А.И. је тренутно свуда и одговоран је за све, од виртуелних помоћника на нашим паметним телефонима до самовозећи аутомобили који ће ускоро испунити наше путеве до најсавременијих система за препознавање слика о којима извештавате заиста.
Осим ако нисте живели испод камена у протеклој деценији, постоји велика шанса да сте чули за њега раније - и вероватно га чак и користили. Тренутно је вештачка интелигенција за Силиконску долину оно што је Оне Дирецтион за 13-годишње девојчице: свеприсутан извор опсесија да баците сав свој новац, док сањарите о венчању кад год је Хари Стајлс коначно спреман да се измири доле. (У реду, још увек радимо на аналогији!)
Али шта тачно је А.И.? — и може термине као што су „машинско учење“, „вештачке неуронске мреже,“ „вештачка интелигенција“ и „Зејн Малик“ (још увек радимо на тој аналогији…) да се користе наизменично?
Да бисмо вам помогли да схватите неке од популарних речи и жаргона које ћете чути када људи причају о АИ, саставили смо овај једноставан водич који ће вам помоћи да завршите размишљате о свим различитим укусима вештачке интелигенције — само да не бисте правили грешке када машине коначно узму преко.
Вештачка интелигенција
Нећемо превише улазити у историју А.И. овде, али важно је напоменути да је вештачка интелигенција дрво на коме су сви следећи термини сви гране. На пример, учење са појачањем је врста машинског учења, што је потпоље вештачке интелигенције. Међутим, вештачка интелигенција није (нужно) додатно учење. Разумем?
До сада нико није изградио општу интелигенцију.
Не постоји званичан консензус о томе шта АИ. значи (неки људи сугеришу да су то једноставно кул ствари које рачунари још не могу да ураде), али већина сложио би се да се ради о томе да рачунари извршавају радње које би се сматрале интелигентним да их изводи особа.
Термин је први пут скован 1956. године, у а летња радионица на Дартмоутх колеџу у Њу Хемпширу. Велика тренутна разлика у А.И. је између тренутно специфичних за домен Уски А.И. и Вештачка општа интелигенција. До сада нико није изградио општу интелигенцију. Када то ураде, све опкладе су искључене…
Симболични А.И.
Не чујете толико о Симболични А.И. данас. Такође се помиње као Добри стари АИ, Симболични А.И. је изграђен око логичких корака који се могу дати рачунару на начин одозго надоле. То подразумева обезбеђивање много и много правила рачунару (или роботу) о томе како треба да се носи са одређеним сценаријем.
Ово је довело до много раних открића, али се испоставило да су они веома добро функционисали у лабораторијама, у коју би свака варијабла могла савршено контролисати, али често мање добро у нереду свакодневице живот. Као што је један писац шалио о Симболичком АИ, рани А.И. системи су били помало налик богу Старог завета — са много правила, али без милости.
Данас истраживачи воле Селмер Брингсјорд се боре да врате фокус на симболички АИ заснован на логици, изграђен око супериорности логичких система које могу разумети њихови креатори.
Машинско учење
Ако чујете за велики А.И. пробој ових дана, велике су шансе да, осим ако се не направи велика бука која сугерише другачије, чујете о Машинско учење. Као што му име говори, машинско учење је стварање машина које, па, уче.
Као и наслов А.И., машинско учење такође има више поткатегорија, али оно што све имају у уобичајена је могућност узимања података и примене алгоритама у циљу добијања података фокусирана на статистику знања.
Постоји мноштво различитих грана машинског учења, али она о којој ћете вероватно највише чути је…
Неуронске мреже
Ако сте провели неко време у нашем одељку Цоол Тецх, вероватно сте чули за то вештачке неуронске мреже. Као системи инспирисани мозгом дизајнирани да реплицирају начин на који људи уче, неуронске мреже модификују сопствени код како би пронаћи везу између улаза и излаза — или узрока и последице — у ситуацијама када је овај однос сложен или нејасно.
Вештачке неуронске мреже су имале користи од доласка дубоког учења.
Концепт вештачких неуронских мрежа заправо датира назад у 1940-те, али је заправо тек у последњих неколико деценија почео да испуњава свој потенцијал: потпомогнут доласком алгоритама попут „бацкпропагатион”, што омогућава неуронској мрежи да прилагоди своје скривене слојеве неурона у ситуацијама у којима се исход не поклапа са оним чему се креатор нада. (На пример, мрежа дизајнирана да препозна псе, која погрешно идентификује мачку.)
Ове деценије, вештачке неуронске мреже су имале користи од доласка дубоко учење, у којој различити слојеви мреже издвајају различите карактеристике док не препознају оно што траже.
Унутар наслова неуронске мреже постоје различити модели потенцијалне мреже — са феедфорвард и конволуционе мреже вероватно би требало да поменете ако се заглавите поред Гоогле инжењера на вечери.
Учење са појачањем
Учење са појачањем је још једна врста машинског учења. У великој мери је инспирисан бихевиористичком психологијом и заснован је на идеји да софтверски агент може научити да предузима акције у окружењу како би максимизирао награду.
На пример, Гоогле-ов ДеепМинд је 2015. године објавио рад који показује како је то било обучавао А.И. да играте класичне видео игрице, без икаквих инструкција осим резултата на екрану и приближно 30.000 пиксела који чине сваки кадар. Речено му да максимизира свој резултат, учење са појачањем је значило да је софтверски агент постепено научио да игра игру путем покушаја и грешака.
МарИ/О – Машинско учење за видео игре
За разлику од експертског система, учење са појачањем не треба људски стручњак да му каже како да максимизира резултат. Уместо тога, временом то схвати. У неким случајевима, правила која учи могу бити фиксна (као код играња класичне Атари игре.) У другим, она се стално прилагођава како време пролази.
Еволуциони алгоритми
Познат као генерички алгоритам метахеуристичке оптимизације заснован на популацији ако још нисте били упознати, еволуциони алгоритми су друга врста машинског учења; дизајниран да опонаша концепт природне селекције унутар рачунара.
Процес почиње тако што програмер уноси циљеве које покушава да постигне својим алгоритмом. На пример, НАСА је користила еволуционе алгоритме за дизајнирање сателитских компоненти. У том случају, функција може бити да се нађе решење које може да стане у кутију од 10цм к 10цм, способан да зрачи сферни или хемисферични узорак и може да ради на одређеном Ви-Фи-ју трака.
Алгоритам затим долази са више генерација итеративних дизајна, тестирајући сваки у односу на наведене циљеве. Када се на крају означи сва права поља, то престаје. Поред тога што помажу НАСА-и да дизајнира сателите, еволуциони алгоритми су омиљени креативци који користе вештачку интелигенцију за свој рад: као што је дизајнери овог елегантног намештаја.
Препоруке уредника
- Дубоко учење А.И. помаже археолозима да преведу древне плоче
- Дубоко учење А.И. може да имитира ефекте дисторзије култних гитарских богова
- Читање мисли А.И. анализира ваше мождане таласе да погоди који видео гледате
- Процењивач куће будућности је вероватно АИ. алгоритам
- Фотореалистички А.И. алат може да попуни празнине у сликама, укључујући лица
