A.I. は現在どこにでも存在しており、スマートフォンの仮想アシスタントから あなたが報告した最先端の画像認識システムへの自動運転車は間もなく私たちの道路を埋め尽くします。 本当に。
過去 10 年間、岩の下で生活していなければ、それについて聞いたことがある可能性が高く、おそらく使用したこともあります。 現在、シリコンバレーにとっての人工知能は、13 歳の少女にとってのワン・ダイレクションのようなものです。 ハリー・スタイルズが最終的に落ち着く準備ができたら必ず結婚することを空想しながら、すべてのお金を投げつけるという強迫観念 下。 (はい、まだアナロジーを検討中です!)
しかし、正確には何ですか は AI? — 「機械学習」などの用語も使用できます。人工ニューラルネットワーク、「人工知能」と「ゼイン・マリク」（私たちはまだその例えに取り組んでいます...）は同じ意味で使用されますか？
AI について話すときによく耳にする流行語や専門用語を理解できるように、このシンプルなガイドをまとめてまとめました。 人工知能のさまざまな種類について頭で考えてください — 機械が最終的に機能するときに間違いを犯さないようにするためであれば。 以上。
人工知能
AI の歴史についてはあまり深く掘り下げません。 ここで注意すべき重要なことは、人工知能は、以下のすべての用語がすべて分岐するツリーであるということです。 たとえば、強化学習は機械学習の一種であり、人工知能の下位分野です。 ただし、人工知能は (必ずしも) 強化学習ではありません。 わかった？
これまでのところ、一般的な知性を構築した人は誰もいません。
AI がどのようなものであるかについての公式の合意はありません。 これは (コンピュータにはまだできない素晴らしいことだと主張する人もいます)、しかしほとんどの場合、 コンピューターに、もしそれが人間によって実行された場合にインテリジェントとみなされるような動作を実行させることについては、同意するだろう。 人。
この用語は 1956 年に初めて作られました。 ダートマス大学でのサマーワークショップ ニューハンプシャー州で。 現在の A.I. における大きな違い 現在のドメイン固有の間である 狭いA.I. そして 汎用人工知能. これまでのところ、一般的な知性を構築した人は誰もいません。 そうなったら、すべての賭けは失敗します…
シンボリックAI
あまり聞きませんね シンボリックAI 今日。 古き良き A.I.、シンボリック A.I. とも呼ばれます。 トップダウン方式でコンピュータに与えることができる論理的なステップを中心に構築されています。 それには、コンピュータ (またはロボット) が特定のシナリオにどのように対処するかについて、非常に多くのルールを提供することが必要になります。
これは初期の多くの画期的な進歩につながりましたが、これらは実験室や実験室で非常にうまく機能することが判明しました。 すべての変数は完璧に制御できますが、日常の混乱の中ではうまく制御できないこともよくあります。 人生。 ある作家がシンボリック A.I. について皮肉ったように、初期の A.I. システムは旧約聖書の神に少し似ていて、たくさんの規則がありましたが、容赦はありませんでした。
今日、研究者たちは次のように考えています。 セルマー・ブリングスヨルド は、作成者が理解できる論理システムの優位性を中心に構築された、ロジックベースのシンボリック A.I. に焦点を戻すために戦っています。
機械学習
大きなAIについて聞いたら、 最近では画期的な進歩が見られますが、そうではないことを示唆する大きな騒ぎが起こらない限り、おそらくあなたは次のことを聞いているでしょう。 機械学習. その名前が示すように、機械学習とは、学習する機械を作ることです。
AI という見出しと同様に、機械学習にも複数のサブカテゴリがありますが、それぞれに含まれるもの 共通しているのは、データを取得し、それにアルゴリズムを適用して利益を得る、統計に焦点を当てた能力です。 知識。
機械学習にはさまざまな分野がありますが、おそらく最もよく耳にする分野は次のとおりです。
ニューラルネットワーク
