Μαθηματικά τεχνητής νοημοσύνης
Η δεύτερη συνέντευξή μας με τον εξαιρετικό μαθηματικό και ιδρυτή του αναλυτικού κέντρου 10data Sergey Tishchenko είναι αφιερωμένη στην κύρια ειδικότητά του σε δύο από τις εκδηλώσεις της ταυτόχρονα
Η πρώτη ερώτηση σκιαγράφησε το καθήκον της ομαδοποίησης της ίδιας της έννοιας της «τεχνητής νοημοσύνης».
1. Πώς καταφέρνει η τεχνητή νοημοσύνη να υπολογίσει τις ιδιότητες ενός τεράστιου αριθμού αντικειμένων;
Ίσως σύντομα να μην αποδώσουμε τη μηχανική μάθηση στην τεχνητή νοημοσύνη. Θα αντιμετωπίζεται σαν κανονικός κώδικας, χωρίς την υπέροχη «γεύση» της AI
Αξίζει αμέσως να αποφασίσουμε τι θα ονομάσουμε τεχνητή νοημοσύνη. Αυτή η ιδέα εισήχθη πριν από πολύ καιρό και έχει μεταμορφωθεί πολλές φορές από τότε. Η κατανόησή μας για την τεχνητή νοημοσύνη δεν είναι καλά καθορισμένη, τουλάχιστον προς το παρόν λίγοι άνθρωποι μπορούν να φανταστούν πώς θα είναι η πραγματική τεχνητή νοημοσύνη - το όνειρο πολλών, ικανών να σκέφτονται σαν άτομο ή καλύτερα από ένα άτομο, αυτό το υπερ-AI. Αυτό που γνωρίζουμε ότι είναι αποδεκτό σε σχέση με την τεχνητή νοημοσύνη συχνά δεν είναι. Δεν υπάρχει τίποτα ακόμα δημιουργημένο που θα επαναλάμβανε πραγματικά και θα ξεπερνούσε τον ανθρώπινο εγκέφαλο σε όλες του τις εκδηλώσεις.
Ωστόσο, κανείς δεν έχει ακυρώσει την ικανότητα του μηχανήματος να εκτελεί πολύ γρήγορους υπολογισμούς, επομένως υπάρχουν ακόμη μερικά σημαντικά επιτεύγματα. Για παράδειγμα, αναγνώριση εικόνας και ομιλίας. Στην αρχή, ήταν ένα χαρακτηριστικό παράδειγμα προόδου σε αυτό που, σε εισαγωγικά, ονομάζεται τεχνητή νοημοσύνη. Τώρα, πολλοί δεν αναφέρονται πλέον σε αυτές τις τεχνολογίες ως τεχνητή νοημοσύνη ως τέτοια, αυτή η εργασία έχει ήδη γίνει τόσο κλασική - τώρα την καταλαβαίνουμε ως κανονικό αλγόριθμο.
Και πού είναι αυτή η γραμμή - τι θεωρούμε συνηθισμένο αλγόριθμο και τι είναι ήδη η τεχνητή νοημοσύνη; Ίσως δεν έχει δείξει ακόμα τον εαυτό του. Ή το αντίστροφο, ας το δούμε ευρύτερα και θα αποδώσουμε οποιαδήποτε προγράμματα, συμπεριλαμβανομένου του πρώτου μας προγράμματος από τη μακρινή νεολαία μας, "Hello world!", στο έργο της AI. Αυτό είναι ένα ευρύ πεδίο όπου είναι δύσκολο να χαράξουμε κάποιο είδος ορίου και το πιο ενδιαφέρον είναι ότι η σχεδίασή του μερικές φορές είναι επίσης έργο της τεχνητής νοημοσύνης.
Κατατακτήριες Αγγλικής
Προετοιμασία για τις Κατατακτήριες Εξετάσεις Αθήνας & Θεσ/νίκης με σταθερά εντυπωσιακά αποτελέσματα επί σειρά ετών!
Στήριξη των Πανεπιστημιακών Μαθημάτων για τους φοιτητές της Αγγλικής Φιλολογίας Αθήνας & Θεσ/νίκης!
