ა.ი. არის ყველგან და ის პასუხისმგებელია ყველაფერზე დაწყებული ვირტუალური ასისტენტებიდან ჩვენს სმარტფონებზე დამთავრებული თვითმართვადი მანქანები მალე გაივლიან ჩვენს გზებს იმ უახლესი გამოსახულების ამოცნობის სისტემებისკენ, რომლებიც თქვენს მიერ არის მოხსენებული ჭეშმარიტად.
თუ ბოლო ათწლეულის განმავლობაში არ ცხოვრობდით კლდის ქვეშ, დიდი შანსია, რომ ადრე გსმენიათ ამის შესახებ - და ალბათ გამოგიყენებიათ კიდეც. ამჟამად, ხელოვნური ინტელექტი სილიკონის ველისთვის არის ის, რაც One Direction არის 13 წლის გოგონებისთვის: ყველგანმყოფი წყარო. მთელი თქვენი ფულის გადაყრის აკვიატება, ხოლო ოცნებობთ დაქორწინებაზე, როცა ჰარი სტაილსი საბოლოოდ მზად არის მოაგვაროს ქვემოთ. (კარგი, ასე რომ, ჩვენ კვლავ ვმუშაობთ ანალოგიაზე!)
მაგრამ კონკრეტულად რა არის A.I.? - და შეიძლება ტერმინები, როგორიცაა "მანქანური სწავლა", "ხელოვნური ნერვული ქსელები, "ხელოვნური ინტელექტი" და "ზეინ მალიკი" (ჩვენ ჯერ კიდევ ვმუშაობთ ამ ანალოგიაზე...) გამოიყენონ ურთიერთშენაცვლებით?
იმისთვის, რომ დაგეხმაროთ გარკვეული სიტყვისა და ჟარგონის გაგებაში, რომელსაც მოისმენთ, როდესაც ადამიანები საუბრობენ A.I.-ზე, ჩვენ შევკრიბეთ ეს მარტივი სახელმძღვანელო, რომელიც დაგეხმარებათ შეფუთვაში. შენი თავი ხელოვნური ინტელექტის ყველა სხვადასხვა გემოვნების გარშემო - თუ მხოლოდ ისე, რომ არ გააკეთო რაიმე ყალბი, როდესაც მანქანები საბოლოოდ მიიღებენ დასრულდა.
Ხელოვნური ინტელექტი
ჩვენ არ ჩავუღრმავდებით A.I-ს ისტორიას. აქ, მაგრამ მნიშვნელოვანია აღინიშნოს, რომ ხელოვნური ინტელექტი არის ხე, რომელზეც ყველა შემდეგი ტერმინი განლაგებულია. მაგალითად, განმტკიცების სწავლა არის მანქანათმცოდნეობის სახეობა, რომელიც ხელოვნური ინტელექტის ქვეველია. თუმცა, ხელოვნური ინტელექტი არ არის (აუცილებლად) განმამტკიცებელი სწავლა. Გავიგე?
ჯერჯერობით არავის ჩამოუყალიბებია ზოგადი ინტელექტი.
არ არსებობს ოფიციალური კონსენსუსის შეთანხმება იმაზე, თუ რა A.I. ნიშნავს (ზოგიერთი ვარაუდობს, რომ ეს უბრალოდ მაგარი რამაა, რაც კომპიუტერებს ჯერ არ შეუძლიათ), მაგრამ უმეტესობა დამეთანხმებით, რომ საქმე ეხება კომპიუტერების მოქმედებების შესრულებას, რომლებიც ჩაითვლება ინტელექტუალურად, თუ ისინი განხორციელდება პირი.
ტერმინი პირველად 1956 წელს, ა საზაფხულო სემინარი დარტმუთის კოლეჯში ნიუ ჰემფშირში. დიდი მიმდინარე განსხვავება A.I. არის მიმდინარე დომენს შორის ვიწრო ა.ი. და ხელოვნური გენერალური ინტელექტი. ჯერჯერობით არავის ჩამოუყალიბებია ზოგადი ინტელექტი. როგორც კი ისინი გააკეთებენ, ყველა ფსონი გამორთულია…
სიმბოლური A.I.
ამდენი არ გესმის სიმბოლური A.I. დღეს. ასევე მოიხსენიება როგორც კარგი ძველმოდური A.I., სიმბოლური A.I. აგებულია ლოგიკური ნაბიჯების ირგვლივ, რომლებიც შეიძლება გადაეცეს კომპიუტერს ზემოდან ქვევით. ეს გულისხმობს კომპიუტერისთვის (ან რობოტისთვის) უამრავი წესის მიწოდებას იმის შესახებ, თუ როგორ უნდა გაუმკლავდეს კონკრეტულ სცენარს.
