Yapay zeka (AI)

Yapay zeka (AI), bir bilgisayarın akıllı insan davranışını taklit etmek için bir yetenektir. AI aracılığıyla makineler, görüntüleri çözümleyebilir, konuşma anlarsınız, doğal yollarla etkileşim kurabilir ve verileri kullanarak tahminleri yapabilir.

Yapay zeka 'nın üst kavram olarak ilişkisini gösteren çizim. AI içinde makine öğrenimi. Makine öğrenimi içinde derin öğrenme.

AI kavramları

Algoritma

Algoritma bir sorunu çözmek veya bir veri kümesini çözümlemek için kullanılan hesaplamalar ve kurallardan oluşan bir dizidir. Bu, bir akış grafiği gibidir. Bu, Sorulacak sorular için adım adım yönergeler ve matematik ve programlama kodu olarak yazılmıştır. Bir algoritma bir evcil hayvan 'nın kedi, köpek, balık, kedi veya lard olduğunu nasıl belirleyebileceğini betimedebilir. Diğer bir çok daha karmaşık algoritma, yazılı veya konuşulan bir dilin nasıl tanımlanacağına, kendi sözcüklerini çözümleyebilmesine, farklı bir dile nasıl çevrilebileceğini ve ardından çeviriyi doğruluk açısından kontrol edebilir.

Makine öğrenimi

Machine Learning (ml), tahmine dayalı modeller oluşturmak için matematik algoritmaları kullanan bir AI tekniğidir. Bir algoritma, veri alanlarını ayrıştırmak ve içinde bulunan desenleri kullanarak modeller oluşturmak için bu verilerden "öğrenmek" için kullanılır. Bu modeller daha sonra, yeni veriler hakkında bilinçli tahminler veya kararlar almak için kullanılır.

Tahmine dayalı modeller, belirli iş senaryoları için seçilen performans ölçümlerine göre ölçülen ve sonra gerektiği şekilde ayarlanan, bilinen verilere karşı onaylanır. Öğrenmeye ve doğrulamaya yönelik bu işleme eğitim olarak adlandırılır. Düzenli yeniden eğitim sayesinde ML modelleri zaman içinde geliştirildi.

Derin öğrenme

Derin öğrenme , öngörülerinin doğru olup olmadığını belirleyebilmesi IÇIN bir ml türüdür. Ayrıca, verileri çözümlemek için algoritmalar kullanır, ancak bunu ML 'den daha büyük bir ölçeğe göre yapar.

Derin öğrenme, birden çok algoritmalardan oluşan yapay sinir ağlarını kullanır. Her katman gelen verilere bakar, kendi özel analizini yapar ve diğer katmanların anlayabilmesi için bir çıktı üretir. Bu çıktı daha sonra bir sonraki katmana geçirilir, burada farklı bir algoritma kendi analizini yapar ve bu şekilde devam eder.

Her bir sinir ağında birçok katman ve bazen birden çok sinir ağı kullanarak, bir makine kendi veri işleme aracılığıyla bilgi alabilir. Bu, ML 'den çok daha fazla veri ve çok daha fazla bilgi işlem gücü gerektirir.

Botlar

Bot , belirli bir görevi gerçekleştirmek için tasarlanan otomatik bir yazılım programıdır. Bunu gövde olmadan bir robot olarak düşünün. Erken botlar, görece basit algoritmik Logic ile yinelenen ve Voluminous görevlerini gerçekleştirirken daha basit bir şekilde karşılaştırmıştı. Web içeriğini otomatik olarak araştırmak ve kataloglamak için arama motorları tarafından kullanılan web gezginleri bir örnektir.

Robotlar, genellikle metin veya hatta konuşmaya kadar insanlar aracılığıyla doğrudan etkileşim kurarken insan etkinliğine ve kararlara benzemek üzere AI ve diğer teknolojileri kullanarak çok daha karmaşık hale gelmiştir. Örnek olarak, müşteri hizmetleri etkileşimleriyle ilgili bir akşam yemeği ayırması, chatbots (veya konuşma AI) ve sosyal medya sitelerine yönelik önemli veya bilimsel veriler veren sosyal botları içeren botlar verilebilir.

Microsoft, kurumsal düzeyde bir bot geliştirmesi için tasarlanmış bir yönetilen hizmet amacı olan Azure bot hizmetini sunmaktadır.

Otonom sistemler

Özerk sistemler , temel Otomasyonu ötesinde gelişen yeni bir sınıfın parçasıdır. Çok az çeşitle (botu gibi) belirli bir görevi sürekli gerçekleştirmek yerine, otonom sistemler, istenen bir hedefi gerçekleştirmek üzere değişen ortamlara uyarlanabilmesi için makinelere zeka getirir.

