Part II : What's No Free Lunch Theorem?

 

 

Recommended Reading:  AI FOR DUMMIES By John Paul Mueller and Luca Massaron

You must take control of the AI rather than the AI taking control of you-Are you prepared to take on this challenge? Are you ready to work with AI? Start small and everything will fall into place.

WHO are the writers? What motivated the authors to write this book?

• John Mueller is a freelance author and technical editor with 89 books and over 300 articles on topics like networking, artificial intelligence, database management, and programming. He has helped over 67 authors refine their manuscripts and has provided editing services to Data Based Advisor and Coast Compute magazines. He has contributed articles to various publications and enjoys nature, wine, knitting, and glycerin soap and candles. He can be reached at John@JohnMuellerBooks.com and is setting up a website.
• Luca Massaron is a data scientist and research director with over a decade of experience in multivariate statistical analysis, machine learning, and customer insight. Passionate about data and analysis, he has pioneered Web audience analysis in Italy and achieved top ten rankings at kaggle.com competitions.

What exactly is human interaction? How might AI improve human-computer interaction?

• Communication can take various forms, including writing, talking, eye contact, tonal quality, and scent. 
• Communication involving developed languages initially took place through spoken versus written words. Written communication is superior as it allows time-delayed interactions without the need for physical proximity. Three main methods of human nonverbal communication include alphabets, language, and body language.
• Alphabets are abstractions of components of human words or symbols, while language is the stringing of words or symbols together to create sentences or convey ideas in written form. 
• GNMT (Google Neural Machine Translation) can translate between languages using an artificial language, interlingua, but it doesn't function as a universal translator.
•  Body language is the augmentation of language with context, and it is the hardest to implement. AI must be able to read body language directly, which involves interpreting human characteristics such as posture, head motion, facial expression, eye contact, and gestures. Robotic or graphic representation of body language is less developed, and robots can interpret body language but are unable to create good facial expressions.
• Computers like the electronic nose can enhance human interaction through electronics, biochemistry, and artificial intelligence. AI can also improve the way people exchange ideas, providing a bridge between people. This is especially important for creating new technologies, building on existing ones, or learning about new technologies. AI can provide a more cost-effective way to enhance human interaction and communication

How does AI improve the effectiveness of idea exchange?

• AI lacks intrapersonal intelligence and understanding, but can facilitate human-AI exchange of ideas, creating a greater whole. In some cases, AI augments communication, while humans perform the exchange themselves.

1-Creating connections

AI can create connections between humans based on their ideas, enabling them to exchange information and collaborate. Social media platforms like LinkedIn use AI to suggest connections based on criteria, allowing users to gain access to new resources, make business contacts, and perform tasks like creating sales. However, many experts in a field may not know each other well enough to communicate effectively.

2-Augmenting communication

Effective communication is crucial for exchanging ideas, but societal and personal biases can hinder communication. AI can help bridge this gap by providing culturally acceptable cues, prescreening materials, and suggesting alternative graphics. This can help ensure that ideas are translated and understood by different groups, ensuring that communication is efficient and beneficial for both parties involved.

3-Defining trends

Humans often base ideas on trends, but communicating this information is difficult. AI can perform data analysis and present it graphically, making it easier to understand and share. Studies show that humans relate better to graphical output than tabular data, making trends easier to see. AI-driven applications can make creating the right graphic output easier, but matching a type to the audience is essential..

What exactly is data analysis?How can we perform AI data analysis?

Data has been a valuable resource for centuries, used to inform civilization and transmit critical information. Recently, data analysis techniques have been developed to extract more knowledge from numerical data. Advanced analytics using machine learning algorithms can predict the future and classify information. This chapter introduces data analysis and how it can be used to solve AI problems, such as suggesting products, understanding spoken languages, and automating car driving.

1-Defining Data Analysis

• The Information Age refers to the data-rich and mature society that has analyzed and extracted information from it. Companies like Google, Amazon, Apple, Facebook, and Microsoft are considered the top five most valuable companies globally. These companies use precise and elaborate data analysis to make their data valuable, making it as valuable as oil. The "data is the new oil" mantra suggests that data can make a company rich, but it requires skill and hard work. Data must undergo significant transformations to acquire value, similar to how unrefined oil requires transformation 
• Data analysis involves basic data transformations, like oil refinery chemical transformations. It lays the foundation for advanced processes and refers to various data operations, sometimes specific to specific industries or tasks.
• In the age of big data, data analysis is challenging due to the large volumes of data that require special tools like Hadoop and Apache Spark. Despite these tools, manual preparation of up to 80% of data remains a challenge, as discussed in an interview with Monica Rogati, an AI advisor.

Data analysis involves four main transformations: transforming, cleaning, inspecting, and modeling. 

1-Transforming: involves changing the data's appearance, such as putting it into ordered rows and columns in a matrix format. 

2-Cleansing: fixes imperfect data, such as missing information or incorrect values. 

3-Inspecting: validates the data, using software to identify patterns and spot strange data elements. 

4-Modeling: focuses on examining the relationship between data elements, using tools from statistics like correlations, t-tests, and linear regression. Data analysis is not magic, but rather a combination of mass summation and multiplication based on matrix calculus. 

Statistical tools like mean and variance describe data distribution, while sophisticated tools like correlation and linear regression analysis reveal relationships between events or phenomena. For more information on data techniques, see Machine Learning For Dummies and Python for Data Science For Dummies.

Why is data analysis important?

• Data analysis is crucial for modern AI, as it allows for the visualization, cleaning, transformation, and modeling of data before advanced algorithms can enter the process and turn it into valuable information. 
• In the past, AI was primarily algorithmic and expert systems, with data experts preparing data for manipulation. However, today, the focus has shifted from data production to data preparation using data analysis. 
• Modern AI algorithms learn from task-specific data, processing large sets of images from the internet, such as social sites or image searches.
•  Data analysis helps AI identify image sizes, variety, and color usage, which is essential for cleaning and transforming the data. For example, data analysis can help identify incorrect animal labelings and help transform images to the same color format and size.

 Which is more significant in AI, data or algorithms?

DISCOVERING SMARTER AI DEPENDS  ON DATA

• Dr. Alexander Wissner-Gross, an American research scientist and entrepreneur, argues that data is more important than algorithms in driving AI. He believes that the success of AI technology may have been due to the quality and availability of data rather than algorithmic capabilities. 
• Wissner-Gross highlights that data is relatively new and always updated, while algorithms are not new discoveries but rely on consolidating older technology. He suggests that data is pushing AI's achievements forward, and questions the possibility of feeding existing algorithms with better data quality and quantity.

What’s Machine Learning?

• Machine learning is the ultimate form of data analysis, focusing on generating internal representations of the world based on inputs from data. It allows for tasks like predicting the future, classifying things meaningfully, and making rational decisions. The core idea behind machine learning is that it can represent reality using unknown mathematical functions, allowing it to express reality and its complexity in terms of unknown mathematical functions

How does machine learning work?

• Machine learning involves a learner algorithm mapping a flexible function to data, creating a function that can distinguish one class from another. This process involves training the learner with examples of desired inputs and expected results, and then using this input to create a function. The output is typically the probability of a certain class or a numeric value. For example, a child learning to distinguish trees from other objects would compare tree images with other objects. A machine learning classifier builds its cognitive capabilities by creating a mathematical formulation that includes all given features, creating a function that can distinguish one class from another. This representation capability allows the classifier to find a replica or approximation of the target function.
• Machine learning involves the representation process of a function by observing its outputs. A successful mapping is similar to a child internalizing abstract rules from real-world facts. The learning algorithm has many internal parameters, which determine the target functions it can learn. During optimization, the algorithm searches for variants of its parameter combinations to find the correct mapping between features and classes. The hypothesis space contains all potential function variants of all machine learning algorithms, which are used to map to an unknown function when solving a classification problem. The hypothesis space must contain the target function or its approximation, as it ultimately requires a functional solution.

Why is ML important?

• AI and machine learning are widely used in various applications, including fraud detection, resource scheduling, complex analysis, automation, customer service, safety systems, and machine efficiency. AI can detect unfamiliar spending patterns, efficiently schedule resources, and help with complex analysis. It can also handle unexpected changes or events, allowing automation to continue as if nothing happened.
• Custmer service can be improved by automation, which can follow scripts and use various resources to handle most questions. 
• Safety systems rely on AI to take over vehicles during crises, such as automatic braking systems. Machine efficiency can be achieved by controlling the use of resources to achieve maximum efficiency.
• Machine learning can also be used for access control, animal protection, and predicting wait times. Access control can be determined based on role and need, while animal protection can be achieved by learning the sounds and characteristics of both animals and ships. Predicting wait times based on staffing levels, staffing load, complexity of problems, and availability of resources can help reduce wait times. 
• Overall, AI and machine learning are increasingly being used in various applications, making them a valuable tool in today's world.

What are ML limits?

• Machine learning, a technology that uses algorithms to analyze large datasets, is not yet capable of creating the kind of AI seen in films. 
• Currently, it can perform predictive analytics faster than humans, but humans must still consider the implications and make moral and ethical decisions. 
• The confusion between learning and intelligence arises from the assumption that a machine's improvement in learning implies intelligence. 
• A true AI will eventually emulate the combination of genetics, teaching, and exploration. Machine learning consists of mathematical functions optimized for specific purposes, but it has limitations in representation, overfitting, and solving specific problems. Its internal functions mostly memorize data without learning from it, leading to unrealized functions and rules.