ამან გამოიწვია მრავალი ადრეული მიღწევა, მაგრამ აღმოჩნდა, რომ ისინი ძალიან კარგად მუშაობდნენ ლაბორატორიებში, რომლის ყველა ცვლადი შეიძლება სრულყოფილად კონტროლდებოდეს, მაგრამ ხშირად ნაკლებად კარგად ყოველდღიური არეულობა ცხოვრება. როგორც ერთმა მწერალმა თქვა სიმბოლური ა.ი.-ზე, ადრეული ა.ი. სისტემები ცოტათი ჰგავდა ძველი აღთქმის ღმერთს - უამრავი წესით, მაგრამ წყალობის გარეშე.
დღეს მკვლევარებს მოსწონთ სელმერ ბრინჯორდი ისინი იბრძვიან ლოგიკაზე დაფუძნებულ სიმბოლურ A.I-ზე ფოკუსირების დასაბრუნებლად, რომელიც აგებულია ლოგიკური სისტემების უპირატესობის ირგვლივ, რომლის გაგებაც შესაძლებელია მათი შემქმნელებისთვის.
მანქანათმცოდნეობა
თუ გსმენიათ დიდი A.I. გარღვევა ამ დღეებში, დიდი შანსია, რომ თუ დიდი ხმაური სხვაგვარად არ არის გაჟღენთილი, თქვენ გესმით მანქანათმცოდნეობა. როგორც მისი სახელი გულისხმობს, მანქანათმცოდნეობა არის მანქანების შექმნა, რომლებიც კარგად სწავლობენ.
A.I.-ს სათაურის მსგავსად, მანქანათმცოდნეობას ასევე აქვს მრავალი ქვეკატეგორია, მაგრამ ის, რაც მათში შედის საერთო არის სტატისტიკაზე ორიენტირებული უნარი, მიიღოს მონაცემები და გამოიყენოს მასზე ალგორითმები მოსაპოვებლად ცოდნა.
მანქანათმცოდნეობის სხვადასხვა ფილიალის სიმრავლეა, მაგრამ ის, რის შესახებაც ალბათ ყველაზე მეტად მოისმენთ არის…
Ნეირონული ქსელები
თუ რაიმე დრო გაატარეთ ჩვენს Cool Tech განყოფილებაში, ალბათ გსმენიათ ამის შესახებ ხელოვნური ნერვული ქსელები. როგორც ტვინიდან შთაგონებული სისტემები, რომლებიც შექმნილია ადამიანების სწავლის გზების გასამეორებლად, ნერვული ქსელები ცვლის საკუთარ კოდს იპოვნეთ კავშირი შეყვანასა და გამომავალს შორის - ან მიზეზსა და შედეგს - სიტუაციებში, როდესაც ეს ურთიერთობა რთულია ან გაურკვეველი.
ხელოვნურმა ნერვულმა ქსელებმა ისარგებლეს ღრმა სწავლებით.
ხელოვნური ნერვული ქსელების კონცეფცია რეალურად თარიღდება უკან 1940-იან წლებში, მაგრამ რეალურად მხოლოდ გასული რამდენიმე ათწლეულის განმავლობაში დაიწყო მისი პოტენციალის ჭეშმარიტად გამოყენება: დაეხმარა ისეთი ალგორითმების მოსვლას, როგორიცაა ”უკან გამრავლება”, რაც საშუალებას აძლევს ნერვულ ქსელს შეცვალოს ნეირონების ფარული ფენები იმ სიტუაციებში, როდესაც შედეგი არ ემთხვევა შემქმნელს. (მაგალითად, ქსელი, რომელიც შექმნილია ძაღლების ამოცნობისთვის, რომელიც არასწორ იდენტიფიცირებს კატას.)
ამ ათწლეულში ხელოვნურმა ნერვულმა ქსელებმა ისარგებლეს ჩამოსვლით ღრმა სწავლება, რომელშიც ქსელის სხვადასხვა ფენა ამოიღებს სხვადასხვა მახასიათებლებს, სანამ არ ამოიცნობს რას ეძებს.
