А.И. Сейчас он повсюду, и он отвечает за все: от виртуальных помощников на наших смартфонах до беспилотные автомобили, которые скоро заполнят наши дороги, и передовые системы распознавания изображений, о которых вы сообщили действительно.
Если вы не жили под скалой последние десять лет, велика вероятность, что вы слышали о нем раньше — и, возможно, даже использовали его. Сейчас искусственный интеллект для Кремниевой долины — то же самое, что One Direction для 13-летних девочек: вездесущий источник одержимость потратить все свои деньги и одновременно мечтать о женитьбе, когда Гарри Стайлс, наконец, будет готов остепениться вниз. (Хорошо, мы все еще работаем над аналогией!)
Но что именно является А.И.? — и могут ли такие термины, как «машинное обучение», «искусственные нейронные сети», «искусственный интеллект» и «Зейн Малик» (мы все еще работаем над этой аналогией…) можно использовать как синонимы?
Чтобы помочь вам разобраться в некоторых модных словах и жаргоне, которые вы услышите, когда люди говорят об искусственном интеллекте, мы составили это простое руководство, которое поможет вам обернуть вы обдумываете все разновидности искусственного интеллекта — хотя бы для того, чтобы вы не совершили оплошности, когда машины наконец возьмут верх. над.
Искусственный интеллект
Мы не будем слишком глубоко углубляться в историю ИИ. здесь, но важно отметить, что искусственный интеллект — это дерево, ветвями которого являются все следующие термины. Например, обучение с подкреплением — это тип машинного обучения, который является подразделом искусственного интеллекта. Однако искусственный интеллект не обязательно является обучением с подкреплением. Понятно?
До сих пор никто не построил общий интеллект.
Официального консенсуса относительно того, чем занимается ИИ, не существует. означает (некоторые полагают, что это просто крутые вещи, которые компьютеры пока не умеют), но большинство Согласен, что речь идет о том, чтобы заставить компьютеры выполнять действия, которые можно было бы считать разумными, если бы они выполнялись человек.
Этот термин был впервые использован в 1956 г. летний семинар в Дартмутском колледже в Нью-Гэмпшире. Большое нынешнее отличие в ИИ. находится между текущими доменно-ориентированными Узкий ИИ и Общий искусственный интеллект. До сих пор никто не построил общий интеллект. Как только они это сделают, все ставки сняты…
Символический А.И.
Вы не так много слышите о Символический А.И. сегодня. Также называется «старым добрым ИИ», «Символическим ИИ». построен на логических шагах, которые могут быть переданы компьютеру сверху вниз. Это влечет за собой предоставление компьютеру (или роботу) множества правил о том, как он должен действовать в конкретном сценарии.
Это привело ко многим первым прорывам, но оказалось, что они очень хорошо сработали в лабораториях, в каждая переменная которого могла бы идеально контролироваться, но часто хуже в суматохе повседневной жизни. жизнь. Как пошутил один писатель о символическом ИИ, ранний ИИ системы были немного похожи на бога Ветхого Завета — с множеством правил, но без милосердия.
Сегодня исследователям нравится Зельмер Брингсйорд борются за то, чтобы вернуть фокус на основанный на логике Символический ИИ, построенный на превосходстве логических систем, которые могут понять их создатели.
Машинное обучение
Если вы слышите о большом ИИ. прорыв в наши дни, есть вероятность, что, если не будет поднят большой шум, утверждающий обратное, вы услышите о машинное обучение. Как следует из названия, машинное обучение — это создание машин, которые учатся.
Как и раздел «ИИ», машинное обучение также имеет несколько подкатегорий, но то, что они все имеют в Распространенной является способность, ориентированная на статистику, брать данные и применять к ним алгоритмы, чтобы получить знание.