 

• Machine learning algorithms can learn what they are taught, but not every algorithm is suited for certain tasks. Generalization is the secret to machine learning, but it can lead to problems of overfitting and biased data. For example, a spam filter might not learn the rules of a language well if it is fed bad, unfiltered data. This can result in the algorithm being clueless in new situations or showing biases unexpectedly. 
• For example, Microsoft's AI, Tay, was trained to chat with humans on Twitter but faced issues due to exposure to hate speech. Other AI trained to chat with humans, such as Mitsuku, are not exposed to these risks because their learning is strictly controlled and supervised by data analysis and human evaluation.

Why is the next AI revolution on the horizon?

• Machine learning has become the dominant force in AI, outperforming expert systems in numerous applications and research developments. Neural networks, a solution proposed by connectionists, have made this possible through increased hardware capacity, more suitable data, and the efforts of scientists like Geoffrey Hinton, Yann LeCun, and Yoshua Bengio. 
• The capabilities of neural network algorithms, now branded deep learning, are increasing daily, with recent achievements in audio understanding, image and video recognition, language translation, and lip reading. The improvements are a result of intensive funding and powerful software like TensorFlow and CNTK (Microsoft Comoutataional Network toolkit)

What is the connection between ML and algorithms? Or, why is an algorithm significant in machine learning?

Machine learning is a field that focuses on algorithms, which are procedures or formulas used to solve problems. These algorithms can be categorized into three main groups: supervised learning, unsupervised learning, and reinforcement learning. 

• Supervised learning uses example data and associated responses to predict correct responses, similar to human learning
• . Unsupervised learning learns from plain examples without any response, reshaping the data into new features or uncorrelated values.
•  Reinforcement learning presents the algorithm with examples without labels, providing positive or negative feedback based on the algorithm's proposed solution.

How may machine learning be used in AI learning?

• AI has long been interested in learning to mimic human intelligence, and machine learning now achieves quasi-human learning in tasks like image classification and sound processing. 
• However, it is not completely automated and requires human-selected data and data analysis under human supervision. 
• Each algorithm has specific methods for accomplishing tasks, and understanding how AI makes decisions and predictions is crucial. This chapter explores the machinery and operator behind AI, but still provides an amazing feeling of the wondrous achievements it can achieve.

Taking Many Different Roads to Learning

• Just as human beings have different ways to learn from the world, so the scientists who approached the problem of AI learning took different routes. Each one believed in a particular recipe to mimic intelligence. Up to now, no single model has proven superior to any other. 
• The nofree lunch theorem of having to pay for each benefit is in full effect. Each of these efforts has proven effective in solving particular problems. Because the algorithms are equivalent in the abstract , no one algorithm is superior to the other unless proven in a specific, practical problem. The following sections provide additional information about this concept of using different methods to learn.

Discovering five main approaches to AI learning

An algorithm is a container for storing a method to solve a problem, processing data through a series of well-defined states. The goal is to create an output that solves a problem. The no-free lunch theorem by David Wolpert and William Macready states that any two optimization algorithms are equivalent when their performance is averaged across all possible problems. To gain an advantage, one must use the algorithm on problems where it excels. Yo-Chi Ho and David L. Pepyne provide an accessible but rigorous explanation of the no-free lunch theorem, which machine learning relies on.

1-Symbolic reasoning

Symbolic reasoning, a concept from the earliest tribes, posits that knowledge can be obtained by using symbols and deriving rules. Symbolists developed algorithms to produce rules from data, expanding human knowledge through deduction and raising the level of knowledge through induction. Induction often opens new fields of exploration.

2-Connections modelled on the brain’s neurons

The connectionists are a group of five tribes that aim to replicate the brain's functions using silicon instead of neurons. They use backpropagation to remove errors from networks resembling human neurons by changing the weights and biases of the network. The goal is to match the actual output with the target output, and each neuron passes information to the next in line until the group creates a final output. This method has proven most effective in human-like tasks like object recognition, language understanding, and human-like chat..

3-Evolutionary algorithms that test variation

Evolutionaries use the principles of evolution to solve problems, focusing on the survival of the fittest. They use a fitness function to determine the viability of each function and use a tree structure to find the best solution. The winner of each level of evolution builds the next-level functions, with the idea that the next level may not completely solve the problem. This strategy has led to algorithms that evolve, with one generation building the next.

4-Bayesian inference

Bayesians, a group of scientists, believed uncertainty was crucial in learning and that learning was a continuous updating of previous beliefs. They adopted statistical methods, particularly derivations from Bayes' theorem, which helps calculate probabilities under specific conditions, such as a specific seed card in a pseudo-random sequence.

5-Systems that learn by analogy

Analyzers use kernel machines to identify patterns in data, comparing inputs to known outputs to create problem solutions. The goal is to use similarity to determine the best solution. This reasoning determines that a particular solution worked in a previous situation, ensuring it works in similar circumstances. One notable output from this tribe is recommender systems, which suggest related products for users. The ultimate goal of machine learning is to combine technologies and strategies from the five tribes into a single, master algorithm capable of learning anything.

What are the three most promising AI learning approaches?

•  The core algorithms chosen by Bayesians, symbolists, and connectionists, which represent the present and future frontier of learning from data. These algorithms are crucial for progress towards a human-like AI, as they provide a foundation for new breakthroughs. 
• The three most promising AI learning approaches include Naïve Bayes, which can diagnose diseases more accurately than a doctor, Bayesian networks (graph form), and decision trees, which represent the best of the symbolists. These algorithms represent the current and future frontier of learning from data, and their advancements will continue until new breakthroughs emerge.

What exactly is probability? What role do probability and statistics play in AI?

• Probabilities are a crucial tool in statistics, machine learning, and AI to express uncertainty regarding world events. They help AI systems make rational decisions despite uncertainty, as situations can be random, inherently stochastic, or incompletely observed. Limits in hardware and data processing can also render results uncertain. 
• Measurement is often subject to errors due to the tools used and how it is done, and humans are often subject to cognitive biases. AI is limited by the quality of the data received, and approximations and errors introduce uncertainty into every algorithm. Probability tells the likelihood of an event and is expressed as a number. It is measured in the range from 0 (no probability that an event occurs) to 1 (certainty that an event occurs). Intermediate values, such as 0.25, 0.5, and 0.75, indicate that the event will happen with a certain frequency when tried enough times. If multiplied by an integer number representing the number of trials, an estimate of how many times an event should happen on average if all trials are tried is obtained. Probabilities are between 0 and 1, and can be defined empirically from observations. For example, to calculate the probability of fraud or disease, one can count the number of times the event occurs and divide by the total number of events. This results in a number ranging from 0 to 1, which can be used as a baseline probability for a specific event given certain circumstances. 
• Sampling is a method of observing a small part of a larger set of events or objects based on certain probability expectations, allowing for the inference of correct probabilities and exact measures. This is particularly useful when tracking sales of cars in the United States for the past month. Probability makes sense in terms of time and space, but other conditions also influence the probability you measure. The context is important, as you may sometimes wrongly believe that you can apply the probability that you calculated to each possible situation. A priori probability, or the general probability of an event, is the term to express this belief. Conditional probability, or the probability of event y happening given that x has happened, is a powerful tool for machine learning and AI. 
• The Naïve Bayes algorithm takes advantage of boosting the chance of a correct prediction by knowing the circumstances surrounding the prediction. 
• Bayesians use various statistical methods to solve problems based on observing probabilities of the desired outcome in the right context, before and after observing the outcome itself. They solve the sunrise problem by chaining repeated observations and continuously updating their estimate of the probability of the sun rising again proportionally to the number of times they have witnessed a long series of dawns before. 
• Data scientists have great expectations for the development of advanced algorithms based on Bayesian probability. The Reverend Thomas Bayes, a Presbyterian minister and statistician and philosopher, formulated his theorem during the first half of the eighteenth century, which revolutionized the theory of probability by introducing the idea of conditional probability. Bayes' formula used the previous example as input to provide a better understanding of the formula. It uses the probability of a belief (B) given a set of evidence (E) (posterior probability), which can help predict a person's gender with some confidence. Another common example is the positive medical test, which provides insight into how prior and posterior probabilities may change under different circumstances.

What is the purpose of reverse engineering?

• Reverse-engineering helps connectists define neural networks using biological analogies and components. These algorithms are effective in solving complex problems like image and sound recognition and machine language translation, using specialized hardware for quick prediction computations.

What is coral neural network?

• The core neural network algorithm is the neuron, which is a unit of many neurons arranged in an interconnected structure. Frank Rosenblatt, a psychologist and pioneer in artificial intelligence, created the first example of a neuron, the perceptron, in 1957. The perceptron was a smart way to trace a separating line in a simple space made by input data, similar to Naive Bayes. 
• However, it didn't realize its full expectations and displayed limited capacity. This disappointment ignited the first AI winter and abandoned connectionism until the 1980s. Later, experts tried to create a more advanced perceptron, which succeeded. Neurons in a neural network are a further evolution of the perceptron, connecting to each other and imitating our neurons when activated under a certain stimulus.

What is the relationship between AI and deep learning?

