Nasıl çalışır yapay zeka

Son zamanlarda biz . O hemen hemen her yerde geçerli: yer kürenin yüksek teknoloji ve karmaşık matematiksel hesaplamalar kadar, tıp, otomotiv ve çalışırken bile akıllı telefonlar. Teknoloji, temel çalışma AI, modern görünümü, her gün kullandığımız ve hatta bazen kendimi düşünmeye. Ama nedir bu yapay zeka? Nasıl çalışır? Ve temsil ettiği herhangi bir risk içerir mi?

Nedir yapay zeka

Başlatmak İçin şunu açıklığa kavuşturalım terminoloji ile. Eğer fantezi yapay zeka gibi bir şey, yetenekli, bağımsız düşünmek, kararlar almak ve genel olarak belirtileri göstermeye bilinç, bir acele, sizi hayal kırıklığına uğratmak. Hemen hemen tüm mevcut bugüne kadar sistem bile yakın değil, «mal» bu tanım AI. Ve bu sistem, bu belirtileri gösteren benzer bir etkinlik, aslında hala geçerli bir parçası olarak önceden tanımlanmış algoritmaları.

Bazen algoritmaları bu , ama onlar kalır bu «sınırları», içinde çalıştığı AI. Herhangi bir «magna carta» ve daha çok belirti bilinç var, araba yok. Bu sadece çok verimli bir program. Ama onlar «en iyisi sizsiniz». Aynı AI sistemi geliştirmeye devam. Evet düzenlenmiştir oldukça небанально. Hatta yaslanmak aslında modern AI mükemmel olmaktan uzak, o bizimle çok ilgisi çok.

Gibi çalışan yapay zeka

Ilk etapta AI görevleri gerçekleştirebilirsiniz (biraz sonra) ve yeni beceriler kazanmak gibi büyük bir makine öğrenme. Bu terim için biz de sık sık duymak mümkün. Ama o ne demektir? Aksine, «klasik» teknikleri, zaman gerekli tüm bilgileri yükler ve sisteme önceden, makine öğrenme algoritmaları yapmak, sistem geliştirmek, kendiniz inceleyerek bilgi mevcut. Olduğu, ayrıca, makine bazı durumlarda, belki de kendi aramak için.

Örneğin, bir program oluşturmak için sahtekarlık algılama, makine öğrenme algoritması ile çalışır listesi bankacılık işlem ve sonuç (yasal veya yasadışı). Model makine öğrenme inceliyor, örnekler ve geliştirir istatistiksel bağımlılığı arasında meşru ve hileli hareketleri. Bundan sonra, ne zaman verdiğiniz algoritması, verileri yeni bir bankacılık işlem sınıflandırır, onu şablonlardan o подчерпнул örnek verin.

Bir kural Olarak, daha fazla veri sağlamak, daha doğru olur makine öğrenme algoritması çalıştırıldığında, kendi görev. özellikle yararlı çözümünde görev kuralları önceden belirlenmiş ve yorumlanamaz ikili sistem. Örneğimiz irtica ile bankacılık işlemleri: gerçek çıkış var ikili sayı sistemi: 0 — meşru bir işlem, 1 — yasadışı. Ama, bu sonuca ulaşmak için sistemi analiz etmek istediğiniz bir sürü parametre ve eğer bunları yapmak için elle bu iş değil bir yıl. Evet tahmin tüm seçenekleri, yine de olmaz. Sistemi, faaliyet tabanlı derinlemesine makine öğrenme, tanımak mümkün bir şey olsa bile, tam olarak böyle bir durum ona daha önce bir araya geldi.

Derin öğrenme ve yapay sinir ağları

Iken klasik makine öğrenme algoritmaları çözmek için pek çok sorun mevcut bir kitle şeklinde bilgi veritabanı, onlar kötü ile başa çıkmak için, tabiri caizse, «görsel ve аудиальными» gibi veri, görüntü, video, ses dosyaları ve benzeri.

