A.I. ada di mana-mana saat ini, dan bertanggung jawab atas segalanya, mulai dari asisten virtual di ponsel cerdas kita hingga mobil self-driving akan segera memenuhi jalan kita menuju sistem pengenalan gambar mutakhir yang dilaporkan oleh Anda sungguh-sungguh.
Kecuali Anda sudah tinggal di bawah batu selama satu dekade terakhir, kemungkinan besar Anda pernah mendengarnya sebelumnya — dan bahkan mungkin pernah menggunakannya. Saat ini, kecerdasan buatan bagi Silicon Valley sama seperti One Direction bagi anak perempuan berusia 13 tahun: sumber informasi yang ada di mana-mana. obsesi untuk menghabiskan seluruh uang Anda, sambil melamun tentang pernikahan kapan pun Harry Styles akhirnya siap untuk menikah turun. (Oke, jadi kami masih mengerjakan analoginya!)
Tapi apa sebenarnya adalah A.I.? — dan dapatkah istilah seperti “pembelajaran mesin”, “jaringan saraf tiruan,” “kecerdasan buatan” dan “Zayn Malik” (kami masih mengerjakan analogi tersebut…) digunakan secara bergantian?
Untuk membantu Anda memahami beberapa kata kunci dan jargon yang akan Anda dengar ketika orang berbicara tentang A.I., kami menyusun panduan sederhana ini untuk membantu Anda menyelesaikannya. Anda memikirkan semua jenis kecerdasan buatan yang berbeda - Hanya agar Anda tidak membuat kecerobohan apa pun ketika mesin akhirnya mengambil alih lebih.
Kecerdasan buatan
Kami tidak akan mempelajari terlalu dalam sejarah A.I. di sini, namun hal penting yang perlu diperhatikan adalah bahwa kecerdasan buatan adalah pohon tempat semua istilah berikut ini bercabang. Misalnya, pembelajaran penguatan adalah jenis pembelajaran mesin yang merupakan subbidang kecerdasan buatan. Namun, kecerdasan buatan (AI) bukanlah pembelajaran penguatan. Mengerti?
Sejauh ini, belum ada yang membangun kecerdasan umum.
Tidak ada kesepakatan konsensus resmi mengenai apa yang A.I. artinya (beberapa orang berpendapat bahwa ini adalah hal-hal keren yang belum dapat dilakukan oleh komputer), namun sebagian besar akan setuju bahwa ini tentang membuat komputer melakukan tindakan yang dianggap cerdas jika dilakukan oleh a orang.
Istilah ini pertama kali diciptakan pada tahun 1956, di a lokakarya musim panas di Dartmouth College di New Hampshire. Perbedaan besar saat ini dalam A.I. adalah antara spesifik domain saat ini A.I. Sempit. Dan Kecerdasan Umum Buatan. Sejauh ini, belum ada yang membangun kecerdasan umum. Begitu mereka melakukannya, semua taruhan dibatalkan…
A.I. Simbolis
Anda tidak banyak mendengar tentangnya A.I. Simbolis Hari ini. Juga disebut sebagai A.I. Kuno yang Baik, A.I Simbolik. dibangun berdasarkan langkah-langkah logis yang dapat diberikan ke komputer secara top-down. Hal ini memerlukan penyediaan banyak sekali aturan kepada komputer (atau robot) tentang bagaimana komputer harus menangani skenario tertentu.
Hal ini menghasilkan banyak terobosan awal, namun ternyata terobosan ini berhasil dengan baik di laboratorium dimana setiap variabel dapat dikontrol dengan sempurna, namun seringkali kurang baik dalam kekacauan sehari-hari kehidupan. Seperti yang disindir oleh seorang penulis tentang A.I Simbolik, A.I. sistemnya sedikit mirip dengan dewa dalam Perjanjian Lama – dengan banyak aturan, namun tanpa belas kasihan.
Saat ini, para peneliti menyukainya Selmer Membawajord berjuang untuk mengembalikan fokus pada AI Simbolik berbasis logika, yang dibangun berdasarkan keunggulan sistem logis yang dapat dipahami oleh penciptanya.
Pembelajaran mesin
Jika Anda mendengar tentang A.I. terobosan baru-baru ini, kemungkinan besar Anda akan mendengarnya kecuali ada keributan besar yang menyatakan sebaliknya pembelajaran mesin. Sesuai dengan namanya, pembelajaran mesin adalah tentang membuat mesin yang bisa belajar.
Seperti judul AI, pembelajaran mesin juga memiliki beberapa subkategori, tetapi semuanya ada di dalamnya yang umum adalah kemampuan yang berfokus pada statistik untuk mengambil data dan menerapkan algoritme untuk memperolehnya pengetahuan.