• Generative Adversarial Networks (GANs) are a deep learning approach developed by researchers at Montreal University in 2014, with Iam Goodfellow being a notable figure. 
• GANs are a form of artificial intelligence that gives artificial intelligence a form of imagination. 
• To use GANs, a reference dataset with real-world data is used, and two neural networks, one called the generator and the other the discriminator, are used. The generator generates an output, such as a dog's image, from the dataset, while the discriminator distinguishes the artifacts from the training dataset. When a GAN starts training, both networks use backpropagation to improve. 
• The generator learns to create the right artifacts by receiving hints from the discriminator, guided by many failed attempts. GANs are a deep learning frontier technology with many open areas of research for their application in AI. 
• OpenAI, a nonprofit AI research company, provides an idea of what's happening with GANs.GANs are a deep learning frontier technology, and there are many open and newareas of research for its application in AI. If AI will have an imaginative and creative power, it will probably derive from technologies like GANs. You can get an idea of what’s going on with this technology by reading the pages on GANs fromOpenAI, a nonprofit AI research company founded by Greg Brockman, IlyaSutskever, Elon Musk (PayPal, SpaceX, and Tesla founder), and Sam Altman

What is the most common misconception regarding robots?

• Robotics and AI are often mistaken, but they are different. AI aims to solve problems related to human abilities, while robotics uses machines to perform tasks in the physical world. Robotic hardware may or may not run on AI software, with some robots remotely controlled and others autonomously performing tasks without human intervention.
•  The overlap between the two has occurred due to sci-fi films and novels. Robots have been used in industrial work, scientific discovery, medical care, and war since the 1960s. Recent AI discoveries are accelerating this process by solving difficult problems in robots, such as recognizing objects, predicting human behavior, and learning to walk up-straight.

What’s the origin of robot’s  name? what is the role of the robot?

• Robots, originating from the Czech word robota, refer to forced labor and were first introduced in the 1920 play Rossum's Universal Robots by Karel Čapek. Historically, humans have dreamed of mechanical beings, with examples found in Greek civilization, the Middle Ages, the Renaissance, and modern times. 
• Automata, self-operated machines, execute specific sequences of tasks, while robots have the flexibility to perform a wide range of tasks. Examples of automata can be found in Europe, the Middle East, China, and Japan. Čapek's robots were not mechanic automata but living beings engineered and assembled as if they were. They performed specific roles in society and were viewed as bioengineered artificial beings. 
• The idea of robots transitioned from art to science and technology, inspiring scientists and engineers. Čapek created both the idea of robots and the idea of a robot apocalypse, which is feared by notable figures like Microsoft founder Bill Gates, Stephen Hawking, and Elon Musk.

What are robotic laws?

Considering robotic laws

• Before the appearance of Unimate, and long before the introduction of many other robot arms employed in industry that started working with human workers inassembling lines, people already knew how robots should look, act, and even think. 
• Isaac Asimov's science fiction novels in the 1950s introduced a different concept of robots from those used in industrial settings. Asimov's positronic brain, a fictional device, allows robots to act autonomously and assist humans in various tasks. The positronic brain operates under three laws of robotics: not injuring humans, obeying human orders, and protecting its own existence. This powerful imagination still sets the standard for people's expectations of robots today.Apart from providing human-like capabilities in understanding and acting (strong-AI), the positronic brain works under the three laws of robotics as part of the hardware, controlling the behavior of robots in a moral way:

1. A robot may not injure a human being or, through inaction, allow a human being to come to harm.

2. A robot must obey the orders given it by human beings except where such orders would conflict with the First Law.

3. A robot must protect its own existence as long as such protection does not conflict with the First or Second Laws. Later the author added a zeroth rule, with higher priority over the others in order to assure that a robot acted to favor the safety of the many:

4. A robot may not harm humanity, or, by inaction, allow humanity to cometo harm.

• current robots don’t have the capability to:

1-Understand the three laws of robotics

2-Select actions according to the three laws

3-Sense and acknowledge a possible violation of the three laws

• Some may think that today’s robots really aren’t very smart because they lack these capabilities and they’d be right. However, the Engineering and Physical Sciences
• The UK's Research Council (EPSRC) has revisited Asimov's laws of robotics in 2010 to apply to real robots, considering current technology. The EPSRC's principles offer a more realistic view on robots and morality, considering weak-AI technology. They could also provide partial solutions in advanced technology scenarios, such as self-driving cars. Existing robot capabilities are far from human-like ones and are divided into two categories: robot arm (also known as manipulators) and mobile robots. Manipulators are found in factories and hospitals, with limited range of motion and require specialized technicians. Mobile robots, on the other hand, move around using wheels, rotors, wings, or legs, and are mostly unmanned and remotely controlled. Autonomy is increasing, and more independent robots are expected in this category.

Why is it hard to a humanoid?

Humanoid robots are challenging to develop due to the need for enhanced AI capabilities and the ability to move like humans. The biggest hurdle is getting humans to accept a machine that looks like humans. Bipedal robots, which can balance easily, are problematic for robots as they consume energy by standing up and balancing. 

• The DARPA Robotics Challenge (DRC) aims to explore robotic advances for disaster and humanitarian operations in dangerous environments. A human-shaped robot is needed in certain situations, such as emergency situations where obstacles or doors or stairs make using robots difficult. Masahiro Mori's 1970 study on the impact of robots on Japanese society, known as the "uncanny valley," explains that humans have a strong affinity for robots that look too human. 
• This attraction increases until the robot reaches a level of realism that makes it a copy of a human being. Some hypotheses include cultural, psychological, or biological reasons for this revulsion. Recent experiments on monkeys have shown that primates may experience similar experiences when exposed to more or less realistically processed photos of monkeys rendered by 3-D technology.

What should we know about AI-powered Cars?

• Self-driving cars (SD cars) are autonomous vehicles that can drive independently from a starting point to a destination without human intervention. They offer numerous benefits beyond just driving, such as autonomous driving, which has been part of history for over 100 years. 
• SD cars require multiple sensor types to perform their tasks, including those that see, hear, and touch. The development of SD cars began in the 1920s with radio-operated cars, but they were not practical due to the need for a radio controller. Modern SD cars are deeply entrenched in projects that started in the 1980s, leveraging AI to remove the need for radio control. Many universities and the military fund these efforts, with the turning point being the creation of the Stanley, designed by Sebastian Thrun and his team. 

What are the six levels of automony?

• Self-driving cars are gaining popularity, with SAE International publishing a classification standard for autonomous cars. The SAE standard outlines five levels of autonomy: driver assistance, partial automation, conditional automation, high automation, and full automation.
•  Level 1 focuses on driver assistance, allowing the car to perform simple support activities like speed control.
•  Level 2 includes partial automation, where the car acts more often in lieu of the driver, such as automatic braking and adaptive cruise control.
•  Level 3 is conditional automation, allowing the car to drive autonomously in certain contexts, under speed limits, and under human control. 
• Level 4 is high automation, where the car performs all driving tasks and monitors road conditions. 
• Level 5 is full automation, with no human intervention, expected by 2025. However, even when level-5 autonomy is achieved, it won't be seen on every road.  
• Level 6 The future of self-driving cars will likely come through a progressive mutation, with AI assisting in both ordinary and dangerous driving conditions.
• The adoption of self-driving cars (SD cars) in urban settings may take 30 years. The insurance industry is cautious due to concerns about potential dismissal of motor insurance products due to reduced accidents. However, support from those who have lost a loved one to an accident may also accelerate SD car adoption. Predicting a precise date for adoption is challenging due to various social pressures.

 References:

1. https://www.microsoft.com/en-us/research/publication/a-computational-network/
2. https://www.microsoft.com/en-us/research/research-area/artificial-intelligence/?
3. https://www.akkio.com/beginners-guide-to-machine-learning

يجب أن تتحكم في الذكاء الاصطناعي بدلا من الذكاء الاصطناعي التي تتحكم فيك - هل أنت مستعد لمواجهة هذا التحدي؟ هل أنت مستعد للعمل مع الذكاء الاصطناعي؟ ابدأ صغيرا وسيقع كل شيء في مكانه-

من هم الكتاب؟ ما الذي دفع المؤلفين لكتابة هذا الكتاب؟

جون مولر مؤلف مستقل ومحرر تقني له 89 كتابا وأكثر من 300 مقالة حول مواضيع مثل الشبكات والذكاء الاصطناعي وإدارة قواعد البيانات والبرمجة. وقد ساعد أكثر من 67 مؤلفا في تحسين مخطوطاتهم وقدم خدمات التحرير لمجلات Data Based Advisor و Coast Compute. ساهم بمقالات في العديد من المنشورات ويستمتع بالطبيعة والنبيذ والحياكة والصابون والشموع من الجلسرين. يمكن الوصول إليه في John@JohnMuellerBooks.com ويقوم بإنشاء موقع على شبكة الإنترنت.

لوكا ماسارون هو عالم بيانات ومدير أبحاث يتمتع بخبرة تزيد عن عشر سنوات في التحليل الإحصائي متعدد المتغيرات والتعلم الآلي ورؤية العملاء. شغوفا بالبيانات والتحليل ، فقد كان رائدا في تحليل جمهور الويب في إيطاليا وحقق المراكز العشرة الأولى في kaggle.com المسابقات.

