Architektura umělé logiky

Umělé Intelligence (AI) je schopnost počítače napodobovat inteligentní lidské chování. Pomocí AI můžou počítače analyzovat obrázky, pochopit řeč, komunikovat přirozeným způsobem a vytvářet předpovědi pomocí dat.

Ilustrace znázorňující vztah umělé logiky jako nadřazený koncept. V rámci AI je strojové učení. Ve strojovém učení je obsáhlý Learning.

Koncepty AI

Algoritmus

Algoritmus je posloupnost výpočtů a pravidel, která se používají k řešení problému nebo analýze sady dat. Je podobně jako vývojový diagram s podrobnými pokyny pro otázky, které je třeba klást, ale jsou napsány v matematickém a programovacím kódu. Algoritmus může popsán, jak určit, jestli je PET, psa, ryby, pták nebo Lizard. Další mnohem komplikovanější algoritmus může popsat, jak identifikovat napsaný nebo mluvený jazyk, analyzovat jeho slova, překládat je do jiného jazyka a pak vyhledat přesnost v překladu.

Strojové učení

Machine learning (ML) je technika AI, která využívá matematické algoritmy k vytváření prediktivních modelů. Algoritmus slouží k analýze datových polí a k "učení" z těchto dat pomocí vzorů nalezených v rámci IT za účelem generování modelů. Tyto modely se pak používají k informování o nových datech a jejich předpovědii.

Prediktivní modely jsou ověřeny proti známým datům, měřené podle metrik výkonu vybraných pro konkrétní obchodní scénáře a pak podle potřeby upravovat. Tento proces učení a ověřování se nazývá školení. pomocí pravidelného přeškolení se ML modely v průběhu času zlepšily.

Hloubkové učení

obsáhlý learning je typ ML, který se může určit sami, ať už je jeho předpovědi přesný. Používá také algoritmy k analýze dat, ale má větší měřítko než ML.

Obsáhlý Learning používá umělé neuronové sítě, které se skládají z několika vrstev algoritmů. Každá vrstva si vyhledá příchozí data, provede svoji vlastní specializovanou analýzu a vytvoří výstup, který může pochopit jiné vrstvy. Tento výstup se pak předává do další vrstvy, kde jiný algoritmus vlastní analýzu a tak dále.

U mnoha vrstev v každé neuronové síti a někdy používání více neuronové sítí – počítač se může naučit pomocí vlastního zpracování dat. To vyžaduje mnohem více dat a mnohem vyšší výpočetní výkon než ML.

Roboti

Robot je automatizovaný softwarový program navržený tak, aby provedl určitou úlohu. Představte si ho jako robot bez těla. Předčasné roboty byly relativně jednoduché a zpracování opakujících se a voluminous úloh s poměrně jednoduchou logikou algoritmu. Příkladem mohou být webové prohledávací moduly používané vyhledávacími weby k automatickému prohlížení a katalogu webového obsahu.

Robotyy jsou mnohem důmyslnější a využívají AI a další technologie k napodobování lidského aktivity a rozhodování, často při interakci s lidmi pomocí textu nebo dokonce řeči. Mezi příklady patří roboty, která může vzít v úvahu rezervaci na večeři, chatovacích robotů o (nebo konverzační AI), která usnadňuje interakce zákaznických služeb a sociální roboty, které zveřejňují zajímavá oznámení nebo vědecká data na webu sociálních médií.

Microsoft nabízí Azure Bot Service a účel spravované služby pro vývoj robotů na podnikové úrovni.

Autonomní systémy

Autonomní systémy jsou součástí vyvíjející se nové třídy, která přesahuje základní automatizaci. Místo provedení konkrétního úkolu s minimální nebo žádnou variací (například roboty do) přinášejí autonomní systémy informace pro počítače, aby se mohly přizpůsobit měnícím se prostředím, aby dosáhli požadovaného cíle.

