En karriere inden for kunstig intelligens (AI) virker lys med den seneste udvikling på dette område.
Næsten alle sektorer udnytter kunstig intelligens til deres fordel, fra IT, fremstilling og bil til forsvar, finans og indholdsskabelse,
Så hvis du vil bygge en karriere inden for AI, kan der aldrig være et bedre tidspunkt at starte på end nu. Da praktisk erfaring er den bedste måde at lære en færdighed på, kan du lave forskellige projekter for at lære AI og relaterede færdigheder som programmering og brug af værktøjer og teknologier.
Det vil lære dig, hvordan AI kan hjælpe mennesker og virksomheder i realtid og hjælpe dig med at få viden i denne sektor for at fremme din karriere inden for AI. Og til dette vil det være yderst fordelagtigt, hvis du har viden om færdigheder som:
- Programmeringssprog som Python, R, Java, MATLAB og Perl
- Maskinlæringsalgoritmer som lineær regression, logistisk regression, Naive Bayes, K-means, KNN, SVM og beslutningstræer
- Grundlæggende dataanalyse og værktøjer som Apache Spark
- Kunstige neurale netværk (ANN), der kan efterligne menneskers hjernefunktioner for at løse problemer i apps til håndskrift, ansigts- og mønstergenkendelse
- Convulsion Neural Network (CNN) grundlæggende
- Unix-baserede værktøjer som Sort, AWK og regulære udtryk.
Lad os nu hurtigt opdage nogle af de interessante AI-projekter.
Indholdsfortegnelse
Grundlæggende AI-projekter
Håndskrevet ciffergenkendelse
Formål: At bygge et system, der kan genkende håndskrevne cifre ved hjælp af kunstige neurale netværk
Problem: Cifre og tegn skrevet af mennesker består af forskellige former, størrelser, kurver og stilarter, ikke helt ens for to personer. Så det var tidligere udfordrende for computere at konvertere skrevne tegn eller cifre til et digitalt format. De plejede også at kæmpe med at fortolke tekst på papirbaserede dokumenter.
Selvom digitalisering hurtigt bliver vedtaget i næsten alle sektorer, kræver visse områder stadig papirarbejde. Det er derfor, vi har brug for teknologi til at gøre denne proces nem for computere, så de kan genkende menneskelige skrifter på papir.
Løsning: Brug af kunstige neurale netværk gør det muligt at bygge et håndskrevet ciffergenkendelsessystem til præcist at fortolke de cifre, som en person tegner. Til dette bruges et foldningsneuralt netværk (CNN) til at genkende cifre på et papir. Dette netværk har et HASYv2-datasæt bestående af 168.000 billeder fra 369 forskellige klassifikationer.
Anvendelse: Bortset fra papirer kan et håndskrevet ciffergenkendelsessystem læse matematiske symboler og håndskriftsstile fra fotos, berøringsskærmenheder og andre kilder. Denne software har forskellige applikationer som bankcheckgodkendelse, læsning af udfyldte formularer og hurtige noter.
Bane Line Detection
Formål: At skabe et system, der kan forbindes med selvkørende køretøjer og linjefølgende robotter for at hjælpe dem med at opdage vognbanelinjer på en vej i realtid.
Problem: Uden tvivl er autonome køretøjer innovative teknologier, der bruger Deep Learning-teknikker og algoritmer. De har skabt nye muligheder i bilsektoren og reduceret behovet for en menneskelig chauffør.
Men hvis maskinen, der kører en selvkørende bil, ikke er passende uddannet, kan det forårsage risici og ulykker på vejen. Mens du træner maskinen, er et af trinene at få systemet til at lære at registrere vognbaner på vejen, så det ikke kommer i en anden vognbane eller kolliderer med andre køretøjer.
Løsning: For at løse dette problem skal du bygge et system ved hjælp af begreberne Computer Vision i Python. Det vil hjælpe de selvkørende køretøjer med at opdage vognbanelinjer korrekt og sikre, at det kører på vejen, hvor det skal være, uden at risikere andre.
Du kan bruge OpenCV bibliotek – et optimeret bibliotek, der fokuserer på brug i realtid som dette til at detektere vognbanelinjer. Biblioteket inkluderer Java-, Python- og C++-grænseflader, der understøtter Windows, macOS, Linux, Android og iOS-platforme.
