Ilmu AI

Ilmuwan AI

Ilmuwan AI membangun perangkat lunak dengan algoritme yang dapat melakukan tugas yang biasanya membutuhkan kecerdasan manusia.

Ilmuwan AI dapat menjadi ahli dalam berbagai disiplin AI:

• Matematika Terapan
• Statistik komputasi
• Ilmu Komputer
• Pembelajaran mesin
• Pembelajaran mendalam

Beberapa Ilmuwan AI juga memiliki pengalaman data besar yang signifikan:

• Intelijen Bisnis
• Desain Basis Data
• Desain Gudang Data
• Penambangan Data
• Pertanyaan SQL
• Pelaporan SQL

AI yang lemah

Kecerdasan Buatan yang lemah terbatas pada area tertentu atau sempit seperti kebanyakan AI yang kita miliki di sekitar kita saat ini:

• Mesin pencari
• Siri Apple
• Cortana dari Microsoft
• Alexa Amazon
• IBM Watson

AI yang lemah juga disebut AI Sempit.

AI lemah mensimulasikan kognisi manusia berbeda dengan AI kuat yang memiliki kognisi manusia .

AI yang kuat

Kecerdasan Buatan yang Kuat adalah jenis AI yang meniru kecerdasan manusia.

AI yang kuat menunjukkan kemampuan untuk berpikir, merencanakan, belajar, dan berkomunikasi.

AI yang kuat adalah level berikutnya dari AI: Kecerdasan Sejati .

AI yang kuat bergerak menuju mesin dengan kesadaran diri, kesadaran, dan pikiran objektif.

Pembelajaran Mesin (ML)

Pemrograman klasik menggunakan program untuk membuat hasil:

Machine Learning menggunakan hasil untuk membuat program (algoritma):

Jaringan Syaraf Tiruan (NN)

Salah satu penemuan paling signifikan dalam sejarah adalah kekuatan Neural Networks (NN).

Di Neural Networks, banyak lapisan data yang disebut Neuron ditambahkan bersama atau ditumpuk di atas satu sama lain untuk menghitung tingkat data baru.

Nama pendek yang umum digunakan:

• Jaringan Syaraf Dalam DNN
• Jaringan Saraf Konvolusi CNN
• Jaringan Saraf Berulang RNN

Pembelajaran Mendalam (DL)

Deep Learning adalah algoritma yang menggunakan Neural Networks untuk mengekstrak data tingkat yang lebih tinggi.

Setiap lapisan yang berurutan menggunakan lapisan sebelumnya sebagai input.

Misalnya, pembacaan optik menggunakan lapisan rendah untuk mengidentifikasi tepi, dan lapisan yang lebih tinggi untuk mengidentifikasi huruf.

Deep Learning memiliki dua fase:

1. Pelatihan: Data input digunakan untuk menghitung parameter model.

2. Inferensi: Model "terlatih" mengeluarkan data dari setiap input yang diberikan.

Revolusi Pembelajaran Mendalam

Revolusi pembelajaran yang mendalam ada di sini!

Revolusi deep learning dimulai sekitar tahun 2010. Sejak itu, Deep Learning telah digunakan untuk memecahkan banyak masalah yang "tidak terpecahkan".

Contoh

Jaringan Saraf Konvolusi (CNN)

CNN dalam seperti ResNeta dan Inception telah mengurangi tingkat kesalahan dalam klasifikasi ImageNet dari 25% pada 2011 menjadi 5% pada 2017.

ImageNet adalah database gambar yang diatur menurut hierarki WordNet, di mana setiap simpul hierarki berisi ratusan dan ribuan gambar. ImageNet adalah sumber yang berguna bagi peneliti, pendidik, siswa, dan semua orang yang menyukai gambar.

WordNet adalah database leksikal hubungan semantik antara kata-kata dalam 200+ bahasa. Ini diatur sebagai kombinasi kamus dan tesaurus, menghubungkan kata-kata bersama ke dalam hubungan semantik menggunakan sinonim, hiponim, dan meronim.

Jaringan Saraf Berulang (RNNs)

RNN membantu membuat skor musik dan suara instrumen baru:
https://magenta.tensorflow.org/demos .

Sejarah AI