این است که در واقع شراب، اما انواع بطری وجود دارد، و سال های مختلف وجود دارد، 'جیمز Kobielus گفت که او Wikibon داده های علمی، تحلیلگر ارشد در مطالعه عمق و توسعه نرم افزار بود.
Kobielus افزود که، در واقع، بسیاری از کهنه شراب کهنه شراب هنوز هم بسیار خوشمزه، نسل جدیدی از هوش مصنوعی استفاده می شود به استفاده از روش های و ساخت در این روش، برای مثال، آپاچی Hadoop چارچوب داده های بزرگ برای استفاده از فن آوری است.
امروز، با این حال، مشتاق هوش مصنوعی، هوش مصنوعی است به دلیل برخی از نامزد سابق برای عدم توسعه خاص. با توجه به Kobielus می گویند، فن آوری های موجود ما را به کسانی که در 'تفکر مانند یک ماشین انسان نزدیک تر است. "یکی از مهمترین داده های بزرگ مهم است، او در یک مارلبرو گفت، استودیو ماساچوست-CUBE است. چرا داده های بزرگ موجب علاقه در هوش مصنوعی. چرا که این مدل یادگیری عمیق برای آموزش کمک بزرگی است آن را قادر می سازد تا نتیجه گیری های انسانی بیشتری را انجام دهد. کوبیلوس و دیو ولنتن پیشرفت های زیادی را در زمینه هوش مصنوعی و هوش مصنوعی انجام داده اند. دیو ولنتاین تحلیلگر سرشناس Wikibon و استودیوی زنده SiliconANGLE است.
انقلاب هوش مصنوعی الگوریتمی خواهد بود
AI گام در گفت و گو هوشمند، بلکه منعکس کننده رشد درآمد سریع آن است. بررسی Tractica LLC شرکت تحقیقاتی نشان داد که در سال 2016، هوش مصنوعی اندازه بازار نرم افزار 1.4 میلیارد $ در 2025-59800000000 $ مطالعات Tractica LCC 'هوش مصنوعی است برنامه های کاربردی در تقریبا تمام زمینه های صنعتی عمودی و موارد استفاده، در نظر گرفته می شود تغییر بعدی بزرگ در فن آوری، شبیه به انقلاب صنعتی، انتقال از عصر کامپیوتر و انقلاب گوشی های هوشمند، و غیره در گذشته رخ داده است،' رئیس Aditya Kaul گفت که برخی از این Verticals شامل مالی، تبلیغات، مراقبت های بهداشتی، هوا فضا و مصرف کننده است.
انقلاب صنعتی بعدی را در اطراف نرم افزار هوش مصنوعی آشکار، این ممکن است مانند یک NERD فانتزی غنی تخیل. اما حتی در خارج از دره سیلیکون، این احساسات نیز گسترش صدا. "زمان" مجله به تازگی یک مقاله منتشر شده اختصاص داده شده به تحت عنوان "هوش مصنوعی: آینده بشر" از ویژگی های مقالات، با این حال، این دیدگاه از هوش مصنوعی در داستان های علمی تخیلی تب باتلاق و علم و فن آوری دایره برای دهه ها در چند سال گذشته وجود داشته است، این فن آوری توسعه یافته است. بنابراین، سریع از هوش مصنوعی امروز و آینده قابل پیش بینی، چه می توانیم از واقعیت بدست آوریم؟
اول از همه، هوش مصنوعی یک برچسب گسترده است - در واقع بیشتر از یک عبارت محبوب، به جای یک اصطلاح فنی دقیق Kobielus گفت، هوش مصنوعی اشاره به هر دستگاه مانند کمک فکر همان راه به عنوان انسان اما. ، در دقیقترین مفهوم، دستگاه 'تفکر است نه مغز تفکر متفاوت انسان ماشین آلات آن؟ واقعا فکر می کنم، این طور نیست؟ آن بستگی دارد. اگر مترادف' تفکر است که: استنباط، سپس ماشین ممکن است به معادل مغز فکر کند.
وقتی مردم در مورد راه های هوش مصنوعی، آنها معمولا در مورد هوش مصنوعی محبوب ترین صحبت - یادگیری ماشین این نرم افزار ریاضیات است، اصل است از مجموعه داده ها یک الگوی Kobielus گفت استنباط: 'برای مدت زمان طولانی. ، مردم الگوی نرم افزار استنباط از داده ها استفاده کنید. روش استدلال متشکل از ماشین بردار پشتیبانی موجود، بیزی، و منطق درخت تصمیم گیری. این تکنیک ها ناپدید شده اند، و همچنان در زمینه رو به رشد از تکنولوژی هوش مصنوعی استفاده می شود مدل های یادگیری ماشین و یا داده ها بر روی الگوریتم آموزش می توانید استنتاج خود را، که اغلب به عنوان هوش مصنوعی و یا خروجی بینش اشاره می کند. این استنتاج یک مدل از پیش برنامه ریزی را به دستگاه، شما تنها نیاز به برنامه نویسی خود را نیاز ندارد.
