'이 실제로 새 포도주이지만, 병의 다양한있다, 다른 년이있다'제임스 Kobielus 그가 위키 본 과학적 데이터, 깊이 연구 및 응용 프로그램 개발 수석 애널리스트라고 말했다.
Kobielus 사실, 여전히 아주 맛 오래된 와인의 대부분 덧붙였다; 인공 지능의 새로운 세대는 예를 들어, 방법을 사용하여이 방법을 구축하는 데 사용되는 기술의 사용에 대한 아파치 하둡 빅 데이터 프레임 워크.
그러나 오늘날 인공 지능에 대한 열정, 인공 지능은 Kobielus 기술을 기존 가까운 사람이 기계처럼 '생각'보는 사람들에게 우리에게 가져다 말에 따르면. 특정 개발의 부족에 대한 몇 가지 전 후보 때문이다. '가장 중 하나 큰 데이터가 중요합니다. "라고 그는 말합니다. 왜 큰 데이터가 인공 지능에 관심을 불러 일으켰는지는 심층 학습 모델을 훈련하는 데 큰 도움이 되었기 때문에 그는 말합니다. 인간의 추론과 같은 이상을 할 수 있도록 할 수 있습니다. 함께 인공 지능과 기계 지능. 위키 본의 수석 애널리스트의 데이브 밸 분야의 기술 혁신과 Kobielus와 데이브 밸, 그는 라이브 스튜디오의 SiliconANGLE 공동 앵커이었다.
인공 지능 혁명은 알고리즘적일 것입니다.
AI는 지적인 대화를 활보뿐만 아니라 급속한 매출 성장을 반영한다. Tractica LLC 조사 기관의 조사가 보여 주었다 $ 59.8 억 2,025에서 $ 1.4 억 2016에, 인공 지능 소프트웨어 시장 규모 . Tractica LCC 연구 '인공 지능은 과거에 발생한 등 다음 큰 산업 혁명과 유사한 기술의 변화, 변환 컴퓨터 시대와 스마트 폰 혁명으로 간주되고, 수직 산업과 사용 사례의 거의 모든 분야에서 응용이있다' 카디 (Aditya Kaul) 대표는 금융, 광고, 의료, 항공 우주 및 소비자에이 수직 계열을 포함한다고 말했습니다.
다음 산업 혁명이는 상상력. 그러나 심지어 실리콘 밸리의 외부,이 감정도 확산되고 풍부한 판타지 머저리 같은 소리로 들리 겠지만, 인공 지능 소프트웨어를 중심으로 전개됩니다. "시간"잡지는 최근에 전념 기사를 게시 권리 "인공 지능 :. 인류의 미래"를 특집 기사, 그러나, 늪 발열 공상 과학 소설과 과학 기술 원에서 인공 지능의 비전은 지난 몇 년에서 수십 년 동안 존재했다가, 기술 개발. 오늘날의 인공 지능과 가까운 미래에 우리는 현실에서 무엇을 얻을 수 있습니까?
우선, AI는 광범위한 태그입니다. 실제로 정확한 기술 용어가 아닌 뜨거운 문구입니다. "Kobielus는 AI는 '기계가 인간과 같이 생각하는 데 도움이되는 모든 것을 말합니다'라고 말합니다."그러나 , 엄격한 의미에서 '생각'기계는, 그것? 기계는 정말 생각하지 않는 인간의 두뇌 다른 생각되지 않나요? 그것은 의존한다. '생각'동의어는 '추측'인 경우 그런 다음 기계는 뇌와 동등한 것으로 생각할 수 있습니다.
. 사람들이 인공 지능의 방법을 논의 할 때, 그들은 일반적으로 가장 인기있는 인공 지능에 대해 이야기 - 기계는 원칙은 Kobielus 말했다 패턴 데이터 세트에서 유추됩니다, 이것은 수학의 응용 프로그램 학습 : '오랫동안. 사람들은 이러한 기술이 사라하지 않았습니다. 추론 방법, 베이지안 및 의사 결정 트리 논리를 일부 기존 지원 벡터 기계를 포함하는 '. 데이터에서 추론 소프트웨어 패턴을 사용하고, 인공 지능 기술의 성장 분야에서 계속 사용 데이터를 학습 한 기계 학습 모델 또는 알고리즘은 기계에 사전 프로그래밍 할 필요가 없으며 모델 자체 만 프로그래밍해야하는 인공 지능 출력 또는 통찰력이라고도하는 자체 추론을합니다.
