A.I. pillanatnyilag mindenhol megtalálható, és mindenért felelős az okostelefonunkon lévő virtuális asszisztensektől a az önvezető autók hamarosan megtöltik utainkat az Ön által közölt legmodernebb képfelismerő rendszerekkel valóban.
Hacsak nem éltél egy szikla alatt az elmúlt évtizedben, jó eséllyel hallottál már róla – és valószínűleg használtad is. Jelenleg a mesterséges intelligencia olyan a Szilícium-völgyben, mint a One Direction a 13 éves lányok számára: mindenütt jelenlévő forrás rögeszméje, hogy kidobja az összes pénzét, miközben arról ábrándoz, hogy férjhez menjen, amikor Harry Styles végre készen áll a rendezésre le. (Rendben, tehát még dolgozunk az analógián!)
De pontosan mit van A.I.? – és olyan kifejezéseket is használhat, mint a „gépi tanulás”, „mesterséges idegi hálózat”, „mesterséges intelligencia” és „Zayn Malik” (még mindig dolgozunk ezen a hasonlaton…) felcserélhetően használhatók?
Hogy segítsünk megérteni néhány hívószót és szakzsargont, amelyeket akkor hallani, amikor az emberek az A.I.-ről beszélnek, összeállítottuk ezt az egyszerű útmutatót, amely segít a csomagolásban a mesterséges intelligencia különféle ízei körül járja a fejét – már csak azért is, hogy ne csináljon álpasszokat, amikor a gépek végre elkapják felett.
Mesterséges intelligencia
Nem mélyedünk el az A.I. történetében. itt azonban fontos megjegyezni, hogy a mesterséges intelligencia az a fa, amelyen a következő kifejezések mindegyike ága. Például a megerősítő tanulás a gépi tanulás egyik fajtája, amely a mesterséges intelligencia egy részterülete. A mesterséges intelligencia azonban nem (feltétlenül) megerősítő tanulás. Megvan?
Eddig még senki sem épített fel általános intelligenciát.
Nincs hivatalos konszenzusos megállapodás arról, amit A.I. azt jelenti (egyesek azt sugallják, hogy ezek egyszerűen nagyszerű dolgok, amelyeket a számítógépek még nem képesek megtenni), de a legtöbb egyetértenek abban, hogy a számítógépek olyan műveletek végrehajtásáról szólnak, amelyek intelligensnek tekinthetők, ha azokat a személy.
A kifejezést először 1956-ban, a nyári workshop a Dartmouth College-ban New Hampshire-ben. A jelenlegi nagy különbség az A.I. között van az aktuális tartományspecifikus Keskeny A.I. és Mesterséges általános intelligencia. Eddig még senki sem épített fel általános intelligenciát. Ha megteszik, minden fogadás megszűnik…
Szimbolikus A.I.
nem sokat hallasz róla Szimbolikus A.I. Ma. Más néven Good Old Fashioned A.I., Symbolic A.I. logikai lépésekre épül, amelyeket felülről lefelé lehet megadni a számítógépnek. Ez azt jelenti, hogy sok-sok szabályt kell megadni egy számítógépnek (vagy egy robotnak) arra vonatkozóan, hogyan kell kezelnie egy adott forgatókönyvet.
Ez sok korai áttöréshez vezetett, de kiderült, hogy ezek nagyon jól működtek a laboratóriumokban amely minden változó tökéletesen szabályozható, de gyakran kevésbé jól a hétköznapok zűrzavarában élet. Ahogy az egyik író a Symbolic A.I.-ről kiabált, a korai A.I. A rendszerek egy kicsit olyanok voltak, mint az Ószövetség istene – rengeteg szabállyal, de kegyelem nélkül.
Ma a kutatók szeretik Selmer Bringsjord küzdenek azért, hogy visszaállítsák a hangsúlyt a logikai alapú szimbolikus A.I.-re, amely az alkotóik számára érthető logikai rendszerek fölénye köré épül.
Gépi tanulás
Ha hall egy nagy A.I. áttörést jelent manapság, hacsak nem hallatszik nagy zaj az ellenkezőjére, akkor hallani gépi tanulás. Ahogy a neve is sugallja, a gépi tanulás olyan gépek létrehozásáról szól, amelyek tanulnak.
Az A.I. címsorhoz hasonlóan a gépi tanulásnak is több alkategóriája van, de ezek mindegyikében megtalálható gyakori az a statisztika-központú képesség, hogy adatokat gyűjtsenek és algoritmusokat alkalmazzanak rájuk nyerés érdekében tudás.
