Tekoälyn yleiset sovellukset

Tekoälyn, ML:n, DL:n ja RPA:n määritelmät

Kun olet oppinut tekoälyn perusteet, miten tekoäly on kehittynyt viime vuosikymmeninä ja miten eri maat soveltavat tekoälyratkaisuja käytännössä, sinua pyydetään tutustumaan siihen, mitä tekoäly, ML, DL ja RPA  tarkoittavat.

Tekoäly (AI)

Katso alla oleva video ja mieti vastaavia esimerkkejä tekoälyn todellisista käyttötapauksista, joista olet kuullut, lukenut tai tiedät:
Heuristinen video



Kuten myös edellä mainitussa videossa selitetään, tekoälyssä yhdistyvät yksinkertaisimmillaan tietotekniikka ja vankat tietokokonaisuudet, jotta ongelmanratkaisu, päätöksenteko jne. olisi mahdollista.

Yksinkertaisimman määritelmän mukaan tekoäly (AI) on tietokoneen tai tietokoneen ohjaaman robotin kyky tehdä tehtäviä, jotka yleensä tekee ihminen, koska ne edellyttävät ihmisen älykkyyttä ja arvostelukykyä.

Tekoäly on koneiden osoittamaa älykkyyttä, toisin kuin ihmisten ja eläinten osoittama luonnollinen älykkyys. Tekoäly tarjoaa laajan valikoiman työkaluja, joiden avulla voidaan arvioida ja tuottaa parempaa tiedon integrointia ja tietojen analysointia päätöksenteon parantamiseksi. Tämä voidaan tehdä hyödyntämällä eri lähteistä kerättyjä tietoja eri alustoilla ja eri spektreillä. Näin tekoäly voi tarjota paremmat valmiudet valtavaan kehittyneisyyteen ja analytiikkaan. Avain kehittyneiden suuntausten ja yhteyksien parempaan analysointiin on tehokkaiden tekoälyominaisuuksien hyödyntäminen.  Pääsy valtaviin tietomääriin eri toimialoilta ja ekosysteemeistä, kuten rahoituksesta, terveydenhuollosta, älykkäistä kaupungeista, IoT:stä jne. tekoäly pystyy löytämään arvoa eri alojen eri osa-alueilta, jotka eivät liity toisiinsa, ja muokkaamaan kykyjään tuottamaan ylivoimaisia tuloksia omalla sovellusalueellaan.


Tekoäly käsittää koneoppimisen ja syväoppimisen osa-alueet, jotka mainitaan usein tekoälyn yhteydessä. Nämä tieteenalat koostuvat tekoälyalgoritmeista, joilla pyritään luomaan asiantuntijajärjestelmiä, jotka tekevät ennusteita tai luokitteluja syöttötietojen perusteella. Ennuste on sellaisen tapahtuman tai tapahtuman ennakointia, joka ei ole vielä tapahtunut, sen tapahtumiseen johtavien tietojen perusteella. Luokittelu on prosessia, jossa samanarvoisille asetetaan samanarvoisille samanarvoisille ja muodostetaan ryhmiä, joissa on homogeenisia jäseniä (esim. koirien ja kissojen kuvien erottaminen toisistaan). Luokittelu tehdään tiettyjen ominaisuuksien perusteella, jotka perustuvat luokiteltavien elementtien erilaiseen tietoon (esim. kissojen nenän tai silmien muoto)..


Yleensä tekoälyjärjestelmät toimivat siten, että ne keräävät suuria määriä merkittyä harjoitusdataa, analysoivat tietoja korrelaatioiden ja mallien löytämiseksi ja käyttävät näitä malleja ennusteiden tekemiseen tulevista tiloista.

Tällä tavoin esimerkiksi chatbot, jolle syötetään esimerkkejä tekstikeskusteluista, voi oppia tuottamaan elävän näköistä keskustelua ihmisten kanssa, tai kuvantunnistustyökalu voi oppia tunnistamaan ja kuvaamaan kohteita kuvissa tarkastelemalla miljoonia esimerkkejä.