Существует множество различных направлений машинного обучения, но больше всего вы, вероятно, услышите о…
Нейронные сети
Если вы когда-либо посещали наш раздел «Крутые технологии», вы, вероятно, слышали о искусственные нейронные сети. Являясь системами, вдохновленными мозгом, предназначенными для воспроизведения того, как люди учатся, нейронные сети изменяют свой собственный код, чтобы найти связь между входом и выходом — или причиной и следствием — в ситуациях, когда эти отношения сложны или не понятно.
Искусственные нейронные сети выиграли от появления глубокого обучения.
Концепция искусственных нейронных сетей на самом деле датируется назад в 1940-е годы, но на самом деле только в последние несколько десятилетий он начал по-настоящему реализовывать свой потенциал: чему способствовало появление таких алгоритмов, как «обратное распространение ошибки», что позволяет нейронной сети корректировать свои скрытые слои нейронов в ситуациях, когда результат не соответствует тому, на что надеется создатель. (Например, сеть, предназначенная для распознавания собак, ошибочно идентифицирует кошку.)
В этом десятилетии искусственные нейронные сети выиграли от появления глубокое обучение, в котором разные уровни сети извлекают разные функции, пока она не сможет распознать то, что ищет.
В рубрике «Нейронная сеть» представлены разные модели потенциальной сети — с упреждающая связь и сверточные сети скорее всего, вам следует упомянуть их, если вы застрянете рядом с инженером Google на званом обеде.
Обучение с подкреплением
Обучение с подкреплением это еще один вариант машинного обучения. Он во многом вдохновлен бихевиористской психологией и основан на идее о том, что программный агент может научиться совершать действия в окружающей среде, чтобы максимизировать вознаграждение.
Например, еще в 2015 году компания DeepMind компании Google опубликовала документ, в котором показано, как она добилась обучил ИИ. играть в классические видеоигры, без каких-либо инструкций, кроме оценки на экране и примерно 30 000 пикселей, составляющих каждый кадр. Обучение с подкреплением, призванное максимизировать свой результат, означало, что программный агент постепенно учился играть в игру методом проб и ошибок.
MarI/O — машинное обучение для видеоигр
В отличие от экспертной системы, обучение с подкреплением не нуждается в эксперте-человеке, который расскажет, как максимизировать оценку. Вместо этого он понимает это со временем. В некоторых случаях правила, которые он изучает, могут быть фиксированными (как в классической игре Atari). В других случаях он продолжает адаптироваться с течением времени.
Эволюционные алгоритмы
Известный как общий алгоритм метаэвристической оптимизации на основе совокупности, если вы еще не были представлены ему ранее, эволюционные алгоритмы являются еще одним типом машинного обучения; разработан, чтобы имитировать концепцию естественного отбора внутри компьютера.
Процесс начинается с того, что программист вводит цели, которых он или она пытается достичь с помощью своего алгоритма. Например, НАСА использовало эволюционные алгоритмы для проектирования компонентов спутников. В этом случае задача может заключаться в том, чтобы найти решение, которое можно поместить в коробку размером 10 х 10 см. способный излучать сферический или полусферический рисунок и работать при определенном Wi-Fi группа.
Затем алгоритм предлагает несколько поколений итеративных проектов, проверяя каждый из них на соответствие заявленным целям. Когда кто-то в конце концов отметит все нужные поля, это прекратится. Эволюционные алгоритмы не только помогают НАСА в проектировании спутников, но и являются любимыми творческими людьми, использующими искусственный интеллект в своей работе: например, дизайнеры этой изящной мебели.
Рекомендации редакции
- Глубокое обучение ИИ помогает археологам переводить древние таблички
- Глубокое обучение ИИ может имитировать эффекты искажения культовых гитарных богов
- Читающий мысли ИИ анализирует ваши мозговые волны, чтобы угадать, какое видео вы смотрите
- Оценщиком дома будущего, вероятно, станет искусственный интеллект. алгоритм
- Фотореалистичный А.И. инструмент может заполнять пробелы в изображениях, включая лица