Inteligentní budovy používají autonomní systémy k automatickému řízení operací, jako je osvětlení, větrání, klimatizace a zabezpečení. Propracovanějším příkladem může být robot s vlastním pořízením, který prozkoumá sbalenou hřídeli, aby bylo možné důkladně namapovat svůj vnitřek, zjistit, které části jsou strukturálně zdravé, analyzovat vzduch pro breathability a detekovat známky chycených dolování hlásíů v reálném čase na vzdáleném konci.

Obecné informace o Microsoft AI

Další informace o Microsoft AI a udržování aktuálnosti souvisejících novinek:

Typy architektury na nejvyšší úrovni

Předem sestavené AI

Předem sestavené AI je přesně to, co zvuk používá – mimo jiné modely, služby a rozhraní API, které jsou připravené k použití. Tyto informace vám pomůžou s přidáním inteligentních funkcí do aplikací, webů a toků, aniž byste museli shromažďovat data a pak sestavovat, vytvářet výuku a publikovat vlastní modely.

Jedním z předdefinovaných AI může být předem vyvinutý model, který se dá integrovat tak, jak je, nebo se používá k poskytnutí směrného plánu pro další vlastní školení. Dalším příkladem může být cloudová služba API, kterou je možné volat na základě toho, aby se v požadovaném způsobem zpracovával přirozený jazyk.

Azure Cognitive Services

Cognitive Services poskytují vývojářům možnost využít předem vytvořená rozhraní API a integrační sady nástrojů k vytváření aplikací, které můžou zobrazit, slyšet, mluvit, pochopit a dokonce i začít. Katalog služeb v rámci Cognitive Services je možné rozdělit na pět hlavních pilířů: Vision, Speech, Language, Vyhledávání na webu a rozhodnutí nebo doporučení.

Předem připravené modely AI v Tvůrci AI

Sestavovatelé systému pro iOS je nová funkce platformy Microsoft Power Platform , která poskytuje rozhraní typu Point-to-a pro přidání AI do vašich aplikací, i když nemáte žádné znalosti v oblasti kódování nebo vědeckého zpracování dat. (Některé funkce v Tvůrci AI ještě nebyly vydány pro obecnou dostupnost a zůstávají ve stavu Preview. Další informace najdete na stránce dostupnost funkcí podle oblasti .)

Můžete vytvářet a vyvíjet vlastní modely, ale program pro rozpoznávání AI také nabízí možnost vybrat předem připravené modely AI , které jsou připravené k použití hned. můžete například přidat komponentu do Microsoft Power Apps na základě předem připraveného modelu, který rozpoznává kontaktní údaje z obchodních karet.

Vlastní AI

I když je předem sestavený AI užitečný (a stále flexibilní), nejlepším způsobem, jak zjistit, co potřebujete z AI, je pravděpodobně vytvořit systém sami. Je to zjevně velmi obsáhlý a složitý předmět, ale podívejme se na některé základní koncepty nad rámec toho, co jsme právě pokryli.

Jazyky kódu

Základní pojem AI je použití algoritmů k analýze dat a generování modelů pro popis (neboli skóre), které jsou užitečné. S využitím programovacího kódu píší vývojáři a odborníci na data (a někdy jinými algoritmy) algoritmy. Dva z nejoblíbenějších programovacích jazyků pro vývoj AI jsou v současnosti Python a R.

Python je obecným programovacím jazykem vysoké úrovně. Má jednoduchou, snadno podrobnější syntaxi, která zvýrazňuje čitelnost. Neexistuje žádný krok kompilace. Python má velkou standardní knihovnu, ale podporuje taky možnost přidávat moduly a balíčky. To podporuje modularitu a umožňuje v případě potřeby rozšířit možnosti. existuje velký a rostoucí ekosystém knihoven AI a ML pro Python, včetně mnoha těch, které jsou v Azure snadno dostupné.

