Üzenetek intellect board hi tech. A Google mesterséges intelligenciát hozott létre, amely képes önállóan tanulni. Felügyelet nélküli gépi tanulás
Feltéve a kérdést: Mi a mesterséges intelligencia? A válasz attól függ, hogy mikor tette fel a kérdést.
Minsky és McCarthy már az 1950-es években leírta a mesterséges intelligenciát minden olyan program vagy gép által végrehajtott feladatnak, amely úgy hajtható végre, mintha egy ember végezné el ugyanazt a feladatot egy intellektuális tevékenység formájában.
Nyilvánvalóan az AI meglehetősen tág meghatározása.
Az AI-rendszerek jellemzően az alábbi, az emberi intelligenciával kapcsolatos viselkedési formákat mutatják: tervezés, tanulás, érvelés, problémamegoldás, tudásreprezentáció, észlelés, mozgás és manipuláció, valamint kisebb mértékben szociális intelligencia és kreativitás.
Mi a mesterséges intelligencia haszna?
A mesterséges intelligenciát jelenleg mindenhol használják. Például virtuális hangasszisztensek, mint például az Apple Siri, hogy kiderítsék, ki és mi van a fényképen, azonosítani tudják a spameket vagy felderítik a hitelkártya-csalást.
A mesterséges intelligencia típusai
Nagyon magas szinten a mesterséges intelligencia két nagy típusra osztható: szűk AI és általános mesterséges intelligencia.
A keskeny mesterséges intelligencia az, amit ma magunk körül látunk a számítógépekben: olyan intelligens rendszereket, amelyeket megtanítottak vagy tanultak meg bizonyos feladatok elvégzésére anélkül, hogy kifejezetten be lenne programozva, hogyan kell ezt végrehajtani.
Ez a fajta gépi intelligencia nyilvánvaló az Apple iPhone Siri virtuális asszisztensének beszéd- és nyelvfelismerésében, valamint az önvezető autók látásfelismerő rendszereiben. Az emberekkel ellentétben ezek a rendszerek csak meghatározott feladatok végrehajtását képesek megtanulni vagy megtanulni, ezért nevezik őket szűk AI-nak.
Rengeteg új alkalmazás létezik a szűk mesterséges intelligencia számára: videók fordítása drónokról, amelyek infrastruktúrát (például olajvezetékeket) vizsgálnak, személyes és üzleti naptárak rendezése, egyszerű kérdések megválaszolása az ügyfélszolgálattól, tevékenységek összehangolása más intelligens rendszerekkel, feladatok végrehajtása, például szállodafoglalás. bármikor segít az esetleges daganatok azonosításában röntgen segítségével, blokkolja a nem megfelelő internetes tartalmakat, észleli a liftek kopását az IoT eszközökkel gyűjtött adatokból, a lista még hosszan folytatható.
Milyen funkciókat láthat el az általános mesterséges intelligencia?
Az általános mesterséges intelligencia nagyon eltérő, az emberi intelligenciához hasonló, adaptálható intelligenciatípus, az intelligencia rugalmas formája, amely képes megtanulni teljesen más feladatok elvégzését a hajvágástól a táblázatkészítésig, vagy az alapján különféle témákban érvelni. felhalmozott tapasztalat. Ez a mesterséges intelligencia gyakrabban látható olyan filmekben, mint a Skynet a Terminátorban, de ami ma még nem létezik, és mesterséges intelligencia szakértők írnak arról, hogy mindez hamarosan valósággá válik. 
Vincent Müller MI-kutató és Nick Bostrom filozófus négy szakértői csoport körében végzett 2012/13-as felmérés szerint 50 százalék az esélye annak, hogy a mesterséges általános intelligenciát (AGI) 2040 és 2050 között fejlesztik, 2075-re pedig 90 százalékra emelkedik. A csoport még tovább ment, és azt jósolta, hogy a mesterséges intelligencia szinte minden területen jelentősen felülmúlhatja az emberi tevékenységet.
Egyes mesterségesintelligencia-szakértők azonban úgy vélik, hogy az ilyen előrejelzések vadul optimisták, tekintettel arra, hogy korlátozott ismereteink vannak az emberi agyról, és úgy vélik, hogy az AGI továbbra is fejlődni fog az évszázadok során.
Mi az a gépi tanulás?
Az AI-kutatások széles skálája létezik, amelyek közül sok táplálja és kiegészíti egymást.
Jelenleg a gépi tanulás az, amikor egy számítógépes rendszer nagy mennyiségű adatot vesz fel, amelyet aztán arra használ, hogy megtanuljon egy adott feladatot, például beszédfelismerést vagy képaláírást.
