In de afgelopen jaren, samen met de explosie van de industriële revolutie 4.0, worden termen als kunstmatige intelligentie (AI), machine learning en deep learning geleidelijk populairder en worden ze concepten die burgers van het 4.0-tijdperk moeten begrijpen.
De relatie tussen deze drie concepten kan worden verklaard door ze te zien als cirkels, waarbij AI – het vroegste idee – de grootste cirkel is, gevolgd door machine learning – het concept dat daarna komt. AI boom – is de kleinste cirkel.
Het bouwen van een AI-systeem is natuurlijk enorm ingewikkeld, maar het begrijpen ervan is niet zo moeilijk. De meeste van de huidige kunstmatige intelligenties zijn gewoon heel goede gokmachines (vergelijkbaar met onze hersenen). Je geeft het systeem een groep gegevens (zoals de cijfers 1 t/m 10) en vraagt het systeem om een model te maken (x + 1, beginnend bij 0) en voorspellingen te doen. (Het volgende nummer is elf). Er is geen magie, dit is wat het menselijk brein elke dag doet: gebruiken wat we weten om gissingen te maken over het onbekende.
Wat AI anders maakt dan andere computerprogramma's, is dat in plaats van dat we voor elk geval specifieke programma's moeten maken, we AI volledig kunnen onderwijzen (machine learning), en dat het ook de mogelijkheid heeft om automatisch diep te leren. Deze drie concepten kunnen in grote lijnen als volgt worden gedefinieerd:
Kunstmatige Intelligentie (AI): een machine die menselijk gedrag en denken kan nabootsen.
Machine learning: Een AI-functie waarmee experts de AI kunnen trainen om datapatronen te herkennen en voorspellingen te doen.
Diep leren: een kleine techniek van machine learning waarmee machines zichzelf kunnen trainen.
Wat is AI (kunstmatige intelligentie)?
AI kan worden gedefinieerd als een tak van de informatica die zich bezighoudt met de automatisering van intelligent gedrag. AI maakt deel uit van de informatica en moet daarom gebaseerd zijn op degelijke, toepasbare theoretische principes van het veld. Simpel gezegd: het is de intelligentie van machines die door mensen zijn gemaakt. Deze intelligentie kan denken, denken, leren, ... zoals menselijke intelligentie. Verwerk data op een groter, meer schaal, systematisch, wetenschappelijk en sneller niveau dan mensen.
Op dit moment is AI-technologie echter nog zeer beperkt. Bijvoorbeeld Alexa - een geweldige huishoudster, een van de meest populaire iconen van kunstmatige-intelligentietoepassingen, maar kan de Turing-test nog steeds niet doorstaan.
Kortom, wat we tegenwoordig met AI doen, zit in het concept van "Narrow AI". Deze technologie is in staat om specifieke taken op een vergelijkbare manier uit te voeren als of beter dan mensen. Voorbeelden van 'smalle AI' in de praktijk zijn de beeldclassificatietechnologie van Pinterest of gezichtsherkenning om vrienden op Facebook te taggen.
Deze technologieën vertegenwoordigen een bepaald aspect van menselijke intelligentie, maar hoe kan dat? Waar komt die wijsheid vandaan? Laten we naar de volgende cirkel gaan: machine learning.
Wat is machinaal leren?
Machine learning – een benadering van AI
Machine Learning is een brede term die verwijst naar de handeling waarbij u een computer leert om een taak die hij uitvoert te verbeteren. Meer specifiek verwijst machine learning naar elk systeem waarbij de prestaties van een computer bij het uitvoeren van een taak beter worden nadat die taak vele malen is voltooid. Met andere woorden, het meest elementaire vermogen van machine learning is om een algoritme te gebruiken om beschikbare informatie te analyseren, ervan te leren en vervolgens een beslissing of voorspelling te doen over iets gerelateerds. In plaats van software te maken met gedetailleerde instructies en acties om een specifieke taak uit te voeren, worden computers 'getraind' met behulp van grote hoeveelheden gegevens en algoritmen om te leren hoe ze de taak moeten uitvoeren.