A gépi tanulásnak rengeteg különféle ága létezik, de az egyik, amelyről valószínűleg a legtöbbet fog hallani, az…
Neurális hálózatok
Ha töltött egy kis időt a Cool Tech rovatunkban, valószínűleg hallott már róla mesterséges idegi hálózat. Az agy által ihletett rendszerek, amelyek célja az emberek tanulási módjának megismétlése, a neurális hálózatok módosítják saját kódjukat, hogy megtalálni a kapcsolatot az input és output – vagy ok és okozat – között olyan helyzetekben, ahol ez a kapcsolat összetett vagy homályos.
A mesterséges neurális hálózatok profitáltak a mély tanulás eljöveteléből.
A mesterséges neurális hálózatok fogalma valójában datált vissza az 1940-es évekbe, de valójában csak az elmúlt néhány évtizedben kezdett el igazán kiaknázni a benne rejlő lehetőségeket: az olyan algoritmusok megjelenésével, mint a "visszaszaporítás”, amely lehetővé teszi a neurális hálózat számára, hogy beállítsa a rejtett neuronrétegeket olyan helyzetekben, amikor az eredmény nem egyezik meg azzal, amit az alkotó remél. (Például egy kutyák felismerésére tervezett hálózat, amely félreazonosítja a macskát.)
Ebben az évtizedben a mesterséges neurális hálózatok hasznot húztak a mély tanulás, amelyben a hálózat különböző rétegei különböző funkciókat vonnak ki, amíg fel nem ismeri, amit keres.
A neurális hálózat címsoron belül a potenciális hálózat különböző modelljei vannak – a előrecsatolás és konvolúciós hálózatok valószínűleg ezeket kell megemlítenie, ha elakad egy Google-mérnök mellett egy vacsorán.
Megerősítő tanulás
Megerősítő tanulás a gépi tanulás másik íze. Erősen a behaviorista pszichológia ihlette, és azon az elgondoláson alapul, hogy a szoftverügynök megtanulhat cselekvéseket végrehajtani egy környezetben a jutalom maximalizálása érdekében.
Példaként említhetjük, hogy 2015-ben a Google DeepMindje kiadott egy tanulmányt, amely bemutatja, hogyan sikerült képzett egy A.I. klasszikus videojátékokkal játszani, a képernyőn megjelenő pontszámon és az egyes képkockákat alkotó körülbelül 30 000 képponton kívül más utasítások nélkül. Azt mondták, hogy maximalizálja a pontszámát, a megerősítő tanulás azt jelentette, hogy a szoftverügynök fokozatosan próbálta és hibázva megtanulta játszani a játékot.
MarI/O – Gépi tanulás videojátékokhoz
A szakértői rendszerekkel ellentétben a megerősítő tanulásnak nincs szüksége humán szakértőre, aki megmondja, hogyan lehet maximalizálni a pontszámot. Ehelyett idővel kitalálja. Egyes esetekben a tanult szabályok rögzíthetők (mint egy klasszikus Atari játék esetében). Más esetekben az idő múlásával folyamatosan alkalmazkodik.
Evolúciós algoritmusok
Általános populáció-alapú metaheurisztikus optimalizáló algoritmusként ismert, ha korábban még nem mutatták be, evolúciós algoritmusok a gépi tanulás egy másik típusa; Úgy tervezték, hogy utánozza a természetes kiválasztódás fogalmát a számítógépen belül.
A folyamat azzal kezdődik, hogy a programozó beírja azokat a célokat, amelyeket az algoritmusával elérni kíván. Például a NASA evolúciós algoritmusokat használt a műhold-összetevők tervezésére. Ebben az esetben a feladat az lehet, hogy olyan megoldást találjunk ki, amely egy 10 cm x 10 cm-es dobozba is elfér, képes gömb vagy félgömb alakú mintát sugározni, és képes működni egy bizonyos Wi-Fi-n Zenekar.
Az algoritmus ezután több generációs iteratív tervvel áll elő, mindegyiket tesztelve a kitűzött célok alapján. Ha valaki végül bepipálja az összes megfelelő négyzetet, akkor ez megszűnik. Amellett, hogy segítik a NASA műholdak tervezését, az evolúciós algoritmusok a mesterséges intelligenciát munkájukhoz használó kreatívok kedvencei: mint pl. ennek a remek bútornak a tervezői.
Szerkesztői ajánlások
- Mélytanulási A.I. segít a régészeknek lefordítani az ősi táblákat
- Mély tanulás A.I. képes utánozni az ikonikus gitáristenek torzító hatásait
- Gondolatolvasó A.I. elemzi az agyhullámokat, hogy kitalálja, melyik videót nézi
- A jövő házbecslője valószínűleg egy A.I. algoritmus
- Fotorealista A.I. Az eszköz képes kitölteni a képeken lévő hiányosságokat, beleértve az arcokat is
