pendekatan pembelajaran mesin yang melibatkan latihan sistem komputer menggunakan data berlabel. Dalam kaedah ini, komputer dibekalkan dengan satu set data input bersama dengan label atau hasil yang diketahui yang sepadan.
Katakan anda mempunyai banyak gambar, beberapa dengan anjing dan beberapa dengan kucing.
Anda memberitahu komputer gambar mana yang mempunyai anjing dan mana yang mempunyai kucing. Komputer kemudiannya belajar mengenali perbezaan antara anjing dan kucing dengan mencari corak dalam gambar.
Selepas ia belajar, anda boleh memberi komputer gambar baharu dan ia akan cuba mengetahui sama ada mereka mempunyai anjing atau kucing berdasarkan apa yang dipelajari daripada contoh yang dilabel. Ia seperti melatih komputer untuk membuat ramalan menggunakan maklumat yang diketahui.
10. Pembelajaran Tanpa Pengawasan
Pembelajaran tanpa pengawasan ialah sejenis pembelajaran mesin di mana komputer meneroka set data sendiri untuk mencari corak atau persamaan tanpa sebarang arahan khusus.
Ia tidak bergantung pada contoh berlabel seperti dalam pembelajaran diselia. Sebaliknya, ia mencari struktur atau kumpulan tersembunyi dalam data. Ia seperti komputer menemui sesuatu dengan sendirinya, tanpa guru memberitahunya apa yang perlu dicari.
Jenis pembelajaran ini membantu kami mencari cerapan baharu, menyusun data atau mengenal pasti perkara luar biasa tanpa memerlukan pengetahuan terdahulu atau bimbingan yang jelas.
11. Pemprosesan Bahasa Asli (NLP)
Pemprosesan Bahasa Semulajadi memberi tumpuan kepada cara komputer memahami dan berinteraksi dengan bahasa manusia. Ia membantu komputer menganalisis, mentafsir dan bertindak balas terhadap bahasa manusia dengan cara yang dirasakan lebih semula jadi kepada kita.
NLP adalah perkara yang membolehkan kami berkomunikasi dengan pembantu suara, dan bot sembang, malah e-mel kami diisih secara automatik ke dalam folder.
Ia melibatkan pengajaran komputer untuk memahami maksud di sebalik perkataan, ayat, dan juga keseluruhan teks, supaya ia boleh membantu kita dalam pelbagai tugas dan menjadikan interaksi kita dengan teknologi lebih lancar.
12. Penglihatan Komputer
Visi komputer ialah teknologi menarik yang membolehkan komputer melihat dan memahami imej dan video, sama seperti kita manusia lakukan dengan mata kita. Ini semua tentang mengajar komputer untuk menganalisis maklumat visual dan memahami perkara yang mereka lihat.
Dalam istilah yang lebih mudah, penglihatan komputer membantu komputer mengenali dan mentafsir dunia visual. Ia melibatkan tugas seperti mengajar mereka untuk mengenal pasti objek tertentu dalam imej, mengklasifikasikan imej ke dalam kategori yang berbeza, atau membahagikan imej kepada bahagian yang bermakna.
Bayangkan kereta pandu sendiri menggunakan penglihatan komputer untuk "melihat" jalan raya dan segala-galanya di sekelilingnya.
Ia boleh mengesan dan menjejaki pejalan kaki, papan tanda lalu lintas dan kenderaan lain, membantu mereka mengemudi dengan selamat. Atau fikirkan tentang cara teknologi pengecaman muka menggunakan penglihatan komputer untuk membuka kunci telefon pintar kami atau mengesahkan identiti kami dengan mengenali ciri wajah unik kami.
Ia juga digunakan dalam sistem pengawasan untuk memantau tempat yang sesak dan mengesan sebarang aktiviti yang mencurigakan.
Visi komputer ialah teknologi berkuasa yang membuka dunia kemungkinan. Dengan membolehkan komputer melihat dan memahami maklumat visual, kita boleh membangunkan aplikasi dan sistem yang boleh melihat dan mentafsir dunia di sekeliling kita, menjadikan kehidupan kita lebih mudah, selamat dan lebih cekap.
13.Chatbot
Chatbot adalah seperti program komputer yang boleh bercakap dengan orang dengan cara yang kelihatan seperti perbualan manusia yang sebenar.
Ia sering digunakan dalam perkhidmatan pelanggan dalam talian untuk membantu pelanggan dan membuatkan mereka berasa seperti bercakap dengan seseorang, walaupun ia sebenarnya adalah program yang dijalankan pada komputer.
Chatbot boleh memahami dan membalas mesej atau soalan daripada pelanggan, memberikan maklumat dan bantuan yang berguna seperti yang dilakukan oleh wakil khidmat pelanggan manusia.
14. Pengecaman Suara
Pengecaman suara merujuk kepada keupayaan sistem komputer untuk memahami dan mentafsir pertuturan manusia. Ia melibatkan teknologi yang membolehkan komputer atau peranti "mendengar" perkataan yang dituturkan dan menukarnya kepada teks atau arahan yang boleh difahaminya.
Dengan pengecaman suara, anda boleh berinteraksi dengan peranti atau aplikasi dengan hanya bercakap dengannya dan bukannya menaip atau menggunakan kaedah input lain.
Sistem menganalisis perkataan yang dituturkan, mengenali corak dan bunyi, dan kemudian menterjemahkannya ke dalam teks atau tindakan yang boleh difahami. Ia membolehkan komunikasi bebas tangan dan semula jadi dengan teknologi, menjadikan tugas seperti arahan suara, imlak atau interaksi terkawal suara mungkin. Contoh yang paling biasa ialah pembantu AI seperti Siri dan Google Assistant.
15. Analisis Sentimen
Analisis sentimen ialah teknik yang digunakan untuk memahami dan mentafsir emosi, pendapat, dan sikap yang dinyatakan dalam teks atau ucapan. Ia melibatkan menganalisis bahasa bertulis atau lisan untuk menentukan sama ada sentimen yang dinyatakan adalah positif, negatif atau neutral.
Menggunakan algoritma pembelajaran mesin, algoritma analisis sentimen boleh mengimbas dan menganalisis sejumlah besar data teks, seperti ulasan pelanggan, siaran media sosial atau maklum balas pelanggan, untuk mengenal pasti sentimen asas di sebalik perkataan tersebut.
Algoritma mencari perkataan, frasa atau corak tertentu yang menunjukkan emosi atau pendapat.
