일체 포함. 현재 어디에나 있으며 스마트폰의 가상 비서부터 여러분이 보고한 최첨단 이미지 인식 시스템까지 자율주행 자동차가 곧 우리의 도로를 가득 채울 것입니다. 진심으로.
지난 10년 동안 바위 밑에서 살아본 적이 없다면, 이전에 들어본 적이 있거나 사용해 본 적이 있을 가능성이 높습니다. 현재 인공지능은 13세 소녀들의 원디렉션과 마찬가지로 실리콘밸리의 존재입니다. 모든 현금을 쏟아부으려는 강박관념과 해리 스타일스가 마침내 마음을 정할 준비가 될 때마다 결혼하는 공상을 하기도 합니다. 아래에. (그래, 우리는 아직 비유를 연구하고 있는 중이야!)
그런데 정확히 뭐지? ~이다 일체 포함.? — '머신러닝', '과 같은 용어도 가능합니다.인공 신경망,” “인공 지능” 및 “Zayn Malik”(아직 비유를 연구 중입니다...)을 같은 의미로 사용합니까?
사람들이 AI에 대해 이야기할 때 듣게 되는 전문 용어와 전문 용어를 이해하는 데 도움이 되도록 이 간단한 가이드를 정리했습니다. 인공 지능의 다양한 맛에 머리를 숙이세요. 기계가 마침내 성공할 때 어떤 실수도 하지 않기 위해서라면 말이죠. 위에.
인공지능
우리는 AI의 역사를 너무 깊이 탐구하지 않을 것입니다. 그러나 여기서 주목해야 할 중요한 점은 인공지능은 다음의 모든 용어가 모두 가지를 이루고 있는 트리라는 점입니다. 예를 들어 강화학습은 기계학습의 일종으로 인공지능의 하위분야이다. 그러나 인공지능은 (반드시) 강화학습이 아닙니다. 알았어요?
지금까지 아무도 일반 지능을 구축하지 못했습니다.
AI가 무엇인지에 대한 공식적인 합의 합의는 없습니다. (어떤 사람들은 컴퓨터가 아직 할 수 없는 일이 단순히 멋진 일이라고 제안하기도 합니다.) 그러나 대부분의 사람들은 컴퓨터가 수행한다면 지능적인 것으로 간주될 작업을 수행하도록 만드는 것이라는 점에 동의할 것입니다. 사람.
이 용어는 1956년에 처음 만들어졌습니다. 다트머스 대학 여름 워크숍 뉴햄프셔에서. A.I.의 현재 큰 차이점 현재 도메인별 좁은 AI 그리고 인공일반지능. 지금까지 아무도 일반 지능을 구축하지 못했습니다. 일단 그렇게 되면 모든 베팅은 종료됩니다…
상징적 A.I.
당신은 그것에 대해 많이 듣지 못합니다 상징적 A.I. 오늘. Good Old Fashioned A.I., Symbolic A.I라고도 합니다. 하향식 방식으로 컴퓨터에 제공할 수 있는 논리적 단계를 중심으로 구축되었습니다. 이는 특정 시나리오를 처리하는 방법에 대해 컴퓨터(또는 로봇)에 수많은 규칙을 제공하는 것을 수반합니다.
이로 인해 많은 초기 혁신이 이루어졌지만 실험실에서는 매우 잘 작동하는 것으로 나타났습니다. 모든 변수는 완벽하게 제어할 수 있지만 일상의 지저분함에서는 잘 제어되지 않는 경우가 많습니다. 삶. 한 작가는 Symbolic A.I., 초기 A.I. 시스템은 구약의 신과 약간 비슷했습니다. 규칙은 많지만 자비는 없었습니다.
오늘날 연구자들은 다음과 같습니다. 셀머 브링스요르드 제작자가 이해할 수 있는 논리 시스템의 우수성을 중심으로 구축된 논리 기반 기호형 A.I.에 다시 초점을 맞추기 위해 싸우고 있습니다.
기계 학습
큰 AI에 대해 듣는다면. 요즘 획기적인 발전을 이루기 위해서는 달리 제안할 만한 큰 소음이 발생하지 않는 한 다음과 같은 내용을 듣게 될 가능성이 높습니다. 기계 학습. 이름에서 알 수 있듯이 머신러닝은 학습하는 기계를 만드는 것입니다.
A.I.의 제목과 마찬가지로 기계 학습에도 여러 하위 범주가 있습니다. 공통점은 데이터를 수집하고 여기에 알고리즘을 적용하는 통계 중심 능력입니다. 지식.
