Архитектура искусственного интеллекта

Искусственный интеллект (ии) — это способность компьютера имитировать интеллектуальное поведение человека. С помощью искусственного интеллекта компьютеры могут анализировать изображения, понимать речь, взаимодействовать естественным образом и делать прогнозы с помощью данных.

Иллюстрация, описывающая связь искусственного интеллекта как родительской концепции. В AI это машинное обучение. В машинном обучении — глубокое обучение.

Основные понятия искусственного интеллекта

Алгоритм

Алгоритм — это последовательность вычислений и правил, используемых для решения проблемы или анализа набора данных. Он подобен блок-схеме, с пошаговыми инструкциями для задаваемых вопросов, но написанными на математических и программном коде. Алгоритм может описывать, как определить, относится ли Pet к категории CAT, собака, рыба, Лизард или с высоты. Еще один гораздо более сложный алгоритм может описывать, как определить написанный или речевой язык, проанализировать его слова, преобразовать их в другой язык, а затем проверить правильность перевода.

Машинное обучение

машинное обучение (ML) — это методика искусственного интеллекта, которая использует математические алгоритмы для создания прогнозных моделей. Алгоритм используется для анализа полей данных и для «обучения» из этих данных с помощью шаблонов, содержащихся в нем, для создания моделей. Затем эти модели используются для принятия информированных прогнозов или решений о новых данных.

Прогнозные модели проверяются на соответствие известным данным, измеряемым метриками производительности, выбранными для конкретных бизнес-сценариев, и затем корректируются по мере необходимости. Этот процесс обучения и проверки называется обучением. благодаря периодической повторному обучению ML модели улучшаются с течением времени.

Глубокое обучение

глубокое обучение — это тип ML, который может самостоятельно определить, являются ли его прогнозы точными. Он также использует алгоритмы для анализа данных, но делает это на более крупном масштабе, чем ML.

В глубоком обучении используются искусственные нейронные сети, состоящие из нескольких уровней алгоритмов. Каждый слой рассматривает входящие данные, выполняет собственный специализированный анализ и выдает выходные данные, которые могут быть понятны на других уровнях. Затем эти выходные данные передаются на следующий слой, где другой алгоритм выполняет собственный анализ и т. д.

С множеством уровней в каждой нейронной сети и иногда с использованием нескольких нейронных сетей — компьютер может изучать собственную обработку данных. Для этого требуется гораздо больше данных и вычислительной мощности гораздо больше, чем ML.

Боты

Bot — это автоматизированная программа, предназначенная для выполнения определенных задач. Рассматривайте его как робота без текста. Ранние программы-роботы были сравнительно простыми, обрабатывая повторяющиеся и волуминаус задачи с относительно простой алгоритмной логикой. В качестве примера можно привести веб-обходчики, используемые поисковыми механизмами для автоматического просмотра и каталогизации веб-содержимого.

Программы-роботы стали гораздо более сложными, используя AI и другие технологии для имитации действий человека и принятия решений, часто при взаимодействии с людьми с помощью текста или даже речи. К примерам относятся программы-роботы, которые могут принимать участие в обеде, чатботс (или в беседах), которые помогают в взаимодействии со службой поддержки клиентов, а также социальные программы-роботы, которые раз Новости или научных данных на сайтах социальных сетей.

Корпорация Майкрософт предлагает службу Azure Bot — управляемую цель службы, созданную для разработки с помощью программы-робота корпоративного класса.

Автономные системы

Автономные системы являются частью развивающегося нового класса, который выходит за рамки базовой автоматизации. Вместо того чтобы выполнять определенную задачу несколько раз с небольшими вариациями (например, программы-роботы Do), автономные системы переносят аналитику на компьютеры, чтобы они могли адаптироваться к изменяющимся средам для достижения нужной цели.

Интеллектуальные здания используют автономные системы для автоматического управления такими операциями, как освещение, вентиляция, кондиционирование воздуха и безопасность. Более сложный пример — это самонаправленный робот, изучающий свернутую Шафту, чтобы тщательно сопоставлять свою внутреннюю часть, определять, какие фрагменты являются структурными, анализировать воздух для бреасабилити и обнаруживать признаки перехваченных занимающихся анализом в реальном времени.

Общие сведения о Microsoft AI

Дополнительные сведения о Microsoft AI и актуальные новости см. здесь:

Типы архитектуры высокого уровня

Предварительно созданное AI

Предварительно подготовленный искусственный интеллект — это именно то, что ИТ-модель, службы и API-интерфейсы, готовые к использованию. Они помогают добавлять средства аналитики к приложениям, веб-сайтам и потокам без необходимости собирать данные, а затем создавать, обучать и публиковать собственные модели.

Одним из примеров предварительно подготовленного искусственного интеллекта может быть предварительно обученная модель, которую можно включить как или использовать для предоставления базовых показателей для дополнительного обучения. Еще один пример — облачная служба API, которую можно вызывать в, чтобы обрабатывать естественный язык нужным образом.

