AI: Projetos que mudam os próprios temas

A IA é um subconjunto de inteligência baseada em computadores. Ou seja, toda IA considera inteligência artificial, porém nem toda inteligência baseada em computador considera IA. Por exemplo, a lógica emblemática – motores de regras, quadros mestres e gráficos de informação – poderia ser descrita como inteligência artificial, e nenhuma delas é IA.

Um ângulo que isola a IA dos gráficos de informação e dos quadros mestres é sua capacidade de mudar a si mesma quando apresentada a mais informações; por exemplo, a IA é dinâmica e não requer a intercessão humana para implantar melhorias específicas. Isso a torna menos frágil, e menos dependente de especialistas humanos.

Diz-se que um programa de PC ganha para um fato E como para alguma classe de tarefas T e medida de execução P se sua exposição em tarefas T, como estimado por P, melhora com a experiência E. – Tom Mitchell

Em 1959, Arthur Samuel, um dos pioneiros da IA, caracterizou a IA como um “campo de concentração que permite que os PCs aprendam sem serem modificados inequivocamente”. Ou seja, os programas de IA não foram expressamente inseridos em um PC, semelhante ao que ocorre no caso dos anúncios acima. Os programas de IA, pode-se dizer, alteram-se à luz das informações a que são apresentados (como uma criança que é levada ao mundo percebendo que nada altera sua compreensão do mundo por causa da experiência).

Samuel instruiu um programa de PC para jogar damas. Seu objetivo era treiná-lo para jogar damas superior a si mesmo, o que claramente não é algo que ele pudesse programar de forma inequívoca. Ele conseguiu, e em 1962 o seu programa venceu o vencedor das damas da província de Connecticut.

A “adaptação” de alguma parte da IA implica que os cálculos do ML se esforçam para atualizar juntamente com uma medida específica; por exemplo, eles como regra tentam limitar o erro ou aumentar a probabilidade de que suas expectativas sejam válidas. Isto tem três nomes: um trabalho de erro, um trabalho de azar, ou um trabalho de objetivo, tendo em vista que o cálculo tem um objetivo… Quando alguém diz que está trabalhando com um cálculo de IA, você pode chegar à essência do seu incentivo perguntando: Qual é o trabalho de meta?

Como se pode limitar o erro? Tudo considerado, um caminho é montar uma estrutura que aumente as contribuições para solicitar suposições em relação às fontes de inclinação da informação. Vários rendimentos/surmises são os resultados das fontes de dados e do cálculo. Geralmente, as teorias subjacentes são muito fora da base, e no caso de você ter a sorte de ter nomes de verdades relacionadas às informações, você pode avaliar o quão erradas suas estimativas estão, destacando-as da realidade, e depois utilizar esse erro para alterar seu cálculo. Isso é o que os sistemas neurais fazem. Eles continuam estimando o erro e alterando seus parâmetros até não conseguirem realizar menos erros.

Eles são, para dizer claramente, um cálculo de melhoria. Na hipótese de você afiná-los corretamente, eles limitam seu erro especulando e especulando e especulando mais uma vez.

Adaptação Profunda: Mais Precisão, Mais Matemática e Mais Figura

O aprendizado aprofundado é um subconjunto da IA. Como regra, quando os indivíduos utilizam o termo aprendizado profundo, eles estão aludindo a sistemas neurais falsos profundos e, em algum grau, menos habituais ao aprendizado fortificado profundo.

Sistemas neurais falsos e profundos são muitos cálculos que estabeleceram novos precedentes em precisão para algumas questões significativas, por exemplo, reconhecimento de imagem, reconhecimento de som, recomendação de estruturas, manipulação de linguagem comum e assim por diante. Por exemplo, o aprendizado profundo é uma peça do excelente cálculo AlphaGo do DeepMind, que venceu o anterior detentor do título, Lee Sedol at Go, em meados de 2016, e o atual melhor do planeta, Ke Jie, em meados de 2017. Um esclarecimento cada vez mais completo dos trabalhos neurais está aqui.