Analisis ini membantu perniagaan atau individu memahami perasaan orang ramai tentang produk, perkhidmatan atau topik dan boleh digunakan untuk membuat keputusan terdorong data atau mendapatkan cerapan tentang pilihan pelanggan.
Sebagai contoh, syarikat boleh menggunakan analisis sentimen untuk menjejaki kepuasan pelanggan, mengenal pasti bidang untuk penambahbaikan atau memantau pendapat umum tentang jenama mereka.
16. Terjemahan Mesin
Terjemahan mesin, dalam konteks AI, merujuk kepada penggunaan algoritma komputer dan kecerdasan buatan untuk menterjemah teks atau pertuturan secara automatik daripada satu bahasa ke bahasa lain.
Ia melibatkan pengajaran komputer untuk memahami dan memproses bahasa manusia untuk menyediakan terjemahan yang tepat. Contoh yang paling biasa ialah Terjemahan Google.
Dengan terjemahan mesin, anda boleh memasukkan teks atau pertuturan dalam satu bahasa, dan sistem akan menganalisis input dan menjana terjemahan yang sepadan dalam bahasa lain. Ini amat berguna apabila berkomunikasi atau mengakses maklumat merentasi bahasa yang berbeza.
Sistem terjemahan mesin bergantung pada gabungan peraturan linguistik, model statistik dan algoritma pembelajaran mesin. Mereka belajar daripada sejumlah besar data bahasa untuk meningkatkan ketepatan terjemahan dari semasa ke semasa. Beberapa pendekatan terjemahan mesin juga menggabungkan rangkaian saraf untuk meningkatkan kualiti terjemahan.
17. Robotik
Robotik ialah gabungan kecerdasan buatan dan kejuruteraan mekanikal untuk mencipta mesin pintar yang dipanggil robot. Robot ini direka untuk melaksanakan tugas secara autonomi atau dengan campur tangan manusia yang minimum.
Robot ialah entiti fizikal yang boleh merasakan persekitaran mereka, membuat keputusan berdasarkan input deria itu dan melakukan tindakan atau tugas tertentu.
Mereka dilengkapi dengan pelbagai penderia, seperti kamera, mikrofon atau penderia sentuh, yang membolehkan mereka mengumpul maklumat daripada dunia di sekeliling mereka. Dengan bantuan algoritma dan pengaturcaraan AI, robot boleh menganalisis data ini, mentafsirnya dan membuat keputusan bijak untuk melaksanakan tugas yang ditetapkan mereka.
AI memainkan peranan penting dalam robotik dengan membolehkan robot belajar daripada pengalaman mereka dan menyesuaikan diri dengan situasi yang berbeza.
Algoritma pembelajaran mesin boleh digunakan untuk melatih robot mengenali objek, menavigasi persekitaran, atau berinteraksi dengan manusia. Ini membolehkan robot menjadi lebih serba boleh, fleksibel dan mampu mengendalikan tugas yang kompleks.
18 Drones
Drone ialah sejenis robot yang boleh terbang atau melayang di udara tanpa juruterbang manusia di atas kapal. Ia juga dikenali sebagai kenderaan udara tanpa pemandu (UAV). Dron dilengkapi dengan pelbagai penderia, seperti kamera, GPS, dan giroskop, yang membolehkan mereka mengumpul data dan menavigasi persekitaran mereka.
Mereka dikawal dari jauh oleh pengendali manusia atau boleh beroperasi secara autonomi menggunakan arahan yang telah diprogramkan.
Drone mempunyai pelbagai tujuan, termasuk fotografi udara dan videografi, ukur dan pemetaan, perkhidmatan penghantaran, misi mencari dan menyelamat, pemantauan pertanian, dan juga penggunaan rekreasi. Mereka boleh mengakses kawasan terpencil atau berbahaya yang sukar atau berbahaya bagi manusia.
19. Realiti Bertambah (AR)
Augmented reality (AR) ialah teknologi yang menggabungkan dunia sebenar dengan objek atau maklumat maya untuk meningkatkan persepsi dan interaksi kita dengan alam sekitar. Ia menindih imej yang dijana komputer, bunyi atau input deria lain ke dunia nyata, mewujudkan pengalaman yang mengasyikkan dan interaktif.
Ringkasnya, bayangkan memakai cermin mata khas atau menggunakan telefon pintar anda untuk melihat dunia di sekeliling anda, tetapi dengan elemen maya tambahan ditambah.
Sebagai contoh, anda boleh menghalakan telefon pintar anda ke jalan bandar dan melihat papan tanda maya yang menunjukkan arah, penilaian dan ulasan untuk restoran berdekatan atau malah watak maya yang berinteraksi dengan persekitaran sebenar.
Unsur-unsur maya ini digabungkan dengan lancar dengan dunia sebenar, meningkatkan pemahaman dan pengalaman anda tentang persekitaran. Realiti diperkukuh boleh digunakan dalam pelbagai bidang seperti permainan, pendidikan, seni bina dan juga untuk tugasan harian seperti navigasi atau mencuba perabot baharu di rumah anda sebelum membelinya.
20. Realiti Maya (VR)
Realiti maya (VR) ialah teknologi yang menggunakan simulasi janaan komputer untuk mencipta persekitaran buatan yang boleh diterokai dan berinteraksi dengan seseorang. Ia membenamkan pengguna dalam dunia maya, menyekat dunia nyata dan menggantikannya dengan alam digital.
Ringkasnya, bayangkan memakai set kepala khas yang menutup mata dan telinga anda dan membawa anda ke tempat yang sama sekali berbeza. Dalam dunia maya ini, semua yang anda lihat dan dengar terasa sangat nyata, walaupun semuanya dijana oleh komputer.
Anda boleh bergerak, melihat ke mana-mana arah, dan berinteraksi dengan objek atau watak seolah-olah ia hadir secara fizikal.
Sebagai contoh, dalam permainan realiti maya, anda mungkin mendapati diri anda berada di dalam istana zaman pertengahan, di mana anda boleh berjalan melalui koridornya, mengambil senjata dan terlibat dalam pertarungan pedang dengan lawan maya. Persekitaran realiti maya bertindak balas terhadap pergerakan dan tindakan anda, membuatkan anda berasa tenggelam sepenuhnya dan terlibat dalam pengalaman itu.
Realiti maya bukan sahaja digunakan untuk permainan tetapi juga untuk pelbagai aplikasi lain seperti simulasi latihan untuk juruterbang, pakar bedah atau anggota tentera, panduan seni bina, pelancongan maya dan juga terapi untuk keadaan psikologi tertentu. Ia mewujudkan rasa kehadiran dan mengangkut pengguna ke dunia maya baharu dan menarik, menjadikan pengalaman itu terasa sedekat mungkin dengan realiti.
