"En realidad es un vino nuevo, pero hay una gran variedad de botellas y diferentes años", dijo James Kobielus, analista principal de la ciencia de datos, el aprendizaje profundo y el desarrollo de aplicaciones de Wikimedia.
Kobielus agrega que, de hecho, la mayoría de los vinos antiguos son todavía bastante sabrosos, la nueva generación de IA utiliza enfoques anteriores y se basa en estos, como la tecnología utilizada por el marco de Big Data de Apache Hadoop.
Sin embargo, los fanáticos hoy en día sobre la inteligencia artificial se deben a la falta de desarrollo específico de algunos de los ex candidatos de IA, que, según Kobielus, nos acercan a esas máquinas que se ven y piensan como humanos. Los grandes datos son importantes ", dijo en CUBE Studios en Marlboro, Massachusetts. ¿Por qué los grandes datos despertaron interés en la inteligencia artificial porque fue una gran ayuda en la formación de un modelo de aprendizaje profundo? a fin de que puedan hacer más como la inferencia humana. Kobielus y Dave Vellante junto con los avances tecnológicos en el campo de la inteligencia artificial y la inteligencia artificial. Vellante de Dave analista principal de Wikibon, que fue SiliconANGLE co-presentadora del estudio en directo.
La revolución de la inteligencia artificial será algorítmica
AI avances en el diálogo inteligente, sino que también refleja su crecimiento de los ingresos rápida. Encuesta de la firma de investigación Tractica LLC mostró que en el año 2016, la inteligencia artificial, el tamaño del mercado de software de $ 1.4 mil millones en 2025 a $ 59,8 billón . los estudios Tractica LCC 'inteligencia artificial tiene aplicaciones en casi todos los ámbitos de las industrias verticales y casos de uso, se considera que es el próximo gran cambio en la tecnología, similar a la revolución industrial, la transformación de la era de la informática y la revolución teléfono inteligente, etc., han ocurrido en el pasado,' El director de Aditya Kaul dijo que algunos de estos verticales incluyen finanzas, publicidad, salud, aeroespacial y consumo.
revolución industrial próximo se desarrollará en torno al software de inteligencia artificial, esto puede sonar como una rica fantasía empollón una imaginación. Pero incluso fuera de Silicon Valley, este sentimiento también está extendiendo. revista "Time" publicó recientemente un artículo dedicado a titulado "inteligencia artificial:. el futuro de la humanidad" los artículos de fondo, sin embargo, esta visión de la inteligencia artificial en la ciencia ficción fiebre de los pantanos y el círculo de la ciencia y la tecnología ha existido durante décadas en los últimos años, la tecnología desarrollada. ¿Tan rápido? De la inteligencia artificial de hoy y el futuro previsible, ¿qué podemos obtener de la realidad?
En primer lugar, la inteligencia artificial es una amplia categoría - en realidad más de una frase popular, en lugar de un término técnico preciso Kobielus dijo, AI se refiere a 'cualquier máquina como ayuda a pensar de la misma manera como los seres humanos', pero. , en el sentido más estricto, la máquina 'pensar' no, no es diferente del pensamiento cerebro humano máquinas que? realmente no creen, ¿verdad? depende. Si el sinónimo 'pensamiento' es la 'inferir' Entonces, se podría pensar que la máquina es equivalente al cerebro.
Cuando las personas hablan de inteligencia artificial, a menudo hablan sobre la forma más popular de inteligencia artificial, el aprendizaje automático, una aplicación matemática basada en la inferencia de un patrón a partir de un conjunto de datos ". Kobielus dijo:" Durante mucho tiempo "Las personas usan software para deducir patrones de sus datos". Algunos de los métodos de inferencia existentes incluyen máquinas de vectores de soporte, lógica bayesiana y árboles de decisión, que no han desaparecido y aún se usan en el creciente campo de la Inteligencia Artificial. Los modelos o algoritmos de aprendizaje automático entrenados en datos hacen sus propias inferencias, a menudo denominadas salidas o percepciones de inteligencia artificial, que no requieren preprogramación en una máquina y que requieren programación solo del modelo en sí.
