Дети изучают язык, наблюдая за своим окружением, слушая окружающих их людей и связывая точки между тем, что они видят и слышат.

Среди прочего, это помогает детям установить порядок их языка, например, где вещи и глаголы находятся в предложении.

В вычислительной технике изучение языка — это работа синтаксических и семантических парсеров.

Парсеры очень важны для веб-поиска, запросов к базам данных на естественном языке и систем распознавания голоса, таких как Alexa и Siri. Вскоре их можно будет использовать даже для домашней робототехники.

Но сбор данных аннотаций занимает много времени и сложен для менее распространенных языков. Кроме того, люди не всегда принимают цитаты, и цитаты могут не совсем точно отражать то, как люди говорят естественно.

Исследователи Массачусетского технологического института описывают синтаксический анализатор обучения с наблюдением, который более точно имитирует процесс овладения языком ребенком, что может значительно расширить возможности синтаксического анализатора.

В будущем синтаксический анализатор будет служить для улучшения естественного взаимодействия между людьми и отдельными роботами.

Например, робот с синтаксическим анализатором может постоянно отслеживать свое окружение, чтобы улучшить свое понимание произнесенных команд, в том числе когда речь не полностью грамматична или явна.

Со временем услуги искусственного интеллекта (ИИ) ушли от алгоритмов, которые полагаются на запрограммированные правила и логику — инстинкты, где алгоритмы имеют некоторые правила и берут данные для обучения, чтобы учиться методом проб и ошибок. Человеческий разум находится где-то посередине.

Одна из самых старых мечтаний об ИИ заключалась в том, чтобы воспринимать вас всерьез: вы могли бы построить машину, которая будет разумно расти, как человек, она начнет как ребенок и учится как ребенок.

За последние несколько лет было показано, что ИИ переводит речь, диагностирует рак и побеждает людей в покере. Но на каждый успех приходится одна ошибка. Алгоритмы распознавания изображений теперь могут различать породы собак лучше, чем вы, хотя иногда они принимают чихуахуа за черничного маффина. ИИ могут играть в классические видеоигры Atari, такие как Space Invaders, со сверхъестественным мастерством, но когда вы уничтожаете всех пришельцев, ИИ необъяснимым образом падает.

Машинное обучение — своего рода ИИ, который отвечает за эти успехи и неудачи. В целом ИИ перешел от программного обеспечения, основанного на тщательно запрограммированных правилах, к системам обучения методом проб и ошибок. Машинное обучение набирает обороты благодаря достижениям в области мощных компьютеров, больших данных и алгоритмов, называемых нейронными сетями. Эти сети представляют собой наборы простых вычислительных элементов, которые разбросаны по нейронам в мозгу, создавая сильные или слабые связи, когда речь идет об обучающих данных.

Вы можете думать об этом как о том, как люди учатся учиться. Вы пойдете в класс с учителем, который предоставит вам примеры задач и их решения. Затем вы сможете придумать какое-то правило или принцип для использования, которые можно применять к различным сценариям, когда вы сталкиваетесь с ними.

Одно из самых распространенных мест, где можно испытать контролируемое обучение, — это рекомендуемые движки, которые вы найдете на таких развлекательных площадках, как Netflix и Spotify. Эти механизмы рекомендаций рассматривают выбор, который люди должны сделать, и то, что они хотят видеть, а затем предлагают предложения, основанные на этом поведении.

При неконтролируемом обучении компьютер берет алгоритм, составленный из немаркированных данных, и учится на нем, не давая никаких ответов.

Компьютеры для обучения без присмотра очень мощные. По этой причине они могут оценивать закономерности в данных, которые они анализируют, и извлекать смысл из этих моделей. Это особенно актуально для больших наборов данных, которые людям трудно анализировать и идентифицировать. Многие исследователи также используют обучение без учителя, чтобы найти правила и сгруппировать точки данных.