Verdienen Sie Geld mit Ihren Tech-Blogs, Gadgets und Tipps

Miten tekoäly poimii datasta ainutlaatuisia kokemuksia?

Huomautus: Seuraava artikkeli auttaa sinua: Kuinka tekoäly poimii ainutlaatuisia kokemuksia tiedoista?

Valvottu, ilman valvontaa tai vahvistusta

Mikä tahansa Android-laite tai tekoäly on älykäs vain niin kauan kuin käytämme niitä. Tämä Vuorovaikutus voi tapahtua konstruktion muodossa, jonka ihmisäly haluaa tuottaa, mutta ei voi toteuttaa. Ajattele esimerkiksi toimintaasi ja sosiaalisia verkostojasi.

Mitä enemmän olet vuorovaikutuksessa heidän kanssaan, sitä kirkkaampia heistä tulee. Jos koneet voivat oppia tai käsitellä muistoja, voivatko ne myös haaveilla, nähdä illuusioita, muistaa tahattomasti tai yhdistää useiden ihmisten unia?

Tarkoittaako tekoäly jotain unohtumatonta 2000-luvulla, ja jos niin, eikö se ole vallankumouksellisin tekniikka, jonka olemme kokeneet vuosisatojen mittaisen mediahistoriamme aikana?

On monia tapoja luoda itseoppivia ohjelmia, mutta kaikki perustuvat kolmeen koneoppimisen perustyyppiin: tarkkailijaoppiminen, ohjattu oppiminen ja vahvistusoppiminen. Oppiminen ilman tarkkailijaa on hyvä tapa analysoida kaikkia profiileja löytääkseen yhteisiä piirteitä ja arvokkaita malleja. Esimerkiksi lääketieteen maailmassa tietyillä potilailla voi olla samanlaisia ​​oireita tai tietyllä hoidolla voi olla useita erityisiä sivuvaikutuksia.

Tämä mallin kattava hakutapa voi tunnistaa yhtäläisyyksiä potilasprofiilien välillä ja löytää uusia malleja ilman ihmisen ohjausta.

Keskustelun selventämiseksi kuvitellaan, että lääkärit etsivät tarkempaa tietoa. Lääkärit haluavat kehittää algoritmin tietyn taudin diagnosoimiseksi. Aloitat keräämällä kaksi tietojoukkoa, mukaan lukien lääketieteelliset kuvat ja testitulokset terveiltä potilailta ja potilailta, joilla on tämä tietty sairaus.

Sitten he syöttävät yllä olevat tiedot ohjelmaan, joka on suunniteltu tunnistamaan sairaiden ja epäterveiden potilaiden ominaisuudet. Ohjelma määrittää arvot näille diagnostisille ominaisuuksille ja luo algoritmin tulevien potilaiden diagnosoimiseksi sen perusteella, kuinka usein näitä erityispiirteitä havaitaan. Toisin kuin ohjaamaton oppiminen, lääkäreillä ja tiedemiehillä on kuitenkin oltava aktiivinen rooli tulevissa tapahtumissa.

Lääkärit tekevät lopullisen diagnoosin ja tarkistavat algoritmin ennusteiden tarkkuuden. Tutkijat voivat sitten käyttää päivitettyä tietojoukkoa ohjelman parametrien säätämiseen ja tarkkuuden Parantamiseen.

Tätä käytännön lähestymistapaa kutsutaan ohjatuksi oppimiseksi.

Ohjelma määrittää arvot näille diagnostisille ominaisuuksille ja luo algoritmin tulevien potilaiden diagnosoimiseksi sen perusteella, kuinka usein näitä erityispiirteitä havaitaan. Toisin kuin ohjaamaton oppiminen, lääkäreillä ja tiedemiehillä on kuitenkin oltava aktiivinen rooli tulevissa tapahtumissa.

Lääkärit tekevät lopullisen diagnoosin ja tarkistavat algoritmin ennusteiden tarkkuuden. Tutkijat voivat sitten käyttää päivitettyä tietojoukkoa ohjelman parametrien säätämiseen ja tarkkuuden parantamiseen.

