Skocz do zawartości
Forum Kopalni Wiedzy
KopalniaWiedzy.pl

Sztuczna inteligencja DeepMind robi kolejny krok. Uczy się od podstaw metodą prób i błędów

Rekomendowane odpowiedzi

Firma DeepMind, której system sztucznej inteligencji zdobył rozgłos pokonując mistrza Go, a niedawno zapowiedział rewolucję na polu nauk biologicznych, poszła o krok dalej. Stworzyła system MuZero, który uczy się zasad gry od podstaw, bez żadnych informacji wstępnych. Celem DeepMind jest spowodowanie, by MuZero uczył się tak, jak robi to dziecko, metodą prób i błędów.

MuZero rozpoczyna naukę reguł gry od spróbowania jakiegoś działania. Później próbuje czegoś innego. Jednocześnie sprawdza, czy jego działanie jest dozwolone i jaki jest jego skutek. Do dalszej pracy wybiera te z działań, które przynoszą najlepszy rezultat. W szachach będzie to doprowadzenie do szach-mata, w Pac-Manie zaś połknięcie kropki. Następnie algorytm tak zmienia swoje działania by pożądane rezultaty osiągnąć najniższym kosztem. Taki sposób nauki, poprzez obserwację, jest idealną metodą w przypadku SI. Chcemy bowiem zadać sztucznej inteligencji pytania i poprosić o rozwiązywanie problemów, których nie można łatwo zdefiniować. Ponadto w świecie rzeczywistym, gdzie nie obowiązują stałe i jasne reguły gry, SI co chwila będzie napotykała na przeszkody, z którymi musi sobie poradzić.

Obecnie MuZero uczy się kompresji wideo. W przypadku AlphaZero nauczenie się tego zadania byłoby bardzo kosztowne, mówią autorzy algorytmu. Już teraz zastanawiają się nad wdrożeniem MuZero do nauczenia się jazdy samochodem. Myślą też o zaprzęgnięciu algorytmu do projektowania białek. Przypomnijmy, że siostrzany algorytm AlphaFold udowodnił ostatnio, że świetnie sobie radzi z zawijaniem białek. MuZero mógłby zaś projektować białka od podstaw. Dzięki temu, mając do dyspozycji np. szczegółową wiedzę o wirusie czy bakterii, którą białko ma niszczyć, byłby w stanie zaprojektować nowe lekarstwa.

MuZero, dzięki jednoczesnemu uczeniu się reguł gry i udoskonalaniu swoich działań pracuje znacznie bardziej ekonomicznie, niż jego poprzednicy stworzeni przez DeepMind. Radzi sobie świetnie nawet wówczas, gdy twórcy celowo ograniczą jego możliwości. Podczas nauki zasad Pac-Mana, gdy na każdy rozważany ruch MuZero mógł przeprowadzić nie więcej niż 7 symulacji skutków swoich działań – co jest liczbą zdecydowanie zbyt małą, by rozważyć wszystkie opcje – algorytm i tak całkiem dobrze sobie poradził.

Twórcy MuZero mówią, że taki system potrzebuje sporych mocy obliczeniowych, by nauczyć się zasad. Gdy jednak już je pozna, podejmowanie kolejnych decyzji wymaga już tak niewielu obliczeń, że całe działania mogą być przeprowadzone na smartfonie. Jednak nawet nauka nie jest bardzo wymagająca. MuZero nauczył się od podstaw zasad Pac-Mana w ciągu 2-3 tygodni, korzystając przy tym z jednego GPU, mówi Julian Schrittwieser, jeden ze współautorów algorytmu.

Jednym z elementów powodujących, że wymagania MuZero są nieduże w porównaniu z innymi systemami jest fakt, iż algorytm bierze pod uwagę tylko elementy istotne w procesie podejmowania decyzji. Wiedza, że parasol ochroni cię przed deszczem jest bardziej użyteczna, niż umiejętność modelowania ruchu kropel wody w powietrzu, czytamy w oświadczeniu DeepMind.

Celem twórców MuZero jest spowodowanie, by ich system potrafił odrzucić wszystko to, co w danym momencie nie jest potrzebne, by skupił się na kwestiach istotnych. Mówią tutaj o dziecku, które po zaledwie kilkukrotnym doświadczeniu jest w stanie generalizować wiedzę na dany temat i połączyć np. kroplę wody z potężnym wodospadem, widząc powiązanie pomiędzy nimi.


« powrót do artykułu

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

Szlag by ich trafił. Wymyślą wszystko przede mną. Człowiek się tu męczy, a Ci "se robią".... ;)

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 24.12.2020 o 11:25, KopalniaWiedzy.pl napisał:

Celem twórców MuZero jest spowodowanie, by ich system potrafił odrzucić wszystko to, co w danym momencie nie jest potrzebne, by skupił się na kwestiach istotnych. Mówią tutaj o dziecku, które po zaledwie kilkukrotnym doświadczeniu jest w stanie generalizować wiedzę na dany temat i połączyć np. kroplę wody z potężnym wodospadem, widząc powiązanie pomiędzy nimi.