Online Μαθήματα
Τα μαθήματα γίνονται on line με κέρδος χρόνου και άνεσης για τους υποψηφίους.
Η Προετοιμασία έχει πρακτικό χαρακτήρα, ΔΕΝ απαιτεί πολύωρη μελέτη, αναδιαρθρώνεται κάθε χρόνο και είναι προσανατολισμένη προς τις Εξετάσεις και όχι απλά στην κάλυψη της ύλης!100% Επιτυχία
Κάθε χρόνο τα ποσοστά επιτυχίας αγγίζουν το 100% των συμμετεχόντων μας αποδεδειγμένα με τα ΟΝΌΜΑΤΑ από το Πανεπιστήμιο και τις ΕΠΩΝΥΜΕΣ ΚΡΙΤΙΚΕΣ των επιτυχόντων μας και στις δύο πόλεις!
88 ΕΠΙΤΥΧΙΕΣ τα τελευταία 8 έτη
Για περισσότερες πληροφορίες πατήστε πάνω στην εικόνα
=====================================================
Το ίδιο το ερώτημα αφορά πρωτίστως την υπολογιστική ικανότητα και αποτελεσματικότητα των αλγορίθμων. Η αλγοριθμική, η επιστήμη των υπολογιστών, έχει προχωρήσει με άλματα και όρια τα τελευταία 50-70 χρόνια. Φανταστείτε τη δεκαετία του '50, όταν ακόμη και ο Kolmogorov θεωρούσε ότι ήταν αδύνατο να ταξινομήσει τα δεδομένα γρηγορότερα από ό,τι σε τετραγωνικό χρόνο. Και τότε εμφανίστηκε ο οιονεί γραμμικός αλγόριθμος ταξινόμησης του John von Neumann, δείχνοντας ότι ήταν δυνατό να ταξινομηθεί ένας τηλεφωνικός κατάλογος εκατομμυρίων καταχωρήσεων σε σχεδόν γραμμικό χρόνο. Πολλές εργασίες από εκείνες που δεν μπορούσαν να επιλυθούν στις μηχανές εκείνης της εποχής έγιναν ξαφνικά πραγματοποιήσιμες.
Η πιο σωστή απάντηση εδώ είναι η ποιότητα των ίδιων των αλγορίθμων και η ανάπτυξη της υπολογιστικής ισχύος. Στη δεκαετία του '90 και στις αρχές του 2000, κάθε χρόνο εμφανιζόταν μια νέα και νέα γενιά επεξεργαστών που δούλευαν 2, 4 φορές πιο γρήγορα από τους προηγούμενους. Πλησιάζουμε όμως στο όριο του δυνατού και τώρα αυτό το άλμα στην εξουσία επιβραδύνεται. Αυτό δεν αναιρεί την πιθανή επανάσταση στη δομή των μηχανών, η οποία μπορεί να φανεί στο παράδειγμα του ίδιου κβαντικού υπολογιστή.
Συνολικά, υπάρχουν δύο κύριοι παράγοντες - η τεχνολογία υπολογιστών και οι αλγόριθμοι. Και τα δύο βελτιώνονται.
- Αναδύεται ένα σημαντικό ερώτημα ορολογίας: πόσο προσεκτικοί πρέπει να είστε στη χρήση της έννοιας της «τεχνητής νοημοσύνης» και πόσο σημαντικό είναι να διακρίνετε τα συστατικά της μεταξύ τους ...
