Исследование: насколько искусственный интеллект должен быть умным?

Искусственный интеллект: насколько умными могут стать роботы, исследующие космос

Искусственный интеллект: насколько умными могут стать роботы, исследующие космос

Когда робот погружается в океан на ледяном спутнике, например возле Сатурна или Юпитера, главная проблема для него заключается в принятии решения, а что же делать дальше. Даже когда речь идет о скорости света, информации потребуется несколько часов, чтобы достичь Земли и вернуться обратно.

Это означает, что каждый робот-исследователь должен быть достаточно умен, чтобы избежать опасности и решить, какую именно информацию стоит отправить ученым.

Эти вопросы волновали Йогеша Гердхара, ученого из Океанографического института в Вудс-Холе, штат Массачусетс. В рамках своей докторской диссертации он переделал «интеллект» подводного робота Aqua.

Обратите внимание

Подводные роботы в какой-то мере схожи с космическими, так как тоже сталкиваются с трудностями при общении.

«Марс находится на своего рода границе. Люди не могут напрямую управлять роботами за ее пределами, проводя исследования», — говорит Гердхар. «Передача данных представляет собой сложность.

Здесь на Земле мы не можем все время получать потоковое HD-видео с Марса в режиме реального времени. Примерно тоже происходит и под водой. Там нет радиоволн. Из-за соленой воды всё, что мы можем использовать – это акустический модем. Пропускная способность при этом очень низкая.

Мы можем получить данные с Марса значительно быстрее, нежели от робота, находящегося в толще воды».

Ключ к решению данной проблемы, по мнению Гердхара, кроется в том, чтобы научить робота самостоятельно распознавать, что необычно и что действительно имеет значение. Когда робот замечает что-то редкое, не исключено, что это имеет ценность для ученых.

Типичный подводный робот на Земле может выполнять простые задачи, например, перемещаться по заранее заданным маршрутам. По пути он делает тысячи или даже сотни тысяч снимков. Как не запутаться во всех этих данных? Гердхар верит в силу распознавания образов.

Идея заключается в том, чтобы создать искусственный интеллект, который может смоделировать любой предмет, открывающийся его взору, а также то, чему соответствует данный предмет. Так, например, под водой робот ожидал бы увидеть много песка и камней. С течением времени, он бы создал бы базу данных из различных объектов, связанных с этими типом местности.

«Представьте себе, что робот, заметил коралловый риф. Понятно, что он отличается от песка и камней, и робот вполне может посчитать его «интересным», — говорит Гердхар. Если запрограммировать механизм так, что приоритетом для него станут более необычные предметы, робот сможет затрачивать больше времени на их исследование и отправлять эти фотографии обратно на Землю.

«Робот делает эти открытия без подготовки», — добавляет Гердгар. «Изначально он не располагает никакой информацией. Когда речь идет о совершенно новой планете, у нас нет никаких конкретных сведений о ней. Все, что у нас есть — это спутниковая съемка. Поэтому мы не хотим быть предвзятыми».

Источник: www.astronews.ru

  • Tweet
  • Share 0
  • +1
  • VKontakte

Источник: http://sensationalnews.net/archives/16995

С чего начать изучение искусственного интеллекта?

Машинное обучение и искусственный интеллект уже давно и прочно вошли в повседневную жизнь. Однако специалистов в этой области до сих пор очень мало. С чего же начать изучение сферы ИИ? На этот вопрос ответили пользователи сайта Quora.

Шриканс Варма Чекури, преподаватель и исследователь в сфере машинного обучения

Я работаю преподавателем онлайн-курса по изучение искусственного интеллекта и машинного обучения.

Этот курс создан для новичков, у которых нет никаких знаний в данной сфере, которые, однако, готовы на протяжении 5-6 месяцев тратить 5-10 часов в неделю на изучение машинного обучения.

По окончании данного курса многие наши студенты действительно решают существующие задачи при помощи ИИМО.