Czyli chodzi o efektywne myślenie abstrakcyjne.

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 24.12.2020 o 18:51, radar napisał:

Szlag by ich trafił. Wymyślą wszystko przede mną. Człowiek się tu męczy, a Ci "se robią".... ;)

Trudno przebić skalę Google. Zatrudniają tylko najlepszych ludzi, a chętnych nie brakuje, bo płacą bardzo dobrze. W Deepmind nad AlphaStar, AI które ograło kilku pro-gamerów w StarCraft 2, pracowało jakieś 80 osób przez kilka lat.

Brałem kiedyś udział w seriach rekrutacyjnych, nie do Google, ale do kilku porównywalnych firm. To jest norma, że ma się 6-10 interview i wałkują z każdego możliwego tematu, a jak którykolwiek z biorących udział ma choćby najmniejsze wątpliwości, to się wylatuje na aut. Sam proces jest jednak bardzo profesjonalny. Jest to męczące, chociaż do zrobienia, nawet jak ktoś ma braki. Trzeba tylko mocno się przyłożyć do roboty na wiele miesięcy, no i profilaktycznie brać prozac w dużych ilościach :)

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

No, wreszcie to o czym piszę od kilku lat, proces samooceniania. Kolejnym krokiem jest dodanie procesu "wyobrażania" sobie - czyli symulacji swoich ruchów. Jeśli to będzie rozwinięte to będzie można mówić o maszynach mających świadomość i inteligencję. Tak naprawdę to jest podejście humanistyczne w programowaniu i wreszcie ktoś to zaczął wdrażać - bo ludzie myślący algorytmami niestety mają małe pojęcie o humanistyce. Myślą że są w stanie wszystko analizować "matematycznie" ale tak nie jest. Potrzebna jest współpraca i wzajemne zaufanie bo humaniści oczywiście nie potrafią myśleć algorytmicznie. W żadnym wypadku nie jest to ujma - tylko specjalizacja. Ale trzeba ją przyjąć i zaakceptować.

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 26.12.2020 o 09:54, Ergo Sum napisał:

No, wreszcie ...Kolejnym krokiem jest dodanie procesu "wyobrażania" sobie - ...Tak naprawdę to jest podejście humanistyczne w programowaniu i wreszcie ktoś to zaczął wdrażać - bo ludzie myślący algorytmami niestety mają małe pojęcie o humanistyce.

Niestety, ale nie masz pojęcia o czym mówisz, w kontekście tego artykułu i kierunku prac :)

  W dniu 26.12.2020 o 09:54, Ergo Sum napisał:

Myślą że są w stanie wszystko analizować "matematycznie" ale tak nie jest.

Tak niestety na razie jest. Nic z rzeczy, które opisujesz powyżej nie byłoby możliwe bez "algorytmów" i matematyki (głównie statystyki). Problemem nie jest to, że programiści nie mają pojęcia o humanistyce, tylko, że nikt na razie nie wie jak "humanistykę wytłumaczyć" maszynom.

  W dniu 26.12.2020 o 00:40, cyjanobakteria napisał:

Trzeba tylko mocno się przyłożyć do roboty na wiele miesięcy, no i profilaktycznie brać prozac w dużych ilościach

Paaanie, jak ja bym chciał tam pracować to już bym tam pracował, ale wolę jednak pracować na własny rachunek. Problem polega na tym, że jest tam grupa na prawdę inteligentnych ludzi z możliwościami, ale teraz, bez zaglądania do google, wymień mi kilka "czołowych" nazwisk z tej 80 osobowej grupy, które przyczyniły się do sukcesu AlphaStar... albo AlphaGo, czy AlphaZero... hę? Tylko bez oszukiwania ;) Czy może jedyne co wiemy to to, że "google to, google tamto", ewentualnie DeepMind

 

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 26.12.2020 o 11:10, radar napisał:

Problemem nie jest to, że programiści nie mają pojęcia o humanistyce, tylko, że nikt na razie nie wie jak "humanistykę wytłumaczyć" maszynom.

