Menu

Qu'est-ce que l'intelligence artificielle: définition et sous-domaines de l'IA

  • Principal
  • Autre
  • Qu'est-ce que l'intelligence artificielle: définition et sous-domaines de l'IA

what is artificial intelligence

Essayez Notre Instrument Pour Éliminer Les Problèmes

Apprenez ce qu'est l'intelligence artificielle (IA), les éléments d'intelligence et les sous-domaines de l'IA tels que l'apprentissage automatique, l'apprentissage en profondeur, la PNL, etc.:

Le système de réseau informatique a amélioré le mode de vie humain en fournissant les différents types de gadgets et de dispositifs qui réduisent les efforts physiques et mentaux humains pour effectuer différentes tâches. L'intelligence artificielle est la prochaine étape de ce processus pour le rendre plus efficace en appliquant des technologies logiques, analytiques et plus productives à cet effort.

Ce tutoriel expliquera ce qu'est l'intelligence artificielle, sa définition et ses composants à l'aide de différents exemples. Nous explorerons également la différence entre l'intelligence humaine et l'intelligence artificielle.

Qu

Ce que vous apprendrez:

Qu'est-ce que l'intelligence artificielle (IA)?

Il existe différentes définitions techniques disponibles pour décrire l'intelligence artificielle, mais elles sont toutes très complexes et déroutantes. Nous développerons la définition en termes simples pour votre meilleure compréhension.

Les humains sont considérés comme les espèces les plus intelligentes sur cette terre car ils peuvent résoudre n'importe quel problème et analyser les mégadonnées grâce à leurs compétences telles que la pensée analytique, le raisonnement logique, les connaissances statistiques et l'intelligence mathématique ou informatique.

En gardant à l'esprit toutes ces combinaisons de compétences, l'intelligence artificielle est développée pour les machines et les robots qui imposent la capacité de résoudre des problèmes complexes dans les machines similaires à ceux qui peuvent être réalisés par l'homme.

L'intelligence artificielle est applicable dans tous les domaines, y compris le domaine de la médecine, les automobiles, les applications de style de vie quotidien, l'électronique, les communications ainsi que les systèmes de réseautage informatique.

Donc techniquement le L'IA dans le contexte des réseaux informatiques peut être définie comme les dispositifs informatiques et le système de réseau qui peuvent comprendre les données brutes avec précision, recueillir des informations utiles à partir de ces données, puis utiliser ces résultats pour parvenir à la solution finale. et l'attribution du problème avec une approche flexible et des solutions facilement adaptables.

Éléments d'intelligence

# 1) Raisonnement: C'est la procédure qui nous permet de fournir les critères de base et les lignes directrices pour faire un jugement, une prédiction et une prise de décision dans n'importe quel problème.

Le raisonnement peut être de deux types, l'un est un raisonnement généralisé qui est basé sur les incidences et les déclarations générales observées. La conclusion peut parfois être fausse dans ce cas. L'autre est le raisonnement logique, qui est basé sur des faits, des chiffres et des déclarations spécifiques et des incidences spécifiques, mentionnées et observées. La conclusion est donc correcte et logique dans ce cas.

# 2) Apprentissage: C’est l’action d’acquérir des connaissances et de développer des compétences à partir de sources diverses comme des livres, de véritables incidents de la vie, des expériences, être enseigné par certains experts, etc. L’apprentissage améliore les connaissances de la personne dans des domaines qu’elle ignore.

La capacité d'apprentissage est affichée non seulement par les humains mais aussi par certains animaux et les systèmes intelligents artificiels possèdent cette compétence.