La inferencia de un modelo de aprendizaje automático se basa en las posibilidades estadísticas que son similares a los procesos de comprensión humana. Las inferencias de los datos pueden venir en forma de predicciones, correlaciones, clasificaciones, clasificaciones, anomalías o tendencias de reconocimiento, etc. Para máquinas El patrón de aprendizaje es jerárquico y el clasificador de datos se denomina "perceptrón", que forma una red neuronal artificial al superponer los perceptrones. Esta relación de red neuronal entre perceptrones activa su Las funciones, incluidos los perceptrones no lineales, como las tangentes, permiten que la respuesta o salida de una capa se convierta en el siguiente nivel de entrada a través del proceso neurológico, y la salida del último nivel es el resultado final.
Capa de aprendizaje profundo de las neuronas
Las redes de aprendizaje profundo son redes neuronales artificiales que tienen una gran cantidad de capas perceptivas, y cuanto más capas tienen las redes, mayor es su profundidad. Estas capas adicionales generan más preguntas, manejan más información y producen más Salida, que abstrae un mayor nivel de datos.
Ahora que tiene una red neuronal con 1.000 capas de sensores, los desarrolladores de software todavía están explorando qué pueden hacer las redes neuronales más profundas, y el último software de detección de cara de iPhone de Apple se basa en una red neuronal convolucional de 20 capas. En 2015, los investigadores de Microsoft ganaron la Competición de Visión por Computadora ImageNet a través de una red residual de profundidad de 152 capas, dijo Peter Lee, director de investigación de Microsoft, quien puede beneficiarse de un diseño que evita que la dilución de datos recolecte las imágenes. Para la información, más allá de la profundidad típica de 20 o 30 capas de red residual, dijo: "Podemos aprender muchas cosas sutiles".
Además del procesamiento de imágenes, están surgiendo nuevos casos de inteligencia artificial y aprendizaje en profundidad, que van desde la aplicación de la ley hasta la genómica, y en un estudio el año pasado los investigadores utilizaron la inteligencia artificial para predecir cientos de tribunales europeos de derechos humanos. A juzgar por el caso, predijeron que la resolución final de los jueces humanos alcanzó el 79% de precisión.
Tiene la capacidad de pensar y tiene muchos recursos e incluso máquinas para llegar a conclusiones con más precisión que las personas. Recientemente, los investigadores de la Universidad de Stanford han aprendido que los algoritmos de aprendizaje profundo son mejores para diagnosticar neumonía que los radiólogos humanos. El algoritmo CheXNet usa una red neuronal convolucional de 121 capas entrenada en un conjunto de más de 100,000 imágenes de rayos X de tórax.
El Modelo de Inteligencia Artificial continúa mejorando en el aprendizaje
etiqueta de datos modelo de aprendizaje automático es sin duda crucial, pero el ojo humano sigue siendo la mejor herramienta para el trabajo. IBM dijo que el año pasado, han contratado a mucha gente, sólo para dar datos de la etiqueta de IA. Los investigadores de la Universidad de Toronto Parham Aarabi Y Wenzhi Guo exploró la forma en que los cerebros humanos y las redes neuronales trabajan en conjunto para desarrollar un algoritmo que aprenda de instrucciones humanas explícitas en lugar de a través de una serie de ejemplos donde el capacitador puede dirá el algoritmo, el cielo es generalmente azul, y está situado en la parte superior de la imagen en comparación con el entrenamiento de la red neuronal tradicional, su enfoque es mejor Kobielus dijo: 'Si no entrenar el algoritmo, que no conoce el algoritmo es válido. También concluyó que se realizará una gran cantidad de capacitación en una nube u otro entorno centralizado, mientras que los dispositivos descentralizados de "redes", como los vehículos autónomos, tomarán la decisión in situ.