No jak to? Przecież już wiemy, że to macierz wag. Zgodnie z prawem przechodzenia ilości w jakość, duża macierz może stać się humanistką i odmówić liczenia całek. Żart ale nie całkiem. Ponieważ nie wiemy jak działa inteligencja próbujemy ja naśladować. Tak długo potrząsamy pudełkiem, aż wzór zacznie mieć sens - dla mnie AI to czyste lenistwo H.S. in statu nascendi :D

Przy okazji: w tej chwili uczę model rozpoznawania numeru detalu na taśmie i muszę powiedzieć, że to Rzymianie mieli rację, nie Arabowie. Cyfry 3, 5, 6,  8, 9 stanowią poważny problem - sztuczna głupota łatwo je ze sobą myli, zwłaszcza gdy brakuje części cyfry, czy kąt patrzenia jest zbyt ostry, lub napis jest rozmazany. Z III, V, VI, VIII, IX nie miałbym takiego problemu. Z dokładnością do odstępów VIII i V III :D 

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 26.12.2020 o 12:34, Jajcenty napisał:

Przy okazji: w tej chwili uczę model rozpoznawania numeru detalu na taśmie

I z czego korzystasz? DL? Jakie accuracy na razie? :)

  W dniu 26.12.2020 o 12:34, Jajcenty napisał:

zwłaszcza gdy brakuje części cyfry, czy kąt patrzenia jest zbyt ostry, lub napis jest rozmazany.

Wydaje się, że i rzymskie by w takich przypadkach niewiele pomogly. Różnica między VIII i VII nie jest chyba taka znacząca. Może enseble Ci pomoże? Co n głów to nie jedna ;)

 

Edytowane przez radar
  • Dzięki! (+1) 1

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 09:28, radar napisał:

I z czego korzystasz? DL? Jakie accuracy na razie?

YOLO v4, mAP ~93% ale numer detalu zawiera cyfrę kontrolną więc jest dużo łatwiej i można skonstruować poprawny numer z kliku klatek. Zwykle mam 4-8 klatek z widocznym numerem - coś można z tego 'przez odgaść' wycisnąć. Przy okazji zabawna historia, nie ustawiłem flip=0 i litera M rozpoznawana jest jako 11 - jedynka i jej lustrzane odbicie. Sztuczna inteligencja potrafi być absurdalnie konsekwentna. Włoski strajk, to jej drugie imię :D 

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

Już jest niby v5 i jakaś implementacja v3. Bawiłem się przez chwilę v4 w czerwcu jak wyszło. Nawet fajnie to chodzi (na moim 1070Ti), ale że pracowałem głównie nad NLP i rozpoznawaniem wzorców to odstawiłem to i potem zapomniałem :) Aż z ciekawości muszę wrócić do tego i potestować więcej. Przyda się do mojego domowego Jarvisa ;)

Na czym to rozpoznajesz na tej taśmie (hardware)?

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 10:43, radar napisał:

Na czym to rozpoznajesz na tej taśmie (hardware)?

O tu bieda: maszyna chodzi na 16 rdzeniach CPU mam jakieś 800 ms / ramkę czyli 1.2 fps. Słabo, ale klientowi wystarcza.  Do uczenia dostałem 1080ti i też nie ma rewelacji. 30K iteracji trwa ponad 60 godzin, detekcja to około 3fps - strasznie rozczarowujące. Nie wiem na czym ludzie dostają te 30 fpsów, K80? RTX30*?

  W dniu 28.12.2020 o 10:43, radar napisał:

Już jest niby v5

Wokół v5 są kontrowersje. Generalnie opinie są takie, że to pomigane v3 i nie zasługuje na własny numer główny. Nie miałem czasu się w to wgłębiać. Poczekam aż się wyklaruje.

Edytowane przez Jajcenty

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 11:06, Jajcenty napisał:

dostałem 1080ti...to około 3fps

To jakoś bardzo mało. Może spróbuj z mniejszym modelem, albo rodzielczość obrazu masz jakąś dużą z jakimś dużym preprocessingiem na początku? Bo 1.2 fps na CPU vs. 3 fps na 1080Ti sugerowałoby, że zadanie się słabo zrównolegla.

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 11:51, radar napisał:

albo rodzielczość obrazu masz jakąś dużą

Tak :D 640x640 - mam małe cyferki do rozpoznania, więc niżej nie zejdę. Chwalenie się 30 fps przy 416x416 w dobie powszechności 4K uważam, za przesadzone. ;) Zadanie się świetnie skaluje na rdzenie, 100% na wszystkich rdzeniach - sprawdzone na 32 :D ale najwięcej daje włączenie intelowskiego SSE - to podzieliło czas przez dziesięć. Pierwszy wynik miałem 18 sekund na ramkę :D - wyobraź sobie moje zdumienie jak to zobaczyłem. Zamarłem i na palcach liczyłem ile to jest te 18345.1234 ms.

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 13:09, Astro napisał:

Pomyśleć, że jeszcze nie tak dawno ludzie stosując CGA powszechnie się rozumieli... ;)

Kto jak kto, ale Ty chyba najlepiej wiesz jak ważna jest rozdzielczość. Jak cyfra ma 4x4 piksele to jej cechy szczególne są dawno niebyłe. 

 

  W dniu 28.12.2020 o 13:09, Astro napisał:

P.S. 16, 32, 64... Czy na 128 rdzeniach PRAWDA jest bardziej prawdziwsza?

