Une valeur d'expert AI?

« Expert AI basé sur mon expérience personnelle, un domaine informatique pour la valeur de l'entreprise, Au moins 5-10000000 $ . Pour participer à ces quelques personnes, en cours d'appel d'offres guerre. "

Ceci est le doyen des sciences informatiques à l'Université Carnegie Mellon, Andrew Moore à l'audience du Sénat des États-Unis le 30 Novembre, at-il dit.

Les audiences seront appelées « AI Dawn » (L'aube de l'intelligence artificielle), présidé par le sénateur Ted Cruze, le thème est d'explorer la situation actuelle de l'intelligence artificielle, et son impact sur la politique change à des formes d'affaires. Il y a cinq experts d'Amnesty International à assister sont:

• Eric Horvitz (Les laboratoires Microsoft Research, directeur général, co-président par intérim du Conseil de partenariat intelligence artificielle)

• Andrew Moore (doyen des sciences informatiques à l'Université Carnegie Mellon)

• Andrew Futreal (professeur de génétique de la médecine à l'Université du Texas MD Anderson Cancer Center)

• Greg Brockman (CTO OpenAI et co-fondateur)

• Steve Chien (Caltech, Jet Propulsion Laboratory de la NASA chercheur scientifique principal)

Le professeur Moore semble, Le gouvernement américain devrait commencer chercheurs en intelligence artificielle de l'épargne de l'industrie de l'école secondaire, et ce bassin de talents a besoin d'un million d'élèves du secondaire . Ce n'est pas du point de vue d'un homme, le professeur Moore, Andrew Ng a accepté.

Par pure coïncidence, seulement séparés par jour, posté un nouveau message sur le blog Facebook, le dieu de la libération Yann LeCun a personnellement tiré trois vidéos expliquent la connaissance AI. Cependant, si le champ AI des lecteurs professionnels, ouvrir légèrement le regard vidéo, je sais que cela semble parler d'un professeur de sciences du secondaire dans le style de classe.

Prise de vue en trois font une série vidéo, le style est très animé, des explications Yann LeCun entrecoupé d'animation, et il n'y a pas beaucoup de contenu technique. LeCun dans la vidéo a clairement indiqué que, Le principal principe est de donner un accès universel au public de base sur la profondeur de l'apprentissage, dans l'espoir d'encourager les jeunes, les élèves du secondaire pour en apprendre davantage sur ce domaine, stimuler leur intérêt pour explorer cette région.

Il semblerait que ni le milieu universitaire américain, le gouvernement ou l'industrie, il y a généralement largement semé les graines de la prochaine génération de l'IA prennent une sorte d'atmosphère.

Bien que la vidéo est la science populaire, mais l'idée de la puissance de Dieu est évidente. Comme le professeur Moore a dit, les vrais experts d'Amnesty International que des ondes très faible de la population, en fait, les praticiens IA d'aujourd'hui sont encore dans une phase « d'apprentissage ».

Ainsi, à la fin Yann LeCun trois vidéo à la bombe a parlé de ce contenu?

Lei Feng réseau Selon Yann LeCun explain résumé ci-dessous pour les lecteurs de voir le bas de la vidéo est accompagnée de l'original anglais. (Aussi il y a quelques jours, le réseau Professeur Lei Feng compilé Yann LeCun sur « comment la technologie d'auto-apprentissage profond » pour une réponse sur Quora, très pratique, le lieu de lecteur intéressé: Grand Dieu Yann LeCun Qinshou: Comment l'auto des techniques d'apprentissage profondeur et détours)

L'apprentissage supervisé le plus couramment utilisé, la clé est « réglage des paramètres »

Beaucoup de gens, pour très fasciné par les machines intelligentes, et notre méthode de mise en uvre est en fait très simple. Maintenant, je vous ai expliqué à ce sujet qui à la fin est de savoir comment cela fonctionne.

