Садржај
Извор: иЛекк / иСтоцкпхото
Одузети:
Вештачка интелигенција може се једног дана постићи коришћењем вештачких неуронских мрежа, али постоји неколико кључних разлика између ових узбудљивих технологија.
Вештачка интелигенција (АИ) и вештачка неуронска мрежа (АНН) две су узбудљиве и испреплетене области у рачунарској науци. Међутим, постоји неколико разлика између њих двојице о којима вреди знати.
Кључна разлика је у томе што су неуронске мреже одскочна даска у потрази за вештачком интелигенцијом.
Вештачка интелигенција је огромно поље које има за циљ стварање интелигентних машина, нешто што је постигнуто много пута у зависности од тога како дефинишете интелигенцију. Упркос чињеници да имамо рачунаре који могу да победе у „опасности“ и победе у шаховским шампионима, циљ АИ се генерално посматра као потрага за општом интелигенцијом или интелигенцијом која се може применити на разнолике и неповезане ситуационе проблеме.
Многи АИ-ови изграђени до данас изграђени су са сврхом, као што је покретање робота који игра пинг понг или доминира у „Јеопарди“. Ово је неизбежан резултат када рачунарски научници сједе и створе нешто да ураде одређени задатак. - заврше са нечим што може обавити тај задатак, а не пуно другим.
Да би решили овај проблем АИ усмерених на задаће, рачунарски научници почели су да се играју вештачким неуронским мрежама. Наши генерално интелигентни мозгови су састављени од биолошких неуронских мрежа које успостављају везе на основу наше перцепције и спољног подражаја.
Грубо поједностављен пример је бол од опекотина. Када се ово први пут догоди, у вашем мозгу се успоставља веза која идентификује сензорне информације познате као ватра (пламен, мирис дима, топлоте) и повезује их са болом. Овако у врло младој доби учите како да не изгоре. Кроз исту неуролошку мрежу можемо направити пуно општег учења попут „сладолед има добар укус“, па чак и направити разлучне скокове попут „увек има облака пре кише“ или „залихе се увек скупљају у децембру.“ Ови скокови нису увек тачни (постоји лош сладолед и постоје залихе које падају у децембру), али оне се могу исправити искуством, омогућавајући адаптивно учење.
Вештачке неуронске мреже покушавају да поново успоставе овај систем учења на рачунарима конструирајући једноставан оквирни програм како би одговорио на проблем и добио повратне информације о томе како се то догађа. Рачунар може да оптимизује свој одговор радећи исти проблем хиљадама пута и прилагођавајући свој одговор према повратним информацијама које добија. Рачунару се може додијелити другачији проблем, којем може приступити на исти начин као што је научио из претходног. Промјеном проблема и бројем приступа њиховом рјешавању које је рачунар научио, рачунарски научници могу научити рачунар као генералист.
Иако ово дочарава слике рачунара који преузимају свет и приносе људе као што је то приказано у холивудским филмовима попут "Мартрик", још смо далеко од неуронског умрежавања до умјетне интелигенције. Проблеми који се тестирају на неуронским мрежама изражени су математички. Не можете држати цвет до рачунара и рећи му да погоди боју по мирису, јер би мирис морао да буде изражен бројевима, а онда би рачунар морао да каталогизира те бројеве у меморији, заједно са сликама цвећа емитујући тај мирис.
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје вештине програмирања када никога није брига за квалитет софтвера.
Поред тога, вештачке неуронске мреже којима се може дати више улаза као што су мирис - и способност да се науче из свих тих улаза - можда су на путу да произведу прву вештачку интелигенцију која задовољава стандарде чак и најтврђих љубитеља АИ.
У суштини, вештачке неуронске мреже су модели људских неуронских мрежа који су осмишљени да помогну рачунарима да науче. Вештачка интелигенција је Свети Грал који неки рачунарски научници покушавају постићи техникама попут опонашања неуронских мрежа.