从人工智能到聊天机器人

订阅
Es una subárea de la informática y de la ciencia computacional. 人工智能的定义是指机器理解、思考和学习的能力，方式类似于人类, pensar y aprender de una manera similar a como lo hacen los seres humanos, lo que indica la posibilidad de utilizar las computadoras para simular la inteligencia humana.
La AI ha experimentado 60 años de desarrollo continuo, con grandes avances y retrocesos. En normal, se inició tratando de resolver tareas que son fáciles para los seres humanos, pero difícil para las computadoras, tratar de realizar un sistema que pueda hacer cualquier cosa que un ser humano hace (quizás sin cosas puramente físicas). Esto es bastante genérico e incluye todo tipo de tareas como: planificar, moverse de un lado a otro, reconocer objetos y sonidos, hablar, traducir, realizar transacciones sociales comerciales, trabajo creativo (hacer arte poesía), 等等.
Vehículos autónomos son un tema candente en la actualidad relacionado con AI. Google , Volvo , 特斯拉 , Uber … estos son sólo algunos de las grandes compañías que están tratando de demostrar que los vehículos sin conductor son mejores, he inclusive, más seguros que los vehículos impulsados ​​por humanos.
Ya se tiene un poco claro el poder que tiene la AI, y como muchas cosas en la vida tienen sus desventajas, esta tecnología no es la excepción, hay quienes se preocupan por el futuro de la AI. Tanto así que hace unos meses hubo una discusión entre el CEO de TESLA y SpaceX , 埃隆·马斯克, y el fundador de Facebook , Mark Zuckerberg, donde Musk advierte acerca de los peligros de la inteligencia artificial, describiéndola como una amenaza potencialmente existencial para la raza humana, los seres humanos podrían estar condenados si hacemos máquinas que son más inteligentes que nosotros. Zuckerberg tiene una visión diferente, se siente optimista, mencionó que la AI podría ser una fuerza para el bien porque ayuda a conducir automóviles de una forma más segura y a diagnosticar enfermedades. Otro que no se mantiene ajeno del tema y está preocupado por el desarrollo de la AI y de la robótica, es el cofundador de Microsoft , Invoice Gates, quien menciona que como los robots están tomando trabajos humanos, el gobierno debe imponer impuestos a las empresa que los usan, 作为暂时减少自动化并用这笔钱资助其他就业来源的一种方式, 换句话说, 让机器人像人类一样缴税.
撇开对人工智能的悲观看法, 研究人员继续在发展, 创造和研究新的方法和方式，以自动完成人的日常任务. 人工智能的发展如此迅速, 以至于它被划分为多个领域，并产生了多个子领域.
机器学习 (机器学习)
ML 是计算机科学的一个子领域，它从人工智能中的模式识别研究和计算学习理论发展而来. 这是一种人工智能类型，允许程序员以更简单的方式编写程序, 它更侧重于开发教授计算机在接触新数据时发生变化并成长的程序, 其目标是理解并遵循方法, 使用算法自动执行该任务而无需任何人工帮助. 在1959年, 亚瑟·塞缪尔将机器学习定义为一个研究领域，它赋予计算机在没有明确编程的情况下学习的能力.
机器学习是一组使用数据集进行训练的算法, 用于进行预测和采取行动，以优化某些系统. 例如, los algoritmos de clasificación supervisados ​​se utilizan para clasificar a los clientes potenciales en buenas malas perspectivas, con el fin de obtener un préstamo, sobre una base de datos históricos. Las técnicas involucradas, para una tarea dada (例如, agrupación supervisada), son variadas: Naive Bayes, SVM (Assist Vector Machines), redes neuronales, árboles de decisión, regresión logística una combinación de muchos.
ML permite que dado un problema de AI que se puede describir en términos discretos (例如, a partir de un conjunto explicit de acciones, determinar cuál es el correcto), y dado un montón de información sobre el mundo, descubrir cuál es la acción “correcta”, sin que el programador lo haga directamente. 通常, se necesita algún proceso externo para juzgar si la acción fue correcta no. En términos matemáticos, es una función: donde tiene una entrada, y se desea que produzca la salida correcta, por lo que todo el problema es simplemente construir un modelo de esta función matemática de alguna manera automática. Para establecer una distinción con AI, si puedo escribir un programa muy inteligente que tenga un comportamiento related al humano, puede ser Inteligencia Artificial, pero a menos que sus parámetros sean aprendidos automáticamente de los datos, no es el aprendizaje automático.