Tekoälyn ohjelmoinnissa keskitytään kolmeen kognitiiviseen taitoon: oppimiseen, päättelyyn ja itsekorjaukseen. Kuvittele, millaisia mahdollisuuksia syntyy, kun tekoäly yhdistetään muihin nouseviin eksponentiaalisiin teknologioihin, kuten autonomisiin järjestelmiin, droneihin, kvanttilaskentaan, biotekniikkaan jne. Nämä eri alojen risteyskohdat mahdollistavat ja luovat uusien kykyjen aaltoja, jotka pystyvät muuttamaan ja häiritsemään eri toimialoja.

Tekoäly auttaa myös ennustamaan markkinoiden trendejä ja tuottamaan tulevia trendejä vastaavia tuotteita paljon tarkemmin. Se voi myös hallita paremmin logistiikkaa ja toimitusketjua.

Tekoäly on laajempi sateenvarjo, jonka alle koneoppiminen ja syväoppiminen kuuluvat. Kuten alla olevasta kaaviosta käy ilmi, syväoppiminen on koneoppimisen osajoukko. Kaikki kolme, tekoäly, koneoppiminen ja syväoppiminen, ovat vain toistensa alaryhmiä. Siirrytään siis eteenpäin ja ymmärretään, miten ne tarkalleen ottaen eroavat toisistaan.



(lähde: edureka.co)

Koneoppiminen (ML)

Kun olet katsonut Youtube-videon, mieti vastaavia tekoälyn käyttötapauksia jokapäiväisestä elämästäsi.
 
) 

MUITA ML-esimerkkejä: PERFORM AI-videoita:
-  Cape AI
-  ARUTEC

Koneoppiminen on tekoälyn sovellus, joka sisältää algoritmeja, jotka analysoivat tietoja, oppivat niistä ja soveltavat oppimaansa tietoon perustuvien päätösten tekemiseen.

Se tarkoittaa tekoälyyn perustuvan työkalun kykyä oppia. ML:n on määritellyt tietojenkäsittelytieteilijä ja koneoppimisen pioneeri Tom M. Mitchell: "Koneoppiminen on tutkimusta tietokonealgoritmeista, joiden avulla tietokoneohjelmat kehittyvät automaattisesti kokemuksen kautta."  Suomeksi koneoppiminen on määritelty seuraavasti:

Koneoppiminen on tekoälyn yksi alaryhmä. Koneoppimisessa kone parantaa suorituskykyään oppimalla itsenäisesti datasta ilman erillisiä toimintaohjeita. Suurin osa tekoälyä hyödyntävistä sovelluksista perustuu koneoppimiseen

ML on yksi keino, jolla odotamme saavuttavamme tekoälyn. Koneoppiminen perustuu työskentelyyn pienistä suuriin tietokokonaisuuksiin tutkimalla ja vertailemalla tietoja yhteisten mallien löytämiseksi ja vivahteiden tutkimiseksi.

Koneoppimisjärjestelmän tehtävä voi olla kuvaileva, eli järjestelmä käyttää tietoja selittämään, mitä tapahtui (esim. sosiaalisen median käyttö- ja sitoutumistiedot, kuten Instagram- tai Facebook-tykkäykset), ennakoiva, eli järjestelmä käyttää tietoja ennustamaan, mitä tulee tapahtumaan (esim. suorituskykyodotusten hallinnointi ja riskien välttäminen), tai määräävä, eli järjestelmä käyttää tietoja tekemään ehdotuksia siitä, mitä toimia tulisi toteuttaa (esim. investointipäätökset).

Voimme mainita erilaisia ML-tyyppejä, valvottu ML, valvomaton ML ja vahvistus ML. Federoitu ML on tapa tuottaa koneoppimista useilla palvelimilla, jotka työskentelevät hajautetuilla tietokokonaisuuksilla, ilman tietojen jakamista. Sitä kutsutaan myös yhteistoiminnalliseksi oppimiseksi.

ML-algoritmit muuttavat myyntiä ennakoivan analytiikan avulla ja parantavat käyttäjäkokemusta. Keräämällä enemmän tietoa asiakkaista teollisuus voi saada syvemmän ymmärryksen asiakkaan kiinnostuksen kohteista ja ostotottumuksista ja ehdottaa räätälöityjä tuotteita yksilöllisten kiinnostuksen kohteiden perusteella.