Desuden er det bydende nødvendigt at finde markeringerne på en banes begge sider. Du kan bruge computersynsteknikker i Python til at finde vejbanerne, hvor selvkørende biler skal køre. Du skal også finde den hvide markering på en bane og maskere resten af objekterne med rammemaskering og NumPy-arrays. Nest, Hough-linjetransformationen anvendes til endelig at detektere banelinjerne. Derudover kan du bruge andre computersynsmetoder som f.eks. farvetærskel til at identificere vognbanelinjerne.
Anvendelse: Banelinjedetektion bruges i realtid af autonome køretøjer som biler og linjefølgende robotter. Det er også nyttigt i spilindustrien til racerbiler.
Påvisning af lungebetændelse
Formål: At bygge et AI-system ved hjælp af convolution neurale netværk (CNN’er) og Python, der kan detektere lungebetændelse fra en patients røntgenbilleder
Problem: Lungebetændelse er stadig en trussel, der kræver liv i mange lande. Problemet er, at der tages røntgenbilleder for at opdage sygdomme som lungebetændelse, kræft, tumor osv. generelt, hvilket kan give lav synlighed og gøre vurderingen ineffektiv. Men hvis den rette behandling følges, kan dødeligheden reduceres betydeligt.
Desuden kan positionen, formen og størrelsen af lungebetændelse variere på et betydeligt niveau, hvor dens målkontur bliver stort set vag. Det øger detekterings- og nøjagtighedsproblemer. Dette bringer os til at udvikle en teknologi, der kan identificere lungebetændelse tidligt med optimal nøjagtighed for at give korrekt behandling og redde liv.
Løsning: Softwareløsningen vil blive trænet med massive detaljer om lungebetændelse eller andre sygdomme. Når brugere deler deres helbredsrelaterede problemer og symptomer, kan softwaren behandle oplysningerne og tjekke dem mod sin database for muligheder relateret til disse detaljer. Den kan bruge data mining til at give den mest præcise sygdom svarende til patientens detaljer.
På denne måde kan en patients sygdom opdages, og de kan få ordentlig behandling. Og for at designe softwaren skal du bestemme den mest effektive CNN-model analytisk og komparativt for at opnå lungebetændelsesdetektion fra røntgenbilleder ved hjælp af funktionsekstraktion. Dernæst præsenteres de forskellige modeller med deres klassifikatorer for at foreslå den bedst egnede klassificering og evaluere den bedste CNN-model for at kontrollere dens ydeevne.
Anvendelse: Dette AI-projekt er gavnligt for sundhedsdomænet til at opdage sygdomme som lungebetændelse, hjertesygdomme osv., og yde medicinsk konsultation til patienterne.
Chatbots
Formål: At bygge en chatbot ved hjælp af Python til at integrere den i et websted eller en applikation
Problem: Forbrugere har brug for fremragende service, når de bruger en applikation eller et websted. Hvis de har en forespørgsel, de ikke kan finde svaret på, kan de miste interessen for appen. Så hvis du bygger et websted eller en applikation, skal du tilbyde den bedste kvalitetsservice til dine brugere, så du ikke mister dem og påvirker din bundlinje.
Løsning: En chatbot er et program, der kan aktivere automatisk samtale mellem bots (AI) og et menneske via tekst eller tale som Alexa. Den er tilgængelig 24/7 for at hjælpe brugere med deres forespørgsler, navigere i dem, tilpasse brugeroplevelsen, øge salget og give dybere indsigt i kundernes adfærd og behov for at hjælpe dig med at forme dine produkter og tjenester.
Til dette AI-projekt kan du bruge en simpel version af en chatbot, som du kan finde på mange websteder. Identificer deres grundlæggende struktur for at begynde at bygge en lignende. Når du er færdig med en simpel chatbot, kan du flytte til avancerede.
For at skabe en chatbot bruges AI-koncepter som Natural Language Processing (NLP) til at gøre det muligt for algoritmer og computere at forstå menneskelige interaktioner gennem forskellige sprog og behandle disse data. Den nedbryder lydsignaler og menneskelig tekst og analyserer og konverterer derefter dataene i et maskinforståeligt sprog. Du vil også kræve forskellige forudtrænede værktøjer, pakker og talegenkendelsesværktøjer for at skabe en intelligent og responsiv chatbot.
Anvendelse: Chatbots er yderst nyttige i erhvervssektoren til kundeservice, IT-helpdesk, salg, marketing og HR. Industrier fra eCommerce, Edtech og fast ejendom til finansiering og turisme bruger chatbots. Topmærker som Amazon (Alexa), Spotify, Marriott International, Pizza Hut, Mastercard og flere udnytter chatbots.
Anbefalingssystem
Formål: At bygge et anbefalingssystem til kunder for produkter, videoer og musikstreaming og mere ved hjælp af ANN, data mining, machine learning og programmering.
