هوش مصنوعی و یادگیری ماشین در چند سال گذشته به طور قابل توجهی رشد کرده است. اکنون می توانیم پروژه های هوش مصنوعی را در هر صنعت و در هر برنامه بالقوه و نوع پروژه پیدا کنیم. در ماتریس طبقه بندی فروشنده هوش مصنوعی، ما بیش از 3000 شرکت فروشنده را در بیش از 100 زیربخش از بازار هوش مصنوعی شناسایی کردیم که طیف گسترده ای از برنامه های کاربردی هوش مصنوعی را اجرا می کنند. بیش از 70 درصد از این فروشندگان راه حل های خود را در حوزه های خاص صنعت، از امور مالی یا مراقبت های بهداشتی گرفته تا امنیت سایبری یا وسایل نقلیه خودران، به کار می گیرند. مطمئناً باید میلیون ها روش مختلف وجود داشته باشد که در آنها هوش مصنوعی و یادگیری ماشینی به کار گرفته شوند.

در Cognilytica، ما زمان قابل توجهی را صرف موارد استفاده و نحوه استفاده صنایع مختلف از هوش مصنوعی و فناوری های شناختی مختلف می کنیم. یکی از چیزهایی که ما در حین تجزیه و تحلیل صدها مورد مختلف استفاده، تعامل با بسیاری از مشتریان، ارائه دوره های آموزشی هوش مصنوعی و ML خود، نگارش ده ها مقاله در TechTarget، Forbes، CTOVision و CognitiveWorld متوجه شدیم، این است که با وجود همهتغییرات مختلف در پروژه ها و پیاده سازی ها متوجه شدیم که تنها هفت الگوی رایج وجود دارد که به نظر می رسد به طور مداوم در همه این موارد استفاده نشان داده می شود.

فرقی نمی کند که یک ربات چت بسازید یا یک برنامه تشخیص تصویر، یک ابزار تجزیه و تحلیل پیشگو یا یک وسیله نقلیه مستقل. شما می توانید یک برنامه کاربردی بسیار خاص برای هوش مصنوعی در یک عمود خاص مانند استخراج یا انرژی یا مراقبت های بهداشتی پیاده سازی کنید یا ربات های سخت افزاری بسازید. صرف نظر از همه این موارد استفاده بسیار متفاوت، فقط هفت الگو وجود دارد که به نظر می رسد در همه این پروژه ها خود را در ترکیب های مختلف تکرار می کنند. برخی از موارد استفاده از یک الگوی واحد برای کاربرد خود استفاده می کنند در حالی که برخی دیگر چند مورد را با هم ترکیب می کنند. با درک این هفت الگو، می توانید پروژه های هوش مصنوعی خود را با درک اینکه چگونه آن هفت الگو با بهترین شیوه ها پیاده سازی می شوند، ساده سازی کنید و سپس آن الگوها را به صورت جداگانه یا در ترکیب با دیگران برای دستیابی به اهداف نهایی مورد نظر سیستم های هوش مصنوعی و یادگیری ماشین خود به کار ببرید..

هفت الگوی هوش مصنوعی: مروری

نمای کلی بصری این هفت الگو را می توان در زیر مشاهده کرد:

ما می خواهیم مدتی را به غواصی عمیق تر در این الگوها بگذرانیم (بدون ترتیب خاصی فهرست شده اند) تا جزئیات هر الگوی چیست، روش های مختلف استفاده از الگوها و مشکلات اصلی که آنها برای حل آن ها در نظر گرفته اند را شناسایی کنیم.

بیش شخصی سازی

الگوی Hyperepersonalization به عنوان استفاده از یادگیری ماشین برای ایجاد یک پروفایل منحصر به فرد از هر فرد تعریف شده است ، و داشتن آن پروفایل با گذشت زمان برای اهداف متنوعی ، از جمله نمایش محتوای مربوطه ، توصیه محصولات مربوطه ، ارائه توصیه ها و راهنمایی های شخصی ، ارائه ، ارائه و تطبیقمراقبت های بهداشتی شخصی ، امور مالی و دیگری بینش ، اطلاعات ، مشاوره و بازخورد یک به یک. ما به تازگی یک بحث پادکست نسبتاً عمیق در مورد الگوی بیش از حد شخصی سازی داشتیم ، بنابراین ما شما را ترغیب می کنیم تا برای بینش و مشاهدات بیشتر در مورد کاربردهای این الگوی به آن گوش دهید.

هدف اصلی این الگوی استفاده از آن برای رفتار با هر فرد به عنوان یک فرد است ، نه به عنوان عضو برخی از گروه بندی یا سطل در یک دسته یا طبقه بندی گسترده. ما برای رفع این مشکل از یادگیری ماشین و سایر رویکردهای هوشمند شخصی سازی استفاده می کنیم. موارد استفاده شامل محتوای شخصی ، مشاوره شخصی یا راهنمایی ، پروفایل رفتار ، سیستم های توصیه و سایر روش های جمع آوری اطلاعات و داده ها به طور خاص به نفع یک فرد است.

