Einführung in das AI – Teil 1

1. Einführung (neu): Hey Leute, hi, Willkommen zum KI-Produktmanagement-Kurs. In diesem Kurs lernen wir ALLE Produktentwicklungen kennen. Wenn Sie von den ganz neuen Technologien begeistert sind den ganz neuen Technologien , die aus maschinellem Lernen, Datenwissenschaft und anderen KI-Aspekten als üblich bestehen Datenwissenschaft und anderen KI-Aspekten , lernen Sie, wie Sie diese Produkte erstellen. Zum Beispiel selbstfahrende Autos, Automatisierung von Prozessen, Vorschlagsmarketing, das wirklich gut mit der Nutzung der Daten umgehen kann. In diesem Kurs werden wir über den Vergleich von KI-Softwareentwicklungsprozessen sprechen . Wir erfahren, was Sie wissen müssen, bevor Sie mit der Entwicklung anderer KI-Produkte beginnen. Und wir werden uns auch mit verschiedenen Produkten befassen , die Sie in Ihrem Leben überall um sich herum haben. Ich bin faul. Ich arbeite seit vielen Jahren mit Daten, Datenanalyse, Datenwissenschaft und in den vergangenen Jahren war das KI-Produktmanagement sehr vorsichtig, um den Verifizierungsprozess zu erfüllen. Und ich bin wirklich begeistert von diesem Thema. Und ich bin Kristen, ich arbeite seit fünf Jahren mit Daten, hauptsächlich als Datenwissenschaftlerin, aber auch als Datenanalystin. Und sie dachten, Teamleiter. Komm und nimm an unserem Kurs teil. Wir sehen uns dort. Tschüss. 2. Was ist eigentlich AI? (neu): Heute AR Dilemma Management Kurs. In diesem Kurs werden wir darüber sprechen , wie das Produktmanagement für HiES aussieht, wie der Entwicklungsprozess aussieht. Wir werden spezifizieren, wie sich die KI-Entwicklung von der regulären Softwareentwicklung unterscheidet und was Sie berücksichtigen sollten eines neuen Produkts zu beginnen. In der ersten Lektion behandeln wir das allgemeine Thema, oft das Produkt, was ist das? Was ist ihr Produkt und wie unterscheidet es sich von einem Software-Engineering-Projekt, wie unterscheiden sich die Entwicklungsprozesse voneinander? Darüber hinaus werden wir einige wichtige Fragen und Ideen vorstellen, die Sie bei der Entwicklung eines Produkts mit KI-Komponenten berücksichtigen müssen. Deine Lehrer sind Christine und Lizzie. Beide haben in der Datenwissenschaft gearbeitet , für alles, was wir nutzen können. Und spezifische Schlüssel- oder maschinelles Lernen für mich. Fangen wir also mit dem Kurs an. Was ist DAI? Viele Leute denken, dass ein Summencomputer alle Entscheidungen selbst trifft. Aber in Wirklichkeit ist es ganz anders als ich. Zumindest die Realität, die wir in unserem täglichen Leben sehen. Bedeutet nur, dass wir eine Maschine bauen wollen , dieses menschliche Leben. Es gibt keine Definition dafür, wie menschliches Leben und Maschine sein müssen, um ein EI zu sein. Es gibt zwei Arten von Anionen. Verengung, was bedeutet, dass das a bestimmte Aufgaben erledigen soll. Und es gibt im Allgemeinen Mania, bedeutet, dass die KI, alles, was das EIS aus dem Terminator-Film mag, dass es sich selbst weiß, wie man macht und wie man im Grunde sein Wissen erweitert. Und im Allgemeinen wird Yard heute nicht in der Produktherstellung verwendet. In diesem Kurs haben wir uns auch auf die enge KI konzentriert, weil die Notaufnahme, an der heute alle arbeiten, eingeschränkt haben. Eine der Möglichkeiten, wie künstlich intelligent beschrieben hat, hat auch Touren beschrieben, Bestimmen, das bestimmt dies schaffen. Und es ist auch bekannt als Mutation in den 1950er Jahren. Der Test wurde erstellt , um zu verstehen, ob sie ein intelligentes Verhalten als Scharfsinn hat. Turing war Mathematiker während des Zweiten Weltkriegs und hilft bei zwei Koordinaten, wie ich schon sagte, Turing-Test ist ein Test, um zu sehen, ob Maschine. Wie hast du Arrington gearbeitet? Sie besteht aus drei Komponenten. A, Computer, B's, ein Mensch, ist ein Gast. Der Test erfolgt nur in schriftlicher Form