Openbravo-rus.ru

Образование по русски
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Машинное обучение новый искусственный интеллект

Искусственный интеллект, машинное обучение и глубокое обучение: в чём различия

Полина Кабирова, коммерческий автор и переводчик, специально для блога Нетологии перевела статью Калума Макклилланда о том, чем отличаются искусственный интеллект, машинное и глубокое обучение и как интернет вещей и искусственный интеллект влияют друг на друга.

Мы все знакомы с термином «искусственный интеллект» (ИИ). О нём снято много фильмов — «Терминатор», «Матрица», «Из машины». Но вы, наверное, слышали и о других терминах — машинное обучение (Machine Learning) и глубокое обучение (Deep Learning). Их иногда используют как синонимы искусственного интеллекта, в результате не видно разницы между искусственным интеллектом, машинным обучением и глубоким обучением.

В статье расскажу, каковы отличия между искусственным интеллектом, машинным и глубоким обучением, а затем объясню, как ИИ и интернет вещей связаны друг с другом.

Различия между терминами

Американский информатик Джон Маккарти, впервые употребив термин «искусственный интеллект» в 1956 году, понимал под этим компьютеры, способные выполнять характерные для человеческого интеллекта задачи: планирование, понимание языка, распознавание объектов и звуков, умение обучаться и решать задачи.

Различают сильный и слабый искусственный интеллект. Сильный обладает всеми свойствами человеческого интеллекта, упомянутыми выше. Слабый интеллект способен качественно выполнять только ограниченное количество действий. Компьютер, который распознаёт изображения, но больше ничего не умеет, — пример слабого ИИ.

Машинное обучение — это процесс реализации искусственного интеллекта.

В 1959 году Артур Сэмюэл придумал термин «машинное обучение» — способность компьютера учиться без участия человека. То есть искусственный интеллект возможен без машинного обучения, но для этого понадобится миллион строк кода со сложными правилами и условиями.

Другими словами, вместо прописывания подробных инструкций для каждой конкретной задачи используется алгоритм, который учится находить решения самостоятельно. Обрабатывая огромное количество данных в процессе машинного обучения, компьютер приспосабливается к условиям задачи и совершенствуется.

С помощью машинного обучения была значительно улучшена способность компьютера распознавать объект на изображении или видео — компьютерное зрение. Для этого вы собираете сотни тысяч картинок, а затем люди отмечают на них, например, кошек. Алгоритм строит для компьютера модель, чтобы тот смог определять и выделять картинки с кошками так, как это делает человек. В результате он «узнаёт», как выглядят кошки, и научится распознавать их без ошибок.

Глубокое обучение — один из множества подходов к машинному обучению.

Примеры других подходов: анализ дерева решений, индуктивное логическое программирование, кластеризация, обучение с подкреплением, Байесовская сеть.

Глубокое обучение вдохновлено строением человеческого мозга и взаимодействием нейронов. Появились алгоритмы, имитирующие организацию головного мозга — искусственные нейронные сети (ИНС).

ИНС состоит из искусственных нейронов, которые взаимодействуют между собой. Они расположены слоями — каждый слой реагирует на опредёленные признаки, например, изгибы и границы фигур при распознавании изображения. Именно из-за множества слоёв обучение называется глубоким.

Искусственный интеллект и интернет вещей неразрывно связаны

Взаимодействие между искусственным интеллектом и интернетом вещей похоже на отношение между человеческим телом и головным мозгом. Тело собирает информацию через зрение, слух, осязание. Мозг её обрабатывает и придаёт смысл — превращает свет в узнаваемые объекты, а звуки в понятную речь. Затем мозг принимает решения и подаёт телу сигнал, например, взять что-то или начать говорить.

Все подключенные датчики интернета вещей работают как наше тело — собирают исходные данные о том, что происходит в мире вокруг. Искусственный интеллект, как и мозг, интерпретирует эту информацию и решает, какие действия предпринять. Затем устройства, подключенные к интернету вещей, выполняют команду или взаимодействуют между собой.

Искусственный интеллект и интернет вещей стали важными и перспективными технологиями благодаря друг другу.

За последние годы машинное и глубокое обучение привели к прорыву в области искусственного интеллекта. При машинном и глубоком обучении компьютер обрабатывает большое количество данных, которые собирают миллиарды датчиков, составляющих интернет вещей.

Развитие ИИ также будет способствовать внедрению интернета вещей и приведёт к стремительному росту обеих областей.