Tätä käytännön lähestymistapaa kutsutaan ohjatuksi oppimiseksi. Ohjelma määrittää arvot näille diagnostisille ominaisuuksille ja luo algoritmin tulevien potilaiden diagnosoimiseksi sen perusteella, kuinka usein näitä erityispiirteitä havaitaan.

Toisin kuin ohjaamaton oppiminen, lääkäreillä ja tiedemiehillä on kuitenkin oltava aktiivinen rooli tulevissa tapahtumissa. Lääkärit tekevät lopullisen diagnoosin ja tarkistavat algoritmin ennusteiden tarkkuuden. Tutkijat voivat sitten käyttää päivitettyä tietojoukkoa ohjelman parametrien säätämiseen ja tarkkuuden parantamiseen.

Tätä käytännön lähestymistapaa kutsutaan ohjatuksi oppimiseksi.

Oletetaan nyt, että nämä lääkärit suunnittelevat kehittävänsä toisen algoritmin hoito-ohjelmien suosittelemiseksi. Koska nämä ohjelmat tapahtuvat useissa vaiheissa ja voivat vaihdella yksilön hoitovasteen mukaan, lääkärit päättävät käyttää vahvistusoppimista. Ohjelmassa kerätään iteratiivisesti palautetta tehokkaimmista lääkkeistä, annostuksista ja lääkkeistä.

Tietoja verrataan sitten kunkin potilaan profiiliin erityisen ja optimaalisen hoitosuunnitelman luomiseksi. Kun hoito etenee ja ohjelma saa enemmän palautetta, se voi jatkuvasti päivittää kunkin potilaan aikataulua.

Mikään näistä kolmesta tekniikasta ei ole luonnostaan ​​älykkäämpi kuin muut. Vaikka jotkut vaativat enemmän tai vähemmän inhimillistä puuttumista, niillä kaikilla on vahvuutensa ja heikkoutensa, joiden vuoksi ne sopivat paremmin tiettyihin tehtäviin.

Tutkijat voivat kuitenkin rakentaa kehittyneitä tekoälyjärjestelmiä erillisillä ohjelmilla, jotka voivat seurata ja kouluttaa toisiaan käyttämällä niitä yhdessä. Jos esimerkiksi valvomaton oppimisohjelmamme havaitsee samanlaisia ​​potilasryhmiä, se voi lähettää tiedot valvotulle oppimisohjelmalle.

Ohjelma voi sitten sisällyttää nämä tiedot ennusteisiinsa.

Tai ehkä kymmenet vahvistusoppimisohjelmat simuloivat potilaiden mahdollisia tuloksia kerätäkseen palautetta erilaisista hoitosuunnitelmista.

On olemassa lukemattomia tapoja luoda näitä koneoppimisjärjestelmiä, ja ehkä lupaavimpia malleja ovat ne, jotka jäljittelevät aivojen hermosolujen välistä suhdetta. Nämä keinotekoiset hermoverkot voivat käyttää miljoonia yhteyksiä monimutkaisten tehtävien, kuten kuvantunnistuksen, puheentunnistuksen ja jopa kielten kääntämisen, hoitamiseen.

Mitä itseohjautuneempia näistä malleista tulee, sitä vaikeammaksi tietojenkäsittelytieteilijöiden on kuitenkin saada selville, miten nämä itseoppineet algoritmit päätyvät ratkaisuihinsa. Tutkijat etsivät nyt tapoja tehdä koneoppimisesta läpinäkyvämpää.

Tekoälyn integroituessa jokapäiväiseen elämäämme näillä salaperäisillä päätöksillä on kuitenkin yhä enemmän vaikutuksia työhön, terveyteen ja turvallisuuteen. Koneiden oppiessa jatkuvasti oppimaan, neuvottelemaan ja kommunikoimaan meidän on pohdittava, kuinka voimme opettaa toisillemme moraalia.

Tekoäly maalauksen maailmassa

Nyt kun olemme jokseenkin perehtyneet tekoälyn toimintaan ja sen oppimiseen, on aika nähdä, millainen vaikutus tekoälyllä on taidemaailmaan. Tosiasia on, että älykkäät algoritmit käyttävät dataa pigmentteinä ja yrittävät tehdä sen, mitä taiteilijat tekevät maaleilla ja siveltimillä yhdistämällä binäärilukuja. Kysymys kuuluu nyt: Voiko tiedosta tulla tahraa?

