Hur fungerar artificiell intelligens

Datum:

2019-08-13 14:31:29

Visningar:

9

Betyg:

1Like 0Dislike

Aktie:

Hur fungerar artificiell intelligens

Vi Under de senaste åren . Det används nästan överallt: från sfären av hög teknologi och komplicerade matematik medicin, fordonsindustrin och även med smartphones. Den teknik som ligger bakom arbetet med AI i modern uppfattning, som vi använder varje dag och ibland behöver inte ens tänka på det. Men vad är artificiell intelligens? Hur fungerar det? Och är det farligt?

Vad är artificiell intelligens

Låt oss först definiera några begrepp. Om du tänker dig artificiell intelligens som något som är i stånd att tänka självständigt, fatta beslut, och i allmänhet visar tecken på medvetande, då skyndar mig att göra dig besviken. Praktiskt taget alla befintliga idag, systemet är inte ens nära «kostnad» definitionen av AI. Och de system som uppvisar en sådan verksamhet, det är faktiskt fortfarande fungerar inom förutbestämda algoritmer.

Ibland är dessa algoritmer , men de förblir «, ram» där AI är verksamt. Ingen «Carta» och särskilt tecken på medvetande har inga bilar. Det är bara ett mycket givande program. Men de «, det bästa i business». Dessutom, AI-system fortsätter att öka. Ja, och de är ordnade ganska unhackneyed. Även om du kassera det faktum att moderna AI är långt ifrån perfekt, det har vi väldigt mycket gemensamt.

Hur fungerar artificiell intelligens

Först av alla AI kan utföra sina uppgifter (om senare) och att skaffa sig nya kunskaper genom djupa maskininlärning. Denna term som vi ofta hör och använda. Men vad betyder det? Till skillnad från «klassisk» metoder, när alla information som behövs laddas in i systemet i förväg, maskinen lärande algoritmer leda till att systemet utvecklas på sina egna, att studera den information som finns tillgänglig. Som dessutom maskinen i vissa fall kan också leta efter dig själv.

Till Exempel, för att skapa ett program för att upptäcka bedrägerier, maskinen lärande algoritm fungerar med en lista av Bankens transaktioner och deras slutresultat (lagligt eller olagligt). Maskinen lärande modell anser att de exempel och utvecklar statistiska beroendet mellan legitima och bedrägliga transaktioner. Sedan, när du ger algoritm information om en ny kredit transaktion, han klassificeret det bygger på mönster som han drog av exemplen i förväg.

I allmänhet, ju mer information du ger, desto mer exakt blir maskinen lärande algoritm när de utför sina uppgifter. särskilt användbart när det gäller att lösa problem där reglerna inte är fördefinierade och kan inte tolkas på binära. Att återvända till vårt exempel med bankverksamheten: i själva verket lämnar vi var binära: 0 — en legitim åtgärd, 1 — olagligt. Men för att nå denna slutsats, kräver systemet att utföra en hel massa av parametrar och om du gör dem manuellt, därefter kommer det att ta mer än ett år. Och för att förutsäga alla alternativ kommer inte att fungera. Ett system som bygger på djupa machine learning kommer att kunna känna igen något, även om exakt ett sådant fall är hon aldrig uppfyllda innan.

Djup inlärning och neuronnät

Vid den tiden, som en klassisk maskinlärande algoritmer för att lösa många problem, i vilket det finns en hel del information i databaser, att de inte klara, så att säga, «visuell, auditiv» data som bilder, videor, ljudfiler och så vidare.

Till Exempel, att skapa prediktiva modeller för bröstcancer med hjälp av en klassisk maskin lärande kräver programmerare och matematiker, säger en forskare inom AI Jeremy Howard. Forskarna skulle behöva göra en hel del mindre algoritmer för att maskinen att lära sig att hantera flödet av information. En separat delsystem för att studera x-ray-avbildning, privat — för MRT, den andra — för tolkning av blodprover, och så vidare. För varje analys, att vi skulle behöva sitt eget system. Sedan de alla tillsammans i en stor systemet… är Det ett mycket svårt och resurskrävande process.

