Bagaimana kecerdasan buatan

Akhir-akhir ini, kita mendengar lebih banyak tentang kecerdasan buatan. Ia digunakan hampir mana-mana: dari bidang teknologi tinggi dan pengiraan matematik yang kompleks ke telefon pintar perubatan, automotif dan walaupun berjalan. Teknologi yang mendasari operasi AI dalam persembahan hari ini, kita gunakan setiap hari, dan kadang-kadang tidak dapat memikirkannya. Tetapi apa yang kecerdasan buatan? Bagaimana ia berfungsi? Dan terdapat bahaya?

Bagaimana kecerdasan buatan

Apakah kecerdasan buatan

Pertama, mari kita menentukan beberapa istilah. Jika anda suka kecerdasan buatan sebagai sesuatu yang boleh berfikir untuk diri mereka sendiri, membuat keputusan, dan dalam menunjukkan tanda-tanda umum kesedaran, kemudian bersegera untuk mengecewakan anda. Hampir sistem semua kini yang sedia ada tidak walaupun dekat dengan "berdiri" bagi apa-apa definisi AI. Dan sistem lain yang menunjukkan tanda-tanda aktiviti itu, sebenarnya semua fungsi yang sama dalam algoritma yang telah ditetapkan.

Pada masa-masa, algoritma ini adalah sangat, sangat maju, tetapi mereka tetap "rangka kerja" dalam mana karya-karya AI. Tidak "kebebasan" dan lebih tanda-tanda kesedaran tidak mempunyai kereta. Ia hanya satu program yang sangat produktif. Tetapi mereka adalah "yang terbaik dalam perniagaan." Selain itu, sistem AI yang terus bertambah baik. Ya, dan mereka disusun agak unbanal. Walaupun anda menolak hakikat bahawa AI moden adalah jauh dari sempurna, ia telah kita sangat banyak persamaan.

Bagaimana AI

AI pertama boleh melaksanakan tugas-tugas mereka (yang kemudian) dan memperoleh kemahiran baru melalui pembelajaran mesin dalam. Istilah ini kita juga sering mendengar dan makan. Tetapi apa maknanya? Berbeza dengan kaedah "klasik", apabila semua maklumat yang perlu dimuatkan ke dalam sistem terlebih dahulu, algoritma pembelajaran mesin membuat sistem yang membangunkan secara bebas, mengkaji maklumat yang ada. Yang, di samping itu, mesin boleh dalam beberapa kes juga melihat untuk diri sendiri. Sebagai contoh, untuk membuat program untuk mengesan penipuan, algoritma pembelajaran mesin bekerja dengan senarai urus niaga perbankan dan keputusan akhir mereka (undang-undang atau tidak sah). model pembelajaran mesin menganggap contoh dan membangunkan pergantungan statistik antara urus niaga sah dan penipuan. Selepas itu, apabila anda memberikan algoritma data transaksi perbankan yang baru, ia mengklasifikasikan ia berdasarkan template, yang dia podcherpnul contoh terlebih dahulu.

Sebagai peraturan, lebih banyak data yang anda berikan, lebih tepat ia menjadi algoritma pembelajaran mesin dalam menjalankan tugas-tugas mereka. pembelajaran mesin amat berguna dalam penyelesaian masalah, di mana kaedah-kaedah yang tidak ditakrifkan terlebih dahulu dan tidak boleh ditafsirkan dalam sistem binari. Kembali kepada contoh operasi perbankan: sebenarnya output kita mempunyai sistem binari: 0 - kesahan operasi 1 - haram. Tetapi untuk mencapai kesimpulan ini sistem yang dikehendaki untuk menganalisis sejumlah besar parameter dan jika untuk membuat mereka secara manual, maka ia akan mengambil masa lebih daripada satu tahun. Ya, dan untuk meramalkan semua pilihan semua yang sama tidak akan berfungsi. Satu sistem yang bekerja atas dasar pembelajaran mesin dalam, akan dapat mengenali sesuatu, walaupun ketepatan kes seperti itu dia tidak pernah berjumpa.

rangkaian Deep dan latihan neural

Pada masa itu, kedua-dua algoritma pembelajaran mesin klasik untuk menyelesaikan banyak masalah, banyak maklumat dalam pangkalan data yang di dalamnya ada, mereka tidak menghadapi, jadi untuk bercakap, "visual dan auditori" data seperti imej, video, fail bunyi, dan sebagainya.