En ML se pueden encontrar una gran cantidad de algoritmos que se han venido creando a lo largo de los últimos años. Los mismos se pueden agrupar principalmente en 3 grandes áreas:
监督学习 (Supervised Studying): en esta categoría los algoritmos reciben datos de entrenamiento que contienen la “respuesta correcta” para cada caso, 例如, un algoritmo de aprendizaje supervisado para la detección de fraudes de tarjetas de crédito, tomaría como entrada un conjunto de transacciones registradas, para cada transacción, los datos de entrenamiento contendrían una bandera que dice si es fraudulenta no. 同时, esta categoría se puede subdividir en three:
Regresión (Regression): resuelve problemas donde la respuesta a aprender es un valor continuo, 例如, el algoritmo podría ser alimentado con un registro de casas vendidas con sus precios, y este aprende cómo fijar precios para las casas.
分类 (分类): la respuesta a aprender es uno de los muchos valores posibles, por mencionar un caso, en el ejemplo de la tarjeta de crédito, el algoritmo debe aprender cómo encontrar la respuesta correcta entre ‘fraude’ y ‘honesto’. Cuando sólo hay dos valores posibles, se puede decir que es un problema de clasificación binaria, cuando son varios valores a predecir se la llama multi-class classification.
Forecasting: Este es el proceso de hacer predicciones sobre el futuro basadas en los datos pasados ​​y presentes. Es el más comúnmente utilizado para analizar tendencias. Un ejemplo común podría ser la estimación de las ventas del próximo año basadas en las ventas del año actual y años anteriores.
无监督学习 (Unsupervised Learning): 算法在训练数据中寻找结构, 如何找到彼此相似的示例, 并将它们聚类. 同样地, 这一类别可以分为两个主要子类别:
分段 (聚类): 这种类型的问题出现在需要学习的数据结构是由具有相似特征的组组成的情况, 例如, 市场细分的目标是将客户分组为具有类似购买行为的人群.
Crimson 分析: 这些算法学习信息的重要性以及节点在 pink 中的作用, 例如, 页面排名算法分析网页的 crimson 及其超链接, 并找出最重要的页面. 这用于像谷歌这样的互联网搜索引擎 , 网络分析的另一个问题包括社交网络分析.
强化学习: 根据环境反馈分析和优化代理的行为. 机器尝试不同的场景以发现哪些行动产生最大的奖励, 而不是告诉它们采取哪些行动.
一些最常用的算法包括决策树 (解决树), 一种常用于数据挖掘的算法, 决策树的目标是构建一个预测测试样本值的树结构, 基于训练样本, una estructura de árbol es una representación gráfica de muestras de entrenamiento. También está el Naïve Bayes, es un algoritmo de ML muy well-liked, que funciona bien en muchos dominios, y es uno de los algoritmos más utilizados en la clasificación de sentimientos binarios, 例如, se basa en la suposición de que la probabilidad de cada término en un texto es la independencia en el contexto del término y su posición en el texto. Otro algoritmo muy usado es el Assist Vector Machine (SVM), este ha sido ampliamente utilizado en la clasificación del sentimiento binario, y los estudios han demostrado que SVM es uno de los algoritmos más precisos en la clasificación del sentimiento.
另一方面, a pesar de los grandes resultados que se han logrado con ML, hay quienes la critican, ya no está garantizado que los algoritmos con ML siempre funcionan para cada caso, a veces ML fallará, por lo que se necesita entender el problema, para aplicar el algoritmo de la manera correcta, adicionalmente algunos algoritmos con ML requieren un montón de datos, tales como algoritmos de aprendizaje profundo, puede ser agotador adquirir esa gran cantidad de datos, afortunadamente, hay un montón de datos para fines de formación y reconocimiento de imágenes. Afortunadamente, no todo es malo, ya que el aprendizaje de las máquinas tienen una serie de ventajas como por ejemplo: las máquinas son más rápidas que las personas, por lo que ahorra tiempo; son usados en una gran cantidad de aplicaciones, como reconocimiento de voz, 模式和人脸识别, 用于抓捕小偷以及卷入犯罪现场的任何人; Facebook 和 Google 用它们给照片中的人打标签, 在不同语言之间进行翻译, 用于预测患者的某些疾病，甚至用于天气预测, 等等; 机器最终会改进它们的错误，直到在决策中达到高度的精确性和准确性.
