En fremtid innen kunstig intelligens (KI) fremstår som lovende, med de siste fremskrittene på dette feltet.
Praktisk talt alle bransjer drar nytte av KI, fra IT, produksjon og bilindustri til forsvar, finans og innholdsproduksjon.
Dersom du ønsker å etablere deg innen KI, er det aldri et bedre tidspunkt å begynne enn nå. Siden praktisk erfaring er den mest effektive måten å tilegne seg en ferdighet på, kan du engasjere deg i ulike prosjekter for å lære KI og relaterte ferdigheter, som programmering og bruk av relevante verktøy og teknologier.
Dette vil demonstrere hvordan KI kan assistere mennesker og virksomheter i sanntid, samtidig som du får kunnskap innenfor sektoren for å fremme din karriere innen KI. I denne sammenhengen vil det være svært fordelaktig å ha kompetanse innenfor følgende områder:
- Programmeringsspråk som Python, R, Java, MATLAB og Perl
- Maskinlæringsalgoritmer, inkludert lineær regresjon, logistisk regresjon, Naive Bayes, K-means, KNN, SVM og beslutningstrær
- Grunnleggende dataanalyse og verktøy som Apache Spark
- Kunstige nevrale nettverk (ANN), som kan simulere menneskelige hjernefunksjoner for å løse problemer i applikasjoner for håndskrift-, ansikts- og mønstergjenkjenning
- Grunnleggende forståelse av konvolusjonelle nevrale nettverk (CNN).
- Unix-baserte verktøy som Sort, AWK og regulære uttrykk.
La oss nå utforske noen spennende KI-prosjekter.
Grunnleggende KI-prosjekter
Gjenkjenning av håndskrevne tall
Mål: Å utvikle et system som kan gjenkjenne håndskrevne tall ved hjelp av kunstige nevrale nettverk.
Utfordring: Tall og tegn skrevet for hånd varierer i form, størrelse, kurver og stil, og er sjelden identiske mellom to personer. Dette gjorde det tidligere vanskelig for datamaskiner å konvertere håndskrevne tegn eller tall til et digitalt format. De slet også med å tolke tekst i papirbaserte dokumenter.
Selv om digitalisering har blitt raskt utbredt i de fleste sektorer, krever visse områder fortsatt bruk av papir. Derfor trenger vi teknologi som gjør denne prosessen enklere for datamaskiner, slik at de kan tolke menneskelig skrift på papir.
Løsning: Ved hjelp av kunstige nevrale nettverk kan man utvikle et system for gjenkjenning av håndskrevne tall som nøyaktig tolker sifrene en person skriver. Dette oppnås ved bruk av et konvolusjonelt nevralt nettverk (CNN) for å gjenkjenne sifre på papir. Nettverket benytter et HASYv2-datasett som består av 168 000 bilder fra 369 ulike klassifikasjoner.
Anvendelse: I tillegg til papir kan et system for gjenkjenning av håndskrevne tall lese matematiske symboler og skriftstiler fra bilder, berøringsskjermer og andre kilder. Denne programvaren har diverse bruksområder, for eksempel autentisering av banksjekker, lesing av utfylte skjemaer og raske notater.
Kjørefeltlinjedeteksjon
Mål: Å skape et system som kan integreres i selvkjørende biler og linjefølgende roboter for å hjelpe dem med å identifisere kjørefeltlinjer på veien i sanntid.
Utfordring: Autonome kjøretøy er utvilsomt en innovativ teknologi som benytter dyp læringsteknikker og algoritmer. De har åpnet for nye muligheter innen bilindustrien og redusert behovet for menneskelige sjåfører.
Likevel kan et dårlig trent system i en selvkjørende bil skape farlige situasjoner og ulykker. En viktig del av opplæringen er å lære systemet å identifisere kjørefelt, slik at det ikke utilsiktet havner i feil felt eller kolliderer med andre kjøretøy.
Løsning: For å løse dette kan man utvikle et system ved hjelp av konseptene innenfor Computer Vision i Python. Dette vil hjelpe autonome kjøretøy å nøyaktig detektere kjørefeltlinjer og sikre at de holder seg på veien, uten å utgjøre en fare for andre.
Du kan benytte deg av OpenCV-biblioteket – et optimalisert bibliotek som er spesielt egnet for sanntidsapplikasjoner som dette – for å oppdage kjørefeltlinjer. Biblioteket tilbyr grensesnitt for Java, Python og C++, og støtter plattformer som Windows, macOS, Linux, Android og iOS.
