Где они?

Где они, где помощники ИИ, такие как ДЖАРВИС, или где дроиды, такие как C3PO или R2D2?

Если вы такой же энтузиаст научно-фантастических фильмов или сериалов, как я, есть вероятность, что вы хотя бы раз в жизни зададите себе тот же вопрос.

Уже много лет научно-фантастические фильмы и телешоу бомбардируют нас обещаниями, что однажды ИИ с человеческим интеллектом будет бродить по улице и жить в гармонии с нами. Но ни одно из этих обещаний, похоже, не выполняется.

Я признаю, что мы внесли значительный вклад в достижение этой моей утопической мечты, поскольку на самом деле у нас есть Amazon Alexa в качестве простой замены Джарвису, и роботы начали появляться все чаще в обычной жизни, а не только для промышленного использования. .

Но учитывая множество статей, восхваляющих революционный прогресс и улучшения в области ИИ. Я бы подумал, что мы были бы более технологичны, чтобы претворить эти предложения в жизнь. Чтобы охарактеризовать чувство, которое я испытываю прямо сейчас, я бы сказал вам, что это такое ощущение, что когда вы устанавливаете новое приложение на свой ноутбук, и первые 90% устанавливаются очень быстро, но последние 10% занимают целую вечность, чтобы закончить.

Но, к счастью, поскольку я начинаю видеть больше беспилотных автомобилей на улицах по всему миру, у меня снова появляется надежда, потому что я уверен, что если мы добьемся создания автономного автомобиля 5-го уровня, у нас будет ключ к достижению реализация тех долгожданных обещаний.

В зависимости от того, насколько автономный автомобиль является автономным, мы назначаем это число по шкале, начинающееся с 0, что означает, что он не является автономным, и 5, что означает, что он полностью автономен.

Область ИИ - это подраздел компьютерных наук, который пытается ответить на фундаментальный вопрос: «Может ли ИИ обладать человеческим интеллектом?». Он основан на концепции, согласно которой человеческий интеллект можно описать настолько точно, что даже машина сможет его смоделировать.

Это широкое поле в большинстве случаев можно разделить на две категории: первая - это узкий ИИ, а вторая - общий искусственный интеллект.

Давайте начнем с погружения в область узкого ИИ, он послужит нам базой и поможет нам лучше понять общий искусственный интеллект.

Узкий AI:

Этот тип ИИ обычно называется слабым ИИ и описывается как тип искусственного интеллекта, который производит ограниченное моделирование человеческого интеллекта, ориентированный на хорошее выполнение одной задачи. Узкий ИИ может показаться разумным, но он действует с большим количеством ограничений, чем даже самая простая форма интеллекта, которую может иметь человек.

В большинстве случаев, когда мы говорим об узкой области искусственного интеллекта, мы говорим либо об одном из двух его самых популярных подполей - машинном обучении и глубоком обучении.

Машинное обучение состоит из подачи большого количества данных в алгоритм, чтобы он мог учиться на этих данных и давать прогноз для новых невидимых данных на основе понимания ранее увиденных данных. Подводя итог, цель состоит в том, чтобы обучить модель машинного обучения, которая представляет собой алгоритм искусственного интеллекта на основе «знает» ввод, чтобы он мог предсказывать никогда не просматриваемый ввод.

С другой стороны, глубокое обучение пытается имитировать работу нашего мозга, пропуская ввод через нейронную сеть, основанную на биологической основе, и позволяет им учиться на данных с помощью алгоритмов, имитирующих способ обработки информации мозгом.

Термины «искусственный интеллект», «машинное обучение» и «глубокое обучение» часто используются взаимозависимо, и это может вызвать некоторую путаницу у некоторых людей. Чтобы лучше понять эти 3 термина, вы можете посмотреть на картинку ниже, так как вы видите, что машинное обучение - это подполе ИИ, а глубокое обучение - это подполе машинного обучения.

Несмотря на то, что нет четкого пути для выполнения проекта машинного обучения, мы можем обобщить шаг, который кто-то предпримет для решения проблемы с машинным обучением, как определение проблемы \ сбор данных, подгонку модели, оценку модели \ прогнозирование.

Определение проблемы и сбор данных.

В большинстве случаев вы начинаете проект машинного обучения с определения проблемы, которую вы пытаетесь решить, и сбора данных, которые потребуются для ее решения.

При определении проблемы вам нужно будет выбрать, какой тип системы машинного обучения вы будете использовать, это позволит вам узнать, какие данные вам нужно будет собрать.

В основном вы можете использовать два типа систем машинного обучения: это может быть контролируемая или неконтролируемая система.

• Для контролируемой системы вам потребуются данные метки, это означает, что желаемое решение находится в наборе данных, который будет использоваться для подгонки модели.
• Для неконтролируемой системы, поскольку название может указывать на то, что данные не помечены, поэтому у вас нет желаемого результата в данных, которые будут использоваться для соответствия модели.

Модель установки:

Второй шаг состоит из подгонки модели машинного обучения к данным, которые вы собрали на первом шаге.

