Kaip veikia dirbtinis intelektas

Pastaruoju metu girdime vis daugiau ir daugiau apie dirbtinio intelekto. Jis naudojamas beveik visur: nuo aukštųjų technologijų ir sudėtingų matematinių skaičiavimų sferą į medicinos, automobilių ir net, kai veikia išmaniųjų telefonų. Technologijos grindžiama PG operaciją šiandienos pristatymą, mes naudojame kiekvieną dieną, o kartais negali net galvoti apie tai. Bet kas yra dirbtinis intelektas? Kaip tai veikia? Ir ar yra pavojus?

Kas yra Dirbtinis intelektas

Pirma, galime apibrėžti tam tikrą terminologiją. Jei išgalvotas dirbtinį intelektą kaip kažką, kad gali galvoti už save, priimti sprendimus, ir apskritai šou požymių sąmonės, tada skubu jus nuvilti. Beveik visi šiuo metu esamas sistemas nėra net arti "stovėti" tokio PG apibrėžimą. Ir tos sistemos, kad parodyti ženklus tokios veiklos, iš tiesų visą tą pačią funkciją, kaip apibrėžta iš anksto nustatytų algoritmai.

Tuo metu, šie algoritmai yra labai, labai pažengęs, tačiau jie lieka "sistema", per kurį Ai darbai. Nieko "laisvės" ir dar daugiau ženklai sąmonės neturi automobilius. Tai tiesiog labai produktyvus programa. Bet jie yra "geriausias verslo." Be to, AI sistema ir toliau tobulinti. Taip, ir jie išdėstyti gana unbanal. Net jei jūs atmesti fakto, kad šiuolaikinė AI toli gražu nėra tobula, ji turi mums labai daug bendro.

Kaip veikia AI

Pirmasis PG gali atlikti savo užduotis (kurios vėliau) ir įgyti naujų įgūdžių per giliai mašina mokymo. Šis terminas, mes pernelyg dažnai girdime ir valgyti. Bet ką tai reiškia? Skirtingai nuo "klasikinių" metodus, kai visa reikalinga informacija yra pakrauta į iš anksto sistema, mašina mokymosi algoritmai, kad sistema savarankiškai kuriant, tiriant turimą informaciją. Kuris, be to, mašina gali kai kuriais atvejais taip pat ieškoti patys. Pavyzdžiui, norėdami sukurti programą dėl sukčiavimo aptikimo, mašina mokymo algoritmas veikia su bankinių operacijų sąrašą ir rezultatas jų pabaiga (legali ir nelegali). mašina mokymo modelis mano pavyzdžių ir plėtoja statistinę priklausomybę tarp teisėtų ir sukčiavimo sandorius. Po to, kai jūs suteikiate algoritmas naujų bankininkystės sandorių duomenis, klasifikuoja tai remiantis šablonais, kuriuos jis podcherpnul pavyzdys iš anksto.

Kaip taisyklė, tuo daugiau duomenų pateiksite, tuo tikslesnis jis tampa mašina mokymosi algoritmas atliekant savo užduotis. Mašina mokymasis yra ypač naudinga sprendžiant problemas, kai taisyklės yra neapibrėžta iš anksto ir negali būti aiškinama dvejetainis sistemos. Grįžtant prie mūsų pavyzdyje iš bankinių operacijų: iš tiesų išėjimo turime binarinę sistemą: 0 - teisėtumą operacijų 1 - neteisėtas. Tačiau tam, kad prieiti tokios išvados sistema privalo analizuoti visa krūva parametrų, ir jei padaryti juos rankiniu būdu, tai užtruks daugiau nei vienerius metus. Taip, ir prognozuoti visus variantus visus tuos pačius neveiks. Sistema, kuri veikia ant gilaus mašina mokymo pagrindu, galės atpažinti kažką, net jei tokiu atveju tikslumas ji niekada nesutiktų.

Giliai mokymosi ir neuroniniai tinklai

Tuo metu, abi klasikinės mašina mokymosi algoritmai išspręsti daugelį problemų, kuriame yra daug informacijos duomenų bazėje daug, jie neturi susidoroti su, taip sakant, "regos ir klausos" duomenys, tokie kaip atvaizdai, video, garso failus, ir taip toliau.

