Tekoäly ja kognitiiviset järjestelmät, mitä ne ovat ja mahdolliset sovellukset

Keinotekoista älykkyyttä voidaan pitää laskennallisen järjestelmän kykynä suorittaa tehtäviä, toimia ja ratkaista ihmismielelle ja -kyvylle tyypillisiä ongelmia. 

Arvioitu lukuaika: 7 minuti

Kurinalaisuus syntyi tietotekniikan haarana, jonka tavoitteena on tehdä koneista:

• "Sekä laitteisto että ohjelmisto";
• kykenevä toimimaan itsenäisesti kaikissa tilanteissa, joissa voidaan ajatella, että vain ihminen kykenee ymmärtämään kontekstin ja toimimaan sen mukaisesti.

Vuosien ajan tekoäly on usein sytyttänyt filosofisen keskustelun antaakseen vastauksia mahdollisuudesta korvata ihminen koneella ... onko mahdollista? 

Tässä suhteessa voimme tunnistaa kaksi ajatusvirtaa:

• Heikko tekoäly
• Vahva tekoäly

Puhumme heikosta tekoälystä (heikko keinotekoinen äly), kun tavoitteena ei ole luoda järjestelmiä, joiden älykkyys on verrattavissa ihmisiin. Mutta järjestelmät, jotka voivat menestyvästi toimia yhdessä tai useammassa monimutkaisessa ihmisen toiminnassa, kuten tekstien automaattinen käännös. 

Näissä tapauksissa ohjelmisto, suorittaessaan tehtävää, jota varten se on ohjelmoitu, toimii kuin älykäs aihe, mutta tuloksen kannalta ei ole väliä onko se todella vai ei. 

Puhumme siis heikosta tekoälystä kaikissa tapauksissa, joissa kone ei pysty ajattelemaan itsenäisesti, mutta pystyy silti jäljittelemään älykkyyttä. 

Tämän tyyppistä älykkyysinfektiota käytetään tapauksissa, joissa ihmisen kognitiivisten prosessien ymmärtämisellä ei ole merkitystä lopputuloksen kannalta. 

Puhumme voimakkaasta tekoälystä, kun tekoälyllä varustettu kone ei ole vain "työkalu". 

Oikein kehitettynä siitä tulee itse ajatteleva mieli, jonka kognitiivinen kyky ei ole erotettavissa ihmisen omasta kyvystä. 

Tässä filosofiassa ajatuksena on, että jotkut tekoälyn muodot voivat todella perustella ja ratkaista ongelmia kuin ihminen, siksi koneen tai ihmisen tulosten erottaminen olisi mahdotonta.

Käsite koneoppiminen (automaattinen oppiminen) viittaa joukkoon mekanismeja, jotka kuuluvat tekoälyn maailmaan. 

Nämä mekanismit antavat älykkäälle koneelle mahdollisuuden parantaa suorituskykyään ja suorituskykyään ajan kuluessa, oppien automaattisesti kokemuksen avulla suorittamaan tiettyjä tehtäviä ja parantamaan suorituskykyään yhä enemmän ajan myötä. 

Esimerkki on AlphaGo, ohjelmisto yritykseltä Koneen oppiminen jota opetettiin tarkkailemalla miljoonia Go-pelaajien liikkeitä eri pelien aikana ja antamalla koneen pelata itseään vastaan, minkä seurauksena se pystyi voittamaan sen, mitä pidettiin tämän pelin maailman parhaana pelaajana. 

Koneoppimisen kolme pääluokkaa ovat:

• Ohjattu oppiminen: järjestelmä vastaanottaa esimerkkejä, jotka on merkitty hankittavan tuotoksen mukaan, ja näiden harjoitustietojen perusteella sen on poimittava yleinen sääntö, joka yhdistää oikean etiketin jokaiselle uudelle tulolle;
• Valvomaton: ei ole merkittyä tietoa, vaan järjestelmän on löydettävä tuloista lähtien tietoihin rakenne;
• Vahvistusoppiminen: Järjestelmä vastaanottaa tietoja ympäristöstä ja suorittaa toimenpiteitä. Järjestelmä yrittää toimia saadakseen palkkioita. Järjestelmä yrittää toteuttaa toimenpiteitä, jotka optimoivat palkkion ympäröivän ympäristön tilasta riippuen.

Il Deep Learning on koneoppimisen alaluokka, joka on keinotekoiseen älykkyyteen kuuluvien menetelmien ryhmä, joka on inspiroitu aivojen rakenteesta ja toiminnasta: tai keinotekoisista hermoverkoista (keinotekoinen hermoverkko). 