深度学习 (深度学习)
它是机器学习的一个更深的层次和子集, 机器利用大量数据和高度复杂的算法来 “学习” 并模拟像人类一样做出决策. 深度学习是人工智能大脑中最深的部分, conduciendo hacia el Pure Language Processing (自然语言处理 (NLP)), permitiendo a la máquina aprender casi de todo y mejorar sobre sí misma para la próxima vez, tal y como lo hacen los humanos. El DL es un subconjunto de un campo más basic de AI llamado ML, que se basa en esta concept de aprender del ejemplo y adopta el enfoque de resolver problemas muy complejos con modelos complejos.
Una de las razones por lo que surge DL, es porque cuando se usan algoritmos tradicionales con ML para resolver problemas con una gran cantidad dimensional de datos (cuando se tiene muchas entradas y salidas), el rendimiento no es el esperado conforme se agregan más datos, ya que llega un punto en que este se mantiene constante. El comportamiento es completamente lo contrario cuando se usa DL, además de que esta es la tendencia deseada, esto se debe a que DL tiene la capacidad de aprender a centrarse en las características adecuadas por sí mismo, requiriendo poca orientación del programador. 基本上, el aprendizaje profundo imita la forma en que funciona nuestro cerebro, 也就是说, que aprende de la experiencia, como saben, nuestro cerebro está formado por miles de millones de neuronas que nos permiten hacer cosas increíbles, incluso el cerebro de un niño de un año de edad puede resolver problemas complejos que son muy difíciles de resolver, incluso utilizando supercomputadores.
El aprendizaje profundo es un tipo de aprendizaje de máquina que es muy standard en la actualidad. 这是一种特定类型的数学模型，可以被理解为由简单模块组成的组合 (函数的组合) 某种类型的, 并且其中一些模块可以调整以更好地预测结果 closing.
这个词 “deep” 意味着这个组合有许多这样的模块一个叠一个, 因为距离输出较远的模块很难调整, 因为一个小的改变可能对输出产生非常间接的影响. 这是通过称为反向传播的过程在一个更大的称为梯度下降的过程中完成的，它允许你以一种改善模型的方式更改参数.
现在, 让我们用一个例子来理解它, supongamos que queremos hacer un sistema que pueda reconocer caras de diferentes personas en una imagen (como lo hace Facebook). Si resolvemos esto como un típico problema de ML, definiremos características faciales como ojos, nariz, oídos, 以及其他许多. y luego, el sistema identificará qué características son más importantes para cada persona por sí misma. 然而, con DL se va un paso más allá, ya que este descubre automáticamente las características que son importantes para la clasificación debido a redes neuronales profundas, mientras que con ML tuvimos que definir manualmente estas características.
En el primer bloque, fija los patrones de contraste local, después en el siguiente bloque es capaz de usar esos patrones de contraste native para fijarse en cosas que se asemejan a ojos, narices y bocas, y por último, en el bloque capa final es capaz de aplicar las características faciales a las plantillas de una cara, para dar los respectivos resultados.
Algoritmos de reconocimiento facial
En lo últimos años el avance en las tecnologías y con el aumento en las capacidades de los hardwares, como CPUs, GPUs y TPUs ( Tensor Processing Unit ), han permitido el surgimiento de nuevos algoritmos usando Deep Learning, aumentando sus rendimientos y tiempos de respuesta en el procesamiento de los datos, sobre todo con imágenes y movies, que contienen mucha información cuando se tiene que realizar algún reconocimiento en tiempo real.
En la actualidad existe una gran cantidad de algoritmos que usan machine studying para hacer diversos reconocimientos de patrones en las imágenes. Una de las características interesantes de determinar en las imágenes, es el género de la persona; aunque esto no es una tarea fácil, existen algoritmos y aplicaciones que realizan esta labor con una gran confianza.
Gupta, S. (2015年) realizó un estudio de algunos algoritmos en esta área. El mismo describe el proceso common que se debe seguir para determinar el género de la persona en una imagen. Este consiste en convertir la imagen a una escala gris y eliminar las intensidades de luz algún efecto indeseado que se capturó cuando se tomo la foto; detectar la posición de algunas características de la cara, como los ojos, nariz y boca; usar algoritmos como Triangulación de Delaunay y calcular las distancias Euclidianas entre algunas partes de la cara y por último está, utilizar algún algoritmo de ML para clasificar la cara dentro de la imagen como masculina femenina, comparando los resultados de la distancias Euclidianas con otras imágenes en las bases de datos.
