深度学习和神经网络

如果说机器学习是所谓弱人工智能的典型工具，那么深度学习就是强人工智能的参考学习技术。根据前面描述的理论概念前提，深度学习由受人脑功能启发的学习模型组成。

它不是像ML 那样严格基于输入和输出之间关系的训练方法，而是使用输入来模拟人脑行为的系统。

这在任何方面都不足为奇，如果我们考虑一下有多少计算机技术无疑是受到自然界中实际存在的一些生物模型的结构的启发。算法设法复制合作机制的方式，例如鸟类的飞行，是非常令人着迷的。

该神经网络是网络结构的人工神经元，帮助您实现典型的人类认知的复杂的动作，比如看，说话，感觉和思考。这些现在是计算机科学中完全历史化的概念，因为人工神经元是由 McCulloch 和 Pitts 在 1943 年提出的，而神经网络是由 Rosenblatt 在 1958 年提出的。

的深度学习是基于所谓的深神经网络，其特征在于计算的许多层，基于大量水平的，如需要庞大的计算工作，以获得类似的神经连接的情形然而，人类大脑在很大程度上仍然未知。

由于重点往往放在保证输出的计算能力的发展上，因此在创建输入时也必须给予足够的重视，这要归功于从移动设备收集大量数据的能力，通常是从所有由于我们很容易接受各种设备上存在的应用程序的使用政策，我们每天都与之交互的互连设备，即使是完全无意识的方式。

日益数字化的现实转化为收集、存储、分析和处理数据的巨大潜力。数据科学从未被要求在基于人工智能的应用程序中发挥重要作用。

深度学习是基于所谓的“深层神经网络”，其特点是计算的多层次的基础上，大量层次的，如需要庞大的计算工作量，以获得类似的神经连接的情况下的人类大脑。

NLP - 自然语言处理（自然语言识别和处理）

自然语言处理是一个复杂的应用，它基于人工智能，但也基于计算机科学和语言学。它是所谓的强人工智能最广泛的表达方式之一，它完美地体现了这一点，这要归功于它不是为了解决特定方面的问题，而是在广义上学习人类的语言交流，与哪些基于AI 的应用程序是交互调用。

理解一门语言是一件非常复杂的事情，因为它不仅是一个知道如何管理词汇、语法和句法规则的问题，而且还包括知道如何正确地将演讲语境化，以便真正理解一个词的含义。陈述。

NLP 学习方法显然基于深度学习系统，旨在模拟人们理解对话内容的方式。

一个NLP系统是基于一系列的尝试找出并解决人类语言的所有含糊不清的步骤。分阶段对于降低输入数据中的错误风险至关重要。在NLP 学习方法的主要阶段中，我们发现了标记化（将文本分成空格、单词、标点符号、句子等）、形态和词汇分析、句法分析、NER（命名实体识别）、语义分析和语音分析。

自2000 年代初以来，自然语言处理的研究一直很活跃，但自2013 年以来已经能够达到可观的成熟度，当时神经网络随着与以数字方式表示自然语言相关的技术的深入而传播，其中每个单词都是“转换的””转化为由向量空间模型管理的实数向量，神经网络架构专门用于解决自然语言的识别和处理。

NLP 现在是许多应用程序不可或缺的一部分，从自动翻译到自动识别(OCR)，再到聊天机器人/虚拟助手，再到为出版物自动生成复杂文本，再到营销中用于分析所谓用户的情绪（情绪分析）。

从文本的理解和处理来看，NLP系统已经非常成熟，但要打造能够充分发挥通用人工智能潜力的智能系统，还有很多工作要做。

到目前为止，我们已经看过一些科幻电影。想想她，华金·菲尼克斯与电脑建立了真正的浪漫关系，电脑的操作系统能够完美地理解语言交流，并用斯嘉丽·约翰逊非常感性的声音表达自己。

计算机视觉和图像识别

人工视觉最吸引人的方面之一是基于图像识别，即模拟人脑如何处理从眼睛接收到的信息，而不是眼睛本身的功能。

目标是了解您所看到的。为了实现这一结果，需要能够处理图像的各个像素的学习方法，换句话说，将它们转换为数字。

使用基于卷积神经网络的深度学习技术的计算机视觉能够模拟大脑视觉皮层的行为来处理大量图像数据集，以便准确识别和上下文化从“应用程序”实时识别的图像。

有很多基于计算机视觉的例子。最受欢迎的是面部识别 技术，被许多应用程序使用，包括解锁移动设备的过程，而不是访问授权。

在计算机视觉的应用中，还有面部识别技术，例如，用于解锁移动设备的程序，而不是用于授权访问。

在工业领域，计算机视觉例如用于质量控制，而自动驾驶则使用它来识别标志、其他车辆、行人以及汽车在行驶过程中可能遇到的所有潜在障碍。还有许多B2C 营销应用程序，也与增强现实技术合作。