21. Sains Data
Sains data ialah bidang yang melibatkan penggunaan kaedah saintifik, alatan dan algoritma untuk mengekstrak pengetahuan dan cerapan berharga daripada data. Ia menggabungkan unsur matematik, statistik, pengaturcaraan dan kepakaran domain untuk menganalisis set data yang besar dan kompleks.
Dalam istilah yang lebih mudah, sains data adalah tentang mencari maklumat dan corak bermakna yang tersembunyi dalam sekumpulan data. Ia melibatkan pengumpulan, pembersihan dan penyusunan data, kemudian menggunakan pelbagai teknik untuk meneroka dan menganalisisnya. Saintis data gunakan model statistik dan algoritma untuk mendedahkan arah aliran, membuat ramalan dan menyelesaikan masalah.
Contohnya, dalam bidang penjagaan kesihatan, sains data boleh digunakan untuk menganalisis rekod pesakit dan data perubatan untuk mengenal pasti faktor risiko penyakit, meramalkan hasil pesakit atau mengoptimumkan pelan rawatan. Dalam perniagaan, sains data boleh digunakan pada data pelanggan untuk memahami pilihan mereka, mengesyorkan produk atau meningkatkan strategi pemasaran.
22. Perbalahan Data
Perbalahan data, juga dikenali sebagai data munging, ialah proses mengumpul, membersihkan dan mengubah data mentah kepada format yang lebih berguna dan sesuai untuk analisis. Ia melibatkan pengendalian dan penyediaan data untuk memastikan kualiti, konsistensi dan keserasiannya dengan alat atau model analisis.
Dalam istilah yang lebih mudah, perbalahan data adalah seperti menyediakan bahan untuk memasak. Ia melibatkan pengumpulan data daripada sumber yang berbeza, menyusunnya dan membersihkannya untuk mengalih keluar sebarang ralat, ketidakkonsistenan atau maklumat yang tidak berkaitan.
Selain itu, data mungkin perlu diubah, disusun semula atau diagregatkan untuk memudahkan penggunaan dan mendapatkan cerapan.
Sebagai contoh, perbalahan data mungkin melibatkan mengalih keluar masukan pendua, membetulkan salah ejaan atau isu pemformatan, mengendalikan nilai yang hilang dan menukar jenis data. Ia juga mungkin melibatkan penggabungan atau penggabungan set data yang berbeza bersama-sama, memisahkan data kepada subset atau mencipta pembolehubah baharu berdasarkan data sedia ada.
23. Penceritaan Data
Penceritaan data ialah seni mempersembahkan data dengan cara yang menarik dan menarik untuk menyampaikan naratif atau mesej dengan berkesan. Ia melibatkan penggunaan visualisasi data, naratif dan konteks untuk menyampaikan pandangan dan penemuan dengan cara yang boleh difahami dan diingati oleh khalayak.
Dalam istilah yang lebih mudah, penceritaan data adalah tentang menggunakan data untuk bercerita. Ia melampaui sekadar membentangkan nombor dan carta. Ia melibatkan mencipta naratif di sekitar data, menggunakan elemen visual dan teknik bercerita untuk menghidupkan data dan menjadikannya berkaitan dengan penonton.
Sebagai contoh, daripada hanya membentangkan jadual angka jualan, penceritaan data mungkin melibatkan penciptaan papan pemuka interaktif yang membolehkan pengguna meneroka arah aliran jualan secara visual.
Ia boleh termasuk naratif yang menyerlahkan penemuan utama, menerangkan sebab di sebalik arah aliran dan mencadangkan pengesyoran yang boleh diambil tindakan berdasarkan data.
24. Pembuatan Keputusan berasaskan data
Pembuatan keputusan berasaskan data ialah proses membuat pilihan atau mengambil tindakan berdasarkan analisis dan tafsiran data yang berkaitan. Ia melibatkan penggunaan data sebagai asas untuk membimbing dan menyokong proses membuat keputusan dan bukannya bergantung semata-mata pada gerak hati atau pertimbangan peribadi.
Dalam istilah yang lebih mudah, pembuatan keputusan berasaskan data bermaksud menggunakan fakta dan bukti daripada data untuk memaklumkan dan membimbing pilihan yang kami buat. Ia melibatkan pengumpulan dan menganalisis data untuk memahami corak, arah aliran dan hubungan serta menggunakan pengetahuan itu untuk membuat keputusan termaklum dan menyelesaikan masalah.
Contohnya, dalam persekitaran perniagaan, pembuatan keputusan terdorong data mungkin melibatkan analisis data jualan, maklum balas pelanggan dan arah aliran pasaran untuk menentukan strategi harga yang paling berkesan atau mengenal pasti bidang untuk penambahbaikan dalam pembangunan produk.
Dalam penjagaan kesihatan, ia mungkin melibatkan menganalisis data pesakit untuk mengoptimumkan pelan rawatan atau meramalkan hasil penyakit.
25. Tasik Data
Tasik data ialah repositori data berpusat dan berskala yang menyimpan sejumlah besar data dalam bentuk mentah dan tidak diproses. Ia direka bentuk untuk menyimpan pelbagai jenis data, format dan struktur, seperti data berstruktur, separa berstruktur dan tidak berstruktur, tanpa memerlukan skema atau transformasi data yang telah ditetapkan.
Contohnya, syarikat boleh mengumpul dan menyimpan data daripada pelbagai sumber, seperti log tapak web, transaksi pelanggan, suapan media sosial dan peranti IoT, dalam tasik data.
Data ini kemudiannya boleh digunakan untuk pelbagai tujuan, seperti menjalankan analisis lanjutan, melaksanakan algoritma pembelajaran mesin atau meneroka corak dan arah aliran dalam gelagat pelanggan.
26. Gudang Data
Gudang data ialah sistem pangkalan data khusus yang direka khusus untuk menyimpan, menyusun dan menganalisis sejumlah besar data daripada pelbagai sumber. Ia distrukturkan dengan cara yang menyokong pengambilan data yang cekap dan pertanyaan analitikal yang kompleks.
Ia berfungsi sebagai repositori pusat yang menyepadukan data daripada sistem operasi yang berbeza, seperti pangkalan data transaksi, sistem CRM dan sumber data lain dalam organisasi.