L'apprentissage est de différents types comme indiqué ci-dessous:

  • L'apprentissage de la parole audio est basé sur le processus lorsqu'un enseignant donne une conférence, puis les étudiants audibles l'entendent, la mémorisent et l'utilisent pour en tirer des connaissances.
  • L'apprentissage linéaire est basé sur la mémorisation du tableau des événements que la personne a rencontrés et en a appris.
  • L'apprentissage par observation signifie apprendre en observant le comportement et les expressions faciales d'autres personnes ou créatures comme les animaux. Par exemple, le petit enfant apprend à parler en imitant ses parents.
  • L'apprentissage perceptif est basé sur l'apprentissage en identifiant et classant les visuels et objets et en les mémorisant.
  • L'apprentissage relationnel est basé sur l'apprentissage d'incidences et d'erreurs passées et s'efforce de les improviser.
  • L'apprentissage spatial signifie apprendre à partir de visuels tels que des images, des vidéos, des couleurs, des cartes, des films, etc. qui aideront les gens à créer une image de ceux qui sont à l'esprit chaque fois que cela sera nécessaire pour référence future.

# 3) Résolution de problèmes: C'est le processus d'identification de la cause du problème et de trouver un moyen possible de résoudre le problème. Cela se fait en analysant le problème, en prenant des décisions, puis en trouvant plus d'une solution pour parvenir à la solution finale et la mieux adaptée au problème.

La devise finale ici est de trouver la meilleure solution parmi celles disponibles pour obtenir les meilleurs résultats de résolution de problèmes en un minimum de temps.

# 4) Perception: C'est le phénomène consistant à obtenir, tirer une inférence, choisir et systématiser les données utiles à partir de l'entrée brute.

Chez l'homme, la perception est dérivée des expériences, des organes sensoriels et des conditions situationnelles de l'environnement. Mais concernant la perception de l'intelligence artificielle, elle est acquise par le mécanisme du capteur artificiel en association avec les données de manière logique.

# 5) Intelligence Linguistique: C’est le phénomène de la capacité d’une personne à déployer, comprendre, lire et écrire les choses verbales dans différentes langues. C'est l'élément de base du mode de communication entre les deux ou plusieurs individus et le nécessaire également pour la compréhension analytique et logique.

éléments d

Différence entre l'intelligence humaine et l'intelligence artificielle

Les points suivants expliquent les différences:

#1) Nous avons expliqué ci-dessus les composants de l'intelligence humaine sur la base desquels l'humain exécute différents types de tâches complexes et résout les différents types de problèmes distinctifs dans diverses situations.

#deux) L'humain développe des machines intelligentes comme les humains et elles donnent également des résultats au problème complexe dans une mesure très proche, tout comme les humains.

comment ouvrir un fichier jar exécutable

# 3) Les humains distinguent les données par des modèles visuels et audio, des situations passées et des événements de circonstances, tandis que les machines artificiellement intelligentes reconnaissent le problème et gèrent le problème en fonction de règles prédéfinies et de données de backlog.

# 4) Les humains mémorisent les données du passé et s'en souviennent au fur et à mesure qu'ils les ont apprises et conservées dans le cerveau, mais les machines trouveront les données du passé en recherchant des algorithmes.

# 5) Grâce à l'intelligence linguistique, les humains peuvent même reconnaître l'image et les formes déformées et les modèles manquants de voix, de données et d'images. Mais les machines n’ont pas cette intelligence et elles utilisent une méthodologie d’apprentissage par ordinateur et un processus d’apprentissage en profondeur qui implique à nouveau divers algorithmes pour obtenir les résultats souhaités.

# 6) Les humains suivent toujours leur instinct, leur vision, leur expérience, les circonstances, les situations, les informations environnantes, les données visuelles et brutes disponibles, ainsi que les choses qui leur ont été enseignées par certains enseignants ou anciens pour analyser, résoudre tout problème et obtenir des résultats efficaces et significatifs. de tout problème.

D'autre part, des machines artificiellement intelligentes à tous les niveaux déploient les divers algorithmes, les étapes prédéfinies, les données de backlog et l'apprentissage automatique pour arriver à des résultats utiles.

# 7) Bien que le processus suivi par les machines soit complexe et implique beaucoup de procédures, ils donnent les meilleurs résultats en cas d'analyse de la grande source de données complexes et où il faut effectuer des tâches distinctes de différents domaines au même moment avec précision et exactement et dans les délais impartis.

Le taux d'erreur dans ces cas de machines est bien inférieur à celui des humains.