Mik azok a neurális hálózatok (Botnet)?
A neurális hálózatok a kulcsa a gépi tanulási folyamatnak. Ezek egymással összefüggő algoritmusrétegekből álló intelligens hálózatok, úgynevezett neuronok, amelyek adatokat táplálnak egymásba, és amelyek az eredeti adatoknak tulajdonított fontosság megváltoztatásával taníthatók meghatározott feladatok elvégzésére. Ezeknek a neurális hálózatoknak a betanítása során a bemeneti adatok formájában csatolt információk jelentősége addig változik, amíg a neurális hálózat kimenete nagyon közel kerül a kívánthoz, ekkor a hálózat „megtanul” ezt vagy azt elvégezni. feladat.
A gépi tanulás egy részhalmaza a mély tanulás, ahol a neurális hálózatok kiterjedt hálózatokká bővülnek, hatalmas számú réteggel, amelyeket hatalmas mennyiségű adat felhasználásával képeznek ki. Ezek a mély neurális hálózatok ösztönözték a számítógépek azon képességének jelenlegi előrelépését, hogy olyan feladatokat hajtsanak végre, mint a beszédfelismerés és a számítógépes látás.
Különféle típusú neurális hálózatok léteznek, eltérő erősségekkel és gyengeségekkel.
A visszatérő neurális hálózatok olyan neurális hálózatok, amelyek különösen alkalmasak nyelvi feldolgozásra és beszédfelismerésre, míg a konvolúciós neurális hálózatokat leggyakrabban képfelismerésre használják. A neurális hálózatok egyik legtisztább példája az Google Fordító.
A mesterséges intelligencia kutatásának másik területe az evolúciós számítástechnika, amely Darwin híres természetes szelekciós elméletéből kölcsönözve észreveszi, hogy a genetikai algoritmusok véletlenszerű mutációkon és generációk közötti kombinációkon mennek keresztül, hogy egy adott problémára optimális megoldást találjanak.
Ezt a megközelítést még az AI-modellek felépítésére is használták, hatékonyan felhasználva az AI-t az AI létrehozásához. Az evolúciós algoritmusok ezt a használatát a neurális hálózatok optimalizálására hívják neuroevolúcióés fontos szerepet játszhat a hatékony mesterséges intelligencia kialakításának elősegítésében, mivel az intelligens rendszerek egyre szélesebb körben elterjednek, különösen akkor, ha az információ iránti kereslet gyakran meghaladja a kínálatot. Ezt a módszert nemrégiben mutatta be a cég Uber Labs, amely közzétette egy tanulmány eredményeit a genetikai algoritmusok használatáról a mély neurális hálózatok képzésére a probléma megerősítésével.
Végül vannak olyan szakértői rendszerek, amelyekben a számítógépeket olyan algoritmusokkal programozzák, amelyek lehetővé teszik számukra, hogy számos bemeneti adat alapján döntéseket hozzanak, lehetővé téve, hogy a gép egy adott területen egy emberi szakértő viselkedését utánozza. Ilyen tudásalapú rendszerekre példa lehet például egy robotpilóta rendszer egy repülőgépen.
Mi segíti a mesterséges intelligencia fejlődését?
Az utóbbi évek legnagyobb áttörései az AI technológiai kutatások terén a gépi tanulás, különösen a mély tanulás területén történtek.
Ennek oka részben az adatok könnyű elérhetősége, valamint a párhuzamos számítási teljesítmény fejlődésének rohamos növekedése az elmúlt években, melynek során egyre elterjedtebbé vált a GPU-klaszterek alkalmazása a gépi tanulási rendszerek betanítására.
Ezek a fürtök nemcsak erősebb rendszereket kínálnak a gépi tanulási modellek betanításához, hanem ma már széles körben elérhetők felhőszolgáltatásként az interneten keresztül. Az idő múlásával a nagy technológiai cégek, mint például a Google és a Microsoft, speciális processzorok használatára tértek át, amelyek mind a futó, mind az újonnan betanított gépi tanulási modellekhez igazodnak.
Az egyik ilyen egyedi chipre példa a (TPU), amelynek legújabb verziója felgyorsítja azt a sebességet, amellyel a Google Tensorflow szoftverkönyvtárával épített hatékony gépi tanulási modellek információra tudnak következtetni az adatokból, valamint azt a sebességet, amellyel betaníthatóak. .