Работа курса построена следующим образом:

Важно

Мы начинаем с базовых знаний об Python, включая изучение крупных библиотек данных, таких как NumPy, SciPy, MatPlotlib, Seaborn и др. Среди множества языков программирования мы выбираем Python (а не Java или, к примеру, R), потому что этот язык достаточно легко изучить. Кроме того, для него существует огромное количество отличных библиотек для ИИМО.

Как только усвоен базовый уровень программирования, участники курса учатся работать с данными, используя Python в качестве инструмента программирования. Данный этап носит название «Исследовательский анализ данных» и включает в себя использование инструментов для построения диаграмм, что облегчает работу с данными.

На этом этапе изучаются базовые понятия, такие как гистограмма, PDF, CDF, точечная и прямоугольная диаграммы и другие. Анализу подвергаются реально существующие массивы данных.

Благодаря использованию диаграмм для осуществления анализа данных, уже на начальных этапах обучения студенты могут увидеть результат проделанных ими исследований, что, несомненно, мотивирует их на дальнейшую работу.

После мы переходим к изучению статистики и теории вероятности. Данный блок информации воспринимается участниками курса легче, учитывая то, что на предыдущем этапе велась работа с данными.

Участники курса знакомятся с такими понятиями, как распределение вероятностей, тестирование гипотезы, корреляция, доверительные интервалы и многое другое.

При помощи простых примеров, разбавляющих «сухую» теорию, данная тема воспринимается намного лучше.

Дальше мы переходим к линейной алгебре. Хоть многим людям намного проще воспринимать зрительную информацию, поэтому диаграммы и геометрия намного легче для восприятия, чем уравнения, все же базовые знания в линейной алгебры необходимы. 

Теперь можно перейти непосредственно к основам машинного обучения. Мы используем Метод главных компонент (PCA) и алгоритм t-SNE для визуализации многомерных переменных. Однако в качестве базиса для извлечения математических деталей используется геометрия.

Изучив все необходимые основы, можно переходить к главным алгоритмам машинного обучения. Что касается уравнений – они начинают нравиться студентам только тогда, когда студенты в них разобрались и могут с легкостью их читать. Поэтому мы подаем уравнения в форме описательных предложений, что помогает студентам быстрее разобраться в них и получить более четкое представление о происходящем.

По моему опыту, изучение каждой отдельной техники необходимо сочетать с параллельной работой над действительно существующей задачей той же направленности. В нашем курсе изучается более 25 техник машинного обучения и 5 техник глубокого обучения.

Совет

Если у вас есть свободное время, то неплохо было бы использовать каждый отдельный метод на практике. Это даст вам более глубокое понимание того, каким образом функционирует каждый алгоритм в машинном обучении.

Кроме того, студенту также необходимо понять и разобраться, как наиболее эффективно применять различные методы, в каких случаях метод работает не лучшим образом и что делать, если метод плохо работает.

Читайте также:  В тренировках российских футболистов задействуют искусственный интеллект

Также, для более глубокого погружения в машинное обучение необходимо разбираться в базовой математике и применять различные техники для решения многочисленных задач, существующих в данной области.

Источник: https://www.kv.by/post/1055397-s-chego-nachat-izuchenie-iskusstvennogo-intellekta

8 новых профессий в сфере искусственного интеллекта

Источник: https://8d9.ru/8-novyx-professij-v-sfere-iskusstvennogo-intellekta

Революция искусственного интеллекта (Часть 1) – Мир прогнозов

Дорога к сверхинтеллекту

Что такое ИИ?

Если вы похожи на меня, то для вас искусственный разум — это выдумка из мира фантастики, и вы не до конца понимаете суть, когда слышите, как это обсуждают серьезные ученые. Есть несколько причин, по которым людей смущает термин ИИ.

1) Мы связываем его с фильмами. Звездные войны, Терминатор, Космическая одиссея–2001 с вымышленными персонажами — роботами, которые заставляют нас думать об ИИ как о каком–то художественном вымысле.