Sous-domaines de l'intelligence artificielle

Sous-domaines de l

# 1) Apprentissage automatique

L'apprentissage automatique est une fonctionnalité de l'intelligence artificielle qui donne à l'ordinateur la capacité de collecter automatiquement des données et d'apprendre de l'expérience des problèmes ou des cas rencontrés plutôt que d'être spécialement programmé pour effectuer la tâche ou le travail donné.

L'apprentissage automatique met l'accent sur la croissance des algorithmes qui peuvent scruter les données et en faire des prédictions. La principale utilisation de celui-ci est dans l'industrie de la santé où il est utilisé pour le diagnostic de la maladie, l'interprétation des scans médicaux, etc.

La reconnaissance de formes est une sous-catégorie de l'apprentissage automatique. Il peut être décrit comme la reconnaissance automatique du plan à partir des données brutes à l'aide d'algorithmes informatiques.

Un modèle peut être une série persistante de données dans le temps qui est utilisée pour prédire une séquence d'événements et de tendances, des caractéristiques particulières des caractéristiques des images pour identifier les objets, une combinaison récurrente de mots et de phrases pour l'aide linguistique, et peut être un collection d'actions de personnes dans n'importe quel réseau qui peuvent indiquer une activité sociale et bien d'autres choses.

Le processus de reconnaissance de formes comprend plusieurs étapes. Ceux-ci sont expliqués comme suit:

(i) Acquisition et détection des données: Cela inclut la collecte de données brutes telles que les variables physiques, etc. et la mesure de la fréquence, de la bande passante, de la résolution, etc. Les données sont de deux types: les données d'entraînement et les données d'apprentissage.

Les données de formation sont celles dans lesquelles aucun étiquetage de l'ensemble de données n'est fourni et le système applique des clusters pour les catégoriser. Alors que les données d'apprentissage ont un ensemble de données bien étiqueté afin qu'elles puissent être directement utilisées avec le classificateur.

(ii) Prétraitement des données d'entrée :Cela comprend le filtrage des données indésirables comme le bruit de la source d'entrée et cela se fait par le traitement du signal. À ce stade, la filtration des modèles préexistants dans les données d'entrée est également effectuée pour d'autres références.

(iii) Extraction de caractéristiques :Divers algorithmes sont exécutés comme un algorithme de correspondance de modèles pour trouver le modèle de correspondance requis en termes de caractéristiques.

(iv) Classification :Sur la base de la sortie des algorithmes exécutés et de divers modèles appris pour obtenir le motif correspondant, la classe est affectée au motif.

(v) Post-traitement :Ici, le résultat final est présenté et il sera assuré que le résultat obtenu est presque aussi susceptible d'être nécessaire.

quel est le meilleur convertisseur youtube en mp3?

Modèle pour la reconnaissance de formes:

Modèle pour la reconnaissance de formes

(image la source )

Comme le montre la figure ci-dessus, l'extracteur de fonctionnalités dérivera les fonctionnalités des données brutes d'entrée, telles que l'audio, l'image, la vidéo, le son, etc.

Maintenant, le classificateur recevra x comme valeur d'entrée et attribuera différentes catégories à la valeur d'entrée comme la classe 1, la classe 2…. classe C. en fonction de la classe des données, une reconnaissance et une analyse supplémentaires du modèle sont effectuées.

Exemple de reconnaissance de forme triangulaire à travers ce modèle:

exemple de PR

La reconnaissance de formes est utilisée dans les processeurs d'identification et d'authentification tels que la reconnaissance vocale et l'authentification faciale, dans les systèmes de défense pour la reconnaissance de cible et le guidage de navigation et l'industrie automobile.

# 2) Apprentissage profond

C'est le processus d'apprentissage en traitant et en analysant les données d'entrée par plusieurs méthodes jusqu'à ce que la machine découvre la sortie unique souhaitable. Il est également connu sous le nom d'auto-apprentissage des machines.

La machine exécute divers programmes et algorithmes aléatoires pour mapper la séquence brute d'entrée des données d'entrée à la sortie. En déployant les divers algorithmes comme la neuroévolution et d'autres approches comme la descente de gradient sur une topologie neuronale, la sortie y est finalement élevée à partir de la fonction d'entrée inconnue f (x), en supposant que x et y sont corrélés.