Akıllı binalar, aydınlatma, havalandırma, uçak ve güvenlik gibi işlemleri otomatik olarak denetlemek için özerk sistemler kullanır. Daha karmaşık bir örnek, kendinden bir şekilde daraltılmış bir bir robot, iç kısmı eşlemek, hangi bölümlerin yapısal olarak ses olduğunu belirlemek, hava durumunu kırılımak üzere analiz etmek ve bir insan izlemesi yapmak zorunda kalmadan, uzak uçta gerçek zamanlı olarak kurtarma ihtiyacını ortadan kaldırabilmek için kendini yönlendiren bir robot olacaktır.

Microsoft AI ile ilgili genel bilgiler

Microsoft AI hakkında daha fazla bilgi edinin ve ilgili haberleri güncel tutun:

Üst düzey mimari türleri

Önceden oluşturulmuş AI

Önceden oluşturulmuş AI , raf dışı AI modellerini, hizmetlerini ve kullanıma hazır API 'leri, hizmetleri ve API 'leri beğenmekte olan, tam olarak hangi şeydir. Bunlar, veri toplamaya ve sonra kendi modellerinizi oluşturmanıza, eğmenize ve yayımlamaya gerek kalmadan uygulamalara, Web sitelerine ve akışlara zeka eklemenize yardımcı olur.

Önceden oluşturulmuş bir AI örneği, olduğu gibi dahil edilebilir veya daha fazla özel eğitim için bir taban çizgisi sağlamak üzere kullanılan önceden eğitilen bir model olabilir. Diğer bir örnek, doğal dili istenen şekilde işlemek için, ' de çağrılabilecek bulut tabanlı bir API hizmetidir.

Azure Bilişsel Hizmetler

Bilişsel Hizmetler , geliştiricilere önceden oluşturulmuş API 'leri ve tümleştirme araçları 'nı kullanarak, bir neden tarafından görüme, duyabilecek, konuşabilecek, anlayan ve hatta başlayabileceğiniz uygulamalar oluşturmaya yönelik fırsat sağlar. Bilişsel hizmetler içindeki hizmetlerin kataloğu, beş ana sıra halinde kategorilere ayrılabilir: görme, konuşma, dil, Web Araması ve karar/öneri.

AI tasarımcısında önceden oluşturulmuş AI modelleri

AI Oluşturucu, kodlama veya veri bilimi becerileri olmasa bile uygulamalarınıza AI eklemek için bir nokta ve tıklama arabirimi sağlayan yeni bir özelliktir. (AI kurucudaki bazı özellikler henüz genel kullanıma sunulmamıştır ve önizleme durumunda kalır. Daha fazla bilgi için bölgeye göre özellik kullanılabilirliği sayfasına bakın.)

Kendi modellerinizi derleyebilir ve eğitebilirsiniz, ancak AI Oluşturucusu, hemen kullanıma hazır olan önceden oluşturulmuş AI modellerini de sağlar. Örneğin, iş kartlarından iletişim bilgilerini tanıyan önceden oluşturulmuş bir modele dayalı Microsoft Power Apps 'e bir bileşen ekleyebilirsiniz.

Özel AI

Önceden oluşturulmuş AI yararlı (ve giderek esnek) olsa da, AI 'den ihtiyacınız olan şeyleri almanın en iyi yolu, büyük olasılıkla bir sistem oluşturmaktır. Bu, çok derin ve karmaşık bir konu olduğunu bilmenin yanı sıra, yeni eklediklerimizi aşan bazı temel kavramlara göz atalım.

Kod dilleri

AI 'nin temel kavramı, verileri analiz etmek ve yararlı olan yollarla tanımlana (veya puan vermek) için modeller oluşturmak üzere algoritmaların kullanılması. Algoritmalar, programlama kodu kullanılarak geliştiriciler ve veri uzmanları tarafından (bazen başka algoritmalara göre) yazılır. AI geliştirmenin en popüler programlama dillerinden ikisi de şu anda Python ve R ' dir.

Python , genel amaçlı, üst düzey bir programlama dilidir. Okunabilirliği vurguuygulayan basit ve kolay bir öğrenme sözdizimi vardır. Derleme adımı yok. Python 'da büyük bir standart kitaplık bulunur, ancak modül ve paket ekleme özelliği de desteklenir. Bu, modülerliği teşvik eder ve gerektiğinde özellikleri genişletmenizi sağlar. Azure 'da kullanıma hazır olan çok sayıda, Python için AI ve ML kitaplıkları için büyük ve büyüyen bir ekosistem vardır.