Profundo é um termo especializado. Ele alude ao número de camadas em um sistema neural. Uma organização rasa tem uma suposta camada envolta, e um sistema profundo tem múltiplas. Várias camadas ocultas permitem que os sistemas neurais profundos aprendam os destaques das informações em uma suposta ordem de bicagem de componentes, uma vez que os destaques básicos (por exemplo, dois pixels) recombinam começando com uma camada e depois na seguinte, para enquadrar destaques progressivamente complexos (por exemplo, uma linha). Redes com numerosas camadas passam informações de entrada (highlights) através de mais tarefas científicas do que redes com poucas camadas e, consequentemente, são mais concentradas computacionalmente para se preparar. A intensidade computacional é um dos sinais de aprendizado profundo, e é uma das motivações por trás da busca de outro tipo de GPUs de chamada de chip para preparar modelos de aprendizado profundo.

Assim, você poderia aplicar uma definição semelhante à descoberta profunda que Arthur Samuel fez com a IA – um “campo de concentração que permite que os PCs aprendam sem serem expressamente personalizados” – ao mesmo tempo em que acrescenta que, em geral, resultará em maior precisão, exigirá mais equipamentos ou tempo de preparação, e terá um desempenho particularmente bom em empreendimentos de discernimento de máquinas que incluem informações não estruturadas, por exemplo, massas de pixels ou conteúdo.

Qual é o próximo passo para a inteligência artificial?

Os avanços feitos pelos cientistas do DeepMind, Google Mind, OpenAI e diferentes faculdades estão se acelerando. A inteligência simulada está apta a cuidar de questões cada vez mais difíceis e superiores a qualquer coisa que as pessoas possam.

Isto implica que a inteligência artificial está mudando mais rapidamente do que sua história pode ser composta, de modo que as previsões sobre o seu futuro também se tornam imediatamente desatualizadas. Estamos buscando uma conquista como a separação atômica (concebível), ou nos esforçamos para espremer progressivamente o insight do silício, como a tentativa de transformar chumbo em ouro?1

Há quatro formas principais de pensar, ou lugares santos de convicção talvez, que reunindo como os indivíduos falam sobre inteligência feita pelo homem.

Os indivíduos que aceitam que o progresso da inteligência simulada avançará rapidamente irão, em geral, contemplar a inteligência sólida baseada em computadores, e se ela é útil para a humanidade. Entre os indivíduos que conjecturaram que o progresso prosseguiu, um acampamento acentua as vantagens de uma programação cada vez mais astuta, que pode poupar a humanidade de suas atuais estupidezes; o outro acampamento enfatiza o perigo existencial de um gênio.

Dado que a intensidade da inteligência computacional avança inseparavelmente com a intensidade dos equipamentos computacionais, impulsiona no limite computacional, por exemplo, melhores chips ou processamento quântico, dará lugar a progressos na inteligência artificial. Em um nível algorítmico simples, a maioria dos resultados chocantes entregues pelos laboratórios, por exemplo, o DeepMind tem origem na união de várias formas de lidar com a inteligência artificial, assim como o AlphaGo consolida o aprendizado profundo e o aprendizado fortificante. Unindo aprendizado profundo com pensamento representativo, pensamento analógico, Bayesian e técnicas transformadoras, tudo isso mostra garantia.

Os indivíduos que não aceitam que a inteligência baseada em computador está ganhando tanto terreno comparada com a percepção humana estão antecipando outro inverno de inteligência feita pelo homem, durante o qual o financiamento irá evaporar por causa de resultados frustrantes, como já ocorreu anteriormente. Enormes números desses indivíduos têm um cálculo ou abordagem animal de estimação que contende com um aprendizado profundo.

Finalmente, há os realistas, parando na matemática, batalhando com informações caóticas, rara capacidade de inteligência simulada e reconhecimento do cliente. Eles são muito pouco rigorosos nas reuniões, fazendo previsões sobre inteligência baseada em computador – eles simplesmente percebem que é difícil.