이것의 통계 가능성을 기반으로 추론 기계 학습 모델. 데이터로부터 추론은, 인간의 이해, 관련성, 분류의 과정을 예측 분류, 이상 또는 동향 형태를 식별하는 데 다소 유사 할 수있다. 기계 학습 패턴은 계층 적이며 데이터 분류기는 퍼셉트론 (perceptron)을 레이어링하여 인공 신경망을 형성하는 퍼셉트론 (perceptron)이라고 불린다. 퍼셉트론 간의 신경 네트워크 관계는 이러한 접선 같은 비선형 퍼셉트론 포함 기능.이 과정을 통해 신경는 응답 또는 출력의 층은 다음 층의 입력이된다. 마지막 층은 최종 결과를 출력한다.
깊은 학습 레이어의 뉴런
딥 학습 네트워크는 많은 수의 지각 레이어를 가진 인공 신경망으로 네트워크의 레이어가 많을수록 깊이가 더 커집니다. 이러한 추가 레이어는 더 많은 질문을 제기하고 더 많은 입력을 처리하며 더 많은 정보를 생성합니다. 출력 : 더 높은 수준의 데이터를 추상화합니다.
이제 1000 지각 신경 네트워크는 여전히 애플의 최신 아이폰 얼굴 인식 소프트웨어는 신경 네트워크 회선 20 층에 의존한다. 깊은 신경 네트워크 기능을 달성 할 수있는 탐구 소프트웨어 개발자 층을 보유하고있다. 2015 년, 깊이 152 잔류 층의 네트워크를 통해 마이크로 소프트의 연구자들은 대회 ImageNet 컴퓨터 비전을 이길 수 있습니다. 마이크로 소프트의 연구 책임자 인 피터 리는 데이터의 희석을 방지하는 설계 덕분에, 네트워크가 사진에서 수집 할 수 있다고 말했다 정보에, 잔여 네트워크의 20 또는 30의 층의 전형적인 깊이 저쪽에, 그는 말했다 : "우리는 많은 미묘한 것을 배울 수있다."
이미지 처리, 인공 지능과 새로운 사용 사례를 학습의 깊이뿐만 아니라 법 집행 작년, 연구자들은 인권의 유럽 법원의 수백을 예측하는 인공 지능을 사용하는 연구에서 찾을 수 있습니다 게놈 관련 응용 프로그램, 무한 이 사건의 판단에 따라 그들은 인간 판사의 최종 결의안이 79 %의 정확성에 도달했다고 예측했다.
'생각'할 수있는 능력을 가지고 있고, 자원이 풍부하고, 심지어는 컴퓨터를보다 정확하게 사람보다 결론을 내렸다. 최근, 인간의 방사선보다 더 능숙 스탠포드 대학 깊은 학습 알고리즘 연구자들은 폐렴을 진단합니다.이 이름 CheXNet 알고리즘은 100,000 개가 넘는 흉부 X 선 이미지 집합에 대해 교육 된 121- 레이어 컨볼 루션 (convolutional) 신경 네트워크를 사용합니다.
인공 지능 모델은 학습 향상을 계속합니다.
데이터 라벨 기계 학습 모델은 참으로 중요하지만, 사람의 눈은 여전히 작업에 가장 적합한 도구입니다. IBM은 지난 해, 그들은 단지 AI 태그 데이터를 제공 할 수 있습니다. 연구자 토론토 파햄 아라비의 대학에서, 많은 사람들을 고용 한했다 Wenzhi Guo는 인간의 두뇌와 신경 네트워크가 협력하여 트레이너가 다음과 같은 몇 가지 예를 거치지 않고 명시된 인간 지침을 통해 학습하는 알고리즘을 개발하는 방법을 모색했습니다. '당신이 알고리즘을 훈련하지 않으면, 당신은 알고리즘이 유효 모르는 : 알고리즘을 말할 것이다, 하늘은 보통 파란색이며, 기존의 신경망 훈련에 비해 사진의 상단에 위치하고 있으며, 자신의 접근 방식은 Kobielus 말했다 좋습니다. 또한 그는 클라우드 나 다른 중앙 집중식 환경에서 많은 훈련이 이루어질 것이며 자율 차량과 같은 분산 된 '네트워킹'장치가 현장에서 결정을 내릴 것이라고 결론을 내렸다.