კითხვის სავარაუდო დრო: 7 მინუტი
დისციპლინა დაიბადა, როგორც ინფორმაციული ტექნოლოგიის ფილიალი, მანქანების დამზადების მიზნით:
წლების განმავლობაში, ხელოვნური ინტელექტი ხშირად უგულებელყოფდა ფილოსოფიურ კამათს, რათა პასუხები გასცეს ადამიანის მიერ მანქანაში ჩანაცვლების შესაძლებლობის შესახებ… შესაძლებელია ეს?
ამ თვალსაზრისით შეგვიძლია განვსაზღვროთ აზროვნების ორი მიმდინარეობა:
ჩვენ ვსაუბრობთ სუსტი ხელოვნური ინტელექტის (სუსტი ხელოვნური ინტელექტის) შესახებ, როდესაც მიზანია არ შექმნან სისტემები, რომლებსაც აქვთ ინტელექტი, რომელიც შედარებულია ადამიანებთან შედარებით. მაგრამ სისტემები, რომელთაც შეუძლიათ წარმატებით იმოქმედონ ადამიანის ერთ ან მეტ რთულ საქმიანობაში, მაგალითად, ტექსტების ავტომატური თარგმანი.
ამ შემთხვევებში პროგრამული უზრუნველყოფა, დავალების შესასრულებლად, რომლისთვისაც ის დაპროგრამდა, მოქმედებს, როგორც ეს იყოს ინტელექტუალური საგანი, მაგრამ შედეგის მიზნებისათვის მნიშვნელობა არ აქვს სინამდვილეში ეს არის თუ არა.
ამრიგად, ჩვენ ვსაუბრობთ სუსტი ხელოვნური ინტელექტის შესახებ ყველა იმ შემთხვევში, რომლის დროსაც მანქანა ვერ შეძლებს ავტონომიურად იფიქროს, მაგრამ ჯერ კიდევ შეუძლია ინტელექტის სიმულაცია.
ამ ტიპის AI გამოიყენება იმ შემთხვევებში, როდესაც ადამიანის შემეცნებითი პროცესების გააზრება არ არის მნიშვნელოვანი საბოლოო შედეგისთვის.
ჩვენ ვსაუბრობთ ძლიერ ხელოვნურ ინტელექტზე, როდესაც ხელოვნური ინტელექტით აღჭურვილი მანქანა არ არის მხოლოდ "ინსტრუმენტი".
თუ სწორად განვითარდა, იგი თავისთავად მოაზროვნე გონებად იქცევა, რომლის შემეცნებითი შესაძლებლობაც ადამიანისგან განასხვავებს.
ამ ფილოსოფიაში წარმოდგენილია იდეა, რომ ხელოვნური ინტელექტის ზოგიერთ ფორმას შეუძლია ჭეშმარიტად დასაბუთება და პრობლემების გადაჭრა, როგორც ადამიანი იქნებოდა, ამიტომ მანქანისა თუ ადამიანის შედეგების სხვაობა შეუძლებელი გახდებოდა.
ეს მექანიზმები საშუალებას აძლევს ინტელექტუალურ აპარატს გააუმჯობესოს თავისი შესაძლებლობები და შესრულება დროთა განმავლობაში, ავტომატურად ისწავლოს გამოცდილებით გარკვეული დავალებების შესრულება, დროთა განმავლობაში უფრო დახვეწილია მისი შესრულება.
ამის მაგალითია AlphaGo, პროგრამული უზრუნველყოფა მანქანა სწავლა რომელსაც ასწავლიდნენ Go- ს მოთამაშეების მიერ მილიონობით სვლაზე გადატანილი ნაბიჯების დაკვირვებით, ხოლო მანქანას თამაშობდნენ საკუთარ თავთან, რის შედეგადაც მან შეძლო დაეძლია მას, რაც ამ თამაშის საუკეთესო მოთამაშედ ითვლებოდა მსოფლიოში.