R je jazyk a prostředí pro statistické výpočty a grafiku. Dá se použít pro vše od mapování širokého sociálního a marketingového trendu online pro vývoj finančních a klimatických modelů.

Společnost Microsoft plně spolupracovala s programovacím jazykem R a poskytuje mnoho různých možností pro vývojáře v jazyce R, které spouštějí kód v Azure.

Školení

Školení je základem strojového učení. Je iterativním procesem "výuky" algoritmu pro vytváření modelů, které se používají k analýze dat a provádění přesného předpovědií. V praxi má tento proces tři obecné fáze: školení, ověřování a testování.

Během fáze školení je sada kvality známých dat označena tak, aby jednotlivá pole byla identifikovatelná. Příznakovaná data se dodávat do algoritmu nakonfigurovaného pro konkrétní předpověď. Po dokončení algoritmus vypíše model, který popisuje vzory, které našel jako sadu parametrů. Při ověřování se k testování modelu použijí nová data. Algoritmus se podle potřeby upraví a může být zavedený prostřednictvím dalšího školení. Nakonec testovací fáze používá data z reálného světa bez jakýchkoli značek nebo předem vybraných cílů. Za předpokladu, že výsledky modelu jsou přesné, je považováno za připravené k použití a lze je nasadit.

Ladění hyperparametrů

V parametrech jsou proměnné dat, které řídí školicí proces sám. Jedná se o proměnné konfigurace, které řídí, jak algoritmus funguje. Před zahájením školení modelů se obvykle nastavují parametry, které se v rámci školicího procesu ve způsobu, jakým jsou parametry, nemění. Ladění parametrů zahrnuje spuštění zkušebních verzí v rámci školicí úlohy a vyhodnocení toho, jak dobře se tato úloha dokončí, a pak podle potřeby upravte. Tento proces generuje více modelů, z nichž každý je vyškolený pomocí různých rodin parametrů.

Výběr modelu

Proces školení a ladění parametrů vytváří řadu kandidátských modelů. Mohou mít mnoho různých odchylek, včetně úsilí potřebného k přípravě dat, flexibility modelu, množství času zpracování a samozřejmě míry přesnosti výsledků. Výběr nejlépe vyučeného modelu podle vašich potřeb a omezení se nazývá model selection, ale je to mnohem o předplánování před školením, protože se jedná o výběr toho, který nejlépe funguje.

Automatizované Machine Learning (AutoML)

Automatizované Machine Learning, označovaný také jako AutoML, je proces automatizace časově náročných iterativních úloh vývoje modelů strojového učení. může výrazně zkrátit dobu potřebnou k získání modelem ML připraveného pro produkční prostředí. automatizované ML můžou pomoct s výběrem modelu, vyladěním parametrů, školením modelů a dalšími úkoly, a to bez nutnosti rozsáhlého programování nebo znalostí v doméně.

Vyhodnocování

Bodování se také označuje jako předpověď a jedná se o proces generování hodnot založených na školicím modelu strojového učení s ohledem na některá nová vstupní data. Hodnoty nebo skóre, které jsou vytvořeny, mohou představovat předpovědi budoucích hodnot, ale mohou představovat také pravděpodobně kategorii nebo výsledek. Proces bodování může generovat mnoho různých typů hodnot:

  • Seznam doporučených položek a skóre podobnosti

  • Číselné hodnoty pro modely časových řad a regresní modely

  • Hodnota pravděpodobnosti, která indikuje pravděpodobnost, že nový vstup patří do některé existující kategorie

  • Název kategorie nebo clusteru, na který je nová položka podobná

  • Předpokládaná třída nebo výsledek pro modely klasifikace

Dávkové vyhodnocování je, když se data shromažďují během určité doby a pak se zpracovávají v dávce. To může zahrnovat generování obchodních sestav nebo analýzu loajality zákazníků.

