ความฉลาดของศิลปินและการฝึกอบรมรายละเอียดบนถนนแห่งความปลอดภัย

เงื่อนไข AI และการเรียนรู้ลึกเป็นเรื่องธรรมดามากขึ้นในแง่ของความปลอดภัยทางกายภาพดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องแยกความแตกต่างของหัวข้อเหล่านี้ ประวัติย่อช่วยให้เราเข้าใจว่าคำศัพท์เหล่านี้เป็นอย่างไรและอธิบายความหมายของคำเหล่านั้นได้อย่างไร

ปัญญาประดิษฐ์ (AI) เป็นปัญญาของมนุษย์ที่แสดงโดยเครื่องจักร คำที่ปรากฏในปี 1956 และได้รับการแนะนำครั้งแรกโดยคอมพิวเตอร์ซึ่งแสดงแง่มุมที่ จำกัด ของจิตใจมนุษย์ เริ่มแรกมีเพียง Dar dar AI เท่านั้นที่สามารถทำได้เทคโนโลยีเหล่านี้สามารถทำงานได้ง่ายหรือดีกว่ามนุษย์

ในช่วงต้นทศวรรษ 1980 โปรเซสเซอร์เซมิคอนดักเตอร์ได้ถึงขีด จำกัด ที่สำคัญของพลังการประมวลผล พลังงานนี้สามารถนำไปใช้ในเชิงเศรษฐศาสตร์กับเครื่องจักรที่ขับเคลื่อนด้วยระบบอิเล็กทรอนิกส์ที่หลากหลายและได้จุดประกายยุคของการเรียนรู้ของเครื่องจักร (ML) ซึ่งเป็นส่วนหนึ่งของ AI แต่มีการใช้งานที่ซับซ้อนและมีประโยชน์มากขึ้น การลดต้นทุนอย่างรวดเร็วและความสามารถในการประมวลผลที่ดีขึ้นทำให้มีความเป็นไปได้ที่จะใช้อัลกอริธึมที่ซับซ้อนมากขึ้น

เครื่องอ่าน:

ใน ML อัลกอริทึมใช้ข้อมูลเพื่อทำการคำนวณอย่างง่ายหรือซับซ้อนมากและค้นหาคำตอบโดยให้คำตอบนั้นเป็นวิธีที่ถูกต้องและมีประสิทธิภาพมากที่สุด การใช้อัลกอริทึมสำหรับการทำนายผลลัพธ์เหตุการณ์ไม่ใช่ ML การใช้ผลลัพธ์การพยากรณ์เพื่อปรับปรุงการพยากรณ์ในอนาคตเป็นตัวอย่างที่แท้จริงของ ML

การใช้อัลกอริทึมในการคำนวณคำตอบไม่ได้หมายถึงการใช้งาน ML หรือ AI โดยอัตโนมัติ อัลกอริทึม ML ควรได้รับการออกแบบมาเพื่อเรียนรู้วิธีการจำแนกและประมวลผลข้อมูลฝึกอบรมระบบอย่างมีประสิทธิภาพเพื่อปรับปรุงประสิทธิภาพเมื่อเวลาผ่านไป ประสิทธิผลและความถูกต้องของอัลกอริทึมขึ้นอยู่กับว่าอัลกอริทึมได้รับการออกแบบสำหรับงานที่วางแผนไว้ดีเพียงใด

AI เป็นแนวคิดที่กว้างขวาง แต่ ML หมายถึงการใช้คอมพิวเตอร์เพื่อเลียนแบบฟังก์ชันการรับรู้ของผู้คน AI เป็นวิธีที่ "ใส่ใจ" ในการปฏิบัติงานตามอัลกอริทึม ML เป็นส่วนย่อยของ AI ที่มุ่งเน้นไปที่ความสามารถของเครื่องจักรในการรวบรวมและเรียนรู้ด้วยตนเองเพื่อเปลี่ยนอัลกอริทึมเมื่อพวกเขาตระหนักถึงข้อมูลที่กำลังประมวลผลมากขึ้น

การสอนคอมพิวเตอร์เพื่อเพิ่มความคิดของมนุษย์เป็นส่วนหนึ่งผ่านการใช้โครงข่ายประสาท สมองพยายามที่จะเข้าใจข้อมูลที่กำลังถูกประมวลผลอยู่ตลอดเวลาและเพื่อที่จะทำเช่นนั้นให้แบ่งมันออกเป็นแท็บและจัดหมวดหมู่พวกมัน เมื่อเราพบสิ่งใหม่เราพยายามเปรียบเทียบกับบางสิ่งเพื่อให้เราสามารถเข้าใจและเข้าใจได้