Problem: Konkurrencen er høj på tværs af alle domæner, uanset om det er e-handel eller underholdning. Og for at skille dig ud, skal du tilbagelægge ekstra kilometer. Hvis du tilbyder noget, som din målkunde leder efter, men ikke har foranstaltningerne til at guide dem til din butik eller anbefale dine tilbud, efterlader du en masse penge på bordet.
Løsning: Brug af et anbefalingssystem kan effektivt tiltrække flere besøgende til dit websted eller din applikation. Du har måske observeret, at e-handelsplatforme som Amazon tilbyder produktanbefalinger, som du har søgt efter et sted på internettet. Når du åbner din Facebook eller Instagram, ser du lignende produkter. Sådan fungerer et anbefalingssystem.
For at bygge dette system kræver du browserhistorik, kundeadfærd og implicitte data. Data mining og maskinlæring er nødvendige for at producere de bedst egnede produktanbefalinger baseret på kundernes interesser. Og du skal også programmere i R, Java eller Python og udnytte kunstige neurale netværk.
Anvendelse: Anbefalingssystemer finder enorme applikationer i e-handelsbutikker som Amazon, eBay, videostreamingtjenester som Netflix og YouTube, musikstreamingtjenester som Spotify og mere. Det hjælper med at øge produktrækkevidden, antallet af leads og kunder, synlighed på tværs af forskellige kanaler og overordnet rentabilitet.
Mellemliggende AI-projekter
Branddetektion
Formål: At bygge et branddetektionssystem ved hjælp af CNN til opgaver relateret til computersyn og billedklassificering
Problem: Brande i bolig- og erhvervsbygninger er farlige. Bliver branden ikke opdaget rettidigt, kan det føre til massive tab af liv og ejendom. Naturbrande bliver hyppigere; derfor er der behov for regelmæssig overvågning for at bevare dyrelivet og naturressourcerne.
Løsning: At bygge et system, der kan opdage brand indendørs og udendørs på et tidligt tidspunkt og med sin nøjagtige placering kan hjælpe med at slukke det, før det kan forårsage skade. Branddetektionssystemet er forbedret gennem et overvågningskamera.
Til dette bruges AI-teknikker som CNN og computervision og værktøjer som OpenCV. Det kræver sofistikeret billedbehandling og cloud computing. Systemet kan laves til at analysere billeder fra videokameraer for synligt lys og infrarødt. Den skal også identificere røg, adskille den fra tåge og advare folk hurtigt.
Anvendelse: AI-drevet branddetektion kan bruges til at detektere skovbrande for at bevare naturressourcer, flora og fauna og i boliger og virksomhedsbygninger.
Stemmebaseret virtuel assistent
Formål: At bygge en applikation med stemmefunktioner til at hjælpe brugere
Problem: Internettet er stort med mange produkter og tjenester, som kunderne kan føle sig overvældet af. Derudover har folk travlt og har brug for hjælp på forskellige områder, også til deres daglige opgaver.
Løsning: I dag efterspørges stemmebaserede virtuelle assistenter for at forenkle brugernes liv. Folk kan bruge disse applikationer som Alexa og Siri til underholdningsformål, søge onlineprodukter og -tjenester og udføre daglige opgaver for bedre produktivitet.
For at bygge dette system bruges NLP til at forstå menneskeligt sprog. Systemet vil høre stemmen, konvertere den til maskinsprog og gemme kommandoerne i sin database. Det vil også identificere brugernes hensigt om at udføre opgaven i overensstemmelse hermed og kan bruge tekst-til-tale eller tale-til-tekst-værktøjer.
Anvendelse: Stemmebaserede virtuelle assistenter bruges til at finde relevante ting på internettet, afspille musik, film og videoer til underholdning, indstille påmindelser, skrive hurtige noter, aktivere og deaktivere husholdningsapparater og mere.
Plagiatkontrol
Formål: At skabe et system, der kan kontrollere et dokument for plagiat eller duplikering ved hjælp af AI
Problem: Duplikering af indhold er en sygdom, som skal overvåges og udryddes. For virksomheder fører det til skade på omdømmet og dårlige placeringer i søgemaskinerne. Faktisk kan folk også blive straffet for plagiering på grund af ophavsret. Derfor er der behov for at identificere plagieret indhold for virksomheder og uddannelsesinstitutioner.
Løsning: AI-koncepter bruges til at bygge et plagiatkontrolværktøj til at detektere duplikering i et dokument. I dette projekt kan Python Flask eller text mining bruges til at opdage plagiat ved hjælp af en vektordatabase kaldet Pinecone. Det kan også vise plagiatprocenten.
Anvendelse: Plagiatkontrol har mange fordele for indholdsskabere, bloggere, redaktører, udgivere, forfattere, freelancere og undervisere. De kan bruge det til at kontrollere, om nogen har stjålet deres værk og bruge det, mens redaktører kan analysere en tekst indsendt af en forfatter og identificere, om den er unik eller kopieret fra et sted.
Detektion af ansigtsfølelser
Formål: At bygge en applikation, der kan forudsige eller identificere menneskelige følelser gennem ansigtstræk ved hjælp af AI
Problem: At forstå menneskelige følelser er udfordrende. Der har været meget forskning i årtier for at forstå ansigtsfølelser. Før fremkomsten af AI var resultaterne overalt.
Løsning: AI kan hjælpe med at analysere menneskelige følelser gennem ansigt ved hjælp af begreber som Deep Learning og CNN. Deep learning kan bruges til at bygge softwaren til at identificere ansigtsudtryk og fortolke dem ved at detektere kernefølelser hos mennesker i realtid som glæde, tristhed, frygt, vrede, overraskelse, afsky, neutral osv.
Systemet vil blive gjort i stand til at udtrække ansigtstræk og klassificere udtryk. CNN kan gøre dette og vil også skelne mellem dårlige og gode følelser for at opdage en persons adfærd og tankemønstre.
Anvendelse: Ansigtsfølelsesdetekteringssystemer kan bruges af bots til at forbedre menneskelig interaktion og give passende hjælp til brugerne. De kan også hjælpe børn med autisme, mennesker med blindhed, overvåge opmærksomhedsskilte for førersikkerhed og meget mere.
Oversætterapplikation
Formål: At bygge en oversætterapplikation ved hjælp af kunstig intelligens
Problem: Der tales tusindvis af sprog i verden. Selvom engelsk er et globalt sprog, er det ikke alle, der forstår det i alle dele af verden. Og hvis du vil drive forretning med nogen fra andre lande, der taler et sprog, du ikke forstår, er det problematisk. På samme måde, hvis du rejser til andre lande, kan du stå over for lignende problemer.
Løsning: Hvis du kan oversætte, hvad andre siger eller har skrevet, vil det hjælpe dig med at få dyb kontakt til dem. Til dette kan du bruge en oversætter som Google Translate. Du kan dog bygge din egen app fra stivelse ved hjælp af AI.
Til dette kan du bruge NLP- og transformermodeller. En transformator vil udtrække træk fra en sætning for at bestemme hvert ord og dets betydning, der kan give den fulde mening af en sætning. Det vil kode og afkode ord fra ende til anden. For at gøre dette, vil indlæsning af en præ-trænet Python-baseret transformermodel hjælpe dig. Du kan også bruge GluonNLP-biblioteket og derefter indlæse og teste datasættene.
Anvendelse: Oversætterappen bruges til at oversætte forskellige sprog til formål som forretning, rejser, blogging og mere.
Avancerede AI-projekter
Genoptag Parser
Formål: At bygge software ved hjælp af AI, der kan bladre gennem en masse CV’er og hjælpe brugere med at vælge det ideelle
Problem: Ved rekrutteringer bruger fagfolk meget tid på at gennemgå mange CV’er, én efter én, manuelt for at finde egnede kandidater til en stilling. Det er tidskrævende og ineffektivt. Selvom det kan automatiseres gennem søgeordsmatching, har det mange ulemper. Kandidater, der kender denne procedure, vil tilføje mange flere søgeord for at blive udvalgt, mens andre vil blive afvist, selvom de har de nødvendige færdigheder.
Løsning: Skimme gennem et stort antal CV’er og finde den rigtige pasform til en jobrolle kan automatiseres ved hjælp af en CV-parser. Det vil hjælpe dig med at gøre det effektivt, hvilket sparer tid og kræfter, samtidig med at du kan vælge kandidater med de nødvendige færdigheder.
AI og ML kan hjælpe dig med at bygge applikationen for at vælge en passende kandidat, mens du filtrerer resten fra. For at gøre dette kan du bruge CV-datasættet på Kaggle med to kolonner – CV-oplysninger og jobtitel. Du kan også bruge NLTK – et Python-baseret bibliotek – til at bygge klyngealgoritmer, der matcher færdigheder.
Ansøgning: En CV-parser bruges til rekrutteringsprocessen og kan bruges af virksomheder og uddannelsesinstitutioner.