R, istatistiksel bilgi işlem ve grafik için bir dildir ve ortamıdır . Finansal ve klima modelleri geliştirmeye yönelik geniş sosyal ve pazarlama eğilimlerini çevrimiçi olarak eşlerken her şey için kullanılabilir.

Microsoft, R programlama dilini tamamen duyurmıştır ve R geliştiricilerinin Azure 'da kodlarını çalıştırmasına yönelik birçok farklı seçenek sunar.

Eğitim

Eğitim, makine öğrenimi için çekirdekdir. Bu, verileri analiz etmek ve bundan sonra doğru öngörülere sahip olmak için kullanılan modeller oluşturma algoritmasından oluşan yinelemeli bir işlemdir. Uygulamada, bu işlem üç genel aşamaya sahiptir: eğitim, doğrulama ve test.

Eğitim aşamasında, bir dizi bilinen veriler, tek tek alanların tanımlanabilmesi için etiketlidir. Etiketli veriler, belirli bir tahmin oluşturmak için yapılandırılmış bir algoritmaya aktarılır. İşiniz bittiğinde, algoritma bir parametre kümesi olarak bulduğu desenleri açıklayan bir model çıktı. Doğrulama sırasında, yeni veriler etiketlenebilir ve modeli test etmek için kullanılır. Algoritma gereken şekilde ayarlanır ve muhtemelen daha fazla eğitim alın. Son olarak, test aşaması herhangi bir etiket veya önceden seçilmiş hedef olmadan gerçek dünya verilerini kullanır. Modelin sonuçlarının doğru olduğu varsayıldığında, kullanım için hazır kabul edilir ve dağıtılabilir.

Hiper parametre ayarı

Hiper parametreler , eğitim sürecinin kendisini yöneten veri değişkenleridir. Algoritmaların nasıl çalıştığını denetleyen yapılandırma değişkenleridir. Bu nedenle, hiper parametreler genellikle model eğitimi başlamadan önce ayarlanır ve parametrelerin olması için eğitim süreci içinde değiştirilmez. Hyperparameter ayarlaması, eğitim görevindeki denemeleri çalıştırmayı ve işin ne kadar iyi olduğunu değerlendirmek ve sonra gerektiği gibi ayarlamayı içerir. Bu işlem, her biri farklı hiper parametre aileleri kullanılarak eğitilen birden çok model oluşturur.

Model seçimi

Eğitim ve hiper parametre ayarlama işlemi çok sayıda aday model üretir. Bunlar, verileri hazırlamak için gereken çaba, modelin esnekliği, işleme süresi miktarı ve sonuçları doğruluğunu fark eden birçok farklı sapmaya sahip olabilir. Gereksinimleriniz ve kısıtlamalarınız için en iyi eğitilen modeli seçme işlemi, model Selectio n olarak adlandırılır, ancak bu, en iyi şekilde işe yarar olacak şekilde eğitimin planlanmasından çok daha fazla.

Otomatik makine öğrenimi (Otomatikml)

Oto ml olarak da bilinen otomatik makine öğrenimi, Machine Learning modeli geliştirmenin zaman alıcı, yinelemeli görevlerini otomatikleştirme işlemidir. Üretime Ready ML modellerini almak için geçen süreyi önemli ölçüde azaltabilir. Otomatikleştirilmiş ML, kapsamlı programlama veya etki alanı bilgisi gerekmeden model seçimi, hiper parametre ayarlama, model eğitimi ve diğer görevlerle yardımcı olabilir.

Puanlama

Puanlama de tahmin olarak adlandırılır ve bazı yeni giriş verileri verildiğinde eğitilen makine öğrenimi modeline göre değer üretme işlemidir. Oluşturulan değerler veya puanlar gelecekteki değerlerin tahminlerini temsil edebilir, ancak olası bir kategoriyi veya sonucu da temsil edebilir. Puanlama işlemi birçok farklı değer türü oluşturabilir:

  • Önerilen öğelerin listesi ve benzerlik puanı

  • Zaman serisi modelleri ve regresyon modelleri için sayısal değerler

  • Yeni bir girişin mevcut bir kategoriye ait olma olasılığını gösteren bir olasılık değeri

  • Yeni bir öğenin en çok benzeyen kategori veya küme adı

  • Sınıflandırma modelleri için tahmin edilen bir sınıf veya sonuç

Toplu Puanlama , verilerin belirli bir süre boyunca toplanması ve sonra bir toplu işte işlenmesi olur. Bu, iş raporlarının oluşturulmasını veya müşteri bağlılığını çözümlemeyi içerebilir.

