Mākslīgais intelekts

Vai mašīnas spēj domāt?

Jau kopš 2017. gada mākslīgais intelekts kā informācijas tehnoloģiju apakšnozare raisījis lielu satraukumu. Mākslīgā intelekta lietderība jau pārbaudīta un tiek plaši izmantota, piemēram, izstrādājot virtuālos asistentus, lietotnes, prāta spēles un citur.

Taču atgriezīsimies pie sākotnējā jautājuma: vai tiešām šīs mašīnas spēj domāt? Un te nu mēs saskaramies ar jautājumu – kas īsti ir domāšana? Nav vienas skaidri formulētas šī jēdziena definīcijas.

Taču ar ko atšķiras mākslīgais intelekts no cilvēka intelekta?

Cilvēka spēja domāt radoši un inovatīvi ir unikāla, vismaz pagaidām. Tomēr mašīnas spēj pieņemt lēmumus, izvēloties kādu no dotajiem variantiem, un spēj apstrādāt neiedomājami lielu informācijas un datu apjomu. Turklāt mašīnas ir arī ļoti uzticamas, precīzas un spēj darboties bez pārtraukuma divdesmit četras stundas diennaktī. Ja tās saņem precīzus norādījumus, tās patstāvīgi spēj atrisināt pat īpaši sarežģītus uzdevumus. Mākslīgais intelekts ir balstīts uz algoritmiem, datu apstrādes veiktspēju un apstrādājamo datu eksponenciālo pieaugumu.

Nav šaubu, ka mākslīgajam intelektam ir milzīgs potenciāls. Mašīnmācīšanās nepārtrauktā attīstība ietekmē arī nodarbinātības sfēru.

LEJUPIELĀDES

Whitepaper Artificial Intelligence in Logistics

Terms, applications and perspectives

758.0 KB

GALVENIE JĒDZIENI ATTIECĪBĀ UZ MĀKSLĪGO INTELEKTU

Innovations and Trends in material handling and logistics

Mākslīgais intelekts jeb Artificial intelligence (AI)  ir informācijas tehnoloģiju nozares apakšnozare, kas pievēršas saprātīgas uzvedības automatizēšanas jautājumiem. Mākslīgo intelektu izmanto datoru programmēšanā, lai dators spētu risināt problēmas patstāvīgi, līdzīgi kā rīkotos attiecīgi apmācīts cilvēks. Problēmu risināšana ir lēmumu pieņemšana un atbilstoša reaģēšana uz radušos problēmu noteiktā laikā, pamatojoties uz datiem no dažādiem avotiem (datubāzēm, sensoriem, videokamerām u.c.).

artificial intelligence, brain with data streams, networking

Mašīnmācīšanās ir vienots termins, kas attiecas uz dažādiem procesiem, ko izmanto, lai noteiktu nezināmu funkcionālo savstarpējo saistību starp ieejas un izejas datiem. Mašīnmācīšanās ne tikai ietver tādus nozīmīgus tradicionālos lietojumus kā klasteru analīze, regresijas, faktoru un dinamiskās rindas analīze – tajā tiek integrētas arī sarežģītākas metodes, piemēram, neironu tīkli, evolucionāras pieejas un atbalsta vektoru mašīnas.

PROGNOZĒJOŠĀ ANALĪZE

Lielo datu tehnoloģiju izmantošana ļauj apstrādāt gigantisku datu apjomu, ātri attēlot reālo situāciju un precīzi pieņemt lēmumus. Izlasiet mūsu tehnisko dokumentu (White paper) un uzziniet, kādi ir prognozējošās analīzes veikšanas priekšnoteikumi.

SIMULĀCIJA

Simulācijai ir svarīga loma loģistikas sistēmu plānošanā. Mūsu tehniskajā dokumentā aprakstīts, kā mākslīgais intelekts tiek izmantots plānošanā un kādas ir tā izmantošanas priekšrocības.

KOGNITĪVĀ DATORIKA - MĀKSLĪGAIS INTELEKTS

Kognitīvā datorika – mašīnas cilvēku vietā izpilda uzdevumus vai pieņem lēmumus. Noskatieties mūsu video un uzziniet vairāk par to, kādās jomās visbiežāk mašīnas palīdz cilvēkiem.

MAŠĪNU DZIĻĀ MĀCĪŠANĀS

Mašīnu dziļā mācīšanās ir tehnoloģija, kas piešķir datoriem spēju mācīties no pieredzes, kas cilvēkiem piemīt dabiski. To izmanto, piemēram, attēlu un balss atpazīšanā. Uzziniet vairāk par mašīnu dziļo mācīšanos un šīs tehnoloģijas attīstību pēdējos gados.

MĀCĪŠANĀS STRATĒĢIJA

Mācīšanās stratēģijas – lielam atkārtojumu skaitam un augstai datu kvalitātei ir būtiska loma! Bet kuras no dažādajām mācīšanās stratēģijām tiek izmantotas?

MAŠĪNMĀCĪŠANĀS

Mašīnmācīšanās tehnoloģija nodrošina personalizētu reklāmu rādīšanu tiešsaistē vai automātisku surogātpasta filtrēšanu. Noskatieties šo video un jūs uzzināsiet, kā tas darbojas.

MĀKSLĪGAIS INTELEKTS

Uzziniet vairāk par mākslīgo intelektu.

Kas ir mākslīgais intelekts?

Vai mašīna spēj domāt un pat patstāvīgi pieņemt lēmumus? Mākslīgais intelekts ir sastopams it visur – ne tikai biznesa pasaulē, bet arī mūsu privātajā vidē. Vai vēlaties uzzināt vairāk?

MĀKSLĪGAIS INTELEKTS LOĢISTIKĀ

Parunāsim par iespējām...

Kas gaidāms nākotnē?

Mēs jau apsveram turpmāko loģistikas nozares attīstību. Mākslīgais intelekts mums paver jaunas iespējas. Atklājiet digitālo pasauli kopā ar mums.

MĀKSLĪGAIS INTELEKTS: WHITEPAPER AUTORI

Bild Markus Klug

... studējis tehnisko matemātiku Vīnes Tehnoloģiju universitātē (TU Wien), specializējies simulācijā, operāciju izpētē un statistikā. Pēc studiju beigšanas Glāzgovā pētījis kodola metožu izmantošanu atsevišķu notikumu simulācijas modeļos. 2001. gadā sāka darbu Seibersdorfas pētījumu centrā kā projektu vadītājs, taču vēlāk kļuva par darba grupas „Procesa optimizācija” vadītāju – vadīja un īstenoja valsts un starptautiska mēroga pētījumu projektus par transporta loģistiku, noteiktai vietai raksturīgo loģistiku un globālajām piegādes ķēdēm. Jau pētījumu veikšanas laikā viņš sāka pasniegt lekcijas dažādās Austrijas augstākajās izglītības iestādēs, kas vēlāk kļuva par viņa galveno nodarbošanos.

Markus Klug ir kopā ar SSI SCHÄFER IT Solutions GmbH kopš 2013. gada. Sākumā viņš bija atbildīgs par datu analīzes un simulācijas rīku izstrādi uzņēmumā, taču viņa pienākumu lokā nu ietilpst arī datu zinātne, mākslīgais intelekts un mašīnmācīšanās. Kā militārais eksperts armijas bruņoto spēku rezerves loģistikā, kurš īpaši pievērsies militāro operāciju izpētei, viņš darbojas arī kā konsultants Austrijas armijā un sniedz tai eksperta konsultācijas par matemātisko modeļu un procesu attīstīšanu militārajā sektorā. Markus Klug ir plašas zināšanas un pieredze, par ko liecina viņa dažādās akadēmiskās publikācijas, lekcijas, dalība akadēmisko programmu komitejās, sesiju vadītāja posteņi akadēmiskās konferencēs un viņa kā starptautiska mēroga nozaru profesionāļu žurnālu recenzenta darbība.

Autor Georg Rief

Georg Rief ir ieguvis bakalaura grādu datorzinātnē un maģistra grādu fizikā. Studiju laikā viņš galvenokārt pievērsās simulācijai un datu zinātnei, jo tobrīd mākslīgais intelekts vēl nebija īpaši aktuāls, tādēļ tā nebija viņa studiju centrālā tēma. Kad viņš 2014. gada martā pievienojās SSI SCHÄFER, viņam jau bija 8 gadu pieredze programmatūras izstrādē citās nozarēs. Sākumā viņš piedalījās klientu projektu izstrādē kā W4 izstrādātājs, līdz 2016. gada decembrī tika pārcelts darbā uz Datu zinātnes un simulācijas nodaļu.

New Content Item (1)

Karina Konrath studējusi tehnisko matemātiku Grācas Tehnoloģiju universitātē un kopš 2017. gada novembra strādā SSI SCHÄFER. Kā datu zinātniece viņa lielā mērā ir atbildīga par datu sagatavošanu un analīzi, kas ļauj viņai intensīvi pielietot iegūtās zināšanas statistikā un matemātikā.

KĀ VARAM JUMS PALĪDZĒT?

[---Error_NoJavascript---]