Сочинение на тему Безжизненный мир искусственного интеллекта

Искусственный интеллект оказывает трансформационное воздействие в сфере бизнеса и обеспечивает сверхчеловеческую производительность по всем направлениям. Искра революции ИИ, наконец, ослепляет, и поток данных открывает ее возможности. Решение по машинному обучению не является новым. Они датируются 1950-ми годами, и большинство алгоритмических прорывов произошло между 1980-ми и 1990-ми годами. Тогда почему это вызывает любопытство сейчас, и Harvard Business Review называется «Data Scientist» как «Самая сексуальная работа 21-го века»? Причина заключается в том, что мы наконец-то использовали огромную вычислительную мощность и огромные хранилища данных (видео, изображений, аудио и текстовых файлов), что в конечном итоге делает нейронные сети эффективнее, чем когда-либо прежде.

Сложные алгоритмы с поразительной точностью и более широкими инвестициями способствуют развитию ИИ. Существенный прогресс вызвал всплеск технологических улучшений. Поскольку инновации исходят из разных направлений, многие компании и исследовательские университеты вступают в мир искусственного интеллекта. Напротив, есть также много компаний, которые изо всех сил пытаются извлечь выгоду из ключевой аналитики, в то время как некоторым еще предстоит даже погрузить свои пальцы в само озеро данных. Высококлассные компании обеспечивают значительный рост маржи, разумно внедряя аналитику и искусственный интеллект, чтобы расширить границы создания стоимости бизнеса.

Революционное глубокое обучение

Глубокое обучение, жесткая конкуренция в искусственном интеллекте, в настоящее время становится все более и более переполненным полем битвы. Совсем недавно появился новый тип нейронной сети под названием «Капсулы», и для обучения такой сети был разработан алгоритм «динамической маршрутизации между капсулами». Это дало толчок сообществу искусственного интеллекта, которое занимается современной рабочей лошадкой глубокого обучения – Convolutional Neural Network (CNN). Возможность изучения капсульного подхода для достижения самых современных характеристик требует лишь небольшой части данных, которые использует сверточная нейронная сеть.

Машины ИИ, избивающие экспертов-людей, используют методы, варьирующиеся от статистической техники – байесовского умозаключения до дедуктивного мышления и глубокого обучения. Глубокое обучение превосходит проблемы, связанные с обучением без учителя. Generative Adversarial Network (GAN) – это передовой край исследования глубокого обучения. GAN, новая архитектура неконтролируемой нейронной сети, содержит две независимые нейронные сети (дискриминатор и генератор), которые работают отдельно и действуют как противники. Они решают такие проблемы, как генерация изображений на основе описаний, прогнозирование того, какое лекарство лечит конкретное заболевание, и извлечение изображений, содержащих данный паттерн. Открытость исследовательского сообщества начинает появляться. Прорывы глубокого обучения включают в себя идеи статистического обучения, обучения с подкреплением и численной оптимизации. Это будет эпоха, когда ИИ будет демократизирован. Слияние платформ глубокого обучения с платформами больших данных. Большие данные встретили свой матч. Платформы больших данных – Hadoop и Spark остаются основой большинства аналитических приложений. Теперь рабочие нагрузки глубокого обучения сосуществуют с другими рабочими нагрузками аналитики, чтобы использовать конвейер данных в реальном времени и платформы мониторинга на платформе.

Tensorflow и Spark интегрированы для улучшения конвейеров глубокого обучения. Spark используется для выбора гиперпараметров для обучения глубокому обучению, что приводит к сокращению времени обучения в 10 раз и снижению ошибок на 30%. Поскольку Spark может управлять несколькими потоками хоста, он позволяет моделям развертываться в масштабе. При беспрецедентном росте данных крайне важны масштабируемые параллельные алгоритмы для обучения глубоких моделей. Новая глубокая архитектура Tensor Deep Stacking Network (T-DSN) реализована с использованием кластеров ЦП для масштабируемых параллельных вычислений. После этого, «Deep Belief Network (DBN)», представлена ​​основанная на GPU структура для распараллеливания неконтролируемых моделей обучения. Чтобы использовать кластер машин для управления параллелизмом данных и моделей, недавно была разработана программная структура «DistBelief» для распределенного обучения и обучения в глубоких сетях.