私たちのクールテックセクションに時間を費やしたことがある人なら、おそらく聞いたことがあるでしょう。 人工ニューラルネットワーク. 人間の学習方法を再現するように設計された脳にヒントを得たシステムとして、ニューラル ネットワークは自身のコードを変更して次のようにします。 入力と出力、または原因と結果の間の関係が複雑な状況や、 不明瞭。
人工ニューラル ネットワークは、ディープ ラーニングの登場によって恩恵を受けています。
人工ニューラルネットワークの概念は実は古くからある 1940年代に戻るしかし、その可能性を真に発揮し始めたのは、実際にはここ数十年のことです。「」のようなアルゴリズムの登場によって助けられました。誤差逆伝播法これにより、結果が作成者が期待したものと一致しない状況において、ニューラル ネットワークがニューロンの隠れ層を調整できるようになります。 (たとえば、犬を認識するように設計されたネットワークが猫を誤認するなど)。
この 10 年間、人工ニューラル ネットワークは、 ディープラーニング、ネットワークのさまざまな層が、探しているものを認識できるまでさまざまな機能を抽出します。
ニューラル ネットワークの見出し内には、潜在的なネットワークのさまざまなモデルがあります。 フィードフォワード そして 畳み込みネットワーク ディナー パーティーで Google エンジニアの隣に座れなくなったら、おそらく言及すべき内容でしょう。
強化学習
強化学習 これは機械学習のもう 1 つの特徴です。 これは行動主義心理学に大きく影響を受けており、ソフトウェア エージェントは報酬を最大化するために環境内でアクションを実行する方法を学習できるという考えに基づいています。
一例として、2015 年に Google の DeepMind は、どのような効果をもたらしたかを示す論文を発表しました。 AIを訓練した 古典的なビデオゲームをプレイする、画面上のスコアと各フレームを構成する約 30,000 ピクセル以外の指示はありません。 スコアを最大化するように指示された強化学習は、ソフトウェア エージェントが試行錯誤を通じて徐々にゲームのプレイ方法を学習することを意味しました。
MarI/O - ビデオ ゲームのための機械学習
エキスパート システムとは異なり、強化学習では、人間のエキスパートがスコアを最大化する方法を指示する必要がありません。 代わりに、時間の経過とともにそれがわかります。 場合によっては、学習中のルールが固定されることもあります (古典的な Atari ゲームをプレイする場合と同様)。また、時間の経過とともに適応し続ける場合もあります。
進化的アルゴリズム
まだ導入されていない場合は、一般的な母集団ベースのメタヒューリスティック最適化アルゴリズムとして知られています。 進化的アルゴリズム 別のタイプの機械学習です。 コンピューター内の自然選択の概念を模倣するように設計されています。
このプロセスは、プログラマーがアルゴリズムで達成しようとしている目標を入力することから始まります。 たとえば、NASA は進化的アルゴリズムを使用して衛星コンポーネントを設計しています。 その場合、10cm×10cmの箱に収まるようなソリューションを考えることが機能となるかもしれませんが、 球状または半球状のパターンを放射でき、特定の Wi-Fi で動作可能 バンド。
次に、アルゴリズムは複数世代の反復設計を考案し、指定された目標に対してそれぞれをテストします。 最終的にすべての正しいボックスにチェックを入れると、作業は終了します。 NASA の衛星設計に役立つだけでなく、進化アルゴリズムは、人工知能を仕事に使用するクリエイティブな人々のお気に入りでもあります。 この素敵な家具のデザイナーたち.
編集者のおすすめ
- ディープラーニングAI 考古学者が古代の石板を翻訳するのを手伝っています
- ディープラーニングAI 象徴的なギターの神様のディストーションエフェクトを模倣することができます
- 心を読むAI 脳波を分析して、どのビデオを見ているかを推測します
- 将来の住宅鑑定士はおそらく AI です。 アルゴリズム
- フォトリアリスティックな A.I. ツールは顔を含む画像の隙間を埋めることができます