der Kommunikation, was bedeutet, dass a und B nur mit rewrite mit dem Teilnehmer kommunizieren können . Test ist ein Erfolg. Wenn der Gesso nicht versteht, dass es keinen Menschen gibt , kann er unterscheiden. B. Beachten Sie auch, dass die Kommunikation immer in einer Grid-Struktur erfolgt. Die Maschine wird als intelligent, schwierig gezählt. also irgendwie zwischen A und B unterscheiden. Wir müssen berücksichtigen, dass die Komplexität der Aufgabe wirklich, sehr unterschiedlich sein kann. Aber im Fall einer wirklich einfachen Aufgabe ist ziemlich einfach zu klinischem Scharfsinn, auch wenn Sie Maschine sein könnten. In dem Fall, in dem wir einen Prozess automatisieren, spielen wir eine gute Anzeige. diesen Prozessen haben wir versucht, die wiederholte Geburt eines Menschen durch Computerherstellung zu ersetzen , um sicherzustellen das Produkt, das Sie ihnen geben, wirklich erlebt wird. Wir können zum Beispiel Kunden berücksichtigen. Der Kunde stellt sicher, dass die meisten Male eine wirklich einfache Frage beantworten können. Wenn man sie nach einfachen Christen fragt, können sie sich wirklich leicht wie ein Mensch verhalten. Wenn Sie ihnen neue, etwas schwierigere Fragen stellen. können sie nicht. In unserem Fall hat die Szene oft auch den Kunden ins Rollen gebracht. Wie wir bereits gesagt haben, möchte der Kunde zum Beispiel einen Rückgang. Ob sich hinter der Wand ein Computer oder ein Mensch befindet oder ob der Prozess automatisiert ist wie der Versuch, den Anwalt zu erfüllen. Bis heute hat kein Computer den Turing-Test bestanden. Leute, die sich angeschlossen haben. Eine der Methoden ist die Verwendung Koeffizienten unter Verwendung künstlicher Intelligenz. Das werden wir sein. 3. KI Entwicklungsprozess (neu): Jetzt werden wir über KI-Entwicklungsprozesse sprechen. Jetzt, da wir verstehen, was KI allgemein bedeutet, müssen noch viele andere Begriffe erklärt werden, die oft durcheinander geraten. Während sie normalerweise sind, bedeutet dies etwas, das menschenähnlich ist. Maschinelles Lernen, Data Science und Deep Learning sind alles Techniken um mit Daten zu arbeiten und von dort aus erstaunliche Ergebnisse zu erzielen. Lassen Sie uns die Begriffe durchgehen, da sie verwirrend sein können und in unserem täglichen Leben lose verwendet werden. Maschinelles Lernen ist ein Zweig der Informatik , der mit Algorithmen arbeitet , die versuchen, sich auf der Grundlage von Daten und sich wiederholenden Erfahrungen zu verbessern . Diese Algorithmen werden normalerweise als Modell bezeichnet. Und Modelle sind einfach verschiedene Möglichkeiten , wie Daten analysiert und trainiert werden können. Deep Learning ist im Grunde immer noch maschinelles Lernen. Es werden sehr spezifische Modelle verwendet , die viel Rechenleistung, viele Daten und viel Zeit benötigen , um zu lernen, um das gewünschte Ergebnis zu erzielen. Die Dämmerung, die diese Modelle lösen, ist nicht einfach und verwendet tiefe neuronale Netze , um mit den Berechnungen zu tun. Dann haben wir Data Science, die auch mit Daten funktioniert. Aber das Ziel ist es, das Wissen und die Informationen aus den Daten herauszuholen , der große Wert, im Grunde verwendet Data Science verschiedene Methoden, um wertvolle Informationen aus Daten zu gewinnen. Viele BI-Desks oder Data-Science-Aufgaben. Wir haben über KI, maschinelles Lernen und Data Science gesprochen. Aber wahrscheinlich raten Sie auch , wo es sich um Softwareentwicklung handelt. Wie wird das alles kombiniert? Die meisten IT-Mitarbeiter sind sich der Entwicklung von Softwareprodukten wirklich bewusst und wissen , wie Softwareentwicklung funktioniert. Es gibt mehrere verschiedene Komponenten , die entwickelt, zusammengeführt und erstellt werden müssen , damit eine Funktion als Softwareprodukt besteht. Diese Komponenten, Komponenten können sich im Front-End oder Back-End