Syväoppiminen

Syväoppimisessa on kyse siitä, että tietokoneet oppivat ajattelemaan käyttäen ihmisaivojen mallin mukaisia rakenteita.


Itse asiassa kaikki syväoppiminen on koneoppimista, mutta kaikki koneoppiminen ei ole syväoppimista.
 
Syväoppiminen on koneoppimisen osa-alue, joka on pohjimmiltaan neuroverkko, jossa on useita kerroksia. Nämä neuroverkot pyrkivät simuloimaan ihmisaivojen käyttäytymistä - vaikkakaan ne eivät läheskään vastaa niiden kykyä - ja mahdollistavat "oppimisen" suurista tietomääristä. Vaikka neuroverkko, jossa on yksi kerros, voi silti tehdä likimääräisiä ennusteita, ylimääräiset piilokerrokset voivat auttaa optimoimaan ja tarkentamaan tarkkuutta.
Syväoppiminen on monien tekoälysovellusten ja -palvelujen taustalla, jotka parantavat automaatiota ja suorittavat analyyttisiä ja fyysisiä tehtäviä ilman ihmisen väliintuloa. Syväoppimisteknologia on sekä jokapäiväisten tuotteiden ja palvelujen (kuten digitaalisten avustajien, ääniohjattavien TV-kaukosäätimien ja luottokorttipetosten havaitsemisen) että uusien teknologioiden (kuten itseajavien autojen) taustalla. 

Lääketieteelliseen diagnostiikkaan liittyviä esimerkkejä ovat myös akuutin makuladegeneraation seuranta, multippeliskleroosista johtuvan väsymyksen kvantifiointi ja geneettisten autismihäiriöiden käyttäytymisilmiöiden mittaaminen prekliinisissä malleissa. Syväoppiminen alkoi suorittaa tehtäviä, joita oli mahdotonta tehdä klassisella sääntöpohjaisella ohjelmoinnilla. Varhaisessa vaiheessa olleet alat, kuten puheen- ja kasvojentunnistus, kuvien luokittelu ja luonnollisen kielen käsittely, ottivat yhtäkkiä suuria harppauksia.

Robottiprosessien automatisointi

Robottiprosessien automatisointi (RPA) on ohjelmistoteknologia, jonka avulla on helppo rakentaa, ottaa käyttöön ja hallita ohjelmistorobotteja, jotka jäljittelevät ihmisen toimia vuorovaikutuksessa digitaalisten järjestelmien ja ohjelmistojen kanssa. Ihmisten tavoin ohjelmistorobotit pystyvät esimerkiksi ymmärtämään, mitä näytöllä näkyy, suorittamaan oikeat näppäinpainallukset, navigoimaan järjestelmissä, tunnistamaan ja poimimaan tietoja sekä suorittamaan monenlaisia määriteltyjä toimintoja. Mutta ohjelmistorobotit voivat tehdä sen nopeammin ja johdonmukaisemmin kuin ihmiset, ilman että heidän tarvitsee nousta ylös ja venytellä tai pitää kahvitauot.


RPA-teknologia on muuttamassa sitä, miten maailmassa tehdään töitä. Ohjelmistorobotit tekevät ihmisten sijasta toistuvia ja vähemmän arvokkaita töitä, kuten kirjautumista sovelluksiin ja järjestelmiin, tiedostojen ja kansioiden siirtämistä, tietojen poimimista, kopioimista ja lisäämistä, lomakkeiden täyttämistä sekä rutiinianalyysien ja -raporttien laatimista. Kehittyneet robotit voivat jopa suorittaa kognitiivisia prosesseja, kuten tulkita tekstiä, osallistua keskusteluihin, ymmärtää jäsentymätöntä dataa ja soveltaa kehittyneitä koneoppimismalleja monimutkaisten päätösten tekemiseen. Kun robotit hoitavat tällaisia toistuvia, suuren määrän tehtäviä, ihmiset voivat keskittyä niihin asioihin, jotka he osaavat parhaiten ja joista he nauttivat enemmän: innovointiin, yhteistyöhön, luomiseen ja vuorovaikutukseen asiakkaiden kanssa. Myös yritykset hyötyvät: tuottavuus, tehokkuus ja joustavuus paranevat. Ei ole ihme, että RPA kirjoittaa työn tarinaa uudelleen.