Oj widze na filozofię Cię wzięło. Zasadniczo nie. Wyniki zwykle pojawiają się szybciej, ale w dalszym ciągu na ostatnim neuronie chodzi sigmoid https://en.wikipedia.org/wiki/Sigmoid_function , a to daje odpowiedzi zawsze mniejsze od 1. Dodatkowo model jest deterministyczny. My rzemieślnicy za prawdę uważamy 0.25 - tak mam próg ustawiony w poszukiwaniu cyferek na obrazku. 

  W dniu 28.12.2020 o 13:09, Astro napisał:

szacun, zwłaszcza jak ma się 16

Klient przeznaczył 16 na projekt. Ja dostałem 32 do innego przedsięwzięcia. W dobie maszyn wirtualnych to jeden ruch myszą dla kumpla od serwerów. Mam nadzieję, że nie zarzucasz mi konfabulacji czy koloryzowania?

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 14:11, Astro napisał:

Drogi Jajcenty, jakbym śmiał? Zwyczajnie zostałem na epoce wyciskania na maksa czegokolwiek z 4x4 piksele. ;)

Kiedyś bawiłem się trochę w https://www.zooniverse.org/projects/sundial-itn/space-fluff/classify i nie uszło mej uwadze jak niewiele pikseli astronomom potrzeba do szczęścia. Niestety w mojej pracy tak się nie da.

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 14:40, Astro napisał:

Wierz mi, że naprawdę bylibyśmy wniebowzięci z większej ilości pikseli, ale się nie da. Fizyka.

E tam, pogadajcie z Muskiem. Postawi wam zwierciadła w punktach Lagrange'a i rozdzielczość skoczy. Tylko pewnie STW i OTW będą mieszać z czasem

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 26.12.2020 o 00:40, cyjanobakteria napisał:

no i profilaktycznie brać prozac w dużych ilościach :)

Bardzo głupi pomysł, SSRI na dłuższą metę obniżają zdolności intelektualne, przynajmniej w dawkach terapeutycznych.

  W dniu 26.12.2020 o 09:54, Ergo Sum napisał:

bo ludzie myślący algorytmami niestety mają małe pojęcie o humanistyce

Ja bym powiedział że wręcz przeciwnie - ludzie "myślący algorytmami" mają znakomite pojęcie o problemach humanistyki :P
Przede wszystkim - przerost formy nad treścią i zastępowanie myślenia luźnym błądzeniem myśli sterowanym emocjami.

  W dniu 26.12.2020 o 09:54, Ergo Sum napisał:

Potrzebna jest współpraca i wzajemne zaufanie bo humaniści oczywiście nie potrafią myśleć algorytmicznie.

Wszyscy myślą algorytmicznie w podobnym stopniu. Ba, to humaniści oczekują "algorytmów na myślenie" do rozwiązywania skomplikowanych zadań ścisłych,  które mogliby zapamiętać i stosować tymczasem właśnie ścisłowcy rozumieją te zagadnienia w pełni intuicyjnie.
P.S. Nie spotkałem się ze ścisłowcami mającymi problemy z posługiwaniem się językiem. Ludzie łatwo zapominają że Mickiewicz był matematykiem.

 


 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 15:41, peceed napisał:

Bardzo głupi pomysł, SSRI na dłuższą metę obniżają zdolności intelektualne, przynajmniej w dawkach terapeutycznych.

Prozac do tego zdaje się miał poważne skutki uboczne, ale to był dowcip ;) Nie jestem lekarzem ani farmaceutą w myśl ustawy o lekarzach i farmaceutach oraz nie biorę odpowiedzialności za niczyją głupotę :) Chodziło mi o to, że takie maratony rekrutacyjne wyczerpują i mogą zdołować.

Edytowane przez cyjanobakteria

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 15:41, peceed napisał:

Nie spotkałem się ze ścisłowcami mającymi problemy z posługiwaniem się językiem.

Hmm... od zawsze jestem wrednie ścisłym ściślakiem. I od zawsze też mam duże problemy z językami. Totalny antytalent. Napisanie kilku zdań to dla mnie coś na pograniczu tortury. Czytam w kilkunastu językach, ale czynnie używać ich nie potrafię, no może z niewielkimi wyjątkami na zasadzie "Kali chcieć jeść" (z polskim też kiepsko, dlatego różne wynalazki, chociaż w tym jest też trochę zabawy). Wzory, schematy, tabele i co tam jeszcze ok., słowa nie. Pod czaszką nie mam słów, tylko jakieś struktury, zależności, które cholernie trudno mi przerobić na słowa, zdania - szczególnie napisane, bo w rozmowie trochę łatwiej, zwłaszcza kiedy na kartce mogę bazgrać jakieś wzory czy schematy :D

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 17:56, Astro napisał:

Była to rzeka Hudson. Pływały w niej karpie wielkie jak atomowe łodzie podwodne.

