A.I. trenutno je posvuda i odgovoran je za sve, od virtualnih pomoćnika na našim pametnim telefonima do samovozeći automobili koji će uskoro puniti naše ceste do najsuvremenijih sustava za prepoznavanje slika o kojima izvješćuje vaš uistinu.
Osim ako niste živjeli ispod stijene zadnje desetljeće, postoji velika vjerojatnost da ste za njega već čuli - i vjerojatno ga čak i koristili. Upravo sada, umjetna inteligencija je za Silicijsku dolinu ono što je One Direction za 13-godišnje djevojčice: sveprisutni izvor opsesija na koju ćete baciti sav svoj novac, dok sanjarite o vjenčanju kad god Harry Styles konačno bude spreman nagoditi se dolje. (U redu, znači još uvijek radimo na analogiji!)
Ali što točno je AI? — i mogu izrazi poput "strojno učenje", "umjetne neuronske mreže”, “umjetna inteligencija” i “Zayn Malik” (još uvijek radimo na toj analogiji...) koristiti naizmjenično?
Kako bismo vam pomogli da shvatite neke od poštapalica i žargona koje ćete čuti kada ljudi govore o umjetnoj inteligenciji, sastavili smo ovaj jednostavan vodič koji će vam pomoći da zaključite razmislite o svim različitim okusima umjetne inteligencije — makar samo zato da ne napravite promašaj kada strojevi konačno uzmu nad.
Umjetna inteligencija
Nećemo ulaziti preduboko u povijest A.I. ovdje, ali važno je napomenuti da je umjetna inteligencija stablo čije su grane svi sljedeći pojmovi. Na primjer, učenje s potkrepljenjem vrsta je strojnog učenja, što je potpodručje umjetne inteligencije. Međutim, umjetna inteligencija nije (nužno) učenje s potkrepljenjem. kužiš
Do sada nitko nije izgradio opću inteligenciju.
Ne postoji službeni konsenzus o tome što A.I. znači (neki ljudi sugeriraju da su to jednostavno cool stvari koje računala još ne mogu raditi), ali većina složio bi se da se radi o tome da se računala natjeraju da izvršavaju radnje koje bi se smatrale inteligentnima da ih izvodi osoba.
Izraz je prvi put skovan 1956 ljetna radionica na Dartmouth Collegeu u New Hampshireu. Velika trenutna razlika u A.I. je između trenutne domene Uski A.I. i Umjetna opća inteligencija. Do sada nitko nije izgradio opću inteligenciju. Kad to učine, sve oklade padaju...
Simbolički A.I.
Ne čujete toliko o tome Simbolički A.I. danas. Također se spominje kao dobra staromodna umjetna inteligencija, simbolička umjetna inteligencija. izgrađen je oko logičnih koraka koji se mogu dati računalu na način odozgo prema dolje. To podrazumijeva davanje puno i puno pravila računalu (ili robotu) o tome kako bi se trebalo nositi s određenim scenarijem.
To je dovelo do brojnih ranih otkrića, no pokazalo se da su ona vrlo dobro funkcionirala u laboratorijima, kojom se svaka varijabla može savršeno kontrolirati, ali često lošije u neredu svakodnevice život. Kao što je jedan pisac šaljivo rekao o simboličkoj umjetnoj inteligenciji, rana umjetna inteligencija. sustavi su bili pomalo poput boga iz Starog zavjeta - s puno pravila, ali bez milosti.
Danas istraživači poput Selmer Bringsjord bore se za vraćanje fokusa na simboličku umjetnu inteligenciju temeljenu na logici, izgrađenu oko superiornosti logičkih sustava koje njihovi kreatori mogu razumjeti.
Strojno učenje
Ako čujete za veliki A.I. proboj ovih dana, velike su šanse da ćete čuti o strojno učenje. Kao što mu ime govori, strojno učenje je stvaranje strojeva koji, pa, uče.
Poput naslova AI, strojno učenje također ima više potkategorija, ali ono što sve imaju u uobičajena je sposobnost usmjerena na statistiku da se uzmu podaci i na njih primijene algoritmi kako bi se dobilo znanje.
Postoji mnoštvo različitih grana strojnog učenja, ali ona o kojoj ćete vjerojatno najviše čuti je...