befinden. Wahrscheinlich gibt es jemanden, der sich mit Datenbanken, Protokollen und Warnungen befasst, und einige andere Personen, die sich mit Servern und DevOps-Komponenten und -Problemen befassen. All diese Teile befinden sich in der Welt der Softwareentwicklung und sind ziemlich offensichtlich, wenn Sie an etwas arbeiten müssen . Sie haben ein Ziel und wissen, was Sie tun müssen , um dieses Ziel zu erreichen. Der gesamte traditionelle Entwicklungszyklus ist ebenfalls bekannt. Die meisten Projektmanager und die meisten Programmierer sind an ihre regelmäßige Entwicklung und ihren Zyklus gewöhnt. Es ist eine Art Anpassung der Agile- oder Wasserfallmethodik. Aber lassen Sie uns das durchgehen, damit wir heute mit dem Vergleich beginnen können KI-Entwicklungszyklus. Wenn Sie sich für ein Projekt entscheiden, sammeln Sie zunächst Anforderungen. In diesem Schritt versuchen Sie zu verstehen, was Sie bauen sollten. Was müssen wir tun? Was sind die Probleme für Kunden oder Benutzer? Dieser Schritt beinhaltet viel Zeit und Kommunikation mit vielen Stakeholdern. Im nächsten Schritt führen Sie die Analysen und Entwürfe durch, um zu verstehen, wie die Anforderungen funktionieren, die Lösung aussehen könnte, welche Hindernisse Sie vermeiden müssen und welche bereits vorhanden sind. Bereits vorhandene Lösungen können verwendet werden. In diesem Schritt muss jeder Eckfall des Produkts und seine Benutzerfreundlichkeit gut durchdacht sein , ist selten perfekt. Menschen sind Menschen und machen Fehler. Und deshalb haben wir Tester und Wartungsarbeiten. Entwicklung beginnt, nachdem die Analyse auf der Grundlage der UI-Designs, Architektur und Prozessmodelle durchgeführt wurde, die Designern und Analysten erstellt wurden. Nach Abschluss der Entwicklung ist Ihr Test abgeschlossen. Manchmal musst du vielleicht zurückgehen und etwas reparieren. In dieser Phase werden einige Dinge wieder in die Entwicklung zurückgeschickt und andere sind für das Mittagessen zugelassen. Wenn alles von den Testern genehmigt wurde, kann die Funktion oder das MEP-Produkt bereitgestellt werden und in den Wartungsmodus versetzt werden. Aber lassen Sie uns darüber sprechen, wie unsere Entwicklung aussieht. Der Beginn einer Komponentenentwicklung ist der regulären Softwareentwicklung sehr ähnlich. Es muss eine Idee haben, die Sie verwirklichen möchten. Auf dieser Grundlage müssen Sie damit beginnen, Anforderungen zu sammeln und die Analyse durchzuführen. Was ist das Problem, das du löst? Wofür brauchst du das Modell? Und in welchen Situationen oder Kontexten soll das Modell funktionieren. Für solche Situationen. Welche Art von Daten benötigen Sie? Sie müssen anfangen, über das Problem in Bezug auf Daten nachzudenken , welche Vorurteile, Probleme oder Unvorhersehbarkeit diese Daten kariieren. Natürlich ist das Ergebnis wichtig, aber Sie müssen in der Lage sein, aus der Perspektive von Daten zu denken. Welche Daten haben Sie und welche Daten benötigen wir? Schauen wir uns ein Beispiel an. Stellen wir uns vor, Sie haben eine großartige Idee, Mitfahrgelegenheiten zu erkennen. Oder Texas. Sie interessieren sich nicht für andere Autos, nur die Mitfahrgelegenheiten. Sie müssen verstehen und definieren was das für Ihr Modell bedeutet. Nach einigen Analysen könnten Sie auf ein Problem stoßen. Im Moment haben wir auch Jungs, die Butt and Lift und Cream machen, und andere Mitfahrgelegenheiten in verschiedenen Ländern , die wie normale Autos aussahen. Willst du sie immer noch erkennen? Sie können die Anforderung des Firmenlogos auf einem Fahrzeug zu Ihrer Liste der Datenanforderungen hinzufügen Firmenlogos auf einem Fahrzeug . Sie müssen jedoch akzeptieren, dass ein ziemlich hoher Prozentsatz der Mitfahrfahrzeuge von Ihrem Modell nicht erkannt wird , da Sie diese nicht von normalen Autos unterscheiden können. Aber wenn Sie wirklich