Gépi tanulás: mi ez és mi a kapcsolata az ai-val?

Ma azt szeretnénk, hogy mélyebben tanítsunk egy kifejezésre, amely forradalmasította és forradalmasítja néhány interakciót, ahogy ismertük őket. A mesterséges intelligenciáról és annak legfontosabb ágáról, a gépi tanulásról vagy az automatikus tanulásról beszélünk .

Mint tudod, a számítástechnika mindig folyamatosan fejlődik, és amit általában meg lehet vásárolni, az általában nem a legmodernebb.

Például, míg a PCI-Express 4. generációját fejlesztjük , a kutatók már fejlesztik a PCIe Gen 5-et és tanulmányozzák a hatodik generációra való ugrást. Ugyanezen okból kifolyólag nem ritka olyan technológiákat találni, amelyekről nem tudtunk olyan feladatokat elvégezni, amelyekről még soha nem hallottunk.

De mielőtt továbbmennénk, szűkítsük le a témát, amelyről beszélni fogunk, mert mi a gépi tanulás ?

Tartalom index

Mi a gépi tanulás ?

A gépi tanulás a számítástechnika és a mesterséges intelligencia speciális ága, ahol az automatikus tanulásra képes rendszerek jönnek létre .

Ez az ágazat a 80-as évek körül kezdte meg tanulmányozását és fejlesztését , és ma már elég fejlett. Ugyanezen okból kifolyólag mind a mesterséges intelligenciát , mind a gépi tanulást számos tudományos és mindennapi területen alkalmazzák.

Ebben az ágaban az AI-k egy vagy több algoritmusból állnak, amelyek nagy mennyiségű adat feldolgozására és ennek megtanulására képesek. A két fő ötlet, amelyen a téma kering:

• A rendszernek képesnek kell lennie az adatok elemzésére és készségek felépítésére, amelyeknek a születésekor nem volt. Az intelligenciának képesnek kell lennie arra, hogy autonóm módon, azaz emberi felügyelet nélkül elvégezze a munkát.

A valós világban olyan gyakorlati példák találhatók, mint például a spam osztályozása e-mailekben, kapcsolódó ajánlások az Amazon-on vagy jövőbeli előrejelzések a vállalati adatok felhasználásával. Ez utóbbi érdekes szakasz, amelyre egyre több cég fogad.

A Machine Learning segítségével láthatjuk, hogy milyen minták azonosítják az elégedetlen ügyfeleket vagy az ex-ügyfeleket, hogy megpróbálják javítani a kapcsolatot az azonos állapotú más felhasználókkal. Bizonyos profilok létrehozásakor megvizsgálják a szolgálati idõt, a panaszok számát, a szerzõdéssel kötött terveket és mások . Amint az AI következtetéseit levonják, a marketingszakértők csoportja létrehozhat egy speciális kampányt e problémák leküzdésére.

Így a vállalat bizonyos feltevések alapján terveket készíthet ügyfelek vonzására vagy megtartására, és egy reaktív stratégiától a proaktív felé halad . Ez egy nagyon érdekes taktika, amely mesterséges intelligenciát , nagy mennyiségű adatot és gépi tanulást használ.

Hogyan képzik a mesterséges intelligenciát ?

A mesterséges intelligencia elkészítéséhez különböző szakaszokban kell lennie :

1. Először egy ellenőrzött környezetben megy keresztül . Itt nagy mennyiségű adatot és azok eredményeit adja meg, amelyekkel kapcsolatot hozhat létre az ötletek között. Ezt a részt felügyelt tanulásnak hívják . Ezután egy szabad és megválaszolatlan környezetbe kerül, ahol az AI- nek ki kell választania az eredményt. Annak megismerésével, hogy a válaszok helyesek-e vagy sem, új szabályokat hoz létre az algoritmusban. Ezt a szakaszt felügyelet nélküli tanulásnak hívják . Végül olyan környezetet készítenek számára, ahol elbukik. Ha például nehéz neked megkülönböztetni az alacsony fényerősségű képeket, akkor előfordulhat, hogy éjszakai fényképeket készít fel. Ezt a fázist megerősítő tanulásnak hívják . A folyamat a 2. lépéstől kezdve elvégezhető annyiszor, amennyit csak akar az intelligencia finomhangolására.

A gépi tanulás általános sémája

Praktikus példa lenne, ha egy AI tízmillió fényképet mutatna be, és elmondja nekik, hogy melyek kutyák, és melyek nem. Itt fogja mondani, hogy a kutyáknak általában szőrme van, általában négy lábon járnak, és a fajtától függően különböző alakúak és méretűek.