В зависимости от того, какой тип задачи вы выполняете, алгоритм или модель, которую вы собираетесь использовать, будут различаться, но есть 3 основных типа алгоритма, которые вы можете использовать для задачи: алгоритм регрессии, алгоритм классификации и алгоритм кластеризации.

• Алгоритмы регрессии используются для прогнозирования непрерывного количества или стоимости, например, цены дома.
• Алогрифмы классификации используются для предсказания метки дискретного класса, например, для определения того, является ли электронное письмо спамом или нет.
• Алгоритмы кластеризации используются для поиска естественной группировки в немаркированных данных, поэтому они обычно используются в задачах без надзора.

Остерегайтесь недостаточного и переоборудования.

Иногда, когда вы подходите к своей модели, вы можете оценивать ее так, чтобы она точно соответствовала вашим данным, это может показаться противоречивым в большинстве случаев, когда что-то действительно хорошее, мы должны быть счастливы, но вы должны помнить, что вы не хотите, чтобы модель предсказывала данные тестирования, но вы хотите, чтобы они предсказывали новые и никогда не просматривавшиеся данные.

Но вы также должны позаботиться о том, чтобы это не соответствовало данным, которые вы должны стремиться соблюдать, чтобы поддерживать баланс между избыточным и недостаточным соответствием.

Оцените модель.

После подбора данных вам необходимо узнать, насколько хорошо работает ваша модель машинного обучения.

Вот почему мы обычно разбиваем ваш набор данных на разные части: первая для подгонки модели, а вторая - для оценки того, насколько хорошо ваша модель действительно справилась с прогнозированием выходных данных.

Прогнозирование результата.

И последнее, но не менее важное: это шаг, которого вы ждали с моделью, обученной предсказывать на основе невидимых новых данных.

Теперь, когда мы рассмотрели весь узкий ИИ, мы можем перейти к тому, что я считал забавным и захватывающим, искусственный узкий интеллект, также известный как ОИИ.

Общий искусственный интеллект.

Общий искусственный интеллект - это тип ИИ, который мы видим в фильме, это также тип ИИ, на который мы ссылаемся, когда говорим о rd2d и c3p0, эти ИИ, в отличие от узкого ИИ, имитирующего только небольшую единицу человеческого интеллекта, имеет большее значение. общий тип интеллекта, и он способен применять интеллект для решения любой проблемы так же, как это сделает человек.

На данный момент этот тип ИИ является только гипотетическим. Но есть вероятность, что автономные автомобили могут стать ключом к достижению этого типа ИИ.

Как решение проблемы с автономным автомобилем может стать ключом к двери AGI.

Автономные автомобили начали появляться в некоторых из самых техничных городов мира, таких как Силиконовая долина, Торонто и многих других.

К сожалению, я не думаю, что люди осознают, насколько это важно, или что они взволнованы не по той причине. Фактически, большинство людей, когда говорят об автономных автомобилях, будут больше взволнованы тем, что им не нужно ехать на работу, чем тем фактом, что, если нам удастся создать полностью автономный автомобиль, мы также сможем решить проблему, связанную с искусственным интеллектом.

Чтобы вы понимали, насколько важна сделка с завершением задачи AI-Complete, вы должны знать, что в области AI самые сложные проблемы для решения характеризуются как AI-Complete или AI-hard, и когда вы решили ai-complete Задача в основном такая же, как и при внедрении AGI.

Потому что, если вы решите это, вы решите все проблемы в AI, но для решения вам нужно решить все проблемы в AI.

Почему машина, а не что-то еще?

Автономные автомобили являются прекрасным примером этого, потому что, поскольку они обладают широким спектром интеллектуальной собственности человека, например рассуждениями, они должны включать компьютерное зрение, они должны иметь возможность обработки естественного языка и должны иметь дело с неожиданными обстоятельствами при решении реальных задач. мировая проблема.

Причина, по которой так сложно создавать беспилотные автомобили и почему это считается полностью завершенной задачей, заключается в том, что беспилотные автомобили должны иметь дело с людьми и взаимодействовать с ними. Если бы это было не так, беспилотный автомобиль мог бы легко вести себя так же, как складской робот, если бы у него уже была точная карта, по которой можно было бы следовать и общаться друг с другом, чтобы они не перекачивали и имели согласованную организацию, но, к сожалению, люди не так согласованны, как роботы, чтобы состоять из человека, беспилотного автомобиля, как у человека, способного мыслить как человек, а также общаться с человеком.

Но все же где они?

Вам может быть интересно, что этого недостаточно. и все еще задаетесь вопросом «Где они?», и в ответ я скажу вам они рядом. Мы добились таких поразительных успехов в области ИИ, например, AlpahFold от Deepmind, который может предсказать, как белок справится с задачей, которую мы пытались решить годами. Не теряйте надежды, поскольку мы знаем, что во всех областях, связанных с технологиями, простое открытие может иметь потрясающий результат. Эта концепция может быть более определена законом Мура.

Нам нужно найти только одну ключевую концепцию, и реализация AGI станет чрезвычайно обыденной.