Tämä on ensimmäinen kysymys, jota maalarit kysyvät. Dataa voidaan muuttaa tiedoksi vain kokemuksen kautta, ja sen sisältämä ja koettu voi olla monessa muodossa. Kun tutkimme tällaisia ​​yhteyksiä koneälyn valtavan potentiaalin kautta, ajattelemme ihmisen aistien ja koneiden kyvyn simuloida luontoa välistä suhdetta.

Digitaaliset piirustukset koostuvat kuvasarjoista, jotka perustuvat antureiden keräämiin piilotietosarjoihin.

Älykkäiden algoritmien avulla on sitten mahdollista muuntaa tuulen nopeus, voimakkuus ja suunta paikkatietopigmentiksi. Myös kuvitteellisen kokemuksen tulos perustuu spekulaatioon. Tämä dynaaminen visuaalisen taiteen datamuoto on yritys jäljitellä ihmisten kykyä kuvitella uudelleen luonnontapahtumia.

Meritutkat käyttävät radiotaajuutta, merenpinnalta on mahdollista kerätä tarkkaa tietoa ja niiden dynaaminen liike on mahdollista ennakoivalla koneälyllä.

Tekoälytutkimus kehittyy joka päivä ja tuntuu olevan yhteydessä itseämme laajempaan ja innovatiivisempaan järjestelmään. Tämä dynaaminen visuaalisen taiteen datamuoto on yritys jäljitellä ihmisten kykyä kuvitella luonnontapahtumia uudelleen. Meritutkat käyttävät radiotaajuutta, merenpinnalta on mahdollista kerätä tarkkaa tietoa ja niiden dynaaminen liike on mahdollista ennakoivalla koneälyllä.

Tekoälytutkimus kehittyy joka päivä ja tuntuu olevan yhteydessä itseämme laajempaan ja innovatiivisempaan järjestelmään. Tämä dynaaminen visuaalisen taiteen datamuoto on yritys jäljitellä ihmisten kykyä kuvitella luonnontapahtumia uudelleen.

Meritutkat käyttävät radiotaajuutta, merenpinnalta on mahdollista kerätä tarkkaa tietoa ja niiden dynaaminen liike on mahdollista ennakoivalla koneälyllä.

Tekoälytutkimus kehittyy joka päivä ja tuntuu olevan yhteydessä meitä laajempaan ja innovatiivisempaan järjestelmään.

Esimerkiksi osana tutkimusprojektia Turkissa vuonna 2017 tutkijat aloittivat Istanbulissa ilmaisen kulttuuridokumenttien lähdekirjaston, Arzu-arkiston, digitoinnin, joka on yksi maailman ensimmäisistä tekoälyyn perustuvista julkisista laitoksista.

Tässä projektissa tekoäly tutki noin 7,1 miljoonaa dokumenttia, jotka ovat 270 vuotta vanhoja. Yksi tutkimusryhmän inspiraation lähteistä tässä prosessissa oli argentiinalaisen kirjailijan Jorge Luis Borgesin novelli “Baabelin kirjasto”.

Tarinassa kirjailija kuvittelee maailman valtavana kirjastona kaikista mahdollisista 410-sivuisista kirjoista, joissa on tietty muoto ja hahmo. Tämän inspiroivan kuvan avulla tutkimusryhmä kehitti tavan tutkia fyysisesti valtavia tietovarastoja koneälyn aikakaudella.

Tuloksena oli käyttäjäkeskeinen mukaansatempaava tila. Arezoo-arkisto on pystynyt muuttamaan perusteellisesti kirjastokokemusta koneälyn aikakaudella.

Tärkeä seikka, johon tekoälyasiantuntijoiden tulisi kiinnittää huomiota, on se, että innovatiivisissa projekteissa keskitytään enemmän muistiin ja tiedon siirtoon. Kuvataiteen alalla kannattaa kiinnittää huomiota siihen, että muistot eivät ole staattisia, vaan muuttuvia tulkintoja menneistä tapahtumista.