Djup lärande Algoritmer för att lösa samma problem med djupa typ av arkitektur, inspirerad av mänskliga hjärnan (även om neurala nätverk är olika från biologiska neuroner, principen för operationen är nästan samma sak). Neurala dator-nätverk — länkar «, elektroniska nervceller», som har möjlighet att hantera och klassificera information. De är hur-till «lager» varje «lager» är ansvarig för något, så småningom bildar en övergripande bild. Till exempel, när du tränar ett neuralt nätverk på bilder av olika föremål hon hittar sätt att utvinna funktioner från dessa bilder. Varje lager av det neurala nätverket upptäcker vissa kännetecken: form av objekt, färgen på föremål och så vidare.


en Ytliga lager av neurala nätverk för att upptäcka gemensamma egenskaper. De djupare skikten som redan visar de faktiska föremålen. Figur ett diagram över en enkel neurala nätverk. Grönt står för input nervceller (postupala information), blå — gömda neuroner (data analysis), gul — utgång neuron (beslut)

Neurala nätverk — är en konstgjord mänsklighjärnan?

Trots att de har liknande struktur av maskinen och mänskliga neurala nätverk, egenskaper av vårt Centrala nervsystem de inte har. Datorn neurala nätverk är i huvudsak samma verktyg. Hände bara så att de mest välorganiserade system för beräkningar visade sig vara vår hjärna. Du har förmodligen hört uttrycket «våra hjärnor — denna dator»? Forskarna helt enkelt «, upprepade» vissa aspekter av sin struktur i «digital form». Det är endast tillåtet att snabba upp beräkningar, men inte för att förse maskiner med medvetandet.

Det Här är intressant:

Neurala nätverk har funnits sedan 1950-talet (åtminstone i den form concepi). Men fram tills nyligen har de inte få mycket utveckling, eftersom deras skapande krävs enorma mängder data och datorkraft. Under de senaste åren har det blivit tillgängliga, så det neurala nätverket och kom fram efter hans utveckling. Det är viktigt att förstå att för deras fullständiga utseende saknade teknik. Eftersom de inte har tillgång nu för att ta tekniken till en ny nivå.

varför använder djupt lärande och neurala nätverk

Det finns flera områden där dessa två tekniker har hjälpt till att uppnå betydande framsteg. Dessutom är några av dem som vi använder varje dag i våra liv och inte ens tänka på vad som finns bakom dem.

    — är förmågan av programvara för att förstå innehållet i bilder och filmer. Detta är ett av de områden där djupt lärande har gjort stora framsteg. Till exempel algoritmer för bildbehandling djupt lärande kan upptäcka olika typer av cancer, lungsjukdomar, hjärt-och så vidare. Och för att göra det snabbare och mer effektivt läkare. Men djupt lärande är också sina rötter i många applikationer som du använder varje dag. Apple och Google Face ID-Foton använd djupt lära sig att känna igen ansikten och förbättra kvaliteten på bilder. Facebook använder djupt lärande för att automatiskt tagga personer i uppladdade bilder och så vidare. Computer vision hjälper också företag att automatiskt identifiera och blockera innehåll som våld och nakenhet. Och slutligen, djupt lärande spelar en mycket viktig roll i att se till att själv köra bil, så att de kan förstå sin omgivning.

  • röstigenkänning och talsyntes. När du säger kommandot för ditt Google-Assistent, algoritmer, djupt lärande, förvandla din . Flera online-applikationer med hjälp av djupt lärande för att transkribera ljud och video filer. Även när du «catamite» sång, i fallet med algoritmer, neurala nätverk, och djupt lärande.
  • för att söka på nätet: även om du letar efter någonting i en sökmotor, för att din ansökan ska behandlas mer noggrant och resultaten var mest korrekta, började företaget att ansluta algoritmer neurala nätverk för att deras sökmotorer. Så, resultatet av sökmotorn Google har ökat flera gånger efter det att systemet var bytt till djupt lärande och neurala nätverk.

Gränserna för djupt lärande och neurala nätverk

Trots alla dess fördelar, djupt lärande och neurala nätverk har också vissa nackdelar.