Gerçek zamanlı Puanlama , devam eden ve mümkün olduğunca hızlı bir şekilde gerçekleştirilen puandır. Klasik örnek, kredi kartı sahtekarlık algılamasında, ancak gerçek zamanlı Puanlama de konuşma tanıma, tıbbi tanılar, pazar analizleri ve diğer birçok uygulama için de kullanılabilir.

Azure 'da özel AI ile ilgili genel bilgiler

Azure AI platformu teklifleri

Gereksinimlerinize göre AI çözümleri geliştirmek için kullanabileceğiniz Azure teknolojilerinin, platformların ve hizmetlerinin bir dökümü aşağıda verilmiştir.

Azure Machine Learning

Bu, modelleri daha hızlı derlemek ve dağıtmak için kurumsal düzeyde bir makine öğrenimi hizmetidir. Azure Machine Learning, Web arabirimleri ve SDK 'lar sunarak makine öğrenimi modellerinizi ve işlem hatlarını hızla eğitmenizi ve dağıtmanızı sağlayabilirsiniz. PyTorch, TensorFlow ve scikit-learn gibi açık kaynak Python çerçeveleri aracılığıyla bu özellikleri kullanın.

Azure için makine öğrenimi başvuru mimarileri

Azure otomatik makine öğrenimi

Azure, otomatik ML için kapsamlı destek sağlar. Geliştiriciler, kod içermeyen Kullanıcı arabirimi veya kod ilk not defteri deneyimi kullanarak modeller oluşturabilir.

Azure Bilişsel Hizmetler

Bu, akıllı uygulamalar oluşturmanıza yardımcı olacak kapsamlı bir AI Hizmetleri ve bilişsel API ailesidir. Bu etki alanına özgü, önceden eğitilen AI modelleri, verilerinize göre özelleştirilebilir.

Bu, mobil ve Web uygulaması geliştirmesi için AI destekli bir bulut arama hizmetidir. İçeriğiniz, ham biçimde yapılandırılmamış veya aranabilir değilse, AI zenginleştirme seçenekleriyle, hizmet özel heterojen içeriğine göre arama yapabilir.

Azure Bot Hizmeti

Bu, hızlı bir şekilde çalışmaya başlamak için kullanıma hazır şablonlar içeren, amaç oluşturulmuş bir bot geliştirme ortamıdır.

Azure üzerinde Apache Spark

Apache Spark, büyük veri analizi uygulamalarının performansını artırmak üzere bellek içi işlemeyi destekleyen paralel bir işleme çerçevesidir. Spark, bellek içi küme hesaplama için temel bileşenleri sunar. Bir Spark işi, verileri belleğe yükleyebilir ve önbelleğe alabilir ve bunu tekrar tekrar sorgulayabilir ve bu, Hadoop gibi disk tabanlı uygulamalardan çok daha hızlıdır.

Azure HDInsight 'ta Apache Spark , bulutta Apache Spark Microsoft uygulamasıdır. HDInsight 'ta Spark kümeleri, Azure depolama ve Azure Data Lake Storage uyumludur; Bu sayede, Azure 'da depolanan verilerinizi işlemek için HDInsight Spark kümelerini kullanabilirsiniz.

Apache Spark için Microsoft Machine Learning kitaplığı, Mmlspark (Apache Spark IÇIN Microsoft ml). Spark ekosistemine çok derin öğrenme ve veri bilimi araçları, ağ özellikleri ve üretim sınıfı performansı ekleyen açık kaynaklı bir kitaplıktır. MMLSpark özellikleri ve özellikleri hakkında daha fazla bilgi edinin.

Machine Learning için Azure Databricks Runtime

Azure Databricks , tek tıklamayla kurulum, kolaylaştırılmış iş akışları ve veri bilimcileri, mühendisler ve iş analistleri arasında işbirliği için etkileşimli bir çalışma alanı olan Apache Spark tabanlı bir analiz platformudur.

Machine Learning (DATABRICKS RUNTIME ml) için Databricks Runtime , dağıtılmış eğitim için gereken tüm kitaplıkların bulunduğu bir Databricks kümesi başlatabilmenizi sağlar. Machine Learning ve veri bilimi için hazırım bir ortam sağlar. Ayrıca, TensorFlow, PyTorch, keras ve XGBoost dahil olmak üzere birden çok popüler kitaplık içerir. Horovod kullanarak dağıtılmış eğitim gerçekleştirmeyi de destekler.

Müşteri hikayeleri

Farklı endüstriler, AI yenilikçi ve yaratıcı yollarla uyguluyor. Aşağıda birkaç müşteri örnek olay incelemesi ve başarı hikayesi verilmiştir:

Diğer AI müşteri hikayelerine tarayın

Sonraki adımlar