Нейронный искусственный интеллект


Джеффри Хинтон и двое его коллег в 1986 году разработали концепцию нейронного искусственного интеллекта и одновременно возродили область AI. Так же они разработали обратное распространение градиента. Это позволило заложить основы глубокого обучения, которое сегодня используют практически все технологии искусственного интеллекта. Благодаря этому алгоритму обучения глубокие нейронные сети могут непрерывно учиться и развиваться независимо друг от друга. Это представляет собой серьезный вызов, с которым символическая AI не смогла справиться.

Таким образом, нейронный искусственный интеллект (также называемый субсимволическим AI) отличается от принципов символического представления знаний. Как и в случае с человеческим интеллектом, знания делятся на небольшие функционирующие единицы, искусственные нейроны, которые связаны с постоянно растущими группами. Это называется восходящим подходом . Результатом является богатая и разнообразная искусственная нейронная сеть.

Нейронный искусственный интеллект намеревается максимально точно имитировать работу мозга и искусственно моделировать сеть нейронов. В отличие от символического AI, нейронная сеть стимулируется и обучается прогрессу; в области робототехники, например, эта стимуляция осуществляется с использованием сенсорных и моторных данных. Именно благодаря этому опыту AI сам генерирует постоянно растущие знания. В этом заключается главное новшество: хотя само обучение занимает много времени, оно позволяет машине учиться самостоятельно в долгосрочной перспективе. Иногда мы говорим об обучающих машинах. Это то, что делает нейронные машины на основе AI очень динамичными и адаптивными системами, которые иногда больше не полностью понятны людям.

Строительство искусственной нейронной сети почти всегда следует тем же принципам:

  1. Бесконечное количество искусственных нейронов расположены друг над другом в систему слоев. Они соединены друг с другом моделированными кабелями.
  2. Функционируют глубокие нейронные сети, то есть взаимодействующие более чем с двумя уровнями. В средние слои расположены иерархически поверх остальных; в некоторых системах информация о миллионах подключений передается вверх. К вашему сведению, AlphaGo (Google DeepMind) имеет 13 средних слоев, а Inception (Google) уже имеет 22.
  3. Верхний слой действует как датчик , который поглощает данные в систему, будь то текст, изображения или звук. Затем информация отправляется по сети в соответствии с определенными шаблонами, а затем сравнивается с предыдущей информацией: так верхний уровень постоянно питает и обучает всю систему.
  4. Нижний уровень действует как производственный уровень, но в нем меньше нейронов, поскольку он имеет по одному на каждую классифицированную категорию (изображение собаки, изображение кошки и т. д.). Производственный уровень сообщает пользователю нейронная сеть может, например, распознать новую фотографию ранее неизвестной кошки.
  5. Существует три основных метода обучения нейронных сетей: контролируемое, неконтролируемое или избыточное обучение. Эти методы регулируют направление датчика к желаемому результату.

Подавляющее большинство последних достижений в области AI основано на нейронных системах. Под знаком глубокого обучения, исследования и инновации основаны на невероятных достижениях систем, способных учиться самостоятельно, будь то изучение языка, вождение или распознавание Почерк. 

Google Inception, система распознавания образов, которая создает сказочные образы снов, стала явлением в 2015 году под хэштегом #DeepDreams. Этот «побочный эффект» системы был обнаружен случайно ее разработчиками, которые хотели выяснить, как на самом деле работает созданный ими искусственный интеллект.
Нейронный искусственный интеллект Нейронный искусственный интеллект Reviewed by Admin on ноября 27, 2020 Rating: 5

Комментариев нет: