Wie funktioniert künstliche Intelligenz

In letzter Zeit haben wir . Er gilt fast überall: von der Sphäre der hohen Technologien und komplexe mathematische Berechnungen, die Medizin, den Automobilbau und sogar die Smartphones bei der Arbeit. Technologien Grundlage für die Arbeit der KI in der modernen Ansicht, die wir jeden Tag und manchmal sogar können nicht darüber nachzudenken. Aber was ist künstliche Intelligenz? Wie funktioniert es? Und ist die Gefahr?

Was ist künstliche Intelligenz

Für den Anfang lassen Sie uns ein wenig Terminologie definieren. Wenn Sie Lust auf künstliche Intelligenz, als etwas, das fähig ist, selbständig zu denken, Entscheidungen zu treffen, und in der Regel zeigen Anzeichen des Bewusstseins, das wir beeilen uns, Sie enttäuschen. Fast alle bisherigen Systeme noch nicht einmal nahe «stehen» auf diese Definition von KI. Und diejenigen Systeme, dass sind Anzeichen einer solchen Aktivität, in der Tat alle gleich gelten im Rahmen von im Voraus festgelegten algorithmen.

Manchmal diese algorithmen , aber Sie bleiben «Rahmen», in denen der KI. Keine «Carta» und umso mehr Anzeichen von Bewusstsein bei den Autos nicht. Es ist einfach eine sehr produktive Programme. Aber Sie «bin». Neben KI-System weiter verbessert werden. Ja und ordnete Sie ganz небанально. Auch wenn aufzuklappen, ist die Tatsache, dass die moderne KI bei weitem nicht perfekt, er hat mit uns sehr viel gemeinsam.

Wie funktioniert künstliche Intelligenz

In Erster Linie die KI kann Ihre Aufgaben (über die später mehr) und für den Erwerb neuer Fähigkeiten Dank der tiefen machine learning. Diesen Begriff haben wir auch oft hören und Essen. Aber was er bedeutet? Im Gegensatz zu «klassischen» Methoden, wenn alle notwendigen Informationen in das System laden im Voraus, algorithmen für maschinelles lernen gezwungen, das System selbst zu entwickeln, durch das Studium der verfügbaren Informationen. Die zudem, die Maschine in einigen Fällen kann auch selbst suchen.

Zum Beispiel, um das Programm zu erstellen für die Erkennung von Betrug, Algorithmus des maschinellen Lernens arbeitet mit einer Liste von Banking-Transaktionen und deren Endergebnis (legal oder illegal). Modell des maschinellen Lernens untersucht Beispiele und entwickelt eine statistische Abhängigkeit zwischen legitim und betrügerische Transaktionen. Danach, wenn du es zulässt Algorithmus Daten der neuen Banking-Transaktionen, er Stuft Sie auf der Basis von Vorlagen, die er подчерпнул Beispiel im Voraus.

Als Faustregel gilt, je mehr Daten Sie liefern, desto genauer wird der Algorithmus für maschinelles lernen bei der Erfüllung Ihrer Aufgaben. besonders nützlich bei der Lösung der Aufgaben, wo die Regeln nicht vordefiniert und kann nicht interpretiert werden im Binärsystem. Zurück zu unserem Beispiel mit Bankgeschäften: nach der Tatsache des am Ausgang haben wir binäre Zahlensystem: 0 — legaler Vorgang, 1 — illegale. Aber um einen solchen Schluss benötigt das System analysieren eine ganze Reihe von Einstellungen vor, und wenn Sie manuell, dann dauert es nicht ein Jahr. Ja und alle Optionen Vorhersagen sowieso nicht kommen. Und das System arbeitet auf der Grundlage einer gründlichen maschinellen Lernens, in der Lage zu erkennen, dass etwas, auch wenn genau einen solchen Fall Ihr vorher nicht gesehen.

Deep learning und neuronale Netze

In einer Zeit, als die klassischen algorithmen des maschinellen Lernens zu lösen viele Probleme, in denen es viele Informationen in Form von Datenbanken, die Sie nicht bewältigen, so zu sprechen, «visuelle und Gehör gekennzeichnet» Daten wie Bilder, Videos, Sounddateien und so weiter.

