Како делује вештачка интелигенција?

У последње време чујемо све више и више о томевештачка интелигенција. Користи се готово свуда: од области високе технологије и сложених математичких израчуна до медицине, аутомобилске индустрије, па чак и када се користе паметни телефони. Технологије у којој се заснива рад АИ у савременом смислу, користимо сваки дан, а понекад можда и не размишљамо о томе. Али шта је вештачка интелигенција? Како ради? А да ли је опасно?

Садржај

• 1 Шта је вештачка интелигенција
• 2 Како функционише вештачка интелигенција
• 3 мреже дубоког учења и неуронске мреже
• 4 Неуронске мреже - да ли је то вештачки људски мозак?
• 5 Зашто се користе дубинске мреже и неуронске мреже
• 6 Границе дубоког учења и неуронских мрежа
• 7 Будућност дубоког учења, неуронских мрежа и АИ

Шта је вештачка интелигенција?

Прво, дефинирајмо терминологију. Ако вештачку интелигенцију замишљате као нешто што може самостално размишљати, доносити одлуке и углавном показивати знакове свести, онда журимо да вас разочарамо. Скоро сви постојећи системи данас ни не стоје близу таквој дефиницији АИ. А они системи који показују знакове такве активности, у ствари, сви исти раде у оквиру унапред дефинисаних алгоритама.

Понекад су ови алгоритми веома, веома напредни,али они остају "оквир" у којем АИ делује. Не постоје „слободе“, а штавише, машине немају знакове свести. Ово су само врло продуктивни програми. Али они су „најбољи у својој области“. Поред тога, АИ системи и даље се побољшавају. Да, и поредани су прилично неуобичајено. Чак и ако одбацимо чињеницу да модерни АИ није далеко од савршеног, он има много тога заједничког с нама.

Како делује вештачка интелигенција?

АИ може први да ради свој посао(о чему мало касније) и за стицање нових вештина дубоким машинским учењем. Често чујемо и користимо овај термин. Али шта он мисли? За разлику од „класичних“ метода, када се све потребне информације претходно унесу у систем, алгоритми машинског учења омогућавају систем да се развија независно, проучавајући доступне информације. Што, уз то, у неким случајевима машина може и самостално да претражује.

На пример, креирање програма за откривањепревара, алгоритам машинског учења делује са списком банкарских трансакција и са њиховим коначним резултатом (легалним или незаконитим). Модел машинског учења проучава примере и развија статистички однос између законитих и лажних трансакција. Након тога, када алгоритму дате податке о новој банкарској трансакцији, он га класификује на основу образаца које је унапред изнео из примера.

Опћенито, што више података пружите,тачнији је алгоритам машинског учења приликом обављања његових задатака. Машинско учење је посебно корисно у решавању проблема где правила нису унапред дефинисана и не могу се тумачити у бинарном систему. Враћајући се нашем примеру са банкарским пословањем: у ствари, имамо излазни бинарни систем израчунавања: 0 - легално пословање, 1 - илегално. Али да би дошао до овог закључка, систему треба да анализира читав низ параметара и ако их унесете ручно, требаће више од једне године. А предвиђање свих опција ионако неће успјети. А систем који функционише на основу дубоког машинског учења моћи ће нешто да препозна, чак и ако се раније није тачно срео у таквом случају.

Дубинско учење и неуронске мреже

Док су класични машински алгоритмиТренинг решава многе проблеме у којима има пуно информација у облику база података, не успевају добро да се носе, да тако кажемо, „визуелним и звучним“ подацима као што су слике, видео снимци, звучне датотеке и тако даље.

На пример, креирање модела предвиђања ракаРак дојке, користећи класичне приступе машинском учењу, захтеваће напоре више десетина медицинских стручњака, програмера и математичара, “рекао је истраживач АИ Јереми Ховард. Научници би морали да направе много мањих алгоритама како би се машинско учење могло носити са протоком информација. Посебан подсистем за проучавање рендгенских зрака, посебан за МРИ, други за интерпретацију крвних претрага и тако даље. За сваку врсту анализе требао би нам властити систем. Тада би се сви комбиновали у један велики систем ... Ово је врло тежак и дуготрајан процес.

</ п>

Алгоритми дубоког учења решавају истопроблем употребе дубоких неуронских мрежа, врста софтверске архитектуре инспирисане људским мозгом (иако се неуронске мреже разликују од биолошких неурона, принцип рада је готово исти). Рачунарске неуронске мреже су комуникације „електронских неурона“ који су у стању да обрађују и класификују информације. Они су врста „слојева“ и сваки „слој“ је одговоран за нешто своје, што на крају формира целокупну слику. На пример, када тренирате неуронску мрежу на сликама различитих објеката, она проналази начине да извуче предмете из ових слика. Сваки слој неуронске мреже открива одређене карактеристике: облик предмета, боје, изглед предмета и тако даље.

Откривају се површински слојеви неуронских мрежазаједничке карактеристике. Дубљи слојеви већ откривају стварне предмете. На дијаграму је приказана једноставна неуронска мрежа. Зелена означава улазне неуроне (улазне информације), плава означава скривене неуроне (анализа података), жута означава излазни неурон (раствор)

Да ли су неуронске мреже вештачки људски мозак?