entschlossen sind, könnten Sie versuchen, Passagiere darin, Busse, Fahrer und andere Personen, die hinten sitzen, zu erkennen . Kann dies als wertvolles Merkmal für Ihr Modell zur Erkennung von Mitfahrgelegenheiten angesehen werden? Können Sie auf diese Art von Daten zugreifen? Und was machst du, wenn die Autoscheiben hinten oder getönt sind? Das Gesicht der Analyse und Definition des Problems ist entscheidend für die zukünftigen Schritte und den Erfolg der Projekte. Wenn Sie das falsch verstehen, wird Ihr Projekt möglicherweise sehr, sehr schwierig. Beispielsweise können Sie die Carsharing-Aufgabe auf unterschiedliche Weise definieren . Sie können dies global oder nur in einer bestimmten Stadt tun. Sie können den digitalen und traditionellen Taxis zustimmen und nicht versuchen, zu fahren und Autos zu teilen. Oder vielleicht ist es in Ordnung, wenn Sie die Autos ausschließen , die nicht wie Steuern aussehen Diese kleinen Anpassungen an Ihrer Aufgabe könnten die Dämmerung erheblich erleichtern oder mich viel schwieriger machen . Nachdem Sie mit Ihren Anforderungen zufrieden und zufrieden sind, müssen Sie mit dem Sammeln von Daten beginnen. In vielen Fällen müssen Sie möglicherweise zurückgehen und einige Ihrer Anforderungen überdenken und einige weitere wichtige Punkte definieren. Wenn Sie sich die Daten tatsächlich ansehen, fallen Ihnen einige Dinge auf, die Sie zuvor nicht berücksichtigt haben. Lassen Sie uns zum Beispiel noch einmal über Steuern sprechen. Wenn die Steuer verstaut ist, soll das Modell das Taxi erkennen? Das Taxi funktioniert nicht. Möchten Sie den Ausgang erkennen? Dann? Es gibt viele verschiedene Fragen, die Sie berücksichtigen müssen. Im Softwareentwicklungsprozess wäre unser nächster Schritt die Entwicklung der Funktion in ihrer Entwicklung. Dies bedeutet tatsächlich viele verschiedene Schritte , die durchgeführt werden müssen, um das Modell zu erreichen. Der Entwicklungsprozess beginnt mit übermäßigen Datenmengen. Das hängt natürlich vom Ergebnis und den Kontexten ab. Möglicherweise benötigen Sie jedoch Tausende von Datenpunkten oder Bildern oder Zehn- oder Hunderttausende von Datenpunkten und Bildern. Bei der Datenerfassung gibt es zwei Strategien. Sie benötigen viele Daten oder ein bisschen weniger, aber qualitativ hochwertigere Daten. Mehr Qualität, wir bedeuten, dass die Daten weniger Fehler enthalten. Diese Daten werden dann vorbereitet und mit Anmerkungen versehen. Dies bedeutet, dass die Daten bereinigt in das richtige Format und den richtigen Ort für den Beginn des Trainingsprozesses gebracht werden. Im Vergleich zu jedem anderen Schritt. Dies ist normalerweise die zeitaufwändigste. Und schließlich haben wir den berüchtigten Modellierungsschritt. In diesem Schritt stimmen Datenwissenschaftler die Hyperparameter des ausgewählten Modells ab. Sie müssen die Details des Modells korrigieren, die beeinflussen, wie gut es Ihre Daten lernt. Sie probieren verschiedene Versionen aus und wählen die beste aus. Obwohl dieser Schritt im maschinellen Lernen am bekanntesten ist, ist er weder der wichtigste noch der schwierigste. Der Schritt zum Sammeln von Schnipseln ist viel schwieriger und länger. Und es wird auch bestimmt, ob das Ergebnis von hoher Qualität sein wird. Nachdem das Model seine Ausbildung abgeschlossen hat, muss es es besitzen. Dies muss mit den Daten geschehen, die den realen Daten in dem Kontext ähneln den realen Daten in , in dem das Modell funktionieren wird. Es kann jedoch nicht dasselbe genaue Datum sein an dem das Modell trainiert wurde. In diesem Schritt müssen wir mehrere Kennzahlen berücksichtigen, die wir später im Kurs näher erläutern werden . Nach dem Testen muss das Modell bereitgestellt werden. In diesem Schritt können wir die Hauptverbindung zwischen der Softwareentwicklung und ihren Entwicklungsteams erkennen . Für den Einsatz anders. handelt