Cognitive Technologies: Machine Learning, Artificial Intelligence, and Convolutional Neural Networks in Computer Vision
Notice bibliographique
Résumé
The research focus was motivated by the limited understanding of cognitive technologies and the growing gap between artificial intelligence (AI) and human intelligence. The research is a literature review, and its purpose is to simplify the meaning and processes behind cognitive technologies, notably, the fundamentals of machine learning (ML) and computer vision with the intention to briefly address the alleged threat of AI taking over the job market. The research is a review of peer-reviewed articles retrieved from comparative studies, systematic reviews, meta-analysis, service research, reports, conference proceedings, experimental studies, literature reviews, scientometric analyses, books, and multi-case studies, dating from the years of 2018 to 2024. This literature review defines machine learning (ML), artificial intelligence (AI), computer vision, and convolutional neural networks (CNNs). It also compares machine learning to traditional programming and reveals the types of learning in ML models’ training. ML and its correlation with AI are also discussed and details about theory of mind, self-aware AI, reactive machines, and limited memory AI are shared. The literature expounds computer vision, particularly convolutional neural network (CNN) and CNN layers. Recent cutting-edge applications of artificial intelligence including generative AI models and autonomous systems are also incorporated. Finally, the literature briefly addresses the alleged threat of AI taking over the job market. The findings of this literature review reveal that AI is becoming the new way of operating. The conclusion shows that AI models require significant computation to allow computers to learn autonomously. Thus, understanding mathematical models of data and perfecting the process of writing software could be the key to remaining employable as more jobs are expected to be shifted due to AI and tasks automation. Keywords: Cognitive technology, artificial intelligence, machine learning, computer vision, convolutional neural networks
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».