Amikor egy alkalmazás biztosítja, hogy a "mesterséges intelligencia" táplálja, egy pillanatra úgy tűnik, hogy a jövőben van. De mit jelent ez valójában? Nagy szóváltásokat dobunk - mesterséges intelligencia, gépi tanulás, ideghálózatok -, de mit jelentenek ezek valójában, és valóban segítenek-e az alkalmazások fejlesztésében?
A közelmúltban a Google és a Microsoft ideghálózati oktatást vezetett be fordítási alkalmazásaiba. A Google állítása szerint gépi tanulást alkalmaz a lejátszási listák felkínálására. A Todoist szerint az AI segítségével kitalálja, mikor kell befejeznie a feladatot. Az Any.do azt állítja, hogy a mesterséges intelligencia néhány feladatot képes elvégezni az Ön számára. És ez csak a múlt héten volt. A marketing trükkök egy része lenyűgözőnek tűnik, és trükkök marad, ám néha a változások tagadhatatlanul előnyösek. A „mesterséges intelligencia”, a „gépi tanulás” és a „neurális hálózatok” mind leírják a számítógépes módszereket a komolyabb feladatok elvégzéséhez és a folyamat megtanulásához. És bár hallotta, hogy az alkalmazásfejlesztők mások rendszereit alkalmazzák, a gyakorlatban nagyon különböznek egymástól.
A neurális hálózatok összetett adatokat elemeznek az emberi agy utánozására
A mesterséges ideghálózatok (ANNs, vagy egyszerűen "neurális hálózatok") egy adott típusú tanulási modellre utalnak, amely utánozza, hogy a szinapszis hogyan működik az agyában. A hagyományos számítástechnika egy logikai operátor sorozatot használ egy feladat végrehajtásához. A neurális hálózatok viszont a csomópontok (amelyek neuronokként viselkednek) és a szinapszisok (élek) analógjait használják fel az adatok feldolgozására. A bemenetet átjuttatják a rendszeren, és a kimenetet generálják.
A megállapításokat ezután összehasonlítják az ismert adatokkal. Tegyük fel például, hogy számítógépet szeretne kiképezni egy kutya képének felismerésére. Milliónyi képet továbbít a kutyákról az interneten, hogy megtekintse, mely képeket választja úgy, mint kutyák. Ezután a személy megerősíti, hogy mely képek valójában kutyák. A rendszer előnyben részesíti a neurális hálózat azon útját, amely a helyes válaszhoz vezette. Az idő múlásával és több millió iteráció után ez a hálózat végül javítja az eredmények pontosságát.
Ha meg szeretné tudni, hogy ez hogyan működik, akkor kipróbálhatja a Google Quick Draw kísérletet!.. Ebben az esetben a Google kiképezi az internetet, hogy felismerje a logókat és a gyors vázlatokat. Összehasonlítja a rajzot, amelyet rajzol, a példákkal, amelyeket más emberek rajzolnak. A hálózat megtanulja felismerni a jövőbeli logókat a múltban látott eredmények alapján. Még ha olyan rajzot készít, mint egy ötéves gyermek (mint én), a hálózat nagyon gyorsan felismeri az egyszerű alakzatokat - tengeralattjárók, növények, kacsák. Próbáld ki, szórakozás.
A neurális hálózatok nem csodaszer, de nagyszerűek az összetett adatok kezelésére. A Google és a Microsoft neurális hálózatokat használ a fordítási alkalmazások képzésére, mivel a nyelvek fordítása nehéz. Sokat látottunk rossz gépi fordításokat, de az ideghálózatokat kiképzik arra, hogy javítsák ezeket a fordításokat az időben a helyes fordítások alapján. Ugyanez történik a beszéd-szöveg fordítással. A Google Voice által működtetett ideghálózat bevezetése óta a fordítási hibák 49% -kal csökkentek. Ezek a rendszerek nem tökéletesek, de önmagukban működnek, és ez a legfontosabb.
Promóciós videó:
A gépi tanulás megtanítja a számítógépeket a gyakorlatban történő fejlesztésre
A gépi tanulás egy széles kifejezés, amely magában foglalja azokat a pillanatokat, amikor egy gépet megpróbál megtanulni a fejlesztésre. Különösen ez vonatkozik minden olyan rendszerre, amelyben a számítógép teljesítményét egy feladat elvégzésében csak a feladattal kapcsolatos nagyobb tapasztalat javítja. A neurális hálózatok példája a gépi tanulásnak, ám ezek nem képezik az egyetlen módszert a számítógép kiképzésére.