Ezeket a chipeket nemcsak modellek betanítására használják a Google DeepMind számára, hanem olyan modellekhez is, amelyek a Google Photos képfelismerő és -felismerő szolgáltatásaiban szerepelnek, valamint olyan szolgáltatásokhoz, amelyek lehetővé teszik a nyilvánosság számára, hogy gépi tanulási modelleket készítsenek a Google TensorFlow segítségével. Ezeknek a chipeknek a második generációját a Google tavaly májusi konferenciáján mutatták be, és az új TPU-k egy sora képes a Google gépi tanulási modelljének betanítására, ami feleannyi idő alatt képes lefordítani, mint a csúcskategóriás grafikus feldolgozásból származó adattömb feldolgozásához szükséges idő. egységek (GPU-k).
Melyek a gépi tanulás elemei?
Mint említettük, a gépi tanulás az AI egy részhalmaza, és általában két fő kategóriába sorolható: felügyelt és felügyelt gépi tanulás.
Felügyelt gépi tanulás
A mesterséges intelligencia rendszerek betanításának elterjedt módszere az, hogy nagyon nagy mennyiségű információ felhasználásával, példákkal tanítják őket. Ezek a gépi tanulási rendszerek hatalmas mennyiségű adatot kapnak, amelyeket megjegyzésekkel jelöltek ki, hogy kiemeljék az érdekes funkciókat. Ezek lehetnek fotók, amelyek címkével jelzik a felhasználónak, hogy kutyát vagy tesztfeliratot tartalmaznak. Ez azt jelenti, hogy a rendszer felismeri a dokumentumot, szöveg vagy kép a dokumentumon. Ezután a rendszer meghatározza, hogy minek tulajdonítható a kép, és megfelelő címkéket helyez el a képekhez (állat típusa, emlékmű stb.), vagy megpróbálja felismerni és elolvasni a dokumentumon lévő szöveget. A betanítás után a rendszer ezeket a címkéket új adatokra, például az éppen feltöltött fotón látható kutyára tudja alkalmazni.
A gépek tanulásának ezt a folyamatát a fenti példában felügyelt tanulásnak nevezzük. A címkézést általában olyan platformokon dolgozó alkalmazottak végzik, mint pl.
Ezeknek az AI-rendszereknek a betanítása jellemzően adatintenzív, és egyes rendszereknek több millió példát kell felkutatniuk, hogy megtanulják, hogyan kell hatékonyan végrehajtani a feladatokat, bár ez egyre inkább lehetségessé válik az információ- és adatbányászat korában. A képzési adatkészletek hatalmasak és egyre növekvő méretűek – a Google Képekben körülbelül kilencmillió kép áll rendelkezésre, a YouTube videótárhelyén pedig akár hétmillió is található videójellel.
Az emberek részt vesznek az ilyen mesterséges intelligencia képzésében. Mint fentebb említettük, különféle címkéket helyeznek el a szövegekhez, képekhez, videókhoz. Ezeket a címkéket az AI példaként használja a jövőbeli szöveg- és képfelismeréshez. Két év alatt csaknem 50 000 fős személyzet gyűlt össze – a legtöbbet az Amazon Mechanical Turkon keresztül vették fel.
Hosszú távon a hatalmas címkézett adatkészletekhez való hozzáférés is kevésbé fontosnak bizonyulhat, mint a nagy mennyiségű számítási teljesítményhez való hozzáférés.
Az elmúlt években a gépi tanulási rendszerek megmutatták, hogy hatalmas mennyiségű információt tudnak előállítani saját tanulásuk érdekében.
Ez a megközelítés a félig felügyelt tanulás térnyeréséhez vezethet, ahol a rendszerek sokkal kevesebb címkézett adat felhasználásával tanulhatnak meg feladatokat, mint amennyire manapság a felügyelt tanulási rendszerekre van szükség.
Felügyelet nélküli gépi tanulás
Az előbbitől eltérően a felügyelet nélküli tanulás más megközelítést alkalmaz, ahol az algoritmusok úgy próbálják azonosítani az adatok mintázatait, hogy hasonlóságokat keresnek, amelyek felhasználhatók az adatok osztályozására.
Példa erre az azonos tömegű gyümölcsök vagy az azonos motorméretű autók csoportosítása.
Az algoritmus nincs előre konfigurálva bizonyos típusú adatok kiválasztására, egyszerűen olyan adatokat keres, amelyek hasonlóságai alapján csoportosíthatók, például a Google Hírek naponta csoportosít hasonló témájú híreket.
Megerősítő tanulás
A megerősítő tanulás során a rendszer megpróbálja maximalizálni a jutalmat az input alapján, alapvetően egy próba és hiba folyamaton megy keresztül, amíg el nem éri a lehető legjobb eredményt.
