А.І. зараз скрізь і відповідає за все, від віртуальних помічників на наших смартфонах до безпілотні автомобілі незабаром заполонять наші дороги до передових систем розпізнавання зображень, про які повідомляє ваш по-справжньому.
Якщо ви не жили під каменем останнє десятиліття, є велика ймовірність, що ви чули про це раніше — і, можливо, навіть використовували його. Наразі штучний інтелект для Силіконової долини є тим же, чим One Direction для 13-річних дівчат: всюдисущим джерелом одержимість викинути всі свої гроші, водночас мріючи про одруження щоразу, коли Гаррі Стайлз нарешті готовий розрахуватися вниз. (Добре, ми все ще працюємо над аналогією!)
Але що саме є AI? — а також такі терміни, як «машинне навчання», «штучні нейронні мережі”, “штучний інтелект” і “Зейн Малік” (ми все ще працюємо над цією аналогією…) використовувати як взаємозамінні?
Щоб допомогти вам зрозуміти деякі модні слова та жаргон, які ви почуєте, коли люди говорять про штучний інтелект, ми зібрали цей простий посібник, який допоможе вам завершити подумайте про всі види штучного інтелекту — хоча б для того, щоб ви не зробили жодних помилок, коли машини нарешті візьмуть закінчено.
Штучний інтелект
Ми не будемо заглиблюватися в історію A.I. тут, але важливо зазначити, що штучний інтелект – це дерево, на якому всі наступні терміни є гілками. Наприклад, навчання з підкріпленням – це тип машинного навчання, який є підсферою штучного інтелекту. Однак штучний інтелект не є (обов’язково) навчанням з підкріпленням. Зрозумів?
Поки що ніхто не створив загального інтелекту.
Немає офіційної консенсусної згоди щодо того, що А.І. засоби (дехто вважає, що це просто круті речі, які комп’ютери ще не можуть робити), але більшість погодився б, що мова йде про те, щоб змусити комп’ютери виконувати дії, які вважалися б розумними, якби їх здійснював людина.
Термін був вперше введений в 1956 році, в літній семінар у Дартмутському коледжі в Нью-Гемпширі. Велика актуальна відмінність в А.І. знаходиться між поточним доменом Вузький А.І. і Загальний штучний інтелект. Поки що ніхто не створив загального інтелекту. Як тільки вони це зроблять, усі ставки скасовуються...
Символічний А.І.
Ви не так багато чуєте про Символічний А.І. сьогодні. Також згадується як старомодний добрий штучний інтелект, символічний штучний інтелект. будується навколо логічних кроків, які можна надати комп’ютеру зверху вниз. Це передбачає надання комп’ютеру (або роботу) безлічі правил щодо того, як він має працювати з конкретним сценарієм.
Це призвело до багатьох ранніх проривів, але виявилося, що вони дуже добре працювали в лабораторіях, кожну змінну можна ідеально контролювати, але часто гірше в щоденному безладі життя. Як пожартував один письменник про символічний ШІ, ранній ШІ. системи були трохи схожі на бога Старого Завіту — з великою кількістю правил, але без милосердя.
Сьогодні дослідники люблять Селмер Брінгсйорд борються за повернення уваги до заснованого на логіці символічного штучного інтелекту, побудованого навколо переваги логічних систем, які можуть зрозуміти їхні творці.
Машинне навчання
Якщо ви почуєте про великий штучний інтелект. прорив у ці дні, ймовірно, що якщо не буде зроблено великий шум, щоб стверджувати протилежне, ви почуєте про машинне навчання. Як випливає з назви, машинне навчання — це створення машин, які навчаються.
Як і заголовок ШІ, машинне навчання також має кілька підкатегорій, але всі вони мають поширеною є зосереджена на статистиці здатність брати дані та застосовувати до них алгоритми, щоб отримати вигоду знання.
Існує безліч різних галузей машинного навчання, але, ймовірно, найбільше ви почуєте про...