Ici, il est intéressant de noter que le travail des réseaux de neurones est de trouver la fonction f correcte.

L'apprentissage profond sera témoin de toutes les caractéristiques humaines et bases de données comportementales possibles et effectuera un apprentissage supervisé. Ce processus comprend:

  • Détection de différents types d'émotions et de signes humains.
  • Identifiez l'humain et les animaux par les images comme par des signes, des marques ou des caractéristiques particuliers.
  • Reconnaissance vocale des différents intervenants et les mémoriser.
  • Conversion de vidéo et de voix en données textuelles.
  • Identification des bons ou mauvais gestes, classification des spams et des cas de fraude (comme les allégations de fraude).

Toutes les autres caractéristiques, y compris celles mentionnées ci-dessus, sont utilisées pour préparer les réseaux de neurones artificiels par apprentissage profond.

Analyse prédictive: Après avoir collecté et appris d'énormes ensembles de données, le regroupement de types similaires d'ensembles de données est effectué en s'approchant des ensembles de modèles disponibles, comme en comparant le type d'ensembles de discours, d'images ou de documents similaires.

Puisque nous avons fait la classification et le regroupement des ensembles de données, nous aborderons la prédiction des événements futurs qui sont basés sur les bases des cas d'événements présents en établissant la corrélation entre les deux. N'oubliez pas que la décision et l'approche prédictives ne sont pas limitées dans le temps.

Le seul point à garder à l'esprit lors d'une prédiction est que la sortie doit avoir un certain sens et doit être logique.

En donnant des prises répétitives et en s'auto-analysant, la solution aux problèmes sera obtenue par ceci pour les machines. L'exemple de l'apprentissage en profondeur est la reconnaissance vocale dans les téléphones qui permet aux smartphones de comprendre un autre type d'accent du locuteur et de le convertir en un discours significatif.

# 3) Réseaux de neurones

Les réseaux de neurones sont le cerveau de l'intelligence artificielle. Ce sont les systèmes informatiques qui sont la réplique des connexions neuronales dans le cerveau humain. Les neurones artificiels correspondants du cerveau sont connus sous le nom de perceptron.

L'empilement de divers perceptrons réunis forme les réseaux de neurones artificiels dans les machines. Avant de donner un résultat souhaitable, les réseaux de neurones acquièrent des connaissances en traitant divers exemples de formation.

Grâce à l'utilisation de différents modèles d'apprentissage, ce processus d'analyse des données fournira également une solution pour de nombreuses requêtes associées qui étaient sans réponse auparavant.

L'apprentissage en profondeur en association avec les réseaux de neurones peut déployer les multiples couches de données cachées, y compris la couche de sortie des problèmes complexes et est une aide pour les sous-domaines tels que la reconnaissance vocale, le traitement du langage naturel et la vision par ordinateur, etc.

Diagramme d

(image la source )

Les premiers types de réseaux de neurones étaient composés d'une entrée et d'une sortie et au maximum d'une seule couche cachée ou d'une seule couche de perceptron seulement.

Les réseaux neuronaux profonds sont composés de plus d'une couche cachée entre les couches d'entrée et de sortie. Par conséquent, un processus d'apprentissage en profondeur est nécessaire pour déplier les couches cachées de l'unité de données.

Dans l'apprentissage en profondeur des réseaux de neurones, chaque couche est compétente sur l'ensemble unique d'attributs, en fonction des caractéristiques de sortie des couches précédentes. Plus vous entrez dans le réseau neuronal, plus le nœud acquiert la capacité de reconnaître des attributs plus complexes à mesure qu'ils prédisent et recombinent les sorties de toutes les couches précédentes pour produire une sortie finale plus claire.