sich um Modelle, die anders sind als manchmal sehr ressourcenintensive Systeme, um in Echtzeit oder nahezu in Echtzeit ausgeführt zu werden. Die Kommunikation zwischen Software, DevOps und der zusätzlichen Entwicklung ist wichtig, da es für alle Seiten unterschiedliche Anforderungen gibt . Nachdem das Modell bereitgestellt wurde. Es funktioniert furchtbar gut und die Leute benutzen es. Wir erreichen die Überwachungs - und Wartungsphase , die der Softwareentwicklung sehr ähnlich ist, aber der Grund für die Wartung ist sehr unterschiedlich. Bei Softwareprodukten müssen Sie möglicherweise einige Systeme aktualisieren, da in Ihrer Lösung oder Ziege, die bewertet wurde, das Erscheinungsbild einer Webseite oder eines Produkts in Ihrem Design aktualisiert werden kann . Aber wenn wir über KI-Produktwartung sprechen, werden normalerweise alle Updates durchgeführt, weil wir eine neuere und vielleicht bessere Modellarchitektur haben . Wir wollen benutzen. Oder in den meisten Fällen sind die Daten, die wir bisher verwendet haben, nicht für die Umgebung geeignet der das Modell derzeit verwendet wird. Das bedeutet, dass wir in der Wartungsphase normalerweise die Datenerfassung, Analyse und Modellierung neu starten. Auch hier können wir sagen, dass das Modell niemals zu 100% bereit ist. Es ist immer in Bearbeitung. Normalerweise verändert sich die Welt und auch die Kontexte, in denen das Modell arbeitet, ändern sich. Daher müssen wir auch die Änderungen am Modell selbst vornehmen. Wir können sagen, dass die regelmäßige Entwicklung die Eingabe eines gewünschten Ergebnisses irgendwann für Analysen, Entwicklung und Tests erfordert eines gewünschten Ergebnisses irgendwann für Analysen, und dass die Ergebnisse wie die erwarteten Ergebnisse aussehen sollten. Die KI-Entwicklung benötigt dagegen Daten und gewünschte Ergebnisse als Input. Dann etwas wahrscheinlich viel Zeit und Ressourcen , damit es funktioniert. Wo die Softwareentwicklung Ihnen höchstwahrscheinlich ein bestimmtes Ergebnis bringt als die KI-Entwicklung ein Ergebnis hofft, es aber derzeit nicht kann. Nehmen wir ein Beispiel für Google Translate. Google Translate hat ein Programm , das Sprache erkennt. Aufgrund dieser Erkennung weiß Google, aus welcher Sprache zu übersetzen ist. Das Programm, das Programm, die Textsprache ist ein Entwicklungsteil. Wir können sagen, dass dieses Programm dann in einer traditionellen Softwareentwicklungskomponente verwendet einer traditionellen Softwareentwicklungskomponente wird, wie das Programm, das die Berechnungen, Datenwissenschaft, Modelle für maschinelles Lernen und KI-Entwicklung durchführen Datenwissenschaft, Modelle für maschinelles Lernen kann für viele Softwareprodukte separat durchgeführt werden, können Sie ein Modell haben, das etwas klassifiziert, vorhersagt oder erkennt. Aber um mehr Menschen zu erreichen und mit einem Modell einen echten Mehrwert zu schaffen, muss es normalerweise in ein Softwareprodukt eingebaut werden , das die Leute wohler haben. können wir keine Ohne die Unterstützung der klassischen Softwareentwicklung können wir keine sinnvolle KI machen. Aber wir müssen zugeben, dass es sich um wirklich unterschiedliche Dinge handelt. 4. Produktbeispiele (neu): Produktbeispiele Teil. Hier werden wir über verschiedene Orte sprechen, wie KI im Produkt steckt. Zum Beispiel viele Streaming-Plattformen oder Online-Shops in denen Sie Ihr persönliches Konto haben. Sie verwenden die Daten und Breitendaten und erstellen ML- und Data-Science-Modelle, erstellen ML- und Data-Science-Modelle um Ihnen zu zeigen, was Ihnen gefallen könnte. Zum Beispiel Netflix, YouTube, alle Arten von Online-Shops, GoodReads. Google. Auch wenn Sie die Google-Suche durchführen , versuchen Sie zu erraten, was Sie möchten. Dies ist ein KI-Teil , der die Produkte erkennt, die Ihnen gefallen, und versucht, mehr davon