    en
  • Beroende på den data: i Allmänhet, djupt lärande algoritmer kräver en stor mängd data utbildning för att korrekt utföra sina uppgifter. Tyvärr, för lösningen av många problem med otillräcklig utbildning av hög kvalitet data för att skapa fungerande modeller.
  • Oförutsägbarhet: neurala nätverk är på något konstigt sätt. Ibland allt går som planerat. Och ibland (även om det neurala nätverket klarar väl med sin uppgift), även skaparna kämpar för att förstå hur de algoritmer fungerar. Bristen på förutsägbarhet gör det extremt svårt att felsöka och korrigera fel i algoritmer av neurala nätverk.
  • Algoritmisk offset: algoritmer djupt lärande är lika bra som de data som de är utbildade för. Problemet är att data ofta innehåller dolda eller uppenbara fel eller försummelser, och algoritmer få sin «, ärvda». Till exempel, face detection algorithm, tränade mestadels i bilder av vita människor kommer att arbeta mindre exakt på människor med olika hudfärg.
  • Avsaknaden av aggregering: djupt lärande algoritmer är bra för att utföra ändamålsenliga uppgifter, men dåligt generalisera sina kunskaper. Till skillnad från människor, modellen för djupt lärande , inte kommer att kunna spela en annan liknande spel: säga, i WarCraft. Dessutom, djupt lärande inte hantera data som avviker från den utbildning som exempel.

den Framtida djupt lärande, neurala nätverk, och AI

Det är Tydligt att arbetet på djupt lärande och neurala nätverk är fortfarande långt ifrån fullständig. Olika insatser görs för att förbättra djupt lärande algoritmer. Djupt lärande — det är en enkel teknik för att skapa artificiell intelligens. Det blir allt mer populärt under de senaste åren, tack vare överflödet av data och ökad datorkraft. Detta är den grundläggande tekniken som ligger bakom många av de applikationer som vi använder varje dag.

Men är född någonsin på grundval av denna teknik av medvetande? Real artificiellt liv? En av de forskare som anser att i en tid när antalet anslutningar mellan komponenter av artificiella neurala nätverk för att närma sig samma siffra som du har i den mänskliga hjärnan mellan våra nervceller, att något sånt här kan hända. Men detta zayavleniemycket tveksamt. För att en verklig AI dök upp, vi behöver ompröva strategi för utveckling av system som bygger på AI. Allt som är nu — det är bara ett program till ett strikt begränsat antal uppgifter. Som om vi inte vill tro på att framtiden är nu…

Vad tror du? Orsaken folket i AI? Dela gärna med din åsikt i vår

Rekommenderad

Hur sociala nätverk bidrar till att sprida pseudovetenskap

Hur sociala nätverk bidrar till att sprida pseudovetenskap

Låt oss vara Uppriktiga — anda 2019 är lite olika från 1990-talet av förra århundradet. Detta handlar inte om politik och Ekonomi, men naturligtvis ihop. Idag, som för 30 år sedan, i Ryssland är det eran . Och om medborgarna i det sena Sovjetunionen ...

I Nederländerna öppnade världens första

I Nederländerna öppnade världens första "flytande" gård

Vi har redan skrivit många gånger om , men kanske har vi aldrig berört ämnet i flytande gårdar. Tänk att de finns! Dessutom, en av dessa platser är beläget i hjärtat av Västra Europa — i Nederländerna. Precis bredvid europas största hamn i Rott...

Varför gäspningar smittar?

Varför gäspningar smittar?

Var och en av oss vet av erfarenhet att om du gör åtminstone en liten gäspning även i de minsta laget, då kan du starta en hel kedja av denna konstiga men roliga fenomen. Dessutom, vissa människor helt enkelt tycker om denna lugnande process, som red...

Kommentar (0)

Denna artikel har ingen kommentar, vara den första!

Lägg till kommentar

Relaterade Nyheter

Behöver jag vaccinationer?

Behöver jag vaccinationer?

Om du tror att sjukdomar som mässling, stelkramp och kikhosta är inte längre ett hot, har vi dåliga nyheter för dig. Under de senaste åren runt om i världen ökar i popularitet för förflyttning av motståndare till vaccinering. 2019...

Kinesisk polis började träna en klonade hund

Kinesisk polis började träna en klonade hund

I och med 2018, det Kinesiska företaget Sinogene Bioteknik klonade 7-årig hund Huachana, som flera år tidigare fått utmärkelser från Ministeriet för offentlig säkerhet i KINA för hans bidrag till att lösa ett mord. Det förväntas a...

Kom ihåg att forskarna vände tillbaka klockan? Så, det var inte

Kom ihåg att forskarna vände tillbaka klockan? Så, det var inte

Om du tror på allt du läser på Internet (inklusive oss), quantum fysiker är att gratulera. Låter cool: forskare (och även ryska) . Direkt Tillbaka till framtiden. Det hela började med en artikel i Scientific Reports med den provoc...