"C'est en fait un nouveau vin, mais il existe une variété de bouteilles et d'années différentes", a déclaré James Kobielus, analyste en chef pour la science des données de Wikimedia, l'apprentissage en profondeur et le développement d'applications.
Kobielus ajoute qu'en fait, la plupart des vins anciens sont encore très appétissants, la nouvelle génération d'IA utilise des approches antérieures et s'appuie sur celles-ci, telles que la technologie utilisée par Hadoop, le grand système de données d'Apache.
Cependant, le fanatique de nos jours sur l'intelligence artificielle est dû au manque de développement spécifique de certains des anciens candidats à l'IA qui, selon Kobielus, nous rapprochent de ces machines qui ressemblent et pensent comme les humains. Ce qui compte, ce sont les données volumineuses », a-t-il déclaré au studio de CUBE à Marlborough, MA. Pourquoi les données volumineuses ont-elles suscité de l'intérêt en matière d'intelligence artificielle? Kieliel et Dave Vellante ont fait des percées dans l'intelligence artificielle et l'intelligence artificielle. Dave Vellante est l'analyste principal de Wikibon et le co-animateur du studio live de SiliconANGLE.
La révolution de l'intelligence artificielle sera algorithmique
AI progrès dans le dialogue intelligent, mais reflète également la croissance rapide des revenus. Sondage auprès des entreprises de recherche Tractica LLC a montré que, en 2016, l'intelligence artificielle taille du marché des logiciels de 1,4 milliard $ en 2025-59800000000 $ . des études Tractica LCC de l'intelligence artificielle a des applications dans presque tous les domaines des industries verticales et les cas d'utilisation, est considéré comme le prochain grand changement dans la technologie, semblable à la révolution industrielle, la transformation de l'ère de l'informatique et de la révolution des smartphones, etc. se sont produits dans le passé, ' Tête d'Aditya Kaul a déclaré que certains de ces secteurs comprennent la finance, la publicité, la santé, l'aérospatiale et le consommateur.
Prochaine révolution industrielle va se dérouler autour du logiciel d'intelligence artificielle, cela peut sembler un riche imaginaire nerd une imagination. Mais même en dehors de la Silicon Valley, ce sentiment se répand également. Le magazine « Time » a récemment publié un article consacré à intitulé « intelligence artificielle:. l'avenir de l'humanité » les articles de fond, cependant, cette vision de l'intelligence artificielle dans la science-fiction de la fièvre des marais et le cercle de la science et de la technologie existe depuis des décennies au cours des dernières années, la technologie développée. Si vite, à partir de l'intelligence artificielle d'aujourd'hui et du futur prévisible, que pouvons-nous retirer de la réalité?
Tout d'abord, AI est une étiquette large - en fait une phrase chaude plutôt qu'un terme technique exact. "Kobielus dit que l'IA fait référence à" tout ce qui aide une machine à penser comme un humain. " , dans le sens le plus strict, la machine « pensée » n'est pas le cerveau humain différent pensant que ce machines? ne pense pas vraiment, est-ce pas? ça dépend. Si le synonyme « pensée » est la « déduit » Alors la machine pourrait être considérée comme équivalente au cerveau.
Quand les gens parlent d'intelligence artificielle, ils parlent souvent du moyen le plus populaire pour l'intelligence artificielle - l'apprentissage automatique - une application mathématique basée sur l'inférence d'un modèle d'un ensemble de données. »Kobielus a dit:« Pendant longtemps , Les gens utilisent un logiciel pour déduire des modèles de leurs données. »Certaines des méthodes d'inférence existantes incluent les machines vectorielles de support, la logique bayésienne et les arbres de décision qui n'ont pas disparu et sont encore utilisés dans le domaine croissant de l'intelligence artificielle. Les modèles d'apprentissage automatique ou les algorithmes formés aux données font leurs propres inférences, souvent appelées résultats ou informations d'intelligence artificielle, qui ne nécessitent pas de préprogrammation sur une machine et qui nécessitent de programmer uniquement le modèle lui-même.