Φυσικά, το ίδιο νευρωνικό δίκτυο είναι ένας τρόπος για να μοντελοποιήσετε τη λειτουργία μιας μηχανής όπως η λειτουργία κάτι που μπορεί να είναι παρόμοιο με το ανθρώπινο μυαλό ή τουλάχιστον να είναι ο πυρήνας γύρω από τον οποίο μπορείτε να δημιουργήσετε μια προσέγγιση επίλυσης προβλημάτων μηχανής. Όλα εξαρτώνται από το τι ονομάζουμε AI. Το νευρωνικό δίκτυο στον 21ο αιώνα είναι μια φωτεινή αναλαμπή στατιστικών μεθόδων μηχανικής μάθησης. Αυτό χαρακτηρίζει τα τελευταία χρόνια της ανάπτυξης της τεχνητής νοημοσύνης. Ωστόσο, το παρελθόν μας δείχνει ότι όσο περισσότερη πρόοδο σημειώνουμε, τόσο πιο τυποποιημένες προσεγγίσεις γίνονται. Το μέτωπο της επιστήμης προχωρά παραπέρα, και μας γίνεται όλο και πιο οικείο. Όπως είπαμε, η αναγνώριση προτύπων δεν μπορεί πλέον να αποδοθεί στην τεχνητή νοημοσύνη: ίσως σύντομα δεν θα αποδώσουμε ούτε σε αυτήν τη μηχανική μάθηση. Θα αντιμετωπίζεται ως κανονικός κώδικας, χωρίς την υπέροχη «γεύση» της τεχνητής νοημοσύνης.
2. Πώς βοηθά η αφηρημένη φύση μιας επιστήμης όπως τα μαθηματικά και, αντιθέτως, εμποδίζει τη μηχανική μάθηση;
Τα μαθηματικά έχουν μια πολύ ενδιαφέρουσα ιδιότητα που πηγαίνει στην καρδιά της φιλοσοφικής συζήτησης. Εδώ είναι σκόπιμο να υπενθυμίσουμε τα δύο θεωρήματα του Gödel για την ατελότητα των μαθηματικών. Είναι πάντα δυνατό να διατυπωθεί ένα τέτοιο πρόβλημα, που ονομάζεται πρόβλημα του Γκέντελ, το οποίο είναι αληθινό, αλλά αναπόδεικτο στο πλαίσιο οποιουδήποτε μαθηματικού συνεπούς συστήματος. Αυτή είναι η καρδιά μιας μακράς και μέχρι σήμερα ημιτελούς συζήτησης σχετικά με τη δυνατότητα ή την αδυναμία της τεχνητής νοημοσύνης να ξεπεράσει το ανθρώπινο μυαλό. Το θεώρημα μας λέει ότι μια μηχανή που λειτουργεί με αυστηρή λογική και δεν κάνει παράδοξα λάθη (όπως μια μηχανή Turing) δεν θα μπορέσει ποτέ να αποδείξει τον ισχυρισμό του Gödel. Υπάρχουν εργασίες που μπορούν να επιλυθούν, ας πούμε, από ένα άτομο, του οποίου η λογική μπορεί μερικές φορές να είναι παράλογη και σε καμία περίπτωση να μην είναι προσβάσιμη σε μια μηχανή.
Εξ ου και το ερώτημα της «παρέμβασης» της αφαιρετικότητας των μαθηματικών στη μηχανική μάθηση - βοηθά και εμποδίζει. Ας δούμε τη μηχανική μάθηση ως AI, γιατί από μόνη της είναι μια πιο στενή έννοια. Εάν συνδέσουμε την τεχνητή νοημοσύνη με αυστηρά αλγοριθμική συμπεριφορά χωρίς αποκλίσεις και αντιφάσεις, τότε θα είναι περιορισμένη και επομένως κατώτερη από τον ανθρώπινο εγκέφαλο. Φυσικά, όχι σε όλα - βλέπουμε πόσο ισχυρή είναι η ικανότητα των μηχανών να υπολογίζουν, και κατά κάποιο τρόπο έχουν ξεπεράσει τον άνθρωπο και τον μεμονωμένο μαθηματικό. Ο Conditional Oblomov, τα ίδια ρομπότ της Google που του προσφέρουν βίντεο στο YouTube, έχουν ξεπεράσει πολύ στη λειτουργία τους. Και ένας τέλειος μαθηματικός, ικανός να λύσει όλα τα προβλήματα που έλυσαν οι προκάτοχοί του που έζησαν ποτέ, ας πούμε, ένας μαθηματικός με κεφαλαίο Μ, διανοητικά δεν θα μπορέσει να το ξεπεράσει - αυτό το «Μ» δεν μπορεί ποτέ να ξεπεραστεί. Τα μαθηματικά είναι υπεραφηρημένα, αλλά υποθέτοντας ότι μια μέρα θα υπερβούν την ατελότητά τους, τότε η τεχνητή νοημοσύνη μπορεί να καταπολεμήσει αυτά τα Μαθηματικά.
