उन्माद के पीछे, आपको यह जानना होगा कि एआई टेक्नोलॉजी किस प्रकार विकसित हुई है

1940 के दशक में, कृत्रिम बुद्धि का बुनियादी ढांचा ही अस्तित्व में है तब से, विभिन्न संगठनों कृत्रिम बुद्धि के विकास में नवाचार किया गया है। हाल के वर्षों, बड़ा डेटा और उन्नत गहरी सीखने मॉडल में कृत्रिम बुद्धि के विकास को धक्का होगा अभूतपूर्व ऊंचाइयों। इन नई प्रौद्योगिकियों अंततः बुद्धिमान मशीनों संघटक विज्ञान कथा की परिकल्पना की गई उत्पादन करेगा, या कृत्रिम बुद्धि के मौजूदा रुझान है, लेकिन 'एक अधिक उन्नत बोतल में ही शराब' को बनाए रखने?

विकिमीडिया के डेटा विज्ञान, गहन शिक्षा और अनुप्रयोग विकास के प्रमुख विश्लेषक जेम्स कोबीएलस ने कहा, 'यह वास्तव में एक नया शराब है, लेकिन कई बोतलें और अलग-अलग साल हैं'।

Kobielus कि, वास्तव में, अभी भी काफी स्वादिष्ट वर्ष शराब के सबसे जोड़ा, उदाहरण के लिए, विधियों का उपयोग करें और इन तरीकों पर निर्माण करने के लिए इस्तेमाल किया कृत्रिम बुद्धि की एक नई पीढ़ी, प्रौद्योगिकी के उपयोग के लिए अपाचे Hadoop बड़ा डेटा ढांचा।

आज, तथापि, कृत्रिम बुद्धि के बारे में उत्साहित, कृत्रिम बुद्धि एक विशिष्ट विकास की कमी के लिए कुछ पूर्व उम्मीदवार के कारण है। करने के लिए Kobielus कहते हैं, मौजूदा प्रौद्योगिकी हमें जो लोग देखने के लिए 'सोच' एक मानव मशीन की तरह है के करीब लाता है अनुसार। 'सबसे में से एक क्या मायने रखता है बड़ा आंकड़ा है, 'उन्होंने मर्लबोरो में क्यूबे के स्टूडियो में कहा, एमए क्यों बड़ा आंकड़ा कृत्रिम बुद्धि में रुचि पैदा हुआ क्योंकि यह एक गहन शिक्षण मॉडल को प्रशिक्षित करने में बहुत बड़ी मदद है मानव अनुमान की तरह अधिक बनाने के लिए उन्हें सक्षम करने के। Kobielus और डेव Vellante कृत्रिम बुद्धि और मशीन खुफिया। Wikibon प्रमुख विश्लेषक के डेव Vellante के क्षेत्र में प्रौद्योगिकी की अनोखी मिसाल के साथ एक साथ, वह जीवित स्टूडियो के SiliconANGLE सह लंगर था।

कृत्रिम बुद्धि क्रांति एल्गोरिथम होगी

ऐ बुद्धिमान बातचीत में प्रगति, बल्कि इसके तेजी से राजस्व वृद्धि को दर्शाता है। Tractica LLC अनुसंधान फर्म सर्वेक्षण से पता चला है कि 2016 में, कृत्रिम बुद्धि सॉफ्टवेयर बाजार 1.4 बिलियन $ की 2025 में 59.8 अरब $ करने के लिए आकार । Tractica एल सी सी अध्ययन 'कृत्रिम बुद्धि, कंप्यूटर युग की प्रौद्योगिकी के क्षेत्र में अगली बड़ी पारी, औद्योगिक क्रांति के समान है, परिवर्तन और स्मार्टफोन क्रांति, आदि अतीत में हुई है माना जाता है, ऊर्ध्वाधर उद्योगों और उपयोग के मामलों के लगभग सभी क्षेत्रों में अनुप्रयोगों है' आदित्य कौल के प्रमुख ने कहा कि इनमें से कुछ भाग वित्त, विज्ञापन, स्वास्थ्य सेवा, एयरोस्पेस और उपभोक्ता शामिल हैं।

अगला औद्योगिक क्रांति कृत्रिम बुद्धि सॉफ्टवेयर के आसपास प्रकट होगा, यह एक अमीर कल्पना बेवकूफ एक कल्पना। लेकिन फिर भी सिलिकॉन वैली के बाहर, इस भावना को भी फैल रहा है की तरह लग सकता है। "टाइम" पत्रिका ने हाल ही में एक लेख प्रकाशित करने के लिए समर्पित जिसका शीर्षक था "कृत्रिम बुद्धि:। मानव जाति के भविष्य" सुविधा लेख, हालांकि, दलदल बुखार विज्ञान कथा और विज्ञान और प्रौद्योगिकी सर्कल में कृत्रिम बुद्धि के इस विजन को पिछले कुछ वर्षों में दशकों के लिए अस्तित्व में है, तकनीक विकसित की। इतनी जल्दी? आज के कृत्रिम बुद्धि और निकट भविष्य से हम वास्तविकता से क्या प्राप्त कर सकते हैं?