L'inférence d'un modèle d'apprentissage machine est basée sur des possibilités statistiques quelque peu similaires aux processus de compréhension humaine. Les inférences à partir des données peuvent prendre la forme de prédictions, corrélations, classifications, classifications, anomalies de reconnaissance ou tendances, etc. Le modèle d'apprentissage est hiérarchique et le classificateur de données s'appelle le «perceptron», qui forme un réseau neuronal artificiel en superposant les perceptrons.Cette relation de réseau neuronal entre les perceptrons active leur Les fonctions, y compris les perceptrons non linéaires, tels que les tangentes, permettent à la réponse ou à la sortie d'une couche de devenir le niveau d'entrée suivant par le processus neurologique, et la sortie du dernier niveau est le résultat final.
Couche profonde d'apprentissage des neurones
Les réseaux d'apprentissage profonds sont des réseaux neuronaux artificiels qui ont un grand nombre de couches perceptuelles, et plus les couches du réseau sont profondes, plus leur profondeur soulève plus de questions, traite plus de données et produit plus de données. Sortie, qui résume un niveau de données plus élevé.
Maintenant, a 1000 perception réseau de neurones a des couches de développeurs de logiciels encore à explorer la fonction de réseau de neurones plus profond peut être atteint. Dernier logiciel de détection de visage de l'iPhone d'Apple repose sur une convolution de réseau de neurones 20 couches. d'ici 2015, les chercheurs de Microsoft à travers un réseau de 152 couche résiduelle de profondeur pour gagner le concours IMAGEnet vision par ordinateur. directeur de recherche de Microsoft Peter Lee a déclaré que, grâce à la conception d'empêcher la dilution des données, le réseau est en mesure de recueillir de l'image Pour l'information, au-delà de la profondeur typique de 20 ou 30 couches de réseau résiduel, il a déclaré: "Nous pouvons apprendre beaucoup de choses subtiles."
Outre le traitement de l'image, l'intelligence artificielle et la profondeur de l'apprentissage de nouveaux cas d'utilisation sont infinies, de l'application de la loi pour les applications liées à la génomique peuvent être trouvées dans une étude l'année dernière, les chercheurs ont utilisé l'intelligence artificielle pour prédire des centaines de Cour européenne des droits de l'homme Jugement de l'affaire, ils ont prédit que la résolution finale des juges humains a atteint l'exactitude de 79%.
Avoir la capacité de « penser », et est riche en ressources, et même conclu que la machine avec plus de précision que les personnes. Récemment, des chercheurs de l'algorithme d'apprentissage en profondeur à l'Université de Stanford plus habile que les humains radiologues diagnostiquer une pneumonie. Ce nom L'algorithme CheXNet utilise un réseau de neurones convolutionnels de 121 couches formés sur un ensemble de plus de 100 000 images radiographiques thoraciques.
Le modèle d'intelligence artificielle continue d'améliorer son apprentissage
modèle d'apprentissage de la machine d'étiquettes de données est en effet crucial, mais l'œil humain est toujours le meilleur outil pour le travail. IBM a dit l'année dernière, ils ont embauché beaucoup de gens, juste pour donner des données d'étiquette AI. Des chercheurs de l'Université de Toronto Parham Aarabi Et Wenzhi Guo a exploré la façon dont les cerveaux humains et les réseaux de neurones travaillent ensemble pour développer un algorithme qui apprend des instructions humaines explicites plutôt que par une série d'exemples où le formateur peut racontera l'algorithme, le ciel est généralement bleu, et se trouve en haut de l'image par rapport à la formation des réseaux de neurones traditionnels, leur approche est mieux Kobielus dit: « Si vous ne formez pas l'algorithme, vous ne savez pas l'algorithme est valide. Il a également conclu qu'une grande partie de la formation se ferait dans un nuage ou dans un autre environnement centralisé, tandis que les dispositifs de «mise en réseau» décentralisés tels que les véhicules autonomes prendraient la décision sur place.