3. Σε ποιο επίπεδο χρειάζεται ένας προγραμματιστής τεχνητής νοημοσύνης να γνωρίζει τα μαθηματικά και ποιες ενότητες τους είναι σχετικές στον τομέα των νευρωνικών δικτύων;
Ας δούμε την πρακτική πλευρά. Κάποιος που εργάζεται με πακέτα έτοιμων λύσεων - ένας συνηθισμένος προγραμματιστής τεχνητής νοημοσύνης - δεν χρειάζεται να έχει δεξιότητες στον τομέα των μαθηματικών. Η χρήση των νευρωνικών δικτύων δεν απαιτεί καν ανώτατη εκπαίδευση, αυτό είναι ένα καθαρά τεχνικό έργο.
Από την άλλη πλευρά, ένας προγραμματιστής μπορεί να γίνει κατανοητός ως ένα άτομο που δεν προσαρμόζει απλώς τον αλγόριθμο κάποιου άλλου χρησιμοποιώντας έτοιμες βιβλιοθήκες, κάτι που κάνουν χιλιάδες προγραμματιστές, αλλά αυτός που αναπτύσσει νέες μεθόδους, όλο και πιο προηγμένους αλγόριθμους ή εφαρμόζει μια μη τυποποιημένη προσέγγιση στις εργασίες - αυτός που ζει στην πρώτη γραμμή και δεν είναι πρωταθλητής στην αποσυσκευασία μιας ήδη υπάρχουσας βιβλιοθήκης, αλλά κάνει κάτι που δεν έχει ξανακάνει ποτέ κανένας. Εδώ χρειάζεται άριστη γνώση των μαθηματικών, διαίσθηση και καλή μαθηματική κατάρτιση.
Από τους τομείς των μαθηματικών, ένας τέτοιος προγραμματιστής ενδιαφέρεται πρωτίστως για τις στατιστικές, με την ευρεία έννοια, η συνδυαστική είναι διακριτά μαθηματικά και μαζί με αυτό, η βελτιστοποίηση. Αυτές οι κατευθύνσεις θα μπορέσουν να ωθήσουν τη διαίσθησή του στις σωστές ιδέες.
Και οι μαθητές μπορούν επίσης να εκτελούν εργασίες χρησιμοποιώντας νευρωνικά δίκτυα, όπως μπορούμε να δούμε κοιτάζοντας τους διαγωνισμούς Junior και Avangard. Το γεγονός ότι η τριτοβάθμια εκπαίδευση έχει πάψει να είναι απαραίτητη για αυτό είναι καλό, τα καθήκοντα έχουν πάψει να είναι ελίτ και η γνώση έχει πάψει να είναι μυστική, τώρα είναι διαθέσιμα όχι μόνο σε "ουράνιους" από τα καλύτερα επιστημονικά εργαστήρια. Η πρόοδος αναδύθηκε από το λίκνο της θεμελιώδης επιστήμης, ξεπέρασε το στάδιο της εφαρμοσμένης επιστήμης και βρίσκεται στο στάδιο υλοποίησης και σχεδιαστικών λύσεων, παραγωγής τεχνολογιών. Γι' αυτό μιλάμε τόσο ευρέως για την ψηφιακή οικονομία και την τεχνητή νοημοσύνη, αν και η ίδια η τεχνητή νοημοσύνη συζητήθηκε σχεδόν πριν από 150 χρόνια σε φουτουριστικά λογοτεχνικά έργα. Στη δεκαετία του '50, η ίδια η επιστήμη διαμορφώθηκε με τη μελέτη των δυνατοτήτων και των μεθόδων της τεχνητής νοημοσύνης, και τώρα το συζητάμε τόσο έντονα γιατί ότι έχει ήδη μπει στον εφαρμοσμένο τομέα εφαρμογής λύσεων. Δεν είναι πλέον διαθέσιμο στους επιστήμονες, αλλά στη γενική αγορά.