С помощью интернета вещей искусственный интеллект совершенствуется. Благодаря искусственному интеллекту интернет вещей становится доступным для человека.

ИИ может прогнозировать необходимость ремонта или анализировать процесс производства. Это помогает увеличить эффективность работы и сэкономить миллионы долларов.

Технология адаптируется сама и не требует вмешательства человека. Не надо нажимать на кнопки, набирать текст, искать информацию — только сообщить, что нужно. Например, узнать прогноз погоды или подготовить дом ко сну — выключить кондиционер, закрыть двери, погасить свет.

Объединение технологических достижений

Компьютерные чипы становятся меньше, а техники производства — лучше. Появляются более дешёвые и мощные датчики. Технология изготовления аккумуляторов стремительно развивается, и скоро датчики будут работать много лет без подзарядки.

С появлением смартфонов и беспроводной связи можно дешёво передавать данные в большом объёме, отправляя информацию с датчиков в облако. С облачными технологиями место для хранения данных практически неограниченно, а вычислительные мощности для их обработки — бесконечны.

Конечно, влияние искусственного интеллекта на наше общество и будущее вызывает опасения. Но его развитие и внедрение в связке с интернетом вещей абсолютно точно повлияют на весь мир.

Мнение автора и редакции может не совпадать. Хотите написать колонку для «Нетологии»? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.

Машинное обучение новый искусственный интеллект

Об авторе: Андрей Беляев, технический директор (CTO) исследовательской компании Neurodata Lab.

Умные дома, самоуправляемые автомобили, роботы-помощники… Нас окружают инновационные технологии, в основе которых лежат алгоритмы, по своей специфике напоминающие работу человеческого мозга. Их называют по-разному: алгоритмы с использованием машинного обучения, глубокого обучения, а иногда и вовсе искусственный интеллект (ИИ).

В чем разница между этими названиями?

Все задачи, которые может решать человек или компьютер, можно условно разделить на две категории: рутинные и нерутинные.

К рутинным задачам можно отнести те, где достаточно просто найти универсальный путь решения: например, сложение чисел или измерение температуры воздуха.

Искусственным интеллектом сейчас принято называть все, что способно решать нерутинные задачи на уровне, близком к человеческому, а иногда и лучше. Такие задачи окружают нас везде. Камеры над дорогой вычисляют скорость автомобиля, распознают его знак и высылают штраф, а системы безопасности в метро и аэропортах находят преступников в толпе. Все это сегодня принято считать искусственным интеллектом, хотя в действительности алгоритмы, лежащие в основе каждой такой технологии, уникальны. И только некоторые используют машинное обучение.

Читать еще:  Примеры использования машинного обучения

Получается, что машинное обучение — это обучение ИИ

Искусственный интеллект — это название не какого-то отдельного алгоритма, но скорее группы методов, которыми пользуются для решения различного рода задач. Алгоритмы, которые используют подходы с обучением, являются лишь одной из подгрупп всего того множества алгоритмов, что принято называть искусственным интеллектом.

Машинное обучение — это подход, при котором алгоритм «учится» решать задачу. Один из самых простых примеров алгоритма, использующего машинное обучение, это классификация фотографий на те, где изображены кошки и те, где есть собаки:

Допустим, есть несколько тысяч фотографий кошек и несколько тысяч — собак. Эти данные можно загрузить в алгоритм и заставить его «учиться» отличать кошек от собак, «ругая» за ошибки в классификации и «поощряя» за правильные ответы. В зависимости от количества и качества вводных данных, а также от сложности используемого алгоритма после некоторого количества итераций с «наказанием» и «поощрением», получается обученный алгоритм, которой с разным качеством умеет отличать кошек и собак.

Применяя методы машинного обучения, эти же алгоритмы можно «натренировать» и для выполнения более сложных задач — таких как поиск людей на кадре, определение пола и возраста человека и т.д.

Такие алгоритмы можно научить решать задачи любой сложности?

В теории — да. Но на практике мы сталкиваемся с большим количеством проблем, начиная от недостаточного количества данных для обучения, заканчивая невозможностью интерпретировать действия человека при решении такой же задачи. Получается, что невозможно построить алгоритм, который эти действия бы совершал. Хороший пример — автопилотируемый автомобиль. Научить машину держать полосу, входить в повороты и автоматически перестраивать маршрут, если на дороге ремонт, сравнительно несложно, потому что есть понимание, как вел бы себя человек (а значит, как должна вести себя машина) в таких ситуациях.

