sztuczna inteligencja jest obecnie wszędzie i odpowiada za wszystko, od wirtualnych asystentów na naszych smartfonach po autonomiczne samochody, które wkrótce zapełnią nasze drogi, aż po najnowocześniejsze systemy rozpoznawania obrazu, o których donosicie naprawdę.
Jeśli nie mieszkałeś pod kamieniem przez ostatnią dekadę, istnieje duża szansa, że słyszałeś o tym wcześniej i prawdopodobnie nawet z niego korzystałeś. W tej chwili sztuczna inteligencja jest dla Doliny Krzemowej tym, czym One Direction dla 13-letnich dziewcząt: wszechobecnym źródłem wiedzy obsesja, na którą chcesz wydać całą swoją gotówkę, jednocześnie marząc o ślubie, gdy Harry Styles będzie w końcu gotowy na ustatkowanie się w dół. (OK, więc nadal pracujemy nad analogią!)
Ale co dokładnie Jest sztuczna inteligencja? — i czy terminy takie jak „uczenie maszynowe” mogą „sztuczne sieci neuronowe”, „sztuczna inteligencja” i „Zayn Malik” (wciąż pracujemy nad tą analogią…) mogą być używane zamiennie?
Aby pomóc Ci zrozumieć niektóre modne słowa i żargon, które usłyszysz, gdy ludzie mówią o sztucznej inteligencji, przygotowaliśmy ten prosty przewodnik, który pomoże Ci zakończyć rozglądaj się za różnymi odmianami sztucznej inteligencji — choćby po to, żeby nie popełnić żadnego faux pas, gdy maszyny w końcu zaczną działać nad.
Sztuczna inteligencja
Nie będziemy zagłębiać się w historię A.I. tutaj, ale należy zauważyć, że sztuczna inteligencja to drzewo, na którym znajdują się wszystkie poniższe terminy. Na przykład uczenie się przez wzmacnianie to rodzaj uczenia maszynowego, który jest poddziedziną sztucznej inteligencji. Jednak sztuczna inteligencja nie jest (koniecznie) uczeniem się przez wzmacnianie. Rozumiem?
Jak dotąd nikt nie zbudował inteligencji ogólnej.
Nie ma oficjalnego konsensusu co do tego, czym jest sztuczna inteligencja. oznacza (niektórzy sugerują, że to po prostu fajne rzeczy, których komputery jeszcze nie potrafią), ale większość zgodzi się, że chodzi o to, aby komputery wykonywały czynności, które można by uznać za inteligentne, gdyby były wykonywane przez: osoba.
Termin ten został po raz pierwszy ukuty w 1956 r letnie warsztaty w Dartmouth College w New Hampshire. Największe obecne rozróżnienie w A.I. jest pomiędzy bieżącą specyficzną dla domeny Wąska sztuczna inteligencja I Sztuczna inteligencja ogólna. Jak dotąd nikt nie zbudował inteligencji ogólnej. Gdy to zrobią, wszystkie zakłady zostaną wyłączone…
Symboliczna sztuczna inteligencja
Nie słyszysz o tym zbyt wiele Symboliczna sztuczna inteligencja Dzisiaj. Nazywana także staroświecką dobrą sztuczną inteligencją, symboliczną sztuczną inteligencją. jest zbudowany wokół logicznych kroków, które można przekazać komputerowi w sposób odgórny. Wiąże się to z zapewnieniem komputerowi (lub robotowi) wielu reguł dotyczących tego, jak powinien postępować w określonym scenariuszu.
Doprowadziło to do wielu wczesnych odkryć, ale okazało się, że sprawdzają się one bardzo dobrze w laboratoriach, m.in w którym każdą zmienną można doskonale kontrolować, ale często gorzej w codziennym bałaganie życie. Jak jeden z pisarzy zażartował na temat symbolicznej sztucznej inteligencji, wczesna sztuczna inteligencja systemy przypominały trochę boga Starego Testamentu – z dużą ilością zasad, ale bez litości.
Dziś badacze lubią Selmera Bringsjorda walczą o ponowne skupienie się na symbolicznej sztucznej inteligencji opartej na logice, zbudowanej wokół wyższości systemów logicznych, które mogą być zrozumiałe dla ich twórców.
Nauczanie maszynowe
Jeśli usłyszysz o dużej A.I. przełom w dzisiejszych czasach, są szanse, że o ile nie zostanie wydany duży hałas sugerujący inaczej, o którym słyszysz nauczanie maszynowe. Jak sama nazwa wskazuje, uczenie maszynowe polega na tworzeniu maszyn, które, cóż, uczą się.
Podobnie jak nagłówek AI, uczenie maszynowe również ma wiele podkategorii, ale wszystkie one zawierają powszechną jest zdolność skupiająca się na statystyce do gromadzenia danych i stosowania do nich algorytmów w celu uzyskania zysku wiedza.