ما هو بالضبط التفاعل البشري؟ كيف يمكن الذكاء الاصطناعي تحسين التفاعل بين الإنسان والحاسوب؟

 

يمكن أن يتخذ التواصل أشكالا مختلفة ، بما في ذلك الكتابة والتحدث والاتصال بالعين وجودة الدرجة اللونية والرائحة. يمكن لأجهزة الكمبيوتر مثل الأنف الإلكتروني تعزيز التفاعل البشري من خلال الإلكترونيات والكيمياء الحيوية والذكاء الاصطناعي. يمكن الذكاء الاصطناعي أيضا تحسين الطريقة التي يتبادل بها الناس الأفكار ، مما يوفر جسرا بين الناس. هذا مهم بشكل خاص لإنشاء تقنيات جديدة ، أو البناء على التقنيات الحالية ، أو التعرف على التقنيات الجديدة. يمكن أن توفر الذكاء الاصطناعي طريقة أكثر فعالية من حيث التكلفة لتعزيز التفاعل والتواصل البشري

تم التواصل الذي يتضمن لغات متقدمة في البداية من خلال الكلمات المنطوقة مقابل الكلمات المكتوبة. التواصل الكتابي متفوق لأنه يسمح بالتفاعلات المتأخرة زمنيا دون الحاجة إلى القرب المادي. ثلاث طرق رئيسية للتواصل غير اللفظي البشري تشمل الحروف الهجائية واللغة ولغة الجسد. الحروف الهجائية هي تجريدات لمكونات الكلمات أو الرموز البشرية ، في حين أن اللغة هي ربط الكلمات أو الرموز معا لإنشاء جمل أو نقل الأفكار في شكل مكتوب. يمكن ل GNMT الترجمة بين اللغات باستخدام لغة اصطناعية ، interlingua ، لكنها لا تعمل كمترجم عالمي. لغة الجسد هي زيادة اللغة مع السياق ، وهي الأصعب في التنفيذ. يجب أن يكون الذكاء الاصطناعي قادرا على قراءة لغة الجسد مباشرة ، والتي تتضمن تفسير الخصائص البشرية مثل الموقف وحركة الرأس وتعبيرات الوجه والاتصال بالعين والإيماءات. التمثيل الروبوتي أو الرسومي للغة الجسد أقل تطورا ، ويمكن للروبوتات تفسير لغة الجسد ولكنها غير قادرة على إنشاء تعبيرات وجه جيدة.

كيف الذكاء الاصطناعي تحسين فعالية تبادل الأفكار؟

يفتقر الذكاء الاصطناعي إلى الذكاء والفهم داخل الأشخاص ، ولكنه يمكن أن يسهل تبادل الأفكار بين الإنسان الذكاء الاصطناعي ، مما يخلق كلا أكبر. في بعض الحالات ، يزيد الذكاء الاصطناعي التواصل ، بينما يقوم البشر بالتبادل بأنفسهم.

إنشاء اتصالات

يمكن الذكاء الاصطناعي إنشاء روابط بين البشر بناء على أفكارهم ، مما يمكنهم من تبادل المعلومات والتعاون. تستخدم منصات الوسائط الاجتماعية مثل LinkedIn الذكاء الاصطناعي لاقتراح اتصالات بناء على المعايير ، مما يسمح للمستخدمين بالوصول إلى موارد جديدة ، وإجراء اتصالات تجارية ، وأداء مهام مثل إنشاء المبيعات. ومع ذلك ، قد لا يعرف العديد من الخبراء في مجال ما بعضهم البعض جيدا بما يكفي للتواصل بشكل فعال.

زيادة التواصل

التواصل الفعال أمر بالغ الأهمية لتبادل الأفكار ، لكن التحيزات المجتمعية والشخصية يمكن أن تعيق التواصل. يمكن أن يساعد الذكاء الاصطناعي في سد هذه الفجوة من خلال توفير إشارات مقبولة ثقافيا ، ومواد الفحص المسبق ، واقتراح رسومات بديلة. يمكن أن يساعد ذلك في ضمان ترجمة الأفكار وفهمها من قبل مجموعات مختلفة ، مما يضمن أن التواصل فعال ومفيد لكلا الطرفين المعنيين.

تحديد الاتجاهات

غالبا ما يبني البشر أفكارهم على الاتجاهات ، لكن توصيل هذه المعلومات أمر صعب. يمكن الذكاء الاصطناعي إجراء تحليل البيانات وتقديمها بيانيا ، مما يسهل فهمها ومشاركتها. تشير الدراسات إلى أن البشر يرتبطون بشكل أفضل بالمخرجات الرسومية من البيانات الجدولية ، مما يسهل رؤية الاتجاهات. يمكن للتطبيقات التي تعتمد على الذكاء الاصطناعي أن تجعل إنشاء إخراج الرسوم الصحيح أسهل ، ولكن مطابقة نوع للجمهور أمر ضروري ..

ما هو تحليل البيانات بالضبط؟ كيف يمكننا إجراء تحليل الذكاء الاصطناعي البيانات؟

كانت البيانات موردا قيما لعدة قرون ، وتستخدم لإعلام الحضارة ونقل المعلومات الهامة. في الآونة الأخيرة ، تم تطوير تقنيات تحليل البيانات لاستخراج المزيد من المعرفة من البيانات الرقمية. يمكن للتحليلات المتقدمة باستخدام خوارزميات التعلم الآلي التنبؤ بالمستقبل وتصنيف المعلومات. يقدم هذا الفصل تحليل البيانات وكيف يمكن استخدامها لحل مشاكل الذكاء الاصطناعي ، مثل اقتراح المنتجات وفهم اللغات المنطوقة وأتمتة قيادة السيارة.

تعريف تحليل البيانات

يشير عصر المعلومات إلى المجتمع الغني بالبيانات والناضج الذي قام بتحليل واستخراج المعلومات منه. تعتبر شركات مثل Google و Amazon و Apple و Facebook و Microsoft أكبر خمس شركات قيمة على مستوى العالم. تستخدم هذه الشركات تحليلا دقيقا ومتقنا للبيانات لجعل بياناتها ذات قيمة ، مما يجعلها ذات قيمة مثل النفط. يشير شعار "البيانات هي النفط الجديد" إلى أن البيانات يمكن أن تجعل الشركة غنية ، لكنها تتطلب مهارة وعملا جادا. يجب أن تخضع البيانات لتحولات كبيرة لاكتساب القيمة ، على غرار الطريقة التي يتطلب بها النفط غير المكرر التحويل

يتضمن تحليل البيانات تحويلات البيانات الأساسية ، مثل التحولات الكيميائية لتكرير النفط. يضع الأساس للعمليات المتقدمة ويشير إلى عمليات البيانات المختلفة ، وأحيانا خاصة بصناعات أو مهام محددة.

يتضمن تحليل البيانات أربعة تحويلات رئيسية: التحويل والتنظيف والتفتيش والنمذجة. يتضمن التحويل تغيير مظهر البيانات ، مثل وضعها في صفوف وأعمدة مرتبة بتنسيق مصفوفة. يعمل التنظيف على إصلاح البيانات غير الكاملة، مثل المعلومات المفقودة أو القيم غير الصحيحة. الفحص يتحقق من صحة البيانات ، باستخدام برنامج لتحديد الأنماط وتحديد عناصر البيانات الغريبة. تركز النمذجة على فحص العلاقة بين عناصر البيانات ، باستخدام أدوات من الإحصائيات مثل الارتباطات واختبارات t والانحدار الخطي. تحليل البيانات ليس سحرا ، بل هو مزيج من جمع الكتلة والضرب بناء على حساب التفاضل والتكامل المصفوفة. تصف الأدوات الإحصائية مثل المتوسط والتباين توزيع البيانات ، بينما تكشف الأدوات المتطورة مثل الارتباط وتحليل الانحدار الخطي عن العلاقات بين الأحداث أو الظواهر. لمزيد من المعلومات حول تقنيات البيانات، راجع التعلم الآلي للدمى وبايثون لعلوم البيانات للدمى.

في عصر البيانات الضخمة ، يمثل تحليل البيانات تحديا بسبب الكميات الكبيرة من البيانات التي تتطلب أدوات خاصة مثل Hadoop و Apache Spark. على الرغم من هذه الأدوات ، لا يزال الإعداد اليدوي لما يصل إلى 80٪ من البيانات يمثل تحديا ، كما تمت مناقشته في مقابلة مع مونيكا روجاتي ، مستشارة الذكاء الاصطناعي.

لماذا يعتبر تحليل البيانات مهما؟

يعد تحليل البيانات أمرا بالغ الأهمية بالنسبة الذكاء الاصطناعي الحديثة ، لأنه يسمح بتصور البيانات وتنظيفها وتحويلها ونمذجتها قبل أن تتمكن الخوارزميات المتقدمة من دخول العملية وتحويلها إلى معلومات قيمة. في الماضي ، كان الذكاء الاصطناعي في المقام الأول أنظمة خوارزمية وخبيرة ، حيث يقوم خبراء البيانات بإعداد البيانات للتلاعب. ومع ذلك ، فقد تحول التركيز اليوم من إنتاج البيانات إلى إعداد البيانات باستخدام تحليل البيانات. تتعلم خوارزميات الذكاء الاصطناعي الحديثة من البيانات الخاصة بالمهمة ، وتعالج مجموعات كبيرة من الصور من الإنترنت ، مثل المواقع الاجتماعية أو عمليات البحث عن الصور. يساعد تحليل البيانات الذكاء الاصطناعي في تحديد أحجام الصور وتنوعها واستخدام الألوان ، وهو أمر ضروري لتنظيف البيانات وتحويلها. على سبيل المثال ، يمكن أن يساعد تحليل البيانات في تحديد ملصقات غير الصحيحة والمساعدة في تحويل الصور إلى نفس تنسيق اللون والحج

يعتمد اكتشاف الذكاء الاصطناعي الأكثر ذكاءعلى البيانات

يجادل الدكتور ألكسندر ويسنر جروس ، عالم الأبحاث ورجل الأعمال الأمريكي ، بأن البيانات أكثر أهمية من الخوارزميات في قيادة الذكاء الاصطناعي. وهو يعتقد أن نجاح التكنولوجيا الذكاء الاصطناعي قد يكون بسبب جودة البيانات وتوافرها بدلا من القدرات الخوارزمية. يسلط Wissner-Gross الضوء على أن البيانات جديدة نسبيا ويتم تحديثها دائما ، في حين أن الخوارزميات ليست اكتشافات جديدة ولكنها تعتمد على دمج التكنولوجيا القديمة. ويشير إلى أن البيانات تدفع إنجازات الذكاء الاصطناعي إلى الأمام ، ويتساءل عن إمكانية تغذية الخوارزميات الحالية بجودة وكمية بيانات أفضل.