Például az alternatív gépi tanulási módszerek egyikét erősítő tanulásnak nevezik. Ebben a módszerben a számítógép végrehajt egy feladatot, majd kiértékeli annak eredményét. Ha például a számítógép sakknál nyer, akkor a nyerési értéket hozzárendeli egy sor mozdulathoz, amelyet a játék során használ. Milliónyi játék után a rendszer az előző játékok eredményei alapján meghatározhatja, hogy mely lépések vezetnek valószínűleg a győzelemhez.
Míg a neurális hálózatok jók olyan dolgokra, mint például a képek felismerése a képeken, más típusú gépi tanulás hasznosabb lehet különféle feladatok elvégzéséhez, például a kedvenc zenéjének azonosításához. A Google állítása szerint zenei alkalmazása megtalálja a hallgatni kívánt zenét. Ezt a korábbi lejátszási listák elemzésével teszi meg. Ha nem tetszik az eredmény, a gép hibának tekinti. De ha a javasolt listák egyikét választja, akkor ezt sikerként jelöli meg, és elemezni fogja azokat a győztes lépéseket, amelyek a szívedbe hozta.
Ilyen esetekben nem fogja teljes mértékben kihasználni a gépi tanulást, ha nem gyakran használja ezt a funkciót. A Google Zene alkalmazás első alkalommal történő megnyitásakor az ajánlások valószínűleg túlmutatnak a pénztárnál. De minél többet használja, annál jobb lesz a javaslat. Elméletileg legalább. A gépi tanulás sem csodaszer. A gépi tanulás homályosabb, mint az idegi hálózatok, de ez azt is jelenti, hogy a használt szoftver a visszajelzéseire támaszkodik a teljesítmény javítása érdekében.
A mesterséges intelligencia minden, az "okos" előtaggal
Csakúgy, mint az idegi hálózatok a gépi tanulás egyik formája, a gépi tanulás a mesterséges intelligencia egyik formája. A "mesterséges intelligencia" kategóriáját azonban még mindig annyira rosszul definiálják, hogy ennek a kifejezésnek nincs gyakorlati jelentése. Igen, ez felidézi a technológiailag fejlett jövőképeket, de a valóságban még mindig nem közelítettünk hozzá. Az OCR egy gép számára is túlságosan nehéz volt, de a telefonod alkalmazásai beolvashatják a dokumentumokat, és szöveggé alakíthatják azokat. Valahogy helytelen a mesterséges intelligencia fejlõdésének nevezni.
Az alapvető telefonos képességek mesterséges intelligenciának tekinthetők azért, mert valójában kétféle AI létezik. A gyenge vagy szűk célpontú AI minden olyan rendszert leír, amely szűk feladatlista végrehajtására szolgál. Például a Google Assistant vagy a Siri, mivel eléggé erőteljes AI, még mindig meglehetősen szűk feladatlistát végez. Hangparancsokat kapnak és válaszokat adnak vissza, vagy alkalmazásokat indítanak. A mesterséges intelligencia kutatása táplálja ezeket a tulajdonságokat, de "gyengenek" tekintjük.
Ezzel szemben a nagy teljesítményű AI - más néven általános mesterséges intelligencia vagy "teljes AI" - olyan rendszer, amely bármilyen emberi feladatot képes végrehajtani. És nem létezik. Ezért minden „okos” alkalmazás továbbra is gyenge mesterséges intelligencia.
Noha a következmények homályosak lehetnek, a mesterséges intelligencia gyakorlati kutatása annyira kifizetődő, hogy valószínűleg már belépett a mindennapi életbe. Minden alkalommal, amikor a telefon automatikusan emlékszik a parkolóhelyre, felismeri a fotókon lévő arcokat, keresési javaslatokat kap, vagy automatikusan csoportosítja az összes hétvégi felvételét, úgy vagy úgy érinti a mesterséges intelligenciát. Bizonyos mértékben a "mesterséges intelligencia" valójában azt jelenti, hogy az alkalmazások kissé okosabbak lesznek, mint régen. Az "AI" címke gyakorlati szempontból alig jelent valamit, ami praktikus.
ILYA KHEL