2) ИИ — очень широкая тема. Он может быть представлен как в виде калькуляторов, так и в виде самоуправляемых автомобилей или даже чего–то, что в будущем сильно изменит нашу жизнь. ИИ относится ко всем этим вещам, что и приводит к путанице.

3) Мы пользуемся им в повседневной жизни, не осознавая того, что это искусственный интеллект. Джон Маккарти, который в ввел термин “искусственный интеллект” в 1956 году, жаловался: “Стоит ему действительно заработать, как все сразу перестают называть его ИИ.

” Из–за этого феномена термин звучит больше как нечто из разряда фантастики. В тоже время это звучит и как популярная концепция, которая так и не была реализована.

Курцвейл говорил, что часто слышит, как люди говорят что идея ИИ изжила себя еще в 80–х, таких людей он сравнивает с теми, кто утверждает, что интернет умер с пузырем доткомов.

Итак, давайте внесем некую ясность. Первым делом перестаньте думать о роботах. Робот — это всего лишь оболочка ИИ, которая иногда подражает человеческому образу, но ИИ — это только компьютер внутри робота. ИИ – это мозг, а робот — это тело, если оно вообще есть.

Например, помощник в iOS Siri (которая, кстати, скоро заговорит по–русски — прим. пер. ) — это ИИ, а женский голос — это персонификация ИИ, и при этом нет никакого робота. Во–вторых, вы наверное слышали термин «сингулярность» или «технологическая сингулярность».

Обратите внимание

Этот термин используется в математике, чтобы описать ситуацию, при которой обычные законы уже не действуют. В физике он используется для того, чтобы описать феномены вроде черной дыры или состояния, в котором пребывала Вселенная до Большого Взрыва.

В 1993–м году Вернор Виндж использовал этот термин в своем знаменитом эссе, чтобы описать поворотный момент в истории, когда искусственный интеллект превысит человеческий, то есть жизнь изменится, и обычные правила будут неприменимы.

Рэй Курцвейл потом еще немного запутал все, определив сингулярность как момент, когда ускоряющаяся отдача достигнет такого пика, при котором технологический прогресс начнет происходить в бесконечном темпе, после чего мы будем жить в совершенно ином мире.

Как я заметил, сегодняшние исследователи ИИ не особо прибегают к этому термину, в любом случае он всех запутывает, так что я не буду приводить его здесь часто (хотя мы сосредоточим наше внимание на этой идее на протяжении всего текста).

Наконец, существует множество различных видов и форм ИИ, и, как мы уже решили — это в целом очень широкое понятие. Критические категории, которыми нам следует мыслить в вопросах ИИ, можно разделить на три основных уровня:

1) Слабый Искусственный Интеллект (ANI) — это такой ИИ, который специализируется в одной области. Есть ИИ, способный победить в чемпионате мира по шахматам, но это все, что он умеет. Скажи ему организовать информацию на жестком диске удобным способом, и он посмотрит на тебя пустым 1010101–взглядом.

2) Сильный Искусственный Интеллект (AGI), также известный как ИИ человеческого уровня, — это компьютер, способный решить любую умственную задачу, которую способен решить человек. Создать AGI намного сложнее, чем ANI, и нам это только предстоит сделать. Профессор Линда Готтфредсон описывает интеллект как «очень общую психическую способность, которая, помимо всего прочего, включает в себя способность рассуждать, планировать, решать проблемы, мыслить абстрактно, понимать сложные идеи, быстро учиться и учиться на опыте» AGI будет справляться со всем этим с такой же легкостью, как и вы.
3) Искусственный сверхинтеллект (ASI). Оксфордский философ и ведущий мыслитель в области ИИ Ник Бостром определяет ASI как «интеллект, который намного умнее лучших человеческих умов практически в любой сфере, в том числе научного творчества и социальных навыков». ASI, в свою очередь, варьируются от компьютеров, которые немного умнее человека, до тех, которые превышают возможности человеческого разума по всем направлениям в триллионы раз. ASI – причина по который ИИ — настолько острая тема, что в этом посте скоро появятся слова «аморальность» и «вымирание». На сегодняшний день люди покорили ИИ только самого мелкого калибра, ANI, и теперь они повсюду. Революция Искусственного интеллекта – это путь от ANI через AGI к ASI. Дорога, которую мы переживем, а может и нет, но в любом случае она изменит абсолютно все. Давайте внимательно посмотрим на то, каким видят этот путь ведущие мыслители в этой области и почему эта революция может произойти намного раньше, чем вы могли бы себе представить:

Сейчас весь мир работает на ANI

Источник: http://www.MirPrognozov.ru/prognosis/science/doroga-k-sverhintellektu/

Искусственный интеллект сможет стать в будущем “расширителем” памяти человека – ученые

В своем выступлении на конференции TED 2017 Том Грубер (Tom Gruber), один из руководителей компании Apple Inc.

, приложивший свою руку к созданию системы-помощника Siri, продемонстрировал еще одну возможность использования систем искусственного интеллекта.

С его точки зрения, ИИ сможет стать в будущем чем-то вроде “расширителя” памяти человека, помогая ему преодолеть некоторые недостатки, обусловленные физиологией.

Том Грубер отметил, что благодаря широкому использованию различных интернет-технологиий и распространенности устройств типа смартфонов и планшетных компьютеров в сети уже сейчас находится достаточно большое количество информации, касающейся каждого конкретного человека. И специализированная система искусственного интеллекта, способная собрать все данные, может стать “резервной памятью” человека, который начинает терять воспоминания вследствие болезни Альцгеймера или склероза, к примеру.

Но не только пожилые люди и люди с отклонениями смогут получить выгоду от использования искусственного интеллекта в ипостаси, предлагаемой Томом Грубером. “Сверхинтеллект может дать человеку сверхспособности, – пояснил Грубер. – Поскольку создаваемые нами машины становятся более умными, мы тоже становимся такими же.

Внедрение искусственного интеллекта позволит создать команду с человеком, каждый из членов которой будет прилагать все усилия к достижению целей или удовлетворению потребностей человека.

Важно

И вопрос “насколько умными мы можем сделать наши машины?” уже должен звучать несколько по-иному – “насколько умными могут сделать нас наши машины?”.

“Я не могу пока сказать, сколько времени и что именно потребуется для создания симбиоза искусственного интеллекта и человека. Но я считаю, что момент появления такого симбиоза наступит неизбежно, – продолжил Том Грубер.

– Что если бы вы могли иметь память, столь же хорошую, как компьютерная память? К примеру, вы смогли бы помнить каждого человека, которого вы когда-либо встречали, его имя, его интересы и даже точное содержание вашего последнего разговора”.

Идеи, высказанные Томом Грубером, достаточно сильно перекликаются с идеями, высказанными в свое время Реем Курцвейлом (Ray Kurzweil), известным футурологом.

“Как только нам удастся реализовать полноценные модели и алгоритмы машинного изучения и самообучения, наши машины станут способны к распознаванию образов, к выработке решений и обретут другие качества человека.

Только при этом они смогут использовать все преимущества своей компьютерной природы – скорость поиска и обработки информации, огромные объемы памяти и возможность быстрого обмена знаниями с другими компьютерными системами”.

В своем выступлении Том Грубер отдельно отметил, что системы искусственного интеллекта, выступающие в роли помощников и памяти человека, должны быть полностью безопасными.

“Если такая система позволяет вам вспомнить то, что вы сами вспомнить не в состоянии, то такой возможностью может воспользоваться и посторонний человек, – подчеркнул Грубер.

– В лучшем случае эта информация может быть использована против вас, но возможны и варианты, что некто сможет заставить вас вспомнить то, чего не было на самом деле”.