ما هو التعلم الآلي؟

التعلم الآلي هو الشكل النهائي لتحليل البيانات ، مع التركيز على توليد تمثيلات داخلية للعالم بناء على مدخلات من البيانات. يسمح بمهام مثل التنبؤ بالمستقبل ، وتصنيف الأشياء بشكل هادف ، واتخاذ قرارات عقلانية. الفكرة الأساسية وراء التعلم الآلي هي أنه يمكن أن يمثل الواقع باستخدام وظائف رياضية غير معروفة ، مما يسمح له بالتعبير عن الواقع وتعقيده من حيث الوظائف الرياضية غير المعروفة

كيف يعمل التعلم الآلي؟

يتضمن التعلم الآلي خوارزمية متعلم تقوم بتعيين وظيفة مرنة للبيانات ، مما يؤدي إلى إنشاء وظيفة يمكنها تمييز فئة عن أخرى. تتضمن هذه العملية تدريب المتعلم بأمثلة على المدخلات المرغوبة والنتائج المتوقعة ، ثم استخدام هذه المدخلات لإنشاء وظيفة. عادة ما يكون الناتج هو احتمال فئة معينة أو قيمة رقمية. على سبيل المثال ، يتعلم الطفل التمييز بين الأشجار والكائنات الأخرى سيقارن صور الشجرة بالكائنات الأخرى. يبني مصنف التعلم الآلي قدراته المعرفية من خلال إنشاء صيغة رياضية تتضمن جميع الميزات المحددة ، مما يخلق وظيفة يمكنها تمييز فئة عن أخرى. تسمح إمكانية التمثيل هذه للمصنف بالعثور على نسخة متماثلة أو تقريب للوظيفة الهدف.

يتضمن التعلم الآلي عملية تمثيل الوظيفة من خلال مراقبة مخرجاتها. يشبه رسم الخرائط الناجح الطفل الذي يستوعب القواعد المجردة من حقائق العالم الحقيقي. تحتوي خوارزمية التعلم على العديد من المعلمات الداخلية ، والتي تحدد الوظائف المستهدفة التي يمكنها تعلمها. أثناء التحسين ، تبحث الخوارزمية عن متغيرات مجموعات المعلمات الخاصة بها للعثور على التعيين الصحيح بين المعالم والفئات. تحتوي مساحة الفرضية على جميع متغيرات الوظائف المحتملة لجميع خوارزميات التعلم الآلي ، والتي تستخدم لتعيين وظيفة غير معروفة عند حل مشكلة التصنيف. يجب أن تحتوي مساحة الفرضية على الوظيفة المستهدفة أو تقريبها ، لأنها تتطلب في النهاية حلا وظيفيا.

لماذا يعتبر ML مهما؟

تستخدم الذكاء الاصطناعي والتعلم الآلي على نطاق واسع في العديد من التطبيقات ، بما في ذلك اكتشاف الاحتيال وجدولة الموارد والتحليل المعقد والأتمتة وخدمة العملاء وأنظمة السلامة وكفاءة الماكينة. يمكن الذكاء الاصطناعي اكتشاف أنماط الإنفاق غير المألوفة ، وجدولة الموارد بكفاءة ، والمساعدة في التحليل المعقد. يمكنه أيضا التعامل مع التغييرات أو الأحداث غير المتوقعة ، مما يسمح للأتمتة بالاستمرار كما لو لم يحدث شيء.

يمكن تحسين خدمة العملاء عن طريق الأتمتة ، والتي يمكنها اتباع البرامج النصية واستخدام الموارد المختلفة للتعامل مع معظم الأسئلة. تعتمد أنظمة السلامة على الذكاء الاصطناعي لتولي المركبات أثناء الأزمات ، مثل أنظمة الكبح التلقائي. يمكن تحقيق كفاءة الماكينة من خلال التحكم في استخدام الموارد لتحقيق أقصى قدر من الكفاءة.

يمكن أيضا استخدام التعلم الآلي للتحكم في الوصول وحماية والتنبؤ بأوقات الانتظار. يمكن تحديد التحكم في الوصول بناء على الدور والحاجة ، بينما يمكن تحقيق حماية من خلال تعلم أصوات وخصائص كل من والسفن. يمكن أن يساعد التنبؤ بأوقات الانتظار بناء على مستويات التوظيف وعبء التوظيف وتعقيد المشكلات وتوافر الموارد في تقليل أوقات الانتظار. بشكل عام ، يتم استخدام الذكاء الاصطناعي والتعلم الآلي بشكل متزايد في تطبيقات مختلفة ، مما يجعلها أداة قيمة في عالم اليوم..

ما هي حدود ML؟

التعلم الآلي ، وهي تقنية تستخدم الخوارزميات لتحليل مجموعات البيانات الكبيرة ، ليست قادرة بعد على إنشاء نوع الذكاء الاصطناعي الذي نراه في الأفلام. في الوقت الحالي ، يمكنه إجراء التحليلات التنبؤية بشكل أسرع من البشر ، ولكن لا يزال يتعين على البشر النظر في الآثار المترتبة واتخاذ القرارات الأخلاقية والأخلاقية. ينشأ الخلط بين التعلم والذكاء من افتراض أن تحسين الآلة في التعلم يعني الذكاء. إن الذكاء الاصطناعي الحقيقي سيحاكي في النهاية مزيجا من علم الوراثة والتعليم والاستكشاف. يتكون التعلم الآلي من وظائف رياضية محسنة لأغراض محددة ، ولكن له قيود في التمثيل ، والتجهيز الزائد ، وحل مشكلات محددة. وظائفها الداخلية في الغالب حفظ البيانات دون التعلم منها ، مما يؤدي إلى وظائف وقواعد غير محققة.

يمكن لخوارزميات التعلم الآلي معرفة ما يتم تدريسه ، ولكن ليست كل خوارزمية مناسبة لمهام معينة. التعميم هو سر التعلم الآلي ، ولكنه يمكن أن يؤدي إلى مشاكل الإفراط في تجهيز البيانات وتحيزها. على سبيل المثال ، قد لا يتعلم عامل تصفية البريد العشوائي قواعد اللغة جيدا إذا تم تغذيتها ببيانات سيئة وغير مصفاة. يمكن أن يؤدي ذلك إلى أن تكون الخوارزمية جاهلة في المواقف الجديدة أو تظهر تحيزات بشكل غير متوقع. على سبيل المثال ، تم تدريب الذكاء الاصطناعي مايكروسوفت ، تاي ، على الدردشة مع البشر على تويتر ولكنه واجه مشكلات بسبب التعرض لخطاب الكراهية. لا يتعرض الذكاء الاصطناعي الآخرون المدربون على الدردشة مع البشر ، مثل ميتسوكو ، لهذه المخاطر لأن تعلمهم يخضع لرقابة صارمة ويشرف عليه تحليل البيانات والتقييم البشري.

لماذا تلوح في الأفق ثورة الذكاء الاصطناعي القادمة؟

أصبح التعلم الآلي القوة المهيمنة في الذكاء الاصطناعي ، متفوقا على الأنظمة الخبيرة في العديد من التطبيقات والتطورات البحثية. جعلت الشبكات العصبية ، وهو حل اقترحه المتصلون ، هذا ممكنا من خلال زيادة سعة الأجهزة ، والبيانات الأكثر ملاءمة ، وجهود علماء مثل جيفري هينتون ، ويان ليكون ، ويوشوا بينجيو. تتزايد قدرات خوارزميات الشبكة العصبية ، التي تحمل الآن اسم التعلم العميق ، يوميا ، مع الإنجازات الأخيرة في فهم الصوت والتعرف على الصور والفيديو وترجمة اللغة وقراءة الشفاه. التحسينات هي نتيجة للتمويل المكثف والبرامج القوية مثل TensorFlow و CNTK (مجموعة أدوات شبكة Microsoft Comoutataional)

ما هي العلاقة بين ML والخوارزميات؟ أو ، لماذا تعتبر الخوارزمية مهمة في التعلم الآلي؟

التعلم الآلي هو مجال يركز على الخوارزميات ، وهي إجراءات أو صيغ تستخدم لحل المشكلات. يمكن تصنيف هذه الخوارزميات إلى ثلاث مجموعات رئيسية: التعلم الخاضع للإشراف ، والتعلم غير الخاضع للإشراف ، والتعلم المعزز. يستخدم التعلم الخاضع للإشراف بيانات نموذجية والاستجابات المرتبطة بها للتنبؤ بالاستجابات الصحيحة ، على غرار التعلم البشري. يتعلم التعلم غير الخاضع للإشراف من أمثلة واضحة دون أي استجابة ، مما يعيد تشكيل البيانات إلى ميزات جديدة أو قيم غير مرتبطة. يقدم التعلم المعزز للخوارزمية أمثلة بدون تسميات ، مما يوفر ملاحظات إيجابية أو سلبية بناء على الحل المقترح للخوارزمية.