Data diubah, dibersihkan dan dimuatkan ke dalam gudang data dalam format berstruktur yang dioptimumkan untuk tujuan analisis.
27. Kepintaran Perniagaan (BI)
Perisikan perniagaan merujuk kepada proses mengumpul, menganalisis dan mempersembahkan data dengan cara yang membantu perniagaan membuat keputusan termaklum dan memperoleh cerapan berharga. Ia melibatkan penggunaan pelbagai alat, teknologi dan teknik untuk mengubah data mentah kepada maklumat yang bermakna dan boleh diambil tindakan.
Contohnya, sistem risikan perniagaan mungkin menganalisis data jualan untuk mengenal pasti produk yang paling menguntungkan, memantau tahap inventori dan menjejaki pilihan pelanggan.
Ia boleh memberikan cerapan masa nyata tentang penunjuk prestasi utama (KPI) seperti hasil, pemerolehan pelanggan atau prestasi produk, yang membolehkan perniagaan membuat keputusan terdorong data dan mengambil tindakan yang sesuai untuk meningkatkan operasi mereka.
Alat perisikan perniagaan selalunya termasuk ciri seperti visualisasi data, pertanyaan ad hoc dan keupayaan penerokaan data. Alat ini membolehkan pengguna, seperti penganalisis perniagaan atau pengurus, untuk berinteraksi dengan data, memotongnya dan menjana laporan atau perwakilan visual yang menyerlahkan cerapan dan aliran penting.
28. Analisis Ramalan
Analisis ramalan ialah amalan menggunakan data dan teknik statistik untuk membuat ramalan atau ramalan bermaklumat tentang peristiwa atau hasil masa hadapan. Ia melibatkan menganalisis data sejarah, mengenal pasti corak dan membina model untuk mengekstrapolasi dan menganggarkan arah aliran, gelagat atau kejadian masa hadapan.
Ia bertujuan untuk mendedahkan hubungan antara pembolehubah dan menggunakan maklumat tersebut untuk membuat ramalan. Ia melampaui sekadar menggambarkan peristiwa lalu; sebaliknya, ia memanfaatkan data sejarah untuk memahami dan menjangka perkara yang mungkin berlaku pada masa hadapan.
Sebagai contoh, dalam bidang kewangan, analisis ramalan boleh digunakan untuk meramal stok harga berdasarkan data pasaran sejarah, penunjuk ekonomi dan faktor lain yang berkaitan.
Dalam pemasaran, ia boleh digunakan untuk meramalkan tingkah laku dan pilihan pelanggan, membolehkan pengiklanan yang disasarkan dan kempen pemasaran yang diperibadikan.
Dalam penjagaan kesihatan, analisis ramalan boleh membantu mengenal pasti pesakit berisiko tinggi untuk penyakit tertentu atau meramalkan kemungkinan kemasukan semula berdasarkan sejarah perubatan dan faktor lain.
29. Analitis Preskriptif
Analitik preskriptif ialah aplikasi data dan analitik untuk menentukan tindakan terbaik yang boleh diambil dalam situasi tertentu atau senario membuat keputusan.
Ia melampaui deskriptif dan analisis ramalan dengan bukan sahaja memberikan pandangan tentang perkara yang mungkin berlaku pada masa hadapan tetapi juga mengesyorkan tindakan yang paling optimum untuk mencapai hasil yang diinginkan.
Ia menggabungkan data sejarah, model ramalan dan teknik pengoptimuman untuk mensimulasikan senario yang berbeza dan menilai hasil yang berpotensi bagi pelbagai keputusan. Ia mempertimbangkan pelbagai kekangan, objektif dan faktor untuk menjana cadangan yang boleh diambil tindakan yang memaksimumkan hasil yang diinginkan atau meminimumkan risiko.
Sebagai contoh, dalam rantaian bekalan pengurusan, analitik preskriptif boleh menganalisis data pada tahap inventori, kapasiti pengeluaran, kos pengangkutan dan permintaan pelanggan untuk menentukan pelan pengedaran yang paling cekap.
Ia boleh mengesyorkan peruntukan sumber yang ideal, seperti lokasi penyimpanan inventori atau laluan pengangkutan, untuk meminimumkan kos dan memastikan penghantaran tepat pada masanya.
30. Pemasaran berasaskan data
Pemasaran dipacu data merujuk kepada amalan menggunakan data dan analitik untuk memacu strategi pemasaran, kempen dan proses membuat keputusan.
Ia melibatkan memanfaatkan pelbagai sumber data untuk mendapatkan cerapan tentang gelagat, keutamaan dan arah aliran pelanggan serta menggunakan maklumat tersebut untuk mengoptimumkan usaha pemasaran.
Ia memfokuskan pada pengumpulan dan menganalisis data daripada berbilang titik sentuh, seperti interaksi tapak web, penglibatan media sosial, demografi pelanggan, sejarah pembelian dan banyak lagi. Data ini kemudiannya digunakan untuk mencipta pemahaman yang komprehensif tentang khalayak sasaran, pilihan mereka, dan keperluan mereka.
Dengan memanfaatkan data, pemasar boleh membuat keputusan termaklum mengenai pembahagian, penyasaran dan pemperibadian pelanggan.
Mereka boleh mengenal pasti segmen pelanggan tertentu yang lebih cenderung untuk bertindak balas secara positif kepada kempen pemasaran dan menyesuaikan mesej serta tawaran mereka dengan sewajarnya.
Selain itu, pemasaran berasaskan data membantu dalam mengoptimumkan saluran pemasaran, menentukan campuran pemasaran yang paling berkesan dan mengukur kejayaan inisiatif pemasaran.
Sebagai contoh, pendekatan pemasaran terdorong data mungkin melibatkan menganalisis data pelanggan untuk mengenal pasti tingkah laku pembelian dan corak pilihan. Berdasarkan cerapan ini, pemasar boleh membuat kempen disasarkan dengan kandungan diperibadikan dan tawaran yang sesuai dengan segmen pelanggan tertentu.
Melalui analisis dan pengoptimuman berterusan, mereka boleh mengukur keberkesanan usaha pemasaran mereka dan memperhalusi strategi dari semasa ke semasa.
31. Tadbir Urus Data
Tadbir urus data ialah rangka kerja dan set amalan yang diterima pakai oleh organisasi untuk memastikan pengurusan, perlindungan dan integriti data yang betul sepanjang kitaran hayatnya. Ia merangkumi proses, dasar dan prosedur yang mengawal cara data dikumpul, disimpan, diakses, digunakan dan dikongsi dalam organisasi.