Нейронні мережі
Якщо ви проводили якийсь час у нашому розділі Cool Tech, ви, напевно, чули про це штучні нейронні мережі. Як інспіровані мозком системи, розроблені для повторення способу навчання людей, нейронні мережі змінюють свій код, щоб знайти зв’язок між входом і виходом — або причиною та наслідком — у ситуаціях, коли цей зв’язок складний або незрозуміло.
Штучні нейронні мережі виграли від появи глибокого навчання.
Концепція штучних нейронних мереж фактично датується ще в 1940-х роках, але лише за останні кілька десятиліть він почав по-справжньому реалізувати свій потенціал: цьому сприяла поява таких алгоритмів, як «зворотне поширення”, яка дозволяє нейронній мережі коригувати свої приховані шари нейронів у ситуаціях, коли результат не відповідає тому, на що сподівався творець. (Наприклад, мережа, призначена для розпізнавання собак, яка неправильно ідентифікує кота.)
У цьому десятилітті штучні нейронні мережі виграли від появи глибоке навчання, у якому різні рівні мережі витягують різні функції, доки він не розпізнає, що шукає.
У заголовку нейронної мережі існують різні моделі потенційної мережі — с передавання і згорткові мережі імовірно, це ті, про кого варто згадати, якщо ви застрягнете поруч із інженером Google на званій вечері.
Навчання з підкріпленням
Навчання з підкріпленням це ще один вид машинного навчання. Він значною мірою натхненний біхевіористською психологією та базується на ідеї, що програмний агент може навчитися виконувати дії в середовищі, щоб максимізувати винагороду.
Як приклад, ще в 2015 році компанія Google DeepMind випустила статтю, в якій показує, як це було підготував А.І. грати в класичні відеоігри, без жодних інструкцій, окрім оцінки на екрані та приблизно 30 000 пікселів, які складали кожен кадр. Навчання з підкріпленням, призначене для максимізації балів, означало, що програмний агент поступово навчився грати в гру методом проб і помилок.
MarI/O – машинне навчання для відеоігор
На відміну від експертної системи, навчанню з підкріпленням не потрібен експерт-людина, щоб підказувати йому, як максимізувати оцінку. Замість цього він з’ясовує це з часом. У деяких випадках правила, які він вивчає, можуть бути фіксованими (як під час гри в класичну гру Atari). В інших він продовжує адаптуватися з часом.
Еволюційні алгоритми
Відомий як загальний метаевристичний алгоритм оптимізації на основі популяції, якщо ви ще не були представлені раніше, еволюційні алгоритми є іншим типом машинного навчання; призначений для імітації концепції природного відбору в комп’ютері.
Процес починається з того, що програміст вводить цілі, яких він або вона намагається досягти за допомогою свого алгоритму. Наприклад, NASA використовувало еволюційні алгоритми для розробки супутникових компонентів. У цьому випадку функція може полягати в тому, щоб придумати рішення, здатне поміститися в коробку 10 см x 10 см, здатні випромінювати сферичну або напівсферичну діаграму спрямованості та здатні працювати в певному Wi-Fi гурт.
Потім алгоритм створює кілька поколінь ітераційних дизайнів, перевіряючи кожен із них на відповідність заявленим цілям. Коли хтось врешті-решт відзначає всі правильні поля, це припиняється. Окрім допомоги NASA у розробці супутників, еволюційні алгоритми є улюбленими творцями, які використовують для своєї роботи штучний інтелект: наприклад, дизайнери цих чудових меблів.
Рекомендації редакції
- Глибоке навчання А.І. допомагає археологам перекладати стародавні таблички
- Глибоке навчання А.І. може імітувати ефекти спотворення культових гітарних богів
- Читання думок А.І. аналізує ваші мозкові хвилі, щоб здогадатися, яке відео ви переглядаєте
- Оцінювач будинків майбутнього, ймовірно, А.І. алгоритм
- Фотореалістичний А.І. інструмент може заповнювати прогалини в зображеннях, включно з обличчями