Esimerkkejä robottiprosessien automatisoinnista käytännössä


Osoittaaksemme, miten laajalle RPA:n hyödyllisyys on levinnyt (ja miksi niin monet investoivat siihen), olemme koonneet listan tosielämän esimerkkejä siitä, miten RPA auttaa yrityksiä vähentämään kustannuksia, säästämään aikaa, pysymään kilpailukykyisinä ja tekemään parempaa työtä.


Puhelinkeskustoiminta
 RPA-teknologia voi tukea monia puhelinpalvelukeskusten vastaanottamia asiakaspyyntöjä; yleiset asiakaskyselyt ja ratkaisut voidaan antaa asiamiehille kojelaudan kautta. Kun asia siirretään asiakaspalvelijoiden käsiteltäväksi, RPA voi auttaa kokoamaan kaikki asiakasta koskevat tiedot yhdelle näytölle, jolloin asiamiehillä on käytettävissään kaikki tiedot, joita he tarvitsevat useista järjestelmistä tarjotakseen esimerkillistä palvelua.
Luottokorttihakemukset

 

Nykyään botit käsittelevät kulissien takana suurimman osan luottokorttihakemuksista. Ne voidaan ohjelmoida hoitamaan helposti kaikki prosessin osa-alueet tietojen ja asiakirjojen keräämisestä, luotto- ja taustatietojen tarkistamisesta ja lopulta päättämään, onko hakija luoton saamisen arvoinen, ja myöntämään varsinaisen kortin.

Help desk

Ensimmäisenä linjana käyttäjien teknisiin ongelmiin vastaamisessa RPA voi auttaa vähentämään inhimillisen neuvontapalvelun työmäärää hoitamalla yksinkertaisia, toistuvia kysymyksiä. Nämä ensimmäisen tason teknisen tuen ongelmat ovat yksinkertaisia mutta aikaa vieviä. Lisäksi robottien suorittamat säännölliset yrityksen tietokonejärjestelmien diagnostiikkatestit auttavat IT-henkilöstöä pysymään ongelmien edellä.

MUITA LINKKEJÄ: VIDEOITA JA/TAI HYÖDYLLISIÄ LINKKEJÄ

●Johdatus tekoälyyn

  
● Dokumentelokuva tekoälystä

Viitteet

●       https://www.techtarget.com/searchenterpriseai/definition/AI-Artificial-Intelligence

●       https://www.europarl.europa.eu/news/en/headlines/society/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used

●       Hatamleh, Omar; Tilesch, George. Aivojen välissä: Taking back our AI Future. Kindle Edition, https://betweenbrains.ai/

●       Koneoppimisen määritelmä, 2020, Expert AI, https://www.expert.ai/blog/machine-learning-definition/

●       Machine Learning, 2017 SAS Institute Inc., sas.com/content/dam/SAS/documents/marketing-whitepapers-ebooks/sas-whitepapers/en/machine-learning-primer-108796.pdf.

●       Tekoäly: Ajay Agrawal, Joshua S. Gans ja Avi Goldfarb; https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.33.2.31.

●       Robottiprosessiautomaation määritelmä, UiPath, https://www.uipath.com/rpa/robotic-process-automation

●       https://ai.google/about/

●       https://www.expert.ai/blog/machine-learning-definition/

●       https://www.geeksforgeeks.org/machine-learning/

https://www.predictionmachines.ai/

Itsearvioint

Katso se ja vastaa seuraaviin kysymyksiin. Kysymykset: Mitä mieltä olet tekoälyn vaikutuksista/hyödyistä yhteiskunnassa?




Harjoituksia

Harjoitustehtävä: Monivalinta

Katso PERFORM AI -animaatio ja vastaa alla olevaan kysymykseen.





