Jak działa sztuczna inteligencja

W ostatnim czasie . Jest on stosowany praktycznie wszędzie: od sektora wysokich technologii i skomplikowanych obliczeń matematycznych do medycyny, motoryzacji, a nawet podczas pracy smartfonów. Technologie leżące u podstaw pracy AI w dzisiejszym występie, używamy na co dzień, a czasami nawet możemy nie myśleć o tym. Ale co to jest sztuczna inteligencja? Jak to działa? I czy zagrożenie?

Co to jest sztuczna inteligencja

Aby rozpocząć pozwala nam określić z terminologią. Jeśli masz ochotę sztuczna inteligencja, jak coś, zdolne samodzielnie myśleć, podejmować decyzje, i w ogóle wykazywać oznaki świadomości, to spieszę cię rozczarować. Praktycznie wszystkie istniejące do tej pory systemu nawet blisko nie «stoją» do tej definicji AI. A te systemy, co wykazują oznaki takiej aktywności, w rzeczywistości i tak działają w ramach zdefiniowanych algorytmów.

Czasami algorytmy te , ale one są takie «ramkami», w ramach których działa AI. Ma «carta» a już tym bardziej oznak świadomości maszyny nie. To jest po prostu bardzo wydajne programy. Ale oni «najlepsi». Do tego samego systemu AI nadal doskonalić. Tak i są one ustawione do końca небанально. Nawet jeśli odchylić fakt, że nowoczesny AI jest daleki od doskonałości, ma z nami bardzo wiele wspólnego.

Jak działa sztuczna inteligencja

W pierwszej kolejności AI może wykonywać swoje zadania (o których nieco później) i zdobyć nowe umiejętności dzięki głębokiemu maszynowej uczenia się. Termin ten jest też często słyszymy i używamy. Ale co on oznacza? W przeciwieństwie do «klasyczny» metod, gdy wszystkie niezbędne informacje załaduje się do systemu wcześniej, algorytmy uczenia maszynowego sprawiają, że system się rozwijać samodzielnie, analizując dostępne informacje. Co więcej, maszyna w niektórych przypadkach może też szukać samodzielnie.

Na Przykład, aby utworzyć program do wykrywania nadużyć, algorytm uczenia maszynowego działa z listą transakcji bankowych i ich końcowym wynikiem (legalne i nielegalne). Model uczenia maszynowego analizuje przykłady i opracowanie statystyczne zależności między uzasadnione i oszukańcze transakcje. Po tym, gdy podasz algorytmu dane nowej bankowości transakcji, to klasyfikuje się ją na podstawie szablonów, które подчерпнул z przykładów z góry.

Jak zwykle, im więcej danych podasz, tym bardziej dokładne staje algorytm uczenia maszynowego podczas wykonywania swoich zadań. szczególnie przydatne przy rozwiązywaniu zadań, gdzie zasady nie są określone z góry i nie mogą być interpretowane w zapisie. Wracając do naszego przykładu z relacjami bankowymi: w-sprawie na wyjściu mamy binarny system obliczania: 0 — legalna operacja, 1 — nielegalna. Ale żeby dojść do takiego wniosku systemie należy przeanalizować całą masę ustawień i jeśli wprowadzać ich ręcznie, to zajmie ci to jeden rok. Tak i przewidzieć wszystkie warianty i tak nie wyjdzie. A system, który działa w oparciu o głębokiej maszynowego uczenia się, potrafi rozpoznać coś, nawet jeśli dokładnie takiego przypadku jej wcześniej nie widziałem.

Głębokie szkolenia i sieci neuronowe

W tym czasie, jak klasyczne algorytmy uczenia maszynowego rozwiązują wiele problemów, w których jest masa informacji w postaci baz danych, są one słabo radzą sobie z, że tak powiem, «wizualnych i аудиальными» danymi w rodzaju obrazów, filmów, plików dźwiękowych, i tak dalej.

Na Przykład, tworzenie modelu prognozowania raka piersi z wykorzystaniem klasycznych metod maszynowego uczenia się wymaga , programistów i matematyków,- twierdzi badacz w dziedzinie AI Jeremy Howard. Naukowcy musieli zrobić wiele mniejszych algorytmów w celu uczenie maszynowe radziłaby sobie z przepływem informacji. Oddzielny podsystem do nauki zdjęć rentgenowskich, oddzielna — do MRI, inne — do interpretacji badań krwi, i tak dalej. Dla każdego rodzaju analizy nam potrzebna byłaby swój system. Następnie wszyscy są zjednoczeni w jeden duży system… To jest bardzo trudny i ресурсозатратный proces.

Algorytmy głębokiego uczenia się rozwiązują ten sam problem, wykorzystując głębokie , typ architektury oprogramowania, zainspirowany przez ludzki mózg (chociaż sieci neuronowe różnią się od biologicznych neuronów, zasada działania mają prawie taki sam). Komputerowe sieci neuronowe — to związku «elektronicznych neuronów», które są w stanie przetwarzać i klasyfikowania informacji. Znajdują się one jak-by «warstwami» każdy «warstwa» jest odpowiedzialny za coś innego, w końcu tworząc ogólny obraz. Na przykład, gdy ćwiczysz sieć neuronową na zdjęciach różnych obiektów, znajdzie sposoby wyodrębniania obiektów z tych obrazów. Każda warstwa neuronowych sieci wykrywa określone cechy: kształty, kolory, wygląd obiektów i tak dalej.

Powierzchniowe warstwy sieci neuronowe wykazują wspólne cechy. Głębsze warstwy już ujawnia rzeczywiste obiekty. Na rysunku schemat prosty нейросети. Kolorem zielonym oznaczone są neurony wejściowe (поступаюзая informacje), niebiesko — ukryte neurony (analiza danych), na żółto — neuron wyjściowy (rozwiązanie)

sieci Neuronowe — to sztuczny ludzkimózg?

Bez względu na podobną strukturę maszynowego i ludzkiej нейросети, oznaki naszego centralnego układu nerwowego oni nie mają. Komputerowe sieci neuronowe w istocie te same programy pomocnicze. Po prostu tak wyszło, że najbardziej wysoko zorganizowanych przez system w celu przeprowadzenia obliczeń okazał się nasz mózg. Można przecież na pewno słyszeliście wyrażenie «nasz mózg — to komputer»? Naukowcy po prostu «powtarza» niektóre aspekty jego budowy w «postaci cyfrowej». To pozwoliło tylko przyspieszyć obliczenia, ale nie wyposażyć maszyny umysłu.

To ciekawe:

Sieci Neuronowe są z lat 1950-tych (przynajmniej w postaci концепий). Ale do niedawna nie otrzymywali specjalne rozwoju, ponieważ ich tworzenie wymaga ogromnych ilości danych i mocy obliczeniowej. W ciągu ostatnich kilku lat, wszystko to stało się przystępne, dlatego нейросети i wyszły na wierzch, zdobywając swój rozwój. Ważne jest, aby zrozumieć, że dla ich pełnego pojawienia brakowało technologii. Jak ich nie brakuje i teraz, aby wyprowadzić technologię na nowy poziom.

Do czego służy głębokie szkolenia i нейросети

Istnieje kilka obszarów, gdzie te dwie technologie pomogły osiągnąć znaczący postęp. Ponadto, niektóre z nich wykorzystujemy codziennie w naszym życiu i nawet nie zastanawiamy się, co za nimi stoi.

• — to zdolność oprogramowania do rozumienia treści, zdjęć i filmów. Jest to jeden z obszarów, gdzie głębokie szkolenia zrobił ogromny postęp. Na przykład, algorytmy przetwarzania obrazów głębokiego uczenia się mogą wykrywać różne rodzaje nowotworów, chorób płuc, serca i tak dalej. I zrobić to szybciej i sprawniej lekarzy. Ale głębokie szkolenia również zakorzenione w wielu aplikacjach, które używasz na co dzień. Apple Face ID i Google Photos używają głębokiego szkolenia dla rozpoznawania twarzy i poprawy jakości zdjęć. Facebook wykorzystuje głębokie szkolenia, aby automatycznie zaznaczyć ludzi pobrania na zdjęciach i tak dalej. Widzenie komputerowe również pomaga firmom automatycznie identyfikować i blokować wątpliwe treści, takich jak przemoc i nagość. I wreszcie, głębokie uczenie się odgrywa bardzo ważną rolę w zapewnieniu możliwości samodzielnego prowadzenia pojazdów, aby mogli zrozumieć, co ich otacza.
• Rozpoznawanie głosu i mowy. Kiedy można wypowiedzieć polecenie dla twojej Google, Asysty, algorytmy głębokiego uczenia się przekształcają swój . Kilka aplikacji internetowych używają głębokiego szkolenia dla transkrypcji audio i wideo. Nawet gdy «шазамите» pieśń, sprawa wchodzą algorytmy нейросетей i głębokiego uczenia maszynowego.
• Wyszukiwanie w internecie: nawet jeśli szukasz czegoś w wyszukiwarce, aby twój wniosek został przetworzony bardziej wyraźnie i wyniki wydania były najbardziej prawidłowe, firmy zaczęły łączyć algorytmy нейросетей do swoich wyszukiwarek. Tak, wydajność wyszukiwarki Google wzrosła kilka razy po tym, jak system przeszła na głębokie uczenie maszynowe i нейросети.