App til ansigtsgenkendelse
Formål: At bygge en app med mulighed for ansigtsgenkendelse ved hjælp af ANN, CNN, ML og deep learning
Problem: Problemer med identitetstyveri er alvorlige med de stigende cybersikkerhedsrisici, der kan infiltrere systemer og data. Det kan forårsage privatlivsproblemer, datalækage og skade på omdømmet for mennesker og virksomheder.
Løsning: Biometri som ansigtstræk er unikke, så organisationer og enkeltpersoner kan bruge dem til at beskytte deres systemer og data. Ansigtsgenkendelsessystemer kan hjælpe med at bekræfte en bruger og sikre, at kun de autoriserede og autentificerede brugere kan få adgang til et system, netværk, facilitet eller data.
Du har brug for avancerede ML-algoritmer, matematiske funktioner og 3D-billedbehandling og -genkendelsesteknikker for at bygge denne løsning.
Anvendelse: Det bruges i smartphones og andre enheder som en sikkerhedslås og organisatoriske faciliteter og systemer for at sikre databeskyttelse og sikkerhed. Det bruges også af udbydere af Identity and Access Management (IAM), forsvarssektoren og mere.
Spil
Formål: At skabe videospil ved hjælp af AI-koncepter
Problem: Videospilindustrien udvider sig, og spillere bliver mere avancerede. Derfor er der et konstant behov for at udvikle sig og levere interessante spil, der skiller sig ud, mens du fortsætter med at drive dit salg.
Løsning: AI-koncepter bruges til at skabe forskellige spilapplikationer som skak, slangespil, racerbiler, procedurespil og mere. Det kan bruge mange færdigheder som chatbots, talegenkendelse, NLP, billedbehandling, data mining, CNN, machine learning og mange flere til at skabe et realistisk videospil.
Anvendelse: AI bruges til at skabe forskellige videospil som AlphaGo, Deep Blue, FEAR, Halo og mere.
Salgsprognose
Formål: At skabe software, der kan forudsige salg for virksomheder
Problem: Virksomheder, der beskæftiger sig med mange produkter, har problemer med at administrere og holde styr på hvert produkts salgstal. De har også problemer med at spore lagrene og gøre de udsolgte produkter tilgængelige igen. Som følge heraf kan de mislykkes med at levere produkter til brugerne, hvilket forringer kundeoplevelsen.
Løsning: Opbygning af et salgsforudsigelsesværktøj kan hjælpe dig med at forudsige det gennemsnitlige salgstal dagligt, ugentligt eller månedligt. På denne måde kan du forstå, hvordan dine produkter fungerer, og lagerføre flere varer til tiden for at imødekomme kundernes krav.
For at gøre dette kan du bruge færdigheder som maskinlæringsalgoritmer, dataanalyse, Big Data og mere for at gøre det muligt for softwaren at forudsige salg nøjagtigt.
Anvendelse: Det bruges af e-handelsbutikker, detailhandlere, distributører og andre virksomheder, der beskæftiger sig med massive produkter.
Automatiseringssystem
Formål: At skabe en softwareløsning, der kan automatisere bestemte opgaver for produktivitet
Problem: Gentaget, manuelt arbejde er tidskrævende. Disse er ikke kun kedelige, men fjerner også produktiviteten. Derfor skal der bygges et system, der kan automatisere forskellige opgaver såsom planlægning af opkald, modtagelse, autokorrektion, behandling af transaktioner og mere.
Løsning: Ved at bruge AI kan du bygge software, der kan automatisere sådanne opgaver for at hjælpe med at forbedre brugernes produktivitet og dedikere tid til mere kritiske opgaver. Det kan også laves til at levere meddelelser i tide, så du kan udføre opgaver til tiden. Og at bygge dette system kræver færdigheder som NLP, ansigtsgenkendelse, computersyn og meget mere.
Anvendelse: Automatisering ved hjælp af kunstig intelligens er meget brugt til at bygge produktivitetsværktøjer til virksomheder i alle størrelser og i forskellige sektorer fra bank, finans, sundhedspleje, uddannelse og fremstilling.
Konklusion
Jeg håber, at du finder disse AI-projekter interessante at arbejde med og udvide din viden inden for kunstig intelligens og andre relaterede begreber som datavidenskab, machine learning, NLP osv. Det vil også hjælpe dig med at skærpe dine færdigheder inden for programmering og brug af værktøjer og teknologier i projekter.
Her er nogle af de bedste online AI-kurser og efterspurgte færdigheder for AI-professionelle.