En fait, la plupart des gens utilisent déjà dans la vie quotidienne, le système AI, mais ils ne le savent pas, il y a des applications incluent le pilote automatique, des conseils d'achat, des jeux et ainsi de suite.

Nos la plupart des machines de formation de modèle populaire, est l'apprentissage supervisé (apprentissage supervisé).

Pour un exemple typique, si vous voulez construire une reconnaissance d'image de la machine, la reconnaissance d'image chez les chiens et les voitures. Ensuite, vous devez regarder ces images de machines contenant des millions de chiens et les voitures, et de dire s'il y a un chien à l'intérieur de la machine ou en voiture, ce processus est « formation ».

Avant la formation, cette machine ne produit que des réponses au hasard, lorsque vous donnez affiche une image d'une voiture ou d'un chien, vous ne savez pas comment y répondre. S'il est répondu correctement, il peut être rien de la chance, car il a mal, et ce temps les gens doivent corriger (variable contrôlée).

Donc, l'une des clés est tout d'abord est de construire un système de la machine, et est donc d'ajuster les paramètres internes ou de la structure, donc la prochaine fois que vous montrer des photos de temps, le système connaîtra le résultat de la bonne réponse.

Cette soi-disant « algorithme d'apprentissage », la clé réside dans « l'ajustement des paramètres. » Des millions d'images telles descendantes de formation, en ajustant en permanence les paramètres, la machine finira par comprendre la différence entre « voiture » et « chien ». Quand une nouvelle photo pour voir la machine, alors il sera probablement donner la bonne réponse.

Ce que nous appelons ce processus « généralisation » (capacité Généralisation), des moyens que la machine peut identifier avec le matériel de formation similaire, mais jamais vu (la capacité de reconnaître les choses qui sont semblables à ce que la machine a été formé sur, mais n'a jamais vu).

l'apprentissage de la machine, en utilisant des modèles de reconnaissance d'image

L'ordinateur fonctionne souvent selon une série de commandes qu'une chaîne d'instructions appelé « algorithme » (algorithme). Laver la vaisselle, mais aussi de suivre le « algorithme »: commencer par une pile d'une plaque élue dans la piscine, puis essuyez, puis séché, et enfin placé sur les tablettes. Ce processus est répété, il est très simple « algorithme. »

Alors, comment pouvons-nous écrire un « algorithme » pour l'identifier comme une image? Par exemple, comment faire la distinction entre l'image et le chien dans la voiture?

Procédé mis en oeuvre par ordinateur couramment utilisée, est représentée par les numéros des images, chaque nombre représente la luminosité de la zone donnée du pixel. Tableau de voitures de pixels et matrice de pixels chiens comme le montre, de sorte que nous pouvons écrire un morceau de code pour distinguer entre les voitures et les chiens.

Depuis de nombreuses années, nous devons faire est de créer une grande galerie, qui a été la reconnaissance d'image reconnue et la comparaison d'attente d'image, si le match, l'ordinateur peut déterminer l'image qui à la fin est une voiture ou un chien.

Mais le problème est, le nombre de modèles requis pour cette méthode trop grande, sur la voiture et le chien, la nécessité pour toutes les positions possibles, la couleur, les chiens d'attitude et les voitures, ce qui est très pratique.

Cependant, l'apprentissage de la machine ne sont pas les mêmes, nous ne programmons pas la machine, mais avec une image de leur formation. Prenons un exemple simple, laisser la machine faire la distinction entre deux lettres. Nous voyons la figure suivante, chaque lettre est la lettre D et C (lettres noires de contour constituant le bloc).

Chaque matrice de pixels d'image contient 9 (3) * 3 pixels, nous avons été affectée au pixel, noir = 1 et blanc = 0, pour obtenir deux lettres de l'image.

Ensuite, nous venons de laisser le système faire une chose très simple: pour calculer le poids de pixel (poids) somme.