მანქანათმცოდნეობის სამი ძირითადი კატეგორიაა:
ეს არქიტექტურები გამოიყენება სხვადასხვა კონტექსტში:
მახასიათებლები Deep Learning სხვა AI ტექნიკასთან შედარებით:
Il Deep Learning ის მოქმედებს იგივე მექანიზმებით, როგორც ტვინი, მანქანა სწავლობს დამოუკიდებლად, როგორც მანქანათმცოდნეობაში, მაგრამ აკეთებს ამას უფრო „ღრმა“ გზით, როგორც ამას გააკეთებდა ადამიანის ტვინი. ღრმად ვგულისხმობთ "რამდენიმე კონცეპტუალურ დონეზე".
შეიძლება ჩანდეს, რომ გამოთვლით შესაძლებლობებზე დიდი მოთხოვნა შეიძლება იყოს შეზღუდვა, მაგრამ მასშტაბურობა Deep Learning ხელმისაწვდომი მონაცემებისა და ალგორითმების ზრდა არის ის, რაც განასხვავებს მას მანქანური სწავლისგან:
მაგალითად, ვიზუალური ამოცნობის სფეროში, მეტა ჩანაწერი "კატა" შეიძლება ჩასვათ სურათებში, რომელიც შეიცავს კატას და, სისტემის არ ახსნის გარეშე, თუ როგორ უნდა აღიაროს იგი, თავად სისტემა, მრავალჯერადი იერარქიული დონის მეშვეობით, გამოიცნობს რა ახასიათებს კატა (კალმები, კუდი, ბეწვი და ა.შ.) და ამიტომ უნდა ვისწავლოთ მისი ამოცნობა.
არასტრუქტურირებული მონაცემები შეიძლება გაანალიზდეს ღრმა სწავლის მოდელის მიერ მისი შექმნისთანავე და მიაღწიეს სიზუსტის მისაღწევ დონეს, მაგრამ არა სასწავლო საწყის ეტაპზე.
Il Deep Learning დღეს ის უკვე გამოიყენება სხვადასხვა სფეროში:
უახლესი აპარატების ტექნოლოგიების დანერგვა და თვით სწავლების ალგორითმების გამოყენება, როგორიცაა:
შექმნილია ტექნოლოგიური პლატფორმები, რომლებიც ცდილობენ მიბაძონ ადამიანის ტვინს, დაწყებული უფრო მარტივი მოქმედებებით, რომ უფრო რთული პროცესების მიღწევაში მივიდნენ.
სიგნალი არის სისტემის ფიზიკური მდგომარეობის დროებითი ცვალებადობა, ან ფიზიკური რაოდენობა, რომელიც ემსახურება შეტყობინებების წარმოდგენასა და გადაცემას, ეს არის ინფორმაცია მანძილზე, ამიტომ სიგნალების ანალიზი არის კომპონენტი, რომელიც მხარს უჭერს კოგნიტურ გამოთვლას.
Google Deepmindდა ბაიდუ მინუა დღეს ყველაზე ცნობილი მაგალითებია.
რომ აღარაფერი ვთქვათ ისტორიკოსისთვის IBM Watsonპირველი ტიპის კომერციული სუპერკომპიუტერი.
ინოვაციაზე დამოკიდებული
Coveware by Veeam გააგრძელებს კიბერ გამოძალვის ინციდენტებზე რეაგირების სერვისების მიწოდებას. Coveware შემოგთავაზებთ სასამართლო ექსპერტიზისა და გამოსწორების შესაძლებლობებს…
პროგნოზირებადი მოვლა რევოლუციას ახდენს ნავთობისა და გაზის სექტორში, ქარხნის მართვის ინოვაციური და აქტიური მიდგომით.…
გაერთიანებული სამეფოს CMA-მ გამოსცა გაფრთხილება Big Tech-ის ქცევის შესახებ ხელოვნური ინტელექტის ბაზარზე. იქ…
ევროკავშირის მიერ შენობების ენერგოეფექტურობის გაზრდის მიზნით შემუშავებულმა „Case Green“ დადგენილებამ დაასრულა საკანონმდებლო პროცესი…