#tendances | l'apprentissage

Depuis les temps anciens, les scientifiques, parmi lesquels Pascal et Leibniz, rêvé de machines capables de voir, de comprendre le monde et d'interagir avec lui. Des écrivains et des réalisateurs tels que Jules Verne, Mary Shelley, George Lucas et Steven Spielberg, a créé un audacieux apparitions venues de ces appareils intelligents. Dans ce numéro, nous allons parler de l'apprentissage de la machine, qui a déjà eu le temps de prouver que quelque part dans la profondeur des ordinateurs et des robots n'est pas très différent de personnes.

Tout ce Qui est l'apprentissage? En bref, c'est une discipline scientifique qui tente de répondre à la question suivante: «Comment peut-on programmer le système sur l'apprentissage automatique et l'amélioration de l'acquisition d'une nouvelle expérience?». La formation dans ce contexte, est de ne pas obtenir de nouvelles connaissances, et dans la reconnaissance de motifs complexes et la prise de décisions intelligentes sur la base des données disponibles. La principale difficulté liée au fait que l'ensemble de toutes les solutions possibles avec toutes les données entrantes est trop complexe à décrire. Pour résoudre ce problème, dans le cadre de l'apprentissage automatique sont développés des algorithmes qui extraient les connaissances spécifiques et les données d'expérience sur la base de statistiques et de calcul des principes.

L'Histoire d'apprentissage lui-même est très intéressant et compte déjà plus de 70 ans. En 1946, a été mis au point le premier système informatique ENIAC. L'ordinateur, c'est un calculateur jr, à l'époque s'appelait la personne qui a effectué le calcul sur le papier, et ENIAC devenu connu sous le nom de calcul de la machine. Elle a été pilotée par la main, qui est une personne, vous devez connecter les uns aux autres composants de la machine, pour se passaient de calcul. Alors, on pensait que le fait de confier une telle machine humaine, une démarche d'apprentissage et la pensée qu'il est tout à fait logique et faisable à la tâche.

Dans les années 1950 du mathématicien britannique Alan Turing a proposé un moyen de mesure de la productivité de l'apprentissage des machines. «Test de Turing» est basé sur l'idée suivante: nous pouvons déterminer que la machine est vraiment apprend que si lors de la communication avec elle, nous ne serons pas en mesure de distinguer le son de l'autre homme. Bien qu'à cette époque aucun des systèmes disponibles n'a pas pu passer le «test de Turing», définie élevé inciterait les inventeurs sur la création de très intéressantes machines.

Arthur Samuel

En 1952, Arthur Samuel de la société IBM a écrit le jeu «jeu de Dames», exhortant lui donne un tel niveau de maîtrise, pour qu'elle puisse affronter le champion du monde. Le programme d'apprentissage Samuel a eu un grand succès et aidé les joueurs professionnels de dames d'améliorer leurs compétences dans le jeu.

Une Autre étape importante a été l'émergence d'un système ELIZA, développé au début des années 60, Joseph Вайценбаумом. ELIZA a été un simulateur de psychothérapeute et a utilisé des astuces, comme une substitution de mots et récolté les réponses comme une réponse à des mots clés spécifiques. Pour la première fois confronté avec ELIZA, certains ont pris sa vie.

L'Illusion de réel, la communication se faisait sentir forte, si la personne a limité la conversation à parler de soi et de sa vie. Bien que travaillé ELIZA loin d'être parfait, il est devenu le début de l'antitype de l'électronique moderne d'aides tels que Siri et Cortana. Une autre réalisation importante, vous pouvez appeler le système MYCIN, développée au début des années 70 à l'université de Stanford par une équipe dirigée par Ted Шортлифа. Grâce à une chaîne de questions et de réponses, le système a aidé à un spécialiste médical faire le bon diagnostic au patient et à choisir le mode de traitement. MYCIN est souvent appelé le premier au monde à un système expert.

Sur le fond de l'apparition de systèmes experts apparaissaient et d'autres approches en matière d'apprentissage. En 1957, le neuroscientifique américain Frank Rosenblatt a développé перцептрон — un modèle informatique de la perception de l'information par le cerveau, mis en œuvre par la suite dans la feuille de la machine «Mark 1» et est devenu l'un des premiers dans le monde des modèles нейросетей. Le 23 juin 1960, à l'université Cornell a été présentée la première foie «Mark 1», qui a été capable de reconnaître certaines lettres de l'alphabet anglais.

Frank Rosenblatt

Pour «enseigner» перцептрон de classer les images, a été développé un méthode itérative de formation d'essais et d'erreurs, qui rappelle le processus de la formation de l'homme — la méthode de correction des erreurs. En outre, lors de la reconnaissance de telle ou telle lettre перцептрон pouvais mettre en relief les caractéristiques de la lettre, statistiquement, plus général, de малозначимые différences dans des cas individuels. Ainsi перцептрон était capable de résumer les lettres écrites d'une manière différente (par l'écriture), dans une synthèse de l'image.

Cependant, pas tous partagent la conviction que l'approche de la formation des ordinateurs à l'aide de la нейросетей est correcte. Après que le célèbre savant Marvin Minsky publiquement critiqué ce concept, des études ont été principalement axés sur la création de machines programmées sous des tâches spécifiques, qui a condamné l'industrie à la stagnation, продлившийся plus de 10 ans.