, Nous avons besoin en particulier deux parties: Matrice de valeurs de pixels et les poids matrice, de sorte qu'ils sont résultat de la multiplication. Nous partons du principe que, si le résultat > 0, il est déterminé que les lettres C, à la suite

Réglage de la bonne matrice de valeurs de pixel, l'étape suivante consiste à établir une distinction entre les modèles valides à la fois le poids, qui est obtenu par réglage manuel.

Quand vous voyez les lettres C, artificielle indique à la machine pour ajuster le poids du grand C. Système d'apprentissage augmente ainsi le poids de la lettre C correspondant aux pixels noirs en tant que matrice, un pixel correspondant à la partie blanche reste nulle.

En même temps, le droit de la lettre D ajuster petite.

Modèles de poids résultant en un nombre positif (1) Lieu appartient lettres C, négatif (-1) Lieu appartient lettre D. Ceci est une lettre parfaite de l'alphabet C et D pour distinguer entre les modèles.

Maintenant que nous donnons au système une image de la lettre C, le nouvel ordinateur sera la carte ultime modèle et multiplié, ce qui en neuf valeurs de pixels, la valeur = 2 est obtenue en additionnant ces valeurs. A cette époque, 2 > 0, l'ordinateur détermine que la lettre C.

De même, si les nouvelles lettres figure D, le résultat obtenu est -1, -1

Que la différence entre les lettres C et la réalité de la lettre de classification D est plus longue et plus complexe, et définir le modèle pour le plus difficile, mais la méthode de modèle est un principe fondamental.

l'apprentissage en profondeur de nouvelles méthodes: convolution réseau de neurones

Dans la profondeur de champ d'étude, nous utilisons une méthode spéciale: convolution réseau de neurones (Convolutif Neural Network, CNN). Fait intéressant, cette structure de réseau, est inspiré par le cortex visuel des mammifères.

Un objet peut avoir plusieurs angles de photographies, par exemple, je donne cela pour prendre des photos de ciseaux, tous les angles obtenir l'image est pas la même chose.

Si je laisse l'ordinateur reconnaît les ciseaux, il aurait au trou comme caractéristique principale, quel que soit ciseaux apparaît dans la photographie quelle position, le système peut être basé sur ce « trou » pour trouver les ciseaux.

Le « trou » est juste une des caractéristiques des ciseaux, nous pouvons extraire des caractéristiques multiples d'un objet, ce qui permet au système de le verrouiller. La spéciale de CNN est que nous ne avons pas besoin d'extraire manuellement ces « caractéristiques ». Une première couche CNN, il y a des centaines de détecteurs (détecteurs) et extraire leur propre apprentissage des centaines « fonction ».

Cette méthode d'auto-apprentissage, utilisé dans de nombreux domaines, y compris la reconnaissance d'image, pilote automatique, la reconnaissance vocale et la traduction.

Yann LeCun dit:

Cette vidéo n'est pas un programme, il suffit de laisser les gens ordinaires peuvent vraiment comprendre les principes de base de la technologie « l'apprentissage en profondeur » derrière elle peut être en mesure d'encourager les jeunes, les élèves du secondaire ont une compréhension plus riche de cela, de sorte qu'ils se sont intéressés à cela, alors peut-être en mesure de écouter des cours en ligne, et même des cours d'apprentissage à venir à l'université.

Je pense, de laisser le public à comprendre la profondeur des technologies d'apprentissage, il est très important.

Ainsi, Facebook doit former des jeunes talents en vigueur, et Lei Feng réseau spéculation audacieuse, fait la profondeur nécessaire des hautes techniques d'apprentissage les élèves des écoles à la compétition l'année prochaine?

De la politique, du monde universitaire à l'industrie, les États-Unis sont vers « l'aube AI » initiative audacieuse, la Chine, en fait, ne manque pas d'expert Daniel dans le domaine AI, si un jour, comme affectueusement la connaissance universelle AI au public à Yann LeCun, pour promouvoir l'éducation de base développement?

PS: Yann LeCun a tiré trois vidéos.