مورد استفاده ای که به طور معمول وقتی مردم فکر می کنند تبلیغات شخصی تبلیغات است ، به ذهن متبادر می شود. با این حال ، بسیاری از برنامه های کاربردی بیش از حد شخصی سازی در خارج از صنعت تبلیغات وجود دارد. ما شاهد کاربردهای بیش از حد شخصی سازی در امور مالی ، داروهای بیش از حد شخصی هستیم که می توانیم توصیه های مراقبت های بهداشتی و مراقبت های پزشکی و مراقبت های پزشکی و درمان و همچنین کاربردهای تناسب اندام و سلامتی را انجام دهیم. هر زمان که می توانستید در مورد عدم رفتار با شخصی مانند آنها در یک سطل فکر کنید و مانند یک فرد رفتار کنید ، این یک کاربرد بیش از حد شخصی است. یک مثال خوب از این در امور مالی ، حرکت به دور از سیستم امتیاز دهی اعتبار FICO است ، که روی "چاشنی" افراد به نمرات اعتبار اعتبار به یک سیستم امتیاز دهی اعتباری بیش از حد شخصی 1: 1 کار می کند که به تاریخ اعتبار واقعی هر فرد نگاه می کند و از آن استفاده می کند. برای ایجاد یک ارزیابی فردی بدون استفاده از امتیاز دهی.

سیستم های خودمختار

سیستم های خودمختار به عنوان سیستمهایی تعریف می شوند که قادر به انجام یک کار ، دستیابی به یک هدف یا تعامل با محیط اطراف خود با حداقل و درگیری انسان هستند. این کار هم در سیستم های فیزیکی ، سخت افزاری خودمختار و هم نرم افزار یا سیستم های خودمختار مجازی (نرم افزار "ربات") اعمال می شود.

هدف اصلی الگوی سیستم های خودمختار حداقل به حداقل رساندن کار انسان است. به همین دلیل ما کارهایی را به صورت خودمختار انجام می دهیم. نمونه هایی از این موارد ، وسایل نقلیه و ماشین های خودمختار و انواع مختلفی است. ما همچنین سیستم های خودمختار را در قالب مستندات خودکار و تولید دانش خودمختار و همچنین فرآیندهای خودمختار و اتوماسیون شناختی مشاهده می کنیم. رباتهای مشارکتی نوعی یک سیستم خودمختار است ، حتی اگر آنها در یک نقش اطلاعاتی افزوده فعالیت کنند ، زیرا منظور آنها به طور مستقل از انسانها حتی اگر در مجاورت نزدیک باشند. همچنین در این الگوی سیستمهایی وجود دارد که به طور مستقل تصمیم می گیرند یا در جایی که تصمیماتی که نیاز به اطلاعات دارند بدون مداخله انسانی لازم است.

تجزیه و تحلیل پیش بینی کننده و پشتیبانی تصمیم گیری

الگوی بعدی که ما شناسایی کردیم ، تجزیه و تحلیل پیش بینی کننده و پشتیبانی از تصمیم گیری است. ما این را به عنوان استفاده از یادگیری ماشین و سایر رویکردهای شناختی تعریف می کنیم تا درک کنیم که چگونه الگوهای آموخته شده می توانند به پیش بینی نتایج آینده کمک کنند یا به انسان کمک کنند تا با استفاده از بینش از رفتار ، تعامل و داده ها ، در مورد نتایج آینده تصمیم بگیرند. هدف از این الگوی کمک به انسان ها برای تصمیم گیری بهتر است.

مثالهایی که در این الگوی مشخص کرده ایم شامل پیش بینی ، اشکال رگرسیون و پیش بینی مبتنی بر یادگیری ماشین ، جستجوی و بازیابی کمک شده ، پیش بینی تعداد یا ارزش از جمله قیمت گذاری پویا یا پیش بینی کننده ، پیش بینی رفتارها ، پیش بینی خرابی و پیش بینی روند است. این کاربرد هوش مصنوعی در درجه اول برای کمک به و تقویت انسانها ، به ما کمک می کند تا پاسخی برای یک مشکل ، شناسایی و انتخاب بهترین تناسب یا مطابقت بین داده ها ، فعالیت های بهینه سازی ، راهنمایی و راهنمایی را انتخاب کنیم.

در حالی که با سیستم خودمختار ، ما در حال انجام عمل و تصمیم گیری به یک دستگاه هستیم ، در این الگوی ، انسان هنوز تصمیم می گیرد اما دستگاه به انسان کمک می کند تا تصمیم بهتری بگیرند. در این حالت این همان چیزی است که ما آن را هوش افزوده می نامیم که در آن جایگزین انسان نمی شود بلکه فقط به آنها کمک می کند تا کار خود را بهتر انجام دهند.