ნერვული ქსელის სათაურის ფარგლებში, არსებობს პოტენციური ქსელის სხვადასხვა მოდელები — ერთად უკუკავშირი და კონვოლუციური ქსელები სავარაუდოდ, ისინი უნდა ახსენოთ, თუ სადილზე Google-ის ინჟინრის გვერდით მოხვდებით.
განმტკიცების სწავლა
განმტკიცების სწავლა არის მანქანათმცოდნეობის კიდევ ერთი არომატი. ის ძლიერ არის შთაგონებული ბიჰევიორისტული ფსიქოლოგიით და ეფუძნება იმ აზრს, რომ პროგრამულ აგენტს შეუძლია ისწავლოს მოქმედებების განხორციელება გარემოში, რათა მაქსიმალურად გაზარდოს ჯილდო.
მაგალითად, ჯერ კიდევ 2015 წელს Google-ის DeepMind-მა გამოუშვა ქაღალდი, რომელშიც ნაჩვენები იყო, როგორ იყო მოამზადა A.I. კლასიკური ვიდეო თამაშების თამაში, ინსტრუქციის გარეშე, გარდა ეკრანის ქულისა და დაახლოებით 30,000 პიქსელისა, რომელიც შეადგენდა თითოეულ კადრს. განმტკიცების სწავლება ნიშნავდა, რომ პროგრამული აგენტმა თანდათან ისწავლა თამაშის თამაში საცდელი და შეცდომის გზით.
MarI/O - მანქანათმცოდნეობა ვიდეო თამაშებისთვის
საექსპერტო სისტემისგან განსხვავებით, განმამტკიცებელ სწავლებას არ სჭირდება ადამიანური ექსპერტი, რომ უთხრას, როგორ გაზარდოს ქულა. სამაგიეროდ, დროთა განმავლობაში ირკვევა. ზოგიერთ შემთხვევაში, წესები, რომლებსაც ის სწავლობს, შეიძლება დაფიქსირდეს (როგორც კლასიკური Atari თამაშის დროს).
ევოლუციური ალგორითმები
ცნობილია, როგორც ზოგადი პოპულაციაზე დაფუძნებული მეტაევრისტული ოპტიმიზაციის ალგორითმი, თუ ადრე ჯერ არ ხართ დანერგილი, ევოლუციური ალგორითმები არის მანქანათმცოდნეობის სხვა სახეობა; შექმნილია კომპიუტერის შიგნით ბუნებრივი გადარჩევის კონცეფციის იმიტაციისთვის.
პროცესი იწყება იმით, რომ პროგრამისტი შეიყვანს მიზნებს, რომელთა მიღწევასაც ცდილობს თავისი ალგორითმით. მაგალითად, ნასამ გამოიყენა ევოლუციური ალგორითმები თანამგზავრის კომპონენტების შესაქმნელად. ამ შემთხვევაში, ფუნქცია შეიძლება იყოს ხსნარის გამომუშავება, რომელიც შეიძლება მოთავსდეს 10 სმ x 10 სმ ზომის ყუთში, შეუძლია ასხივოს სფერული ან ნახევარსფერული ნიმუში და შეუძლია იმუშაოს გარკვეულ Wi-Fi-ზე ბენდი.
შემდეგ ალგორითმი გამოდის განმეორებითი დიზაინის მრავალი თაობით, რომელიც ამოწმებს თითოეულს დასახული მიზნების წინააღმდეგ. როდესაც საბოლოოდ ყველა სწორ უჯრას მონიშნავთ, ის წყდება. გარდა იმისა, რომ NASA-ს თანამგზავრების დიზაინში ეხმარება, ევოლუციური ალგორითმები კრეატიულთა ფავორიტია, რომლებიც იყენებენ ხელოვნურ ინტელექტს თავიანთი სამუშაოსთვის: მაგ. ამ ლამაზი ავეჯის დიზაინერები.
რედაქტორების რეკომენდაციები
- ღრმა სწავლა A.I. ეხმარება არქეოლოგებს უძველესი ტაბლეტების თარგმნაში
- ღრმა სწავლა A.I. შეუძლია მიბაძოს ხატოვანი გიტარის ღმერთების დამახინჯების ეფექტებს
- გონების კითხვა A.I. აანალიზებს თქვენი ტვინის ტალღებს, რათა გამოიცნოს რომელ ვიდეოს უყურებთ
- მომავლის სახლის შემფასებელი ალბათ A.I. ალგორითმი
- ფოტორეალისტური A.I. ხელსაწყოს შეუძლია შეავსოს ხარვეზები სურათებში, მათ შორის სახეებში