A megerősítő tanulásra példa az Google DeepMind, amelyet a jobb emberi teljesítmény érdekében használnak különféle klasszikus videojátékokban. A rendszer az egyes játékok képpontjaiból táplálkozik, és különféle információkat határoz meg, például a képernyőn lévő objektumok közötti távolságot.
Vezető cégek a mesterséges intelligencia technológia területén
A technológiai óriáscégek, valamint a startupok mindent megtesznek azért, hogy helyet nyerjenek a piacon a jövőbeli technológiáknak, nevezetesen a mesterséges intelligencia fejlesztéséhez kapcsolódó technológiáknak.
Mindegyikük rendszeresen ír tanulmányokat és cikkeket az MI-kutatásban, bár valószínű, hogy a Google a DeepMind AlphaGo-jával volt a legnagyobb hatással a közvélemény MI-tudatosságára.
Milyen AI-szolgáltatások állnak a felhasználók rendelkezésére?
Az összes fő Amazon felhőplatform és a Google Cloud Platform hozzáférést biztosít a GPU-hoz a gépi tanulási modellek előkészítéséhez és futtatásához.
Minden szükséges infrastruktúra és szolgáltatás elérhető a nagy háromtól a felhő adattárházakban, amelyek képesek a gépi tanulási modellek betanításához szükséges hatalmas mennyiségű információ tárolására, az adatátalakítási szolgáltatások az információk elemzésre való előkészítésére, a vizualizációs eszközök az eredmények egyértelmű megjelenítésére, valamint az egyszerűsítő szoftver. modell építés..
Ezek a felhőplatformok megkönnyítik az egyedi gépi tanulási modellek létrehozását, a Google nemrégiben bemutatta a Cloud AutoML nevű, mesterséges intelligenciamodell létrehozását automatizáló szolgáltatást. Ez a szolgáltatás egyéni képfelismerő modelleket hoz létre, még akkor is, ha a felhasználónak nincs korábbi gépi tanulási tapasztalata.
A felhőtechnológiára épülő gépi tanulás, szolgáltatások folyamatosan fejlődnek, az AI tanulási modellek egyszerűsödnek.
Azon cégek számára, amelyek nem szeretnének saját gépi tanulási modelleket építeni, hanem mesterséges intelligencia-alapú, igény szerinti szolgáltatásokat – például hang-, látás- és nyelvfelismerést – szeretnének használni, a Microsoft Azure kiemelkedik szolgáltatásainak széles skálájával, ezt követi a Google Cloud Platform, majd az AWS. Eközben az IBM iparág-specifikus mesterséges intelligencia-technológiai szolgáltatásokat is próbál értékesíteni, az egészségügytől a kereskedelemig, egy név alatt csoportosítva ezeket a kínálatokat, és a közelmúltban 2 milliárd dollárt fektetett be mesterségesintelligencia-szolgáltatásainak fellendítésére.
Ki nyeri az AI-versenyt?
Mesterséges intelligencia az egészségügyben
A mesterséges intelligencia jelentős hatással lehet az egészségügy fejlődésére azáltal, hogy segít a radiológusoknak a daganatok röntgenfelvételeken történő azonosításában, segíti a kutatókat a betegségekhez kapcsolódó genetikai szekvenciák felfedezésében, és olyan molekulákat azonosít, amelyek hatékonyabb gyógyszerekhez vezethetnek.
Az AI technológiát világszerte kórházakban tesztelték. Ilyen például az IBM Watson rendszer, a Google DeepMind rendszereinek az Egyesült Királyság Nemzeti Egészségügyi Szolgálata általi használata stb.
Megint attól függ, kit kérdezel.
A Tesla és a SpaceX vezérigazgatója szerint a mesterséges intelligencia "alapvető kockázatot jelent az emberi civilizáció létezésére nézve". Az erősebb szabályozási felügyelet és az elszámoltathatóbb kutatás érdekében az AI hiányosságainak mérséklésére irányuló törekvésének részeként létrehozta az OpenAI-t, egy non-profit mesterséges intelligencia kutató céget, amelynek célja az emberbarát mesterséges intelligencia előmozdítása és fejlesztése, amely a társadalom javát szolgálja. egész.
Hasonlóképpen, a tekintélyes fizikus, Stephen Hawking arra figyelmeztetett, hogy ha egy kellően fejlett mesterséges intelligencia létrejön, az gyorsan eljut arra a pontra, ahol a technológia sokszorosan meghaladja az emberi képességeket, ezt a jelenséget szingularitásként ismerik, és egzisztenciális veszélyt jelenthet az emberiségre. verseny.