توجه به این نکته حائز اهمیت است که شما می توانید تجزیه و تحلیل های پیش بینی کننده را بدون هوش مصنوعی انجام دهید ، و بدیهی است که روش های انجام تحلیلگران پیش بینی فقط با استفاده از آمار مستقیم وجود دارد. با این حال ، نوع تجزیه و تحلیل پیش بینی کننده ای که ما در اینجا در مورد آن صحبت می کنیم سازگار است که یادگیری ماشین برای بهبود قدرت پیش بینی و تصمیم گیری با گذشت زمان ضروری است.

تعامل مکالمه / انسانی

الگوی تعامل مکالمه / انسانی به عنوان ماشین آلات در تعامل با انسان از طریق مکالمه طبیعی و تعامل از جمله صدا ، متن ، تصاویر و اشکال نوشتاری تعریف می شود. هدف تسهیل تعامل ارتباطی بین ماشین ها و انسان ها و همچنین بین انسان و سایر انسانها است. همچنین در این الگوی ایجاد محتوا است که واقعاً برای مصرف انسان در نظر گرفته شده است ، مانند متن تولید شده ، تصاویر ، فیلم ، صوتی و سایر مطالب که برای انسان در نظر گرفته شده است. این شامل دستگاه به انسان ، انسان به ماشین و البته تعامل انسانی و ماشین است. این شامل دستگاه به ارتباطات دستگاه نمی شود زیرا ماشین ها از اشکال ارتباطی انسانی استفاده نمی کنند.

هدف اصلی این الگوی امکان تعامل با انسان ها به روشی است که انسان با یکدیگر تعامل دارند. ما می خواهیم ماشین آلات بتوانند تعامل صاف با انسان داشته باشند ، همانطور که انسان ها با یکدیگر انجام می دهند. به عنوان مثال از موارد استفاده در این الگوی شامل چت بابات ، دستیاران صوتی ، تولید محتوا در اشکال مختلف از جمله تصویر ، متن ، صدا ، فیلم ، احساسات ، خلق و خوی و ترجمه ماشین - که از دستگاهی برای تسهیل در ارتباطات انسانی استفاده می کن د-وادیادگیری ماشین ثابت شده است که در تفسیر و ایجاد گفتار ، تصاویر و متن بسیار خوب است و به همین ترتیب شاهد پروژه های مختلفی هستیم که از این الگوی هوش مصنوعی ناشی می شود.

الگوی و تشخیص ناهنجاری

در الگوی تشخیص الگوی و ناهنجاری ، یادگیری ماشین و سایر رویکردهای شناختی برای شناسایی الگوهای موجود در داده ها و یادگیری اتصالات مرتبه بالاتر بین اطلاعاتی استفاده می شود که می تواند بینشی در مورد اینکه آیا یک قطعه داده شده متناسب با یک الگوی موجود است یا یک چیز دور است و کار دیگری استمناسب است. هدف اصلی این الگوی یافتن کدام یک از موارد مانند دیگری است و کدام یک نیست.

این به طور گسترده ای برای یافتن ناهنجاری ها در داده ها استفاده می شود و نشان می دهد که چه چیزی غیر عادی به نظر می رسد. موارد استفاده به عنوان مثال شامل تشخیص کلاهبرداری و تجزیه و تحلیل ریسک ، کشف الگوهای بین داده ها و بینش های ظاهر ، تشخیص خطای خودکار یا تصحیح ، نظارت هوشمند ، یافتن گروه های پنهان داده ها ، یافتن بهترین مسابقات با داده های داده شده ، متن پیش بینی کننده و برنامه های مشابه است. ماشین آلات در گرفتن داده های زیادی و تجزیه و تحلیل الگوهای یافتن آن بسیار عالی هستند - خیلی بهتر از انسان هستند و می توانند این کار را خیلی سریعتر انجام دهند.

به رسمیت شناختن

ما الگوی شناخت را به عنوان استفاده از یادگیری ماشین و سایر رویکردهای شناختی برای شناسایی و تعیین اشیاء یا سایر موارد مورد نظر تعریف می کنیم تا به نوعی از محتوای بدون ساختار مشخص شود. این محتوا می تواند تصاویر ، فیلم ، صوتی ، متن یا سایر داده های در درجه اول بدون ساختار باشد که باید جنبه های آن را در آن شناسایی ، تشخیص داده شده ، تقسیم بندی یا در غیر این صورت به چیزی که می توان برچسب گذاری و برچسب گذاری کرد ، مشخص کنند.