Mitä ratkaisua BIYECTIVA käyttää lääketieteellisen diagnostiikan prosessien helpottamiseen:

Analyysialusta yhdistää lääkärin arvion ja tiedot mallissa, jotta lääkärin päätös olisi objektiivisempi.
Se on "lineaarinen" päätöksenteon tukijärjestelmä, joka EI ole organisoitu hierarkkisiin kerroksiin (se olisi syväoppimista).

Harjoitustehtävä: Monivalinta


Katso PERFORM AI -animaatio ja vastaa alla olevaan kysymykseen.

Mitä ratkaisua HEURISTIK käyttää liiketoimintaprosessiensa helpottamiseen:

He ovat kehittäneet hermoverkon sormenjälkien tunnistamiseen erityisen vaikeissa olosuhteissa (veri- ja muut tahrat ja lika jne.); hermoverkot ovat Deep Learning -työkaluja.

Harjoitustehtävä: Monivalinta



Katso animaatiot ja Hotelway Oy, ja merkitse, millaista ohjelmistoteknologiaa yritykset käyttävät:

He ovat erikoistuneet vierasviestintävälineisiin, kuten chatbotteihin ja muihin (jotka ovat RPA-työkaluja).

Harjoitustehtävä: Monivalinta


Tarkista vähintään 3 esimerkkiä tekoälyn todellisesta käyttötapauksesta, joka mainitaan videolla!

Harjoitustehtävä: Monivalinta

Mitkä ovat tekoälyn kaksi luokkaa?

Harjoitustehtävä: Monivalinta

Mitä alla olevista tekoälyhankkeista ei ole vielä olemassa?

Harjoitus: Totta / Väärin

Onko ihmisellä tässä tekoälyn kehityksen alkuvaiheessa edelleen keskeinen ja paradigmaattinen rooli siinä, miten hän voi hahmottaa, suunnitella ja muokata tekoälyn ajattelutapaa?

Harjoitus: Totta / Väärin

DL:n avulla terveydenhuollon ammattilaiset voivat tehdä potilasarviointeja tarkemmin, nopeuttaa sairauksien diagnosointia ja mahdollisesti parantaa hengenvaarallisten tilojen varhaista havaitsemista, mikä johtaa oikea-aikaisiin lääketieteellisiin toimenpiteisiin ja tehokkaampiin hoitovaihtoehtoih

Harjoitus: Totta / Väärin

ML-algoritmit muuttavat myyntiä ennakoivan analytiikan avulla ja parantavat käyttäjäkokemusta.

Harjoitus: Totta / Väärin

Tarkoittaako koneoppiminen sitä, että järjestelmä voi oppia datasta?

Harjoitus: Totta / Väärin

Kun käytät robottiprosessien automatisointia toistuviin, suuren volyymin tehtäviin, vapauttaako se sinut keskittymään niihin asioihin, jotka osaat parhaiten ja joista nautit enemmän: innovointiin, yhteistyöhön, luomiseen ja vuorovaikutukseen asiakkaiden kanssa?

Harjoitus: Totta / Väärin

Perinteiset koneoppimisalgoritmit ovat lineaarisia, eikä syväoppimisalgoritmeja ole pinottu monimutkaisuuden ja abstraktion lisääntyvän hierarkian mukaisesti.

(DL-algoritmit on pinottu hierarkiaan).

Harjoitus: Totta / Väärin

Tekoäly on liian monimutkaista, joten sitä ei voida käyttää tiedon arviointiin, tiedon parempaan integrointiin, tietojen analysointiin ja päätöksenteon parantamiseen.

(Tekoäly  on monimutkainen, mutta sitä voidaan käyttää tiedon arviointiin jne.).
Erasmus logo
Euroopan komission tuki tämän julkaisun tuottamiseen ei tarkoita sitä, että sisältö, joka kuvastaa pelkästään tekijöiden näkemyksiä, saa kannatusta, eikä komissiota voida saattaa vastuuseen niiden sisältämien tietojen mahdollisesta käytöstä.
All rights reserved © 2021
cookiecookiefigyelmeztetes