Beispiel: erstellen eines Modells zur Vorhersage von Brustkrebs mit den klassischen Ansätzen des maschinellen Lernens erfordert , Informatikern und Mathematikern, erklärt der Forscher im Bereich der KI Jeremy Howard. Wissenschaftler müssten viele der kleineren algorithmen, um maschinelles lernen bewältigen konnte, würde mit dem Informationsfluss. Ein separates Subsystem für das Studium der Röntgenbilder, privat — für MRT, andere — für die Interpretation der Analysen des Blutes, und so weiter. Für jede Art der Analyse, die wir brauchen würde sein eigenes System. Dann sind Sie alle vereint eine große System… Es ist ein sehr hartes und ресурсозатратный Prozess.

Deep-learning-Algorithmen lösen das gleiche Problem, mit der Tiefe , Art der Software-Architektur, inspiriert durch das menschliche Gehirn (obwohl neuronale Netze unterscheiden sich von biologischen Neuronen, Wirkungsweise haben fast die gleiche). Computer neuronale Netze — es ist eine Verbindung «elektronische Neuronen», die in der Lage sind zu verarbeiten und zu klassifizieren Informationen. Sie befinden sich wie «Schichten» und jeder «Schicht» ist verantwortlich für etwas sein, schließlich formt das Gesamtbild. Zum Beispiel, wenn Sie trainieren ein neuronales Netzwerk auf die Bilder von verschiedenen Objekten, es findet ein Verfahren zur Extraktion von Objekten aus diesen Bildern. Jede Schicht neuronales Netz erkennt bestimmte Merkmale: die Form von Objekten, Farbe, Art der Objekte und so weiter.

Oberflächenschichten neuronaler Netze Allgemeine Merkmale entdecken. Tiefere Schichten zeigen bereits die tatsächlichen Objekte. Auf der Zeichnung ist das Schema der einfachen нейросети. Grün sind die Eingabe-Neuronen (поступаюзая Informationen), blau — versteckte Neuronen (Datenanalyse), gelb — output-Neuron (Beschluss)

Neuronale Netze — es ist eine künstliche menschlichedas Gehirn?

Trotz ähnlich ist die Struktur der maschinellen und der menschlichen нейросети, Zeichen unseres zentralen Nervensystems besitzen Sie nicht. Computer-neuronale Netze im wesentlichen alle die gleichen Hilfsprogramme. Einfach so kam es, dass der hoch Organisiertes System für die Durchführung der Berechnungen erwies sich als unser Gehirn. Sie haben wahrscheinlich den Ausdruck gehört «unser Gehirn — dieser PC»? Wissenschaftler nur «wiederholt» einige Aspekte seiner Struktur in «Digital». Es erlaubt nur die Berechnung zu beschleunigen, aber nicht verleihen Maschinen Bewußtsein.

Es ist interessant:

Neuronale Netze existieren seit den 1950er Jahren (zumindest in Form von концепий). Aber bis vor kurzem erhielten Sie keine Besondere Entwicklung, weil Ihre Erstellung erforderte riesige Mengen an Daten und Rechenleistung. In den letzten Jahren alles zur Verfügung standen, so нейросети und traten in den Vordergrund, nachdem Ihre Entwicklung. Es ist wichtig zu verstehen, dass für Ihre vollwertige Entstehung fehlte Technologien. Wie Sie nicht genug und jetzt um zu bringen, um die Technologie auf ein neues Niveau.

Für was verwendet, um eine Tiefe Ausbildung und нейросети

Es Gibt mehrere Bereiche, in denen diese beiden Technologien erreichen wir deutliche Fortschritte. Darüber hinaus sind einige von Ihnen, die wir täglich benutzen in unserem Leben und auch nicht darüber nachdenken, was hinter Ihnen steht.

• — es ist die Fähigkeit, Software zu verstehen, den Inhalt von Bildern und Videos. Dies ist einer der Bereiche, wo die Tiefe Ausbildung machte große Fortschritte. Z. B. Bildverarbeitungsalgorithmen Deep-learning können erkennen verschiedene Arten von Krebs, Erkrankungen der Lunge, des Herzens und so weiter. Und machen es schneller und effizienter ärzte. Aber die Tiefe Ausbildung auch tief verwurzelt und in vielen Anwendungen, die Sie jeden Tag benutzen. Apple Face ID und Google Photos verwenden eine Tiefe Ausbildung für Gesichtserkennung und bessere Bilder. Facebook nutzt eine Tiefe Ausbildung, um automatisch zu Feiern Menschen auf herunterladbare Fotos und so weiter. Computer Vision hilft auch, die Unternehmen automatisch zu identifizieren und zu blockieren, fragwürdige Inhalte, wie Gewalt und Nacktheit. Und schließlich einen tiefen Ausbildung spielt eine sehr wichtige Rolle bei der Bereitstellung von self-Service-Autos fahren, damit Sie verstehen, was Sie umgibt.
• Spracherkennung und Sprachwiedergabe. Wenn Sie sprechen Sie den Befehl für Ihr Google-Assistent, Deep-learning-algorithmen wandeln Ihr . Mehrere Online-Anwendungen verwenden eine Tiefe Ausbildung bei der Transkription von Audio - und Videodateien. Auch wenn Sie «шазамите» Lied, kommen die algorithmen нейросетей und tiefen des maschinellen Lernens.
• die Suche im Internet: auch wenn Sie suchen etwas in einer Suchmaschine, um sicherzustellen, dass Ihre Anfrage bearbeitet wurde deutlicher und die Ergebnisse der Ausstellung waren die richtigen, das Unternehmen begann algorithmen verbinden нейросетей zu Ihren Suchmaschinen. Also, die Leistung der Suchmaschine Google hat sich mehrere Male, nachdem das System ging auf Tiefe maschinelles lernen und нейросети.