Neuronske mreže
Ako ste neko vrijeme proveli u našem odjeljku Cool Tech, vjerojatno ste čuli za umjetne neuronske mreže. Kao sustavi inspirirani mozgom dizajnirani da repliciraju način na koji ljudi uče, neuronske mreže modificiraju vlastiti kod kako bi pronaći vezu između ulaza i izlaza — ili uzroka i posljedice — u situacijama u kojima je taj odnos složen ili nejasno.
Umjetne neuronske mreže imale su koristi od dolaska dubokog učenja.
Koncept umjetnih neuronskih mreža zapravo datira natrag u 1940-e, ali zapravo je tek u posljednjih nekoliko desetljeća počeo istinski živjeti u skladu sa svojim potencijalom: potpomognut dolaskom algoritama poput "širenje unazad”, koji omogućuje neuronskoj mreži da prilagodi svoje skrivene slojeve neurona u situacijama u kojima ishod ne odgovara onome čemu se kreator nada. (Na primjer, mreža dizajnirana za prepoznavanje pasa, koja pogrešno identificira mačku.)
Ovo desetljeće, umjetne neuronske mreže imale su koristi od dolaska duboko učenje, u kojem različiti slojevi mreže izdvajaju različite značajke dok ne prepozna ono što traži.
Unutar naslova neuronske mreže postoje različiti modeli potencijalne mreže — sa feedforward i konvolucijske mreže vjerojatno su oni koje biste trebali spomenuti ako zaglavite pokraj Googleovog inženjera na večeri.
Učenje s pojačanjem
Učenje s potkrepljenjem je još jedan okus strojnog učenja. Uvelike je inspiriran biheviorističkom psihologijom i temelji se na ideji da softverski agent može naučiti poduzimati radnje u okruženju kako bi maksimalno povećao nagradu.
Na primjer, još 2015. Googleov DeepMind objavio je rad u kojem je pokazao kako je uspio trenirao A.I. igrati klasične video igrice, bez ikakvih uputa osim rezultata na zaslonu i približno 30 000 piksela koji čine svaki okvir. Rečeno da maksimizira svoj rezultat, učenje s pojačanjem značilo je da je softverski agent postupno naučio igrati igru kroz pokušaje i pogreške.
MarI/O - Strojno učenje za video igre
Za razliku od ekspertnog sustava, učenje s potkrepljenjem ne treba ljudskog stručnjaka da mu kaže kako povećati rezultat. Umjesto toga, s vremenom to shvati. U nekim slučajevima, pravila koja uči mogu biti fiksirana (kao kod igranja klasične igre Atari). U drugima se nastavlja prilagođavati kako vrijeme prolazi.
Evolucijski algoritmi
Poznat kao generički metaheuristički optimizacijski algoritam temeljen na populaciji ako još niste bili upoznati, evolucijski algoritmi su još jedna vrsta strojnog učenja; dizajniran da oponaša koncept prirodne selekcije unutar računala.
Proces počinje programerovim unosom ciljeva koje on ili ona pokušava postići svojim algoritmom. Na primjer, NASA je koristila evolucijske algoritme za dizajn satelitskih komponenti. U tom slučaju, funkcija bi mogla biti pronaći rješenje koje može stati u kutiju od 10 cm x 10 cm, sposoban zračiti sferni ili hemisferični uzorak i sposoban raditi na određenom Wi-Fiju bend.
Algoritam zatim dolazi s više generacija iterativnih dizajna, testirajući svaki prema navedenim ciljevima. Kad netko na kraju označi sve ispravne okvire, prestaje. Osim što pomažu NASA-i u dizajniranju satelita, evolucijski algoritmi omiljeni su kreativcima koji koriste umjetnu inteligenciju za svoj rad: kao npr. dizajneri ovog elegantnog namještaja.
Preporuke urednika
- Duboko učenje A.I. pomaže arheolozima prevesti drevne ploče
- Duboko učenje A.I. može oponašati efekte distorzije legendarnih bogova gitare
- Čitanje misli A.I. analizira vaše moždane valove kako bi pogodio koji video gledate
- Procjenitelj kuća budućnosti vjerojatno je A.I. algoritam
- Fotorealistični A.I. Alat može popuniti praznine u slikama, uključujući lica