Örneğin, bir model oluşturma, tahmin, meme kanseri kullanılarak klasik makine öğrenme yaklaşımları gerektirir , programcıları ve matematikçiler - beyan araştırmacı sektöründe AI Jeremy Howard. Bilim adamları yapmak zorunda çok daha küçük algoritmaları için makine öğrenme справлялось olurdu, bilgi bir sel. Ayrı bir alt sistemi incelemek için x-ışınları, ayrı bir — MRI, başka bir — yorumlamak için kan testleri, ve benzeri. Her türlü analiz ihtiyacımız olurdu onun sistemi. Sonra hepsi yasaklandığı olsaydı, büyük bir sistem… Bu çok zor ve ресурсозатратный bir süreçtir.

Algoritmalar derin öğrenme karar aynı sorunu kullanarak derin , türü yazılım mimarisi esinlenerek, insan beyni (her ne kadar sinir ağları farklı biyolojik nöronların çalışma prensibi var hemen hemen aynı). Bilgisayar nöral ağ — bu iletişim «elektronik nöronlar» olan işleyebilir ve bilgi sınıflandırmak. Onlar yerleşmek nasıl «kat» ve her «katman» sorumlu bir şey, sonunda ortak bir şekillendirme yapılmıştır. Örneğin, ne zaman sen tren sinir ağı görüntülerde farklı nesneler için yollar bulur, nesneleri almak için bu görüntülerin. Her katman neural ağ algılar bazı özellikleri: şekil, nesne, renk, görünüm, nesne ve benzeri.

Yüzey katmanları sinir ağları algılar genel özellikleri. Daha derin katmanları zaten ortaya gerçek nesneler. Şekildeki devre basit нейросети. Yeşil renkle işaretlenmiştir giriş nöronlar (поступаюзая bilgi), mavi — gizli nöronlar (veri analizi), sarı — çıkış nöron (çözüm)

Sinir ağları — bu yapay insanbeyin?

Rağmen benzer bir yapı, makine ve insan нейросети, belirtileri, bizim merkezi sinir sistemi onlar sahip değil. Bilgisayar nöral ağ özünde hepsi aynı bir yardımcı program. Sadece ne oldu, istediğiniz derece organize bir sistem yapmak için hesaplama oldu beynimiz. Çünkü muhtemelen ifade duydum «bizim beyin — bu bilgisayar»? Bilim adamları, sadece «tekrar» bazı yönleri yapının «dijital». Bu sayede sadece hızlandırmak hesaplamak, ancak bağışlamak makineleri bilinç.

Bu ilginç:

Bir Sinir ağı vardır 1950'li yıllarda (en azından şeklinde концепий). Ama yakın zamana kadar, onlar almadı, özel gelişim, çünkü onları oluşturmak için gerekli büyük miktarda veri ve işlem gücü. Son birkaç yıl içinde bu hale geldi, bu yüzden нейросети ve ön plana çıktı alarak gelişmesi. Anlamak önemlidir ki, onların tam ortaya eksik bir teknoloji. Onların eksik ve şimdi çıkarmak için, teknolojisini yeni bir seviyeye.

ne İçin kullanılır derin eğitim ve нейросети

Birkaç alanları Vardır, bu iki teknoloji gerçekleştirmek yardımcı oldu gözle görülür bir ilerleme var. Dahası, bazıları, biz her gün kullandığımız, hayatımızın ve hatta sanmıyorum ki, arkasında.