4. Ποια βιβλιογραφία θα προτείνατε για σπουδές σε αυτόν τον τομέα;
=========================================================
Καλλιτεχνικό Βιβλιοχαρτοπωλείο - Δώρα - Διοργάνωση εκδηλώσεων - καλλιτεχνική δημιουργία -φωτοτυπίες
Για περισσότερα πατήστε πάνω στην εικόνα.
=====================================================
Αυτή η βιβλιογραφία συνιστάται για την ηλικιακή κατηγορία των ανώτερων τάξεων του σχολείου και, ίσως, το πρώτο έτος του πανεπιστημίου, καθώς κατά τη διάρκεια της εκπαίδευσης οι μαθητές κατακτούν γρήγορα την ικανότητα αναζήτησης λογοτεχνίας. Όλοι οι καθιερωμένοι προγραμματιστές έχουν ένα αγαπημένο βιβλίο για την τεχνητή νοημοσύνη — χιλιάδες από αυτά έχουν γραφτεί.
Πριν διαβάσετε κάτι ευρύ και κοιτάξετε την τεχνητή νοημοσύνη από τη «βοτανική» πλευρά, προσπαθώντας να ταξινομήσετε όλες τις εκδηλώσεις της, συμβουλεύω τους νεαρούς αναγνώστες να επικεντρωθούν σε μία κατεύθυνση - αναγνώριση προτύπων και ομιλίας, νευρωνικά δίκτυα, στατιστικές προσεγγίσεις. Με την καλή έννοια, θα πρέπει να ξεκινήσετε μελετώντας αλγόριθμους. Οποιαδήποτε εφαρμογή τεχνητής νοημοσύνης θα απαιτήσει μια τέτοια αλληλεπίδραση με αυτήν. Οτιδήποτε αφορά την πολυπλοκότητα των υπολογισμών, τις αρχές του αναδρομικού, επιτακτικού προγραμματισμού είναι χρήσιμο. Μεταφρασμένο στα ρωσικά, υπάρχει ένα πολύ καλό εγχειρίδιο αλγορίθμων από το MIT Press, τον εκδοτικό οίκο του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης.
Βασικός στόχος μιας τέτοιας ανάγνωσης είναι να σταθείς γερά στα πόδια σου σε θέματα Πληροφορικής. Στη συνέχεια, θα πρέπει να εστιάσετε σε οποιαδήποτε συγκεκριμένη εφαρμογή της τεχνητής νοημοσύνης, χωρίς να προσπαθείτε να συμβαδίσετε με όλους τους τομείς της, γιατί το πεδίο αυτής της επιστήμης υπερβαίνει ακόμη και τα ίδια τα μαθηματικά. Αφορά και τη φιλοσοφία και την οικονομία, και αν μιλάμε για προσπάθεια επανάληψης της ανθρώπινης διάνοιας, είναι και ψυχολογία. Αξίζει να επεκταθείτε σταδιακά στην έρευνά σας.
- Γενικά, ο ρόλος των βιβλίων στη μελέτη της τεχνολογίας πληροφοριών μπορεί να ονομαστεί αρκετά αμφιλεγόμενος, επειδή αυτός είναι ένας από τους λίγους τομείς της επιστήμης όπου είναι σχεδόν αδύνατο να κυριαρχήσει κανείς στη θεωρία χωρίς εμπειρική γνωριμία, χωρίς σύνταξη κώδικα και μεταγλώττιση αλγορίθμων.