Dentro de los algoritmos para determinar el género que usó Gupta, S. (2015年) estan los que se pueden encontrar en WEKA (colección de algoritmos de aprendizaje automático para tareas de minería de datos). El algoritmo que tuvo un mayor porcentaje de exactitud, alrededor de 93.eight%, son los árboles funcionales y con un valor bastante appreciable que otros algoritmos, como el Naive Bayes.
Pure Language Processing (自然语言处理 (NLP))
Esto es otra área de AI y tiene que ver con el lenguaje (generalmente escrito). Es el componente que une la brecha entre la conversación humana y la comprensión programada por un ordenador. NLP permite a la computadora interpretar el vasto y complicado lenguaje humano, entender lo que se dice, procesarlo, reflejar lo que se requiere de él y efectivamente “hablar”, al igual que los humanos.
A través del proceso, la máquina tiene que entender toda la jerga que se está utilizando y desarrollar adaptarse con la capacidad de responder, no como una computadora, sino más bien como una computadora humana. Deshpande, A. (2017) menciona que NLP tiene que ver con la creación de sistemas que procesan “entienden” el lenguaje para realizar ciertas tareas, como responder preguntas, 分析一句话的情感, 在不同语言之间进行翻译, 等等.
Deshpande, A. (2017) 还可以做一个相当有趣的比较, 比较传统的NLP是如何进行的以及现在使用深度学习（DL）是如何进行的. 例如, 之前NLP涉及很多语言学的知识, 像音素和词素这样的可理解的术语是相当标准的，因为有整门的语言学课程专门研究它们, 要分析一个单词，需要将其分解为前缀, 后缀，并分析其词根. 然而, 使用深度学习（DL）, 这个过程则完全不同, 因为它使用多种技术.
其中一种使用的技术, 是尝试将词语表示为数值向量并以高效的方式存储它们. 例如, Word2Vec, 这种技术背后的基本概念是, 它试图在这个词向量中存储尽可能多的信息, 同时保持可管理的维度 (25到1000维), 这种技术基于的想法是希望预测每个词的周围词.
认知代理和聊天机器人
认知代理可以定义为半自主的软件实体，它们帮助个人在分布式信息环境中处理复杂性, 它们也被定义为以一定程度独立性代表用户或其他程序执行一系列任务的软件程序, adicionalmente se puede decir que los agentes de software son programas informáticos que se ejecutan en segundo plano y realizan tareas de forma autónoma. Un agente debe ser capaz de ocupar un entorno con otros agentes y procesos, y ser capaz de comunicarse y colaborar con ellos.
Los agentes pueden tener diversas características, dentro de ellas están: reactividad (capacidad de detectar y actuar selectivamente), autonomía, comportamiento colaborativo (puede trabajar en colaboración con otro agente para lograr un objetivo mutuo), capacidad de comunicación, capacidad inferencial (puede realizar en la especificación abstracta de la tarea usando conocimiento previo de metas generales y de métodos elegidos para alcanzar flexibilidad) , continuidad temporal, personalidad (la capacidad de exhibir los atributos de un personaje creíble como la emoción), adaptabilidad (ser capaz de aprender y progresar con la experiencia) y movilidad.
(Gracias a Ncubo por permitirme hacer este proyecto)
Un chatbot es un programas con inteligencia artificial que imitan el comportamiento de un humano y cuya finalidad es conversar con los clientes para dar respuesta a sus dudas y hacerle sugerencias, ofreciendo así una atención personalizada; son programas informáticos que se comunican con sus usuarios mediante el uso del lenguaje pure. Los chatbots agentes de conversación artificialmente inteligentes pueden utilizarse para automatizar la interacción entre una empresa y un cliente.
Los chatbots han existido durante años con cierto grado de inteligencia, la primera aparición fue en los años 60. Estos primeros usaron la correspondencia simple de palabras clave para generar una respuesta, desde entonces ha ocurrido muchas apariciones y muchos chatbots han sido desarrollados utilizando diferentes técnicas como la correspondencia de patrones, extracción de palabras clave, 自然语言处理 (NLP), ML y DL.
Los chatbots tienen el potencial de transformar significativamente la forma en que interactuamos y comunicamos digitalmente, el objetivo ultimate de los chatbots es reemplazar las interfaces más comunes que usamos en computadoras y dispositivos conectados, los mismos proporcionan la ventaja de utilizar lenguaje natural para comunicarse con empresas y servicios a través de una interfaz acquainted.