Pavyzdžiui, sukurti krūties vėžio prognozei panaudojant klasikinis mašina mokymo metodus reikės daugybės ekspertų medicinos, programuotojų ir matematikų srityje pastangas modelis, - sako į AI Jeremy Howard srityje tyrinėtojas. Mokslininkai reikės padaryti mažesnių algoritmų aikštelė mašina mokymo susidoroti su informacijos potvynio. Atskiras posistemė už rentgeno, atskiras tyrimas - dėl MRT, kitas - už kraujo tyrimus, aiškinimo, ir taip toliau. Kiekvienam analizės rūšies turime būtų jos sistema. Tada jie visi būtų sujungti į vieną didelį sistema ... Tai labai sunku ir išteklių reikalaujantis procesas.

algoritmai giliai mokymo išspręsti tą pačią problemą, naudojant gilius neuroninių tinklų, programinės įrangos architektūros tipas, įkvėptas žmogaus smegenų (nors neuroniniai tinklai skiriasi nuo biologinių neuronų, veiksmai jie turi beveik tą patį principą). Kompiuterių neuroniniai tinklai - Komunikatas "elektroniniai Neuronai, kurie gali apdoroti ir klasifikuoti informaciją. Jie yra, kaip į "sluoksnius", o kiekvienas "sluoksnis" yra atsakingas už kažką savo, galiausiai formuojant bendrą vaizdą. Pavyzdžiui, kai traukinio neuroniškuosius įvairių objektų vaizdus, ​​ji randa būdų, ir norite atkurti objektus iš šių vaizdų. Kiekvienas neuroninio tinklo sluoksnis aptinka tam tikras funkcijas: objektų, spalvų išvaizdą objektų ir pan formą.

Paviršiniai sluoksniai neuroninių tinklų eksponuoti bendrų bruožų. Gilesnius sluoksnius jau nustatyti tikruosius objektus. Skaičius schema paprasta neuroninio tinklo. Žalioji pažymėti įėjimo neuronai (postupayuzaya informacija), mėlyna - paslėpta neuronus (duomenų analizė), geltona - išėjimo neuronų (sprendimas)

Neuroniniai tinklai - dirbtinis žmogaus smegenys?

Nepaisant to, kad panašios konstrukcijos dalies mašina ir žmogaus neuroninio tinklo, bruožai mūsų centrinės nervų sistemos, jie neturi. Kompiuterių neuroniniai tinklai yra iš esmės viskas tas pats, programinė įranga. Tiesiog tai buvo, kad labai gerai organizuota sistema skaičiavimas buvo mūsų smegenys. Jūs tikriausiai girdėjote posakį, "mūsų smegenis - kompiuterį?" Mokslininkai tiesiog "pakartoti" Kai kurie jo struktūros aspektus į "skaitmeninis". Tai leido paspartinti tik skaičiavimus, tačiau nesuteikia mašina sąmonę.

Tai įdomu: Kai dirbtinis intelektas išmokti kalbėtis?

Neuroniniai tinklai jau nuo 1950 (bent jau Koncepcijos forma). Tačiau iki šiol jie neturėjo daug, nes jie reikalauja milžiniški duomenų ir skaičiavimo galia kūrimą. visa tai buvo prieinami per pastaruosius kelerius metus, todėl neuroninio tinklo ir ateiti į pirmą vietą, buvo sukurta. Svarbu suprasti, kad jų pilnaverčio pasirodymo trūko technologiją. Nes jie nėra pakankamai, o dabar, siekiant suderinti technologiją į naują lygį.

Kodėl naudoti giliai mokymąsi ir neuroninių tinklų

Yra keletas sričių, kuriose šie du technologijos padėjo pasiekti didelę pažangą. Be to, kai kurie iš jų mes naudojame mūsų kasdieniame gyvenime ir net ne manote, kad yra už jų.