Az a felfogás azonban, hogy az emberiség a mesterséges intelligencia általi elpusztítás küszöbén áll, néhány MI-kutató számára álságosnak tűnik.
Az a lehetőség, hogy mesterségesen intelligens rendszerek helyettesítik a mai kézi munka nagy részét, elvehetik az emberektől a munkahelyeket. Ez a valószínűbb elmélet a közeljövőben.
Bár a mesterséges intelligencia nem váltja fel az összes munkát, úgy tűnik, hogy megváltoztatja a munka jellegét, és csak az a kérdés, hogy az automatizálás milyen gyorsan és milyen mélyen változtatja meg a munkahelyet.
Az emberi erőfeszítéseknek alig van olyan területe, amelyet a mesterséges intelligencia ne tudna elsajátítani. Andrew Ng mesterséges intelligencia-szakértő így fogalmaz: „Sok ember rutinszerű, ismétlődő munkát végez. Sajnos a technológia különösen jó a rutinszerű, ismétlődő munka automatizálásában”, kijelenti, hogy „a technológiai munkanélküliség jelentős kockázatát látja a következő néhány évtizedben”.
A bizonyítékok kezdenek megjelenni arra vonatkozóan, hogy mely munkahelyek fognak kiszorulni. Az Amazon nemrégiben elindított egy seattle-i szupermarketet, ahol a vásárlók egyszerűen leveszik az árukat a polcokról, és távoznak. Hogy ez mit jelent az Egyesült Államokban pénztárosként dolgozó több mint hárommillió ember számára, az majd kiderül. Az Amazon robotokat kíván használni a raktárai hatékonyságának javítására. Ezek a robotok árukat rendeznek és szállítanak egy emberi válogató számára, aki kiválasztja a szállítandó tételeket. Az Amazon több mint 100 000 robottal rendelkezik az elosztóközpontokban, és tervezi a robotok fejlesztését és számának növelését. De az Amazon azt is hangsúlyozza, hogy a robotok számának növekedésével az emberi munkások száma is növekedni fog ezekben a raktárakban. Az Amazon és a kisebb robotgyártó cégek azonban már látják, hogy emberek és robotok együtt dolgoznak. Ezeket a robotokat, amelyek együtt dolgoznak egy emberrel egy térben, az úgynevezett kobotok.
A teljesen autonóm önvezető autók megjelenése a közutakon nem valóság, de egyes becslések szerint ez a technológia 1,7 millió munkahelyet foglalhat el a következő évtizedekben, még akkor is, ha nem vesszük figyelembe a futárokat és a taxisokat, akik szintén kiszállnak. munkában.
A legkönnyebben automatizálható feladatok némelyikéhez azonban még robotika sem szükséges. Jelenleg emberek milliói dolgoznak adminisztrációban, adatokat írnak be és másolnak a rendszerek között, foglalnak szállodákat cégeknek, és még sok minden mást. Ahogy a szoftverek javulnak, automatikusan frissítik a rendszereket, és megjelölik a fontos információkat, csökkenni fog a rendszergazdák iránti igény.
De új munkahelyek jönnek létre az elveszettek pótlására. Javasoljuk, hogy olvassa el az erről szóló "" cikket. Azt azonban nem tudni, hogy milyen gyorsan jönnek létre új munkahelyek az ember által elvesztett munkahelyek pótlására. És képesek lesznek-e az emberek ilyen gyorsan tanulni és alkalmazkodni az új technológiákhoz.
Nem minden ember pesszimista. Egyesek számára a mesterséges intelligencia olyan technológia, amely kiegészíti, nem helyettesíti a dolgozókat.
Az AI-szakértők között vannak vélemények arról, hogy a mesterségesen intelligens rendszerek milyen gyorsan lépik túl az emberi képességeket.
Az Oxfordi Egyetem Future of Humanity Institute több száz gépi tanulási szakértőt kért fel arra, hogy jósolják meg a mesterséges intelligencia lehetőségeit az elkövetkező évtizedekben.
A vállalatok mesterséges intelligenciaként is kiegészítették ezt a kihívást, amely a számítások szerint 2027-re leépítik a teherautó-sofőröket, 2031-re a mesterséges intelligencia felülmúlja az emberi képességeket a kiskereskedelemben, 2049-re bestsellert ír, 2053-ra pedig sebészi munkát végez.