सबसे पहले, ऐ एक व्यापक टैग है - वास्तव में एक सटीक तकनीकी शब्द के बजाय एक गर्म वाक्यांश। "कोबीएलस कहता है कि एआई 'किसी भी चीज को एक मशीन की मदद करता है जो मनुष्य की तरह लगता है।'" लेकिन , सख्त अर्थ में, मशीन 'सोच' नहीं मानव मस्तिष्क अलग सोच यह? मशीनों वास्तव में नहीं लगता है, है न? यह निर्भर करता है। पर्याय 'सोच' 'अनुमान लगाया' है, तो फिर मशीन को मस्तिष्क के बराबर माना जा सकता है।

। जब लोगों को कृत्रिम बुद्धि के तरीके पर चर्चा, वे आमतौर पर सबसे लोकप्रिय कृत्रिम बुद्धि के बारे में बात - मशीन सीखने यह एक गणित अनुप्रयोग है, सिद्धांत डेटा एक पैटर्न Kobielus कहा सेट से अनुमान लगाया जाता है: 'एक लंबे समय के लिए। , लोगों को सॉफ्टवेयर पैटर्न डेटा से अनुमान लगाया इस्तेमाल करते हैं। 'तर्क विधि कुछ मौजूदा समर्थन वेक्टर मशीन शामिल हैं, बायेसियन, और निर्णय वृक्ष तर्क। इन तकनीकों गायब नहीं किया है, और कृत्रिम बुद्धि प्रौद्योगिकी के बढ़ते क्षेत्र में इस्तेमाल किया जा करने के लिए जारी मशीन सीखने मॉडल या प्रशिक्षण एल्गोरिथ्म पर डेटा अपने स्वयं के अनुमान है, जो अक्सर के रूप में कृत्रिम बुद्धि या अंतर्दृष्टि उत्पादन में जाना जाता है कर सकते हैं। यह निष्कर्ष एक पूर्व क्रमादेशित मशीन में, आप केवल प्रोग्रामिंग की जरूरत मॉडल ही आवश्यकता नहीं है।

निष्कर्ष शिक्षण मॉडेल इस के सांख्यिकीय संभावना के आधार पर। डेटा से अनुमान कुछ हद तक, मानव समझ, प्रासंगिकता, वर्गीकरण के पाठ्यक्रम की भविष्यवाणी वर्गीकृत, विसंगतियों या प्रवृत्तियों रूपों की पहचान के अनुरूप हो सकता है। मशीन के लिए सीखने मोड श्रेणीबद्ध डेटा वर्गीकारक 'सेंसर' कहा जाता है, perceptron द्वारा स्तरीकृत, एक कृत्रिम तंत्रिका नेटवर्क बनेगी उनके सक्रियण की धारणा के बीच। इस तंत्रिका नेटवर्क संबंध है इस तरह के स्पर्श रेखाओं के रूप में गैर रेखीय perceptron, सहित काम करता है,। इस तंत्रिका प्रक्रिया के माध्यम से, उत्तर या उत्पादन की एक परत अगले परत के इनपुट हो जाता है। आखिरी परत अंतिम परिणाम के उत्पादन में है।

सीखने की गहरी परत में न्यूरॉन्स

पूर्ण अध्ययन नेटवर्क नेटवर्क, अधिक से अधिक इसकी गहराई का अधिक स्तर एक धारणा कृत्रिम तंत्रिका नेटवर्क की परतों का एक बहुत है।। इन अतिरिक्त परतों, और प्रश्न पूछने अधिक आदानों संभाल लेंगे और अधिक उत्पन्न करता है उत्पादन, तो डेटा अमूर्त के एक उच्च स्तर है।

फेसबुक की स्वचालित चेहरा पहचान प्रौद्योगिकी एक गहरी शिक्षण नेटवर्क से संचालित होती है, जो अधिक परतों को जोड़कर छवियों के अमीर विवरण की अनुमति देती है। 'आप पूछ सकते हैं, क्या यह एक चेहरा नहीं है? लेकिन अगर यह एक दृश्य-जागृत गहन शिक्षण नेटवर्क है जो इसे एक चेहरे के रूप में पहचान सकता है जो डेव नामक व्यक्ति से मेल खाता है, जो परिवार के दृश्य के पिता के रूप में होता है, कोबीएलस ने कहा।