مدل استنتاج یادگیری ماشین بر اساس احتمال آماری این. استنتاج از داده ها ممکن است تا حدودی شبیه به پیش بینی این دوره از درک انسان، ارتباط، طبقه بندی، طبقه بندی، شناسایی اشکالات و یا روند اشکال برای دستگاه ، حالت یادگیری طبقه بندی داده های سلسله مراتبی به نام "سنسور، طبقه بندی شده توسط پرسپترون است، یک شبکه عصبی مصنوعی تشکیل می دهد. این رابطه شبکه عصبی بین ادراک از فعال سازی خود توابع، از جمله پرسپترون غیر خطی، مانند مماس. از طریق این فرایند عصبی، یک لایه از پاسخ و یا خروجی از ورودی از لایه بعدی می شود. آخرین لایه خروجی از نتیجه نهایی است.
نرون در لایه های عمیق یادگیری
شبکه یادگیری عمق یک درک است که بسیاری از لایه های شبکه های عصبی مصنوعی. سطوح بیشتر از شبکه، عمق آن بیشتر است. این لایه های اضافی سوالات بیشتری بپرسید، مسئولیت رسیدگی به ورودی های بیشتر و تولید بیش خروجی، به طوری که سطح بالاتری از انتزاع داده.
در حال حاضر 1000 شبکه عصبی ادراک است لایه از توسعه دهندگان نرم افزار هنوز در حال بررسی عملکرد شبکه های عصبی عمیق تر می توان به دست آورد. آخرین نرم افزار تشخیص چهره آیفون اپل در کانولوشن شبکه عصبی 20 لایه متکی است. تا سال 2015، محققان مایکروسافت از طریق یک شبکه 152 لایه باقی مانده از عمق به نفع چشم انداز مسابقه کامپیوتر ImageNet. مایکروسافت مدیر تحقیقات پیتر لی گفت که به لطف طراحی جلوگیری از رقت از داده ها، شبکه قادر به جمع آوری از تصویر است برای اطلاعات، فراتر از عمق معمول 20 یا 30 لایه شبکه باقی مانده، او گفت: "ما می توانیم بسیاری از چیزهای ظریف یاد بگیریم."
علاوه بر پردازش تصویر، هوش مصنوعی و عمق یادگیری موارد استفاده جدید بی پایان هستند، از اجرای قانون برای مرتبط با کاربردهای ژنتیک را می توان در یک مطالعه در سال گذشته، محققان با استفاده از هوش مصنوعی برای پیش بینی صدها نفر از دادگاه حقوق بشر اروپا در مورد قضیه، آنها پیش بینی کرده اند که حل نهایی قضات انسانی به دقت 79 درصد رسید.
آیا توانایی به "فکر می کنم، و سرشار از منابع است، و حتی به این نتیجه رسیدند که به دقت دستگاه بیش از مردم است. به تازگی، عمیق محققان الگوریتم یادگیری در دانشگاه استنفورد ماهر تر از انسان رادیولوژیست تشخیص ذات الریه. این نام الگوریتم CheXNet از یک شبکه عصبی کانولوشن 121 لایه که بر روی مجموعه ای از بیش از 100،000 اشعه ایکس قفسه سینه آموزش داده شده است استفاده می کند.
مدل هوش مصنوعی همچنان در یادگیری بهبود می یابد
مدل های یادگیری ماشین برچسب داده است که در واقع بسیار مهم است، اما چشم انسان هنوز هم بهترین ابزار برای این کار. آی بی ام گفت: آن را در سال گذشته، آنها استخدام شده است بسیاری از مردم، فقط به دادن اطلاعات تگ AI. محققان در دانشگاه تورنتو پرهام اعرابی و Wenzhi گوا کشف راه مغز انسان و شبکه های عصبی با هم. آنها در حال توسعه یک الگوریتم، یادگیری از آموزش صریح و روشن در انسان، و نه از طریق یک سری از نمونه در تشخیص تصویر، مربی ممکن است 'اگر شما از الگوریتم آموزش نمی بینند، شما نمی دانید که الگوریتم معتبر است: به الگوریتم بگویم، آسمان است که معمولا به رنگ آبی، و در بالای تصویر در مقایسه با آموزش شبکه عصبی سنتی واقع، رویکرد خود را بهتر Kobielus گفت است. اینترنت تجهیزات چیز "(مانند وسایل نقلیه مستقل) او نتیجه گرفت، آموزش گسترده خواهد در ابر و یا دیگر محیط های متمرکز، و پراکنده شود به یک تصمیم گیری در نقطه است.