zu finden. In dieser klassischen Software-Engineering-Komponente ist die Komponente, die Ihnen die Ergebnisse zeigt. Webseite zum Onlineshop. Und AR steckt zu viel Klugheit dahinter. Ein anderes Beispiel: Es handelt sich auch um Empfehlungssysteme oder funktioniert auf beiden. Facebook. Fügt die besten Teile in Ihren Feed ein, zu dem, was Ihnen gefallen könnte, was Sie interessieren könnte, was Sie möglicherweise auf einige Anzeigen klicken. Auch hier ist eine Notaufnahme der Teil, der die Produkte erkennt, die Ihnen gefallen könnten, und versucht, mehr davon zu finden. Der klassische Teil der Softwareentwicklung zeigt Ihnen die Ergebnisse. Nächstes Beispiel, Google Home. Und das ist wirklich interessant, weil es drei verschiedene Produktstücke gibt. erste ist die Entwicklung des physischen Produktdesigns. So sieht die Produktion aus. Hat es ein Licht, wo es das Mikrofon hat, dann hat es den ARMA-Teil, der Ihre Stimme erkennt und die Sprachbefehle versteht. Jedes Mal, bis es etwas ist, versucht es jedes Mal zu verstehen, was Sie lernen, abfragen oder Informationen erhalten möchten . Der klassische Teil der Softwareentwicklung ist der Teil, der das von der AEI übernimmt und das Musical einschaltet und Ihnen sagt, was die Theorien im Grunde sind. Was möchten Sie hören, nachdem Sie verstanden haben, was Sie wollen, und Ihnen das Stück erzählt haben, was Sie wollen, und Ihnen das Stück erzählt haben? Ein anderes Beispiel sagt Jeff, Auto und seine Produktteile fährt. Hier haben wir auch den physischen Teil des Produktdesigns und der Entwicklung. Wo sind die Sensoren, wie sieht das aus? Dann haben wir den KI-Teil , der die Straßen und Bewegungen erkennt , versteht, wo sich Menschen befinden, wo sich andere Autos befinden. Und dann haben wir einen klassischen Software-Engineering-Teil , der das Auto basierend auf der AEI steuert. Wenn wir zum Beispiel sehen, dass eine Person vor dem Auto telefoniert, erkennt die KI, dass sich eine Person vor dem Auto befindet und die klassische Software-Engineering-Flasche, okay? Wenn sich eine Person vor dem Auto befindet, geben wir kein Gas an, aber wir brechen ab. Wenn wir sehen, dass es ein Zahlungs- oder Stoppschild gibt, dann versteht Mitch Wine, KI, dass es ein Top-Stopp-Schild gibt. klassische Teil der Softwareentwicklung sagt uns, dass wir dann aufhören. Uber. Uber ist vielleicht ein bisschen anders in seinem Produkt , dass wir nicht versuchen, etwas zu automatisieren, aber wir versuchen abzuschätzen, wie viel Zeit Sie benötigen, um von einem Ort zum anderen oder im Hintergrund zu gelangen zweimal zum System, um zu erraten, welcher Treiber für Sie am besten geeignet ist, um Ihre Gleichung am schnellsten zu erreichen. Dieser klassische Software-Engineering-Teil hier ist der Teil, in dem Sie interagieren, mit AP interagieren, die Kabine bestellen oder abreißen, wohin Sie möchten oder Kreditkartendetails hinzufügen. 5. Fazit (neu): Zusammenfassend lässt sich sagen, dass KI die Fähigkeit eines Computers ist , Aufgaben auszuführen , die normalerweise von Menschen ausgeführt werden. Die meisten KI-Anwendungen und -Systeme arbeiten mit enger KI. Sie können nur eine oder wenige Aufgaben gleichzeitig erledigen. Entwicklung und Softwareentwicklung sind separate und sehr unterschiedliche Dinge. Bei der Analyse von Gayo-Produktanforderungen haben Sie mit Analysen aus Sicht der Daten zu tun . Die meisten Tools und Apps, die wir in unserem täglichen Leben verwenden , enthalten eine Art Komponente. Eine sinnvolle und nützliche KI wird durch die Kombination von KI und traditioneller Entwicklung erreicht . In der nächsten Lektion werden wir die deterministische und probabilistische Welt diskutieren . Erklären Sie es genauer, wie ich ständig gewartet werden muss, und wir werden näher darauf eingehen, was Sie wissen müssen , um Ihr erstes AR-Projekt zu starten.