AI: Proyectos que se cambian a sí mismos

La IA es un subconjunto de la inteligencia computarizada. Es decir, toda la IA considera la inteligencia artificial, sin embargo no toda la inteligencia computarizada considera la IA. Por ejemplo, los fundamentos emblemáticos – motores de reglas, marcos maestros y gráficos de información – podrían ser representados como inteligencia artificial, y ninguno de ellos es la IA.

Un ángulo que aísla a la IA de los gráficos de información y los marcos maestros es su capacidad de cambiarse a sí misma cuando se presenta a más información; por ejemplo, la IA es dinámica y no requiere de la intercesión humana para desplegar mejoras específicas. Eso la hace menos frágil y menos dependiente de especialistas humanos.

Se dice que un programa de PC gana por un hecho E como por alguna clase de tareas T y medida de ejecución P si su exhibición en los mandados en T, como se estima por P, mejora con la experiencia E. – Tom Mitchell

En 1959, Arthur Samuel, uno de los pioneros de la IA, caracterizó la IA como un “campo de concentración que permite a los PCs aprender sin ser modificados de manera inequívoca”. Es decir, los programas de IA no han sido expresamente introducidos en un PC, similar al caso de los anuncios anteriores. Los programas de IA, se podría decir, se alteran a sí mismos a la luz de la información que se les presenta (como un niño que es traído al mundo al darse cuenta de que nada altera su comprensión del mundo debido a la experiencia).

Samuel instruyó a un programa de PC para jugar a las damas. Su objetivo era entrenarlo para que jugara a las damas superiores a él, lo que claramente no es algo que pueda programar inequívocamente. Tuvo éxito, y en 1962 su programa venció al vencedor de las damas de la provincia de Connecticut.

La “adaptación” de alguna parte de la IA implica que los cálculos de la ML se esfuerzan por mejorar junto con una medición específica; por ejemplo, como norma intentan limitar el error garrafal o aumentar la probabilidad de que sus expectativas sean válidas. Esto tiene tres nombres: un trabajo de desacierto, un trabajo de desgracia, o un trabajo de meta, a la luz del hecho de que el cálculo tiene un objetivo… Cuando alguien dice que está trabajando con un cálculo de IA, se puede llegar a la esencia de su incentivo preguntando: ¿Cuál es el trabajo objetivo?

¿Cómo se puede limitar el error? Considerando todas las cosas, una ruta es ensamblar una estructura que aumente las contribuciones para solicitar hacer conjeturas con respecto a las fuentes de inclinación de la información. Varios rendimientos/supervisiones son los resultados de las fuentes de datos y el cálculo. Por lo general, las teorías subyacentes están muy fuera de base, y en el caso de que se tenga la suerte de tener nombres de verdades fundamentales relacionadas con la información, se puede calibrar cuán erróneas son las estimaciones destacándolas de la realidad, y después utilizar ese error para alterar el cálculo. Eso es lo que hacen los sistemas neuronales. Continúan estimando el error y cambiando sus parámetros hasta que no pueden lograr menos errores.

Son, para decirlo claramente, un cálculo de mejora. En la remota posibilidad de que los afines a la derecha, limitan su error al especular y especular y especular una vez más.

Adaptación profunda: Más precisión, más matemáticas y más figuras

El aprendizaje profundo es un subconjunto de la IA. Por regla general, cuando los individuos utilizan el término aprendizaje profundo, están aludiendo a sistemas neurales profundos falsos, y en cierto grado menos habitualmente al aprendizaje profundo de fortificación.

Los sistemas neurales falsos profundos son un montón de cálculos que han establecido nuevos precedentes de precisión para algunas cuestiones importantes, por ejemplo, el reconocimiento de imágenes, el reconocimiento de sonidos, los marcos de recomendación, el manejo del lenguaje común y así sucesivamente. Por ejemplo, el aprendizaje profundo es una pieza del extraordinario cálculo AlphaGo de DeepMind, que superó al anterior poseedor del título Lee Sedol en Go a mediados de 2016, y al actual mejor del planeta Ke Jie a mediados de 2017. Una aclaración cada vez más completa de los trabajos neuronales está aquí.

