#trender - | Maskin lärande

Sedan urminnes tider, forskare, inklusive Pascal och Leibniz, drömt om maskiner, är i stånd att se, att förstå världen och interagera med det. Författare och Regissörer, som Jules Verne, Mary Shelley, George Lucas och Steven Spielberg skapade ett djärvt utseende sådana smarta enheter. I detta avsnitt talar vi om machine learning, som redan har lyckats bevisa att det någonstans i djupet av datorer och robotar är inte mycket annorlunda från andra människor.

Vad är lärande? I ett nötskal, är den vetenskapliga disciplin som försöker svara på följande fråga: "Hur kan vi programmera systemet för automatisk inlärning och bättre med nya erfarenheter?". Utbildning i detta sammanhang består inte av att förvärva nya kunskaper, utan i att känna igen komplexa mönster och göra intelligenta beslut baserat på tillgänglig data. Den största svårigheten härrör från det faktum att mängden av alla möjliga lösningar när all inkommande data är för komplicerat att beskriva. För att lösa detta problem inom ramen för lärande utvecklar algoritmer för att extrahera kunskap från specifika data och erfarenheter på grundval av statistiska och matematiska principer.

Den Historia av maskininlärning i sig är mycket intressant och har mer än 70 år. 1946, utvecklade han den första datorn ENIAC. Den dator som är en kalkylator i dessa dagar kallades personer som utför beräkningar på ett papper, men DET var kallas en design maskinen. Det var kontrolleras manuellt, det är den person som du behöver för att ansluta till varandra maskinkomponenter att beräkna. Det ansågs att beviljandet av en sådan maskin en human inställning till lärande och tänkande var logisk och realistisk uppgift.

I 1950, Brittiske matematikern Alan Turing föreslagit en metod för att mäta resultat av lärande maskiner. "Turingtestet" och baseras på följande idé: vi kan fastställa att maskinen är lärande, om så bara när man arbetar med henne, vi kommer inte kunna skilja den från den andra personen. Men i dessa dagar ingen av de befintliga systemen inte kan passera "Turing-test", har satt en hög standard stimuleras uppfinnare för att skapa en mycket intressant bil.

Arthur Samuel

1952, Arthur Samuel IBM skrev en dator spel som heter "Pjäser", ställer sig uppgiften att ge henne den nivå av skicklighet, så att hon kan slåss med en världsmästare. Programmet maskininlärning Samuel var en stor framgång och hjälpte till att professionella spelare pjäser att förbättra sina kunskaper i spelet.

En Annan viktig milstolpe var införandet av ELIZA, utvecklades i början av 60-talet av Joseph Underkatalog. ELIZA var en simulering av en psykoterapeut och används sådana trick som substitution av ord och konserverad svar som svar på vissa sökord. För första gången konfronteras med ELIZA, vissa misstog henne för en levande person.

En Illusion av verklig kommunikation var kände sig starkare, om en person har begränsad konversationen med att prata om dig själv och ditt liv. Trots det faktum att ELIZA arbetade långt från perfekt, det blev en tidig prototyp av den moderna elektroniska assistenter, som Siri och Cortana. En annan viktig prestation som du kan ringa systemet MYCIN, utvecklades i början av 70-talet vid Stanford University av ett team under ledning av Ted Shortliffe. Genom en kedja av frågor och svar, systemet hjälper en läkare för att göra en korrekt diagnos för patienten och att välja den mest lämpliga metoden för behandling. MYCIN kallas ofta för världens första expert system.

Mitt i framväxten av expert systems fanns det andra metoder för att problemet med maskininlärning. 1957, den Amerikanska neurophysiologist Frank Rosenblatt utvecklat perceptron — en datormodell av information uppfattning av hjärnan, därefter genomförs i elektronisk maskin "mark-1" och blev en av de första modeller av neurala nätverk. 23 juni 1960 på Cornell University visade första neurocomputer "mark-1", som var i stånd att känna igen några bokstäver i det engelska alfabetet.

Frank Rosenblatt

För Att "lära upp" perceptron att klassificera bilderna vi tagit fram en särskild iterativ inlärning metod av trial and error, liknar processen för mänskligt lärande — en metod för felkorrigering. Dessutom, i erkännande av vissa bokstäver perceptron kunde skilja de karakteristiska dragen i de bokstäver är statistiskt vanligare än mindre skillnader i enskilda fall. Således perceptron var att kunna generalisera de brev, skrivet på olika sätt (handskrift) i en enda konsoliderad bild.

Det är Dock inte alla delade övertygelsen om att den syn på lärande datorer med neurala nätverk är korrekt. Efter en framstående vetenskapsman Marvin Minsky har offentligt kritiserat begrepp, forskning främst fokuserat på skapandet av maskiner som är programmerade under de särskilda uppgifter som dömt branschen till stagnation, som varade i mer än 10 år.

I början av nittiotalet machine learning har återigen blivit ett mycket populärt ämne på grund av skärningspunkten mellan datavetenskap och statistik. Denna samverkan har lett till uppkomsten av ett nytt sätt att tänka inom området artificiell intelligens — probabilistisk metod. Denna strategi kännetecknas av det faktum att baseras på data volymer och inte utvecklat färdigheter i expertsystem som visas tidigare. Många av dagens framgångsrika tillämpningar av lärande är resultatet av idéer som uppstod på den tiden.

En Viktig aspekt av lärande är ett fenomen av Stora Data, big data. På nittiotalet blev det uppenbart att fler statistiska uppgifter matas it-system, desto mer sannolikt är det att bygga upp en verklig förståelse av data.

Tack vare framväxten av Internet och kostnad minskning av enheter för lagring av information som forskare har till sitt förfogande enorma mängder data, som för femtio år sedan forskarna och skulle inte drömma. Mängden data växer exponentiellt. Till exempel biologi idag har 1 exabyte data på arvsmassan, som motsvarar 10 byte på 18 grader. Det förväntas att till år 2024, en ny generations radioteleskop kommer att generera så mycket information varje dag. För att behandla sådana enorma datamängder, skapat en ny vetenskaplig disciplin, dedikerad till big data — deras snabb sökning, analys och rankning.

En av de största framgångar de senaste åren kan kallas samarbete vetenskapsman Geoffrey Hinton och grundare av ImageNet FEI-FEI Li, som tillsammans har gjort betydande framsteg i utvecklingen av ett sådant fenomen som djupt lärande. Genom användning av flerskiktade neurala nätverk och miljontals bilder som samlats in av ImageNet, kunde forskarna se till att datorerna har lärt sig att uppfatta den information som inte på grundval av logik, som vuxna, och på grundval av uppgifter från sinnena — det är, som ett barn som upptäcker världen. Som planerat av vetenskapsmän, djupt lärande ska vara tillåtet att avvika från den övervakade inlärningen och ge maskiner förmågan att lära sig på egen hand, utan någon instruktion från mannen.

Ett exempel för att bekräfta giltigheten av denna strategi var de experiment som utförs av Google i 2012, kort efter det bosatte sig på arbete av Geoffrey Hinton. I experimentet var 1000 servrar med ca 16 tusen av kärnor. Under testerna neurala nätverk analyserades 10 miljoner skärmdumpar av olika random YouTube-videor, som kunde med en hög grad av noggrannhet för att identifiera bilder av katter. Experimentet, som hölls inom ramen för projektet Google Hjärnan, har visat att den metod för Hinton att maskininlärning är lojal och har en mycket imponerande potential för kommersialisering. Till exempel, just nu, maskininlärning, genom konsumtionen av ett stort antal bilder som gör det möjligt att framgångsrikt genomföra projektet som själv kör bil Google.

Experiment i Google med katter

De Flesta känner starkt effekterna machine learning kan vara när det är integrerat i Verktygslådan till andra metoder för artificiell intelligens på ett sätt som aldrig gjorts. Till exempel DeepMind projekt som alla samma företag som Google kunde visa fantastiska resultat genom att kombinera djup lärande med en teknik kallad förstärkt lärande. Företaget har skapat ett system AlphaGo som i Mars 2015, oförmögen att slå mästare av den Kinesiska brädspelet go. I motsats till IBMS dator Deep Blue vann schack-match mot Garry Kasparov 1997, AlphaGo inte programmerade med hjälp av den så kallade beslut träd eller ekvationer för att analysera situationen på bordet. Systemet främst studerat spelet, titta på det som spelas av proffs. Baserat på observationer AlphaGo spelade med mig en miljon parter, analysera resultaten och bygga en självständig strategi.

Idag, maskininlärning är aktivt i våra liv och berör var och en av oss, även om du inte märker. Detta system av rekommendationer produkt i online-butiker och system för filtrering av skräppost i e-post. Och ibland kallar för kundsupport för alla företag, vi kan knappast avgöra, talar till oss om en levande person eller en digital assistent som känner igen tal och ge svar på frågor, att veta sammanhanget.

Förutom de uppenbara fördelar, detta fenomen är en stor källa till oro. Det är inte ens det faktum att studenter utan mänskligt ingripande när maskinen vill förgöra oss. Den negativa effekten av artificiell intelligens och maskininlärning vi kommer att känna av i de kommande åren när arbetsmarknaden utbyte kommer att finnas tusentals av administratörer, sekreterare, översättare, återförsäljare och representanter för många andra yrken. Efter en tid att de kan ansluta sig till förare, lokförare, och kanske till och med journalister. Enligt world economic forum, under de kommande fem åren datorer och robotar kommer att ta fem miljoner arbetstillfällen som för närvarande innehas av människor, och om vad man ska göra med allt detta, verkar det, tror inte någon.