Los chatbots ahora están cambiando a la interfaz de mensajería móvil, la aplicación de mensajería móvil de chatbots con fines comerciales se le llama “comercio conversacional”. Estos bots puede responder con mensajes, recomendaciones, actualizaciones, enlaces botones y los clientes pueden comprar productos, todo en la misma interfaz del mensajero. Los pagos futuros a través de las aplicaciones de chat permitirán que el chat se convierta en un canal de compras único, que no requiere dejar la interfaz para completar un pedido, lo que permite una experiencia de compra sencilla. El pedido, la facturación y la entrega pueden ser manejados en la aplicación de mensajería, 一个机器人最终可能成为一个私人助理，能够提供一系列服务.
聊天机器人在许多领域都有可能创建应用程序，特别是面向任务的聊天机器人在实际应用中有明确的用途, 因为它们旨在帮助用户实现某些特定目标, 例如预订餐厅, 订购披萨, 预订航班, 等等. 使用机器人而不是人工助理可以减少获得特定任务帮助所需的时间和精力. 聊天机器人可以识别买家的意图，并根据买家的选项和偏好优化优惠, 促进销售, 订单和交付过程.
En este proceso de integración de los chatbots, es cierto que desplazarán mano de obra en algunas áreas, pero serán las más rutinarias, repetitivas y las que menos valor aportan en los procesos de trabajo. Con la integración de estos nuevos asistentes, la empresa cut back ampliamente el esfuerzo humano, lo que permite a las personas centrarse en aquellas tareas en las que puede aportar mayor valor a su trabajo. Los nuevos asistentes personales mejorarán la experiencia de usuario, haciéndola más personal, permitiendo dinamizar y optimizar las conversaciones con los clientes.
En la actualidad existen varias plataformas para crear chatbots, dentro de ellas están las más populares son LUIS de Microsoft, Dialogflow de Google y Watson de IBM. Todas ellas tienen y usan conceptos muy similares en la creación de un chatbot, ya que por ejemplo, todas usan lo que llaman intenciones y entidades, los cuales son usados para determinar lo que el usuario quiere expresar. Los mismos difieren en algunas características distintivas, una de ellas es la forma en cómo responden al usuario para desambiguar, ya que por ejemplo Watson usan un árbol de decisión, mientras que Dialogflow no, las respuestas al cliente se dan de acuerdo a las variables de contexto que tenga y permita en la entrada de cada intención.
(Gracias a Ncubo por permitirme hacer este proyecto)
La implantación de esta tecnología está aumentando considerablemente y ya no es solo cuestión de unas pocas grandes empresas como Amazon , Apple Google Hoy en día, cualquier negocio puede crear un chatbot y esto es una tendencia que ha ido en ascenso y que empezará a consolidarse definitivamente en 2018. Las empresas no tendrán más opción que integrar la automatización inteligente para mantenerse al día.
分享
Growing a tremendous Chatbot.. What’s a Chatbot? First to grasp how it works, it’s good to know the way it was originated and some algorithms like the Natural Language Processing (自然语言处理 (NLP)). It is one other AI area, however it is around the language (often written), it’s the part that bridges the gap between human dialog and understanding programmed by a computer. NLP permits the computer to interpret the vast and sophisticated human language, 理解它, course of it, 并且有效地 “交流”, identical to people.
Via the process, the machine has to grasp all the jargon that’s being utilizing and growing or adapting with the ability to reply, as a human laptop. NLP has to do with the creation of methods that process or “understand” the language to carry out sure duties, comparable to answering questions, analyzing the sentiment in a sentence, making translations between different languages, and one other.
Prior to now, the NLP concerned a whole lot of mastery of …
分享
Would you want to control the TELEVISION utilizing your voice with out spend some huge cash?.. Superb right 人工智能?. So, in this publish, I will educate you how to do this and more.
A few of my desires always have been control things without contact them, for example: the television, attributable to tired to lift the hand to vary the channel. So.. let’s create a tool that may do this action routinely.
What issues will we need? First, I ought to understand the problem and bear in mind about it. 例如: if we want to control a TV that’s not good, how will we do this?.. a chance is to send infrared alerts (IR) to transmit the events that the individual’s desire.
Also, if I would like that the system can hear me, I might have a microphone. Moreover, it ought to have a speaker to speak with the folks.
更多, I will need a database to save all the information, APIs that can help me with the smart logic and low-cost electronic components like a Raspberry Pi , resistors, leds, wires and a protoboard. TVs Inter…
分享