Sebagai contoh, penciptaan model ramalan kanser payudara dengan menggunakan pendekatan pembelajaran mesin klasik akan memerlukan usaha puluhan pakar dalam bidang perubatan, pengaturcara dan ahli matematik - kata penyelidik dalam bidang AI Jeremy Howard. Ahli-ahli sains perlu melakukan banyak algoritma yang lebih kecil untuk pembelajaran mesin untuk mengatasi kebanjiran maklumat. subsistem berasingan untuk kajian X-ray, yang berasingan - untuk MRI, yang lain - untuk tafsiran ujian darah, dan sebagainya. Bagi setiap jenis analisis yang kita perlukan akan menjadi sistem sendiri. Maka mereka semua akan digabungkan ke dalam satu sistem yang besar ... Ia adalah satu proses yang sangat sukar dan sumber.

Bagaimana kecerdasan buatan

algoritma pembelajaran dalam menyelesaikan masalah yang sama menggunakan rangkaian neural dalam, jenis seni bina perisian, yang diilhamkan oleh otak manusia (walaupun rangkaian neural berbeza daripada neuron biologi, tindakan mereka telah hampir prinsip yang sama). Komputer rangkaian neural - komunikasi yang "neuron elektronik" yang dapat memproses dan mengelaskan maklumat. Mereka berada, bagaimana-untuk "lapisan" dan setiap "lapisan" bertanggungjawab untuk sesuatu yang mereka sendiri, akhirnya membentuk gambar keseluruhan. Sebagai contoh, apabila anda melatih rangkaian neural dalam imej-imej pelbagai objek, dia mendapati cara-cara untuk mendapatkan semula objek dari imej-imej ini. Setiap lapisan rangkaian neural mengesan ciri-ciri tertentu: bentuk objek, warna, rupa objek dan sebagainya.

Bagaimana kecerdasan buatan

Lapisan permukaan rangkaian neural mempamerkan ciri-ciri biasa. lapisan sudah mengenal pasti objek yang sebenar. Gambar rajah angka rangkaian neural yang mudah. Green ditanda neuron input (maklumat postupayuzaya), biru - neuron tersembunyi (analisis data), kuning - output neuron (keputusan)

Rangkaian neural - otak manusia tiruan?

Walaupun struktur yang sama mesin dan rangkaian neural manusia, ciri-ciri sistem saraf pusat kita, mereka tidak mempunyai. Komputer rangkaian neural pada dasarnya semua alat perisian yang sama. Hanya jadi ia adalah sistem yang paling sangat dianjurkan untuk pengiraan adalah otak kita. Anda mungkin pernah mendengar ungkapan, "otak kita - komputer?" Ahli-ahli sains hanya "mengulangi" beberapa aspek struktur dalam "digital". Ini dibenarkan sahaja mempercepatkan pengiraan, tetapi tidak memberi kesedaran mesin.

Ini adalah menarik: Apabila kecerdasan buatan untuk belajar untuk bercakap?

Rangkaian neural telah wujud sejak tahun 1950-an (sekurang-kurangnya dalam bentuk Konsep). Tetapi sehingga baru-baru mereka tidak mempunyai banyak kerana mereka memerlukan penciptaan jumlah data yang besar dan kuasa pengkomputeran. semua ini telah disediakan dalam beberapa tahun yang lalu, jadi rangkaian neural dan datang ke hadapan, telah dibangunkan. Ia adalah penting untuk memahami bahawa untuk penampilan sihat mereka tidak mempunyai teknologi. Kerana mereka tidak cukup dan kini, dalam usaha untuk membawa teknologi ke tahap yang baru.

Bagaimana kecerdasan buatan

Apa yang digunakan latihan rangkaian neural dalam dan

Terdapat beberapa kawasan di mana kedua-dua teknologi telah membantu untuk mencapai kemajuan yang ketara. Tambahan pula, ada yang kita gunakan dalam kehidupan seharian kita dan tidak berfikir yang di belakang mereka.