Несмотря на привлекательность всех вышеприведенных идей с одной стороны и ужасающей обратной стороны этой медали, все идет к тому, что такие идеи рано или поздно будут воплощены в реальности.

На это указывают как увеличение в последнее время разработок в области искусственного интеллекта, так и достижения в области создания интерфейсов типа мозг-компьютер, которые в будущем позволят сделать искусственный интеллект расширителем возможностей человека.

Источник: www.dailytechinfo.org

Источник: https://www.interfax.by/news/world/1223599

Развитие Искусственного Интеллекта: на пути к Сверхразуму

«Мы находимся на пороге величайших изменений, сравнимых с эволюцией человека», — Писатель-фантаст Вернор Стефан Виндж

Что бы вы почувствовали, если бы узнали, что стоите на пороге грандиозных изменений, как человечек, изображенный на графике ниже?

Вертикальная ось — развитие человечества, горизонтальная ось — время

Волнующе, не правда ли?

Однако если скрыть часть графика, то все выглядит куда более прозаично.

Далекое будущее уже не за горами

Представьте себе, что вы очутились в 1750 году. В те времена люди еще не слышали об электричестве, общение на расстоянии осуществлялось при помощи факелов, а единственное средство передвижения перед поездкой необходимо было накормить сеном.

И вот вы решаете взять с собой «человека из прошлого» и показать ему жизнь в 2016 году. Невозможно даже представить себе, что бы он почувствовал, очутившись на широких ровных улицах, по которым носятся автомобили.

Совет

Ваш гость невероятно удивился бы тому, что современные люди могут общаться, даже если находятся на разных сторонах Земного шара, следить за спортивными мероприятиями в других странах, смотреть концерты 50-летней давности, а также сохранять любой момент времени на фото или видео.

А если рассказать этому человеку из 1750 года об Интернете, Международной космической станции, Большом адронном коллайдере и Теории относительности, его представление о мире наверняка бы рухнуло. Он мог бы даже умереть от переизбытка впечатлений.

https://www.youtube.com/watch?v=EFd1uWNT0AU

Но вот что интересно: если ваш гость вернулся бы в свой «родной» век и решил осуществить аналогичный эксперимент, прокатив на машине времени человека из 1500 года, то хотя прибывшего из прошлого тоже могло бы многое удивить, его опыт не был бы таким же впечатляющим — разница между 1500 и 1750 годами не настолько ощутима, как между 1750 и 2016-м.

Если человек из 18 века захочет произвести впечатление на гостя из прошлого, то ему придется пригласить кого-то, жившего в 12 000 году до нашей эры, еще до Великой аграрной революции.

Он действительно мог бы быть «сражен наповал» развитием технологий.

Увидев высокие колокольни церквей, корабли, бороздящие просторы океанов, города с тысячами жителей, он лишился бы чувств от нахлынувших эмоций.

Темпы развития технологий и общества постоянно увеличиваются. Известный американский изобретатель и футуролог Рэймонд Курцвейл называет это термином «Закон ускорения истории».

Так происходит потому, что внедрение новых технологий позволяет обществу развиваться все более быстрыми темпами. Например, люди, жившие в 19 столетии, обладали более развитыми технологиями, чем в 15-м.

Поэтому неудивительно, что 19 век принес человечеству больше достижений, чем 15-й.

Но если технологии развиваются все быстрее и быстрее, нам следует ожидать множество величайших изобретений в будущем, не так ли? Если Курцвейл и его единомышленники правы, то в 2030 году мы испытаем такие же эмоции, как и человек, попавший из 1750 года в наш. А к 2050 году мир настолько изменится, что мы с трудом сможем различить в нем черты предшествующих десятилетий.

Обратите внимание

Все вышесказанное не является фантастикой — это научно подтверждено и вполне логично. Однако многие все еще скептически воспринимают подобные заявления. Так происходит по ряду причин:

1. Многие считают, что развитие общества происходит равномерно и прямолинейно. Когда мы думаем о том, каким будет мир через 30 лет, мы вспоминаем, что же произошло за последние 30 лет.