Упркос сличној структури машине иљудске неуронске мреже, они не поседују знакове нашег централног нервног система. Рачунарске неуронске мреже су у основи исти помоћни програми. Десило се управо тако да се наш мозак показао као високо организовани систем за обављање прорачуна. Вероватно сте чули израз "наш мозак је рачунар"? Научници су једноставно „поновили“ неке аспекте његове структуре у „дигиталном облику“. Ово је само омогућило да се убрзају прорачуни, али не и да се машине поклоне свешћу.

Ово је занимљиво: Када се вештачка интелигенција учи расуђивати?

Неуронске мреже постоје од 1950-их (премабарем у облику концепата). Али донедавно нису добили много развоја, јер су за њихово креирање потребне огромне количине података и рачунарске снаге. У последњих неколико година све је ово постало доступно, па су неуронске мреже дошле до изражаја, након што су примиле свој развој. Важно је схватити да за њихов пуни изглед није било довољно технологије. Како им сада није довољно да технологију доведу на нови ниво.

За шта се користе дубинске мреже учења и неуронске мреже?

Постоји неколико области у којима су ове две технологије помогле да се постигне значајан напредак. Штавише, неке од њих користимо свакодневно у свом животу и уопште не размишљамо о томе шта стоји иза њих.

• Компјутерски вид је способностсофтвер за разумевање садржаја слика и видео записа. Ово је једно подручје у коме је дубоко учење постигло велики напредак. На пример, алгоритми за обраду слике са дубоким учењем могу открити разне врсте рака, болести плућа, срчане болести и тако даље. И то радите брже и ефикасније од лекара. Али дубоко учење је такође укорењено у многим апликацијама које користите свакодневно. Аппле Фаце ИД и Гоогле Пхотос користе дубоко учење за препознавање лица и побољшање квалитета слике. Фацебоок користи дубинско учење за аутоматско означавање људи на пренесеним фотографијама и тако даље. Компјутерски вид такође помаже компанијама да аутоматски идентификују и блокирају упитне садржаје, попут насиља и голотиње. И на крају, дубоко учење игра веома важну улогу у омогућавању самовозећих аутомобила како би могли разумети шта их окружује.
• Препознавање гласа и говора. Када изговорите наредбу за свог Гоогле Ассистант-а, алгоритми дубоког учења трансформишу ваш глас у текстуалне команде. Неколико мрежних апликација користи дубоко учење за преписивање аудио и видео датотека. Чак и када "схазамит" песму, алгоритми неуронских мрежа и дубоко машинско учење долазе у игру.
• Интернет претрага: чак и ако нешто тражите у претраживачу, како би се ваш захтев јасније обрадио и резултати били што тачнији, компаније су почеле да повезују алгоритме неуронске мреже са својим претраживачима. Дакле, перформансе Гоогле претраживача порасле су неколико пута након што је систем прешао на дубоко машинско учење и неуронске мреже.

Границе дубоког учења и неуронских мрежа

Упркос свим својим предностима, дубоко учење и неуронске мреже такође имају неке недостатке.

• Зависност података: Генерално, алгоритми дубоког учења захтевају огромне количине података о обуци да би тачно извршили своје задатке. Нажалост, за решавање многих проблема потребни су недовољно квалитетни подаци о обуци за стварање радних модела.
• Непредвидивост: неуронске мреже се развијају на неки чудан начин. Понекад све иде по плану. А понекад (чак и ако неуронска мрежа ради свој посао добро), чак се и ствараоци труде да разумеју како алгоритми функционишу. Недостатак предвидљивости изузетно је тешко уклонити и исправити грешке у алгоритмима неуронских мрежа.
• Алгоритамски оффсет: Алгоритми дубоког учења добри су као и подаци на којима се обучавају. Проблем је што подаци о обуци често садрже скривене или експлицитне грешке или пропусте, а алгоритми их „наслеђују“. На пример, алгоритам за препознавање лица обучен углавном на фотографијама белца делује мање прецизно код људи другачије боје коже.
• Недостатак генерализације: Алгоритми за дубоко учење су добри за обављање сврховитих задатака, али слабо генеришу своје знање. За разлику од људи, модел дубоког учења трениран да игра СтарЦрафт неће моћи играти другу сличну игру: рецимо, у ВарЦрафт-у. Поред тога, дубоко учење не делује добро у обради података који одступају од његових примера обуке.

Будућност дубоког учења, неуронских мрежа и АИ

Јасно је да рад на дубоком учењу инеуронске мреже су далеко од завршетка. Улажу се разни напори на побољшању алгоритама дубоког учења. Дубоко учење је напредна метода у стварању вештачке интелигенције. Последњих година постаје све популарнија због обиља података и повећане рачунарске снаге. Ово је основна технологија која је у основи многих апликација које користимо свакодневно.

Али да ли ће се икада родити на основу тогатехнолошка свест? Прави вештачки живот? Неки научници верују да се у тренутку када се број веза између компоненти вештачких неуронских мрежа приближи истом показатељу који постоји у људском мозгу између наших неурона, може догодити нешто слично. Међутим, ова изјава је врло сумњива. Да би се стварни АИ појавио, морамо преиспитати приступ креирању система заснованих на АИ. Све што је сада су само апликативни програми за строго ограничен распон задатака. Како не бисмо желели да верујемо да је будућност већ стигла ...

Ста мислис? Да ли ће људи створити АИ? Поделите своје мишљење у нашем телеграм чету.