Ia bertujuan untuk mewujudkan akauntabiliti, tanggungjawab, dan kawalan ke atas aset data. Ia memastikan data adalah tepat, lengkap, konsisten dan boleh dipercayai, membolehkan organisasi membuat keputusan termaklum, mengekalkan kualiti data dan memenuhi keperluan kawal selia.
Tadbir urus data melibatkan penentuan peranan dan tanggungjawab untuk pengurusan data, mewujudkan piawaian dan dasar data, dan melaksanakan proses untuk memantau dan menguatkuasakan pematuhan. Ia menangani pelbagai aspek pengurusan data, termasuk privasi data, keselamatan data, kualiti data, klasifikasi data dan pengurusan kitaran hayat data.
Sebagai contoh, tadbir urus data mungkin melibatkan pelaksanaan prosedur untuk memastikan bahawa data peribadi atau sensitif dikendalikan dengan mematuhi peraturan privasi yang berkenaan, seperti Peraturan Perlindungan Data Am (GDPR).
Ia juga mungkin termasuk mewujudkan standard kualiti data dan melaksanakan proses pengesahan data untuk memastikan bahawa data adalah tepat dan boleh dipercayai.
32. Keselamatan Data
Keselamatan data adalah tentang memastikan maklumat berharga kami selamat daripada akses atau kecurian yang tidak dibenarkan. Ia melibatkan mengambil langkah untuk melindungi kerahsiaan, integriti dan ketersediaan data.
Pada asasnya, ini bermakna memastikan bahawa hanya orang yang betul boleh mengakses data kami, ia kekal tepat dan tidak diubah, dan ia tersedia apabila diperlukan.
Untuk mencapai keselamatan data, pelbagai strategi dan teknologi digunakan. Sebagai contoh, kawalan akses dan kaedah penyulitan membantu mengehadkan akses kepada individu atau sistem yang dibenarkan, menjadikannya lebih sukar bagi orang luar untuk mengakses data kami.
Sistem pemantauan, tembok api dan sistem pengesanan pencerobohan bertindak sebagai penjaga, memaklumkan kami tentang aktiviti yang mencurigakan dan menghalang akses tanpa kebenaran.
33. Internet Perkara
Internet of Things (IoT) merujuk kepada rangkaian objek fizikal atau "benda" yang disambungkan ke Internet dan boleh berkomunikasi antara satu sama lain. Ia seperti web besar objek harian, peranti dan mesin yang mampu berkongsi maklumat dan melaksanakan tugas dengan berinteraksi melalui internet.
Secara ringkas, IoT melibatkan pemberian keupayaan "pintar" kepada pelbagai objek atau peranti yang secara tradisinya tidak disambungkan ke internet. Objek ini boleh termasuk perkakas rumah, peranti boleh pakai, termostat, kereta dan juga jentera perindustrian.
Dengan menyambungkan objek ini ke Internet, mereka boleh mengumpul dan berkongsi data, menerima arahan dan melaksanakan tugas secara autonomi atau sebagai tindak balas kepada arahan pengguna.
Contohnya, termostat pintar boleh memantau suhu, melaraskan tetapan dan menghantar laporan penggunaan tenaga ke apl telefon pintar. Penjejak kecergasan boleh pakai boleh mengumpul data pada aktiviti fizikal anda dan menyegerakkannya ke platform berasaskan awan untuk analisis.
34. Pokok Keputusan
Pohon keputusan ialah perwakilan visual atau gambar rajah yang membantu kita membuat keputusan atau menentukan tindakan berdasarkan siri pilihan atau syarat.
Ia seperti carta alir yang membimbing kita melalui proses membuat keputusan dengan mempertimbangkan pilihan yang berbeza dan potensi hasilnya.
Bayangkan anda mempunyai masalah atau soalan, dan anda perlu membuat pilihan.
Pohon keputusan memecahkan keputusan kepada langkah-langkah yang lebih kecil, bermula dengan soalan awal dan bercabang kepada jawapan atau tindakan yang berbeza berdasarkan syarat atau kriteria pada setiap langkah.
35. Pengkomputeran Kognitif
Pengkomputeran kognitif, secara ringkas, merujuk kepada sistem atau teknologi komputer yang meniru kebolehan kognitif manusia, seperti pembelajaran, penaakulan, pemahaman, dan penyelesaian masalah.
Ia melibatkan penciptaan sistem komputer yang boleh memproses dan mentafsir maklumat dengan cara yang menyerupai pemikiran manusia.
Pengkomputeran kognitif bertujuan untuk membangunkan mesin yang boleh memahami dan berinteraksi dengan manusia dengan cara yang lebih semula jadi dan pintar. Sistem ini direka bentuk untuk menganalisis sejumlah besar data, mengenali corak, membuat ramalan dan memberikan cerapan yang bermakna.
Fikirkan pengkomputeran kognitif sebagai percubaan untuk menjadikan komputer berfikir dan bertindak lebih seperti manusia.
Ia melibatkan memanfaatkan teknologi seperti kecerdasan buatan, pembelajaran mesin, pemprosesan bahasa semula jadi dan penglihatan komputer untuk membolehkan komputer melaksanakan tugas yang secara tradisinya dikaitkan dengan kecerdasan manusia.
36. Teori Pembelajaran Pengiraan
Teori Pembelajaran Pengiraan ialah cabang khusus dalam bidang kecerdasan buatan yang berkisar pada pembangunan dan pemeriksaan algoritma yang direka khusus untuk belajar daripada data.
Bidang ini meneroka pelbagai teknik dan metodologi untuk membina algoritma yang boleh meningkatkan prestasinya secara autonomi dengan menganalisis dan memproses sejumlah besar maklumat.
Dengan memanfaatkan kuasa data, Teori Pembelajaran Pengiraan bertujuan untuk mendedahkan corak, perhubungan dan cerapan yang membolehkan mesin meningkatkan keupayaan membuat keputusan mereka dan melaksanakan tugas dengan lebih cekap.
Matlamat utama adalah untuk mencipta algoritma yang boleh menyesuaikan, membuat generalisasi dan membuat ramalan yang tepat berdasarkan data yang telah didedahkan kepada mereka, menyumbang kepada kemajuan kecerdasan buatan dan aplikasi praktikalnya.
37. Ujian Turing
Ujian Turing, yang pada asalnya dicadangkan oleh ahli matematik dan saintis komputer yang cemerlang, Alan Turing, ialah konsep menawan yang digunakan untuk menilai sama ada mesin boleh mempamerkan tingkah laku pintar yang setanding dengan, atau secara praktikal tidak dapat dibezakan daripada manusia.
