Source: DeepTech Shenzhen, la science et la technologie
Cet article sur 2500 mots Il a recommandé la lecture pendant cinq minutes.
Cet article est le sens de l'avenir de votre interprétation de la dernière technologie d'intelligence artificielle de.
À ce jour, La quasi-totalité de vos progrès importants sur la grippe aviaire entendu derrière l'apprentissage en profondeur sont inséparables.
Les uvres d'un tel algorithme est d'utiliser des données statistiques pour découvrir des modèles de données. Il se avère que mimer les compétences humaines (telles que notre capacité visuelle et auditive) est très puissant. Dans certains cas spéciaux ou portée limitée, il peut même imiter nos capacités de raisonnement. étude approfondie dans la recherche Google, Nouvelles Flux de Facebook et le moteur de recommandation Netflix offre un puissant soutien, et est en train de changer l'industrie tels que la santé et l'éducation.
Cependant, en dépit de la profondeur de l'apprentissage de laisser l'intelligence artificielle dans de l'il du public, mais il est seulement un épisode dans l'exploration humaine de l'histoire de l'intelligence. En moins de 10 ans de temps, il a été à l'avant-garde de l'intelligence artificielle. Mais quand nous élargissons l'histoire de ce domaine, on peut facilement se rendre compte qu'il pourrait bientôt quitter la scène de l'histoire.
Sur un professeur de sciences informatiques et président de l'Université de Washington algorithme Pedro Domingos, nous pensons que beaucoup de temps, hausse soudaine et la chute des différentes technologies a été une caractéristique de la recherche sur l'intelligence artificielle. Chaque décennie a une concurrence féroce entre les différents points de vue. Ensuite, chaque si souvent, une nouvelle technologie augmentera, les chercheurs se réuniront pour étudier cette technologie émergente.
Dans la couverture continue des techniques d'intelligence artificielle et sur la base des préoccupations, « MIT Technology Review » voulait intermittente technologique, fluctuant visualisation de processus. la plus grande base de données open source d'aujourd'hui d'articles scientifiques « arXiv » est la meilleure option, donc télécharger un résumé de l'auteur en date du 18 Novembre 2018, partie « intelligence artificielle » des 16,625 papiers, et les années mentionnées Glossaire été attribuée à une profondeur d'apprendre à comprendre le développement de ce qui est réellement allé une étape? La prochaine décennie les plus grandes possibilités de croissance, qui à son tour appartiennent à?
Figure En date du 18 Novembre 2018, arXiv "intelligence artificielle" toutes les plaques de papier disponibles (Source: MIT Technology Review)
Grâce à l'analyse des données, les auteurs ont constaté que les trois principales tendances: fin des années 1990 au début du 21e siècle, Machine Learning A commencé à germer dès le début des années 2010 a commencé à l'expérience Accélérer la popularité du réseau de neurones Et a marqué le début des dernières années apprentissage par renforcement Croissance.
Voici quelques points que nous devons prêter attention. Tout d'abord, l'intelligence artificielle des documents liés arXiv ne date que de 1993, alors que le terme « intelligence artificielle » remonte aux années 1950, par conséquent, les informations de base de données correspondant au temps, juste le dernier d'une étape historique du développement de l'intelligence artificielle. D'autre part, la base de données chaque année de nouveaux papiers, était seulement un progrès global partiel dans des domaines spécifiques.
Cependant, malgré cela, si nous voulons recueillir plus d'informations sur les tendances de la recherche, observer différentes idées générées industrie, arXiv est toujours considéré comme une bonne source.
l'apprentissage de la machine éclipsée la base de connaissancesSelon ces 16,625 papiers, le plus grand changement a eu lieu au début du 21e siècle, les systèmes basés sur la connaissance a commencé à décliner, qui repose sur un ensemble: Nous pouvons coder toutes les connaissances humaines conformément aux règles spécifiques. Au lieu de cela, algorithmes d'apprentissage machine à l'étude, y compris une étude approfondie, y compris les chercheurs se tournent.
La plus forte baisse en termes de statistiques sur la probabilité d'occurrence, les systèmes de vocabulaire et de connaissances pertinentes, telles que la « logique », « contrainte », « règles » et d'autres termes. Celles qui sont liées à l'apprentissage de la machine - comme « données », « Réseau » et « performance » - la croissance la plus rapide.
Mais la raison derrière le dramatique change très simple. Dans les années 1980, la première vague de l'intelligence artificielle de se concentrer sur la connaissance humaine comme point de percée, pour construire la base de connaissances et des systèmes de base de données experts deviennent la tâche essentielle de l'émergence d'un grand nombre de systèmes de connaissances d'ingénierie au niveau international. Mais avec l'expansion de ces projets, les chercheurs ont rencontré un problème majeur: le système à faire quelque chose d'utile, trop de règles doivent être codées. Ce qui a fait augmenter les coûts, il devrait ralentir considérablement le processus de développement technologique.
et Machine Learning Il est devenu la réponse à cette question. Cette méthode ne nécessite pas des centaines de milliers de personnes règles codées à la main, mais les règles permettent la machine d'extraire automatiquement les données de la pile. De cette façon, l'intelligence artificielle a commencé à abandonner le système de base de connaissances, à la place son dévolu sur l'apprentissage de la machine, l'intelligence artificielle, ce qui a déclenché une seconde vague.
réseau de neurones vers la prospérité, l'apprentissage de renforcement promouvoirToutefois, dans le cas de l'apprentissage de la machine à temps a commencé à recevoir beaucoup d'attention, la profondeur de l'apprentissage et non pas immédiatement par le blitz.