Au début des années nonante, l'apprentissage est redevenu un sujet très populaire en raison de l'intersection de l'informatique et des statistiques. Cette synergie a conduit à l'émergence d'un nouveau mode de pensée dans le domaine de l'intelligence artificielle — une approche probabiliste. Cette approche se distingue en ce qu'basé sur des volumes de données, et non pas issues de compétences, comme dans les expertssystèmes apparue auparavant. Beaucoup, aujourd'hui, de cas de réussite de l'application de l'apprentissage automatique sont la conséquence d'idées, rencontrés à l'époque.

Un aspect Important de l'apprentissage automatique est un tel phénomène, comme le Big Data ou big data. Dans le modèle, il est devenu évident que plus l'information statistique «nourrir» le système informatique, plus la probabilité de produire chez elle une vraie compréhension accordés à des données.

Grâce à l'apparition de l'Internet et le coût de périphériques de stockage de l'information, les scientifiques ont à leur disposition les volumes gigantesques de données, sur lesquelles il y a cinquante ans, les chercheurs pouvaient même pas rêver. Et cette quantité de données en croissance exponentielle. Par exemple, la biologie d'aujourd'hui dispose de 1 эксабайтом de données sur les génomes, qui est égal à 10 octets dans 18 degré. Il est prévu que en 2024, la nouvelle génération de radiotélescopes va générer une telle quantité d'informations tous les jours. Pour traiter de telles de gigantesques quantités de données, nous avons créé une nouvelle discipline scientifique, chargée de la big data — une recherche rapide, l'analyse et le classement des.

L'Un des plus grands succès des dernières années, on peut appeler la coopération scientifique Geoffrey Hinton et fondateur de la société ImageNet Fei-Fei Li, qui ensemble a considérablement avancer dans le développement de ce phénomène, comme la formation. Grâce à l'utilisation de multicouches нейросетей et des millions d'images recueillies ImageNet, les chercheurs ont réussi à atteindre, afin que les ordinateurs ont appris à percevoir l'information non pas sur la base de la logique, comme les adultes, et sur la base de données des organes de sens — c'est la façon dont il rend l'enfant, interrogeant le monde. D'après les scientifiques, la plus profonde de la formation devra permettre de s'éloigner de contrôlée de la formation et de fournir des machines de la capacité d'apprendre de façon indépendante, sans aucune instruction de la part de l'homme.

La exemple, tout en reconnaissant la justesse de cette approche, est devenu l'expérimentation, qui s'est tenu la société Google en 2012, peu de temps après qu'elle a un travail de Geoffrey Hinton. Dans l'expérience, a été utilisé 1000 serveurs avec environ 16 mille cœurs. Au cours de l'essai нейросеть analysé des 10 millions de captures d'écran aléatoires différentes vidéo de YouTube, dont pourrait avec un haut degré de précision de déterminer les images de chats. Cette expérience, passé dans le cadre d'un projet de Google Brain, a prouvé que l'approche Hinton aux machines de la formation est fidèle et est très impressionnant potentiel pour la commercialisation. Par exemple, actuellement, l'apprentissage par le biais de la consommation d'un grand nombre d'images permet avec le succès de la mise en œuvre du projet самоуправляемого la voiture Google.

une Expérience de Google avec les chats

Le Plus fortement sentir l'influence de l'apprentissage automatique, vous pouvez, quand il est intégré dans la boîte à outils d'autres techniques d'intelligence artificielle par conséquent, comme il n'a encore jamais été fait. Par exemple, le projet de DeepMind tous de la même entreprise Google a réussi à démontrer des résultats spectaculaires, en alignant profonde de l'apprentissage de la technique, appelé un enseignement renforcé. La société a établi un système de AlphaGo, qui, en mars 2015, a réussi à battre le champion du monde en chinois jeu. Contrairement à l'ordinateur IBM Deep Blue, le vainqueur d'échecs de Garry Kasparov en 1997, AlphaGo ne программировалось à l'aide de la soi-disant arbres de décision ou d'équations pour l'analyse de la situation sur le tableau. Le système est principalement étudié le jeu, en observant, comme il a été joué par des professionnels. Selon les résultats de l'observation AlphaGo a joué lui-même avec un million de partis, l'analyse des résultats et de l'édification indépendante de la stratégie.

Aujourd'Hui, l'apprentissage est activement impliqué dans notre vie et nous concerne tous, même si vous ne le remarquez pas. Il est et du système de recommandation de produits dans des magasins en ligne, et le système de filtrage de spam e-mail. Et parfois, en appelant l'assistance d'aucune compagnie, nous pouvons difficilement de déterminer parler avec nous un homme vivant ou un assistant numérique, de reconnaître la parole et donne des réponses à des questions, devinant sur le contexte.

Outre les vertus, ce phénomène est grave source de préoccupation. Il n'a même pas qu'étudient à la participation de l'homme de la machine une fois, veulent nous détruire. L'impact négatif de l'intelligence artificielle et de l'apprentissage automatique, nous nous sentons sur lui dans les prochaines années, quand à la bourse du travail seront des milliers d'administrateurs, secrétaires, interprètes, des vendeurs et des représentants de nombreuses autres professions. Après un certain temps, ils peuvent rejoindre les conducteurs, les conducteurs de train les trains et peut-être même des journalistes. Selon le forum économique Mondial, au cours des cinq prochaines années, les ordinateurs et les robots prendront cinq millions d'emplois, qui maintenant appartiennent aux gens, et qu'avec tout cela, il semble, ne pense pas à la personne.