Azure Cognitive Services

Cognitive Services предоставить разработчикам возможность использовать готовые API-интерфейсы и наборы средств интеграции для создания приложений, которые могут видеть, слышать, говорить, понимать и даже приступить к работе. Каталог служб в Cognitive Services можно разделить на пять основных принципов: концепция, речь, язык, Поиск в Интернете, а также принятие решений и рекомендаций.

Предварительно созданные модели AI в построителе искусственного интеллекта

Построитель искусственного интеллекта — это новая возможность в платформе Microsoft Power Platform , которая предоставляет интерфейс «точка-щелчок» для добавления AI в приложения, даже если вы не имеете навыков по программированию и обработке и анализу данных. (Некоторые функции в построителе искусственного интеллекта еще не выпущены для общедоступной версии и остаются в состоянии предварительного просмотра. Дополнительные сведения см. на странице доступность функций по регионам .)

Вы можете создавать и обучать собственные модели, но построитель AI также предоставляет возможность выбора предварительно подготовленных моделей AI , готовых к использованию. например, можно добавить компонент в Microsoft Power Apps на основе предварительно построенной модели, которая распознает контактные данные из визитных карточек.

Настраиваемый ИИ

Хотя предварительно подготовленный AI полезен (и более гибким), лучшим способом получения необходимых вам возможностей из искусственного интеллекта может быть создание системы самостоятельно. Это, очевидно, очень глубокая и сложная тема, но давайте рассмотрим некоторые основные понятия, которые мы только что узнали.

Языки кода

Основной концепцией искусственного интеллекта является использование алгоритмов для анализа данных и создания моделей для описания (или оценки) этих методов. Алгоритмы пишутся разработчиками и специалистами по обработке и анализу данных (а иногда другими алгоритмами) с помощью программного кода. В настоящее время два наиболее популярных языка программирования для разработки искусственного интеллекта — это Python и R.

Python — универсальный и высокоуровневый язык программирования. Он содержит простой и простой в изучении синтаксис, который подчеркивает удобочитаемость. Этап компиляции отсутствует. Python имеет обширную стандартную библиотеку, но она также поддерживает добавление модулей и пакетов. Это способствует модульности и позволяет расширить возможности при необходимости. существует большая и растущее экосистема библиотек AI и ML для Python, включая многие, которые доступны в Azure.

R — это язык и среда для статистических вычислений и графики. Она может использоваться для всех элементов, от сопоставления широкого круга и рыночных тенденций в Интернете до разработки финансовых и погодных моделей.

Корпорация Майкрософт полностью приработала язык программирования R и предоставляет различные возможности для разработчиков R, которые выполняют свой код в Azure.

Обучение

Обучение основано на машинном обучении. Это итеративный процесс «обучения» алгоритма создания моделей, которые используются для анализа данных и последующего выполнения точных прогнозов. На практике этот процесс состоит из трех основных этапов: обучения, проверки и тестирования.

На этапе обучения набор известных данных помечается с учетом того, что отдельные поля идентифицируются. Помеченные данные подаются в алгоритм, настроенный для создания конкретного прогноза. По завершении алгоритм выводит модель, которая описывает закономерности, найденные в виде набора параметров. Во время проверки новые данные помечаются тегами и используются для проверки модели. Алгоритм корректируется по мере необходимости и, возможно, в ходе обучения. Наконец, на этапе тестирования используются реальные данные без тегов или предварительно выбранных целевых объектов. Предполагая, что результаты модели являются точными, она считается готовой к использованию и может быть развернута.

Настройка гиперпараметров

Параметры — это переменные данных, которые управляют процессом обучения. Это переменные конфигурации, управляющие работой алгоритма. Таким образом, параметры, как правило, задаются до начала обучения модели и не изменяются в процессе обучения в том виде, в котором эти параметры имеют значение. Настройка параметров подсистемы включает в себя выполнение пробных испытаний в рамках задачи обучения, оценку того, насколько успешно выполняется задание, и последующей корректировкой по мере необходимости. Этот процесс создает несколько моделей, каждая из которых обучена с помощью различных семейств параметров.

выбор модели;

Процесс подготовки и настройки параметров обучения создает множество потенциальных моделей. Они могут иметь множество различных отклонений, в том числе усилия, необходимые для подготовки данных, гибкость модели, объем времени обработки и, конечно, степень точности ее результатов. Выбор наилучшей обученной модели для ваших потребностей и ограничений называется model селектиоn, но это очень важно для предварительного планирования перед обработкой, так как это наиболее подходящее решение.

Автоматизированное машинное обучение (Аутомл)

Автоматизированное машинное обучение, также известное как аутомл, представляет собой процесс автоматизации ресурсоемких задач разработки моделей машинного обучения. это может значительно сократить время, затрачиваемое на получение готовых к производству ML моделей. автоматизированные ML помогают выбрать модель, настройку параметров, обучение модели и другие задачи, не требуя всестороннего программирования или знания предметной области.

оценка.