I tillegg er det viktig å identifisere markeringer på begge sider av et kjørefelt. Du kan anvende datasynsteknikker i Python for å finne veibaner som selvkjørende biler skal følge. Du må også identifisere den hvite markeringen i et felt og maskere de resterende objektene med rammemaskering og NumPy-matriser. Deretter brukes Hough-linjetransformasjonen for å nøyaktig detektere kjørefeltlinjene. Du kan også bruke andre datasynsmetoder, som fargeterskel, for å identifisere kjørefeltlinjer.
Anvendelse: Kjørefeltlinjedeteksjon brukes i sanntid av autonome kjøretøy som biler og linjefølgende roboter. Den er også relevant i spillindustrien, spesielt for bilspill.
Lungebetennelsesdeteksjon
Mål: Å utvikle et KI-system ved hjelp av konvolusjonelle nevrale nettverk (CNN) og Python, som kan oppdage lungebetennelse fra pasienters røntgenbilder.
Utfordring: Lungebetennelse er fortsatt en alvorlig helsefare som krever mange liv globalt. Problemet er at røntgenbilder generelt brukes for å oppdage ulike sykdommer som lungebetennelse, kreft, svulster osv., noe som kan resultere i lav synlighet og ineffektiv evaluering. Tidlig og korrekt behandling er avgjørende for å redusere dødeligheten.
I tillegg kan lungebetennelsens plassering, form og størrelse variere betydelig, og målomrisset er ofte uklart. Dette forsterker utfordringene knyttet til nøyaktig gjenkjenning. Det er derfor viktig å utvikle en teknologi som kan identifisere lungebetennelse tidlig med høy nøyaktighet, for å legge til rette for riktig behandling og redde liv.
Løsning: Programvareløsningen vil bli trent med omfattende data om lungebetennelse og andre sykdommer. Når brukerne beskriver sine helseproblemer og symptomer, vil programvaren behandle informasjonen og sammenligne den med databasen for å identifisere mulige årsaker. Den kan bruke datautvinning for å gi den mest nøyaktige diagnosen som samsvarer med pasientens symptomer.
På denne måten kan pasienters sykdommer oppdages, slik at de får riktig behandling. For å designe programvaren må den mest effektive CNN-modellen identifiseres gjennom analytiske og sammenlignende metoder. Dette for å oppnå nøyaktig lungebetennelsesdeteksjon fra røntgenbilder ved hjelp av funksjonsekstraksjon. Deretter vil de ulike modellene presenteres sammen med klassifikatorer for å foreslå den mest passende klassifikatoren og evaluere den optimale CNN-modellen for å vurdere ytelsen.
Anvendelse: Dette KI-prosjektet er gunstig for helsesektoren, da det kan oppdage sykdommer som lungebetennelse og hjerteproblemer, i tillegg til å tilby medisinsk veiledning til pasienter.
Chatbots
Mål: Å utvikle en chatbot i Python for integrasjon i en nettside eller applikasjon.
Utfordring: Forbrukere forventer utmerket service når de bruker en applikasjon eller en nettside. Hvis de har spørsmål de ikke finner svar på, kan de miste interessen for appen. Derfor er det viktig å yte best mulig service til brukerne for å sikre at de forblir engasjerte.
Løsning: En chatbot er en applikasjon som muliggjør automatisk samtale mellom roboter (KI) og et menneske gjennom tekst eller tale, slik som Alexa. Den er tilgjengelig 24/7 for å hjelpe brukerne med spørsmål, navigasjon, tilpasning av brukeropplevelsen, økt salg og innsikt i kundenes atferd og behov, som kan brukes til å forbedre produkter og tjenester.
For dette KI-prosjektet kan du begynne med en enkel versjon av en chatbot, slik de som finnes på mange nettsider. Ved å forstå deres grunnleggende struktur kan du lage en lignende. Når du har utviklet en enkel chatbot, kan du gå videre til mer avanserte versjoner.
For å utvikle en chatbot benyttes KI-konsepter som Natural Language Processing (NLP) for å gjøre det mulig for algoritmer og datamaskiner å forstå menneskelig interaksjon gjennom ulike språk og behandle disse dataene. Dette innebærer å bryte ned lydsignaler og menneskelig tekst, for deretter å analysere og konvertere dataene til et maskinlesbart språk. Du vil også trenge ulike forhåndstrente verktøy, pakker og talegjenkjenningsverktøy for å lage en intelligent og responsiv chatbot.
Anvendelse: Chatbots er svært nyttige for kundeservice, IT-support, salg, markedsføring og HR-funksjoner i næringslivet. De brukes i mange bransjer, inkludert e-handel, Edtech, eiendom, finans og turisme. Ledende merker som Amazon (Alexa), Spotify, Marriott International, Pizza Hut og Mastercard benytter chatbots.
Anbefalingssystem
Mål: Å utvikle et anbefalingssystem for kunder basert på produkter, videoer og musikkstrømming, ved hjelp av ANN, datautvinning, maskinlæring og programmering.
Utfordring: Konkurransen er høy i alle bransjer, enten det er e-handel eller underholdning. For å skille seg ut må man yte en ekstra innsats. Hvis du tilbyr det kunden leter etter, men ikke har tiltak for å veilede dem til butikken din eller anbefale tilbudene dine, går du glipp av inntekter.
Løsning: Ved hjelp av et anbefalingssystem kan du effektivt tiltrekke flere besøkende til din nettside eller applikasjon. Du har kanskje lagt merke til at e-handelsplattformer som Amazon tilbyr produktanbefalinger basert på tidligere søk på internett. Når du åpner Facebook eller Instagram, vil du se lignende produkter. Dette er hvordan et anbefalingssystem fungerer.
For å utvikle dette systemet trenger du nettleserhistorikk, kundeadferd og implisitte data. Datautvinning og maskinlæring er nødvendig for å generere de mest relevante produktanbefalingene basert på kundenes interesser. I tillegg kreves det programmering i R, Java eller Python og bruk av kunstige nevrale nettverk.
Anvendelse: Anbefalingssystemer brukes mye i e-handelsbutikker som Amazon og eBay, videostrømmetjenester som Netflix og YouTube, og musikkstrømmetjenester som Spotify. De bidrar til å øke produktets rekkevidde, antall potensielle kunder, synlighet på tvers av ulike kanaler og den generelle lønnsomheten.
Middels Avanserte KI-prosjekter
Brannoppdagelse
Mål: Å utvikle et brannvarslingssystem ved hjelp av CNN for oppgaver knyttet til datasyn og bildeklassifisering.
Utfordring: Branner i boliger og næringsbygg er farlige. Hvis brannen ikke oppdages i tide, kan det føre til store tap av liv og eiendom. Skogbranner blir stadig hyppigere, og det er derfor nødvendig med regelmessig overvåking for å bevare dyreliv og naturressurser.
Løsning: Et system som kan detektere brann innendørs og utendørs tidlig og identifisere nøyaktig plassering kan bidra til å slukke den før den forårsaker større skade. Brannvarslingssystemet forbedres med et overvåkingskamera.
I dette tilfellet brukes KI-teknikker som CNN og datasyn, samt verktøy som OpenCV. Det krever avansert bildebehandling og skybasert databehandling. Systemet kan lages for å analysere bilder fra videokameraer i synlig lys og infrarødt. Det må også identifisere røyk, skille det fra tåke og varsle folk raskt.
Anvendelse: KI-drevet brannvarsling kan brukes til å oppdage skogbranner for å beskytte naturressurser, flora og fauna, og i boliger og næringsbygg.
Stemmebasert virtuell assistent
Mål: Å utvikle en applikasjon med talefunksjoner for å hjelpe brukerne.
Utfordring: Internett er omfattende, med et stort utvalg av produkter og tjenester som kan virke overveldende for kunder. I tillegg har folk travle liv og trenger hjelp på ulike områder, inkludert daglige gjøremål.
Løsning: Stemmebaserte virtuelle assistenter er etterspurte i dag for å forenkle brukernes liv. Folk kan bruke disse applikasjonene, som Alexa og Siri, for underholdning, søke etter produkter og tjenester på nettet, og utføre daglige oppgaver for økt produktivitet.
For å utvikle dette systemet brukes NLP for å forstå menneskespråk. Systemet vil lytte til stemmen, konvertere den til et maskinlesbart språk, og lagre kommandoene i databasen. Det vil også identifisere brukernes intensjon for å utføre oppgaven i henhold til den, og kan benytte tekst-til-tale- eller tale-til-tekst-verktøy.
Anvendelse: Stemmebaserte virtuelle assistenter brukes til å finne relevant informasjon på internett, spille av musikk, filmer og videoer for underholdning, sette opp påminnelser, skrive notater, aktivere og deaktivere hvitevarer, og mye mer.
Plagiatkontroll
Mål: Å skape et system som kan sjekke et dokument for plagiat eller duplisering ved hjelp av KI.
Utfordring: Duplisering av innhold er et problem som må overvåkes og elimineres. For bedrifter kan det føre til skadet omdømme og dårligere søkemotorrangeringer. Personer kan også straffes for plagiering på grunn av brudd på opphavsretten. Derfor er det behov for å identifisere plagiert innhold for både bedrifter og utdanningsinstitusjoner.