  • visi komputer - ini adalah keupayaan perisian untuk memahami kandungan imej dan video. Ini adalah salah satu kawasan di mana pembelajaran mendalam telah mencapai kemajuan besar. Sebagai contoh, algoritma untuk imej pemprosesan pembelajaran mendalam boleh mengesan pelbagai jenis kanser, penyakit paru-paru, jantung dan sebagainya. Dan melakukannya doktor lebih cepat dan lebih cekap. Tetapi juga pengajaran yang mendalam berakar umbi dalam banyak aplikasi yang anda gunakan setiap hari. Apple Face ID dan Foto Google menggunakan latihan yang mendalam untuk pengiktirafan muka dan kualiti imej yang lebih baik. Facebook menggunakan latihan yang mendalam untuk menandakan secara automatik wajah pada foto yang dimuat naik, dan sebagainya. visi komputer juga membantu syarikat-syarikat untuk mengenal pasti secara automatik dan menyekat kandungan yang boleh dipersoalkan seperti keganasan dan bogel. Akhir sekali, mendalam latihan memainkan peranan yang amat penting dalam memastikan kemungkinan kereta pandu sendiri, supaya mereka dapat memahami persekitaran mereka.
  • Pengecaman suara dan ucapan. Apabila kamu berkata arahan ke Now Google anda, algoritma pembelajaran mendalam menukar suara anda ke dalam arahan teks. Beberapa aplikasi dalam talian menggunakan latihan yang mendalam untuk menyalin fail audio dan video. Walaupun anda "Shazam" lagu, ia mengambil masa algoritma rangkaian neural dan mesin pembelajaran dalam.
  • Cari internet walaupun anda sedang mencari sesuatu dalam enjin carian, supaya permintaan anda boleh diproses dengan lebih tepat dan mengeluarkan keputusan yang sah, syarikat itu mula menyambung algoritma rangkaian neural untuk enjin carian mereka. Jadi, prestasi enjin carian Google telah berkembang beberapa kali selepas sistem dihidupkan untuk pembelajaran mesin yang mendalam dan rangkaian neural.
Bagaimana kecerdasan buatan

Had pengajian dalam dan rangkaian neural

Walaupun semua kelebihan, rangkaian pembelajaran dan neural mendalam juga mempunyai beberapa kelemahan.

  • Bergantung kepada data: secara umum, algoritma pembelajaran mendalam memerlukan sejumlah besar data latihan untuk melengkapkan tepat tugas-tugas mereka. Malangnya, untuk menyelesaikan banyak masalah tidak cukup data latihan yang berkualiti untuk mewujudkan model bekerja.
  • The ketidaktentuan rangkaian neural membangunkan dalam beberapa cara yang pelik. Kadang-kadang semuanya berjalan seperti yang dirancang. Dan kadang-kadang (walaupun rangkaian neural mengatasi permasalahannya dengan baik dengan tugasnya), walaupun pencipta bergelut untuk memahami bagaimana algoritma bekerja. Kekurangan kebolehramalan menjadikan ia amat sukar untuk menghapuskan dan pembetulan kesilapan dalam algoritma rangkaian neural.
  • Algorithmic mengimbangi: algoritma pembelajaran mendalam, yang apabila data atas mana dilatih mereka. Masalahnya ialah bahawa data latihan sering mengandungi kesilapan atau kelemahan tersembunyi atau jelas, dan algoritma mereka "mewarisi". Sebagai contoh, satu algoritma untuk mengiktiraf orang terlatih terutamanya kepada gambar-gambar orang putih akan bekerja kurang tepat kepada orang yang mempunyai warna kulit yang berbeza.
  • Kekurangan generalisasi: algoritma pembelajaran mendalam adalah baik untuk melaksanakan matlamat yang disasarkan, tetapi sakit meringkaskan pengetahuan mereka. Tidak seperti manusia, model pembelajaran mendalam, bermain StarCraft, tidak akan dapat untuk bermain permainan lain yang serupa: sebagai contoh, di Warcraft. Di samping itu, mendalam latihan untuk menghadapi pemprosesan data buruk, yang menyimpang daripada kajian kesnya.

pembelajaran mendalam Masa Depan, dan rangkaian neural AI

Ia jelas bahawa kerja pada pembelajaran mendalam dan rangkaian neural masih belum berakhir. Pelbagai usaha telah dibuat untuk meningkatkan algoritma pembelajaran dalam. Pembelajaran Deep - adalah amalan terbaik dalam penciptaan kecerdasan buatan. Beliau menjadi lebih popular dalam beberapa tahun kebelakangan ini, terima kasih kepada banyak data dan peningkatan kuasa pemprosesan. Ini adalah teknologi teras yang mendasari banyak aplikasi yang kita gunakan setiap hari.

Bagaimana kecerdasan buatan

Tetapi untuk dilahirkan kalinya berdasarkan kesedaran teknologi ini? Ini kehidupan tiruan? Banyak saintis percaya bahawa pada satu masa apabila bilangan sambungan antara komponen pendekatan rangkaian neural tiruan untuk penunjuk yang sama yang terdapat di dalam otak manusia antara neuron kita, sesuatu seperti ini boleh berlaku. Walau bagaimanapun, adalah zayavlyaenie sangat ragu. Untuk membentangkan AI datang, kita perlu memikirkan semula pendekatan kepada penciptaan atas dasar sistem AI. Apa yang ada sekarang - ini adalah hanya permohonan untuk pelbagai sangat terhad tugas. Seolah-olah kita tidak mahu percaya bahawa masa depan adalah sekarang ...

Apa yang anda fikir? Sama ada orang akan mewujudkan AI? Berkongsi sesuatu dalam sembang kami dalam Telegram.