可解释的人工智能

所谓的可解释人工智能（ExplainableAI）——也称为“可解释人工智能”或“XAI”——是一门新兴学科（尤其是在机器学习领域特别相关），旨在澄清（实际上是解释）关于算法的所谓“黑匣子”中发生的事情。简而言之，可解释人工智能是一组技术和工具，可以帮助人类理解基于人工智能技术（尤其是机器学习和深度学习）的自治系统如何生成某些输出并做出某些决策。

深入探讨可解释人工智能的话题，建议阅读《可解释人工智能：它是什么，原理和例子是什么》一文

以人为本的人工智能

所谓的可解释人工智能需要一种新的解决方案设计方法，这是现在所谓的以人为中心的人工智能方法的一部分，也就是说，用于设计基于人工智能的技术的协作模型考虑了各个方面例如伦理学和其他典型的行为学科和人文科学。

Human Centered AI 的创建旨在为人机交互提供一种新的、以人类为中心的方式，特别是寻找新的方法，以确保技术解决方案旨在让人们以合乎道德、负责任和透明的方式做出更多决策。知情，进行更有效的分析（但也是可以理解和解释的），以及更好的数字体验。

为了加深以人为中心的人工智能的主题，我们建议阅读文章“以人为中心的人工智能：以人为中心的人工智能”。

生成式人工智能

在人工智能的新兴应用中（Gartner 已将其列入2022 年的技术趋势，旨在推动从现在到2024 年的数字化转型业务），生成式人工智能（或生成式人工智能）能够生成合成数据并支持人类的创造能力和活动。

与生成式AI相关的技术包括允许机器学习系统（使用主题数据集进行适当训练）生成人工内容和各种合成数据的技术。

多媒体行业、医疗保健、艺术和设计领域以及新产品的生产代表了生成式人工智能应用目前越来越广泛的领域。

要了解有关Generative AI 的更多信息，我们建议阅读文章“艺术、设计和生产：超越deepfake 的Generative AI”。

人工智能的例子和应用

它分析数据以提供有用信息的能力使人工智能成为许多业务领域的宝贵盟友，在工业环境和家庭中都有大量投资，想想与家庭自动化相关的应用程序。

为了在这片可能性的海洋中成功定位，参考米兰理工大学人工智能数字创新观察站开发的解决方案分类是有用的，该分类确定了八种不同类型的应用，根据使用目的：

智能数据处理：其特点是能够分析特定数据以推断信息并执行相应操作的算法。例如，它们用于预测分析（数据分析以提供对未来趋势的预测）和欺诈检测（识别与预期模型相关的不合规元素）

虚拟助手/聊天机器人：聊天机器人使用NLP 技术基于语音或文本交互执行操作并为用户提供服务。它们的用途非常广泛，从客户服务系统到电子商务门户的虚拟助手。NLP 技术允许最先进的聊天机器人应用程序除了存储收集的信息外，还可以理解对话的语气，例如通过实施与其连接的CRM 系统的数据集

建议：基于以直接或间接信息形式获得的用户行为，人工智能应用程序能够将销售系统与建议消费者引导其完成购买的应用程序集成。因此，它们可以提高转化率并优化客户旅程的效率，从而影响客户的决策过程

图像处理：基于图像识别的计算机视觉技术可以自动识别物体、人和动物，以支持许多应用，从视频监控到工业质量控制中的异常模式检测

自动驾驶汽车：人工智能使支持自动驾驶汽车系统成为可能。自动驾驶在汽车领域大行其道，但也影响到其他自动驾驶交通工具，支持海、河、空航行

智能对象：或智能对象，智能对象对无需人类用户直接输入即可执行操作的设备进行分类。集成的人工智能系统，通常与智能传感器相关联，允许智能对象通过对特定事件的反应，根据周围环境的条件做出决策

语言处理：包括通过自然语言处理技术(NLP) 理解文本和口头交流的所有应用程序

自主机器人：得益于基于人工智能技术的系统指令，机器人可以在没有用户直接命令的情况下移动和行动，这要归功于其识别周围环境并与周围环境交互的能力。自主机器人在工业制造环境、物流和民用/家庭应用中越来越普遍

以下是当今已经成功使用人工智能的主要行业和应用。