ИИ е навсякъде в момента и е отговорен за всичко - от виртуалните асистенти на нашите смартфони до самоуправляващите се автомобили, които скоро ще изпълнят нашите пътища до най-модерните системи за разпознаване на изображения, докладвани от вашия наистина.
Освен ако не сте живели под камък през последното десетилетие, има голям шанс да сте чували за него преди - и вероятно дори да сте го използвали. В момента изкуственият интелект е за Силиконовата долина това, което One Direction е за 13-годишните момичета: вездесъщ източник на мания да хвърлите всичките си пари, докато мечтаете да се ожените всеки път, когато Хари Стайлс най-накрая е готов да се разреши надолу. (Добре, значи все още работим по аналогията!)
Но какво точно е ИИ? — и може да използва термини като „машинно обучение“, „изкуствени невронни мрежи”, „изкуствен интелект” и „Зейн Малик” (все още работим по тази аналогия...) да се използват взаимозаменяемо?
За да ви помогнем да разберете някои от модните думи и жаргона, които ще чуете, когато хората говорят за ИИ, ние съставихме това просто ръководство, което да ви помогне да завършите замислете се върху всички различни вкусове на изкуствения интелект – Макар и само за да не правите грешки, когато машините най-накрая вземат над.
Изкуствен интелект
Няма да навлизаме твърде дълбоко в историята на A.I. тук, но важното нещо, което трябва да се отбележи, е, че изкуственият интелект е дървото, на което всички следващи термини са клони. Например обучението с подсилване е вид машинно обучение, което е подполе на изкуствения интелект. Изкуственият интелект обаче не е (непременно) обучение за подсилване. Схванах го?
Досега никой не е изградил обща интелигентност.
Няма официално консенсусно съгласие относно това, което A.I. средства (някои хора предполагат, че това са просто страхотни неща, които компютрите все още не могат да правят), но повечето би се съгласил, че става дума за това да накараш компютрите да извършват действия, които биха се считали за интелигентни, ако се извършват от човек.
Терминът е въведен за първи път през 1956 г., на a летен семинар в Dartmouth College в Ню Хемпшир. Голямото актуално отличие в A.I. е между специфичен за текущия домейн Тесен A.I. и Изкуствен общ интелект. Досега никой не е изградил обща интелигентност. След като го направят, всички залози отпадат...
Символичен ИИ
Не чувате толкова много за Символичен ИИ днес. Наричан още добър старомоден AI, символичен AI. е изграден около логически стъпки, които могат да бъдат дадени на компютъра по начин отгоре надолу. Това включва предоставяне на много и много правила на компютър (или робот) за това как трябва да се справи с конкретен сценарий.
Това доведе до много ранни пробиви, но се оказа, че те работят много добре в лаборатории, в която всяка променлива може да бъде перфектно контролирана, но често не толкова добре в бъркотията на ежедневието живот. Както един писател се пошегува за символния ИИ, ранният ИИ системите бяха малко като боговете от Стария завет - с много правила, но без милост.
Днес изследователите като Селмер Брингсьорд се борят да върнат фокуса върху базирания на логика символичен изкуствен интелект, изграден около превъзходството на логическите системи, които могат да бъдат разбрани от техните създатели.
Машинно обучение
Ако чуете за голям ИИ. пробив в наши дни, шансовете са, че освен ако не се вдигне голям шум, който да предполага друго, ще чуете за машинно обучение. Както подсказва името му, машинното обучение е за създаване на машини, които, добре, учат.
Подобно на заглавието на AI, машинното обучение също има множество подкатегории, но това, което всички те имат в обща е фокусираната върху статистиката способност да се вземат данни и да се прилагат алгоритми към тях, за да се спечели знания.
Има множество различни клонове на машинното обучение, но този, за който вероятно ще чуете най-много, е...
Невронни мрежи
Ако сте прекарали известно време в нашата секция Cool Tech, вероятно сте чували за изкуствени невронни мрежи. Като вдъхновени от мозъка системи, предназначени да възпроизвеждат начина, по който хората учат, невронните мрежи променят собствения си код, за да намерете връзката между вход и изход - или причина и следствие - в ситуации, когато тази връзка е сложна или неясен.
Изкуствените невронни мрежи се възползваха от пристигането на дълбокото обучение.
Концепцията за изкуствени невронни мрежи всъщност датира обратно към 1940 г, но всъщност едва през последните няколко десетилетия той започна наистина да оправдава своя потенциал: подпомогнат от пристигането на алгоритми като „обратно разпространение”, което позволява на невронната мрежа да коригира своите скрити слоеве от неврони в ситуации, в които резултатът не съвпада с това, на което създателят се надява. (Например мрежа, предназначена да разпознава кучета, която погрешно идентифицира котка.)
Това десетилетие изкуствените невронни мрежи се възползваха от пристигането на дълбоко обучение, в който различни слоеве на мрежата извличат различни функции, докато не може да разпознае това, което търси.
В рамките на заглавието на невронната мрежа има различни модели на потенциална мрежа - с препращане и конволюционни мрежи вероятно ще бъдат тези, които трябва да споменете, ако останете до инженер на Google на вечеря.
Обучение с подсилване
Учене с подсилване е друг вкус на машинното обучение. Той е силно вдъхновен от бихевиористката психология и се основава на идеята, че софтуерният агент може да се научи да предприема действия в среда, за да увеличи максимално възнаграждението.
Като пример, през 2015 г. DeepMind на Google публикува документ, показващ как е постъпил обучи A.I. да играете класически видео игри, без инструкции, различни от резултата на екрана и приблизително 30 000 пиксела, съставляващи всеки кадър. Казано да максимизира резултата си, обучението с подсилване означаваше, че софтуерният агент постепенно се научи да играе играта чрез проба и грешка.
MarI/O - Машинно обучение за видео игри
За разлика от експертната система, обучението с подсилване не се нуждае от човешки експерт, който да му каже как да увеличи максимално резултата. Вместо това, той го разбира с течение на времето. В някои случаи правилата, които научава, могат да бъдат фиксирани (както при игра на класическа игра Atari). В други, той продължава да се адаптира с течение на времето.
Еволюционни алгоритми
Известен като генеричен алгоритъм за метаевристична оптимизация, базиран на населението, ако все още не сте били запознати, еволюционни алгоритми са друг вид машинно обучение; проектиран да имитира концепцията за естествен подбор в компютъра.
Процесът започва с въвеждане от програмист на целите, които той или тя се опитва да постигне с техния алгоритъм. Например НАСА е използвала еволюционни алгоритми за проектиране на сателитни компоненти. В този случай функцията може да бъде да се намери решение, което може да се побере в кутия с размери 10 см x 10 см, способен да излъчва сферичен или полусферичен модел и способен да работи при определен Wi-Fi банда.
След това алгоритъмът предлага множество поколения итеративни дизайни, като тества всеки един спрямо заявените цели. Когато някой в крайна сметка отбележи всички правилни квадратчета, той спира. Освен че помагат на НАСА да проектира сателити, еволюционните алгоритми са любими на творците, използващи изкуствен интелект за своята работа: като напр. дизайнерите на тази изящна мебел.
Препоръки на редакторите
- ИИ за дълбоко обучение помага на археолозите да преведат древни плочи
- Дълбоко обучение A.I. може да имитира ефектите на изкривяване на емблематичните китарни богове
- ИИ за четене на мисли анализира мозъчните ви вълни, за да познае какво видео гледате
- Оценителят на къщи на бъдещето вероятно е A.I. алгоритъм
- Фотореалистичен изкуствен интелект инструментът може да запълни празнини в изображения, включително лица