Løsning: KI-konsepter brukes til å utvikle et plagiatkontrollverktøy for å oppdage duplisering i et dokument. I dette prosjektet kan Python Flask eller tekstutvinning brukes for å oppdage plagiat ved hjelp av en vektordatabase som Pinecone. Det kan også vise plagiatprosenten.
Anvendelse: Plagiatkontroll har mange fordeler for innholdsskapere, bloggere, redaktører, forlag, skribenter, frilansere og lærere. De kan bruke det til å kontrollere om noen har stjålet arbeidet deres, mens redaktører kan analysere tekst som er innsendt av en forfatter for å sjekke om den er original eller kopiert.
Følelsesgjenkjenning i ansiktet
Mål: Å utvikle en applikasjon som kan forutse eller identifisere menneskelige følelser gjennom ansiktstrekk ved hjelp av KI.
Utfordring: Å forstå menneskelige følelser er en utfordring. Det har blitt utført mye forskning over flere tiår for å forstå ansiktsuttrykk, men før KI ble tatt i bruk var resultatene ofte usikre.
Løsning: KI kan bidra til å analysere menneskelige følelser gjennom ansiktsuttrykk ved hjelp av konsepter som dyp læring og CNN. Dyp læring kan brukes til å utvikle programvare som identifiserer ansiktsuttrykk og tolker dem ved å gjenkjenne kjernefølelser hos mennesker i sanntid, som glede, tristhet, frykt, sinne, overraskelse, avsky, nøytralitet osv.
Systemet skal kunne trekke ut ansiktstrekk og klassifisere uttrykk. CNN kan gjøre dette, og vil også skille mellom positive og negative følelser for å oppdage en persons atferd og tankemønstre.
Anvendelse: Systemer for gjenkjenning av ansiktsfølelser kan brukes av roboter for å forbedre menneskelig interaksjon og gi passende hjelp til brukere. De kan også bistå barn med autisme, personer med synshemninger, overvåke førerens oppmerksomhet for å øke sikkerheten, og mer.
Oversetterapplikasjon
Mål: Å utvikle en oversetterapplikasjon ved hjelp av kunstig intelligens.
Utfordring: Det snakkes tusenvis av språk i verden. Selv om engelsk er et globalt språk, er det ikke alle som forstår det over hele verden. Dette kan være problematisk hvis du vil gjøre forretninger med folk fra andre land som snakker et språk du ikke forstår. Tilsvarende utfordringer kan oppstå hvis du reiser til andre land.
Løsning: Hvis du kan oversette det andre sier eller har skrevet, vil det hjelpe deg å få dypere kontakt med dem. For dette kan du bruke en oversetter som Google Translate, eller du kan utvikle din egen app ved hjelp av KI.
Til dette kan du bruke NLP- og transformatormodeller. En transformator vil trekke ut funksjoner fra en setning for å analysere hvert ord og dets betydning for å forstå den fulle betydningen av setningen. Den vil kode og dekode ord fra start til slutt. For å gjøre dette, kan du laste inn en forhånds trent Python-basert transformatormodell. Du kan også bruke GluonNLP-biblioteket, og deretter laste og teste datasettene.
Anvendelse: Oversetterapper brukes til å oversette ulike språk for formål som forretninger, reiser og blogging.
Avanserte KI-prosjekter
CV-parser
Mål: Å utvikle programvare som bruker KI til å analysere mange CV-er og hjelpe brukere med å velge den mest egnede.
Utfordring: Rekrutteringsansvarlige bruker mye tid på å manuelt gå gjennom mange CV-er for å finne passende kandidater til en stilling. Denne prosessen er tidkrevende og ineffektiv. Selv om prosessen kan automatiseres ved hjelp av søkeordsøk, har dette mange ulemper. Kandidater som kjenner til denne prosedyren vil legge til flere nøkkelord for å bli prioritert, mens andre kan bli utelatt selv om de har de nødvendige ferdighetene.
Løsning: Å analysere et stort antall CV-er for å finne den som passer best for en jobbstilling, kan automatiseres ved hjelp av en CV-parser. Dette vil bidra til å gjøre prosessen mer effektiv, spare tid og ressurser, samtidig som du sikrer at kandidater med de riktige ferdighetene velges.
KI og maskinlæring kan hjelpe deg med å utvikle en applikasjon som velger den mest passende kandidaten samtidig som du filtrerer ut de andre. For å gjøre dette kan du bruke et CV-datasett fra Kaggle med to kolonner – CV-informasjon og stillingstittel. Du kan også bruke NLTK – et Python-basert bibliotek – for å utvikle klyngealgoritmer for å matche ferdigheter.