Bodování v reálném čase je přesně to, co je bodování a co nejrychleji probíhá. Klasickým příkladem je zjišťování podvodů kreditními kartami, ale bodování v reálném čase je také možné použít při rozpoznávání řeči, lékařské diagnostice, analýzách na trhu a mnoha dalších aplikacích.

Obecné informace o vlastním AI v Azure

Nabídky platformy Azure AI

Následuje přehled technologií, platforem a služeb Azure, které můžete použít k vývoji řešení AI pro vaše potřeby.

Azure Machine Learning

Toto je služba Machine Learning na podnikové úrovni k rychlejšímu sestavování a nasazování modelů. Azure Machine Learning nabízí webová rozhraní a sady sdk, abyste mohli rychle naučit a nasazovat modely a kanály ve službě Machine Learning ve velkém měřítku. K těmto funkcím můžete přistupovat z opensourcových architektur Pythonu, jako jsou PyTorch, TensorFlow a scikit-learn.

Referenční architektury Machine Learning pro Azure

Automatizované Machine Learning v Azure

Azure poskytuje rozsáhlou podporu pro automatizované ML. Vývojáři mohou vytvářet modely pomocí uživatelského rozhraní bez kódu nebo prostřednictvím prostředí poznámkových bloků pro první kód.

Azure Cognitive Services

Toto je komplexní rodina služeb AI a rozpoznávání rozhraní API, které vám pomůžou při vytváření inteligentních aplikací. Tyto předdefinované modely AI pro konkrétní doménu je možné přizpůsobit pomocí vašich dat.

Toto je cloudová vyhledávací služba s podporou AI pro vývoj mobilních a webových aplikací. Služba může hledat v privátním obsahu heterogenní s možnostmi pro obohacení AI, pokud je váš obsah nestrukturovaný nebo Neprohledávatelný v nezpracované podobě.

Azure Bot Service

Toto je účelové vývojové prostředí pro roboty s předem připravenými šablonami, které vám umožní rychle začít.

Apache Spark v Azure

Apache Spark je paralelní architektura pro zpracování, která podporuje zpracování v paměti pro zvýšení výkonu analytických aplikací s velkým objemem dat. Spark poskytuje primitivy pro clusterové výpočty v paměti. Úloha Spark může načítat data a ukládat je do paměti a opakovaně je dotazovat, což je mnohem rychlejší než aplikace založené na discích, jako je Hadoop.

Apache Spark ve službě Azure HDInsight je implementace Apache Spark v cloudu od Microsoftu. clustery Spark v HDInsight jsou kompatibilní s Azure Storage a Azure Data Lake Storage, takže můžete pomocí clusterů HDInsight Spark zpracovávat vaše Data uložená v Azure.

knihovna microsoft Machine Learning pro Apache Spark je MMLSpark (microsoft ML pro Apache Spark). Je to open source knihovna, která do ekosystému Sparku přidává mnoho nástrojů pro hloubkové učení a datové vědy, možnosti sítě a výkon produkčního prostředí. Přečtěte si další informace o funkcích a schopnostech MMLSpark.

Azure Databricks Runtime pro Machine Learning

Azure Databricks je analytická platforma založená na Apache Spark s nastavením jedním kliknutím, zjednodušenými pracovními postupy a interaktivním pracovním prostorem pro spolupráci mezi odborníky na data, inženýry a obchodními analytiky.

Databricks Runtime pro Machine Learning (Databricks Runtime ML) umožňuje spustit cluster datacihly se všemi knihovnami potřebnými pro distribuované školení. Nabízí prostředí připravené k použití pro Machine Learning a datové vědy. Navíc obsahuje několik oblíbených knihoven, včetně TensorFlow, PyTorch, Keras a XGBoost. Podporuje také distribuované trénování s využitím Horovodu.

Příběhy zákazníků

Různé obory používají AI v inovativních a inspirativních způsobech. Níže jsou uvedené řady případných zákaznických studií a úspěšnosti:

Procházet Další příběhy zákazníků AI

Další kroky