Είναι αλήθεια, για παράδειγμα, τα βιβλία για την ανώτερη άλγεβρα και την ανάλυση είναι βολικά για έναν δάσκαλο στο σχολείο, ώστε να μπορεί γρήγορα να κρυφοκοιτάξει κάτι και να διεξάγει ένα μάθημα, και η ανάγνωση ενός στεγνού κειμένου 500 σελίδων τύπων και αποδείξεων θεωρημάτων σημαίνει ότι έχει περισσότερα από μια ιδιαίτερη νοοτροπία. Κι όμως, όλα μαθαίνονται εύκολα με παραδείγματα, εκτελώντας μεγάλο αριθμό εργασιών. Μια τέτοια εκπαίδευση καθιστά εύκολο τον έλεγχο τόσο της ολοκλήρωσης όσο και των μετασχηματισμών μήτρας.
Η επιστήμη των υπολογιστών με αυτή την έννοια είναι ακόμη «χειρότερη» - αλλάζει πολύ πιο γρήγορα. Αν, ας πούμε, τα θεμελιώδη μαθηματικά δεν έχουν αλλάξει τα τελευταία 300 χρόνια, μιλώντας σε μια έκταση, τότε η επιστήμη των υπολογιστών γίνεται εντελώς νέα κάθε τρία χρόνια. Για να μην θέσουμε το παράλογο ερώτημα «πώς ήταν η επιστήμη των υπολογιστών πριν από 300 χρόνια», ας αναρωτηθούμε για τα τελευταία 30 χρόνια. Ο δάσκαλός της πρέπει να είναι για πάντα νέος και να απορροφά συνεχώς νέα πράγματα, και το μειονέκτημα της ήδη ανθρώπινης νοημοσύνης είναι ότι με την ηλικία επιβραδύνεται στην ικανότητά της να μαθαίνει. Αλλάζει συνεχώς και απαιτεί εξάσκηση, αυτό το αντικείμενο είναι σχεδόν το μόνο που έχει πολύ μικρό αριθμό βιβλίων για τις γνώσεις του. Φανταστείτε: έχοντας μια καλή εμπειρία, και επομένως όχι νέος, ένα άτομο αναλαμβάνει να γράψει ένα βιβλίο στην εποχή του αιχμής του για το τι ήταν η επιστήμη των υπολογιστών,
===========================================================
Γαλλική Φιλολογία / Παν/ιακά Μαθήματα/Διπλωματικό Σώμα/ Κατατακτήριες-Α1-C2
+30 697 303 4528 Αποστολή μηνύματος st_kourneta@yahoo.gr
===========================================================
Για περισσότερες πληροφορίες
Είμαστε πάντα κοντά στον μαθητή και στον φοιτητή.
ΙΔΙΑΊΤΕΡΑ ΜΑΘΉΜΑΤΑ ΌΛΩΝ ΤΩΝ ΒΑΘΜΊΔΩΝ (ΔΗΜΟΤΙΚΟ -ΓΥΜΝΆΣΙΟ-ΛΎΚΕΙΟ)
ΠΑΝΕΠΙΣΤΗΜΙΑΚΆ ΜΑΘΉΜΑΤΑ-ΕΜΠ-ΠΟΛΥΤΕΧΝΙΚΈΣ ΣΧΟΛΈΣ-ΟΙΚΟΝΟΜΙΚΈΣ ΣΧΟΛΈΣ
Πλήρης Φροντιστηριακή Υποστήριξη για μαθητές/.τριες και Φοιτητές /τριες
Ενημερωθείτε για τα οικονομικά πακέτα (μέχρι 30 ώρες τον μήνα ) σε ιδιαίτερα μαθήματα που οδηγούν με σιγουριά στην επιτυχία .
Αν χρειάζεσαι βοήθεια για την λύση των ασκήσεων ή έχεις οποιαδήποτε απορία πάτησε εδώ
Μην ξεχνάς ότι η μάθηση είναι θέμα κατανόησης και όχι παπαγαλίας !!!
Για περισσότερες πληροφορίες εδώ
Σου άρεσε? Μοιραστείτε το με τους φίλους σας!
Αν θέλεις να βλέπεις καθημερινά νέα άρθρα μπορείς να το κάνεις ακολουθώντας μας στο Facebook, ή επισκέψου την ομάδα υποστήριξης μαθημάτων στο Facebookκαι Instagram
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου