कृत्रिम बुद्धिमत्ता आणि संज्ञानात्मक प्रणाली

कृत्रिम बुद्धिमत्ता
प्रशिक्षण

कृत्रिम बुद्धिमत्ता ही संगणकीय प्रणालीची कार्ये करण्याची कामे, क्रियाकलाप करण्याची क्षमता आणि मानवी मन व क्षमता यांच्या विशिष्ट समस्यांचे निराकरण करण्याची क्षमता म्हणून पाहिले जाऊ शकते. 

मशीन बनवण्याच्या उद्देशाने या शिस्तीचा जन्म माहिती तंत्रज्ञानाची शाखा म्हणून झाला.

  • "हार्डवेअर आणि सॉफ्टवेअर दोन्ही";
  • अशा परिस्थितीत स्वायत्तपणे कार्य करण्यास सक्षम ज्यामध्ये एखादा विचार करू शकतो की एखादा माणूस केवळ संदर्भ समजून घेण्यास सक्षम आहे आणि त्यानुसार कार्य करू शकतो.

वर्षानुवर्षे कृत्रिम बुद्धिमत्तेने मनुष्याच्या जागी मशीनची जागा घेण्याच्या शक्यतेवर उत्तरे देण्यासाठी तात्विक चर्चेला उधाण आले आहे ... हे शक्य आहे का? 

या संदर्भात आम्ही विचारांचे दोन प्रवाह ओळखू शकतो:

  • कमकुवत कृत्रिम बुद्धिमत्ता
  • मजबूत कृत्रिम बुद्धिमत्ता

जेव्हा आपण कमकुवत कृत्रिम बुद्धिमत्ता (कमकुवत कृत्रिम बुद्धिमत्ता) बद्दल बोलतो तेव्हा उद्दीष्ट म्हणजे मनुष्यांपेक्षा तुलनात्मक बुद्धिमत्ता असणारी प्रणाली तयार करणे नाही. परंतु अशा प्रणाली ज्या ग्रंथांचे स्वयंचलित भाषांतर म्हणून एक किंवा अधिक जटिल मानवी क्रियांमध्ये यशस्वीरित्या कार्य करू शकतात. 

या प्रकरणांमध्ये, सॉफ्टवेअर ज्या प्रोग्रामसाठी प्रोग्राम केले होते ते पार पाडताना, हा एक बुद्धिमान विषय असल्यासारखे कार्य करते, परंतु परिणामाच्या उद्देशाने ते खरोखर आहे की नाही हे काही फरक पडत नाही. 

म्हणून आम्ही अशा सर्व प्रकरणांमध्ये दुर्बल कृत्रिम बुद्धिमत्तेबद्दल बोलतो ज्यात मशीन स्वायत्तपणे विचार करण्यास सक्षम नाही, परंतु तरीही बुद्धिमत्तेची नक्कल करण्यास सक्षम आहे. 

अशा प्रकारचे एआय लागू केले जाते ज्यात मानवी संज्ञानात्मक प्रक्रिया समजून घेणे अंतिम परिणामाशी संबंधित नाही. 

जेव्हा आपण कृत्रिम बुद्धिमत्तांनी सुसज्ज मशीन केवळ एक साधन नसते तेव्हा आम्ही मजबूत कृत्रिम बुद्धिमत्तेबद्दल बोलतो. 

जर योग्यरित्या विकसित केले गेले तर ते स्वतः एक विचारसरणीचे मन बनते, ज्याची संज्ञानात्मक क्षमता मनुष्यापासून वेगळी नसते. 

या तत्त्वज्ञानामध्ये अशी कल्पना आहे की कृत्रिम बुद्धिमत्तेचे काही प्रकार मानवी कारणास्तव खरोखरच समस्या निर्माण करू शकतात आणि समस्यांचे निराकरण करू शकतात, म्हणूनच मशीन किंवा मनुष्याच्या निकालांचा फरक करणे अशक्य आहे.

टर्म सह मशीन लर्निंग (मशीन लर्निंग) म्हणजे कृत्रिम बुद्धिमत्तेच्या जगाशी संबंधित यंत्रणांचा एक संच. 

ही यंत्रणा बुद्धिमान मशीनला वेळोवेळी त्याची क्षमता आणि कार्यप्रदर्शन सुधारण्याची अनुमती देते, आपोआप काही कार्ये करण्यास अनुभवासह शिकते, वेळोवेळी त्याची कार्यक्षमता अधिकाधिक सुधारते. 

अल्फागो, चे एक उदाहरण आहे मशीन लर्निंग वेगवेगळ्या खेळांदरम्यान गो खेळाडूंनी केलेल्या लाखो चालींचे निरीक्षण करून आणि स्वत: च्या विरुद्ध मशीन खेळण्याद्वारे शिक्षण घेतलेले होते, याचा परिणाम असा झाला की या गेमच्या जगातील सर्वोत्कृष्ट खेळाडू मानल्या जाणार्‍या लोकांना पराभूत करण्यास ते सक्षम होते. 

मशीन लर्निंगच्या तीन मुख्य श्रेणी आहेत:

  • पर्यवेक्षित शिक्षण: सिस्टमला प्राप्त केलेल्या आऊटपुटनुसार लेबल असलेली उदाहरणे प्राप्त होतात आणि या प्रशिक्षण डेटापासून प्रारंभ करून, त्यास सामान्य नियम काढणे आवश्यक आहे जे प्रत्येक नवीन इनपुटसह योग्य लेबल संबद्ध करते;
  • अनसप्रेशिझ्ड: कोणतेही लेबल केलेले डेटा नाहीत, ही अशी प्रणाली आहे जी माहितीपासून प्रारंभ करुन डेटामध्ये रचना शोधणे आवश्यक असते;
  • मजबुतीकरण शिक्षण: सिस्टम वातावरणाकडून इनपुट प्राप्त करते आणि कृती करते. बक्षीस मिळविण्यासाठी सिस्टम कृती करण्याचा प्रयत्न करते. आसपासच्या वातावरणाच्या स्थितीनुसार बक्षीस अनुकूलित करणार्‍या क्रियांची अंमलबजावणी करण्याचा सिस्टम प्रयत्न करेल.
कृत्रिम बुद्धिमत्ता आणि संज्ञानात्मक प्रणाली

आपल्याला कदाचित हे देखील आवडेलः डेटा सायन्स म्हणजे काय आणि डेटा सायंटिस्टची भूमिका

Il दीप लर्निंग मशीन लर्निंगची उपश्रेणी आहे, म्हणजेच मेंदूची रचना आणि कार्य यांच्याद्वारे प्रेरित कृत्रिम बुद्धिमत्तेशी संबंधित पद्धतींचे कुटुंबः किंवा कृत्रिम तंत्रिका तंत्र (कृत्रिम न्यूरल नेटवर्क). 

ही आर्किटेक्चर वेगवेगळ्या संदर्भात लागू केली जातात:

  • संगणक दृष्टी
  • ऑडिओ आणि स्पोकन भाषा ओळख
  • नैसर्गिक भाषा प्रक्रिया
  • बायोइन्फॉरमॅटिक्स

इतर एआय तंत्रांच्या तुलनेत डीप लर्निंगची वैशिष्ट्ये:

  • हे अल्गोरिदम आहेत जे नॉन-रेखीय युनिट्सचे विविध स्तर वापरतात. या स्तरांचा उपयोग कार्यवाही करण्यासाठी कॅसकेडमध्ये केला जातो ज्यास डेटामधून काढलेल्या रूपांतरणाच्या वैशिष्ट्यांच्या समस्या म्हणून वर्गीकृत केले जाऊ शकते; प्रत्येक स्तर मागील स्तराचे आउटपुट इनपुट म्हणून वापरतो;
  • हे अल्गोरिदम मशीन लर्निंगमध्ये डेटा प्रतिनिधित्व शिक्षण अल्गोरिदमच्या विस्तृत वर्गात मोडतात;
  • ते एकाधिक स्तरावरील प्रतिनिधित्वाद्वारे तयार केले जातात जे निरंकुशतेचे भिन्न स्तर म्हणून समजू शकतात, संकल्पनांचे पदानुक्रम तयार करण्यास सक्षम आहेत.

डीप लर्निंग मेंदूप्रमाणेच यंत्रणेसह कार्य करते, मशीन मशीन लर्निंग प्रमाणेच मशीन स्वायत्ततेने शिकते, परंतु हे मानवी मेंदूप्रमाणेच हे अधिक "गहन" पद्धतीने करते. गहन अर्थाने "अनेक वैचारिक पातळीवर" याचा अर्थ. 

असे वाटते की संगणकीय कौशल्यांची जोरदार मागणी ही मर्यादा दर्शविते, परंतु उपलब्ध डेटा आणि अल्गोरिदम वाढीसाठी डीप लर्निंगची स्केलेबिलिटी हे मशीन लर्निंगपेक्षा वेगळे आहे: 

  • डेटा वाढल्यामुळे डीप लर्निंग सिस्टम त्यांची कार्यक्षमता सुधारतात
  • मशीन लर्निंग applicationsप्लिकेशन्स, एकदा कामगिरीची विशिष्ट पातळी गाठली की यापुढे स्केलेबल नाहीत. 
कृत्रिम बुद्धिमत्ता आणि संज्ञानात्मक प्रणाली

सखोल शिक्षण प्रणालीस प्रशिक्षित करण्यासाठी, डेटा सहसा लेबल केले जाते. 

उदाहरणार्थ, व्हिज्युअल ओळखीच्या क्षेत्रात, मांजर असलेल्या प्रतिमांमध्ये मेटा टॅग "मांजर" घातला जाऊ शकतो आणि त्यास कसे ओळखावे हे सिस्टमला न सांगता, प्रणाली स्वतःच एकाधिक श्रेणीबद्ध पातळीद्वारे अंदाज लावेल मांजर (पंजे, शेपूट, फर इ.) आणि म्हणूनच ती ओळखायला शिकण्यासाठी. 

एकदा तयार झालेले आणि अचूकतेच्या मान्यतेच्या पातळीवर पोहोचल्यानंतर खोल प्रशिक्षण मॉडेलद्वारे अशक्य डेटाचे विश्लेषण केले जाऊ शकते, परंतु प्रारंभिक प्रशिक्षण टप्प्यासाठी नाही.

आज डीप लर्निंग अनेक क्षेत्रात आधीपासूनच लागू आहे:

  • शारीरिक ड्रायव्हरशिवाय कार
  • पार्सल वितरणासाठी किंवा आपत्कालीन व्यवस्थापनासाठी वापरलेले ड्रोन आणि रोबोट्स
  • चॅटबॉट्स आणि सर्व्हिस रोबोटसाठी भाषण ओळख आणि संश्लेषण
  • पाळत ठेवण्यासाठी चेहर्यावरील ओळख
  • भविष्यसूचक देखभाल

संज्ञानात्मक संगणन


सर्वात प्रगत हार्डवेअर तंत्रज्ञानाची अंमलबजावणी करणे आणि स्वयं-शिक्षण अल्गोरिदम जसे की:

  • डेटा खाण
  • मोठा डेटा analyनालिटिक्स
  • नमुना ओळख
  • नैसर्गिक भाषा प्रक्रिया
  • सिग्नल प्रोसेसिंग

तांत्रिक प्लॅटफॉर्म तयार केले गेले आहेत जे मानवी मेंदूचे अनुकरण करण्याचा प्रयत्न करतात, वाढत्या जटिल प्रक्रियेत येण्यासाठी सोप्या क्रियाकलापांपासून सुरू करतात.

सिग्नल म्हणजे एखाद्या सिस्टमच्या शारीरिक अवस्थेचे किंवा एखाद्या संदेशाचे प्रतिनिधित्व आणि प्रसारित करणार्‍या भौतिक प्रमाणातील तात्पुरते बदल, हे अंतरावर माहिती आहे, म्हणूनच सिग्नल्सचे विश्लेषण हा एक घटक आहे जो संज्ञानात्मक संगणनास समर्थन देतो.

कृत्रिम बुद्धिमत्ता आणि संज्ञानात्मक प्रणाली

गूगल डीपमाईंड, ई बैदू मिनवा आज उपलब्ध असलेली सर्वात प्रसिद्ध उदाहरणे आहेत.

कृत्रिम बुद्धिमत्ता आणि संज्ञानात्मक प्रणाली

इतिहासकाराचा उल्लेख नाही आयबीएम वॉटसन, त्याच्या प्रकारचा पहिला व्यावसायिक सुपर कंप्यूटर.

एर्कोले पाल्मेरी

कोणतीही टिप्पणी नाही

Lascia एक commento

तुमचा ईमेल पत्ता प्रकाशित होणार नाही. मी मुलाखत घेण्याऐवजी मुलाखत *

लिस्कोव्ह तत्व
प्रशिक्षण
लिस्कोव्ह सबस्टिट्यूशनचे तत्व, तिसरे सोलिड तत्व

बाल वर्गाने कधीही पालक वर्गाच्या प्रकारच्या परिभाषांवर परिणाम करु नये किंवा बदलू नये. या तत्त्वाची संकल्पना बार्बरा लिस्कोव्ह यांनी १ conference 1987 च्या परिषदेत दिली होती आणि त्यानंतर १ 1994 with in मध्ये जेनेट विंगसमवेत एका लेखात प्रकाशित केली होती. त्यांची मूळ व्याख्या…

गूगल विपणन ट्रेंड
प्रशिक्षण
रीअल-टाइम विपणनासाठी Google ट्रेंड कसे वापरावे

२०२० मध्ये कंपन्यांसमोर एक मोठी अडचण समजून घेणे हे होते की कोणत्या उत्पादनाच्या क्षेत्रांमध्ये त्यांचा व्यवसाय विविधता आणता येईल: खरं तर, बर्‍याच औद्योगिक क्षेत्रांमध्ये प्रचंड दडपणाचा सामना करावा लागला आहे ज्यामुळे कंपन्या त्यांच्यात प्रवेश करणे जवळजवळ अशक्य झाले आहेत, विशेषत: नवीन खेळाडू म्हणून. खूप कमी उत्पादन क्षेत्रे ...

व्यवसाय बुद्धिमत्ता धोरण
पद्धती
यशस्वी व्यवसाय बुद्धिमत्तेची रणनीती

आपल्या व्यवसाय बुद्धिमत्तेसाठी यशस्वी धोरण तयार करणे उद्दीष्टांच्या अचूक दृश्यासह प्रारंभ होते. आम्ही खाली काही मूलभूत मुद्दे पाहू. सद्य परिस्थितीचे मूल्यांकन करणे या पैलूला कमी लेखणे फारच गंभीर चूक असेल. सद्य परिस्थितीचे मूल्यांकन करणे म्हणजे प्रक्रिया, संरचनांचे विश्लेषण करणे ...