Ada banyak sekali cabang pembelajaran mesin, tetapi salah satu yang mungkin paling sering Anda dengar adalah…
Jaringan Syaraf
Jika Anda pernah menghabiskan waktu di bagian Teknologi Keren kami, Anda mungkin pernah mendengarnya jaringan saraf tiruan. Ketika sistem yang diilhami otak dirancang untuk meniru cara manusia belajar, jaringan saraf memodifikasi kodenya sendiri temukan hubungan antara masukan dan keluaran — atau sebab dan akibat — dalam situasi di mana hubungan ini rumit atau tidak jelas.
Jaringan saraf tiruan mendapat manfaat dari hadirnya pembelajaran mendalam.
Konsep jaringan syaraf tiruan sebenarnya sudah ada sejak dulu kembali ke tahun 1940an, namun baru dalam beberapa dekade terakhir teknologi ini mulai benar-benar mencapai potensinya: dibantu oleh hadirnya algoritme seperti “propagasi mundur,” yang memungkinkan jaringan saraf menyesuaikan lapisan neuron tersembunyinya dalam situasi di mana hasilnya tidak sesuai dengan harapan pembuatnya. (Misalnya, jaringan yang dirancang untuk mengenali anjing, namun salah mengidentifikasi kucing.)
Dekade ini, jaringan syaraf tiruan mendapat manfaat dari hadirnya pembelajaran mendalam, di mana lapisan jaringan yang berbeda mengekstrak fitur yang berbeda hingga dapat mengenali apa yang dicarinya.
Dalam judul jaringan saraf, ada berbagai model jaringan potensial — dengan umpan maju Dan jaringan konvolusional mungkin itulah yang harus Anda sebutkan jika Anda terjebak di samping teknisi Google di sebuah pesta makan malam.
Pembelajaran Penguatan
Pembelajaran penguatan adalah bentuk lain dari pembelajaran mesin. Ini sangat terinspirasi oleh psikologi behavioris, dan didasarkan pada gagasan bahwa agen perangkat lunak dapat belajar mengambil tindakan dalam suatu lingkungan untuk memaksimalkan imbalan.
Sebagai contoh, pada tahun 2015, DeepMind Google merilis sebuah makalah yang menunjukkan bagaimana hal itu terjadi melatih A.I. untuk memainkan video game klasik, tanpa instruksi selain skor di layar dan sekitar 30.000 piksel yang membentuk setiap frame. Diberitahu untuk memaksimalkan skornya, pembelajaran penguatan berarti bahwa agen perangkat lunak secara bertahap belajar memainkan permainan melalui trial and error.
MarI/O - Pembelajaran Mesin untuk Video Game
Berbeda dengan sistem pakar, pembelajaran penguatan tidak memerlukan pakar manusia untuk memberi tahu cara memaksimalkan skor. Sebaliknya, ia akan mengetahuinya seiring berjalannya waktu. Dalam beberapa kasus, aturan yang dipelajarinya mungkin tetap (seperti saat memainkan game Atari klasik.) Dalam kasus lain, aturan tersebut terus beradaptasi seiring berjalannya waktu.
Algoritma Evolusioner
Dikenal sebagai algoritme pengoptimalan metaheuristik berbasis populasi umum jika Anda belum pernah memperkenalkannya sebelumnya, algoritma evolusi adalah jenis pembelajaran mesin lainnya; dirancang untuk meniru konsep seleksi alam di dalam komputer.
Prosesnya dimulai dengan seorang programmer memasukkan tujuan yang ingin dia capai dengan algoritmanya. Misalnya, NASA telah menggunakan algoritma evolusioner untuk merancang komponen satelit. Dalam hal ini, fungsinya mungkin untuk menghasilkan solusi yang dapat dimasukkan ke dalam kotak berukuran 10cm x 10cm, mampu memancarkan pola bola atau hemisferis, dan mampu beroperasi pada Wi-Fi tertentu pita.
Algoritme tersebut kemudian menghasilkan beberapa generasi desain berulang, menguji masing-masing generasi terhadap tujuan yang dinyatakan. Ketika seseorang pada akhirnya mencentang semua kotak yang tepat, hal itu berhenti. Selain membantu NASA merancang satelit, algoritme evolusi juga menjadi favorit para kreatif yang menggunakan kecerdasan buatan untuk pekerjaan mereka: seperti para desainer furnitur bagus ini.
Rekomendasi Editor
- A.I. pembelajaran mendalam membantu para arkeolog menerjemahkan tablet kuno
- Pembelajaran mendalam A.I. dapat meniru efek distorsi dewa gitar ikonik
- A.I. menganalisis gelombang otak Anda untuk menebak video apa yang Anda tonton
- Penilai rumah masa depan mungkin adalah A.I. algoritma
- A.I. Fotorealistik alat ini dapat mengisi kekosongan pada gambar, termasuk wajah