Anvendelse: En CV-parser brukes i rekrutteringsprosessen og er nyttig for bedrifter og utdanningsinstitusjoner.
App for ansiktsgjenkjenning
Mål: Å utvikle en app med ansiktsgjenkjenningsfunksjoner ved hjelp av ANN, CNN, ML og dyp læring.
Utfordring: Identitetstyveri er et alvorlig problem med økende risiko for cybersikkerhet, som kan infiltrere systemer og data. Dette kan føre til personvernproblemer, datalekkasjer og skade på omdømmet til enkeltpersoner og bedrifter.
Løsning: Biometri, som ansiktstrekk, er unike, slik at organisasjoner og enkeltpersoner kan bruke dem for å beskytte systemene og dataene sine. Ansiktsgjenkjenningssystemer kan brukes til å verifisere en bruker og sikre at kun autoriserte og autentiserte brukere får tilgang til et system, nettverk, anlegg eller data.
Du trenger avanserte ML-algoritmer, matematiske funksjoner og 3D-bildebehandlings- og gjenkjenningsteknikker for å utvikle denne løsningen.
Anvendelse: Det brukes i smarttelefoner og andre enheter som en sikkerhetslås, og i organisatoriske anlegg og systemer for å sikre personvern og datasikkerhet. Det brukes også av leverandører av Identity and Access Management (IAM), forsvarssektoren og mer.
Spill
Mål: Å utvikle videospill ved hjelp av KI-konsepter.
Utfordring: Videospillindustrien er i vekst, og spillere blir mer krevende. Derfor er det et konstant behov for å utvikle interessante spill som skiller seg ut og øker salget.
Løsning: KI-konsepter brukes til å utvikle ulike spillapplikasjoner, som sjakk, slangespill, bilspill og prosedyrespill. Det kan benyttes en rekke ferdigheter, som chatbots, talegjenkjenning, NLP, bildebehandling, datautvinning, CNN, maskinlæring og mange flere, for å skape et realistisk videospill.
Anvendelse: KI brukes til å utvikle ulike videospill, som AlphaGo, Deep Blue, FEAR og Halo.
Salgsprediktor
Mål: Å utvikle programvare som kan forutse salg for bedrifter.
Utfordring: Bedrifter som håndterer mange produkter, sliter med å holde oversikt over hvert enkelt produkts salgstall. De har også vanskeligheter med å spore lagerbeholdningen og gjøre utsolgte varer tilgjengelige igjen. Som et resultat kan de mislykkes med å levere produkter til kundene, noe som forringer brukeropplevelsen.
Løsning: Ved hjelp av et salgsprediksjonsverktøy kan du forutse gjennomsnittlig salgstall daglig, ukentlig eller månedlig. På denne måten kan du få innsikt i hvordan produktene dine presterer og legge inn flere varer i tide for å møte kundenes behov.
For å gjøre dette kan du benytte ferdigheter som maskinlæringsalgoritmer, dataanalyse og Big Data for å gjøre det mulig for programvaren å forutsi salg med høy nøyaktighet.
Anvendelse: Det brukes av e-handelsbutikker, forhandlere, distributører og andre virksomheter som håndterer et stort antall produkter.
Automatiseringssystem
Mål: Å utvikle en programvareløsning som kan automatisere visse oppgaver for å øke produktiviteten.
Utfordring: Repeterende, manuelle arbeidsoppgaver er tidkrevende og kjedelige, noe som reduserer produktiviteten. Derfor er det behov for et system som kan automatisere ulike oppgaver, som å planlegge samtaler, registrere oppmøte, autokorrigering og behandle transaksjoner.
Løsning: Ved hjelp av KI kan du utvikle programvare som kan automatisere slike oppgaver for å forbedre brukernes produktivitet og frigjøre tid til mer kritiske oppgaver. Den kan også sende varsler i tide slik at oppgaver utføres tidsnok. Utvikling av dette systemet krever ferdigheter som NLP, ansiktsgjenkjenning, datasyn og mer.
Anvendelse: Automatisering ved hjelp av KI brukes i stor grad til å utvikle produktivitetsverktøy for bedrifter av alle størrelser i ulike sektorer, fra bank og finans til helsevesen, utdanning og produksjon.
Konklusjon
Jeg håper du synes disse KI-prosjektene er interessante og at de vil bidra til å utvide din kunnskap innen kunstig intelligens og relaterte konsepter som datavitenskap, maskinlæring og NLP. De vil også hjelpe deg med å forbedre dine ferdigheter innen programmering og bruk av verktøy og teknologier i prosjekter.
Her er noen av de beste online KI-kursene og etterspurte ferdighetene for KI-spesialister.