Оценка также называется прогнозом и представляет собой процесс создания значений на основе обученной модели машинного обучения с учетом новых входных данных. Создаваемые значения (или оценки) могут представлять прогнозы будущих значений, но они также могут представлять вероятную категорию или результат. Процесс оценки может создавать различные типы значений:

  • Список рекомендуемых элементов и показатель подобия

  • Числовые значения для моделей временных рядов и моделей регрессии

  • Значение вероятности, указывающее вероятность того, что новые входные данные принадлежат к некоторой существующей категории

  • Имя категории или кластера, в котором наиболее похож новый элемент

  • прогнозируемый класс или результат для моделей классификации;

Пакетная Оценка используется, когда данные собираются в течение некоторого фиксированного периода времени, а затем обрабатываются в пакете. Это может быть создание бизнес-отчетов или анализ постоянных клиентов.

Оценка в режиме реального времени — это точная оценка, которая выполняется как можно быстрее. Классический пример — обнаружение мошенничества с кредитными картами, но оценка в реальном времени также может использоваться в распознавании речи, медицинских исследованиях, анализа рынка и многих других приложениях.

Общие сведения о пользовательском AI в Azure

Предложения платформы Azure искусственного интеллекта

Ниже приведена подразделение технологий, платформ и служб Azure, которые можно использовать для разработки решений искусственного интеллекта в своих нуждах.

Машинное обучение Azure

Это служба машинного обучения корпоративного уровня для быстрого создания и развертывания моделей. Машинное обучение Azure предлагает веб-интерфейсы и пакеты sdk, чтобы вы могли быстро обучать и развертывать модели машинного обучения и конвейеры в нужном масштабе. Использовать эти возможности можно с помощью платформ Python с открытым кодом, например PyTorch, TensorFlow и scikit-learn.

Эталонные архитектуры машинного обучения для Azure

Автоматизированное машинное обучение Azure

Azure обеспечивает расширенную поддержку автоматизированных ML. Разработчики могут создавать модели с помощью пользовательского интерфейса без кода или с помощью возможностей ноутбуков с использованием кода.

Azure Cognitive Services

Это комплексное семейство служб ии и API-интерфейсов для упрощения создания интеллектуальных приложений. Эти связанные с конкретными доменами предварительно обученные модели искусственного интеллекта можно настроить с помощью данных.

Это облачная служба поиска на основе искусственного интеллекта для разработки мобильных и веб-приложений. Служба может выполнять поиск по частному содержимому разнородных с возможностью обогащения искусственного интеллекта, если содержимое неструктурировано или недоступно для поиска в необработанном виде.

Служба Azure Bot

Это готовая среда для разработки в виде роботов с готовыми шаблонами для быстрого начала работы.

Apache Spark в Azure

Apache Spark — это платформа параллельной обработки, поддерживающая обработку в памяти для повышения производительности приложений аналитики больших данных. Spark предоставляет примитивы для кластерных вычислений в памяти. Задание Spark может загружать и кэшировать данные в памяти и периодически повторять запросы, что намного быстрее, чем на дисковых приложениях, таких как Hadoop.

Apache Spark в Azure HDInsight — это реализация Майкрософт Apache Spark в облаке. кластеры spark в hdinsight совместимы с служба хранилища Azure и Azure Data Lake Storage, поэтому вы можете использовать кластеры HDInsight spark для обработки данных, хранящихся в Azure.

библиотека microsoft Машинное обучение для Apache Spark — MMLSpark (microsoft ML для Apache Spark). Это библиотека с открытым исходным кодом, которая добавляет в экосистему Spark множество средств для глубокого обучения и обработки и анализа данных, сетевых возможностей и производительности производственного класса. Дополнительные сведения о функциях и возможностях MMLSpark.

Azure Databricks Runtime для Машинное обучение

Azure Databricks — это платформа аналитики на основе Apache Spark с одним щелчком, оптимизированными рабочими процессами и интерактивной рабочей областью для совместной работы специалистов по обработке и анализу данных, инженеров и бизнес-аналитиков.

Databricks Runtime для Машинное обучение (Databricks Runtime ML) позволяет запускать кластер кирпичей данных со всеми библиотеками, необходимыми для распределенного обучения. Она предоставляет готовую среду для машинного обучения и обработки и анализа данных. Кроме того, он содержит несколько популярных библиотек, включая TensorFlow, PyTorch, keras и XGBoost. Оно также поддерживает распределенное обучение с использованием Horovod.

Истории клиентов

Использование искусственного интеллекта в различных отраслях является инновационным и вдохновляющиеным способом. Ниже приведено несколько примеров использования клиентов и успешных попыток.

Просмотр дополнительных историй клиента искусственного интеллекта

Дальнейшие действия

  • Дополнительные сведения о продуктах по разработке искусственного интеллекта, доступных в корпорации Майкрософт, см. на странице платформы искусственных приложений Microsoft .

  • Сведения о разработке решений ИСКУССТВЕНного интеллекта см. в учебном заведении Microsoft AI.

  • microsoft AI на GitHub: образцы, эталонные архитектуры и рекомендации упорядочивают репозитории на основе искусственного интеллекта майкрософт с открытым исходным кодом, предоставляя учебники и учебные материалы.