เครือข่ายประสาททำงานบนคอมพิวเตอร์ ในขณะที่สมองสามารถระบุรูปแบบและพยายามจัดหมวดหมู่และจำแนกข้อมูลเครือข่ายประสาทจะทวีคูณบนคอมพิวเตอร์:

•ดึงความหมายจากข้อมูลขนาดใหญ่และซับซ้อน

•ระบุแนวโน้มและระบุรูปแบบ

•เรียนรู้ตามตัวอย่าง

อ่าน:

ภายในปี 2010 การพัฒนาเซมิคอนดักเตอร์ทำให้นักเขียนโปรแกรมสามารถไล่ตาม Deep Learning (DL) และบรรลุผลที่ยิ่งใหญ่กว่า พาดหัวของมันชี้ไปอีกระดับที่ลึกกว่า ML ดังนั้น DL จึงถูกพิจารณาว่าเป็นเซตย่อยของ AI อีกครั้ง แนวคิดของการเรียนรู้ลึกบางครั้งเรียกว่า "เครือข่ายประสาทลึก" ซึ่งหมายถึงหลายชั้น เครือข่ายนิวรัลสามารถมีข้อมูลได้หนึ่งชั้นและอย่างน้อยสองชั้นในเครือข่ายนิวรัลลึก เลเยอร์สามารถดูได้เป็นลำดับชั้นที่ฝังอยู่ของแนวคิดหรือแผนผังการตัดสินใจที่เกี่ยวข้องซึ่งคำตอบของคำถามหนึ่งข้อจะนำไปสู่ชุดคำถามที่เกี่ยวข้องอย่างลึกซึ้ง

ดังนั้น DL จึงเป็นชุดย่อยของ ML มันใช้เทคนิค ML เพื่อแก้ปัญหาจริงโดยการเข้าถึงเครือข่ายประสาทเทียมที่เลียนแบบการตัดสินใจของมนุษย์ DL ต้องการชุดข้อมูลที่มีในตัวขนาดใหญ่ นี่เป็นเพราะมีพารามิเตอร์มากมายที่ต้องเข้าใจก่อนโดยอัลกอริทึมซึ่งในตอนแรกสามารถสร้างผลลัพธ์ที่เป็นบวกและบวกจำนวนมาก ตัวอย่างเช่นอัลกอริทึมการเรียนรู้เชิงลึกอาจได้รับคำสั่งให้ "เรียนรู้" ลักษณะที่ปรากฏของผู้โจมตีเพื่อประเมินพฤติกรรมและติดตามความคืบหน้า ด้วยรายการกล้องวงจรปิดที่ จำกัด คุณจะต้องได้รับข้อมูลที่ถูกต้องจำนวนมากเพื่อทราบรายละเอียดเล็ก ๆ ที่ทำให้ผู้คนโดดเด่น DL ต้องเรียนรู้ที่จะกรอกข้อมูลที่ขาดหายไป

เครือข่าย DL ต้องเห็นสิ่งต่างๆมากมายให้เรียนรู้ แทนที่จะเขียนโปรแกรมองค์ประกอบที่มีขอบระบุตัวตนระบบเรียนรู้ที่จะสัมผัสจุดข้อมูลหลายล้าน จากตัวอย่างก่อนหน้านี้ Google Brain กำลังเรียนรู้ที่จะจดจำแมวหลังจากแสดงภาพมากกว่าสิบล้านภาพ เครือข่ายการเรียนรู้แบบลึกไม่ควรตั้งโปรแกรมด้วยเกณฑ์ที่กำหนดองค์ประกอบ พวกเขาสามารถตรวจจับขอบโดยการสัมผัสกับข้อมูลจำนวนมาก

DL มีแอปพลิเคชันทางธุรกิจ สามารถใช้ข้อมูลจำนวนมาก - ตัวอย่างเช่นรูปภาพนับล้านและการจดจำคุณสมบัติบางอย่าง การค้นหาข้อความ, การตรวจจับการฉ้อโกง, การตรวจจับสแปม, การรู้จำลายมือ, การค้นหารูปภาพ, การรู้จำเสียง, สตรีทวิวและการแปลเป็นภารกิจทั้งหมดที่สามารถทำได้ผ่านการศึกษาในเชิงลึก เครือข่ายการเรียนรู้แบบลึกได้เข้ามาแทนที่ระบบแบบใช้คู่มือและแบบอิงกฎจำนวนมาก

สำหรับ AI, ML หรือ DL การใช้อัลกอริธึมที่ประสบความสำเร็จนั้นมีคุณภาพสูง การตัดสินใจควรอยู่บนพื้นฐานของข้อมูลขนาดใหญ่สะอาดและมีความหมาย หากไม่มีข้อมูลที่เหมาะสม DL จะถูกลำเอียง ผลลัพธ์ไม่สามารถเชื่อถือได้หากข้อมูลไม่ถูกต้องหรือหายไป