Sind Roboter-Butler als AI Advances in "Deep Learning" am Horizont? (Op-Ed)

Ahmed Banafa ist ein Mitglied der Kaplan-Universität-Fakultät für die School of Information Technology mit Erfahrung in der IT Operations Management und eine Forschung Hintergrund verwandte Techniken und Analyse. Er ist zertifizierter Microsoft Office Specialist, und er diente als Rezensent und technischen Beitrag für die Veröffentlichung von mehreren Geschäfts- und Fachbücher. Er Experten stimmen diesem Artikel Leben Wissenschaft beigetragen : Op-Ed & Einblicke.

Tiefe lernen, eine aufkommende Thema in der künstlichen Intelligenz (KI), wird schnell eines der gefragtesten Felder in der Informatik. Eine Unterkategorie des maschinellen Lernens, Tiefe lernen befasst sich mit der Verwendung von neuronalen Netzen, Dinge wie Spracherkennung, Computervision und Verarbeitung natürlicher Sprache zu verbessern. In den letzten paar Jahren, tief lernen hat dazu beigetragen, Fortschritte in so unterschiedlichen Bereichen wie Objekt-Wahrnehmung, maschinelle Übersetzung und Spracherkennung zu schmieden – alle Forschungsthemen, die seit langem schwierig für KI-Forscher zu knacken.

Neuronale Netze

In der Informationstechnologie ist ein neuronales Netz ein System von Programmen und Datenstrukturen, die den Betrieb des menschlichen Gehirns annähert. Ein neuronales Netz beinhaltet in der Regel eine große Anzahl von Prozessoren parallel, jedes mit seiner eigenen kleinen Kugel Wissens-und Zugriff auf Daten im lokalen Speicher in Betrieb.

In der Regel ein neuronales Netz ist zunächst "trainiert" oder große Mengen an Daten und Regeln zu Datenbeziehungen zugeführt (z. B. "ein Großvater ist älter als eine Person Vater"). Eine Programm kann dann sagen dem Netzwerk wie Sie sich Verhalten als Reaktion auf einen äußeren Reiz (z. B. zur Eingabe von einem Computerbenutzer, die mit dem Netzwerk kommuniziert) oder Aktivität (innerhalb der Grenzen seines Zugangs an die Außenwelt) eigenständig zu initiieren.

Tiefen vs. lernen Maschine zu lernen

Um zu verstehen, was Tiefe lernen ist, ist es zunächst wichtig zur Unterscheidung von anderen Disziplinen auf dem Gebiet der künstlichen Intelligenz.

Ein Auswuchs der AI war maschinelles lernen, in denen der Computer wissen durch überwachte Erfahrung extrahiert. Dabei ging es in der Regel einen menschlichen Bediener die Maschine lernen durch gibt es Hunderte oder Tausende von Trainingsbeispiele und manuell korrigieren ihre Fehler zu helfen.

Während maschinelles lernen dominant in den Bereich der KI geworden ist, es seine Probleme haben. Einerseits ist es massiv Zeit in Anspruch nehmen. Zum anderen ist es immer noch keine wahre Maßstab für maschinelle Intelligenz, da es stützt sich auf menschliche Genialität, die Abstraktionen zu kommen, die einen Computer Lernen ermöglichen.

Im Gegensatz zu maschinellen Lernens ist Tiefe lernen meist unbeaufsichtigt. Es umfasst beispielsweise die Schaffung großer neuronaler Netze, mit denen den Computer zu lernen und zu "denken" von selbst – ohne die Notwendigkeit für eine direkte menschliche Intervention.

Tiefe lernen "wirklich wie ein Computer-Programm sieht nicht", sagte Gary Marcus ein Psychologe und AI-Experte an der New York University kürzlich in einem Interview auf NPR. Gewöhnliche Computer-Code steht in sehr streng logische Schritte, sagte er, "aber was Sie in Tiefe lernen sehen ist etwas anderes; Sie müssen keine Menge von Anweisungen, die sagen: "Wenn eine Sache stimmt dazu andere Sache." " [Menschheit muss "Gefängnis" gefährliche AI zur Vermeidung von Doom, sagt Experte]

Anstelle von linearen Logik basiert Tiefe lernen auf Theorien der Funktionsweise des menschlichen Gehirns. Das Programm setzt sich aus Wirren Schichten von miteinander verbundenen Knoten. Es lernt durch Neuanordnung Verbindungen zwischen Knoten nach jeder neuen Erfahrung.

Tiefe lernen hat Potenzial als die Basis für Software, die funktionieren könnte, die Emotionen oder Ereignisse, die im Text beschrieben, (auch wenn sie explizit verwiesen wird sind nicht) gezeigt, Objekte auf Fotos erkennen und anspruchsvolle Vorhersagen über das Verhalten der Menschen wahrscheinlich zukünftige.

Die tiefen Lernspiel

2011 startete Google Google Brainproject, die ein neuronales Netzes trainiert mit tiefen Lernalgorithmen erstellt, die berühmte erkennen die allgemeinen Konzepte bewährt.

Im vergangenen Jahr gegründet Facebook seine AI Research Unit, mit tief-Learning Kompetenz um zu helfen, Lösungen zu schaffen, die Flächen und Objekte in die 350 Millionen Fotos und Videos hochgeladen auf Facebook jeden Tag besser zu identifizieren.

Ein weiteres Beispiel für tiefe lernen in Aktion ist Spracherkennung wie Google Now und Apples Siri.

Die Zukunft

Deep Learning zeigt viel versprechen – und es werden selbstfahrende Autos und Roboter-Butler eine reale Möglichkeit. Sie werden immer noch begrenzt, aber was solche Systeme Cando wurde vor wenigen Jahren undenkbar, und es schreitet in nie dagewesener Geschwindigkeit. Die Möglichkeit, riesige Datenmengen zu analysieren und verwenden Tiefe lernen in Computersystemen, die anpassen können, um zu erleben, und nicht abhängig von einem menschlichen Programmierer führt zum Durchbruch. Diese reichen von Arzneimittelforschung zur Entwicklung neuer Materialien, Roboter mit ein stärkeres Bewusstsein für die Welt um sie herum.

Alle Experten stimmen Fragen und Debatten zu folgen – und werden Sie Teil der Diskussion — auf Facebook , Twitter und Google + . Die Meinungen sind die des Autors und spiegeln nicht unbedingt die Meinung des Herausgebers. Diese Version des Artikels erschien ursprünglich am Leben Wissenschaft.