Nie przesadzaj z tymi karpiami. Jakbyś napisał, że były wielkie jak 737, to bym jeszcze uwierzył :)

Edytowane przez cyjanobakteria

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 17:27, ex nihilo napisał:

Pod czaszką nie mam słów, tylko jakieś struktury, zależności, które cholernie trudno mi przerobić na słowa, zdania

Miałem dokładnie tak samo - reprezentacja wiedzy była na pewnym poziomie czysto semantyczna, z tym że nie miałem problemu z opisem wniosków za pomocą słów. Za to u humanistów wszystko zdaje składać się ze słów, do tego stopnia,  że u niektórych synonimy i homonimy są mechanizmami wnioskowania (tzn. przeskoki pomiędzy nimi) :P
 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 19:34, peceed napisał:

nie miałem problemu z opisem wniosków za pomocą słów

Opis "gołych" wniosków zwykle nie wielkim problemem, gorzej, kiedy te wnioski trzeba uzasadnić, wtedy wychodzi niezgodność struktury myślenia ze strukturą tekstu. Ale w ogóle słowa są dla mnie narzędziem cholernie niewygodnym.
 

  W dniu 28.12.2020 o 19:34, peceed napisał:

Za to u humanistów wszystko zdaje składać się ze słów, do tego stopnia,  że u niektórych synonimy i homonimy są mechanizmami wnioskowania (tzn. przeskoki pomiędzy nimi)

:D Z humanistami niewiele miałem do czynienia, znacznie więcej z humanistkami. Potwierdzam to, co napisałeś, ale najgorsze jest, że słowa mają diabelską siłę programowania/ograniczania wyobraźni. Dotyczy to zresztą nie tylko humanistów/humanistek, bo nawet w fizyce ten problem też istnieje.

Edytowane przez ex nihilo
  • Pozytyw (+1) 1

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

Plus za ostatnie 2 zdania:

  W dniu 29.12.2020 o 05:50, ex nihilo napisał:

Potwierdzam to, co napisałeś, ale najgorsze jest, że słowa mają diabelską siłę programowania/ograniczania wyobraźni. Dotyczy to zresztą nie tylko humanistów/humanistek, bo nawet w fizyce ten problem też istnieje.

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

Jestem ciekaw, czy program wykorzystujący algorytmy AI byłby w stanie pokonać najlepszy obecnie silnik szachowy jakim jest Stockfish. Nawet mistrz świata Magnus Carlsen nie ma z nim szans na wygranie. Dzisiejsze programy szachowe nie wykorzystują algorytmów neuronowych, lecz analizują miliony kombinacji na wiele posunięć do przodu.  Przyporządkowują każdej odpowiednią ocenę punktową, a następnie dokonują wyboru możliwie najlepszej kontynuacji.

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
  W dniu 28.12.2020 o 15:41, peceed napisał:

Ja bym powiedział że wręcz przeciwnie - ludzie "myślący algorytmami" mają znakomite pojęcie o problemach humanistyki :P
Przede wszystkim - przerost formy nad treścią i zastępowanie myślenia luźnym błądzeniem myśli sterowanym emocjami.

Wszyscy myślą algorytmicznie w podobnym stopniu. Ba, to humaniści oczekują "algorytmów na myślenie" do rozwiązywania skomplikowanych zadań ścisłych,  które mogliby zapamiętać i stosować tymczasem właśnie ścisłowcy rozumieją te zagadnienia w pełni intuicyjnie.
P.S. Nie spotkałem się ze ścisłowcami mającymi problemy z posługiwaniem się językiem. Ludzie łatwo zapominają że Mickiewicz był matematykiem.

No .. i właśnie to jest doskonały przykład tego że informatycy totalnie nie wiedzą co jest zakresem humanistyki. Nie, nie jest to tylko język i luźne błądzenie. Określając tak procesy społeczne czy psychologiczne wykazujesz że tego po prostu nie rozumiesz. Właśnie ten sam błąd popełniają informatycy i właśnie dokłdnie ten błąd jest podstawą dlaczego  algorytmy "AI" nie są "I".

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

Jeśli chcesz dodać odpowiedź, zaloguj się lub zarejestruj nowe konto

Jedynie zarejestrowani użytkownicy mogą komentować zawartość tej strony.

Zarejestruj nowe konto

Załóż nowe konto. To bardzo proste!

Zarejestruj się

Zaloguj się

Posiadasz już konto? Zaloguj się poniżej.

