Vi kan allerede se eksempler på, hvordan kunstig intelligens-teknologien er i stand til at vise nogle der synes ved første øjekast, karakteristisk kun af menneskelige træk. Vi skaber menneskelignende robotter, mindst meget lig os, nogle er engageret i at skabe algoritmer er i stand til at udføre noget, der normalt kun mennesker er i stand til at skrive musik, malerier eller undervisning.
Med udviklingen af denne del af virksomheden og udviklere er begyndt at kigge efter en mulighed for at ændre meget på hvilket grundlag vi er ved at skabe kunstig intelligens algoritmer, og er godkendt til studiet af ægte intelligens, og af den måde, hvordan man kan simulere det i elektronik-og software-udvikling af en ny generation. Et sådant selskab er IBM, der har sat et ambitiøst mål om at undervise AI til at opføre sig (mere korrekt at sige, at arbejde) mere som den menneskelige hjerne, ikke som et sæt af programmeret algoritmer.
De fleste af de eksisterende systemer for machine learning er bygget op omkring behovet for at bruge enorme sæt af data. Det kan være en computer, der er designet til at finde måder for at vinde spillet, eller det system, der er bygget til at opdage tegn på hudkræft på grundlag af digitale billeder – denne regel virker altid. Men sådan et grundlag for det arbejde ser meget begrænset og kortfattet, og det er naturligvis det, der adskiller sådanne systemer fra, hvordan den menneskelige hjerne fungerer.
IBM ønsker at ændre det. Forskerholdet fra DeepMind har skabt en syntetisk neurale netværk, som er baseret på rationelle beslutninger, når man arbejder med en bestemt opgave.
Rationel maskine
“At give kunstig intelligens et sæt af objekter og en specifik opgave, vi tvinger netværket til at opdage eksisterende overholdelse,” kommentarer på de sider af Science Magazine Timothy Lillicrap, computer specialist DeepMind team.
I tests af det netværk, der er gennemført i juni, systemet, i tilstedeværelse af en bred vifte af faktorer, der blev givet forskellige opgaver, der er forbundet med et digitalt billede. For eksempel sådan: “de blå ting på billedet er genstand. Den har samme form som det lille blå ting er til højre for det grå metal bold?”
I denne test, kunstige neurale netværk, der var i stand til at identificere et ønsket mål i 96% af tilfældene, mens konventionelle machine learning modeller i stand til at klare den opgave i 42-77% af tilfældene.
For nylig kunstige neutron netværk fortsætte med at forbedre forståelsen af det menneskelige sprog. Forskerne vil også gerne ud til lyd beslutningsprocessen, sådanne systemer kan demonstrere og fastholde opmærksomhed, og til at gemme minderne.
De ord af Irina Rish, IBM forsker, udviklingen af kunstig intelligens i høj grad kunne fremskynde og udvide brugen af en sådan taktik.
“Forbedring af neurale netværk, er det stadig et spørgsmål om teknik normalt kræver en enorm mængde af tid til at komme til den rigtige arkitektur, der virker bedst. I virkeligheden er det den menneskelige metode af trial and error. Det ville være dejligt, hvis netværk kan i sig selv skabe og forbedre”.
Nogle, selvfølgelig kan skræmme en tanke om AI netværk er i stand til at skabe og forbedre den, men hvis du kan finde en kompetent måde at overvåge, kontrollere og styre denne proces, vil det give os mulighed for at gå ud over dagens begrænsninger. På trods af den stigende frygt for, om revolutionen af robotter, der slavebinder os alle, udvikling af AI med, at tusindvis af menneskeliv i medicin, der åbner for os muligheder for at besøge og selv til at leve på Mars, og meget mere.
IBM ser kunstig intelligens som et sæt af fælles algoritmer
Nikolai Khizhnyak