머신러닝에는 다양한 분야가 있지만 아마도 가장 많이 듣게 될 분야는…
신경망
Cool Tech 섹션에서 시간을 보낸 적이 있다면 아마 들어보셨을 것입니다. 인공 신경망. 인간이 학습하는 방식을 복제하도록 설계된 뇌에서 영감을 받은 시스템인 신경망은 자체 코드를 수정하여 관계가 복잡하거나 복잡한 상황에서 입력과 출력, 또는 원인과 결과 사이의 연관성을 찾아보세요. 불분명하다.
인공 신경망은 딥러닝의 등장으로 이익을 얻었습니다.
인공 신경망의 개념은 실제로 오래되었습니다. 1940년대로 돌아가, 그러나 실제로 잠재력을 실제로 발휘하기 시작한 것은 지난 수십 년 동안이었습니다. “역전파,”를 통해 결과가 제작자가 기대하는 것과 일치하지 않는 상황에서 신경망이 뉴런의 숨겨진 레이어를 조정할 수 있습니다. (예를 들어 개를 인식하도록 설계된 네트워크는 고양이를 잘못 식별합니다.)
지난 10년 동안 인공 신경망은 다음과 같은 기술의 등장으로 이익을 얻었습니다. 딥러닝, 네트워크의 서로 다른 계층은 찾고 있는 것을 인식할 수 있을 때까지 서로 다른 특징을 추출합니다.
신경망 제목 내에는 잠재적인 네트워크의 다양한 모델이 있습니다. 피드포워드 그리고 컨벌루션 네트워크 저녁 파티에서 Google 엔지니어 옆에 갇히게 되면 언급해야 할 내용이 될 것입니다.
강화 학습
강화 학습 머신러닝의 또 다른 특징입니다. 이는 행동주의 심리학에서 큰 영감을 받았으며 소프트웨어 에이전트가 보상을 극대화하기 위해 환경에서 조치를 취하는 방법을 배울 수 있다는 아이디어를 기반으로 합니다.
예를 들어, 2015년에 Google의 DeepMind는 그것이 어떻게 이루어졌는지를 보여주는 논문을 발표했습니다. AI를 훈련시켰습니다. 고전 비디오 게임을 하려고, 화면 점수와 각 프레임을 구성하는 약 30,000픽셀 외에는 지침이 없습니다. 점수를 최대화하라는 강화 학습은 소프트웨어 에이전트가 시행착오를 통해 점차적으로 게임을 플레이하는 방법을 학습한다는 것을 의미했습니다.
MarI/O - 비디오 게임을 위한 머신 러닝
전문가 시스템과 달리 강화 학습에는 점수를 최대화하는 방법을 알려주기 위해 인간 전문가가 필요하지 않습니다. 대신 시간이 지나면서 알게 됩니다. 어떤 경우에는 학습 중인 규칙이 고정되어 있을 수 있습니다(예: 고전적인 Atari 게임을 플레이하는 경우처럼). 다른 경우에는 시간이 지남에 따라 계속 적응합니다.
진화 알고리즘
이전에 아직 소개되지 않은 경우 일반적인 모집단 기반 메타휴리스틱 최적화 알고리즘으로 알려져 있으며, 진화 알고리즘 또 다른 유형의 기계 학습입니다. 컴퓨터 내부의 자연 선택 개념을 모방하도록 설계되었습니다.
프로세스는 프로그래머가 알고리즘을 통해 달성하려는 목표를 입력하는 것으로 시작됩니다. 예를 들어 NASA는 진화 알고리즘을 사용하여 위성 구성 요소를 설계했습니다. 그런 경우에는 10cm x 10cm 크기의 상자에 들어갈 수 있는 솔루션을 찾아내는 것이 기능일 수 있습니다. 구형 또는 반구형 패턴을 방사할 수 있으며 특정 Wi-Fi에서 작동할 수 있습니다. 밴드.
그런 다음 알고리즘은 여러 세대의 반복 설계를 제시하고 명시된 목표에 대해 각 설계를 테스트합니다. 결국 올바른 상자를 모두 선택하면 중단됩니다. NASA의 위성 설계를 돕는 것 외에도 진화 알고리즘은 작업에 인공 지능을 사용하는 창작자들이 선호하는 것입니다. 이 멋진 가구의 디자이너.
편집자의 추천
- 딥러닝 AI 고고학자들이 고대 명판을 번역하는 것을 돕고 있습니다.
- 딥러닝 AI 상징적인 기타 신들의 디스토션 효과를 모방할 수 있습니다.
- 마음을 읽는 AI 당신의 뇌파를 분석하여 당신이 어떤 비디오를 보고 있는지 추측합니다
- 미래의 주택 감정사는 아마도 AI일 것이다. 연산
- 사실적인 AI 도구는 얼굴을 포함한 이미지의 공백을 채울 수 있습니다.