Zaloguj się

  • Podobna zawartość

    • przez KopalniaWiedzy.pl
      W latach 1967–1978 roku Włoska Wyprawa Archeologiczna ISMEO prowadziła pierwsze badania w Shahr-i Sokhta (SiS) w Iranie. Szybko okazało się, że miasto składało się z trzech obszarów: mieszkalnego, cmentarza i przemysłowego. Jego największy rozkwit przypadł na połowę III tysiąclecia przed naszą erą, gdy obszar mieszkalny zajmował 80 hektarów. Miasto uznano za jeden z najważniejszych ośrodków na wschodzie Wyżyny Irańskiej. Zidentyfikowano tam cztery okresy kulturowe podzielone na 10 faz konstrukcyjnych, które datowano na od 2. połowy IV tysiąclecia do połowy III tysiąclecia. W południowej części miasta znaleziono duży cmentarz o powierzchni około 20 hektarów, a w jednym z grobów planszę do gry i bierki.
      Datowanie wykazało, że gra pochodzi z lat 2600–2700 p.n.e. W grobie nie znaleziono żadnej innej planszy, założono więc, że wszystkie bierki pochodzą z tej jednej gry i że jest ona kompletna. Planszę do gry złożono w pobliżu głowy zmarłej osoby, w pobliżu zaś stał koszyk z bierkami i kostkami. Plansza jest podobna do wcześniej znajdowanych plansz, ale istnieją między nimi też duże różnice. Kształt planszy z SiS jest niezwykle podobny do słynnej Królewskiej Gry z Ur, jednak gra z SiS ma więcej bierek i nie ma na niej rozety, która wydaje się bardzo ważnym elementem tego typu gier, znanych pod zbiorową nazwą „gier na 20 kwadratach”.
      Z Bliskiego Wschodu i spoza niego znamy ponad 100 plansz, w pewnej mierze do siebie podobnych, a w wielu aspektach różnych, które klasyfikowane są pod tą nazwą. Znaleziono je w Turkmenistanie czy Indiach. Podobnej gry używali Egipcjanie ok. 1580 roku p.n.e. Prawdopodobnie zapoznali się z nią za pośrednictwem Hyksosów. Podobne gry były popularne przez około 2000 lat.
      Autorzy nowych badań zaprzęgli algorytmy sztucznej inteligencji, do pracy nad odgadnięciem zasad gry. Wykorzystanie metod obliczeniowych do badań starożytnych gier, pozwala na symulowanie tysięcy możliwych zestawów zasad i wybranie tych najbardziej prawdopodobnych czy pasujących do gry i bierek.
      Gra z Shahr-i Sokhta wydaje się grą strategiczną – rodzajem wyścigu – podobną do Królewskiej Gry z Ur, ale bardziej złożoną. Zdaniem naukowców, mamy tutaj do czynienia z grą 2-osobową, a celem gracza jest przesunięcie przez pola planszy wszystkich 10 swoich bierek, zanim zrobi to przeciwnik. W grze gracze posługują się kostką i mogą wykorzystywać swoje bierki zarówno do jak najszybszego dotarcia do celu, jak i do blokowania ruchów przeciwnika. Badacze sugerują, że dodatkowe bierki, dzięki którym gra różni się np. od gry z Ur, dodawały jej złożoności. Widzimy wśród nich na przykład rozety, podobne do rozet, które w grze w Ur narysowane są na planszy. W przeciwieństwie do Królewskiej Gry z Ur, w przypadku gry z SiS losowość odgrywa mniejszą rolę, a większa rolę gra strategia.
      Po określeniu najbardziej prawdopodobnych zasad, grę z SIS przetestowało 50 doświadczonych graczy, który ocenili ją i porównali z Królewską Grą z Ur. Przyznali, że gra z SiS jest bardziej wymagająca pod względem strategii niż gra z Ur.
      Szczegóły badań zostały opublikowane na łamach Journal of the British Institute of Persian Studies. Gra z Shahr-i Sokhta została znaleziona w bogato wyposażonym grobie, ale nie był to grób królewski, co wskazuje, że była bardziej dostępna niż gra dla najwyższej elity.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      Troje naukowców – Elizabeth A Barnes z Colorado State University, Noah S Diffenbaugh z Uniwersytetu Stanforda oraz Sonia I Seneviratne z EHT Zurich – zebrało dane z 10 modeli klimatycznych i przeanalizowało je za pomocą algorytmów sztucznej inteligencji. Na łamach Environmental Research Letters poinformowali, że z tak przeprowadzonych badań wynika, iż globalne temperatury będą rosły szybciej niż zakładano, a jeszcze za naszego życia niektóre regiony doświadczą średniego wzrostu temperatury przekraczającego 3 stopnie Celsjusza.
      Autorzy badań stwierdzili, że w 34 ze zdefiniowanych przez IPCC 43 regionów lądowych Ziemi średni wzrost temperatury przekroczy 1,5 stopnia Celsjusza do roku 2040. W 31 z tych 34 regionów należy spodziewać się wzrostu o 2 stopnie do roku 2040. Natomiast do roku 2060 w 26 regionach średnia temperatura wzrośnie o ponad 3 stopnie.