अब 1,000 धारणा तंत्रिका नेटवर्क अभी भी तलाश रही। एप्पल के नवीनतम iPhone चेहरे का पता लगाने सॉफ्टवेयर एक तंत्रिका नेटवर्क घुमाव के 20 परतों पर निर्भर करता है गहरी तंत्रिका नेटवर्क समारोह प्राप्त किया जा सकता सॉफ्टवेयर डेवलपर्स की परतों है है। 2015 तक, गहराई का 152 अवशिष्ट परत के नेटवर्क के माध्यम माइक्रोसॉफ्ट के शोधकर्ताओं ने प्रतियोगिता ImageNet कंप्यूटर दृष्टि जीतने के लिए। माइक्रोसॉफ्ट के अनुसंधान निदेशक पीटर ली ने कहा कि डेटा के कमजोर पड़ने को रोकने के डिजाइन करने के लिए धन्यवाद, नेटवर्क तस्वीर से एकत्र करने में सक्षम है जानकारी के लिए, अवशिष्ट नेटवर्क के 20 या 30 परतों की विशिष्ट गहराई से परे, उन्होंने कहा: 'हम बहुत सूक्ष्म चीज़ों को सीख सकते हैं।'

इमेज प्रोसेसिंग, कृत्रिम बुद्धि और नए उपयोग के मामलों सीखने की गहराई के अलावा, अनंत हैं कानून प्रवर्तन से जीनोमिक्स से संबंधित आवेदन पत्र एक अध्ययन में पाया जा सकता है जो पिछले साल, शोधकर्ताओं कृत्रिम बुद्धि का इस्तेमाल किया मानव अधिकार के यूरोपीय न्यायालय के सैकड़ों की भविष्यवाणी करने के लिए मामले के निर्णय, उन्होंने भविष्यवाणी की है कि मानव न्यायाधीशों के अंतिम संकल्प 79% सटीकता पर पहुंच गया।

क्षमता के लिए 'लगता है कि' है, और संसाधनों में समृद्ध है, और यहां तक ​​कि मशीन से अधिक लोगों की तुलना में सही ढंग से संपन्न हुआ। हाल ही में, मनुष्य रेडियोलॉजिस्ट की तुलना में अधिक निपुण स्टैनफोर्ड विश्वविद्यालय में गहरी सीखने एल्गोरिथ्म शोधकर्ताओं निमोनिया का निदान करें। यह नाम CheXNet एल्गोरिथ्म 100-हजार छाती एक्स-रे छवियों के एक सेट पर प्रशिक्षित 121-परत संधिवाद तंत्रिका नेटवर्क का उपयोग करता है।

आर्टिफिशियल इंटेलिजेंस मॉडल सीखने में सुधार जारी है

इस अध्ययन के लिए एक प्रमुख मुद्दा की गहराई पर प्रकाश डाला गया: के रूप में एल्गोरिथ्म ही है और अच्छा के रूप में प्रशिक्षण उनकी भविष्यवाणियों सटीकता दर काफी हद तक आकार और उनके डेटा सेट के प्रशिक्षण और प्रशिक्षण प्रक्रिया के लिए आनुपातिक है बनाने के लिए अपने डेटा विशेषज्ञ के पर्यवेक्षण Kobielus की आवश्यकता है ... उन्होंने कहा: 'आप डेवलपर्स और डेटा वैज्ञानिकों संरचना के अन्य अच्छे सांख्यिकीय मॉडलिंग की एक टीम की जरूरत है, वे प्रशिक्षण डेटा प्राप्त करने में अच्छे हैं, और उन्हें चिह्नित (लेबल वहाँ में एक बहुत महत्वपूर्ण भूमिका निभाता है), और वे द्वारा में अच्छे हैं डेवलपर परिचालनों को विकास और एक मॉडल को सैद्धांतिक रूप से लागू करना।

डाटा लेबल मशीन सीखने मॉडल वास्तव में महत्वपूर्ण है, लेकिन मानवीय आँख अभी भी इस काम के लिए सबसे अच्छा उपकरण है। आईबीएम ने कहा कि यह पिछले साल, वे बहुत से लोगों को काम पर रखने की है, बस टोरंटो पैर्हाम आराबी विश्वविद्यालय में ऐ टैग डेटा देने के लिए। शोधकर्ताओं और Wenzhi गुओ एक तरह से मानव मस्तिष्क और तंत्रिका नेटवर्क को एक साथ एक्सप्लोर। वे एक एल्गोरिथ्म विकसित की है, के बजाय छवि मान्यता में उदाहरण की एक श्रृंखला के माध्यम से, मनुष्य में स्पष्ट निर्देश से सीखने, ट्रेनर हो सकता है 'आप एल्गोरिद्म को प्रशिक्षित नहीं है, तो आप नहीं जानते कि एल्गोरिथ्म मान्य है: एल्गोरिथ्म बता देंगे, आकाश आमतौर पर नीले रंग की है, और पारंपरिक तंत्रिका नेटवर्क प्रशिक्षण की तुलना में चित्र के शीर्ष पर स्थित है, उनके दृष्टिकोण बेहतर Kobielus कहा है। (जैसे स्वायत्त वाहनों के रूप में) बातें 'उपकरणों की इंटरनेट' उन्होंने कहा, व्यापक प्रशिक्षण बादल या अन्य केंद्रीकृत वातावरण, और बिखरे हुए में होगा 'मौके पर ही कोई निर्णय लेगी।