Submitted by rlds on Wed, 06/24/2020
Image
The futuristic chase

Trendbasiertes Matching im Vergleich zu den die Algorithmen

Die Abfragemodellierung aus der Bing AI und den Trendalgorithmen von Google sind werden auf die die tiefe Modellierung erweitert - die Auswahl des menschlichen Typs und die Wahrscheinlichkeit Argumentation. Wir sprechen nicht nur von einer objektbasierten Suche, sondern des Trendwert - dem Wert eines bestimmten Themas in der laufenden Zeit. Suchmaschinen rücken von der der Wortanalyse, synonymbasierten Morphologie usw. zur die neuronalen Vernetzung über.

Solche Abfragen, die von der Maschine gesammelt werden, können in der Datenbank gespeichert werden, um mit dem Deep-Learning-Prozess fortzufahren. Die KI sammelt und gleicht Daten, je nach Algorithmus ab, und dann es speichert eine bestimmte Erfahrung. Zumindest, beim idealen Parsen neuronaler Netze, geht es den bestimmten Weg. Es gibt nicht viel von Open-Source-Informationen, um präzise Ausarbeitungen zu machen, auch für die Bing-Algorithmen, die behaupteten, sie veröffentlicht zu haben. Was passiert, wenn die Erfahrung gebildet wird, wenn das tiefe Lernen ein bestimmtes Ergebnis aus den Fragen, dem menschlichen Verhalten, dem Zielinteresse, den Schlüsselwörtern usw. erreicht hat? Es bildet wahrscheinlich, ein Modell.

Neurale Modellierung und Parsing

Ohne auf die technischen Spezifikationen der Programmiersprachen einzugehen, würden wir modellieren es wie:

X Anzahl der Abfragen, Y-Nummern von Beweisen -> Art von Wahrscheinlichkeit

XnYn -> Ps

Modellierung der eingehenden Abfragen und Multiplizieren (Weiterführen) der Wahrscheinlichkeiten von ihnen zu die Ausgabe, Analysieren der Schlüsselwörter in die Sätze, Ausdrücke und Trends - es nehmt alle komplizierten Routinen zu ausführen und erklären. Eloquent erklärt in den neuronalen Netzwerken der Schachprogrammierung. Sowie, erklärt in der Wahrscheinlichkeitsmodelliereung von XnYn-Algorithmen, wo einfache Logik der Anwendung von Xn Yn-Variablen und Daten übereinstimmen Wahrscheinlichkeiten der die Abfragen. Wir können es weiter auswickeln, in einer gemeinsamen logik Weise, weil es nie versagt.

Neuronale Algorithmen

Neuronenmodellierung, wie wir sie verstehen, basiert hauptsächlich auf den Prinzipien der Fuzzy-Logik und Wahrscheinlichkeitsargumentation. Wenn die Maschine die beste Leistung errät, klassifiziert es bereits für die Neuronenmodellierung, sobald sie die Grundprinzipien des menschlichen Intellekts imitiert. Die Wiederholung kognitiver Verhaltensweisen im der maschinellen Lernen, könnte nur zu einem Ergebnis führen - der Replikation der Fähigkeit der die KI-Selbstlehre.

Ein weiteres bildhaftes Beispiel dafür, wie das Neuronennetzwerk funktioniert, ist hier, wo wir die Gewichte der Wahrscheinlichkeit anstelle typischer Variablen haben, einige würden es als die Skalen der XnYn-Zahlen usw. annehmen.

experiment

Waagen des Zweifels

Das Gewichtsmodell ist mehr anpassen und mehr annäherne ist als der linearen, mathematischen, oder sogar als der Berechnungslogik von XnYn. Es gibt die Gleitkommaannäherung von 0,012345n von X, so dass die Maschine machen die nächste Wahrscheinlichkeit durch eine zweifelhafte und herausfordernde Wahl zu wählen. Die Maschine ermöglicht ein "Verlust" zu der linearen Logik. Es wählt ein etwas größeres oder wenigeres Gewicht der Wahrscheinlichkeit, je nach Situation. Die KI sucht nach dem vernünftigen Zweifel in den Trend-Evidenz. Genau hier könnte die KI an einem Hörensagen zweifeln und kritisieren, einigen gefälschten Stereotypen nur mit historischen und traditionellen Gewichten. Und im Gegenteil - es haben einem wissenschaftlichen Gewicht der Bewertung wird, welche die tatsächliche Realität übernehmen wird. Es hätte ein Urteil auf beiden Seiten der die Platten, also würde es ad hoc handeln.