كيف يمكن استخدام التعلم الآلي في التعلم الذكاء الاصطناعي؟

لطالما كان الذكاء الاصطناعي مهتما بتعلم تقليد الذكاء البشري ، ويحقق التعلم الآلي الآن التعلم شبه البشري في مهام مثل تصنيف الصور ومعالجة الصوت. ومع ذلك ، فهي ليست مؤتمتة بالكامل وتتطلب بيانات مختارة من قبل الإنسان وتحليل البيانات تحت إشراف بشري. كل خوارزمية لها طرق محددة لإنجاز المهام ، وفهم كيفية اتخاذ الذكاء الاصطناعي للقرارات والتنبؤات أمر بالغ الأهمية. يستكشف هذا الفصل الآلات والمشغل وراء الذكاء الاصطناعي ، لكنه لا يزال يوفر شعورا رائعا بالإنجازات الرائعة التي يمكن أن يحققها.

اتخاذ العديد من الطرق المختلفة للتعلم

مثلما يمتلك البشر طرقا مختلفة للتعلم من العالم ، كذلك العلماء

الذين تعاملوا مع مشكلة التعلم الذكاء الاصطناعي اتخذوا طرقا مختلفة. كل واحد

يؤمن بوصفة معينة لتقليد الذكاء. حتى الآن ، لا يوجد نموذج واحد

أثبتت تفوقها على أي دولة أخرى. نظرية عدم وجود غداء مجاني للاضطرار إلى دفع ثمنها

كل فائدة سارية المفعول بالكامل. وقد أثبتت كل من هذه الجهود فعاليتها في حل

مشاكل خاصة ، لا توجد خوارزمية واحدة متفوقة على الأخرى ما لم يثبت ذلك

في مشكلة عملية محددة. توفر الأقسام التالية معلومات إضافية

حول هذا المفهوم لاستخدام طرق مختلفة للتعلم.

اكتشاف خمسة مناهج رئيسية

إلى التعلم الذكاء الاصطناعي

الخوارزمية عبارة عن حاوية لتخزين طريقة لحل مشكلة ما ، ومعالجة البيانات من خلال سلسلة من الحالات المحددة جيدا. الهدف هو إنشاء إخراج يحل مشكلة. تنص نظرية الغداء غير المجاني التي كتبها ديفيد ولبرت وويليام ماكريدي على أن أي خوارزميتين للتحسين متكافئتان عندما يتم حساب متوسط أدائهما عبر جميع المشكلات المحتملة. للحصول على ميزة ، يجب على المرء استخدام الخوارزمية في المشكلات التي تتفوق فيها. يقدم Yo-Chi Ho و David L. Pepyne شرحا يمكن الوصول إليه ولكنه صارم لنظرية الغداء غير المجاني ، والتي يعتمد عليها التعلم الآلي.

التفكير الرمزي

يفترض التفكير الرمزي ، وهو مفهوم من القبائل الأولى ، أنه يمكن الحصول على المعرفة باستخدام الرموز واشتقاق القواعد. طور الرمزيون خوارزميات لإنتاج قواعد من البيانات ، وتوسيع المعرفة البشرية من خلال الاستنتاج ورفع مستوى المعرفة من خلال الاستقراء. غالبا ما يفتح الحث مجالات جديدة للاستكشاف.

اتصالات على غرار الخلايا العصبية في الدماغ

المتصلون هم مجموعة من خمس قبائل تهدف إلى تكرار وظائف الدماغ باستخدام السيليكون بدلا من الخلايا العصبية. يستخدمون الانتشار الخلفي لإزالة الأخطاء من الشبكات التي تشبه الخلايا العصبية البشرية عن طريق تغيير أوزان وتحيزات الشبكة. الهدف هو مطابقة الناتج الفعلي مع الناتج المستهدف ، وتمرر كل خلية عصبية المعلومات إلى السطر التالي حتى تنشئ المجموعة مخرجا نهائيا. أثبتت هذه الطريقة فعاليتها في المهام الشبيهة بالإنسان مثل التعرف على الأشياء وفهم اللغة والدردشة الشبيهة بالإنسان.

الخوارزميات التطورية التي تختبر الاختلاف

يستخدم أنصار التطور مبادئ التطور لحل المشكلات ، مع التركيز على البقاء للأصلح. يستخدمون وظيفة اللياقة البدنية لتحديد جدوى كل وظيفة واستخدام بنية شجرة لإيجاد أفضل حل. الفائز في كل مستوى من مستويات التطور يبني وظائف المستوى التالي ، مع فكرة أن المستوى التالي قد لا يحل المشكلة تماما. أدت هذه الاستراتيجية إلى خوارزميات تتطور ، مع بناء جيل واحد في الجيل التالي.

الاستدلال البايزي

اعتقد البايزيون ، وهم مجموعة من العلماء ، أن عدم اليقين أمر بالغ الأهمية في التعلم وأن التعلم كان تحديثا مستمرا للمعتقدات السابقة. اعتمدوا الأساليب الإحصائية ، وخاصة الاشتقاقات من نظرية بايز ، والتي تساعد في حساب الاحتمالات في ظل ظروف محددة ، مثل بطاقة البذور المحددة في تسلسل عشوائي زائف.

الأنظمة التي تتعلم عن طريق القياس

يستخدم المحللون آلات kernel لتحديد الأنماط في البيانات ، ومقارنة المدخلات بالمخرجات المعروفة لإنشاء حلول للمشكلات. الهدف هو استخدام التشابه لتحديد أفضل حل. يحدد هذا المنطق أن حلا معينا نجح في موقف سابق ، مما يضمن أنه يعمل في ظروف مماثلة. أحد المخرجات البارزة من هذه القبيلة هو أنظمة التوصية ، والتي تقترح المنتجات ذات الصلة للمستخدمين. الهدف النهائي للتعلم الآلي هو الجمع بين التقنيات والاستراتيجيات من القبائل الخمس في خوارزمية رئيسية واحدة قادرة على تعلم أي شيء.

ما هي مناهج التعلم الذكاء الاصطناعي الثلاثة الواعدة؟

يتعمق هذا الفصل في الخوارزميات الأساسية التي اختارها Bayesians والرمزيون والمتصلون ، والتي تمثل الحدود الحالية والمستقبلية للتعلم من البيانات. هذه الخوارزميات ضرورية للتقدم نحو الذكاء الاصطناعي شبيه بالإنسان ، لأنها توفر أساسا لاختراقات جديدة. تشمل مناهج التعلم الذكاء الاصطناعي الثلاثة الواعدة Naïve Bayes ، والتي يمكنها تشخيص الأمراض بشكل أكثر دقة من الطبيب ، وشبكات Bayesian (شكل الرسم البياني) ، وأشجار القرار ، والتي تمثل أفضل الرموز. تمثل هذه الخوارزميات الحدود الحالية والمستقبلية للتعلم من البيانات ، وسيستمر تقدمها حتى تظهر اختراقات جديدة.

ما هو الاحتمال بالضبط؟ ما الدور الذي تلعبه الاحتمالات والإحصاء في الذكاء الاصطناعي؟

تعد الاحتمالات أداة حاسمة في الإحصاء والتعلم الآلي الذكاء الاصطناعي للتعبير عن عدم اليقين فيما يتعلق بالأحداث العالمية. إنها تساعد الأنظمة الذكاء الاصطناعي على اتخاذ قرارات عقلانية على الرغم من عدم اليقين ، حيث يمكن أن تكون المواقف عشوائية أو عشوائية بطبيعتها أو غير مكتملة الملاحظة. يمكن أن تؤدي القيود المفروضة على معالجة الأجهزة والبيانات أيضا إلى جعل النتائج غير مؤكدة. غالبا ما يكون القياس عرضة للأخطاء بسبب الأدوات المستخدمة وكيفية القيام به ، وغالبا ما يخضع البشر للتحيزات المعرفية. الذكاء الاصطناعي محدودة بجودة البيانات الواردة ، وتؤدي التقديرات التقريبية والأخطاء إلى عدم اليقين في كل خوارزمية. يخبر الاحتمال احتمال وقوع حدث ويتم التعبير عنه كرقم. يتم قياسه في النطاق من 0 (لا يوجد احتمال لوقوع حدث) إلى 1 (اليقين من وقوع حدث). تشير القيم الوسيطة ، مثل 0.25 و 0.5 و 0.75 ، إلى أن الحدث سيحدث بتكرار معين عند تجربته مرات كافية. إذا تم ضربه في عدد صحيح يمثل عدد التجارب ، يتم الحصول على تقدير لعدد المرات التي يجب أن يحدث فيها حدث ما في المتوسط إذا تمت تجربة جميع المحاكمات. تتراوح الاحتمالات بين 0 و 1 ، ويمكن تعريفها تجريبيا من الملاحظات. على سبيل المثال ، لحساب احتمال الاحتيال أو المرض ، يمكن للمرء حساب عدد مرات وقوع الحدث والقسمة على العدد الإجمالي للأحداث. ينتج عن هذا رقم يتراوح من 0 إلى 1 ، والذي يمكن استخدامه كاحتمال أساسي لحدث معين في ظل ظروف معينة.