Ezután egymillió fényképet kap a besoroláshoz. Itt meg kell válaszolnia, hogy van-e kutya a képen, és annak alapján, hogy új „ötleteket” készít-e az adatbázisában. Az új adatok megvalósításához az intelligencia új szabályokat fog alkotni algoritmusában, és például képes lesz megkülönböztetni a kutyákat a macskáktól.

Végül megvizsgálják hatékonyságát, és új fényképeket készítenek gyenge pontjainak kiképzésére.

Természetesen ez egy egyszerű és nagyon ismételt rendszer a demonstrációhoz, de vannak más kísérleti és sajátos módszerek is.

Tay, a Twitter bot

A Tay egy nemrégiben alkalmazott kísérleti képzés volt a Microsoft által kifejlesztett AI , amelynek célja az ember kifejezése.

Tay Twitter-profilja

A botot úgy programozták, hogy eredetileg 19 éves lányként beszéljen , és 2016. március 23-án engedték szabadon a Twitter sötét helyein .

Úgy programozták, hogy beszéljen a közösséggel, és tanuljon a kapott üzenetekből, valamint a felhasználókkal való interakcióból. Tanulása szinte teljesen önálló volt, bár 16 óra elteltével vissza kellett vonnia a negatív viselkedés bemutatása miatt.

Élete rövid időtartama alatt több mint 96 000 tweetet tweetelt . Ennek a közösségi hálózatnak a szándékos sértő magatartása azonban gyorsabbá tette Tay válaszát rasszista és más kifejezésekkel.

Ebben az esetben a felügyelt tanulást és az alapszabályok sorozatát megfelelően felül kellett volna módosítani. Ismerve a szociális hálózat gondtalan és sértő hangját, Tay nem volt hajlandó megkülönböztetni az igazi szarkasztikustól. Ugyanebből az okból néhány felhasználónak sikerült könnyen "áttörnie" az intelligencia "intellektuális akadályát" .

Gépi tanulási alkalmazások a valós világban

Már beszéltünk néhány napi felhasználásáról, amelyekről talán már tudta a gépi tanulást , de milyen más esetek vannak.

Az alábbiakban e technológia gyakorlati alkalmazásának sorozatát láthatja a leggyakoribb problémák esetén. Természetesen élvonalbeli megoldások, tehát általában lényegesen több pénzt igényelnek.

egészség

Kutatás alatt áll egy új típusú ruházat technológiája, amely képes a testünkre vonatkozó információk olvasására. Lehet, hogy képes leolvasni pulzusunkat, légzésünket vagy szorongásunkat.

Ezeket az adatokat egy intelligencia olvasja el, amely valós időben értékeli a beteg állapotát . Tehát ha valamilyen problémája van, például szívroham egy adott időpontban, akkor gyorsabban diagnosztizálhat és / vagy reagálhat.

Másrészt néhány emberben öngyilkossági gondolatokat észlelni képes botok kerültek alkalmazásra. A híres Facebook Intelligencia a beszélgetéseket és az ön tevékenységét felismeri az öngyilkossági tendenciák mintáinak felismerése érdekében, bár vannak más verziók, amelyek közelebbről tanulmányozzák az ember viselkedését, hangszínét és testbeszédet.

bevételek

A közgazdaságtanban néhány bank és vállalat Machine Machine alapú megoldásokat használt a csalások felderítésére és megelőzésére.

Másrészt, valami hasonlót is használnak a befektetési lehetőségek könnyebb azonosítására. Arra is dönt, hogy mikor kell eladni vagy vásárolni részvényeket és egyéb eszközöket.

értékesítés

Ezt már említettük, de ez az egyik legismertebb alkalmazása.

Előfordulhat, hogy lát egy pár terméket az Amazonon , belép a Facebookba, a Google vagy a Instagram és csak ezt a terméket látja hirdetéseiben. Nem véletlen, mivel a közösségi hálózatok és a Google olyan intelligenciákat valósítanak meg, amelyek tanulmányozzák az előzményeket és az Ön érdeklődési körét, hogy megragadhassák őket, ahol csak tudnak.

Egyes felhasználók ezt a felhasználó támadásának "támadásának" tekintik, és ez nem meglepő, mivel ötleteket bombáznak téged. A reklám azonban abban az irányban halad, mivel személyesebb, és a hirdetéseket a potenciális vásárlóknak célozzák meg.

Gépi tanulás és mély tanulás

Ez a két kifejezés általában kéz a kézben jár, de nem teljesen azonos. A jövőbeli cikkekben erről a második kifejezésről fogunk beszélni, mivel ezt meg kell tanulni.

