Сегодня я собираюсь написать о том, чем способы обучения ИИ похожи на то, как я учусь. Звучит интересно, правда?

позвольте мне уточнить, что я имею в виду под ИИ. ИИ означает искусственный интеллект, который представляет собой широкий термин, охватывающий любую систему, которая может выполнять задачи, которые обычно требуют человеческого интеллекта, например, понимание языка, распознавание изображений, игры, принятие решений и т. д.

ИИ можно разделить на четыре типа:

Сильный ИИ: это высшая форма искусственного интеллекта, он может рассуждать самостоятельно и действовать как человек, его еще не создали.

Слабый ИИ: он не может по-настоящему рассуждать и решать проблемы, но может действовать так, как если бы он был разумным. Слабый ИИ утверждает, что правильно запрограммированные машины могут имитировать человеческое познание.

Прикладной искусственный интеллект: направлен на создание коммерчески жизнеспособных «умных» систем, таких как, например, система безопасности, способная распознавать лица людей, которым разрешено войти в определенное здание. Прикладной ИИ уже добился значительных успехов.

Когнитивный ИИ: компьютеры используются для проверки теорий о том, как работает человеческий разум — например, теорий о том, как мы распознаем лица и другие объекты или о том, как мы решаем абстрактные проблемы.

Итак, как же учится ИИ? Что ж, есть много способов, но один из самых распространенных и мощных — машинное обучение.

Машинное обучение — это отрасль искусственного интеллекта, которая позволяет системам учиться на данных и опыте без явного программирования.

Машинное обучение можно разделить на три типа: обучение с учителем, обучение без учителя и обучение с подкреплением.

Обучение с учителем — это когда система учится на помеченных данных, что означает, что к данным прикреплены правильные ответы или выходные данные. Например, если вы хотите научить ИИ распознавать кошек и собак на изображениях, вам необходимо предоставить ему множество изображений, помеченных как кошки или собаки. Затем система попытается найти закономерности и особенности, которые отличают кошек от собак, и использовать их для прогнозирования новых изображений.

Обучение без учителя — это когда система учится на немаркированных данных, что означает, что к данным не прикреплены правильные ответы или выходные данные. Например, если вы хотите научить ИИ группировать похожие изображения вместе, вам не нужно сообщать ему, что это за кластеры или сколько их. Система попытается найти закономерности и особенности, которые делают одни изображения более похожими на другие, и соответствующим образом сгруппировать их.

Обучение с подкреплением — это когда система учится на собственных действиях и обратной связи, что означает, что система взаимодействует с окружающей средой и получает вознаграждения или наказания в зависимости от своих действий. Например, если вы хотите научить ИИ играть в видеоигру, вам не нужно предоставлять ему какие-либо данные или правила. Система будет пробовать разные действия, смотреть, что происходит, и учиться на последствиях.

Все идет нормально? Теперь давайте посмотрим, насколько эти способы обучения похожи на то, как я учусь.

Обучение под присмотром похоже на то, как я учусь у учителей или по книгам. Когда я хочу узнать что-то новое, я часто полагаюсь на кого-то или что-то, кто уже знает ответ и может помочь мне в нем. Например, когда я учился водить машину, у меня был инструктор, который учил меня правилам дорожного движения и давал отзывы о моих навыках вождения. Или, когда я научился играть на гитаре, у меня была книга, в которой были показаны аккорды и песни, которые я мог играть. Но для компьютеров обучение с учителем предполагает создание компьютерной модели с использованием нейронных сетей (мозга), а затем обучение этого мозга путем подачи ему состояния цели и начального состояния проблемы, которую необходимо решить, это похоже на получение ответа на сложную математическую задачу. проблему и ему говорят наметить решение проблемы.

Обучение без присмотра похоже на то, как я учусь на основе исследования или любопытства. Когда я хочу узнать что-то новое, я иногда просто пробую что-то и смотрю, что получится, не имея четкой цели или направления. Например, когда я научился готовить, я экспериментировал с разными ингредиентами и рецептами, не следуя никаким инструкциям и измерениям. Или, когда я научился рисовать, я рисовал разными формами и цветами, не копируя никаких отсылок или стилей. Но для компьютеров обучение без учителя также предполагает создание компьютерной модели с использованием нейронных сетей (мозга) и тренировку мозга, передавая компьютеру данные и приказывая ему выяснить, каким должен быть ответ.

Обучение с подкреплением похоже на то, как я учусь методом проб и ошибок или обратной связи. Когда я хочу узнать что-то новое, я иногда просто делаю это и смотрю, работает это или нет, и соответствующим образом корректирую свое поведение. Например, когда я научился ездить на велосипеде, я часто падал и получал синяки и царапины, но при этом я стал лучше держать равновесие и управлять автомобилем. Или когда я научился говорить на иностранном языке, я сделал много ошибок, и меня поправили или высмеяли, но я также улучшил свое произношение и словарный запас.

Как ИИ приходит к целевому состоянию во время обучения?

ИИ использует такие функции, как поиск, для создания шаблонов или поиска ответов на целевое состояние.

У нас есть два типа поиска:

Информированный поиск и неинформированный поиск

Информированный поиск: это означает, что вы знаете, что ищете.

Неинформированный поиск: это означает, что вы понятия не имеете, что ищете.

При унифицированном поиске у нас есть разные алгоритмы поиска, такие как поиск в ширину, поиск в глубину.

Поиск в ширину: это алгоритм поиска всех возможных узлов, прежде чем двигаться по пути к целевому состоянию.

Поиск в глубину: этот алгоритм выбирает самый дальний путь и продолжает идти вниз, пока не достигнет тупика, а затем переключается на следующий путь.

Я дам основные определения этих алгоритмов. Если вы хотите узнать о них больше, подписывайтесь и оставляйте комментарии. Для них я сделаю отдельный блог.

Компоненты ИИ

Агент:

Агент сокращает работу, которую должен выполнять искусственный интеллект, его обучают выполнять конкретные задачи. Разумный агент должен чувствовать, должен действовать, должен быть автономным (в некоторой степени). Оно также должно быть рациональным.

Рациональность:

Рациональность предполагает, что рациональный агент знает все и предпримет действия, максимизирующие его полезность. Человеческие существа не удовлетворяют этому определению рациональности. Рациональное действие — это действие, которое максимизирует ожидаемое значение показателя эффективности с учетом текущей последовательности восприятия. Однако рациональный агент не всеведущ. Он не знает фактических результатов своих действий и может не знать некоторых аспектов своего окружения. Поэтому рациональность должна учитывать ограничения агента. Агент также должен выбрать лучшее действие, насколько ему известно, в зависимости от последовательности его восприятия, его фоновых знаний и возможных действий. Агенту также приходится иметь дело с ожидаемым результатом действий, последствия которых не являются детерминированными.

Как видите, способы обучения ИИ не так уж отличаются от способов обучения, которыми пользуюсь я. Конечно, между человеческим и машинным обучением есть некоторые различия и ограничения, но это тема для другого поста в блоге. А сейчас я надеюсь, что вам это понравилось и вы узнали что-то новое. Если да, оставьте комментарий ниже и поделитесь им с друзьями. И не забудьте подписаться на мой блог, чтобы получать больше интересного и забавного контента об искусственном интеллекте и других темах. Спасибо за прочтение!