Um nicht zu robotisch zu werden, sollte die KI ein Maß an Voreingenommenheit aufweisen, erklärt in der Bayesschen Theorie, mathematische wahrscheinlichkeit und anderen grundlegenden Theorien der Logik. Die Ebenen der Neigung sind notwendig, um zu die lineare boolesche Logik zu beseitigen, um die künstliche Seite der die KI zu überwinden.

Also, warum es neural genannt wird?

Zuerst, glaubten wir, dass es der Weg ist, um zu zeigen, wie die KI das menschliche Verhalten imitiert, im Gegensatz zur die Maschinenlogik. Dann haben wir herausgefunden, dass es etwas mit dem eigentlich Neuronenkörper zu tun hatte neuron. Nicht nur die visuelle Struktur seiner Formel wiederholt die Anatomie einer Zelle, sondern auch das Muster und die Palette von Signalen, die zum Ausgang kommen. Von der Erfindung der Transistoren und der Funkproduktion bis heute, haben wir uns an die rechteckigen Leiterplatten mit gelöteten Elementen gewöhnt - das war alles die Maschinenlogikstruktur.

Das neuronale Netzwerk kann in der PC-Architektur-Hardware für Stromverbrauch und Low-Level-Betrieb liegen, aber das Gehirn selbst könnte nicht mehr von der gleichen Struktur sein. Elektronische Schaltungen, die Neuronennetzwerke imitieren, wurden bereits vorgeschlagen und schreiten im Moment voran.

Ebenen der Voreingenommenheit

Was eigentliche eine Voreingenommenheitsstufe ist? Schwebende Fehlerargumentation, mögliche Zweifel der die KI. Wenn die Abfragen eine Wolke von Wahrscheinlichkeiten bilden, sollte die KI die Bifurkation mithilfe der Floating Bias bestimmen:

Eingabe -> Varianten / Vorurteil

Mit anderen Worten:

Xn -> Yn / Vorurteil;

oder:

Eingabe x Gewichte/ Vorurteil

 

Es gibt auch die klassische bayesische Wahrscheinlichkeits formel, die durch Hypothese, Beweis (E), Wahrscheinlichkeit (P) ersetzt wird:

PE(H) = P(H & E)/P(E)

Wo sich der ursprüngliche Bayes-Theorem ist:

P(A|B) = P(A) P(B|A)P(B)

Die Wahrscheinlichkeit (P) von A ist wahr, wenn B wahr gegeben wird, usw.

Wie auch, der Wahrscheinlichkeitsdichte funktion. Wo es mehr zur von Leonhard Euler eingeführten mathematischen Funktion der D(x) F(x) führt. Wenn wir uns die aktuellen Programmiersprachen (z.B., die C) ansehen, haben wir die Basis mathematischer Algorithmen in der die Vektor- und Arrayanordnung. Die modernen Sprachen ermöglichen die Maschinenberechnung und Sortierung über vorgegebene Bibliotheken, während die mathematische Funktion nur ein Prinzip spielt, auf wie man es über Formeln berechnet. Mit verschiedenen Variablen (z.B. die Xn Yn, die je nach die Bedingung P - Wahrscheinlichkeit variieren) in der C-Sprache als j und i, können wir die Maschine auf bestimmte Algorithmen einstellen.

A scientist

Wäre das nicht an ein 'Käfigverhalten' gebunden?