• — bu yeteneği yazılım anlamak için içerik, resim ve videolar. Bu alanlardan biri, derin öğrenme büyük bir ilerleme yaptı. Örneğin, görüntü işleme algoritmaları derin öğrenme algılayabilir çeşitli kanser türleri, akciğer hastalıkları, kalp ve benzeri. Ve bunu yapmak için daha hızlı ve daha verimli bir doktor. Ama derin bir eğitim de kökleşmiş ve birçok uygulamada kullandığınız her gün. Apple Face ID ve Google Photos kullanan derin öğrenme için yüz tanıma ve daha iyi görüntü. Facebook kullanan derin öğrenme için otomatik olarak işaretlemek için insan, yüklenen fotoğrafları ve benzeri. Bilgisayar görme de şirketlere yardımcı otomatik olarak tanımlamak ve engellemek için şüpheli içerik, şiddet ve çıplaklık. Ve son olarak, derin öğrenme çok önemli bir rol oynar sağlayan yetenekleri, kendi kendine sürüş araba, anlamak ve onları çevreleyen.
• ses Tanıma ve konuşma. Söylediğiniz zaman da takım için Google Asistan algoritmaları derin öğrenme dönüştürmek . Çeşitli online uygulamaları kullanmak için derin bir eğitim için транскрибирования ses ve video. Hatta ne zaman «шазамите» şarkı, başa gelmek algoritmaları нейросетей ve derinlemesine makine öğrenme.
• ınternet Arama: hatta bir şey aramak için bir arama motoru için soruşturma işlendi daha net sonuçlar veren vardı, en doğru, şirket başladı bağlamak algoritmaları нейросетей kendi web arama motorları. Bu yüzden, performans arama motoru Google birkaç kez arttı sonra sistemi gibi geçti derin bir makine öğrenme ve нейросети.

Sınırları derin eğitim ve нейросетей

Her şeye Rağmen, kendi avantajları, derin öğrenme ve нейросети de var ve bazı dezavantajları vardır.

• Bağımlılığı veri: genel olarak, algoritmalar derin bir eğitim gerektiren çok sayıda eğitim veri için hassas görevleri gerçekleştirmek. Ne yazık ki, birçok sorunu çözmek için yeterli nitel veri öğrenme için yeni iş modelleri.
• Öngörülemezliğine: yapay sinir ağları geliştirmek, garip bir şekilde. Bazen herşey planlandığı gibi. Ve bazen (hatta eğer нейросеть iyi işini yapar), hatta yaratıcıları anlamak için mücadele gibi aynı algoritma çalışır. Öngörülebilirlik eksikliği yapar son derece zor bir sorun ve hata düzeltme algoritmaları çalışma нейросетей.
• Algoritmik uzaklık: algoritmalar derin öğrenme kadar iyi ve verileri, hangi onlar için eğitilmiştir. Sorun şudur ki, eğitim verileri içeren sık gizli ya da bariz hatalar veya kusurlar, algoritmalar ve almak onların «miras». Örneğin, bir yüz tanıma algoritması, eğitimli çoğunlukla fotoğraflarda beyaz insanlar, çalışacak, daha az doğru bir insan ile başka bir renk bir cilt.
• Hiçbir genelleme: algoritmalar, derin bir öğrenme gerçekleştirmek için iyidir odaklı görev, ama kötü özetlemek bilginizi. Aksine, insanlar, model, derin öğrenme , mümkün değil, oynamak için başka bir benzer bir oyun: diyelim ki, WarCraft. Ayrıca, derin öğrenme kötü ile başa çıkma, veri işleme, reddedilir, onun eğitim örnektir.

Gelecek, derin öğrenme, нейросетей ve AI

Gökyüzü bir şey üzerinde çalışmak için derin bir eğitim ve sinirsel ağlar olmaktan uzaktır. Farklı çalışmalar için yapılmaktadır iyileştirme algoritmaları derin öğrenme. Derin eğitim — bu gelişmiş yöntem oluşturmak, yapay zeka. Bu giderek daha popüler son birkaç yıl içinde, sayesinde bir bolluk verileri ve artan işlem gücü. Bu temel bir teknoloji yatan birçok uygulama, her gün kullandığımız.

Ama doğacak hiç tabanlı bu teknoloji bilinci? Gerçek sahte bir hayat mı? Biri bilim adamı inanıyor, o zaman miktarı arasındaki ilişkiler bileşenleri yapay нейросетей yaklaşım aynı gösterge olduğundan insan beyninde nöronlar arasındaki benzer bir şey olabilir. Ancak, bu заявляениеçok şüphelidir. İçin gerçek bir AI çıktı, yeniden düşünmeye ihtiyacımız yaklaşım tabanlı sistemlerin II. Her şey var şimdi — bu gibi uygulama programları için kesinlikle sınırlı sayıda görev. Sanki biz istemiyoruz inanmak gelecek şimdi…

Nasıl düşünüyorsun sen? Yaratacak mı insanlar AI? Paylaşın ve görüşlerinizi bizim