Systémy hlbokého učenia fungujú tak, že z údajov vyberajú štatistické vzorce – takto interpretujú svoj vlastný svetonázor. Táto metóda štatistického učenia si však vyžaduje veľké množstvo vstupných údajov a nie je obzvlášť užitočná na to, aby pomohla systémom hlbokého učenia aplikovať znalosti z minulosti na nové situácie, na rozdiel od symbolickej AI, ktorá umožňuje zaznamenávať postupnosť krokov vykonaných na vytvorenie rozhodovanie s menším množstvom údajov ako tradičné metódy.
Nová štúdia vykonaná tímom vedcov z oblasti umelej inteligencie z MIT, MIT-IBM Watson AI Lab a DeepMind ukazuje potenciál tréningu AI pri aplikácii na špecifickú, symbolickú úlohu, napríklad pochopenie významu obrázkov. V súlade s tým v experimentoch modely umelej inteligencie vedcov získali koncepty súvisiace s objektmi, ako je farba a tvar, a potom tieto znalosti použili na vytvorenie vzťahov medzi mnohými objektmi, objektmi v scéne, pričom si vyžadovali len minimálne trénovacie údaje a nemuseli byť explicitne naprogramované.
„Všetci vieme, že používanie kombinácie slov a ilustrácií je účinný spôsob, ako pomôcť deťom naučiť sa a zapamätať si konkrétny koncept. Naša predstava o tomto symbolickom modeli AI je rovnaká. Vďaka tomu bude systém potrebovať menej tréningových dát a bude môcť lepšie prenášať získané poznatky do nových situácií,“ povedal informatik Jiayuan Mao, vedúci projektu.
Tento model AI v podstate pozostáva z komponentu prijímajúceho informácie, ktorý prevádza obrázky na interpretáciu založenú na objektoch, a jazykovej vrstvy, ktorá extrahuje význam zo slov a viet. , potom vytvára „symbolické programy“, ktoré pomáhajú AI vedieť, ako odpovedať na otázku. Okrem toho bude existovať tretí modul, ktorý spúšťa symbolické programy na pozadí a poskytuje odpovede a aktualizuje znalosti na model AI, keď urobí chyby.
Výskumníci trénovali tento model AI na obrázkoch v kombinácii s mnohými relevantnými otázkami a odpoveďami. Na schopnosť AI porozumieť obrázkom potom dohliadala Stanfordská univerzita. Vo všeobecnosti musí AI odpovedať na otázky ako: Aká je farba objektu? Koľko objektov je vedľa iného objektu? Alebo z akého materiálu je tento predmet vyrobený? Zložitosť otázok sa bude prirodzene zvyšovať s úrovňou pochopenia modelu AI, a keďže model AI ovláda koncepty na úrovni objektov, naučí sa vytvárať spojenia medzi mnohými objektmi a objektmi. toto možno považovať za pokročilé štádium.
V experimentoch sa ukázalo, že tento model AI dokáže takmer dokonale interpretovať nové scény a koncepty, čím prekonal iné pokročilé systémy AI, pričom použil iba 5 000 obrázkov, obrázkov a 100 000 otázok (v porovnaní s približne 70 000 obrázkami a 700 000 otázkami pre bežné modely AI) . V budúcnosti bude hlavnou prácou výskumníkov zlepšiť výkon modelu AI pri porozumení fotografií v reálnom svete, potom postupne prejsť na video a robotickú manipuláciu.
Poľovníci často lovia v noci, a preto sa na ich detekciu používajú infračervené kamery namontované na dronoch. Problém je, že keď pytliak aj zviera vyžarujú teplo, môže byť ťažké ich presne identifikovať.
Predstavte si, že odpovedáte na otázky zákazníkov, aj keď spíte. Tu je to, čo môžu bezplatné chatboty AI urobiť pre váš web.
V dôsledku starnutia a klesajúcej populácie Japonska v krajine chýba značný počet mladých pracovníkov, najmä v sektore služieb.
Character.AI, startup zameraný na generatívnu AI a technológiu chatbotov, údajne rokuje o získaní financií, ktoré by mohli oceniť spoločnosť na viac ako 5 miliárd dolárov.
Henry VIII je jednou z najklasickejších hier v histórii anglickej literatúry, ktorú napísali dvaja slávni autori William Shakespeare a John Fletcher v roku 1623.
YouTuber a inžinier z Brazílie menom Lucas Rizzotto sa nedávno na Twitteri podelili o príbeh, ako si uvedomil svojho imaginárneho priateľa – mikrovlnnú rúru v dome, používa AI, no získal „jeden z najdesivejších zážitkov“ svojho života.
Výskumníci zistili, že webové kamery a kamery smartfónov možno kombinovať so špecializovanými algoritmami AI, aby fungovali ako mimoriadne efektívne systémy vzdialeného monitorovania osobného zdravia.
Zdá sa, že moderný život má čoraz negatívny vplyv na medziľudské vzťahy.
Pomocou komplexnej architektúry neurónovej siete založenej na okrajových grafoch dokáže model umelej inteligencie Google Brain navrhnúť pôdorysy za zlomok času, ktorý zaberie človeku.
Python má veľa veľkých knižníc a rámcov, ktoré sú vhodné na písanie kódu a vývoj informatiky. Docs.NeoTechSystems vás pozýva na diskusiu o niektorých užitočných nástrojoch Pythonu pre aplikácie Machine Learning a Data Science.
