[AI]AI 기술 분류 맵 (보팅 기여도,리스팀 STEEM 환급)

안녕하세요 오늘은 인공지능의 기술 분류맵에 대해 얘기해보겠습니다.

AI에 대해 생각하는 다양한 방법을 표현하고 공부하기 위해 여러 분류, 구별같은 것을 존재한다는 것을 알고 있습니다. 자 그러면 어떤식으로 나눌지 얘기해보겠습니다.

이런 분류는 사람들에게 유용 할뿐만 아니라 참조할 수 있는 점을 갖고 많은 사람들에게 유용합니다.

축에는 AI 패러다임과 AI 문제분류라는 두 개의 축이 있습니다. AI 패러다임 (X 축)은 인공 지능 연구원들이 특정 AI 관련 문제를 해결하기 위해 사용하는 접근법입니다 (최신 접근법 포함). 다른면에서 AI 문제 영역 (Y 축)은 역사적으로 AI가 해결할 수있는 문제 유형입니다. 어떤면에서 AI 기술의 잠재적 인 기능을 나타냅니다.

따라서 다음과 같은 AI 패러다임을 확인했습니다.

논리 기반 도구 : 지식 표현 및 문제 해결에 사용되는 도구
지식 기반 도구 : 온톨로지 및 개념, 정보 및 규칙의 거대한 데이터베이스를 기반으로하는 도구
확률 적 방법 : 에이전트가 불완전한 정보 시나리오에서 행동 할 수있게하는 도구
기계 학습 : 컴퓨터가 데이터로부터 학습 할 수있는 도구
구현 된 인텔리전스 : 높은 지능을 위해 신체 (또는 동작, 인식, 상호 작용 및 시각화와 같은 기능의 부분 집합)가 필요하다고 가정합니다.
검색 및 최적화 : 가능한 많은 솔루션으로 지능형 검색을 허용하는 도구.

이 6 가지 패러다임은 또한 Symbolic, Sub-symbolic 및 Statistical (위의 서로 다른 색으로 표시)의 세 가지 다른 접근 방식에 속합니다. 요약하면, 기호 접근법은 인간의 지능이 기호 조작으로 축소 될 수 있다고 말하면서, 하위 상징적 접근법은 지식의 특정 표현이 사전에 제공되지 않는 반면 통계적 접근은 특정 하위 문제를 해결하기위한 수학적 도구를 기반으로 합니다 .

수직축은 대신 인공 지능이 사용 된 문제를 제시하며 분류는 기본적입니다

추론: 문제 해결 능력
지식: 세계를 대표하고 이해하는 능력
계획: 목표 설정 및 달성 능력
커뮤니케이션 : 언어를 이해하고 의사 소통 할 수있는 능력
지각 : 원시 감각 입력 (예 : 이미지, 소리 등)을 유용한 정보로 변환하는 기능.

그래프에 사용 된 두 유형의 선 (연속 및 점으로 구분됨)은 다양한 AI 기술 클래스가 표시됩니다. 연구자와 데이터 과학자들이 활용할 수있는 것을 나열하는 것만으로도 효과가 있을 것입니다.

다음은 기술 목록입니다.

로봇 프로세스 자동화 (RPA) : 특정 작업을 수행하는 사용자를 관찰하여 수행 할 규칙 및 동작 목록을 추출하는 기술
전문가 시스템 (Expert Systems): 인간 의사 결정 프로세스를 모방하는 규칙을 하드 코딩 한 컴퓨터 프로그램. 퍼지 시스템은 변수를 0과 1 사이의 연속적인 값으로 매핑하는 규칙 기반 시스템의 구체적인 예입니다. 기존의 디지털 논리와 달리 0/1 결과가 발생합니다
컴퓨터 비전 (CV): 디지털 이미지를 획득하고 이해하는 방법 (일반적으로 활동 인식, 이미지 인식 및 머신 비전으로 구분됨)
NLP (Natural Language Processing) : 자연 언어 데이터를 처리하는 하위 필드 (세 가지 주요 블록, 즉 언어 이해, 언어 생성 및 기계 번역)
뉴럴 네트워크 (NN 또는 ANN) : 인간 / 동물 뇌의 연결 구조 후에 느슨하게 모델링 된 알고리즘의 클래스로, 수행 방법을 명시 적으로 지시하지 않고 성능을 향상시킵니다. NN의 두 메이저 및 잘 알려진 하위 클래스는 Deep Learning (다중 레이어가있는 신경망) 및 Generative Adversarial Networks (GAN - 서로 교육하는 두 네트워크)
자율 시스템 (Autonomous Systems) : 로봇과 지능 시스템 간의 교차점에 위치하는 서브 필드 (예 : 지능형 지각, 기민한 객체 조작, 계획 기반 로봇 제어 등)
분산 인공 지능 (DAI) : 서로 상호 작용하는 자율적 인 "에이전트"에 배포하여 문제를 해결하는 기술 클래스입니다. 집합 적 행동은 분산 된자가 조직 에이전트 (self-organized agent)의 상호 작용에서 출현하는 다중 에이전트 시스템 (MAS), 에이전트 기반 모델링 (ABM) 및 스웜 인텔리전스
Affective Computing : 정서 인식, 해석 및 시뮬레이션을 다루는 서브 필드
진화 알고리즘 (Evolutionary Algorithms, EA) : 진화 적 계산 (evolutionary computation)이라 불리는보다 넓은 컴퓨터 과학 영역의 부분 집합으로, 생물학적 (예 : 돌연변이, 복제 등)에 영감을받은 메커니즘을 사용하여 최적의 해결책을 찾는다. 유전 알고리즘은 EAs의 가장 많이 사용되는 하위 그룹으로, 자연 선택 프로세스를 따라 "가장 적합한"후보 솔루션을 선택하는 검색 추론입니다.
귀납적 논리 프로그래밍 (Inductive Logic Programming, ILP) : 공식 논리를 사용하여 사실의 데이터베이스를 표현하고 그 데이터에서 파생 된 가설을 공식화하는 하위 필드
의사 결정 네트워크 (Decision Networks) : 가장 잘 알려진 베이지안 네트워크 / 추론의 일반화 된 것으로, 맵을 통해 변수 세트와 확률 론적 관계를 나타냅니다 (직접 비순환 그래프라고도 함)
확률 적 프로그래밍 (Probabilistic Programming) : 특정 변수를 하드 코딩하지 않고 확률 모델로 작업하는 프레임 워크. 베이지안 프로그램 합성 (Bayesian Program Synthesis, BPS)은 어떻게 든 베이 즈안 프로그램이 새로운 베이지안 프로그램을 작성하는 확률 론적 프로그래밍의 한 형태이다 (인간이 아니라 넓은 확률 적 프로그래밍 접근법에서와 같이)
Ambient Intelligence (AmI) : 물리적 장치를 디지털 환경에 요구하여 외부 자극 (일반적으로 사람의 행동에 의해 유발 됨)에 대한 상황 인식을 감지, 감지 및 응답하는 프레임 워크.

이 지도가 완벽하지는 않지만 적어도 AI분야를 이해하는 첫 번째 시도가 될 것입니다 .