"Na verdade, é um vinho novo, mas há uma variedade de garrafas e anos diferentes", disse James Kobielus, analista principal da ciência de dados da Wikimedia, aprendizado profundo e desenvolvimento de aplicativos.
Kobielus acrescenta que, na verdade, a maioria dos vinhos antigos ainda são bastante palatáveis, a nova geração de AI usa abordagens anteriores e se baseia nelas, como a tecnologia usada pela grande estrutura de dados da Apache Hadoop.
No entanto, o fanático hoje em dia sobre a inteligência artificial é devido à falta de desenvolvimento específico de alguns dos ex-candidatos de AI, que, de acordo com Kobielus, nos aproximam das máquinas que parecem e pensam como seres humanos. O que conta é grande informação ", disse ele no estúdio de CUBE em Marlborough, MA. Por que os grandes dados despertaram interesse em inteligência artificial porque é uma grande ajuda na formação de um modelo de aprendizado profundo Permitir que ele faça inferências mais humanas. Kobielus e Dave Vellante fizeram avanços em inteligência artificial e inteligência de máquinas. A Vell Vellante é o principal analista da Wikibon e co-apresentadora do estúdio ao vivo da SiliconANGLE.
A revolução da inteligência artificial será algorítmica
A inteligência artificial no progresso a longo prazo no diálogo inteligente, mas também reflete seu rápido crescimento da receita. A agência de pesquisa Tractica LLC mostra que em 2016, a escala de mercado de software de inteligência artificial de 1,4 bilhões de dólares dos EUA até 2025 será aumentada para 59,8 bilhões de dólares dos EUA "A inteligência artificial possui aplicações e casos de uso nas verticais de praticamente qualquer indústria e é considerada como a próxima grande mudança de tecnologia semelhante ao que aconteceu no passado, como a revolução industrial, a era da computação e a revolução do smartphone", o estudo da Tractica LCC O diretor da Aditya Kaul disse que algumas dessas verticais incluem financiamento, publicidade, saúde, aeroespacial e consumidores.
A próxima revolução industrial se concentrará no software de inteligência artificial, que pode soar como uma fantasia nerdy imaginativa, mas mesmo fora do Silicon Valley, esse sentimento também está se espalhando. A revista "Time" publicou recentemente um artigo O artigo principal, intitulado "Inteligência Artificial: O Futuro da Humanidade". No entanto, essa visão de inteligência artificial existe há décadas nos pântanos fanáticos da ficção científica e ciência e tecnologia que evoluíram nos últimos anos Tão rápido? Da inteligência artificial de hoje e do futuro previsível, o que podemos obter da realidade?
Em primeiro lugar, a AI é uma marca ampla - na verdade uma frase quente, em vez de um termo técnico exato ". Kobielus diz que AI se refere a" qualquer coisa que ajude uma máquina a pensar como um ser humano ". Mas Não é máquina Pensando no sentido mais estrito uma mente completamente diferente do que o cérebro humano? A máquina realmente não pensa, não depende da situação. Se o sinônimo de "pensar" for "inferido" Então a máquina pode ser pensada como equivalente ao cérebro.
Quando as pessoas falam sobre inteligência artificial, muitas vezes falam sobre a maneira mais popular para a inteligência artificial - aprendizado de máquina - uma aplicação matemática baseada na inferência de um padrão de um conjunto de dados. "Kobielus disse:" Por um longo tempo , As pessoas usam o software para deduzir padrões de seus dados. "Alguns dos métodos de inferência existentes incluem máquinas de vetor de suporte, lógica bayesiana e árvores de decisão, que não desapareceram e ainda estão sendo usadas no crescente campo de Inteligência Artificial Os modelos de aprendizado de máquina ou os algoritmos treinados em dados fazem suas próprias inferências, muitas vezes referidas como saídas ou insights de inteligência artificial, que não exigem pré-programação para uma máquina e que exigem programação apenas do próprio modelo.
A inferência de um modelo de aprendizagem de máquina baseia-se nas possibilidades estatísticas que são algo semelhantes aos processos de compreensão humana. As inferências a partir dos dados podem vir na forma de previsões, correlações, classificações, classificações, anomalias de reconhecimento ou tendências, etc. Para máquinas O padrão de aprendizagem é hierárquico e o classificador de dados é chamado de 'perceptron', que forma uma rede neural artificial, colocando os perceptrons em camadas. Essa relação de rede neural entre perceptrons ativa seus As funções, incluindo perceptrons não-lineares, como tangentes, permitem que a resposta ou saída de uma camada se torne o próximo nível de entrada através do processo neurológico e a saída do último nível é o resultado final.
Capa de aprendizagem profunda dos neurônios
As redes de aprendizagem profunda são redes neurais artificiais que possuem um grande número de camadas perceptivas, e quanto mais as camadas da rede, maior a sua profundidade. Essas camadas adicionais levantam mais perguntas, tratam mais entradas e produzem mais Saída, que abstrai um maior nível de dados.
Agora que você possui uma rede neural com 1.000 camadas de sensores, os desenvolvedores de software ainda estão explorando o que as redes neuronais mais profundas podem fazer e o mais recente software de detecção de problemas de iPhone da Apple depende de uma rede neural convolucional de 20 camadas. Em 2015, os pesquisadores da Microsoft ganharam o ImageNet Computer Vision Competition através de uma rede residencial de profundidade de 152 camadas, disse Peter Lee, diretor de pesquisa da Microsoft, que, graças a um projeto que impede a diluição dos dados, a rede pode coletar imagens das imagens Para a informação, além da profundidade típica de 20 ou 30 camadas de rede residual, ele disse: "Nós podemos aprender muitas coisas sutis".
Além do processamento de imagem, estão surgindo novos casos de inteligência artificial e aprendizado aprofundado, desde a aplicação da lei até a genômica, e em um estudo do ano passado pesquisadores usaram inteligência artificial para prever centenas de tribunais europeus de direitos humanos Julgamento do caso, eles previam que a resolução final dos juízes humanos atingiu 79% de precisão.
Tem a capacidade de pensar e tem muitos recursos e até máquinas para chegar a conclusões com mais precisão do que as pessoas. Recentemente, os algoritmos dos pesquisadores de Stanford para aprender profundamente são mais adeptos do diagnóstico de pneumonia do que os radiologistas humanos. O algoritmo CheXNet usa uma rede neural convolucional de 121 camadas treinada em um conjunto de mais de 100.000 imagens de tórax de tórax.
Modelo de Inteligência Artificial continua a melhorar na aprendizagem
Os dados de identificação do modelo de aprendizagem de máquina são realmente cruciais, mas o olho humano ainda é a melhor ferramenta para o trabalho. A IBM disse no ano passado que eles estão recrutando muitas pessoas, apenas para marcar os dados AI.Universidade do pesquisador de Toronto Parham Aarabi E Wenzhi Guo explorou a forma como os cérebros humanos e as redes neurais trabalham em conjunto para desenvolver um algoritmo que aprenda com instruções humanas explícitas e não através de uma série de exemplos onde o treinador pode Ele diz ao algoritmo que o céu geralmente é azul e está no topo da imagem, o que funciona melhor do que o treinamento tradicional de rede neural, Kobielus disse: "Sem saber o algoritmo, você não sabe se o algoritmo funciona. Ele também concluiu que um grande número de treinamento será feito em uma nuvem ou outro ambiente centralizado, enquanto dispositivos descentralizados de "redes", como veículos autônomos, tomarão a decisão no local.