Javasoljuk, hogyan lehet tiszta és egyszerűen eltávolítani az AMD illesztőprogramokat

Általánosságban elmondhatjuk, hogy a gépi tanulás és a mély tanulás között milyen kapcsolatot lehet létrehozni a mesterséges intelligencia és a gépi tanulás között . A mély tanulás a gépi tanulás még konkrétabb ága.

Megosztja azokat a kulcsfontosságú szakaszokat, mint például az időbeli fejlődés és a tapasztalatok, de van még egy sor különbség.

Egyszerűsített mély tanulás

Az adatok tanulásának és feldolgozásának alapja a különféle rétegek használata, amelyek úgy viselkednek, mintha neuronok lennének. Ezért megállapíthatjuk, hogy ezek az intelligenciák általában kifinomultabbak, de bonyolultabbak és költségesek is.

Annak ellenére, hogy ha jobban érdekli ezt a témát, maradjon velünk a weboldalon, és keresse fel a mély tanulásról szóló következő cikket.

Milyen messze vagyunk a Skynet-től ?

Megtaláljuk ezt a részt a leg álmodozottabb elmék számára.

Ez egy nagyon ismételt téma a könyvekben, filmekben és másokban. Nem hiába van egy pontosan a Cyberpunk nevű műfaj vagy téma. A mesterséges intelligencia által irányított futurisztikus disztopópiáktól távol a gépeinknek azonban még hosszú utat kell megtenniük.

Rick & Morty okos robotja

A mai gépi tanulási rendszerek a „ gyenge AI-k” csoportjába tartoznak . Mint láttuk, ezek az intelligenciák csak a minták megértésére és egyszerű következtetések készítésére képesek. Nagyon hasznosak, ha bizonyos összefüggésekben támogatnak minket, de egyáltalán nem önálló rendszerek.

Másrészt rendelkeznénk az „erős AI-kkel” , amelyek olyan futurisztikus történetekben jelennek meg, ahol egyenlőek vagy sokkal intelligensebbek, mint az emberek. Figyelemre méltó példákat találhatunk a népkultúrában, mint például a „Mátrix” , a „Terminátor” , a „Ghost in the Shell” vagy a „Halo” . Valójában ebben a listában két, egymással kapcsolatban álló munka található; Találd ki melyiket?

Ma továbbra is teljesen autonóm és biztonságos autókat fejlesztünk ki . Folyamatosan haladunk, de még mindig megvan a módja annak, hogy kifejlessünk egy egyenlő tényt, amelyet teljes egészében a technológia alkot.

Ha többet szeretne tudni róla, látogasson el a mesterséges intelligenciáról szóló cikkünkre . Ez egy szöveg általánosabb szempontból, és kicsit megvizsgáljuk a technológia esetleges következményeit.

Záró szavak a gépi tanuláshoz

A mesterséges intelligenciával kapcsolatos következtetésünkhöz hasonlóan egyértelmű, hogy a jövő bizonytalan. Elkerülhetetlen azonban, hogy felülvizsgáljuk az evolúciót, hogy a technológiát képességeik és jellemzői között megvalósítsuk.

Kis mértékben az internetet egyre jobban és jobban irányítják a programok és az algoritmusok. A közösségi hálózatokat jobban kalibráljuk, és ízlésünk szerint jobban kínálnak tartalmat . És végül: az online kapcsolatok sokkal biztonságosabbá válnak, ha könnyebben észlelik a csalás veszélyét vagy hasonlót.

Másrészt, ne lepje meg, hogy ebben a században az IoT ( a tárgyak internete) ragyogni fog . Ez egy olyan ötlet, amelyről régóta álmodtunk, és ez egyre közelebb kerül. Ezen túlmenően az IoT nagyszerű ajánlatot nyújt a gépi tanulással kapcsolatos csúcstechnológiák számára , bár a biztonság szempontjából még mindig hiányzik bizonyos kiigazítások.

A mi részünkről azt gondoljuk, hogy fokozatos fejlődés lesz, és mindaddig, amíg tájékozódik arról, hogy mi történik, addig nem kell félned. Az új autók vagy hűtőszekrények furcsának tűnhetnek számodra, de nem hiszem, hogy látnánk az „erős AI-k” felébredését .

Javasoljuk, hogy olvassa el a legjobb laptopokat

Végül be kell vallanunk, hogy nem vagyunk műszaki intelligencia vagy gépi tanulás szakértői, tehát ne lepődjünk fel furcsa adatokkal. Ha hibát követett el, ne habozzon, mondja el nekünk! Végül is nem vagyunk még tökéletes gépek.

És te, mit gondolsz a gépi tanulásról és a mesterséges intelligenciáról ? Ön szerint mely szempontból kell végrehajtani őket? Ossza meg ötleteit alább.

Clever Dataapdsaslagacetawhats new font