Som Ai Fremskridt I 'Deep Learning' Er Robot Butlers På Horizon? (Op-Ed)

{h1}

Et nyt felt af kunstig intelligens, dyb læring, gør det muligt for computere at "tænke på sig selv", hurtigt fremskyndende robotik og andre teknologier.

Ahmed Banafa er en Kaplan Universitets fakultet medlem for Skole for Informationsteknologi med erfaring i it-drift og ledelse samt en forskningsbaseret teknik og analyse. Han er en certificeret Microsoft Office Specialist, og han har tjent som anmelder og teknisk bidragyder til offentliggørelse af flere forretnings-og tekniske bøger. Han bidrog denne artikel til WordsSideKick.com's Ekspert stemmer: Op-Ed & Insights.

Deep learning, et fremvoksende emne inden for kunstig intelligens (AI), bliver hurtigt et af de mest efterspurgte områder inden for datalogi. En underkategori af maskinindlæring, dyb læring omhandler brugen af ​​neurale netværk for at forbedre ting som talegenkendelse, computersyn og naturlig sprogbehandling. I de sidste par år har dyb læring bidraget til at skabe fremskridt på områder, der er så forskellige som objektperspektiv, maskinoversættelse og stemmegenkendelse - alle forskningsemner, der længe har været vanskelige for AI-forskere at knække.

Neurale netværk

I informationsteknologi er et neuralt netværk et system af programmer og datastrukturer, der nærmer sig driften af ​​den menneskelige hjerne. Et neuralt netværk involverer normalt et stort antal processorer, der arbejder parallelt, hver med sin egen lille kerne af viden og adgang til data i sin lokale hukommelse.

Typisk er et neuralt netværk i første omgang "trænet" eller fodret store mængder data og regler om datarelationer (for eksempel "en bedstefar er ældre end en persons far"). Et program kan derefter fortælle netværket, hvordan man opfører sig som reaktion på en ekstern stimulans (for eksempel indlæsning fra en computerbruger, der interagerer med netværket) eller kan starte egen aktivitet (inden for rammerne af adgangen til den eksterne verden).

Deep learning vs. maskinelæring

For at forstå, hvad dyb læring er, er det først vigtigt at skelne det fra andre discipliner inden for AI.

En udvidelse af AI var maskinindlæring, hvor computeren udtræk viden gennem overvåget erfaring. Dette involverede typisk en menneskelig operatør, der hjælper maskinen med at lære ved at give det hundredvis eller tusindvis af træningseksempler og manuelt rette fejlen.

Mens maskinindlæring er blevet dominerende inden for AI-området, har det sine problemer. For det første er det massivt tidskrævende. For en anden er det stadig ikke en sand måling af maskinens intelligens, da den er afhængig af menneskelig opfindsomhed for at komme med de abstraktioner, der tillader en computer at lære.

I modsætning til maskinindlæring er dyb læring for det meste opsyn. Det indebærer for eksempel at skabe store neurale net, der gør det muligt for computeren at lære og "tænke" i sig selv - uden behov for direkte menneskelig indgriben.

Deep learning "ser virkelig ikke ud som et computerprogram," sagde Gary Marcus en psykolog og AI-ekspert på New York University i et nyligt interview om NPR. Almindelig computer kode er skrevet i meget strenge logiske trin, sagde han: "Men hvad du vil se i dyb læring er noget andet, du har ikke mange instruktioner, der siger:" Hvis en ting er sandt, gør det andet. '"[Mennesket skal' fængsel 'farligt AI at undgå Doom, Ekspert siger]

I stedet for lineær logik er dyb læring baseret på teorier om hvordan den menneskelige hjerne fungerer. Programmet er lavet af sammenflettede lag af indbyrdes forbundne noder. Det lærer ved at omarrangere forbindelser mellem knuder efter hver ny oplevelse.

Dyb læring har vist potentiale som grundlag for software, der kan udarbejde de følelser eller hændelser, der beskrives i tekst (selvom de ikke udtrykkeligt henvises), genkende genstande i fotos og lave sofistikerede forudsigelser om folks sandsynlige fremtidige adfærd.

Hvis du er en aktuel ekspert - forsker, virksomhedsleder, forfatter eller innovatør - og gerne vil bidrage med et op-ed-stykke, mail os her.

Hvis du er en aktuel ekspert - forsker, virksomhedsleder, forfatter eller innovatør - og gerne vil bidrage med et op-ed-stykke, mail os her.

The Deep Learning Game

I 2011 startede Google Hjerneprojektet, der skabte et neuralt netværk, der var uddannet med dybe læringsalgoritmer, der bevidst viste sig at være i stand til at genkende høje niveauer.

Sidste år etablerede Facebook sin AI Research Unit ved hjælp af dyb læringskompetencer til at hjælpe med at skabe løsninger, der bedre kan identificere ansigter og objekter i de 350 millioner billeder og videoer, der uploades til Facebook hver dag.

Et andet eksempel på dyb læring i aktion er talegenkendelse som Google Now og Apples Siri.

Fremtiden

Deep Learning viser et stort løfte - og det vil gøre selvdrevne biler og robotbutikere en reel mulighed. De vil stadig være begrænsede, men hvad sådanne systemer cando var utænkelig for bare nogle få år siden, og det går fremad i et hidtil uset tempo. Evnen til at analysere massive datasæt og bruge dyb læring i edb-systemer, der kan tilpasse sig erfaring, snarere end afhængig af en menneskelig programmerer, vil føre til gennembrud. Disse spænder fra stofforskning til udvikling af nye materialer til robotter med større opmærksomhed omkring verden omkring dem.

Følg alle spørgsmålene og debatterne fra Expert Voices - og blive en del af diskussionen - på Facebook, Twitter og Google +. Synspunkterne er de af forfatteren og afspejler ikke nødvendigvis udgiverens synspunkter.Denne version af artiklen blev oprindeligt udgivet på WordsSideKick.com.


Video Supplement: .




DA.WordsSideKick.com
All Rights Reserved!
Reproduktion Af Materialer Tilladt Kun Prostanovkoy Aktivt Link Til Webstedet DA.WordsSideKick.com

© 2005–2019 DA.WordsSideKick.com