Hướng dẫn về Trí tuệ Nhân tạo cho người không chuyênTheo McKinsey, AI sẽ tạo ra mức tăng trưởng GDP ước tính khoảng 13 nghìn tỷ đô la từ nay đến năm 2030. Để so sánh, GDP của toàn bộ Hoa Kỳ là khoảng 19 nghìn tỷ vào năm 2017. Thuật ngữ về AI Trí tuệ nhân tạo là một lĩnh vực rất phức tạp với rất nhiều thuật ngữ có thể khá khó hiểu khi bắt đầu. Bạn có thể đã nghe nói về Mạng thần kinh, Học sâu hoặc Khoa học dữ liệu. Bây giờ chúng ta sẽ xem xét các thuật ngữ quan trọng nhất của AI và khám phá ý nghĩa của chúng, để bạn có thể nói về AI với người khác và suy nghĩ về cách bạn có thể áp dụng AI trong doanh nghiệp của mình.Tôi sẽ đưa trình bày ở đây những định nghĩa được sử dụng phổ biến nhất về các thuật ngữ AI, nhưng lưu ý rằng AI là một lĩnh vực rất mờ trong đó nhiều thuật ngữ được sử dụng thay thế cho nhau và đôi khi không nhất quán.Trí tuệ nhân tạoTrí tuệ nhân tạo là một lĩnh vực của khoa học máy tính, nhấn mạnh việc tạo ra các máy móc thông minh, hoạt động và phản ứng như con người. Giống như đã đề cập, khi mọi người nói về AI, họ chủ yếu nghĩ AI là Trí tuệ tổng hợp nhân tạo (AGI). Bạn sẽ thấy AI là toàn bộ Khu vực, và Học máy và Học sâu là các kỹ thuật được sử dụng để làm cho máy tính trở nên thông minh.Học máyHọc máy là một lĩnh vực của AI. Đây là một lĩnh vực nghiên cứu cung cấp cho máy tính khả năng học hỏi từ dữ liệu mà không cần lập trình rõ ràng. Vì vậy, với Học máy, về cơ bản, bạn đào tạo chương trình để thực hiện một nhiệm vụ nhất định. Do đó, học máy thường dẫn đến một hệ thống AI, về cơ bản là một phần mềm.Học sâuHọc sâu là một phần phụ của Học máy, chịu trách nhiệm cho tất cả các quảng cáo thổi phồng và hầu hết các đột phá trong ANI, mà chúng ta đã thấy trong những năm gần đây và vẫn thấy cho đến ngày nay.Về cơ bản nó giống như Học máy: Bạn đưa cho thuật toán những dữ liệu có gắn nhãn và nó học cách dự đoán nhãn. Sự khác biệt với Học máy là Học sâu sử dụng các thuật toán hiện đại hơn và tinh vi hơn, được gọi là Mạng nơ-ron. Ngược lại: trong Học máy, bạn sử dụng các thuật toán truyền thống, đơn giản hơn.Do tính phức tạp của chúng, các khám phá kỹ thuật mới và có sẵn đủ dữ liệu và sức mạnh tính toán, thuật toán Học sâu có thể phá vỡ các điểm chuẩn trước đó trong nhiều nhiệm vụ và thậm chí vượt qua những gì con người thực hiện (ví dụ: Phân tích hình ảnh mô bệnh học, hoặc giới thiệu phim trên Netflix).Mặc dù, Mạng nơ-ron (ví dụ của thuật toán Học sâu) hầu như luôn hoạt động tốt hơn thuật toán truyền thống, nhưng chúng có những nhược điểm nhất định. Khoa học dữ liệuĐầu ra của dự án Khoa học dữ liệu thường là một tập hợp các thông tin chuyên sâu giúp bạn đưa ra quyết định kinh doanh tốt hơn, chẳng hạn như quyết định có nên đầu tư vào thứ gì, liệu bạn có nên mua thiết bị nhất định hoặc nếu trang web của bạn nên được cấu trúc lại. Bạn có thể nói rằng Khoa học dữ liệu là khoa học trích xuất kiến thức và hiểu biết về dữ liệu bằng cách phân tích nó bằng các phương pháp thống kê, trực quan hóa, Một số người nói rằng AI là một tập hợp con của khoa học dữ liệu và một số người khác không đồng ý với nhận định này. Vì vậy, nó phụ thuộc vào người bạn đang nói chuyện, nhưng khoa học dữ liệu là một lĩnh vực liên ngành sử dụng nhiều công cụ từ AI, học máy và học sâu, nhưng nó cũng có các công cụ riêng. Mục tiêu của nó chủ yếu là để thúc đẩy hiểu biết kinh doanh.Dữ liệu là gì?Dữ liệu có thể có nhiều dạng: bảng tính, hình ảnh, âm thanh, dữ liệu cảm biến, vv. Chúng được chia thành hai loại chính: dữ liệu có cấu trúc và dữ liệu không cấu trúc.Dữ liệu có cấu trúc (dữ liệu có trong một bảng tính khổng lồ)Dữ liệu có cấu trúc, giống như tên của nó đã ngụ ý, dữ liệu được lưu trữ ở định dạng có cấu trúc theo lược đồ được xác định trước. Nó đề cập đến bất kỳ dữ liệu nào nằm trong một trường cố định trong một bản ghi hoặc một tệp. Nó có thể là văn bản hoặc phi văn bản. Dữ liệu phi cấu trúc Dữ liệu phi cấu trúc về cơ bản là mọi thứ khác không được cấu trúc thông qua lược đồ được xác định trước. Nó có thể là văn bản hoặc phi văn