Istnieje mnóstwo różnych gałęzi uczenia maszynowego, ale ta, o której prawdopodobnie usłyszysz najczęściej, to…
Sieci neuronowe
Jeśli kiedykolwiek odwiedziłeś naszą sekcję Cool Tech, prawdopodobnie o niej słyszałeś sztuczne sieci neuronowe. Jako systemy inspirowane mózgiem, zaprojektowane tak, aby replikować sposób, w jaki uczą się ludzie, sieci neuronowe modyfikują swój własny kod znaleźć związek między danymi wejściowymi a wynikami — lub przyczyną i skutkiem — w sytuacjach, gdy związek ten jest złożony lub niejasny.
Sztuczne sieci neuronowe odniosły korzyści z pojawienia się głębokiego uczenia się.
Koncepcja sztucznych sieci neuronowych faktycznie ma już swoje lata z powrotem do lat czterdziestych XX wieku, ale tak naprawdę dopiero w ciągu ostatnich kilku dekad zaczął w pełni wykorzystywać swój potencjał: dzięki pojawieniu się algorytmów takich jak „propagacja wsteczna”, co pozwala sieci neuronowej dostosowywać ukryte warstwy neuronów w sytuacjach, gdy wynik nie jest zgodny z oczekiwaniami twórcy. (Na przykład sieć zaprojektowana do rozpoznawania psów, co błędnie identyfikuje kota.)
W tej dekadzie sztuczne sieci neuronowe skorzystały na pojawieniu się głęboka nauka, w którym różne warstwy sieci wyodrębniają różne cechy, dopóki nie rozpoznają, czego szukają.
W ramach sieci neuronowej istnieją różne modele sieci potencjalnej — z wyprzedzający I sieci splotowe prawdopodobnie to te, o których powinieneś wspomnieć, jeśli utkniesz obok inżyniera Google na przyjęciu.
Uczenie się przez wzmacnianie
Uczenie się przez wzmacnianie to kolejny smak uczenia maszynowego. Jest mocno zainspirowany psychologią behawiorystyczną i opiera się na założeniu, że agent oprogramowania może nauczyć się podejmować działania w środowisku, aby zmaksymalizować nagrodę.
Na przykład w 2015 roku firma DeepMind firmy Google opublikowała artykuł pokazujący, jak to się stało przeszkolił sztuczną inteligencję do grania w klasyczne gry wideo, bez żadnych instrukcji poza wynikiem wyświetlanym na ekranie i około 30 000 pikseli tworzących każdą klatkę. Powiedziano mu, aby zmaksymalizować swój wynik, uczenie się przez wzmacnianie oznaczało, że agent oprogramowania stopniowo uczył się grać w grę metodą prób i błędów.
MarI/O - Uczenie maszynowe dla gier wideo
W przeciwieństwie do systemu eksperckiego, uczenie się przez wzmacnianie nie potrzebuje ludzkiego eksperta, który powie mu, jak zmaksymalizować wynik. Zamiast tego odkrywa to z biegiem czasu. W niektórych przypadkach zasady, których się uczy, mogą zostać ustalone (jak podczas grania w klasyczną grę na Atari). W innych, dostosowuje się w miarę upływu czasu.
Algorytmy ewolucyjne
Znany jako ogólny algorytm optymalizacji metaheurystycznej oparty na populacji, jeśli nie zostałeś jeszcze wcześniej wprowadzony, algorytmy ewolucyjne to inny rodzaj uczenia maszynowego; zaprojektowany tak, aby naśladować koncepcję doboru naturalnego w komputerze.
Proces rozpoczyna się od wprowadzenia przez programistę celów, które chce osiągnąć za pomocą swojego algorytmu. Na przykład NASA wykorzystała algorytmy ewolucyjne do projektowania komponentów satelitów. W takim przypadku funkcją może być znalezienie rozwiązania, które zmieści się w pudełku o wymiarach 10 cm x 10 cm, zdolne do emitowania wzoru kulistego lub półkulistego i zdolne do działania w określonej sieci Wi-Fi zespół.
Następnie algorytm tworzy wiele generacji projektów iteracyjnych, testując każdy z nich pod kątem określonych celów. Kiedy w końcu zaznaczymy wszystkie właściwe pola, problem ustaje. Algorytmy ewolucyjne nie tylko pomagają NASA w projektowaniu satelitów, ale są ulubionym narzędziem twórców wykorzystujących w swojej pracy sztuczną inteligencję: np. projektanci tych fajnych mebli.
Zalecenia redaktorów
- Głębokie uczenie się AI pomaga archeologom w tłumaczeniu starożytnych tabliczek
- Głębokie uczenie się może imitować efekty zniekształceń kultowych bogów gitary
- Czytająca w myślach sztuczna inteligencja analizuje fale mózgowe, aby odgadnąć, jaki film oglądasz
- Przyszły rzeczoznawca domów to prawdopodobnie sztuczna inteligencja. algorytm
- Fotorealistyczna sztuczna inteligencja narzędzie może wypełnić luki w obrazach, w tym twarze