Dalam ujian Turing, seorang penilai manusia terlibat dalam perbualan bahasa semula jadi dengan kedua-dua mesin dan peserta manusia yang lain tanpa mengetahui yang mana satu mesin itu.
Peranan penilai adalah untuk membezakan entiti mana yang merupakan mesin semata-mata berdasarkan respons mereka. Jika mesin itu dapat meyakinkan penilai bahawa ia adalah rakan sejawat manusia, maka ia dikatakan telah lulus ujian Turing, dengan itu menunjukkan tahap kecerdasan yang mencerminkan keupayaan seperti manusia.
Alan Turing mencadangkan ujian ini sebagai cara untuk meneroka konsep kecerdasan mesin dan mengemukakan persoalan sama ada mesin boleh mencapai kognisi peringkat manusia.
Dengan merangka ujian dari segi kebolehbezaan manusia, Turing menyerlahkan potensi untuk mesin mempamerkan tingkah laku yang sangat pintar yang meyakinkan sehingga menjadi mencabar untuk membezakannya daripada manusia.
Ujian Turing mencetuskan perbincangan dan penyelidikan yang meluas dalam bidang kecerdasan buatan dan sains kognitif. Walaupun lulus ujian Turing kekal sebagai pencapaian penting, ia bukanlah satu-satunya ukuran kecerdasan.
Walau bagaimanapun, ujian itu berfungsi sebagai penanda aras yang merangsang pemikiran, merangsang usaha berterusan untuk membangunkan mesin yang mampu meniru kecerdasan dan tingkah laku seperti manusia dan menyumbang kepada penerokaan yang lebih luas tentang maksud menjadi pintar.
38. Pembelajaran Pengukuhan
Pembelajaran pengukuhan ialah sejenis pembelajaran yang berlaku melalui percubaan dan kesilapan, di mana "ejen" (yang boleh menjadi program komputer atau robot) belajar melaksanakan tugas dengan menerima ganjaran untuk tingkah laku yang baik dan menghadapi akibat atau hukuman untuk tingkah laku yang buruk.
Bayangkan senario di mana ejen cuba menyelesaikan tugas tertentu, seperti menavigasi labirin. Pada mulanya, ejen tidak tahu jalan yang betul untuk diambil, jadi ia mencuba tindakan yang berbeza dan meneroka pelbagai laluan.
Apabila ia memilih tindakan yang baik yang mendekatkan ia kepada matlamat, ia menerima ganjaran, seperti "tepuk belakang" maya. Walau bagaimanapun, jika ia membuat keputusan yang tidak baik yang membawa kepada jalan buntu atau menjauhkannya daripada matlamat, ia menerima hukuman atau maklum balas negatif.
Melalui proses percubaan dan kesilapan ini, ejen belajar untuk mengaitkan tindakan tertentu dengan hasil positif atau negatif. Ia secara beransur-ansur memikirkan urutan tindakan terbaik untuk memaksimumkan ganjarannya dan meminimumkan hukuman, akhirnya menjadi lebih mahir dalam tugas itu.
Pembelajaran pengukuhan mendapat inspirasi daripada cara manusia dan haiwan belajar dengan menerima maklum balas daripada persekitaran.
Dengan menggunakan konsep ini pada mesin, penyelidik menyasarkan untuk membangunkan sistem pintar yang boleh belajar dan menyesuaikan diri dengan situasi yang berbeza dengan secara autonomi menemui tingkah laku yang paling berkesan melalui proses peneguhan positif dan akibat negatif.
39. Pengekstrakan Entiti
Pengekstrakan entiti merujuk kepada proses di mana kami mengenal pasti dan mengekstrak cebisan maklumat penting, dikenali sebagai entiti, daripada blok teks. Entiti ini boleh menjadi pelbagai perkara seperti nama orang, nama tempat, nama organisasi, dan sebagainya.
Bayangkan anda mempunyai perenggan yang menerangkan artikel berita.
Pengekstrakan entiti akan melibatkan menganalisis teks dan memilih bit tertentu yang mewakili entiti yang berbeza. Contohnya, jika teks tersebut menyebut nama seseorang seperti "John Smith," lokasi "New York City" atau organisasi "OpenAI", ini akan menjadi entiti yang kami sasarkan untuk mengenal pasti dan mengeluarkan.
Dengan melakukan pengekstrakan entiti, kami pada asasnya mengajar program komputer untuk mengecam dan mengasingkan elemen penting daripada teks. Proses ini membolehkan kami menyusun dan mengkategorikan maklumat dengan lebih cekap, menjadikannya lebih mudah untuk mencari, menganalisis dan memperoleh cerapan daripada jumlah data tekstual yang besar.
Secara keseluruhannya, pengekstrakan entiti membantu kami mengautomasikan tugas menentukan entiti penting, seperti orang, tempat dan organisasi, dalam teks, memperkemas pengekstrakan maklumat berharga dan meningkatkan keupayaan kami untuk memproses dan memahami data teks.
40. Anotasi Linguistik
Anotasi linguistik melibatkan memperkaya teks dengan maklumat linguistik tambahan untuk meningkatkan pemahaman dan analisis kita tentang bahasa yang digunakan. Ia seperti menambahkan label atau teg yang berguna pada bahagian teks yang berlainan.
Apabila kami melakukan anotasi linguistik, kami melangkaui perkataan dan ayat asas dalam teks dan mula melabel atau menandai elemen tertentu. Sebagai contoh, kami mungkin menambah tag sebahagian daripada pertuturan, yang menunjukkan kategori tatabahasa bagi setiap perkataan (seperti kata nama, kata kerja, kata sifat, dsb.). Ini membantu kami memahami peranan yang dimainkan oleh setiap perkataan dalam ayat.
Satu lagi bentuk anotasi linguistik dinamakan pengiktirafan entiti, di mana kami mengenal pasti dan melabel entiti bernama tertentu, seperti nama orang, tempat, organisasi atau tarikh. Ini membolehkan kami mencari dan mengekstrak maklumat penting daripada teks dengan cepat.
Dengan menganotasi teks dengan cara ini, kami mencipta perwakilan bahasa yang lebih tersusun dan teratur. Ini boleh menjadi sangat berguna dalam pelbagai aplikasi. Sebagai contoh, ia membantu meningkatkan ketepatan enjin carian dengan memahami maksud di sebalik pertanyaan pengguna. Ia juga membantu dalam terjemahan mesin, analisis sentimen, pengekstrakan maklumat dan banyak lagi tugas pemprosesan bahasa semula jadi yang lain.
Anotasi linguistik berfungsi sebagai alat penting untuk penyelidik, ahli bahasa dan pembangun, membolehkan mereka mengkaji corak bahasa, membina model bahasa dan membangunkan algoritma canggih yang boleh menganalisis dan memahami teks dengan lebih baik.
41. Hiperparameter
In pembelajaran mesin, hiperparameter adalah seperti tetapan atau konfigurasi khas yang perlu kita tentukan sebelum melatih model. Ia bukan sesuatu yang model boleh pelajari sendiri daripada data; sebaliknya, kita perlu menentukannya terlebih dahulu.
Anggap ia sebagai tombol atau suis yang boleh kita laraskan untuk memperhalusi cara model belajar dan membuat ramalan. Hiperparameter ini mengawal pelbagai aspek proses pembelajaran, seperti kerumitan model, kelajuan latihan, dan pertukaran antara ketepatan dan generalisasi.
Sebagai contoh, mari kita pertimbangkan rangkaian saraf. Satu hiperparameter penting ialah bilangan lapisan dalam rangkaian. Kita perlu memilih sejauh mana kita mahu rangkaian itu, dan keputusan ini mempengaruhi keupayaannya untuk menangkap corak kompleks dalam data.
Hiperparameter biasa yang lain termasuk kadar pembelajaran, yang menentukan seberapa cepat model melaraskan parameter dalamannya berdasarkan data latihan, dan kekuatan penyelarasan, yang mengawal berapa banyak model menghukum corak kompleks untuk mengelakkan pemasangan berlebihan.
Menetapkan hiperparameter ini dengan betul adalah penting kerana ia boleh memberi kesan ketara kepada prestasi dan tingkah laku model. Ia selalunya melibatkan sedikit percubaan dan kesilapan, bereksperimen dengan nilai yang berbeza dan memerhatikan cara ia mempengaruhi prestasi model pada set data pengesahan.
42. Metadata
Metadata merujuk kepada maklumat tambahan yang memberikan butiran tentang data lain. Ia seperti satu set teg atau label yang memberi kita lebih konteks atau menerangkan ciri-ciri data utama.
Apabila kami mempunyai data, sama ada dokumen, gambar, video atau apa-apa jenis maklumat lain, metadata membantu kami memahami aspek penting data tersebut.
Contohnya, dalam dokumen, metadata boleh termasuk butiran seperti nama pengarang, tarikh ia dibuat atau format fail. Dalam kes gambar, metadata mungkin memberitahu kami lokasi di mana ia diambil, tetapan kamera yang digunakan, malah tarikh dan masa ia ditangkap.
Metadata membantu kami menyusun, mencari dan mentafsir data dengan lebih berkesan. Dengan menambahkan maklumat deskriptif ini, kami boleh mencari fail tertentu dengan cepat atau memahami asal usul, tujuan atau konteksnya tanpa perlu menggali keseluruhan kandungan.
43. Pengurangan Dimensi
Pengurangan dimensi ialah teknik yang digunakan untuk memudahkan set data dengan mengurangkan bilangan ciri atau pembolehubah yang terkandung di dalamnya. Ia seperti memekatkan atau meringkaskan maklumat dalam set data untuk menjadikannya lebih mudah diurus dan lebih mudah untuk digunakan.
Bayangkan anda mempunyai set data dengan banyak lajur atau atribut yang mewakili ciri berbeza bagi titik data. Setiap lajur menambah kerumitan dan keperluan pengiraan algoritma pembelajaran mesin.
Dalam sesetengah kes, mempunyai bilangan dimensi yang tinggi boleh menyukarkan untuk mencari corak atau perhubungan yang bermakna dalam data.
Pengurangan dimensi membantu menangani isu ini dengan mengubah set data menjadi perwakilan dimensi yang lebih rendah sambil mengekalkan sebanyak mungkin maklumat yang berkaitan. Ia bertujuan untuk menangkap aspek atau variasi yang paling penting dalam data sambil membuang dimensi berlebihan atau kurang bermaklumat.
44. Klasifikasi Teks
Pengelasan teks ialah proses yang melibatkan pemberian label atau kategori tertentu kepada blok teks berdasarkan kandungan atau maknanya. Ia seperti menyusun atau menyusun maklumat teks ke dalam kumpulan atau kelas yang berbeza untuk memudahkan analisis lanjut atau membuat keputusan.
Mari kita pertimbangkan contoh klasifikasi e-mel. Dalam senario ini, kami ingin menentukan sama ada e-mel masuk adalah spam atau bukan spam (juga dikenali sebagai ham). Pengelasan teks algoritma menganalisis kandungan e-mel dan memberikannya label dengan sewajarnya.
Jika algoritma menentukan bahawa e-mel mempamerkan ciri yang biasanya dikaitkan dengan spam, ia memberikan label "spam." Sebaliknya, jika e-mel kelihatan sah dan bukan spam, ia memberikan label "bukan spam" atau "ham".
Klasifikasi teks mencari aplikasi dalam pelbagai domain di luar penapisan e-mel. Ia digunakan dalam analisis sentimen untuk menentukan sentimen yang dinyatakan dalam ulasan pelanggan (positif, negatif atau neutral).
Artikel berita boleh diklasifikasikan ke dalam topik atau kategori yang berbeza seperti sukan, politik, hiburan dan banyak lagi. Log sembang sokongan pelanggan boleh dikategorikan berdasarkan niat atau isu yang sedang ditangani.
45. AI yang lemah
AI lemah, juga dikenali sebagai AI sempit, merujuk kepada sistem kecerdasan buatan yang direka bentuk dan diprogramkan untuk melaksanakan tugas atau fungsi tertentu. Tidak seperti kecerdasan manusia, yang merangkumi pelbagai kebolehan kognitif, AI yang lemah terhad kepada domain atau tugas tertentu.
Fikirkan AI yang lemah sebagai perisian atau mesin khusus yang cemerlang dalam melaksanakan pekerjaan tertentu. Sebagai contoh, program AI bermain catur boleh dibuat untuk menganalisis situasi permainan, menyusun strategi dan bersaing dengan pemain manusia.
Contoh lain ialah sistem pengecaman imej yang boleh mengenal pasti objek dalam gambar atau video.
Sistem AI ini dilatih dan dioptimumkan untuk cemerlang dalam bidang kepakaran khusus mereka. Mereka bergantung pada algoritma, data dan peraturan yang telah ditetapkan untuk menyelesaikan tugas mereka dengan berkesan.