Однако научить автомобиль принимать решения в чрезвычайных ситуациях гораздо сложнее: проблема в том, что и самому человеку трудно понять, как именно надо поступать в том или ином экстренном случае. Поэтому человек не может показать алгоритмам примеры хорошего и плохого поведения для таких случаев.

А что насчет глубокого обучения? Чем оно отличается от машинного?

Как машинное обучение является подвидом искусственного интеллекта, так и глубокое обучение является подвидом машинного (см. картинку в начале статьи). В глубоком обучении используются те же подходы: алгоритму дают много данных и «ругают» его за ошибки. Разница здесь в том, что сами алгоритмы глубокого обучения устроены гораздо сложнее и часто используют более серьезные математические модели. Сейчас под алгоритмами глубокого обучения практически всегда подразумевают нейронные сети.

Нейронные сети? Как те, что в мозгу у человека?

Такое сравнение действительно часто используется. Нейросеть — это последовательность слоев, каждый из которых, в свою очередь, состоит из нейронов, и каждый выполняет свою роль. Есть нейроны (или группы нейронов), которые учатся выделять важные элементы на изображениях, например шерсть у кошки или собаки; есть те, которые учатся делать выводы, исходя из выделенных элементов — например, если у животного длинные лапы, то, скорее всего, это собака. Эти нейроны объединяются в группы (слои), а они превращаются в единую нейронную сеть.

И все же можно как-то сравнить процессы внутри нейросети с деятельностью мозга?

Некоторое количество идей, используемых в нейросетях, разработчики почерпнули из знаний об устройстве человеческого мозга. Одни из самых частых задач для нейросетей — это задачи, связанные с работой с изображениями. Для таких задач используют специальный тип нейросетей, внутри которых есть так называемые сверточные слои.

Если говорить упрощенно, смысл этих слоев в том, чтобы оценивать каждый элемент картинки (пиксель) не отдельно, а в группе с несколькими соседними, благодаря чему можно находить как базовые фигуры (линии, углы, и т.д.), так и объекты целиком. Примерно такой же процесс происходит и в человеческом мозге при обработке визуальной информации. После снятия всех возможных визуальных признаков в нейросети, как и в человеческом мозге, происходит анализ этих признаков, а затем принимается решение: видим мы, допустим, кошку или собаку.

А как происходит процесс обучения?

Процесс обучения алгоритма во многом напоминает процесс обучения человека. Как мы совершаем ошибки и учимся на них (например, что не стоит засовывать руку в кипящую воду), так и алгоритмы, использующие машинное обучение, совершают ошибки, за что получают штраф.

В качестве примера можно рассмотреть процесс обучения нейросети распознаванию лиц. Чтобы корректно обучить любую нейросеть, нужно сделать две вещи: собрать достаточное количество данных и определить, за что мы будем ее штрафовать. Применительно к этой задаче, необходимо собрать несколько десятков фотографий лиц для каждого из людей, которых надо определить, и штрафовать нейросеть за то, что предсказанный ею человек не совпадает с человеком на фотографии.

Что значит «поощрять» и «штрафовать» нейросеть?

С математической точки зрения нейросеть — это функция с большим количеством параметров. Штрафование этой функции за неверное определения лица — это когда мы, упрощенно говоря, корректируем работу функции таким образом, чтобы в будущем она меньше ошибалась. Соответственно, поощрение нейросети — это когда мы ее просто не штрафуем.

Во всех примерах вы рассказываете про конкретные задачи. А можно ли нейросеть научить думать, как человек?

Это уже скорее философский вопрос. Мыслительный процесс напрямую связан с наличием сознания. Нейронная сеть, как и любой другой алгоритм машинного обучения, по своей сути является лишь математической функцией, и умеет решать лишь одну конкретную задачу. Нейросеть, которую учили отличать кошек и собак, не сможет отличить медведя от слона, ведь она даже не знала, что такие существуют. Процессы же анализа данных, которые происходят в голове у человека, намного сложнее чем те, что происходят в нейросети, так что даже при наличии данных, сопоставимых по размеру с массивом информации, которую за жизнь получает человек, сегодня обучить нейросеть думать, как человек, невозможно.

Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.

Машинное обучение новый искусственный интеллект

Нейросеть — это компьютерный алгоритм, основанный на идее большущего количества искусственных нейронов, каждый из которых выполняет какое-то элементарное вычисление, преобразуя входящий сигнал от других нейронов с использованием небольшого количества настраиваемых параметров.