Szakértők becslése szerint viszonylag nagy a valószínűsége annak, hogy a mesterséges intelligencia 45 éven belül minden területen felülmúlja az embert, és 120 éven belül minden emberi munkát automatizál.
Vajon a mesterséges intelligencia megment minket a válságtól?
Az előzetes becslések szerint idén az orosz IT-piac pénzben kifejezve nem sokban tér el az előzőtől. Ennek egyik oka az ország általános gazdasági helyzete. „Általában az idei évben azt várjuk, hogy a gazdaság 1,8 százalékos növekedést fog mutatni, az infláció pedig 3,4 százalék körül zárja az évet” – mondta Makszim Oreskin, az Orosz Föderáció gazdaságfejlesztési minisztere. idén ősszel az ország 2019-2021 közötti társadalmi-gazdasági fejlődésének előrejelzéséről. és a 2024-ig tartó időszakra.
Az egyik ilyen piac a mesterséges intelligencia (AI) rendszerek piaca. Kirill Korniliev, a bizottság vezetője és az IBM alelnöke az APKIT IT-ipar fejlődését nyomon követő bizottságának novemberi ülésén felszólalásában emlékeztetett arra, hogy a Frost & Sullivan szerint az AI-technológiák 2030-ig történő bevezetése növekedést jelent majd. a világcégek forgalmában 15700 milliárddal . dollár (ebből 10,7 billió amerikai és kínai cégektől származik) az ITWeek cikke szerint.
A mesterséges intelligencia globális gazdasághoz való hozzájárulásáról körülbelül ugyanazokat az értékeléseket tartalmazza a PwC „Mi a mesterséges intelligencia valós értéke az Ön vállalkozása számára, és hogyan tud tőkésíteni?” című jelentésében: fokozatosan emelkedik körülbelül 1 billióról. 2017-ben csaknem 16 billió dollárra nőtt. dollár 2030-ban. Ami hazánkat illeti, a gépi tanulási piac 700 millió rubelről fog növekedni. 2017-ben 28 milliárd rubelre. 2020-ban (azaz körülbelül 40-szer!), idén pedig körülbelül 1 milliárd rubel lesz.
Ilyen magas elvárások mellett érdekes az I-Teco Vállalatcsoport Kognitív Technológiai Központjának vezetőjének, Ilja Kalaginnak a véleménye, hogy az AI és a gépi tanulás piaca megmentheti a hazai integrátorokat a tönkremeneteltől. a hagyományos informatikai projektek iránti kereslet visszaesése.
Ugyanakkor meg kell érteni, hogy az AI nem csodaszer – hangsúlyozta Ilja Kalagin. És nem mindig a mesterséges intelligencia hatékonyabb, mint a természetes. Főleg, ha ez utóbbi az alkalmazott matematika jól kidolgozott hagyományos, modern BI-rendszerekben "materializált" módszereit alkalmazza. Nem titok, hogy az AI-rendszerek fejlesztői hajlamosak eltúlozni sikereiket és elhallgatni kudarcaikat, gyakran elfogult benyomást keltve a neurális hálózatokról és a neuroszámítógépekről. Amint azonban Ilya Kalagin megjegyzi, ez a helyzet nem csak a neurális hálózati rendszerek fejlesztőire jellemző.
Úgy véli továbbá, hogy mielőtt a mesterséges neurális hálózatokkal olyan problémákat lehetne megoldani, ahol emberéletek vagy fontos ipari létesítmények forognak kockán (például az atomenergiában), meg kell oldani e hálózatok megbízhatósági kérdéseit. Ugyanakkor felhívja a figyelmet arra, hogy az AI-technológiák fejlesztésének folyamata folyamatban van, és a modern neurális hálózati algoritmusok hatékonyságukat tekintve már jelentősen felülmúlták a hagyományos algoritmusokat a gépi látás és a fordítás terén.
Megtette a lehetetlent – olyan önfejlesztő programot dolgozott ki, amely képes emberi beavatkozás nélkül gondolkodni és tanulni. Azzal, hogy versenyt rendeztek ennek a verziónak a korábbi programjaival, az új termék a legjobb oldalát mutatta meg, és megnyerte az egyik legnehezebb játékot - a Go -t, írja az oldal.
Az AlphaGo Zero képes önállóan fejlődni
A cég mérnökeinek sokat kellett izzadniuk. Átírták az AlphaGo régi verziójának neurális hálózati algoritmusait, így egy továbbfejlesztett öntanuló AlphaGo Zero-t hoztak létre. Ez a mesterséges intelligencia olyan okos, hogy néhány óra alatt elsajátította a Go logikai társasjáték készségeit.
Aztán elkezdődött a komolyabb verseny – az AlphaGo Zero 2016-ban a Go-t játszotta elődeivel, AlphaGo Lee-vel, AlphaGo Master-rel és AlphaGo-val. Érdemes megjegyezni, hogy néhányan még a világbajnokokat is megverték, a Go legerősebb játékosait. Ám az AlphaGo Zero nem hagyott esélyt a győzelemre, darabokra zúzta a régi verziókat.
Az új mesterséges intelligencia titka, hogy folyamatosan edz. Az AlphaGo Zero eleinte játszott önmagával, és emlékezett minden hiányosságra. Ennek megfelelően az algoritmusok minden lépést elemeztek, és megkeresték az optimális megoldást, amely segít a győzelemben.
Aztán mindezt az információt elmentették. Ezt követően az AlphaGo Zero készen állt egy új játékra, erősebb ellenféllel és nehezebb lépésekkel. Ez a működési elv lehetővé teszi a program számára, hogy fejlődjön, tanuljon, nyerjen és a legokosabb legyen.
A JoInfoMedia újságírója, Lesya Melnyk emlékeztet arra, hogy az interaktív firka az Office Romance című film tiszteletére készült.
Az Egyesült Államok és Thaiföld szakemberei olyan módszert dolgoztak ki, amellyel 3D nyomtatás és mesterséges intelligencia segítségével hűen reprodukálhatják a világ művészeti remekeit. Ennek a kombinációnak köszönhetően lehetséges a kép színpalettája az eredetihez a lehető legközelebb eső reprodukálása. A módszer sok réteg különböző színű tintával történő nyomtatásán alapul, ami lehetővé teszi, hogy a kép minden egyes töredékéhez az eredetihez legközelebb eső színt kapjuk. A technológiát a SIGGRAPH Asia 2018 konferencián mutatják be.
A világgyakorlatban gyakran alkalmazzák a világművészet remekeinek másolását. Ezt nem némi csalás miatt teszik, hanem azért, hogy minél többen megismerkedhessenek a munkával. Ezen túlmenően a műalkotások tulajdonosai így megvédhetik az eredeti példányokat a pusztulástól.
A reprodukciók általában nagy pontosságú szkennerekkel és nyomtatókkal készülnek. Ennek a technikának a lehetőségei azonban nagyon korlátozottak, és nem teszik lehetővé az eredeti szépségének a legapróbb részleteiben való közvetítését. Ennek oka több hiányosság. Például az egyik az, hogy az általánosan használt nyomtatók négy szín kombinációját használják az eredeti színének reprodukálására, ami csökkenti a szín pontosságát. Ezen túlmenően a nyomtatók általában az eredeti színének kolorimetrikus, nem pedig spektrális reprodukcióját hozzák létre, ezért a nyomtatott kép csak bizonyos referencia megvilágítás mellett áll közel az eredetihez.
A pontosabb másolat beszerzése lehetővé teszi a Massachusetts Institute of Technology kutatóinak fejlesztését - a RePaint rendszert, amelyben a mesterséges intelligencia vezérli a 3D nyomtatót, és lehetővé teszi az eredeti színek átvitelét a világítástól függetlenül.
A reprodukció létrehozása ezzel a módszerrel több szakaszból áll. Először az eredeti jó minőségű beolvasása történik. Ezt követően a rendszer kiszámítja a 3D nyomtatás paramétereit. Az utolsó lépés valójában a másolat tényleges nyomtatása egy 3D nyomtatón. A reprodukciók legmegbízhatóbb színvisszaadása érdekében a mérnökök speciális felvételi módszert alkalmaznak. A hordozóra helyezett eredeti képet multispektrális kamera készíti. Szkenneléskor a kamera előtt lévő folyadékkristályszűrő 10 nm-es sávszélességét 420 nm-ről 720 nm-re változtatja. Ugyanakkor a fényképezőgép monokróm képeket készít, majd ezeket egyetlen képpé egyesíti, amelyben 31 spektrális érték felel meg minden pixelnek.
A másolat újbóli létrehozásához 3D nyomtatót használnak, amely képes rétegről rétegre számos különböző áttetsző tintát nyomtatni. A színek közötti zökkenőmentes átmenet érdekében a féltónusos kép létrehozásának klasszikus módszerét használják. Az egész folyamatot két neurális hálózat irányítja, amelyek közül az egyik különböző anyagokból álló rétegek spektrumát jelzi előre. A mérnökök ezt a neurális hálózatot egy sok milliméter méretű négyzetből álló nyomtatott lemez alapján képezték ki, amely rétegek különböző kombinációiból áll.
Az első neurális hálózat segítségével a másodikat betanították. Az inverz problémára használják - előrejelzi a rétegek optimális elrendezését különböző anyagokból a számára biztosított képhez.
Sajnos jelenleg a technológiának korlátai vannak. A rendszer képes képeslapnál nem nagyobb reprodukció készítésére. Ha azonban a technológia méretezhető, akkor a múzeumoknak újabb lehetőségük nyílik megőrizni a felbecsülhetetlen értékű eredeti példányokat a legpontosabb másolatok bemutatásával.
Az Egyesült Államok és Thaiföld szakemberei olyan módszert dolgoztak ki, amellyel 3D nyomtatás és mesterséges intelligencia segítségével hűen reprodukálhatják a világ művészeti remekeit. Ennek a kombinációnak köszönhetően lehetséges a kép színpalettája az eredetihez a lehető legközelebb eső reprodukálása. A módszer sok réteg különböző színű tintával történő nyomtatásán alapul, ami lehetővé teszi, hogy a kép minden egyes töredékéhez az eredetihez legközelebb eső színt kapjuk. A technológiát a SIGGRAPH Asia 2018 konferencián mutatják be.
A világgyakorlatban gyakran alkalmazzák a világművészet remekeinek másolását. Ezt nem némi csalás miatt teszik, hanem azért, hogy minél többen megismerkedhessenek a munkával. Ezen túlmenően a műalkotások tulajdonosai így megvédhetik az eredeti példányokat a pusztulástól.
A reprodukciók általában nagy pontosságú szkennerekkel és nyomtatókkal készülnek. Ennek a technikának a lehetőségei azonban nagyon korlátozottak, és nem teszik lehetővé az eredeti szépségének a legapróbb részleteiben való közvetítését. Ennek oka több hiányosság. Például az egyik az, hogy az általánosan használt nyomtatók négy szín kombinációját használják az eredeti színének reprodukálására, ami csökkenti a szín pontosságát. Ezen túlmenően a nyomtatók általában az eredeti színének kolorimetrikus, nem pedig spektrális reprodukcióját hozzák létre, ezért a nyomtatott kép csak bizonyos referencia megvilágítás mellett áll közel az eredetihez.
A pontosabb másolat beszerzése lehetővé teszi a Massachusetts Institute of Technology kutatóinak fejlesztését - a RePaint rendszert, amelyben a mesterséges intelligencia vezérli a 3D nyomtatót, és lehetővé teszi az eredeti színek átvitelét a világítástól függetlenül.
A reprodukció létrehozása ezzel a módszerrel több szakaszból áll. Először az eredeti jó minőségű beolvasása történik. Ezt követően a rendszer kiszámítja a 3D nyomtatás paramétereit. Az utolsó lépés valójában a másolat tényleges nyomtatása egy 3D nyomtatón. A reprodukciók legmegbízhatóbb színvisszaadása érdekében a mérnökök speciális felvételi módszert alkalmaznak. A hordozóra helyezett eredeti képet multispektrális kamera készíti. Szkenneléskor a kamera előtt lévő folyadékkristályszűrő 10 nm-es sávszélességét 420 nm-ről 720 nm-re változtatja. Ugyanakkor a fényképezőgép monokróm képeket készít, majd ezeket egyetlen képpé egyesíti, amelyben 31 spektrális érték felel meg minden pixelnek.
A másolat újbóli létrehozásához 3D nyomtatót használnak, amely képes rétegről rétegre számos különböző áttetsző tintát nyomtatni. A színek közötti zökkenőmentes átmenet érdekében a féltónusos kép létrehozásának klasszikus módszerét használják. Az egész folyamatot két neurális hálózat irányítja, amelyek közül az egyik különböző anyagokból álló rétegek spektrumát jelzi előre. A mérnökök ezt a neurális hálózatot egy sok milliméter méretű négyzetből álló nyomtatott lemez alapján képezték ki, amely rétegek különböző kombinációiból áll.
Az első neurális hálózat segítségével a másodikat betanították. Az inverz problémára használják - előrejelzi a rétegek optimális elrendezését különböző anyagokból a számára biztosított képhez.
Sajnos jelenleg a technológiának korlátai vannak. A rendszer képes képeslapnál nem nagyobb reprodukció készítésére. Ha azonban a technológia méretezhető, akkor a múzeumoknak újabb lehetőségük nyílik megőrizni a felbecsülhetetlen értékű eredeti példányokat a legpontosabb másolatok bemutatásával.