В этот момент мы совершаем такую же ошибку, как и человек из примера выше, живший в 1750 году и пригласивший гостя из 1500 года.

Чтобы правильно представить себе предстоящий прогресс, нужно вообразить, что развитие происходит куда более быстрыми темпами, чем в далеком прошлом.

2. Мы неправильно воспринимаем траекторию развития современного общества.

Например, если мы посмотрим на небольшой отрезок экспоненциальной кривой, нам может показаться, что это прямая линия (так же, как если бы мы смотрели на часть окружности).

Однако экспоненциальный рост не является ровным и гладким. Курцвейл объясняет, что прогресс представляет собой s-образную кривую, как показано на графике ниже:

Каждый «виток» развития начинается с внезапного скачка, который затем сменяется устойчивым и постепенным ростом.

Итак, каждый новый «виток» развития делится на несколько этапов:

1. Медленный рост (ранняя фаза развития); 2. Быстрый рост (вторая, «взрывная» фраза развития);

3. «Выравнивание», когда новая технология доводится до совершенства.

Источник: https://lpgenerator.ru/blog/2016/05/20/razvitie-iskusstvennogo-intellekta-na-puti-k-sverhrazumu/

Искусственный интеллект: как научить машины учиться, как люди

Используя человеческий мозг в качестве модели, машинное обучение учит AI, как изучать новые вещи, распознавать закономерности и принимать решения.

Тому, чему мы должны научиться, мы учимся, делая…”, сказал Аристотель. Сегодня эмпирическое обучение не распространяется только на людей – машины все больше способны ощущать, рассуждать, действовать и адаптироваться на основе приобретенного опыта.

Маловероятно, что древнегреческий философ когда-либо мечтал, чтобы AI-машины тоже учились делая, чтобы улучшить прецизионную медицину и беспилотные автомобили, и даже анализировать данные, используя процессы, подобные его собственным логическим системам.

Ученым-компьютерщикам потребовалось более 60 лет, чтобы выяснить, как сделать машины умнее, эта работа продолжается и сегодня. Оказывается, между “делать” и “говорить”  есть огромная разница для целей машинного обучения (ML).

Важно

В первых попытках создать искусственный интеллект исследователи пытались рассказать компьютерам все, что им нужно было знать. Когда эти прямые инструкции потерпели неудачу, ученые начали использовать стратегии машинного обучения, позволяя программам AI самостоятельно анализировать и учиться на входящих данных. Это был разумный шаг.

Бурное развитие методик обучения началось с конвергенции трех вещей. Высокая производительность компьютера, доступ к большему количеству данных в Интернете (включая текст, видение, изображения и данные датчиков), а также аннотирование или добавление заметок к данным – эти три фактора значительно улучшили способность систем AI обучаться.

Сегодня сочетание программного обеспечения, аппаратного обеспечения и Интернета помогает разработчикам программного обеспечения мощных AI-приложений, которые могут делать практически все, что угодно, от обнаружения финансового мошенничества, до выигрыша в интеллектуальных играх, даже для общения с клиентами в Интернете.

Как обучаются умные машины

Во многих отраслях промышленности сегодня компьютерное обучение опирается на компьютерные программы, которые могут учиться на данных и улучшать свой опыт без прямого программирования. 

Самое большое преимущество машинного обучения заключается в том, что оно позволяет нам делать что-то гораздо быстрее, чем мы могли бы сделать традиционными способами. ML не может решить проблемы, которые человек в принципе не может решить, но оно может анализировать огромный объем данных и очень быстро строить связи и прогнозы на их основе.

В играх, например, алгоритмы машинного обучения могут анализировать игровой процесс, чтобы прогнозировать ходы и создавать более сложных противников. В производстве понимание данных может помочь компаниям предвидеть необходимость ремонта и улучшить профилактическое обслуживание.