Машинное обучение — это область знаний, занимающаяся изучением технологий, которые могут использоваться для создания так называемых «самообучающихся» программ. Использование нейросетей — это один из вариантов создания самообучающихся программ (но не единственный), поэтому нейросети — это один из объектов изучения в области машинного обучения.

Читать еще:  Машинное обучение воронцов

Искусственный интеллект — это компьютерная программа, которая способна эффективно решать поставленные ей задачи без чёткого алгоритма, используя для решения задачи «знания» и «опыт», полученные во время обучения или в результате решения предыдущих задач. Искусственный интеллект может быть основан на технологии нейросетей или на основе каких-то других математических / логических алгоритмов. В процессе создания искусственного интеллекта используются знания, относящиеся к машинному обучению.

Чем в таком случае нейросеть отличается от любой вычислительной машины, ведь там тот же принцип, совокупность арифметикологических устройств и каждый из них выполняет какое-то элементарное вычисление, преобразуя входящий сигнал от других с использованием небольшого количества настраиваемых параметров?

Прежде всего, вычислительная машина — это оборудование (процессор, память и т. д.).

Нейросеть — это не оборудование. Сейчас никто не создаёт целую отдельную вычислительную машину (компьютер) специально ради конкретной нейросети. Нейросеть — это программа, которая чаще всего способна выполняться на обычном компьютере (или иногда нейросеть выполняется на специальных процессорах, которые оптимизированы для более быстрой работы с задачами, типичными для нейросети, но сути это не меняет).

«Классическая программа» (назовём это так) отличается от нейросети тем, что она создаётся по принципу разделения большой задачи на всё более маленькие отдельные подзадачи до тех пор, пока эти отдельные подзадачи не окажутся настолько простыми, что их можно описать в виде элементарных арифметических и логических действий. Чтобы написать такую программу, программисту нужно самостоятельно осмыслить поставленную задачу, самостоятельно придумать решение и потом аккуратно и максимально точно и безошибочно это решение записать в виде программы. Если просматривать алгоритм этой программы, то легко проследить ход мышления программиста, который этот алгоритм создавал. Эта программа последовательна и понятна: «сперва нужно сделать первое, затем второе, затем, если вот так, то нужно сделать третье, если не так, то нужно сделать четвёртое».

Программа, которая предствляет собою нейросеть, выглядит совсем иначе. Если просматривать алгоритм нейросети, то он выглядит как миллионы коротких «циклов» (миллионы повторов, каждый из повторов состоит из небольшого количества простых команд), в которых не прослеживаются никакой конкретной мысли, никакой логики. Невозможно понять ни что должна делать эта нейросеть, ни как она будет это делать, непонятно на чём основывается принятие решений, что именно учитывается во время работы. Даже если потратить десять часов на изучение алгоритма, вряд ли что-то прояснится. То есть, на первый взгляд это просто бессмысленные многократно повторящиеся команды, которые берут какие-то случайные числа, что-то с ними делают (соврешенно непонятно зачем) и совершенно неясно, как из этого получается что-то осмысленное.

И поначалу необученная нейросеть действительно будет делать что-то практически полностью бессмысленное. Но во время обучения миллионы этих «случайных» чисел начнут обретать какой-то смысл. Причём чаще всего никто (включая создателей нейросети) не знает, какой именно смысл заключён в каком-нибудь конкретном числе.

В итоге, обученная нейросеть выглядит как миллионы повторов одной и той же несложной цепочки команд, и каждый из повторов отличается только тем, что он работает со своими собственными числами. Выглядит, как бессмыслица. Но если её запустить, то окажется, что она способна эффективно выполнять возложенную на неё задачу: способна принимать решения, иногда способна находить такие решения, которые не приходили в голову даже тем, кто её программировал.

Результаты предсказаний поведения людей оказались невысокими

Социологи из Принстонского университета провели эксперимент, призванный оценить эффективность применения искусственного интеллекта (ИИ) и машинного обучения для предиктивного анализа данных (прогнозирования будущего поведения) в отношении людей. Выяснилось, что точность предсказаний ИИ не дотягивает и до 25%.

Результаты исследования ученых из Принстонского университета были опубликованы в научном журнале Национальной академии наук США (PNAS). Исследователи хотели понять, насколько точными могут быть результаты применения ИИ и машинного обучения при анализе данных об условиях жизни конкретных людей с тем, чтобы спрогнозировать, как их жизнь будет развиваться в будущем. Также они хотели выяснить возможное попадание этих людей в группы риска, например в преступную среду. Отмечается, что некоторые социологи уже используют подобный предиктивный анализ данных при помощи ИИ.

