万博下载包

寻求建立人工智能(AI),至少狭义的计算机程序,可以模拟人类认知能力足够为我们解决实际问题,再次引起了商业世界的关注。政府和私人投资资金流入这个行业,出于机器学习(ML)成功执行对象或事件识别和分类从感知数据,水平可以匹配,有时超过人类的能力。大量的数据的可用性和可购性和计算资源,随着算法的创新包括大型多层人工神经网络,创造了一种淘金热现象在过去的十年。

这些令人印象深刻的分类器被称为深度学习系统,但他们只占一小部分的技术研究,开发,并对其sixty-plus贴上AI年历史作为一个正式的学科。例如,有许多算法方法构建人类决策的艾滋病,其中许多传统上依赖于知识编程和数据驱动的机器学习。寻求AI的生产率增长感兴趣的人应该意识到这些差异的方法,他们的适用性的特定问题,它们的相对技术成熟度。

早期工作的重点在人工智能的挑战手工制作知识,计算机程序可以从一些原因去解决问题的起始状态。这个推理过程顺序考虑(搜索)可能的做事情的方法,或可能中间信念建立和利用。是解决问题从一个位置的专业,没有任何自动化的学习过程首先需要获取这样的经验。这种人工智能的特点之一是他们的程序员来表达知识的欲望human-understandable形式,命题和逻辑,也就是说,由符号组成的语言形式直接建模推理规则。这些符号的意义在很大程度上来自人类解释它们,而不是从深刻理解或接地由计算机本身的意义。虽然是成功的在许多问题域,这种Knowledge-Engineered AI最终被认为过于昂贵和脆性对许多应用领域。

经过十年多的有限的宣传和关注领域,毫升的崛起大大改变了强调,以至于许多经验教训从早期的AI不再教学生。一毫升范式转变的实质是解决问题给予适当的知识,使用数据和经验学习如何识别当一个特定的反应或解决方案是适用的。数据驱动也导致这些系统支持概率和统计表示他们所学的知识。监督式学习系统可以出色的识别器当训练有素,和他们最常见的形式是简单的问答系统。给他们一个测试用例,他们告诉你怎么做
标签,基于许多训练的例子类似案件提供正确的分类标签。但他们也可以用来解决问题,涉及到多个和序贯决策,例如,作为一个玩游戏的时候。许多像这样的问题,但是,没有一个正确的选择,人的教练知道足以在每一个情况。但他们仍然可以解决用毫升的一种形式被称为强化学习(RL),系统学习通过多次迭代的试错,常常只被奖励或惩罚后许多连续的动作,例如当游戏终于赢了或输了。

解决问题和solution-recognition类型的人工智能都可以被视为需要搜索。的前一个线程在运行时使用搜索推理来实现一个目标,而后者在训练时间搜索内存结构,正确区分和识别数据中的模式。在强化学习,这种区别已经被称为基于模型与模范自由。在RL模范自由学习就像学习做什么情况没有预测模型的这一行动会立即导致,所以它可以聪明,但无法解释本身。基于模型的RL,另一方面,学会预测或生成模型的操作环境,所以能做的一种运行时搜索比较好,和老式的人工智能。

能够与世界的生成模型的原因,了解因果,并能够解释的结论,都是重要的认知能力,简单的模范自由监督学习今天极大地挑战。尽管有许多应用程序只需要深度学习的极好的歧视能力或模范自由RL,仍有很多问题,我们的AI系统似乎仍然相当有限。许多研究者和实践者的AI今天相信我们需要某种形式的混合动力系统,结合知觉模式识别的优势和更高层次的语言形式的推理,同时善于学习,解决问题,和解释。强化学习是一种方法,既能学习和原因,它的不错的功能适用于现实世界的机器人都体现在他们的互动环境,潜在的降低成本策划大型训练数据集。但RL也有自己的一些不足,包括其通常计算训练成本高,很难设计一个适当的奖励多和不同的目标函数,和多智能体世界统计non-stationarity意识我们想部署它。感兴趣的读者鼓励寻求更多细节关于这些问题的文献。

斜方政府赞助商正越来越多地寻求非传统方法努力解决他们的问题,和充满活力的商业市场的创新想法现在包括大量的人工智能和ML的活动。是激动人心的AI投资兴趣的复苏,但谨慎乐观的立场和愿意继续研究自动化智能的很多问题将为这个行业是健康的,这样就不会提高的期望高于技术可以提供什么。作为一个值得信赖的伙伴关于技术和系统工程,斜方提供了大量的教育方式,连接,和合作伙伴在政府、学术界和商业行业。
人工智能是一个重要的主题区域,所有的这些球员想使用,帮助推进。

Paul e . Silvey是一个复杂性和认知系统科学家与斜方的高级功能。他的重点是造成小说进步和实际应用的人工智能,机器学习,数据分析,和分布式系统。他担任部门首席工程师和部门技术集成商,目前人工智能的技术领导弥合创新。

©2021斜方manbetx客户端首页公司。保留所有权利。批准公开发布;无限的分布。
箱号20-02581-19

点击这里这篇文章的链接