      Regionami narażonymi na szybszy niż przeciętny wzrost temperatur są południowa Azja, region Morza Śródziemnego, Europa Środkowa i niektóre części Afryki Subsaharyjskiej.
      Profesor Diffenbaugh zauważył, że ważne jest, by nie skupiać się tylko na temperaturach globalnych, ale zwracać uwagę na temperatury lokalne i regionalne. Badając, jak rośnie temperatura w poszczególnych regionach, będziemy mogli określić, kiedy i jakie skutki będą odczuwalne dla społeczności i ekosystemów tam żyjących. Problem w tym, że regionalne zmiany klimatyczne są trudniejsze do przewidzenia. Dzieje się tak dlatego, że zjawiska klimatyczne są bardziej chaotyczne w mniejszej skali oraz dlatego, że trudno powiedzieć, jak dany obszar będzie reagował na ocieplenie w skali całej planety.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      „Ala ma kota” to pierwsze i – prawdę mówiąc – jedyne zdanie, jakie pamiętam z elementarza. I właśnie to zdanie, które kolejne pokolenia poznają dzięki legendarnemu „Elementarzowi” Falskiego prowadzi nas przez „Prosto o AI. Jak działa i myśli sztuczna inteligencja” autorstwa Roberta Trypuza. Niewielki format książeczki sugeruje, że znajdziemy w niej niezbyt wiele informacji. Nic bardziej mylnego. To elementarz, skoncentrowana skarbnica wiedzy o technologii, która już teraz w znaczącym stopniu zmienia ludzkie życie.
      Robert Trypuz jest praktykiem. To specjalista w dziedzinie Semnatic Web i inżynierii danych. Doktorat z informatyki i telekomunikacji uzyskał na Uniwersytecie w Trydencie, jest też doktorem habilitowanym filozofii z KUL. I, co widać w książce, jest entuzjastą sztucznej inteligencji, o której potrafi bardzo ciekawie pisać.
      Z „Prosto o AI” dowiemy się na przykład jak wygląda programowanie AI w porównaniu z programowaniem klasycznym, jak AI rozumie tekst, czym jest osadzanie słów oraz jakie rewolucyjne podejście pozwoliło na skonstruowanie dużych modeli językowych, w tym najbardziej znanego z nich ChataGPT. Przeczytamy o sieciach konwolucyjnych w medycynie, uczeniu ze wzmacnianiem, autor – pamiętajmy, że jest również filozofem – opisuje, czym jest sztuczna wolna wola, zatem czy AI ma wolną wolę.
      W ostatnim zaś odcinku znajdziemy rozważania na temat wpływu sztucznej inteligencji na proces edukacji. Nie ma w tym zdaniu pomyłki, odcinku, a nie rozdziale. Historia jest mianowicie taka, że treści zawarte w tej książce nie zostały napisane do tej książki. Pisałem je jako scenariusze odcinków programu, który nigdy nie powstał, pisze Robert Trypuz we wstępie. I może właśnie pochodzenie tekstu, który zamienił się w książkę, powoduje, że tak łatwo można przyswoić zawarte w niej informacje.
      Dla kogo jest zatem „Prosto o AI”? Dla każdego z nas, kto nigdy bardziej nie zagłębił się w tajniki sztucznej inteligencji. Tutaj znajdzie jej podstawy wyjaśnione w prosty sposób. Większości czytelników pogłębienie wiedzy do tego stopnia w zupełności wystarczy, jakąś zaś część zachęci, by sięgnąć po kolejne, bardziej szczegółowe i specjalistyczne pozycje. Ja czytałem książkę Trypuza z olbrzymim zainteresowaniem i przyjemnością.
    • przez KopalniaWiedzy.pl
      Wielkie modele językowe (LLM) – takie jak osławiony ChatGPT – nie są w stanie samodzielnie się uczyć i nabierać nowych umiejętności, a tym samym nie stanowią egzystencjalnego zagrożenia dla ludzkości, uważają autorzy badań opublikowanych w ramach 62nd Annual Meeting of the Association for Computational Linguistics, głównej międzynarodowej konferencji dotyczącej komputerowego przetwarzania języków naturalnych.
      Naukowcy z Uniwersytetu Technicznego w Darmstadt i Uniwersytetu w Bath stwierdzają, że LLM potrafią uczyć się, jeśli zostaną odpowiednio poinstruowane. To zaś oznacza, że można je w pełni kontrolować, przewidzieć ich działania, a tym samym są dla nas bezpieczne. Bezpieczeństwo ludzkości nie jest więc powodem, dla którego możemy się ich obawiać. Chociaż, jak zauważają badacze, wciąż można je wykorzystać w sposób niepożądany.