Чтобы понять, насколько ИИ научился «предсказывать жизнь» людей, ученые из Принстона использовали помощь примерно 160 исследователей из разных стран. Они пытались спрогнозировать несколько вариантов будущего для членов около 4 тыс. семей на основании анализа примерно 13 тыс. условий их жизни и всевозможных факторов: уровня достатка, доступности образования и работы, размера семьи, психологических особенностей членов семьи, отношений между ними, экономической и политической ситуации и т. п. Эти данные были взяты из многолетней работы одного из авторов исследования, социолога Принстонского университета Сары Макланахан.

На протяжении 15 лет она исследовала жизни семей в США — от начала совместной жизни супругов, рождения детей до начала их учебы, карьеры их родителей, уровня материального положения и т. д. Исследование было начато в 2000 году и прослеживало все этапы жизни членов исследуемых семей. Принстонские ученые предоставили социологам, использующим предиктивные модели поведения людей при помощи ИИ, максимально полный набор факторов жизни этих семей, чтобы при помощи анализа этих данных ИИ смог предсказать, как повернулась жизнь членов этих семей.

Выяснилось, что, даже обладая обширными данными, предиктивный анализ ИИ дает невысокие результаты точности. Это, в частности, относилось к предсказанию изменения материального положения семьи, карьеры родителей, успеваемости детей в школе и т. п.

Максимальная точность прогнозов составила 23% применительно к такому фактору, как «материальные невзгоды» того или иного субъекта исследования, и 19% применительно к успеваемости в учебном заведении.

«Возможно, когда речь идет об абстрактных выводах, предсказания могут звучать неплохо»,— заявила в интервью MIT Technology Review Элис Сянь, представительница неправительственной ассоциации Partnership on AI, изучающей проблемы использования и практического применения ИИ. По ее словам, даже самые высокие результаты предиктивного анализа в юридической системе, который, например, прогнозирует вероятность совершения человеком повторного преступления, дают точность не более 60–70%. При этом фактически нередко бывает так, что повторные преступления такой анализ предсказывает лишь в 40% случаев.

Однако они предостерегают власти от того, чтобы чрезмерно полагаться на результаты такого анализа даже с использованием большего массива данных.

Как искусственный интеллект научился читать мысли

«Обладание большим объемом данных и более совершенными способами машинного обучения и ИИ не гарантирует точность предсказаний,— считает один из авторов исследования Мэтью Салганик.— При этом у политиков или должностных лиц, которые не имеют большого опыта в работе с ИИ в этой области, могут быть завышенные нереалистичные ожидания от использования подобных систем анализа».

Читать еще:  Работа с сайтами обучение

Нейронные сети, искусственный интеллект, машинное обучение: что это на самом деле?

Когда приложение уверяет вас, что работает на «искусственном интеллекте», на минутку кажется, что вы в будущем. Но что это на самом деле означает? Мы разбрасываемся громкими словечками — искусственный интеллект, машинное обучение, нейронные сети — но что они на самом деле означают и действительно ли помогают улучшать приложения?

Совсем недавно Google и Microsoft добавили обучение нейронных сетей в свои приложения перевода. Google утверждает, что использует машинное обучение, предлагая списки воспроизведения. Todoist говорит, что использует ИИ, чтобы предположить, когда вы должны закончить задачу. Any.do заявляет, что ее искусственный интеллект может делать некоторые задачи вместо вас. И все это было только на прошлой неделе. Часть маркетинговых уловок звучит впечатляюще и остается уловками, но иногда изменения, бесспорно, полезны. «Искусственный интеллект», «машинное обучение» и «нейронные сети» — все это описывает способы, которые используют компьютеры, чтобы выполнять более серьезные задачи и обучаться в процессе этого. И хотя вы, возможно, слышали, что разработчики приложений берут на вооружение системы других, на практике они очень отличаются.

Нейронные сети анализируют сложные данные, имитируя человеческий мозг

Искусственные нейронные сети (ИНС, или просто «нейронные сети») относятся к определенному типу модели обучения, которая эмулирует принцип работы синапсов в вашем мозге. Традиционные вычисления используют ряд логических операторов для выполнения задачи. Нейронные сети, с другой стороны, используют сеть узлов (которые действуют как нейроны) и аналогов синапсов (edge) для обработки данных. Входные данные проходят через систему и генерируются выходные данные.

Затем выводы сравниваются с известными данными. Например, скажем, вы хотите обучить компьютер распознавать изображение собаки. Вы пропускаете миллионы изображений собак через сеть, чтобы увидеть, какие изображения она решит принять похожими на собак. Затем человек подтверждает, какие изображения на самом деле являются собаками. Система отдает предпочтение пути в нейронной сети, который привел к правильному ответу. Со временем и спустя миллионы итераций, эта сеть в конечном итоге повысит точность своих результатов.

Чтобы увидеть, как это работает в действии, вы можете попробовать эксперимент Google Quick Draw!. В данном случае Google обучает сеть узнавать «дудлы», быстрые наброски. Она сравнивает рисунок, который вы рисуете с примерами, которые рисуют другие люди. Сеть обучается распознавать будущие дудлы на основании тех, что она видела в прошлом. Даже если вы рисуете как пятилетний ребенок (вроде меня), сеть весьма быстро распознает простые формы — подлодки, растения, уток. Попробуйте, весело.

Нейронные сети не панацея, но они прекрасно справляются со сложными данными. Google и Microsoft используют нейронные сети, чтобы обучать свои приложения перевода, поскольку перевод языков — это сложно. Мы часто видели плохие машинные переводы, но нейронные сети обучаются улучшать эти переводы, исходя из правильных переводов, с течением времени. То же самое происходит с переводом речи в текст. После того как была представлена нейронная сеть, работающая с Google Voice, ошибки в переводах снизились на 49%. Эти системы не идеальны, но они работают над собой, и это главное.

Машинное обучение учит компьютеры улучшаться на практике

Например, один из альтернативных методов машинного обучения называется обучение с подкреплением. В этом методе компьютер выполняет задачу и затем оценивает ее результат. Если, например, компьютер побеждает в шахматы, то он присваивает выигрышное значение серии ходов, которые использует во время игры. Сыграв миллионы игр, система может определить, какие шаги, скорее всего, приведут к победе, основываясь на результатах предыдущих игр.

В то время как нейронные сети хороши для таких вещей, как распознавание образов на изображениях, другие типы машинного обучения могут быть более полезными для различных задач вроде определения вашей любимой музыки. Google утверждает, что его музыкальное приложение найдет вам музыку, которую вы захотите послушать. Он делает это за счет анализа ваших предыдущих списков проигрывания. Если вам не понравится результат, машина расценит его как неудачу. Но если вы выберете один из предложенных списков, она пометит это как успех и проанализирует победоносные ходы, которые привели ее к вашему сердцу.

В подобных случаях вы не получите полную выгоду от машинного обучения, если не будете часто использовать эту функцию. Когда вы откроете музыкальное приложение Google впервые, рекомендации будут, скорее всего, мимо кассы. Но чем больше вы будете его использовать, тем лучше будут предложения. В теории, по крайней мере. Машинное обучение тоже не панацея. Машинное обучение более расплывчатое понятие, чем нейронные сети, но из него также следует, что программное обеспечение, которое вы используете, будет опираться на ваши отзывы, чтобы улучшать свою производительность.

Искусственный интеллект — это пока всё с приставкой «умный»

Причина того, что базовые телефонные возможности можно считать искусственным интеллектом, в том, что на самом деле есть два типа ИИ. Слабый или узконаправленный ИИ описывает любую систему, предназначенную для выполнению узкого списка задач. К примеру, Google Assistant или Siri, являясь довольно мощными ИИ, все же выполняют довольно узкий список задач. Они получают голосовые команды и возвращают ответы, либо запускают приложения. Исследования в области искусственного интеллекта питают эти функции, но они считаются «слабыми».

В противоположность этому, сильный ИИ — известный также как общий искусственный интеллект, или «полный ИИ» — это система, способная выполнять любую человеческую задачу. И она не существует. Поэтому любое «умное» приложение — это все еще слабый искусственный интеллект.

И хотя смысл может быть весьма расплывчатым, практические исследования в области искусственного интеллекта настолько полезны, что, вероятно, уже вошли в вашу повседневную жизнь. Каждый раз, когда ваш телефон автоматически запоминает, где вы припарковались, распознает лица на ваших фотографиях, получает поисковые предложения или автоматически группирует все ваши снимки с выходных, вы так или иначе касаетесь искусственного интеллекта. В определенной степени «искусственный интеллект» на самом деле просто означает, что приложения будут чуть умнее, чем мы привыкли. Едва ли метка «ИИ» сейчас означает хоть что-нибудь внятное с практической точки зрения.

Ссылка на основную публикацию
Adblock
detector