Zonder machine learning zou de huidige AI behoorlijk beperkt zijn omdat het computers de kracht geeft om dingen uit te zoeken zonder expliciet geprogrammeerd te zijn. Als voorbeeld van een soort machine learning, stel dat u wilt dat een programma katten in afbeeldingen kan identificeren:
Over het algemeen is de toepassing van machine learning tegenwoordig enorm populair en het nut ervan staat buiten kijf.
Wat is diep leren?
Diep leren – een techniek van machine learning
Het kan gezegd worden dat AI tot nu toe veel grote stappen heeft gemaakt. Zie het als een soort machine learning met diepe 'neurale netwerken' die gegevens kunnen verwerken op een vergelijkbare manier als een menselijk brein. Het belangrijkste verschil hier is dat mensen geen diepgaand leerprogramma hoeven te leren hoe een kat eruitziet, maar hem gewoon alle benodigde foto's van katten geven, en hij zal het vanzelf uitvinden. , zelflerend. De te doen stappen zijn als volgt:
Kortom: Deep learning is een vorm van machine learning waarbij de machine zichzelf traint. Deep learning vereist veel meer gegevensinvoer en rekenkracht dan machine learning, maar het is al begonnen te worden geïmplementeerd door grote technologiebedrijven zoals Facebook en Amazon. Een van de bekendste namen in machine learning is AlphaGo, een computer die Go tegen zichzelf kan spelen totdat hij de nauwkeurigste zetten kan voorspellen die genoeg zijn om vele wereldkampioenen te verslaan.
Concluderen
Deep learning heeft de toepassing van veel echte machineproblemen mogelijk gemaakt, terwijl het algemene veld van kunstmatige intelligentie is uitgebreid. Deep learning verstoort de manier waarop mensen werken door allerlei ondersteunende machines werkbaar te maken, dicht bij of identiek aan mensen. Zelfrijdende auto's, betere gezondheidszorg... Ze worden allemaal gerealiseerd in deze tijd. AI is het heden en de toekomst van de wereld. Met behulp van deep learning kan AI de sci-fi-droom realiseren die we al lang voor ogen hadden.
Verplaats portalgegevens van Disk Default naar een ondersteunde cloudopslagprovider, of verplaats Docker-gegevens veilig door de hostvolumetoewijzing te wijzigen.
Bepaal of de documentenserver gebruikmaakt van een Linux-pakket of Docker, verwijder alleen de componenten ervan en controleer de resterende gegevens zonder per ongeluk gedeelde services te verwijderen.
Sporen van trage samenwerking bij het bewerken van documenten op basis van Docker-bronnen, proxyverbindingen of de laadtijd van documenten, en kies vervolgens de oplossing die overeenkomt met uw metingen.
Kies waar TLS moet eindigen, koppel een vertrouwd certificaat en een privésleutel veilig en verifieer de HTTPS-toegang tot een in Docker gehoste ONLYOFFICE Docs-server.
Integreer de ONLYOFFICE-editor in uw PHP-applicatie, onderteken de configuratie met JWT en sla bewerkte bestanden op via een beveiligde callback.
Stel de taal voor de spellingcontrole in voor het hele document of voor geselecteerde tekst, controleer of de spellingcontrole is ingeschakeld en geef aan wanneer een serverwoordenboek ontbreekt.
Schakel de functie 'Wijzigingen bijhouden' permanent in voor iedereen in één ONLYOFFICE-document, controleer of bewerkingen worden geregistreerd en begrijp de beperkingen van deze instelling.
Controleer of Nginx, Docker-netwerken of een interne ONLYOFFICE-service een 502-fout retourneert en verifieer vervolgens de gecorrigeerde upstream-verbinding en de health check.
Diagnoseer mislukte ONLYOFFICE-opslagen door de Nextcloud-callbackroute, proxy-omleidingen en opslaglogboeken te controleren en verifieer vervolgens of het bewerkte bestand behouden blijft.
Zoek de oorzaak van de geheugenproblemen in ONLYOFFICE, controleer de Docker-limieten, configureer het RAM-geheugen van de VPS correct, voeg op een veilige manier swapgeheugen toe en controleer of documenten correct openen en opslaan.