Näitä arkkitehtuureja käytetään eri yhteyksissä:

• Tietokoneen visio
• äänen ja puhutun kielen tunnistus
• luonnollinen kielenkäsittely
• bioinformatiikka

Ominaisuudet Deep Learning verrattuna muihin tekoälytekniikoihin:

• Nämä ovat algoritmeja, jotka käyttävät epälineaaristen yksiköiden eri tasoja. Näitä tasoja käytetään vaiheittain tehtävien suorittamiseen, jotka voidaan luokitella ongelmiksi datasta otettujen ominaisuuksien muuntamisessa; kukin taso käyttää edellisen tason lähtöä tulona;
• Nämä algoritmit kuuluvat laajempaan tietoesityksen oppimisalgoritmien luokkaan koneoppimisessa;
• Ne muodostuvat useilla edustaustasoilla, jotka voidaan ymmärtää erilaisina abstraktion tasoina, jotka pystyvät muodostamaan käsitteiden hierarkian.

Il Deep Learning se toimii samoilla mekanismeilla kuin aivot, kone oppii itsenäisesti kuin koneoppimisessa, mutta tekee sen "syvemmällä" tavalla kuin ihmisen aivot tekisivät. Syvällä tarkoitamme "useita käsitteellisiä tasoja". 

Voi vaikuttaa siltä, ​​että laskentakyvyn voimakas kysyntä saattaa olla rajoituksena, mutta järjestelmän skaalautuvuus Deep Learning käytettävissä olevien tietojen ja algoritmien lisääntyminen erottaa sen koneoppimisesta: 

• minä sistemi di Deep Learning ne parantavat suorituskykyään tietojen lisääntyessä
• Koneoppimissovellukset eivät ole enää skaalautuvia, kun tietty suorituskykytaso on saavutettu. 

Kouluttaa järjestelmää Deep Learning yleensä merkitset tiedot. 

Esimerkiksi visuaalisen tunnistamisen kentässä metatunniste "kissa" voidaan lisätä kuviin, jotka sisältävät kissan, ja selittämättä järjestelmälle, kuinka se tunnistetaan, itse järjestelmä arvailee useiden hierarkkisten tasojen kautta mikä kuvaa kissa (tassut, häntä, turkki jne.) ja siksi oppia tunnistamaan se. 

Strukturoimatonta tietoa voidaan analysoida syvän oppimisen mallilla, kun se on muodostettu ja saavutettu hyväksyttävällä tarkkuustasolla, mutta ei alkuperäisen koulutusvaiheen aikana.

Il Deep Learning nykyään sitä käytetään jo useilla aloilla:

• auto ilman fyysistä kuljettajaa
• pakettien toimittamiseen tai hätätilanteisiin käytettävät droonit ja robotit
• puheentunnistus ja synteesi chatboteille ja palveluroboteille
• kasvojentunnistus valvontaa varten
• ennakoiva ylläpito

Kognitiivinen laskenta

Toteutetaan edistyneimmät laitteistotekniikat ja käytetään itseoppivia algoritmeja, kuten:

• data mining
• Suuri tietohallinto
• hahmontunnistus
• luonnollinen kielenkäsittely
• signaalinkäsittely

Luodaan teknologisia alustoja, jotka yrittävät jäljitellä ihmisen aivoja, alkaen yksinkertaisemmista toimista yhä monimutkaisempaan käsittelyyn.

Signaali on järjestelmän tai fyysisen määrän ajallinen muutos, jota käytetään edustamaan ja lähettämään viestejä, ts. Tietoa etäisyydellä, siksi signaalien analysointi on komponentti, joka tukee kognitiivista laskentaa.

Google DeepmindJa Baidu Minwa ovat nykyään tunnetuimpia esimerkkejä.

Puhumattakaan historioitsijasta IBM Watson, ensimmäinen laatuaan oleva kaupallinen supertietokone.

Liittyvät lukemat

• Tekoäly: Mistä tekoälytyypeistä sinun on tiedettävä
• Atlantica Digital Innovatiivinen tutkimusprojekti, jonka tavoitteena on fyysinen ja kognitiivinen kuntoutus
• Mitä koneoppiminen on, mistä siinä on kyse ja sen tavoitteet
• Työ ja digitaalinen innovaatio: Syntyy alkuperäisiä taitoja, pilvianalyysimalli persoonallisuuden ja pehmeiden taitojen tieteelliseen arviointiin
• Deep Mind's Artificial Intelligence on oppinut pelaamaan jalkapalloa

Ercole Palmeri

Innovaatioriippuvainen

---