• Kompiuterių vizija - tai programinės įrangos gebėjimas suprasti vaizdus ir vaizdo turinio. Tai yra viena sritis, kur giliai mokymosi padarė didelę pažangą. Pavyzdžiui, algoritmai perdirbimo vaizdų giliai mokymosi gali aptikti įvairių rūšių vėžio, plaučių ligos, širdies ir taip toliau. Ir tai padaryti greičiau ir efektyviau gydytojai. Bet taip pat gilus mokymas įsišaknijusi daugelyje programų, kad jūs naudojate kiekvieną dieną. "Apple" Veido ID ir "Google Nuotraukos naudoja nuodugniai mokymus veido pripažinimo ir geresnio vaizdo kokybę. "Facebook" naudoja išsamią mokymo automatiškai pažymėti veidus įkeltų nuotraukų, ir taip toliau. Kompiuterių vizija taip pat padeda įmonėms automatiškai identifikuoti ir blokuoti abejotiną turinį, pavyzdžiui, smurto ir nuogumo. Galiausiai, nuodugniai mokymo vaidina labai svarbų vaidmenį užtikrinant savarankiškai vairuoti automobilius galimybė, kad jie gali suprasti savo aplinką.
• Balso atpažinimas ir kalbos. Kai sakote komandą į "Google" dabar giliai mokymosi algoritmai konvertuoti savo balso į tekstą komandas. Keletas interneto programas, naudojant išsamų mokymą perrašyti garso ir vaizdo failus. Net jei "Shazam" daina, ji užima algoritmai neuroninių tinklų ir gilaus mokymosi mašina.
• Paieška internete, net jei jūs ieškote ko nors paieškos, kad jūsų prašymas gali būti aiškiau tvarkomi ir rezultatai buvo kaip suteikianti teisę, bendrovė pradėjo prijungti neuroniškuosius algoritmus savo paieškos variklius. Taigi, "Google" paieškos variklio veikimas išaugo kelis kartus po to, kai sistema įjungta į gilią mašina mokymo ir neuroninių tinklų.

ribos giliai mokymosi ir neuroninių tinklų

Nepaisant visų savo privalumų, giliai mokymosi ir neuroniniai tinklai taip pat turi keletą trūkumų.

• Priklausomai nuo duomenų: apskritai, giliai mokymosi algoritmai reikalauja didžiulis mokymo duomenų tiksliai atlikti savo užduotis. Deja, išspręsti daug problemų nėra pakankamai kokybės mokymo duomenų sudaryti darbo modelius.
• neuroninių tinklų nenuspėjamumas kurti tam tikru keistu būdu. Kartais viskas vyksta taip, kaip planuota. Ir kartais (net jei neuroninis tinklas pasakojama gerai su savo užduotį), net kūrėjai stengiasi suprasti, kaip algoritmai dirbti. Trūksta nuspėjamumas tampa labai sunku pašalinti ir korekcija Klaidos neuroninių tinklų algoritmai.
• Algoritminė kompensuoti: gilios mokymosi algoritmai yra tokia gera, kaip duomenų, dėl kurių jie buvo apmokyti. Problema yra tai, kad mokymo duomenys dažnai yra paslėptas arba akivaizdžių klaidų ar trūkumų, ir jų algoritmai "paveldėjo". Pavyzdžiui, pripažinimo apmokyti daugiausia nuotraukų baltųjų žmonių asmenis algoritmas dirbs mažiau tiksliai žmonėms su kitu odos spalvą.
• Ne apibendrinimai: Gilios mokymosi algoritmai yra gerai atlikti tikslinius tikslus, bet serga apibendrinti savo žinias. Skirtingai nuo žmonių, iš gilaus mokymosi, žaisti Starcraft modelis, negalės žaisti kitą žaidimą panašūs: pavyzdžiui, Warcraft. Be to, nuodugniai mokymo susidoroti su bloga duomenų apdorojimo, kurios nukrypsta nuo jo atvejų tyrimus.

Iš gilaus mokymosi, neuroninių tinklų ir AI

ateitis

Akivaizdu, kad darbas ant gilaus mokymosi ir neuroninių tinklų dar toli gražu nebaigtas. Įvairūs pastangos buvo padaryta siekiant pagerinti giliai mokymosi algoritmus. Giluminis mokymasis - yra geriausia praktika dirbtinio intelekto kūrimą. Jis tampa vis labiau populiarus per pastaruosius kelerius metus, nes duomenų gausa ir padidėjo apdorojimo galia. Tai pagrindinė technologija, grindžiantis daug programų, kad mes naudojame kiekvieną dieną.

Bet gimti nors remiantis šia technologija sąmonės? Tai dirbtinis gyvenimas? Kai kurie mokslininkai mano, kad tuo metu, kai jungčių tarp dirbtinio neuroninio tinklo požiūris į tą patį rodiklį, kad yra žmogaus smegenyse tarp mūsų neuronų komponentų skaičius, kažkas panašaus į tai gali atsitikti. Tačiau tai labai abejotina zayavlyaenie. Siekiant pateikti AI atėjo, turime permąstyti požiūrį į kūrybos dėl AI sistemų pagrindu. Visa tai dabar - tai tik paraiškos griežtai ribotam užduotis. Tarsi mes nenorėjome tikėti, kad ateitis yra dabar ...

Ką manote? Ar žmonės sukurs AI? Dalytis kažką mūsų čate telegrama.