أصبح الذكاء الاصطناعي بسيطًا

وأوضح الذكاء الاصطناعي ببساطة. الحفاظ على نظرة عامة على الكتلة، على سبيل المثال البيانات الضخمة؟ هذا ممكن فقط إذا اتبعت أنماطًا معينة أو سمحت لنفسك بالتوجيه.

تجربة ذاتية: لديك صورة معينة في رأسك. اليوم يجب أن تكون خزانة حمراء بمقابض بيضاء. ماذا تفعل؟

في Google Search "Cabinet Red ، White Handles".

أَثْمَر؟ محتشم.

محاولة 2: يمكنك إدخال "خزانة حمراء ، وأيدي بيضاء" في بحث Google.

والنتيجة أفضل بالفعل، ولكن من الممكن أن تكون أفضل بالتأكيد.

يتم اتخاذ الخطوة الأولى في البرمجة باستخدام بحث Google. يتم جمع استعلامات البحث وتحويلها إلى خوارزميات ورموز من الشبكة العصبية.

وبالتالي فإن التعلم الآلي، كما هو موضح في الرسم العلوي، ليس أمرًا قابلاً للتنفيذ السريع. الكثير من الوقت والعمل يذهب إلى ذلك. وهذا ما يفسر أيضًا تكاليف التطوير المقابلة. ولكن إذا اعتبرت أن الذكاء الاصطناعي ليس لديه إجازة، ولا معاش تقاعدي أو خسائر طبيعية أخرى، فإن الأمور تبدو مختلفة تمامًا.

ولكن هل ما زالت الخزانة الحمراء ذات المقابض البيضاء محدثة غدًا؟ هل ما زالت تناسب نمط الحياة؟ أذواق التغيير. هذا هو بالضبط المكان الذي يأتي فيه التعلم العميق. للبقاء مع مثالنا: مع إجراء مزيد من البحث ، يتعلم الذكاء الاصطناعي ، وبناءً على الموضوعات الأخرى المهتمة بكيفية تغير سلوك البحث الخاص بك بشكل مستقل ، يطور خوارزميات جديدة للتنبؤ بأن خزانة خضراء ذات مقابض زرقاء قد تكون مهتمة بالمطبخ في عام واحد.

رهيب؟ بالنسبة للبعض هذا أمر مخيف. لكنها في الواقع ليست كذلك. الخوف من المجهول يخدعنا. إذا سألنا مجموعة من الأشخاص عما قد يثير اهتمامك على شاشة التلفزيون غدًا، فسوف تحصل على إجابات متنوعة. غير موحده. والآن، كيف تقرر أي اقتراح ستقبله؟ هل هي المساهمة المهنية أم المظهر الجذاب للشخص المعني؟

هكذا هو مع الذكاء الاصطناعي. اعتمادًا على مدى ضعف أو قوة الشبكة العصبية "مبرمجة" ، فإن البيان وفقًا لذلك. إنه يتعلق بتحليل الأنماط الذي يجب أن يساعدنا في اتخاذ قرار جيد. لا تسيطر علينا. لأنه إذا لم نقم بإنشاء تحليل للعينة في البيانات الكبيرة ، فإننا نذهب بلا رحمة. وهذا هو سيناريو الرعب الحقيقي.