통계적 AI

통계 AI는 인공지능의 기본 분야입니다. 인공 지능(AI)의 기본 분야로 수학 공식, 확률 이론, 통계적 방법을 활용하여 기계가 데이터로부터 학습할 수 있도록 지원합니다. 통계적 AI는 가능한 모든 시나리오에 대해 하드코딩된 규칙이나 명시적인 프로그래밍에 의존하는 대신, 패턴을 식별하고 패턴을 식별하고 예측하며 과거 사례로부터 일반화하여 불확실성을 처리할 수 있는 모델을 구축합니다. 이 데이터 기반 접근 방식은 최신 머신 러닝의 엔진이며 머신 러닝(ML)의 엔진이며 이 분야의 지배적인 패러다임이 되어 이미지 인식에서 언어 번역에 이르기까지 모든 분야의 발전을 이끌고 있습니다.

핵심 원칙

통계 AI의 핵심 전제는 대규모 데이터 세트의 통계 분석에서 인텔리전스가 나올 수 있다는 것입니다. 통계 모델은 고양이와 개를 구별하는 방법을 정확히 알려주는 대신, 레이블이 지정된 데이터에 대한 레이블이 지정된 데이터 세트에 대한 모델 훈련을 거칩니다. 이 과정에서 알고리즘은 내부 파라미터를 반복적으로 조정하여 오차를 정량화하는 손실 함수를 최소화하기 위해 내부 파라미터를 반복적으로 조정합니다. 모델 예측과 실제 실측 데이터 사이의 오차를 정량화합니다.

이 최적화는 일반적으로 다음과 같은 알고리즘을 통해 이루어집니다. 확률적 경사 하강, 시스템이 수학적으로 가장 정확한 데이터 표현에 수렴할 수 있도록 합니다. 이 분야를 이끄는 주요 개념 이 필드에는 다음이 포함됩니다:

• 확률적 추론: 불확실한 상황에서 다양한 결과의 다양한 결과의 확률을 계산하여 의사 결정을 내리는 능력으로, 다음과 같은 리소스에 자세히 설명되어 있습니다. 스탠포드 인공지능 연구소.
• 패턴 인식: 시각적 특징과 같은 데이터의 규칙성을 식별합니다. 컴퓨터 비전(CV) 또는 텍스트의 구문 구조 과 같은 데이터의 규칙성을 식별합니다.
• 평가 지표: 다음과 같은 통계적 측정값을 사용하여 정확도 및 평균 평균 정밀도(mAP) 와 같은 통계 지표를 사용하여 보이지 않는 데이터의 성능을 검증합니다.

통계적 AI vs. 기호적 AI

통계적 AI의 중요성을 이해하려면 다음과 구별하는 것이 도움이 됩니다. 상징적 AI, 일명 "Good Old-Fashioned AI"(GOFAI)라고도 합니다.

• 기호적 AI: 이 접근 방식은 높은 수준의 기호적 표현과 명시적인 논리적 규칙에 의존합니다. 이 접근 방식은 의료 진단이나 체스에 사용되는 초기 의료 진단이나 체스와 같이 규칙이 명확하게 정의된 환경에서 탁월합니다. 하지만 현실 세계의 모호함과 노이즈에 어려움을 겪습니다.
• 통계적 AI: 이와 대조적으로 이 접근 방식은 암묵적으로 규칙을 학습합니다. 노이즈에 강하고 복잡한 비정형 데이터를 처리할 수 있습니다. 예를 들어 딥 러닝 모델(통계적 딥러닝 모델은 음성 규칙으로 프로그래밍하지 않고도 방대한 오디오 라이브러리를 분석하여 오디오 라이브러리.

실제 애플리케이션

통계 AI는 현대 기술에서 어디에나 존재합니다. 두 가지 구체적인 적용 사례는 다음과 같습니다:

• 자율 시스템의 객체 감지:컴퓨터 비전 영역에서는 다음과 같은 통계 모델이 사용됩니다. 컨볼루션 신경망(CNN) 과 같은 통계 모델은 픽셀 데이터를 처리하여 객체를 식별합니다. 그리고 YOLO11 아키텍처는 경계 상자와 클래스 확률을 예측하는 통계적 모델의 대표적인 예입니다. 이 기술은 다음과 같은 자율 주행 차량에 매우 중요합니다. 센서 데이터를 통계적으로 해석하여 안전하게 주행해야 하는 매우 중요합니다.

• 자연어 처리(NLP):다음과 같은 애플리케이션은 기계 번역과 같은 애플리케이션은 단어와 구문 간의 통계적 상관관계에 크게 의존합니다. 다음과 같은 도구 Google 번역은 방대한 통계 모델을 사용하여 주어진 문장에 대해 가장 가능성이 높은 가장 가능성이 높은 번역을 예측하여 기존의 규칙 기반 번역 시스템을 대체합니다. 이는 다음에도 적용됩니다. 감정 분석: 모델이 텍스트의 감정 어조를 단어 분포를 기반으로 텍스트의 감정적 어조를 결정합니다.

Python 통계 모델 적용하기

물체 감지와 같은 작업에 통계적 AI의 강력한 기능을 활용할 수 있습니다. ultralytics 라이브러리를 추가합니다. 다음 예는 미리 학습된 통계 모델을 로드하고 추론을 실행하여 이미지의 객체를 예측하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (a statistical AI model)
model = YOLO("yolo11n.pt")

# Run inference on an image
# The model uses learned statistical weights to predict object locations
results = model("https://ultralytics.com/images/bus.jpg")

# Display the prediction results
results[0].show()

통계적 AI는 다음과 같은 프레임워크를 통해 계속 발전하고 있습니다. PyTorch 와 TensorFlow 와 같은 프레임워크를 통해 개발자가 더 쉽게 정교한 모델을 더 쉽게 구축하고 배포할 수 있습니다. 방대한 양의 빅 데이터와 강력한 GPU, 통계적 접근 방식 은 이전에는 기계로는 불가능하다고 여겨졌던 문제를 해결하고 있습니다.