L'ensemble de ce processus s'appelle une hiérarchie de fonctionnalités et également connue sous le nom de hiérarchie des ensembles de données complexes et intangibles. Il améliore la capacité des réseaux de neurones profonds à gérer des unités de données de très grande dimension et de grande dimension, dont des milliards de contraintes passeront par les fonctions linéaires et non linéaires.

réseaux de neurones multicouches

Le principal problème que l'intelligence artificielle a du mal à résoudre est de traiter et de gérer les données non étiquetées et non structurées dans le monde qui sont réparties dans tous les domaines et pays. Désormais, les réseaux neuronaux ont la capacité de gérer la latence et les caractéristiques complexes de ces sous-ensembles de données.

L'apprentissage en profondeur en association avec des réseaux de neurones artificiels a classé et caractérisé les données non nommées et brutes qui se présentaient sous forme d'images, de texte, d'audio, etc. dans une base de données relationnelle organisée avec un étiquetage approprié.

Par exemple, l'apprentissage en profondeur prendra comme entrée les milliers d'images brutes, puis les classera en fonction de leurs caractéristiques de base et de leurs personnages comme tous les animaux comme les chiens d'un côté, les choses non vivantes comme les meubles dans un coin et toutes les photos de votre famille sur la troisième face complétant ainsi la photo globale, également connue sous le nom d'albums photo intelligents.

Un autre exemple, considérons le cas des données texte comme entrée où nous avons des milliers de courriers électroniques. Ici, l'apprentissage en profondeur regroupera les e-mails dans différentes catégories telles que les e-mails primaires, sociaux, promotionnels et de spam selon leur contenu.

Réseaux de neurones feedforward: L'objectif de l'utilisation des réseaux de neurones est d'obtenir le résultat final avec une erreur minimale et un niveau de précision élevé.

Cette procédure implique de nombreuses étapes et chacun des niveaux comprend la prédiction, la gestion des erreurs et les mises à jour de poids, ce qui est un léger incrément du coefficient car il se déplacera lentement vers les caractéristiques souhaitables.

Au point de départ des réseaux de neurones, il ne sait pas quel poids et quels sous-ensembles de données lui permettront de convertir l’entrée en les prédictions les mieux adaptées. Ainsi, il considérera toutes sortes de sous-ensembles de données et de poids comme des modèles pour faire des prédictions séquentiellement pour obtenir le meilleur résultat et il apprend à chaque fois de son erreur.

Par exemple, nous pouvons faire référence aux réseaux de neurones avec les petits enfants car lorsqu'ils sont nés, ils ne savent rien du monde qui les entoure et n'ont aucune intelligence, mais en vieillissant, ils apprennent de leurs expériences de vie et de leurs erreurs pour devenir un meilleur humain et intellectuel.

L'architecture du réseau à réaction est illustrée ci-dessous par une expression mathématique:

Entrée * poids = prédiction
Puis,
Vérité terrain - prédiction = erreur
Puis,
Erreur * contribution du poids à l'erreur = ajustement

Cela peut être expliqué ici, le jeu de données d'entrée les mappera avec les coefficients pour obtenir les multiples prédictions pour le réseau.

Maintenant, la prédiction est comparée aux faits de terrain qui sont tirés des scénarios en temps réel, les faits et l'expérience pour trouver le taux d'erreur. Les ajustements sont faits pour traiter l'erreur et y rapporter la contribution des poids.

Ces trois fonctions sont les trois blocs de construction de base des réseaux de neurones qui évaluent l'entrée, évaluent la perte et déploient une mise à niveau du modèle.

implémentation C ++ de liste double chaînée

C'est donc une boucle de rétroaction qui récompensera les coefficients qui aident à faire les bonnes prédictions et rejettera les coefficients qui conduisent à des erreurs.

La reconnaissance de l'écriture manuscrite, la reconnaissance du visage et des signatures numériques, l'identification des modèles manquants sont quelques-uns des exemples en temps réel de réseaux de neurones.

# 4) Calcul cognitif

Le but de cette composante de l'intelligence artificielle est d'initier et d'accélérer l'interaction pour l'achèvement de tâches complexes et la résolution de problèmes entre les humains et les machines.

Tout en travaillant sur divers types de tâches avec des humains, les machines apprennent et comprennent le comportement humain, les sentiments dans diverses conditions distinctives et recréent le processus de pensée des humains dans un modèle informatique.