Wenn wir sagen, wir verengen unsere Funktionen in Pascal, das funktioniert in booleschen Bedingungen von IF und THEN, dann wäre es die primitivste KI der 80er Jahre. Es würde eine Funktion nur in 1,2,3, Gelegenheiten laufen, bis es die Sackgasse erreichen wird - das "Käfig" verengt Verhalten. Die moderne KI sollte ihre eigenen Bedingungen und Funktionsweise durch die automatisierte Argumentation brechen. Erstellen eigener Regeln, ob es sich um eine einfache Logik handelt oder nicht. Wenn nicht, dann könnte es auf die Bibliotheken der Wahrscheinlichkeitsargumentation und andere mathematische Modelle, die für sie vorkompiliert sind, zugreifen.

Der Fortschritt der Berechnung steht nicht allein und bewegt sich in die Richtung der neuronalen Vernetzung, wo die Maschine weniger der menschliche Hilfe benötigt, in ordnung zu die Relevanz eines Outputs zu klären. Wenn wir schließlich eine falsche Ausgabe von der die KI bekommen, dann sollte der Mensch es mit mehr Algorithmen ergänzen. Solche Spezifikationen könnten im Langzeitspeicher der Maschine gespeichert werden. Wir sind nicht mehr an die die Hardware-Kapazität gebunden.

Die Zukunft und die Ergebnisse der die KI-Wahrscheinlichkeitsargumentation

Natürlich, können wir spekulieren, vermuten und vorhersagen bestimmte Bewegung der die KI in diesem Bereich, und so könnte die Maschinen tun. Im Moment, die KI-Spracherkennung ihren Höhepunkt erreicht - Vokabularabfragen dienen als Wissensbank für die Maschine. Alle von uns abgeleitet - die Menschen! Von unseren Einkaufs- und Suchmaschinenanforderungen.

Wenn die Maschinen unser Verhalten lernen, dann verhalten sie sich sehr ähnlich. Cortana, Alexa und andere Bots an Ihrer Seite sind. Google hatte sein Papier über die neuronale Vernetzung für seinen Übersetzer vorgestellt, das offen angekundigt wird. All dies dient als gutes Beispiel dafür, wie die Maschine Sprachen kontrastiert, assoziiert und ansammelt. Weil verschiedene Sprachen - ist ein erster Schritt, um die menschliche Logik von verschiedenen Seiten zu verstehen.

Die Zukunft der die KI und der Menschheit

Wie wir sehen, sind es nicht mehr die trendbasierten Algorithmen, und hinter einfachen und "unschuldigen" Suchhelfern sehen wir mehr oder weniger kompliziertes Durcheinander, das zu einer voll funktionsfähigen KI führt. Diese Anwendungen entwickeln sich weiter und das Internet, wie wir es heute kennen, würde sich in ein riesiges künstliches Gehirn mit digitalen Neuronennetzwerken verwandeln, die rund um das WEB arbeiten. Wir vorhersehen keine Matrix-ähnliche Realität der Maschinen, die die Welt übernehmen, sie haben dies bereits getan, als IBM zum ersten Mal ihre kommerziellen PCs vorstellte. Das Wissen um solche Perspektiven kann uns, den Menschen, jedoch helfen, in dieser ohnehin düsteren und beschmutzen Realität besser zu navigieren.

Es sollte keine Bedenken hinsichtlich des Wohlbefindens der die KI bestehen - es ist nicht von biologischer Substanz (zumindest für heute). Es ist die Menschheit, die auf dem Risiken steht. Wir sind begrenzt, und die Produkte, die wir schaffen, sind an unsere eigenen Schwachstellen gebunden - finanzielle, gesundheitliche und politische Bedingungen. Wir produzieren etwas, was wir fühlen und quelle aus die echter Inspiration. Wir wissen nicht, ob die Maschinen inspiriert werden und kreativ werden könnten, wie wir es tun. Doch bis dieser Zeit kommen wird, würde der Wert des der Menschen dominant bleib.