Siksi on tarpeen tutkia, kuinka koneet voivat jäljitellä tiedostamattomia tapahtumia, kuten unia, muistamista ja hallusinaatioita.

Mikä tahansa Android-laite tai tekoäly on älykäs vain niin kauan kuin käytämme niitä. Tämä vuorovaikutus voi tapahtua konstruktion muodossa, jonka ihmisäly haluaa tuottaa, mutta ei voi toteuttaa. Ajattele esimerkiksi toimintaasi ja sosiaalisia verkostojasi.

Mitä enemmän olet vuorovaikutuksessa heidän kanssaan, sitä kirkkaampia heistä tulee. Jos koneet voivat oppia tai käsitellä muistoja, voivatko ne myös haaveilla, nähdä illuusioita, muistaa tahattomasti tai yhdistää useiden ihmisten unia?

Tarkoittaako tekoäly jotain unohtumatonta 2000-luvulla, ja jos niin, eikö se ole vallankumouksellisin tekniikka, jonka olemme kokeneet vuosisatojen mittaisen mediahistoriamme aikana?

On monia tapoja luoda itseoppivia ohjelmia, mutta kaikki perustuvat kolmeen koneoppimisen perustyyppiin: tarkkailijaoppiminen, ohjattu oppiminen ja vahvistusoppiminen. Oppiminen ilman tarkkailijaa on hyvä tapa analysoida kaikkia profiileja löytääkseen yhteisiä piirteitä ja arvokkaita malleja.

Esimerkiksi lääketieteen maailmassa tietyillä potilailla voi olla samanlaisia ​​oireita tai tietyllä hoidolla voi olla useita erityisiä sivuvaikutuksia.

Tämä mallin kattava hakutapa voi tunnistaa yhtäläisyyksiä potilasprofiilien välillä ja löytää uusia malleja ilman ihmisen ohjausta. Keskustelun selventämiseksi kuvitellaan, että lääkärit etsivät tarkempaa tietoa.

Lääkärit haluavat kehittää algoritmin tietyn taudin diagnosoimiseksi.

Aloitat keräämällä kaksi tietojoukkoa, mukaan lukien lääketieteelliset kuvat ja testitulokset terveiltä potilailta ja potilailta, joilla on kyseinen sairaus. Sitten he syöttävät yllä olevat tiedot ohjelmaan, joka on suunniteltu tunnistamaan sairaiden ja epäterveiden potilaiden ominaisuudet.

Ohjelma määrittää arvot näille diagnostisille ominaisuuksille ja luo algoritmin tulevien potilaiden diagnosoimiseksi sen perusteella, kuinka usein näitä erityispiirteitä havaitaan. Toisin kuin ohjaamaton oppiminen, lääkäreillä ja tiedemiehillä on kuitenkin oltava aktiivinen rooli tulevissa tapahtumissa.

Lääkärit tekevät lopullisen diagnoosin ja tarkistavat algoritmin ennusteiden tarkkuuden. Tutkijat voivat sitten käyttää päivitettyä tietojoukkoa ohjelman parametrien säätämiseen ja tarkkuuden parantamiseen. Tätä käytännön lähestymistapaa kutsutaan ohjatuksi oppimiseksi.

Ohjelma määrittää arvot näille diagnostisille ominaisuuksille ja luo algoritmin tulevien potilaiden diagnosoimiseksi sen perusteella, kuinka usein näitä erityispiirteitä havaitaan.

Toisin kuin ohjaamaton oppiminen, lääkäreillä ja tiedemiehillä on kuitenkin oltava aktiivinen rooli tulevissa tapahtumissa.

Lääkärit tekevät lopullisen diagnoosin ja tarkistavat algoritmin ennusteiden tarkkuuden.

Tutkijat voivat sitten käyttää päivitettyä tietojoukkoa ohjelman parametrien säätämiseen ja tarkkuuden parantamiseen. Tätä käytännön lähestymistapaa kutsutaan ohjatuksi oppimiseksi. Ohjelma määrittää arvot näille diagnostisille ominaisuuksille ja luo algoritmin tulevien potilaiden diagnosoimiseksi sen perusteella, kuinka usein näitä erityispiirteitä havaitaan. Toisin kuin ohjaamaton oppiminen, lääkäreillä ja tiedemiehillä on kuitenkin oltava aktiivinen rooli tulevissa tapahtumissa.

Lääkärit tekevät lopullisen diagnoosin ja tarkistavat algoritmin ennusteiden tarkkuuden. Tutkijat voivat sitten käyttää päivitettyä tietojoukkoa ohjelman parametrien säätämiseen ja tarkkuuden parantamiseen. Tätä käytännön lähestymistapaa kutsutaan ohjatuksi oppimiseksi.

Oletetaan nyt, että nämä lääkärit suunnittelevat kehittävänsä toisen algoritmin hoito-ohjelmien suosittelemiseksi. Koska nämä ohjelmat tapahtuvat useissa vaiheissa ja voivat vaihdella yksilön hoitovasteen mukaan, lääkärit päättävät käyttää vahvistusoppimista.

Ohjelmassa käytetään iteratiivista lähestymistapaa, jolla kerätään palautetta tehokkaimmista lääkkeistä, annostuksista ja hoidoista.

Tietoja verrataan sitten kunkin potilaan profiiliin erityisen ja optimaalisen hoitosuunnitelman luomiseksi.

Kun hoito etenee ja ohjelma saa enemmän palautetta, se voi jatkuvasti päivittää kunkin potilaan aikataulua. Mikään näistä kolmesta tekniikasta ei ole luonnostaan ​​älykkäämpi kuin muut. Vaikka jotkut vaativat enemmän tai vähemmän inhimillistä puuttumista, niillä kaikilla on vahvuutensa ja heikkoutensa, joiden vuoksi ne sopivat paremmin tiettyihin tehtäviin.

Tutkijat voivat kuitenkin rakentaa kehittyneitä tekoälyjärjestelmiä erillisillä ohjelmilla, jotka voivat seurata ja kouluttaa toisiaan käyttämällä niitä yhdessä.

Jos esimerkiksi valvomaton oppimisohjelmamme havaitsee samanlaisia ​​potilasryhmiä, se voi lähettää tiedot valvotulle oppimisohjelmalle. Ohjelma voi sitten sisällyttää nämä tiedot ennusteisiinsa. Tai ehkä kymmenet vahvistusoppimisohjelmat simuloivat potilaiden mahdollisia tuloksia kerätäkseen palautetta erilaisista hoitosuunnitelmista.

On olemassa lukemattomia tapoja luoda näitä koneoppimisjärjestelmiä, ja ehkä lupaavimpia malleja ovat ne, jotka jäljittelevät aivojen hermosolujen välistä suhdetta.

Nämä keinotekoiset hermoverkot voivat käyttää miljoonia yhteyksiä monimutkaisten tehtävien, kuten kuvantunnistuksen, puheentunnistuksen ja jopa kielten kääntämisen, hoitamiseen.

Mitä itseohjautuneempia näistä malleista tulee, sitä vaikeammaksi tietojenkäsittelytieteilijöiden on kuitenkin saada selville, miten nämä itseoppineet algoritmit päätyvät ratkaisuihinsa. Tutkijat etsivät nyt tapoja tehdä koneoppimisesta läpinäkyvämpää.

Tekoälyn integroituessa jokapäiväiseen elämäämme näillä salaperäisillä päätöksillä on kuitenkin yhä enemmän vaikutuksia työhön, terveyteen ja turvallisuuteen. Koneiden oppiessa jatkuvasti oppimaan, neuvottelemaan ja kommunikoimaan meidän on pohdittava, kuinka voimme opettaa toisillemme moraalia.

Tekoäly maalauksen maailmassa

Nyt kun olemme jokseenkin perehtyneet tekoälyn toimintaan ja sen oppimiseen, on aika nähdä, millainen vaikutus tekoälyllä on taidemaailmaan. Tosiasia on, että älykkäät algoritmit käyttävät dataa pigmentteinä ja yrittävät tehdä sen, mitä taiteilijat tekevät maaleilla ja siveltimillä yhdistämällä binäärilukuja. Kysymys kuuluu nyt: Voiko tiedosta tulla tahraa?

Tämä on ensimmäinen kysymys, jota maalarit kysyvät. Dataa voidaan muuttaa tiedoksi vain kokemuksen kautta, ja sen sisältämä ja koettu voi olla monessa muodossa. Kun tutkimme tällaisia ​​yhteyksiä koneälyn valtavan potentiaalin kautta, ajattelemme ihmisen aistien ja koneiden kyvyn simuloida luontoa välistä suhdetta.

Digitaaliset piirustukset koostuvat kuvasarjoista, jotka perustuvat antureiden keräämiin piilotietosarjoihin. Älykkäiden algoritmien avulla on sitten mahdollista muuntaa tuulen nopeus, voimakkuus ja suunta paikkatietopigmentiksi.

Myös kuvitteellisen kokemuksen tulos perustuu spekulaatioon.

Tämä dynaaminen visuaalisen taiteen datamuoto on yritys jäljitellä ihmisten kykyä kuvitella uudelleen luonnontapahtumia. Meritutkat käyttävät radiotaajuutta, merenpinnalta on mahdollista kerätä tarkkaa tietoa ja niiden dynaaminen liike on mahdollista ennakoivalla koneälyllä.

Tekoälytutkimus kehittyy joka päivä ja tuntuu olevan yhteydessä itseämme laajempaan ja innovatiivisempaan järjestelmään. Tämä dynaaminen visuaalisen taiteen datamuoto on yritys jäljitellä ihmisten kykyä kuvitella luonnontapahtumia uudelleen.

Meritutkat käyttävät radiotaajuutta, merenpinnalta on mahdollista kerätä tarkkaa tietoa ja niiden dynaaminen liike on mahdollista ennakoivalla koneälyllä.

Tekoälytutkimus kehittyy joka päivä ja tuntuu olevan yhteydessä itseämme laajempaan ja innovatiivisempaan järjestelmään. Tämä dynaaminen visuaalisen taiteen datamuoto on yritys jäljitellä ihmisten kykyä kuvitella luonnontapahtumia uudelleen.

Meritutkat käyttävät radiotaajuutta, merenpinnalta on mahdollista kerätä tarkkaa tietoa ja niiden dynaaminen liike on mahdollista ennakoivalla koneälyllä.

Tekoälytutkimus kehittyy joka päivä ja tuntuu olevan yhteydessä meitä laajempaan ja innovatiivisempaan järjestelmään.

Esimerkiksi osana tutkimusprojektia Turkissa vuonna 2017 tutkijat aloittivat Istanbulissa ilmaisen kulttuuridokumenttien lähdekirjaston, Arzu-arkiston, digitoinnin, joka on yksi maailman ensimmäisistä tekoälyyn perustuvista julkisista laitoksista. Tässä projektissa tekoäly tutki noin 7,1 miljoonaa dokumenttia, jotka ovat 270 vuotta vanhoja.

Yksi tutkimusryhmän inspiraation lähteistä tässä prosessissa oli argentiinalaisen kirjailijan Jorge Luis Borgesin novelli “Baabelin kirjasto”. Tarinassa kirjailija kuvittelee maailman valtavana kirjastona kaikista mahdollisista 410-sivuisista kirjoista, joissa on tietty muoto ja hahmo.

Tämän inspiroivan kuvan avulla tutkimusryhmä kehitti tavan tutkia fyysisesti valtavia tietovarastoja koneälyn aikakaudella. Tuloksena oli käyttäjäkeskeinen mukaansatempaava tila.

Arezoo-arkisto on pystynyt muuttamaan perusteellisesti kirjastokokemusta koneälyn aikakaudella.

Tärkeä seikka, johon tekoälyasiantuntijoiden tulisi kiinnittää huomiota, on se, että innovatiivisissa projekteissa keskitytään enemmän muistiin ja tiedon siirtoon. Kuvataiteen alalla kannattaa kiinnittää huomiota siihen, että muistot eivät ole staattisia, vaan muuttuvia tulkintoja menneistä tapahtumista. Siksi on tarpeen tutkia, kuinka koneet voivat jäljitellä tiedostamattomia tapahtumia, kuten unia, muistamista ja hallusinaatioita.

Sisällysluettelo