Hvordan virker kunstig intelligens

Vi de siste årene . Det brukes nesten overalt: fra sfæren av høy teknologi og komplisert matematikk til medisin, bilindustrien og selv med smarttelefoner. Teknologien som ligger til grunn for arbeidet med AI i moderne vis, som vi bruker hver dag og noen ganger ikke engang å tenke på det. Men hva er kunstig intelligens? Hvordan fungerer det? Og er det farlig?

Hva er kunstig intelligens

Først, la oss definere terminologi. Hvis du forestille deg kunstig intelligens som noe er i stand til å tenke selvstendig, ta avgjørelser, og generelt viser tegn til bevissthet, og deretter sette til å skuffe deg. Praktisk talt alle eksisterende i dag, systemet er ikke engang i nærheten til «cost» definisjon av AI. Og de systemer som viser en slik aktivitet, det er faktisk fortsatt operere innenfor pre-definert algoritmer.

Noen Ganger er disse algoritmene , men de forblir «framework» der AI opererer. Ikke «Charta» og spesielt tegn på bevissthet har ingen biler. Det er bare en veldig produktiv programmet. Men de «de beste i bransjen». Videre, AI-systemer fortsette å øke. Ja, og de er ordnet ganske unhackneyed. Selv hvis du vil forkaste det faktum at moderne AI er langt fra perfekt, det har oss veldig mye til felles.

Hvordan virker kunstig intelligens

Først av alt AI kan utføre sine oppgaver (som senere) og å tilegne seg nye ferdigheter gjennom dype maskinlæring. Dette begrepet vi altfor ofte hører og bruk. Men hva betyr det? I motsetning til «classic» metoder, når all nødvendig informasjon er lagt inn i systemet på forhånd, maskin-læring algoritmer føre til at systemet til å utvikle seg på sine egne, studere tilgjengelig informasjon. Som dessuten maskinen i noen tilfeller også kan se for deg selv.

For Eksempel, for å lage et program for å oppdage svindel, maskin-læring algoritmen fungerer med en liste over Bank transaksjoner og deres sluttresultatet (lovlig eller ulovlig). Maskinen læring modellen vurderer eksempler og utvikler statistisk avhengighet mellom ekte og falske transaksjoner. Deretter, når du gir algoritmen detaljer om et nytt kredittkort transaksjon, han klassificeret det basert på mønstre som han tegnet fra eksempler på forhånd.

Vanligvis, jo mer data du gir, jo mer nøyaktige blir maskinlæring algoritme mens de utfører sine oppgaver. spesielt nyttige når du skal løse problemer der reglene ikke er forhåndsdefinerte, og kan ikke tolkes i binær. Tilbake til vårt eksempel med bankdrift: faktisk på å forlate vi var binære: 0 — en legitim drift, 1 — ulovlig. Men for å nå denne konklusjonen, systemet krever for å utføre en hel haug av parametere og hvis du gjør dem til manuelt, så det vil ta mer enn ett år. Og å forutsi alle alternativer alle det samme vil ikke fungere. Et system basert på dyp machine learning vil være i stand til å gjenkjenne noe, selv om akkurat et slikt tilfelle hun aldri har møtt før.

dybdekunnskap og nevrale nettverk

På den tiden, som en klassiker machine learning algoritmer for å løse mange problemer, som det er mye av informasjon i databaser, trenger de ikke å takle, så å si, «visuelle, auditive» data som for eksempel bilder, videoer, lydfiler og så videre.

For Eksempel, å skape prediktive modeller for brystkreft ved hjelp av en klassisk machine learning tilnærminger krever programmerere og matematikere, sier en forsker i feltet av AI Jeremy Howard. Forskere ville ha å gjøre en rekke mindre algoritmer for maskinlæring å takle flyt av informasjon. Et eget subsystem for å studere x-ray bilder, privat — for MR, den andre — for tolkningen av blodprøver, og så videre. For hver analyse, ville vi trenge sitt eget system. Da de alle sammen til ett stort system… Dette er en svært vanskelig og ressurskrevende prosess.

Dybdekunnskap Algoritmer for å løse det samme problemet med dype typen programvare arkitektur, inspirert av den menneskelige hjernen (selv om nevrale nettverk er forskjellig fra biologiske nevroner, prinsippet om drift er nesten det samme). Nevrale nettverk — koblinger «elektronisk nevroner», som er i stand til å behandle og klassifisere informasjon. De er hvordan-til «lag» alle «lag» er ansvarlig for noe som til slutt danner et helhetlig bilde. For eksempel, når du trener en nevrale nettverk på bilder av ulike gjenstander hun finner måter å trekke ut elementer fra disse bildene. Hvert lag av nevrale nettverk oppdager visse egenskaper: form av gjenstander, farge på objekter og så videre.

en Overfladisk lag av nevrale nettverk oppdage vanlige funksjoner. De dypere lag allerede avslører den faktiske objekter. Figur et diagram av en enkel nevrale nettverk. Grønn representerer input nevroner (postupala informasjon), blå — skjult nevroner (dataanalyse), gul — utgang nevron (vedtak)

Nevrale nettverk — er et kunstig menneskehjernen?

Til Tross for lignende struktur av maskin og menneske nevrale nettverk, egenskaper av våre Sentrale nervesystemet de ikke er i besittelse av. Datamaskinen nevrale nettverk er i hovedsak de samme verktøy. Bare så skjedde at de fleste svært godt organisert system for beregninger viste seg å være hjernen vår. Du har sikkert hørt uttrykket «våre hjerner — denne datamaskinen»? Forskere bare «gjentatt» noen aspekter av dets struktur i «digital form». Det er kun tillatt å fremskynde beregninger, men ikke for å gi maskiner med bevissthet.

Dette er interessant:

Nevrale nettverk har eksistert siden 1950-tallet (minst i form concepi). Men inntil nylig, de fikk ikke mye utvikling, fordi deres skapelse kreves enorme mengder data og databehandling. I de siste årene det ble tilgjengelig, så det nevrale nettverket og kom til syne etter hans utvikling. Det er viktig å forstå at for deres full utseende manglet teknologi. Som de ikke har nå for å bringe teknologi til et nytt nivå.

hvorfor bruke dybdekunnskap og nevrale nettverk

Det er flere områder der disse to teknologiene bidratt til å oppnå betydelig fremgang. Dessuten, noen av dem vi bruker hver dag i vårt liv, og ikke engang tenke på hva som er bak dem.

— er evne av programvaren til å forstå innholdet av bilder og videoer. Dette er et av områdene hvor dypt læring har gjort stor fremgang. For eksempel, image processing algoritmer dyp læring kan oppdage ulike typer kreft, lungesykdommer, hjerte og så videre. Og for å gjøre det raskere og mer effektiv leger. Men dypt læring er også forankret i mange av appene som du bruker hver dag. Apple og Google Face ID-Bilder bruke dype lære å gjenkjenne ansikter og forbedre kvaliteten på bilder. Facebook bruker dybdekunnskap for å automatisk merke folk i opplastede bilder og så videre. Computer vision også hjelper bedrifter til å automatisk identifisere og blokkere tvilsomt innhold, for eksempel vold og nakenhet. Og til slutt, dyp læring spiller en svært viktig rolle i å sikre at selvkjørende biler, slik at de kan forstå sine omgivelser.

• Talegjenkjenning og tale. Når du sier kommandoen for Google-Assistent, algoritmer, dybdekunnskap, forvandle din . Flere online-programmer ved hjelp av dype lære å transkribere lyd-og videofiler. Selv når du «catamite» sang, i tilfelle involverer algoritmer, nevrale nettverk, og dyp maskinlæring.
• søk på nettet: selv om du er på jakt etter noe i en søkemotor, for at din forespørsel vil bli behandlet på en mer nøyaktig måte, og resultatene var mest riktig, begynte selskapet å koble algoritmer av nevrale nettverk til sine søkemotorer. Så, ytelse av søkemotoren Google har økt flere ganger etter at systemet ble slått til dyp maskinlæring og nevrale nettverk.

Grensene for dyp læring og nevrale nettverk

Til Tross for alle sine fordeler, dyp læring og nevrale nettverk har også noen ulemper.

en
• Avhengighet på data: Generelt, dyp læring algoritmer krever en enorm mengde trening data nøyaktig fullføre sine oppgaver. Dessverre, for løsningen på mange problemer med utilstrekkelig kvalitet trening data for å lage arbeider modeller.
• Uforutsigbarhet: nevrale nettverk er på en merkelig måte. Noen ganger er alt går som planlagt. Og noen ganger (selv om nevrale nettverk takler godt med sin oppgave), selv skaperne sliter med å forstå hvordan algoritmene arbeid. Mangel på forutsigbarhet gjør det ekstremt vanskelig å feilsøke og rette feil i algoritmene for nevrale nettverk.
• Algoritmisk offset: algoritmer dyp læring er bare så god som de dataene som de er utdannet. Problemet er at trening data inneholder ofte skjulte eller åpenbare feil eller utelatelser, og algoritmer få sine «arvet». For eksempel ansiktsgjenkjenning algoritme, trent for det meste i bilder av hvite mennesker vil jobbe mindre nøyaktig på mennesker med annen hudfarge.
• Mangel på aggregering: dybdekunnskap algoritmer er gode til å utføre målrettede oppgaver, men dårlig generalisere sin kunnskap. I motsetning til mennesker, modellen av dyp læring , vil ikke være i stand til å spille en annen lignende spill: si, i WarCraft. I tillegg dybdekunnskap ikke takle data som avviker fra sin trening eksempler.

Fremtiden for dyp læring, nevrale nettverk, og AI

Det er Tydelig at arbeidet på dyp læring og nevrale nettverk er fortsatt langt fra å fullføre. Ulike tiltak blir gjort for å forbedre dybdekunnskap algoritmer. Dyp læring — det er en grei teknikk i å skape kunstig intelligens. Det blir stadig mer populært i de siste årene, takket være overflod av data og økt datakraft. Dette er den grunnleggende teknologien som ligger til grunn for mange av de programmene vi bruker hver dag.

Men er født noensinne på grunnlag av denne teknologien bevissthet? Ekte kunstig liv? En av forskerne mener at i en tid da antall forbindelser mellom komponenter av kunstige nevrale nettverk for å nærme seg den samme figuren som du har på den menneskelige hjerne mellom våre nevroner, noe sånt som dette kan skje. Imidlertid, dette zayavleniemeget tvilsomt. For en ekte AI dukket opp, vi trenger å revurdere tilnærmingen til utvikling av systemer basert på AI. Alt som er nå — dette er bare et program til en strengt begrenset utvalg av oppgaver. Så hvis vi ikke vil tro at fremtiden er nå…

Hva tror du? Føre til at folk av AI? Del gjerne din mening i vår