Profundo es un término especializado. Alude al número de capas en un sistema neural. Una organización superficial tiene una supuesta capa cubierta, y un sistema profundo tiene múltiples. Varias capas ocultas permiten a los sistemas neurales profundos conocer los aspectos destacados de la información en un supuesto orden jerárquico de componentes, ya que los aspectos destacados básicos (por ejemplo, dos píxeles) se recombinan empezando por una capa y luego por la siguiente, para enmarcar los aspectos destacados progresivamente complejos (por ejemplo, una línea). Las redes con numerosas capas pasan la información de entrada (puntos destacados) a través de más tareas científicas que las redes con escasas capas y, por consiguiente, su preparación está más concentrada desde el punto de vista computacional. La intensidad computacional es uno de los signos de aprendizaje profundo, y es una de las motivaciones por las que se busca otro tipo de chip llamado GPU para preparar modelos de aprendizaje profundo.

Así que se podría aplicar una definición similar al descubrimiento profundo que Arthur Samuel hizo a la IA -un “campo de concentración que permite a los ordenadores personales aprender sin estar expresamente personalizados”-, al tiempo que se añade que, en general, dará lugar a una mayor precisión, requerirá más equipo o tiempo de preparación y funcionará particularmente bien en las tareas de discernimiento de la máquina que incluyan información no estructurada, por ejemplo, masas de píxeles o contenido.

¿Qué es lo siguiente para la inteligencia artificial?

Los avances realizados por los científicos de DeepMind, Google Mind, OpenAI, y diferentes universidades se están acelerando. La inteligencia simulada es apta para ocuparse de asuntos cada vez más difíciles y superiores a todo lo que la gente pueda.

Esto implica que la inteligencia artificial está cambiando más rápido de lo que puede componer su historia, por lo que las predicciones sobre su futuro inmediatamente se vuelven obsoletas también. ¿Estamos persiguiendo un logro como la separación atómica (concebible), o nos esforzamos por sacar información del silicio progresivamente como el intento de transformar el plomo en oro?1

Hay cuatro formas principales de pensar, o lugares sagrados de convicción tal vez, que reúnen la forma en que los individuos hablan de la inteligencia hecha por el hombre.

Los individuos que acepten que el progreso de la inteligencia simulada procederá a paso acelerado contemplarán, en general, la inteligencia sólida basada en la computadora, y si es útil para la humanidad. Entre los individuos que conjeturan que el progreso ha proseguido, un bando acentúa las ventajas de una programación cada vez más astuta, que puede librar a la humanidad de sus actuales estupideces; el otro bando insiste en el peligro existencial de un genio.

Dado que la intensidad de la inteligencia computarizada avanza inseparablemente con la intensidad del equipo de cómputo, los propulsores en el límite de la computación, por ejemplo, mejores chips o el procesamiento cuántico, darán paso al progreso de la inteligencia artificial. En un nivel algorítmico simple, la mayoría de los resultados impactantes que ofrecen los laboratorios, por ejemplo, DeepMind, se originan en la unión de varias formas de tratar la inteligencia artificial, de la misma manera que AlphaGo consolida el aprendizaje profundo y el aprendizaje de fortificación. La unión del aprendizaje profundo con el pensamiento representativo, el pensamiento analógico, el bayesiano y las técnicas de transformación son una garantía.

Las personas que no aceptan que la inteligencia computarizada está ganando tanto terreno en comparación con la perspicacia humana están anticipando otro invierno de inteligencia artificial, durante el cual la financiación se evaporará debido a resultados frustrantes, como ha ocurrido anteriormente. Enormes cantidades de esos individuos tienen un cálculo o enfoque que se disputa con el aprendizaje profundo.

Por fin, están los realistas, que se detienen en las matemáticas, luchando con la información caótica, la rara capacidad de inteligencia simulada y el reconocimiento del cliente. Son mínimamente estrictos de las reuniones haciendo pronósticos sobre la inteligencia basada en la computadora – simplemente se dan cuenta de que es difícil.