هدف اصلی این الگوی این است که ماشین آلات را در محتوای غیر ساختار یافته شناسایی و درک کنند. موارد استفاده به عنوان مثال شامل شناخت تصویر و شی (فضای سنتی بینایی رایانه) ، زیرمجموعه تشخیص چهره ، تشخیص صدا و صدا ، تشخیص آیتم ، دست نویس و تشخیص متن ، تشخیص ژست و شناسایی آنچه در یک مطالب اتفاق می افتد است. شناخت یک الگوی بسیار خوب توسعه یافته است و از طریق یادگیری ماشین ، رایانه ها واقعاً خوب شده اند. الگوی شناخت یکی از پرکاربردترین و اتخاذ شده از تمام الگوهای استفاده از هوش مصنوعی است.

سیستم های محور محور

الگوی نهایی هوش مصنوعی که ما شناسایی کرده ایم سیستم های محور است. ما این را به عنوان استفاده از یادگیری ماشین و سایر رویکردهای شناختی تعریف می کنیم تا به عوامل شما توانایی یادگیری را از طریق آزمایش و خطا بدهد. هدف اصلی این الگوی یافتن راه حل بهینه برای یک مشکل است.

نمونه هایی از این الگوی شامل شبیه سازی سناریو ، بازی بازی ، بهینه سازی منابع ، حل مسئله تکراری ، مناقصه و حراج های زمان واقعی است. برخی از مشهورترین موارد استفاده و نمونه های این الگوی تحت تأثیر رویکردهای یادگیری تقویت برای یادگیری ماشین است. به طور خاص ، رویکرد DeepMind با Alphazero سیستم های هدف محور است که تا آنجا که می توانند بروند. نظریه DeepMind این است که اگر یک کامپیوتر بتواند از طریق آزمایش و خطا بیاموزد ، فقط یک دسته از چیزها را امتحان می کند ، پس یک سیستم می تواند از نظر تئوری هر چیزی را یاد بگیرد.

ترکیب چندین الگوی در یک پروژه

الگوهای فوق اهداف مختلفی را برای استفاده از هوش مصنوعی مشخص می کند ، اما هر پروژه یا پیاده سازی می تواند یک یا چند مورد از این الگوهای را داشته باشد. در حقیقت ، بیشتر برنامه های پیشرفته AI الگوهای ترکیب را با هم ترکیب می کنند تا نتیجه آن را بدست آورند. نکته مهم این است که مشخص کنید از کدام الگوها استفاده می شود ، زیرا الگوهای نحوه اجرای و مدیریت پروژه برای تحقق آن اهداف را نشان می دهد.

به عنوان مثال ، می گویند شما در حال ایجاد یک چت بابات هستید که به شما در انتخاب بهترین محصول برای یک نیاز خاص کمک می کند. برای کار کردن chatbot ، باید الگوی مکالمه را اعمال کنیم. اما این فقط به توانایی گفتگو می پردازد. این به هیچ وجه توانایی انتخاب بهترین محصول را برای شما اطلاع نمی دهد. به نظر می رسد که انتخاب بهترین محصول یک الگوی هوش مصنوعی کاملاً جداگانه است که به مدل سازی و توسعه پروژه خود نیاز دارد. بنابراین ما باید الگوی هایپر فردی سازی را با الگوی مکالمه ترکیب کنیم تا یک چت بابات بدست آوریم که بتواند توصیه هایی را برای نیازهای خاص ما هدف قرار دهد. و اگر به پیش بینی های پیشرفته تری احتیاج داریم ، باید به آن الگوی تحلیلی پیش بینی کننده ، با مدل یادگیری ماشین خود و تکامل پروژه در بالای آن اضافه کنیم. به جای یک پروژه هوش مصنوعی یکپارچه ، ما سه پروژه هوش مصنوعی گسسته داریم که هر یک به اهداف مختلفی می رسند ، اما با هم ترکیب می شوند ، به نیازهای تجاری می رسند. هر الگوی نیاز به یادگیری ماشین و فرآیند شناختی خود دارد اما می توانید آن را با هم ترکیب کنید تا یک پروژه تشکیل شود.

چگونه می توانم این هفت الگوی را عملی کنم؟

ما به طور خاص نحوه استفاده از این هفت الگوی هوش مصنوعی را در زمینه مدیریت پروژه Cognilytica برای استفاده از روش شناسی روش شناسی AI پوشش می دهیم. در این Bootcamp ما حتی برگه هایی ایجاد کرده ایم تا به شما کمک کنیم مشخصات بیشتری راجع به آنچه در مورد الزامات مدیریت پروژه برای تحقق اهداف هر الگوی وجود دارد و در موارد استفاده اضافی و نمونه هایی که هنگام تلاش برای استفاده از این الگوهای در دنیای واقعی مفید است ، قرار دهید. از موارد برای سازمان خود استفاده کنید.