Comme les auteurs l'analyse des termes clés de l'affichage, les chercheurs ont également essayé une variété de méthodes autres que les réseaux de neurones (étude approfondie de la mécanique de base), dont certaines technologies est aussi très populaire, tels que les réseaux bayésiens, machines à vecteurs de support et l'évolution algorithme, qui utilise une méthode différente pour trouver des modèles dans les données.
papiers Figure mentionné le pourcentage de chaque méthode, les réseaux de neurones apparemment remplacé autres méthodes d'apprentissage machine (Source: MIT Technology Review)
Au début des années 1990 et le 21e siècle, parmi toutes ces méthodes pour maintenir une situation concurrentielle stable. Puis, en 2012, une percée clé pour briser cet équilibre, une façon - l'apprentissage en profondeur - avec l'essor sans précédent de développement: dans le rapport annuel IMAGEnet concours de classement d'image Dans, Geoffrey Hinton et ses collègues de l'Université de Toronto avec des avantages incroyables atteint la plus grande précision au moment de taux de reconnaissance d'image, la méthode utilisée par l'équipe est la profondeur de l'apprentissage.
Cet événement historique a déclenché une nouvelle vague de vague de recherche en intelligence artificielle - surtout dans la recherche de la vision, et d'autres régions commencent à participer à la vague de cette vague d'apprentissage en profondeur. Avec l'émergence des résultats de plus en plus impressionnants, la popularité de l'apprentissage en profondeur (réseaux de neurones) est en train d'exploser.
Les analyses montrent que dans les années qui ont suivi la montée de l'apprentissage profond, la recherche de l'intelligence artificielle est actuellement le troisième a eu lieu la dernière modification: L'apprentissage supervisé, apprentissage non supervisé et l'apprentissage de renforcement sont de plus en plus d'attention. Parmi eux, algorithme d'apprentissage supervisé qui est étiqueté des données de formation, cette méthode est la plus courante, est de loin la méthode la plus pratique. Mais au cours des dernières années, de renforcer l'apprentissage Limelight est également très forte, et de renforcer l'apprentissage dans le nombre de résumés est mentionné augmente rapidement. Cette approche est conçue pour processus d'apprentissage AI a été correctement mise en uvre de l'instruction des incitations positives ou négatives incitations.
L'idée est pas nouveau, mais depuis des décennies, il ne fonctionne pas vraiment. « Partisans de l'apprentissage supervisé renforcent les partisans se moqueront de l'apprentissage », a déclaré Pedro Dominguez.
Mais, tout comme le développement de l'apprentissage profond rencontré ImagNet 2012 résultats de l'année comme l'apprentissage par renforcement, il est également marqué le début d'un événement historique crucial, et depuis lors, les gens à son attention par bonds.
C'est, en Octobre 2015, Après une formation d'apprentissage par renforcement AlphaGo DeepMind Go a battu le champion d'Europe dans l'ancien jeu de Go, les athlètes professionnels Sec Fan Hui. L'impact que le succès de l'ensemble de la communauté de recherche est presque immédiate.
En fait, nous pensons que cela est juste une analyse de la arXiv fournit un microcosme de quelques-unes des tendances actuelles dans l'étude de l'intelligence artificielle, y compris le dernier concours de nouvelles entre les différents points de vue. Mais il explique aussi dans une certaine mesure dans la poursuite de l'intelligence humaine est la manière dont « capricieuse ».
Un indice important est qu'au cours des 25 dernières années, de nombreuses technologies de l'intelligence artificielle, nous utilisons de la même époque son origine dans les années 1950, après quoi chaque technologie avec une décennie de venir un après l'autre, par exemple, le réseau de neurones a 60 années ont atteint un sommet dans les années 1980 a aussi brièvement atteint un point culminant, mais avant l'apprentissage en profondeur à nouveau ouvrir la voie au printemps, il a presque atteint le bord de l'étude.
En d'autres termes, tous les ans dix, en substance, est le règne d'une technologie: les réseaux de neurones règle les années 1950 et 1960, diverses façon symbolique à la conquête des années 1970, les systèmes basés sur la connaissance à pic dans les années 1980, Bayeux Sri Lanka mène le réseau de 90, les machines à vecteurs épidémie en 00 ans, 10 ans, nous revenons une fois de plus au réseau de neurones.
À cet égard, un professeur de sciences informatiques et président de l'Université de Washington algorithme Pedro Domingos a déclaré: « les années 2020 ne fera pas exception » Cela signifie que la profondeur des temps d'apprentissage pourrait bientôt mettre fin. Cependant, ce qui se passera ensuite, devant nous, il y a eu deux tendances distinctes - Qu'est-ce qu'une vieille technologie retrouvera faveur, ou AI marquera le début d'un nouveau paradigme?
« Si vous pouvez répondre à cette question », a dit Dominguez: « Je veux faire une demande de brevet pour la réponse. »
- FIN -attention Tsinghua - données Académie des sciences de Qingdao plate-forme publique micro-canal officiel " données d'envoi THU « Sisters et n ° » Les données envoyées THU « Pour plus de conférences et de bien-être contenu de qualité.