И в области здравоохранения AI может анализировать медицинские базы данных о множестве заболеваний, помогая врачам быстрее и точнее ставить диагнозы.

Машинное обучение основано на одной из самых мощных вычислительных машин – нейронных сетях  человеческого мозга.

Искусственные нейронные сети (ANN) используют алгоритмы для изучения вещей, распознавания закономерностей и принятия решений. Они имитируют то, как мозг человека решает проблему, – принимая входные данные, обрабатывая их и генерируя выходную информацию.

Нейронные сети понимают, какая информация важна, а какая нет при помощи “весов”. Искусственные нейроны соединяются друг с другом по всей сети, взвешивая соединения, чтобы анализировать, насколько сильно один нейрон влияет на другой. Веса корректируются с помощью учебной программы, которая учит нейронной сети, как правильно реагировать на входные данные.

Программы глубокого обучения (DL) выполняют многоуровневые вычисления. Результаты из одного слоя передаются для анализа в следующий уровень для создания более комплексного понимания данных.

Совет

Например, нейронные сети, которые анализирует изображения зданий, могут обнаруживать края в одном слое, а затем распознавать, что эти края образуют прямоугольник в следующем слое. В следующем слое они распознают прямоугольник как здание и, наконец, в последнем слое, они определяют, что здание было небоскребом или сараем.

Разработчики программного обеспечения делают нейронные сети способными обучаться, анализируя огромные наборы данных. Сырые данные сами по себе не так полезны, поэтому разработчики аннотируют или добавляют примечания к входным данным с «правильным» пониманием, как бы маркируют их для машины.

Аннотирование данных является одним из важнейших компонентов успеха машинного обучения.

Самообучающиеся компьютеры

Благодаря машинному обучению компьютеры учатся, не будучи линейно запрограммированными. Разработчики программного обеспечения создают алгоритмы обучения, позволяя нейронным сетям улучшаться, поскольку со временем они впитывают все большее количество новых данных.

Алгоритмы обучения состоят из трех подмножеств: контролируемое, полуконтролируемое и неконтролируемое обучение. Первые два требуют больших наборов учебных данных для определения желаемых результатов.

Например, чтобы создать алгоритм обнаружения лиц, разработчики могут предоставлять изображения ландшафтов, людей и животных с соответствующими ярлыками, пока машина не сможет достоверно распознать лицо в немаркированном изображении.

Третий и святой Грааль, для большей части процессов машинного обучении, – это “неконтролируемое обучение».

В этом неконтролируемом подходе, программа определяет, что означают те или иные данные самостоятельно. Вместо предоставления маркированных изображений разработчики позволяют машине группировать изображения на основе общих характеристик, которые люди могут и не видеть.

Инструменты для создания AI

Несмотря на кажущуюся таинственность искусственного интеллекта, инструменты для создания интеллектуальных систем на самом деле широко доступны.

Современное развитие не использует старые специализированные языки, такие как Lisp и Prolog.

Разработчики теперь полагаются на языки общего назначения, такие как Python, Java и C ++.

И есть отличные инструменты для контролируемого обучения.

Обратите внимание

Некоторые программы, такие как Caffe, Theano, MXNet и TensorFlow, оптимизированы для работы на оборудовании Intel.

Высокопроизводительные чипы, такие как процессор Intel Xeon, могут выполнять высокоскоростное матричное ускорение, требуемое для алгоритмов машинного обучения.

Сегодня ученые в восторге от прогресса растущей способности AI принимать решения на основе анализа и конвергенции различных типов данных. Как и люди, машины будут продолжать улучшаться в процессе обучения.

Подробней, фото 1, 2, 3, 4, 5

Источник: https://golos.io/ru–tekhnologii/%40konstantin/iskusstvennyi-intellekt-kak-nauchit-mashiny-uchitsya-kak-lyudi

Ссылка на основную публикацию
Adblock
detector