Poza głębokiej nauki i нейросетей

Mimo wszystko swoje zalety, głębokie szkolenia i нейросети również mają pewne wady.

• Zależność od danych: w ogóle, algorytmy głębokiego uczenia się wymagają ogromnej ilości szkoleń danych do precyzyjnego wykonywania swoich zadań. Niestety, dla rozwiązania wielu problemów za mało danych jakościowych szkolenia do tworzenia modeli pracy.
• Nieprzewidywalność: sieci neuronowe rozwijają się w jakiś dziwny sposób. Czasami nie wszystko idzie zgodnie z planem. A czasami (nawet jeśli sieć neuronową dobrze radzi sobie ze swoim zadaniem), nawet twórcy ze wszystkich sił starają się zrozumieć, jak algorytmy działają. Brak przewidywalności sprawia, że niezwykle trudne rozwiązywanie i korygowanie błędów w algorytmach pracy нейросетей.
• Algorytmiczna przesunięcie: algorytmy głębokiego uczenia się tak dobrzy, jak i dane, na których są zapisane. Problem polega na tym, że dane treningowe zawierają często ukryte lub jawne błędy lub niedociągnięcia, i algorytmy otrzymują je «w dziedzictwo». Na przykład, algorytm rozpoznawania twarzy, wyszkolony w większości na zdjęciach białych ludzi będzie pracować mniej dokładnie na ludzi z innym kolorem skóry.
• Brak generalizacji: algorytmy głębokiej nauki są do wykonywania konkretnych zadań, ale źle generalizują swoją wiedzę. W przeciwieństwie do ludzi, model głębokiej nauki, nie będzie mógł zagrać w inną podobną grę: powiedzmy, że w WarCraft. Ponadto, głębokie uczenie się źle radzi sobie z przetwarzaniem danych, które odbiegają od jego nauczania przykładów.

Przyszłość głębokiej nauki, нейросетей i AI

Rzecz Jasna, że praca nad głęboką nauką i neuronowe sieci jest jeszcze daleka od zakończenia. Różne podejmowane są wysiłki w celu poprawy algorytmów głębokiego uczenia się. Głębokie szkolenia — to najlepsza metoda w tworzeniu sztucznej inteligencji. On staje się coraz bardziej popularne w ciągu ostatnich kilku lat, dzięki obfitości danych i zwiększenia mocy obliczeniowej. Jest główną technologią wykorzystywaną przez wielu aplikacji, których używamy na co dzień.

Ale urodzi się czy kiedykolwiek na bazie tej technologii świadomość? Prawdziwa sztuczna życie? Ktoś z naukowców uważa, że w momencie, gdy liczba powiązań między składnikami sztucznych нейросетей zbliżyć się do tego wskaźnika, co jest w ludzkim mózgu między naszymi neuronami, że coś takiego może się zdarzyć. Jednak to заявляениеbardzo wątpliwe. Aby prawdziwy SI pojawił, musimy przemyśleć podejście do tworzenia systemów opartych na AI. Wszystko to, co jest teraz — to tylko aplikacje dla ściśle ograniczonej liczby zadań. Jak by nam się nie chciało wierzyć w to, że przyszłość już nadeszła…

A jak myślisz ty? Stworzą czy ludzie SI? Podziel się opinią w naszej