En pratiquant cela, la machine acquiert la capacité de comprendre le langage humain et les reflets d'image. Ainsi, la pensée cognitive associée à l'intelligence artificielle peut créer un produit qui aura des actions similaires à celles de l'homme et peut également avoir des capacités de traitement des données.

L'informatique cognitive est capable de prendre des décisions précises en cas de problèmes complexes. Ainsi, il est appliqué dans le domaine qui a besoin d'améliorer les solutions avec des coûts optimaux et est acquis en analysant le langage naturel et l'apprentissage fondé sur des preuves.

Par exemple, Google Assistant est un très grand exemple d'informatique cognitive.

# 5) Traitement du langage naturel

Grâce à cette fonctionnalité de l'intelligence artificielle, les ordinateurs peuvent interpréter, identifier, localiser et traiter le langage et la parole humains.

Le concept derrière l'introduction de ce composant est de rendre l'interaction entre les machines et le langage humain transparente et les ordinateurs deviendront capables de fournir des réponses logiques à la parole ou à la requête humaine.

Le traitement du langage naturel se concentre à la fois sur la section verbale et écrite des langues humaines signifie à la fois des modes actifs et passifs d'utilisation des algorithmes.

La génération du langage naturel (NLG) traitera et décodera les phrases et les mots que les humains utilisaient pour parler (communication verbale) tandis que la compréhension du langage naturel (NLU) mettra l'accent sur le vocabulaire écrit pour traduire la langue dans le texte ou les pixels qui peuvent être compris par Machines.

Les applications basées sur les interfaces utilisateur graphiques (GUI) des machines sont le meilleur exemple de traitement du langage naturel.

Les différents types de traducteurs qui convertissent une langue en une autre sont des exemples du système de traitement du langage naturel. La fonctionnalité Google de l'assistant vocal et du moteur de recherche vocale en est également un exemple.

# 6) Vision par ordinateur

La vision par ordinateur est une partie très vitale de l'intelligence artificielle car elle permet à l'ordinateur de reconnaître, d'analyser et d'interpréter automatiquement les données visuelles des images et des visuels du monde réel en les capturant et en les interceptant.

Il intègre les compétences d'apprentissage en profondeur et de reconnaissance de formes pour extraire le contenu des images de toutes les données fournies, y compris des images ou des fichiers vidéo dans un document PDF, un document Word, un document PPT, un fichier XL, des graphiques et des images, etc.

Supposons que nous ayons une image complexe d'un ensemble de choses, alors ne voir que l'image et la mémoriser n'est pas facilement possible pour tout le monde. La vision par ordinateur peut incorporer une série de transformations à l'image pour en extraire les détails en bits et octets tels que les bords nets des objets, la conception inhabituelle ou la couleur utilisée, etc.

Cela se fait en utilisant divers algorithmes en appliquant des expressions mathématiques et des statistiques. Les robots utilisent la technologie de vision par ordinateur pour voir le monde et agir en temps réel.

L'application de ce composant est très largement utilisée dans l'industrie de la santé pour analyser l'état de santé du patient en utilisant une IRM, des rayons X, etc. Également utilisé dans l'industrie automobile pour traiter les véhicules et drones contrôlés par ordinateur.

Conclusion

Dans ce tutoriel, tout d'abord, nous avons expliqué les différents éléments de l'intelligence avec un diagramme et leur signification pour appliquer l'intelligence dans des situations réelles afin d'obtenir les résultats souhaités.

Ensuite, nous avons exploré en détail les différents sous-domaines de l'intelligence artificielle et leur signification dans l'intelligence artificielle et le monde réel à l'aide d'expressions mathématiques, d'applications en temps réel et de divers exemples.

Nous avons également appris en détail l'apprentissage automatique, la reconnaissance de formes et les concepts de réseau neuronal de l'intelligence artificielle qui jouent un rôle très vital dans toutes les applications de l'intelligence artificielle.

Dans la partie suivante de ce tutoriel, nous explorerons en détail l'application de l'intelligence artificielle.

lecture recommandée

^