Tehnografi.com - Технологические новости, обзоры и советы
[adinserter block="67"]

Как новейший искусственный интеллект Deepmind намекает на машины, которые думают больше, чем мы

Могут ли машины думать как человек? До великой технологической революции это была всего лишь мечта, но теперь это величайшая реальность нашей жизни. Интернет и технологии одновременно превратили этот мир в глобальную деревню. Благодаря предложениям Comcast. Я всегда остаюсь в курсе новостей и взглядов на мир.

Новейший ИИ может думать как человек

Машины никогда не были такими умными, но теперь они стали настолько умными, что могут думать самостоятельно. Разработаны алгоритмы, которые могут корректироваться для обеспечения эффективности. Как это круто? Чтобы понять машины, использующие ИИ, нам нужно больше знать о глубоком обучении.

Глубокое обучение

Глубокое обучение — это, по сути, подобласть машинного обучения, которая в основном управляет алгоритмами, основанными на структуре и функциях мозга, обычно называемыми «искусственными нейронными сетями». Глубокое обучение — важная часть разговора, когда речь идет об искусственном интеллекте, больших данных и аналитике. Это обещает большое развитие систем автоматизации и самообучения, которые произведут революцию в отрасли.

Глубокое обучение используется Google

Благодаря широкому охвату и эффективности методов глубокого обучения Google использует их в своих алгоритмах распознавания голоса и изображений. Его также используют исследователи из Массачусетского технологического института. Нетфликс и Amazon используйте его, чтобы решить, что вы хотите купить или посмотреть в следующий раз.

Глубокое обучение будет таким же хорошим, как и его данные

Однажды исследователя глубокого обучения спросили, что бы он хотел на Рождество. Он ответил: «Было бы здорово иметь больше размеченных наборов данных». Если отбросить шутки ботаников, отсутствие обучающих данных по глубокому обучению сделало его понимание настоящей проблемой. Глубокое обучение в основном опирается на миллионы и миллионы примеров, которые сообщают алгоритму, что именно искать. Ему нужны все образцы, необходимые для того, чтобы отличить голос собаки от голоса кошки или идентифицировать гуманоидных существ, гуляющих по улице. Глубокое обучение так же хорошо, как и данные, на которых оно обучается.

Новейшие машины искусственного интеллекта DeepMind думают как люди

В последнем выпуске Science компания DeepMind представила алгоритм, который отображает первый шаг трансферного обучения. Когда это было показано в виде серии 2D-изображений, алгоритм фактически распознал 3D-среду и оказался достаточно эффективным, чтобы предсказать новости и виды сцены. Глубокая нейронная сеть фактически преобразует сеть генеративных запросов, которая может тщательно анализировать 2D-изображения с помощью моделируемой камеры. Эта смоделированная камера управляет цифровой роботизированной рукой для навигации по трехмерной среде на двухмерном изображении. Это приложение в робототехнике является потенциальным шагом на пути к революции глубокого обучения. Когда исследователи заглянули в мозг ИИ, они обнаружили, что сеть также улавливает суть каждой 3D-сцены. И в этих 3D-сценах внутренняя структура представляла значимые аспекты этой конкретной сцены.

Жадные алгоритмы

Глубокое обучение обновило всю область машинного обучения. Это приведет к распознаванию лиц, системам имитации голоса, машинному переводу, диагностике рака на основе искусственного интеллекта, беспилотным автомобилям и многому другому. Но вместо всего успеха для управления им по-прежнему требуется человеческий мозг. Глубокое обучение опирается на искусственную нейронную сеть со слоями нейронов. Нейроны сети искусственного интеллекта получают входные данные от нескольких узлов, выполняют необходимые вычисления, а затем пересылают выходные данные нейронам. Эта нейронная система помогает решить проблему, делая на каждом этапе локально необходимый выбор с целью найти лучший в мире.

Сеть кодирования-декодирования

Сеть кодирования и декодирования нового GQN DeepMind более похожа на человеческую. Сеть кодировщика будет анализировать визуальные входные данные и преобразовывать данные в копии сцены. Фактически это формирует математическую интерпретацию описания сцены, и каждое дополнительное наблюдение нейронной сети увеличивает богатство этой интерпретации или представления. Сеть может кодировать информацию или детали высокого уровня. Тогда есть декодер. Это фактически интерпретирует закодированные представления и предлагает решения для конкретной задачи. В этой среде несколько кодировщиков работают с несколькими декодерами для создания массива решений конкретной проблемы.

Это все равно, что дать ребенку базовое представление о том, что такое пицца. Даже если он не знает, как это описать, у него в голове будет картина, которая точно скажет, к какой категории оно относится. Конечно, эти машины находятся в невыгодном положении. В отличие от человеческого глаза, они не могут видеть сцены в 3D. Скорее, они фиксируют окружающую среду в 2D. Команда Deepmind решила эту проблему, визуализировав 3D-среду из 2D-изображений с помощью интеллектуальных алгоритмов.