Walau bagaimanapun, mereka tidak mempunyai kecerdasan am yang membolehkan mereka memahami atau melaksanakan tugas di luar domain yang ditetapkan mereka.
46. AI yang kuat
AI yang kuat, juga dikenali sebagai AI am atau kecerdasan am buatan (AGI), merujuk kepada satu bentuk kecerdasan buatan yang memiliki keupayaan untuk memahami, belajar dan melaksanakan apa-apa tugas intelektual yang boleh dilakukan oleh manusia.
Tidak seperti AI yang lemah, yang direka untuk tugas tertentu, AI yang kuat bertujuan untuk meniru kecerdasan seperti manusia dan kebolehan kognitif. Ia berusaha untuk mencipta mesin atau perisian yang bukan sahaja cemerlang dalam tugas khusus tetapi juga mempunyai pemahaman yang lebih luas dan kebolehsuaian untuk menangani pelbagai cabaran intelektual.
Matlamat AI yang kuat adalah untuk membangunkan sistem yang boleh menaakul, memahami maklumat yang kompleks, belajar daripada pengalaman, melibatkan diri dalam perbualan bahasa semula jadi, mempamerkan kreativiti dan mempamerkan kualiti lain yang berkaitan dengan kecerdasan manusia.
Pada dasarnya, ia berhasrat untuk mencipta sistem AI yang boleh mensimulasikan atau mereplikasi pemikiran peringkat manusia dan penyelesaian masalah merentas berbilang domain.
47. Rantaian Hadapan
Rantaian hadapan ialah kaedah penaakulan atau logik yang bermula dengan data yang tersedia dan menggunakannya untuk membuat inferens dan membuat kesimpulan baharu. Ia seperti menyambungkan titik dengan menggunakan maklumat yang ada untuk bergerak ke hadapan dan mencapai cerapan tambahan.
Bayangkan anda mempunyai satu set peraturan atau fakta, dan anda ingin memperoleh maklumat baharu atau mencapai kesimpulan khusus berdasarkannya. Rantaian hadapan berfungsi dengan memeriksa data awal dan menggunakan peraturan logik untuk menjana fakta atau kesimpulan tambahan.
Untuk memudahkan, mari kita pertimbangkan senario mudah untuk menentukan apa yang perlu dipakai berdasarkan keadaan cuaca. Anda mempunyai peraturan yang mengatakan, "Jika hujan, bawa payung", dan peraturan lain yang mengatakan "Jika sejuk, pakai jaket". Sekarang, jika anda perhatikan bahawa hujan memang turun, anda boleh menggunakan rantaian hadapan untuk membuat kesimpulan bahawa anda perlu membawa payung.
48. Rantaian ke belakang
Rantaian ke belakang ialah kaedah penaakulan yang bermula dengan kesimpulan atau matlamat yang diingini dan berfungsi ke belakang untuk menentukan data atau fakta yang diperlukan untuk menyokong kesimpulan tersebut. Ia seperti mengesan langkah anda daripada hasil yang diingini kepada maklumat awal yang diperlukan untuk mencapainya.
Untuk memahami rantaian ke belakang, mari kita pertimbangkan contoh mudah. Katakan anda ingin menentukan sama ada ia sesuai untuk berenang. Kesimpulan yang dikehendaki ialah sama ada berenang sesuai atau tidak berdasarkan syarat-syarat tertentu.
Daripada bermula dengan syarat, rantaian ke belakang bermula dengan kesimpulan dan bekerja ke belakang untuk mencari data sokongan.
Dalam kes ini, rantaian ke belakang akan melibatkan soalan seperti "Adakah cuaca panas?" Jika jawapannya ya, anda akan bertanya, "Adakah kolam tersedia?" Jika jawapannya ya sekali lagi, anda akan bertanya soalan lanjut seperti, "Adakah masa yang mencukupi untuk berenang?"
Dengan menjawab soalan-soalan ini secara berulang dan bekerja ke belakang, anda boleh menentukan syarat-syarat yang perlu yang perlu dipenuhi untuk menyokong kesimpulan untuk berenang.
49. Heuristik
Heuristik, dalam istilah mudah, ialah peraturan atau strategi praktikal yang membantu kita membuat keputusan atau menyelesaikan masalah, biasanya berdasarkan pengalaman atau gerak hati kita yang lalu. Ia seperti jalan pintas mental yang membolehkan kita cepat menghasilkan penyelesaian yang munasabah tanpa melalui proses yang panjang atau menyeluruh.
Apabila berhadapan dengan situasi atau tugas yang kompleks, heuristik berfungsi sebagai prinsip panduan atau "peraturan praktikal" yang memudahkan membuat keputusan. Mereka memberikan kami garis panduan atau strategi am yang selalunya berkesan dalam situasi tertentu, walaupun mereka mungkin tidak menjamin penyelesaian yang optimum.
Sebagai contoh, mari kita pertimbangkan heuristik untuk mencari tempat letak kereta di kawasan yang sesak. Daripada menganalisis setiap tempat yang tersedia dengan teliti, anda mungkin bergantung pada heuristik mencari kereta yang diletakkan dengan enjinnya dihidupkan.
Heuristik ini mengandaikan bahawa kereta ini akan beredar, meningkatkan peluang untuk mencari tempat yang tersedia.
50. Pemodelan Bahasa Semulajadi
Pemodelan bahasa semula jadi, secara ringkas, ialah proses melatih model komputer untuk memahami dan menjana bahasa manusia dengan cara yang serupa dengan cara manusia berkomunikasi. Ia melibatkan pengajaran komputer untuk memproses, mentafsir dan menjana teks secara semula jadi dan bermakna.
Matlamat pemodelan bahasa semula jadi adalah untuk membolehkan komputer memahami dan menjana bahasa manusia dengan cara yang fasih, koheren dan relevan dari segi konteks.
Ia melibatkan model latihan tentang sejumlah besar data teks, seperti buku, artikel atau perbualan, untuk mempelajari corak, struktur dan semantik bahasa.
Setelah dilatih, model ini boleh melaksanakan pelbagai tugas berkaitan bahasa, seperti terjemahan bahasa, ringkasan teks, menjawab soalan, interaksi chatbot dan banyak lagi.
Mereka boleh memahami maksud dan konteks ayat, mengekstrak maklumat yang relevan dan menghasilkan teks yang betul dan koheren dari segi tatabahasa.
Sila tinggalkan balasan anda