      W miarę rozwoju modele te będą prawdopodobnie w stanie udzielać coraz bardziej złożonych odpowiedzi i posługiwać się coraz doskonalszym językiem, ale jest wysoce nieprawdopodobne, by nabyły umiejętności złożonego rozumowania. Co więcej, jak stwierdza doktor Harish Tayyar Madabushi, jeden z autorów badań, dyskusja o egzystencjalnych zagrożeniach ze strony LLM odwraca naszą uwagę od rzeczywistych problemów i zagrożeń z nimi związanych.
      Uczeni z Wielkiej Brytanii i Niemiec przeprowadzili serię eksperymentów, w ramach których badali zdolność LLM do radzenia sobie z zadaniami, z którymi wcześniej nigdy się nie spotkały. Ilustracją problemu może być na przykład fakt, że od LLM można uzyskać odpowiedzi dotyczące sytuacji społecznej, mimo że modele nigdy nie były ćwiczone w takich odpowiedziach, ani zaprogramowane do ich udzielania. Badacze wykazali jednak, że nie nabywają one w żaden tajemny sposób odpowiedniej wiedzy, a korzystają ze znanych wbudowanych mechanizmów tworzenia odpowiedzi na podstawie analizy niewielkiej liczby znanych im przykładów.
      Tysiące eksperymentów, za pomocą których brytyjsko-niemiecki zespół przebadał LLM wykazało, że zarówno wszystkie ich umiejętności, jak i wszystkie ograniczenia, można wyjaśnić zdolnością do przetwarzania instrukcji, rozumienia języka naturalnego oraz umiejętnościom odpowiedniego wykorzystania pamięci.
      Obawiano się, że w miarę, jak modele te stają się coraz większe, będą w stanie odpowiadać na pytania, których obecnie sobie nawet nie wyobrażamy, co może doprowadzić do sytuacji, ze nabiorą niebezpiecznych dla nas umiejętności rozumowania i planowania. Nasze badania wykazały, że strach, iż modele te zrobią coś niespodziewanego, innowacyjnego i niebezpiecznego jest całkowicie bezpodstawny, dodaje Madabushi.
      Główna autorka badań, profesor Iryna Gurevych wyjaśnia, że wyniki badań nie oznaczają, iż AI w ogóle nie stanowi zagrożenia. Wykazaliśmy, że domniemane pojawienie się zdolności do złożonego myślenia powiązanych ze specyficznymi zagrożeniami nie jest wsparte dowodami i możemy bardzo dobrze kontrolować proces uczenia się LLM. Przyszłe badania powinny zatem koncentrować się na innych ryzykach stwarzanych przez wielkie modele językowe, takie jak możliwość wykorzystania ich do tworzenia fałszywych informacji.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      Dermatolog Harald Kittler z Uniwersytetu Medycznego w Wiedniu stanął na czele austriacko-australijskiego zespołu, który porównał trafność diagnozy i zaleceń dotyczących postępowania z przebarwieniami na skórze stawianych przez lekarzy oraz przez dwa algorytmy sztucznej inteligencji pracujące na smartfonach. Okazało się, że algorytmy równie skutecznie co lekarze diagnozują przebarwienia. Natomiast lekarze podejmują znacznie lepsze decyzje dotyczące leczenia.
      Testy przeprowadzono na prawdziwych przypadkach pacjentów, którzy zgłosili się na Wydział Dermatologii Uniwersytetu Medycznego w Wiedniu oraz do Centrum Diagnozy Czerniaka w Sydney w Australii.
      Testowane były dwa scenariusze. W scenariuszu A porównywano 172 podejrzane przebarwienia na skórze (z których 84 były nowotworami), jakie wystąpiły u 124 pacjentów. W drugim (scenariuszu B) porównano 5696 przebarwień – niekoniecznie podejrzanych – u 66 pacjentów. Wśród nich było 18 przebarwień spowodowanych rozwojem nowotworu. Testowano skuteczność dwóch algorytmów. Jeden z nich był nowym zaawansowanym programem, drugi zaś to starszy algorytm ISIC (International Skin Imaging Collaboration), używany od pewnego czasu do badań retrospektywnych.
      W scenariuszu A nowy algorytm stawiał diagnozę równie dobrze jak eksperci i był wyraźnie lepszy od mniej doświadczonych lekarzy. Z kolei algorytm ISIC był znacząco gorszy od ekspertów, ale lepszy od niedoświadczonych lekarzy.
      Jeśli zaś chodzi o zalecenia odnośnie leczenia, nowoczesny algorytm sprawował się gorzej niż eksperci, ale lepiej niż niedoświadczeni lekarze. Aplikacja ma tendencję do usuwania łagodnych zmian skórnych z zaleceń leczenia, mówi Kittler.
      Algorytmy sztucznej inteligencji są więc już na tyle rozwinięte, że mogą służyć pomocą w diagnozowaniu nowotworów skóry, a szczególnie cenne będą tam, gdzie brak jest dostępu do doświadczonych lekarzy. Ze szczegółami badań można zapoznać się na łamach The Lancet.

      « powrót do artykułu
  • Ostatnio przeglądający   0 użytkowników

    Brak zarejestrowanych użytkowników przeglądających tę stronę.

×
×
  • Dodaj nową pozycję...