Grenzen der Deep-learning-und нейросетей

Trotz aller Vorteile, die Tiefe Ausbildung und нейросети haben auch einige Nachteile.

• Abhängigkeit von Daten: im Allgemeinen, Deep-learning-algorithmen erfordern riesige Mengen von Trainingsdaten für die genaue Erfüllung Ihrer Aufgaben. Leider für viele Probleme nicht ausreichend Ausbildung von qualitativen Daten die für die Erstellung von Modellen.
• Unberechenbarkeit: neuronale Netze entwickeln sich auf seltsame Weise. Manchmal geht alles wie geplant. Und manchmal (auch wenn нейросеть gut meistert seine Aufgabe), auch die Macher kämpfen, um zu verstehen, wie die algorithmen arbeiten. Die mangelnde Vorhersehbarkeit macht eine extrem schwierige Beseitigung und Korrektur von Fehlern in den algorithmen der Arbeit нейросетей.
• Algorithmische offset: Deep-learning-algorithmen genauso gut, wie die Daten, auf denen Sie eingeschrieben sind. Das Problem besteht darin, dass die lernprogrammdaten enthalten oft versteckte oder offensichtliche Fehler oder Mängel, algorithmen und erhalten Sie «geerbt». Beispielsweise ein Algorithmus zur Gesichtserkennung, geschultes hauptsächlich auf Fotos von weißen Menschen, wird die Arbeit weniger genau auf den Menschen mit einer anderen Hautfarbe.
• Keine Verallgemeinerungen: Deep-learning-algorithmen sind gut für die Erfüllung gezielter Aufgaben, aber schlecht verallgemeinern Ihre Kenntnisse. Im Gegensatz zu Menschen, Deep-learning-Modell, nicht in der Lage , anderen spielen ein ähnliches Spiel: sagen wir, in WarCraft. Darüber hinaus tiefgreifende Ausbildung schlecht zurecht mit der Bearbeitung der Daten, die von der abgewichen sein lehrbuchbeispiele.

die Zukunft von Deep learning, нейросетей und die KI

Es ist klar, dass die Arbeit an tiefen learning und neuronalen Netzen noch lange nicht zu Ende. Verschiedene Anstrengungen werden unternommen, um die Verbesserung der Deep-learning-algorithmen. Deep Training — dies ist die modernste Methode bei der Schaffung der künstlichen Intelligenz. Er wird immer beliebter in den letzten Jahren, aufgrund der fülle der Daten und Erhöhung der Rechenleistung. Dies ist eine grundlegende Technologie, die die Grundlage für viele Anwendungen, die wir jeden Tag benutzen.

Aber geboren wird, ob jemals auf der Basis dieser Technologie das Bewusstsein? Eine echte künstliche Leben? Jemand der Gelehrten ist der Auffassung, dass in dem Moment, wenn die Anzahl der verbindungen zwischen den Komponenten des künstlichen нейросетей näher an die gleichen Indikatoren, dass es im menschlichen Gehirn zwischen unseren Nervenzellen, so etwas kann passieren. Dies ist jedoch заявляениеes ist sehr zweifelhaft. Um eine echte KI erschienen ist, müssen wir Umdenken Ansatz zur Erstellung von Systemen auf Basis von KI. Alles was es jetzt gibt — dies ist nur Anwendungsprogramme für streng begrenzte Anzahl von Aufgaben. Wie würde wir wollten nicht glauben, dass die Zukunft hat bereits begonnen…

Was denken Sie? Schaffen, ob die Menschen die KI? Teilen Sie die Meinung in unserem