أخذ العينات هو طريقة لمراقبة جزء صغير من مجموعة أكبر من الأحداث أو الأشياء بناء على توقعات احتمالية معينة ، مما يسمح باستنتاج الاحتمالات الصحيحة والمقاييس الدقيقة. هذا مفيد بشكل خاص عند تتبع مبيعات السيارات في الولايات المتحدة خلال الشهر الماضي. الاحتمال منطقي من حيث الزمان والمكان ، لكن الظروف الأخرى تؤثر أيضا على الاحتمال الذي تقيسه. السياق مهم ، حيث قد تعتقد خطأ في بعض الأحيان أنه يمكنك تطبيق الاحتمال الذي حسبته على كل موقف محتمل. الاحتمال المسبق ، أو الاحتمال العام لحدث ما ، هو المصطلح للتعبير عن هذا الاعتقاد. الاحتمال الشرطي ، أو احتمال حدوث الحدث y بالنظر إلى حدوث x ، هو أداة قوية للتعلم الآلي الذكاء الاصطناعي. تستفيد خوارزمية Naïve Bayes من تعزيز فرصة التنبؤ الصحيح من خلال معرفة الظروف المحيطة بالتنبؤ. يستخدم Bayesians طرقا إحصائية مختلفة لحل المشكلات بناء على مراقبة احتمالات النتيجة المرجوة في السياق الصحيح ، قبل وبعد مراقبة النتيجة نفسها. إنهم يحلون مشكلة شروق الشمس عن طريق ربط الملاحظات المتكررة والتحديث المستمر لتقديرهم لاحتمال شروق الشمس مرة أخرى بما يتناسب مع عدد المرات التي شهدوا فيها سلسلة طويلة من الفجر من قبل. لدى علماء البيانات توقعات كبيرة لتطوير خوارزميات متقدمة بناء على احتمال بايزي. صاغ القس توماس بايز ، وهو وزير وإحصائي وفيلسوف مشيخي ، نظريته خلال النصف الأول من القرن الثامن عشر ، والتي أحدثت ثورة في نظرية الاحتمال من خلال تقديم فكرة الاحتمال الشرطي. استخدمت صيغة بايز المثال السابق كمدخل لتوفير فهم أفضل للصيغة. يستخدم احتمال الاعتقاد (ب) بالنظر إلى مجموعة من الأدلة (ه) (الاحتمال الخلفي) ، والتي يمكن أن تساعد في التنبؤ بجنس الشخص ببعض الثقة. مثال شائع آخر هو الاختبار الطبي الإيجابي ، والذي يوفر نظرة ثاقبة حول كيفية تغير الاحتمالات السابقة واللاحقة في ظل ظروف مختلفة.

ما هو الغرض من الهندسة العكسية؟

تساعد الهندسة العكسية المتصلين على تحديد الشبكات العصبية باستخدام المقارنات والمكونات البيولوجية. هذه الخوارزميات فعالة في حل المشكلات المعقدة مثل التعرف على الصور والصوت وترجمة لغة الآلة ، باستخدام أجهزة متخصصة لحسابات التنبؤ السريع.

ما هي الشبكة العصبية المرجانية؟

خوارزمية الشبكة العصبية الأساسية هي الخلية العصبية ، وهي وحدة من العديد من الخلايا العصبية مرتبة في بنية مترابطة. ابتكر فرانك روزنبلات ، عالم النفس والرائد في الذكاء الاصطناعي ، أول مثال على الخلايا العصبية ، الإدراك ، في عام 1957. كان الإدراك طريقة ذكية لتتبع خط فاصل في مساحة بسيطة تم إنشاؤها بواسطة بيانات الإدخال ، على غرار Naive Bayes. ومع ذلك ، لم تدرك توقعاتها الكاملة وأظهرت قدرة محدودة. أشعلت خيبة الأمل هذه أول شتاء الذكاء الاصطناعي وتخلت عن الاتصال حتى ثمانينيات القرن العشرين. في وقت لاحق ، حاول الخبراء إنشاء مستقبل أكثر تقدما ، والذي نجح. الخلايا العصبية في الشبكة العصبية هي تطور إضافي للمستقبل ، تتصل ببعضها البعض وتقلد خلايانا العصبية عند تنشيطها تحت حافز معين.

ما هي العلاقة بين الذكاء الاصطناعي والتعلم العميق؟

شبكات الخصومة التوليدية (GANs) هي نهج للتعلم العميق طوره باحثون في جامعة مونتريال في عام 2014 ، مع كون Iam Goodfellow شخصية بارزة. GANs هي شكل من أشكال الذكاء الاصطناعي الذي يمنح الذكاء الاصطناعي شكلا من أشكال الخيال. لاستخدام شبكات GAN ، يتم استخدام مجموعة بيانات مرجعية تحتوي على بيانات من العالم الحقيقي ، ويتم استخدام شبكتين عصبيتين ، إحداهما تسمى المولد والأخرى التمييز. يولد المولد مخرجا ، مثل صورة ، من مجموعة البيانات ، بينما يميز المميز القطع الأثرية عن مجموعة بيانات التدريب. عندما تبدأ GAN التدريب ، تستخدم كلتا الشبكتين الانتشار العكسي للتحسين. يتعلم المولد إنشاء القطع الأثرية الصحيحة من خلال تلقي تلميحات من المميز ، مسترشدا بالعديد من المحاولات الفاشلة. تعد شبكات GAN تقنية رائدة للتعلم العميق مع العديد من مجالات البحث المفتوحة لتطبيقها في الذكاء الاصطناعي. تقدم OpenAI ، وهي شركة أبحاث الذكاء الاصطناعي غير ربحية ، فكرة عما يحدث مع GANs.

تعد شبكات GAN تقنية رائدة للتعلم العميق ، وهناك العديد من التقنيات المفتوحة والجديدة

مجالات البحث لتطبيقه في الذكاء الاصطناعي. إذا كان الذكاء الاصطناعي سيكون لديه خيال وإبداع

الطاقة ، من المحتمل أن تستمد من تقنيات مثل GANs. يمكنك الحصول على

فكرة عما يحدث مع هذه التكنولوجيا من خلال قراءة الصفحات على شبكات GAN من

OpenAI ، شركة أبحاث الذكاء الاصطناعي غير ربحية أسسها جريج بروكمان ، إيليا

Sutskever و Elon Musk (مؤسس PayPal و SpaceX و Tesla) وسام ألتمان

ما هو المفهوم الخاطئ الأكثر شيوعا فيما يتعلق بالروبوتات؟

غالبا ما تكون الروبوتات الذكاء الاصطناعي مخطئة ، لكنها مختلفة. يهدف الذكاء الاصطناعي إلى حل المشكلات المتعلقة بالقدرات البشرية ، بينما تستخدم الروبوتات الآلات لأداء المهام في العالم المادي. قد تعمل الأجهزة الروبوتية أو لا تعمل على برامج الذكاء الاصطناعي ، حيث يتم التحكم في بعض الروبوتات عن بعد والبعض الآخر يؤدي المهام بشكل مستقل دون تدخل بشري. حدث التداخل بين الاثنين بسبب أفلام الخيال العلمي والروايات. وقد استخدمت الروبوتات في العمل الصناعي، والاكتشاف العلمي، والرعاية الطبية، والحرب منذ ستينيات القرن العشرين. تعمل الاكتشافات الذكاء الاصطناعي الحديثة على تسريع هذه العملية من خلال حل المشكلات الصعبة في الروبوتات ، مثل التعرف على الأشياء ، والتنبؤ بالسلوك البشري ، وتعلم المشي بشكل مستقيم.

ما هو اصل اسم الروبوت؟ ما هو دور الروبوت؟

تشير الروبوتات ، التي نشأت من الكلمة التشيكية robota ، إلى العمل القسري وتم تقديمها لأول مرة في مسرحية Rossum's Universal Robots لعام 1920 بواسطة Karel Čapek. تاريخيا ، حلم البشر بالكائنات الميكانيكية ، مع أمثلة موجودة في الحضارة اليونانية ، والعصور الوسطى ، وعصر النهضة ، والعصر الحديث. تقوم الآلات الآلية ذاتية التشغيل بتنفيذ تسلسلات محددة من المهام ، بينما تتمتع الروبوتات بالمرونة لأداء مجموعة واسعة من المهام. يمكن العثور على أمثلة على الأوتوماتا في أوروبا والشرق الأوسط والصين واليابان. لم تكن روبوتات Čapek آلية ميكانيكية ولكنها كائنات حية تم هندستها وتجميعها كما لو كانت كذلك. لقد أدوا أدوارا محددة في المجتمع وكان ينظر إليهم على أنهم كائنات اصطناعية مهندسة بيولوجيا. انتقلت فكرة الروبوتات من الفن إلى العلوم والتكنولوجيا ، مما ألهم العلماء والمهندسين. ابتكر Čapek فكرة الروبوتات وفكرة نهاية العالم للروبوت ، والتي تخشاها شخصيات بارزة مثل مؤسس Microsoft بيل جيتس وستيفن هوكينج وإيلون ماسك.

ما هي القوانين الروبوتية؟

النظر في القوانين الروبوتية

قبل ظهور Unimate ، وقبل وقت طويل من إدخال العديد من الآخرين

أذرع الروبوت المستخدمة في الصناعة التي بدأت العمل مع العمال البشريين في

تجميع الخطوط ، عرف الناس بالفعل كيف يجب أن تبدو الروبوتات ، وتتصرف ، وحتى

فكر. قدمت روايات الخيال العلمي إسحاق أسيموف في خمسينيات القرن العشرين مفهوما مختلفا للروبوتات عن تلك المستخدمة في البيئات الصناعية. يسمح دماغ أسيموف البوزيتروني ، وهو جهاز خيالي ، للروبوتات بالتصرف بشكل مستقل ومساعدة البشر في مهام مختلفة. يعمل الدماغ البوزيتروني بموجب ثلاثة قوانين للروبوتات: عدم إصابة البشر ، وطاعة الأوامر البشرية ، وحماية وجوده. لا يزال هذا الخيال القوي يضع المعيار لتوقعات الناس من الروبوتات اليوم.

. بصرف النظر عن توفير قدرات شبيهة بالإنسان في الفهم

والتمثيل (قوي الذكاء الاصطناعي) ، يعمل الدماغ البوزيتروني بموجب القوانين الثلاثة للروبوتات

كجزء من الأجهزة ، التحكم في سلوك الروبوتات بطريقة أخلاقية:

1. لا يجوز للروبوت أن يؤذي إنسانا أو ، من خلال التقاعس عن العمل ، يسمح للإنسان

يجري أن تأتي للأذى.

2. يجب أن يطيع الروبوت الأوامر التي يعطيها له البشر إلا في الحالات التي يكون فيها ذلك

قد تتعارض الأوامر مع القانون الأول.

3. يجب أن يحمي الروبوت وجوده طالما أن هذه الحماية لا

تتعارض مع القانونين الأول أو الثاني.

في وقت لاحق أضاف المؤلف قاعدة صفرية ، مع أولوية أعلى على الآخرين بالترتيب

للتأكد من أن الروبوت تصرف لصالح سلامة الكثيرين:

0. قد لا يؤذي الروبوت البشرية ، أو ، من خلال التقاعس عن العمل ، يسمح للبشرية بالمجيء

للضرر.

لا تملك الروبوتات الحالية القدرة على:

»»فهم القوانين الثلاثة للروبوتات

»»حدد الإجراءات وفقا للقوانين الثلاثة

»»الشعور والإقرار بانتهاك محتمل للقوانين الثلاثة

قد يعتقد البعض أن روبوتات اليوم ليست ذكية جدا لأنها تفتقر

هذه القدرات وستكون على حق. ومع ذلك ، فإن الهندسة والفيزيائيةالعلوم

أعاد مجلس الأبحاث في المملكة المتحدة (EPSRC) النظر في قوانين أسيموف للروبوتات في عام 2010 لتطبيقها على الروبوتات الحقيقية ، مع الأخذ في الاعتبار التكنولوجيا الحالية. تقدم مبادئ EPSRC نظرة أكثر واقعية حول الروبوتات والأخلاق ، مع الأخذ في الاعتبار التكنولوجيا ذات الذكاء الاصطناعي الضعيف. يمكنهم أيضا توفير حلول جزئية في سيناريوهات التكنولوجيا المتقدمة ، مثل السيارات ذاتية القيادة. قدرات الروبوت الحالية بعيدة كل البعد عن قدرات الإنسان وتنقسم إلى فئتين: ذراع الروبوت (المعروف أيضا باسم المتلاعبين) والروبوتات المتنقلة. تم العثور على المتلاعبين في المصانع والمستشفيات ، مع نطاق محدود من الحركة وتتطلب فنيين متخصصين. من ناحية أخرى ، تتحرك الروبوتات المتنقلة باستخدام عجلات أو دوارات أو أجنحة أو أرجل ، وهي في الغالب غير مأهولة ويتم التحكم فيها عن بعد. يتزايد الحكم الذاتي ، ومن المتوقع وجود المزيد من الروبوتات المستقلة في هذه الفئة.

لماذا يصعب تطوير الروبوتات البشرية؟

من الصعب تطوير الروبوتات البشرية بسبب الحاجة إلى تعزيز قدرات الذكاء الاصطناعي والقدرة على التحرك مثل البشر. أكبر عقبة هي جعل البشر يقبلون آلة تشبه البشر. تمثل الروبوتات ذات القدمين ، التي يمكنها التوازن بسهولة ، مشكلة بالنسبة للروبوتات لأنها تستهلك الطاقة من خلال الوقوف والتوازن. يهدف تحدي DARPA للروبوتات (DRC) إلى استكشاف التطورات الروبوتية للكوارث والعمليات الإنسانية في البيئات الخطرة. هناك حاجة إلى روبوت على شكل إنسان في مواقف معينة ، مثل حالات الطوارئ حيث تجعل العوائق أو الأبواب أو السلالم استخدام الروبوتات أمرا صعبا. توضح دراسة ماساهيرو موري عام 1970 حول تأثير الروبوتات على المجتمع الياباني ، والمعروفة باسم "الوادي الخارق" ، أن البشر لديهم تقارب قوي مع الروبوتات التي تبدو بشرية للغاية. يزداد هذا الجذب حتى يصل الروبوت إلى مستوى من الواقعية يجعله نسخة من إنسان. تتضمن بعض الفرضيات أسبابا ثقافية أو نفسية أو بيولوجية لهذا الاشمئزاز. وقد أظهرت التجارب الحديثة على أن الرئيسيات قد تواجه تجارب مماثلة عندما تتعرض لصور أكثر أو أقل واقعية من المقدمة بواسطة تقنية 3-D.

ما الذي يجب أن نعرفه عن السيارات التي تعمل بالطاقة الذكاء الاصطناعي؟

السيارات ذاتية القيادة (SD cars) هي مركبات ذاتية القيادة يمكنها القيادة بشكل مستقل من نقطة البداية إلى الوجهة دون تدخل بشري. إنها توفر العديد من الفوائد التي تتجاوز مجرد القيادة ، مثل القيادة الذاتية ، والتي كانت جزءا من التاريخ لأكثر من 100 عام. تتطلب سيارات SD أنواعا متعددة من أجهزة الاستشعار لأداء مهامها ، بما في ذلك تلك التي ترى وتسمع وتلمس. بدأ تطوير سيارات SD في عشرينيات القرن العشرين مع السيارات التي تعمل بالراديو ، لكنها لم تكن عملية بسبب الحاجة إلى وحدة تحكم لاسلكية. سيارات SD الحديثة راسخة بعمق في المشاريع التي بدأت في ثمانينيات القرن العشرين ، والاستفادة من الذكاء الاصطناعي لإزالة الحاجة إلى التحكم اللاسلكي. تمول العديد من الجامعات والجيش هذه الجهود ، مع نقطة التحول هي إنشاء ستانلي ، الذي صممه سيباستيان ثرون وفريقه. الاهتمامات العسكرية والتجارية الموالية

ما هي المستويات الستة للأوتومون؟

تكتسب السيارات ذاتية القيادة شعبية ، حيث نشرت SAE International معيار تصنيف للسيارات ذاتية القيادة. يحدد معيار SAE خمسة مستويات من الاستقلالية: مساعدة السائق ، والأتمتة الجزئية ، والأتمتة المشروطة ، والأتمتة العالية ، والأتمتة الكاملة. يركز المستوى 1 على مساعدة السائق ، مما يسمح للسيارة بأداء أنشطة دعم بسيطة مثل التحكم في السرعة. يتضمن المستوى 2 الأتمتة الجزئية ، حيث تعمل السيارة في كثير من الأحيان بدلا من السائق ، مثل الكبح التلقائي والتحكم التكيفي في التطواف. المستوى 3 هو الأتمتة المشروطة ، مما يسمح للسيارة بالقيادة بشكل مستقل في سياقات معينة ، تحت حدود السرعة ، وتحت السيطرة البشرية. المستوى 4 هو أتمتة عالية ، حيث تقوم السيارة بجميع مهام القيادة وتراقب ظروف الطريق. المستوى 5 هو الأتمتة الكاملة ، دون تدخل بشري ، متوقع بحلول عام 2025. ومع ذلك ، حتى عندما يتم تحقيق استقلالية المستوى 5 ، فلن يتم رؤيتها على كل طريق. من المرجح أن يأتي مستقبل السيارات ذاتية القيادة من خلال طفرة تدريجية ، حيث يساعد الذكاء الاصطناعي في ظروف القيادة العادية والخطيرة.

. قد يستغرق اعتماد السيارات ذاتية القيادة (SD cars) في المناطق الحضرية 30 عاما. صناعة التأمين حذرة بسبب المخاوف بشأن الفصل المحتمل لمنتجات التأمين على السيارات بسبب انخفاض الحوادث. ومع ذلك ، فإن الدعم من أولئك الذين فقدوا أحد أفراد أسرته في حادث قد يؤدي أيضا إلى تسريع اعتماد سيارة SD. يعد التنبؤ بتاريخ محدد للتبني أمرا صعبا بسبب الضغوط الاجتماعية المختلفة.

 المراجع

https://www.microsoft.com/en-us/research/publication/a-computational-network/

https://www.microsoft.com/en-us/research/research-area/artificial-intelligence/?

https://www.akkio.com/beginners-guide-to-machine-learning