ხელოვნური ინტელექტის მითი თუ რეალობა: სხვაობა ხელოვნური ინტელექტსა და მანქანებს შორის - IT Academy STEP Tbilisi ხელოვნური ინტელექტის მითი თუ რეალობა: სხვაობა ხელოვნური ინტელექტსა და მანქანებს შორის - IT Academy STEP Tbilisi

თბილისი, ჯანო ბაგრატიონის 6

ხელოვნური ინტელექტის მითი თუ რეალობა: სხვაობა ხელოვნური ინტელექტსა და მანქანებს შორის

როცა Google DeepMind’s AlphaGo პროგრამამ დაამარცხა სამხრეთ კორეის Master Lee Se-dol-ი სამაგიდო თამაშში Go, ტერმინები ხელოვნური ინტელექტი და მანქანების შესწავლა (და ყველაზე მცირე დოზით საფუძვლიანი შესწავლა) მედიაში გამოიყენეს იმის აღსაწერად თუ როგორ მოიგო DeepMind-მა. საზოგადოებამ თანაბრად შეაფასა ხელოვნური ინტელექტი და მანქანების შესწავლა. მიუხედავად იმისა, რომ მათ  წვლილი შეიტანეს ამ ეტაპის მიღწევაში, დადგინდა რომ მათ შორის დიდი სხვაობაა.

რეალობა: მოკლედ გიამობობთ თუ რატომ არ არის ასე:

ხელოვნურ ინტელექტში შედის ერთი დიდი სფერო, რომელსაც მანქანების შესწავლა (ML) ჰქვია. ამ სფეროს განმარტავენ, როგორც კვლევის სფეროს, რომელიც მანქანებს პირდაპირ, დაპროგრამების გარეშე, სწავლის საშუალებას აძლევს. მანქანები სწავლობენ პროცესით, სახელწოდებით „ვარჯიში“ და არ მოითხოვენ მორგებულ პროგრამებს პრობლემების გადასაწყვეტად. მანქანების შესწავლა შეიძლება იყოს „ორკესტრირებული“ რომ გამოავლინოს ნიმუშები მონაცემებიდან პირდაპირი პროგრამირების გარეშე. ის ჩვეულებრივ კარგია ერთი კონკრეტული ამოცანის გადასაჭრელად (რაც არის „ვიწრო ხელოვნური ინტელექტი“). მანქანების შესწავლა მოითხოვს კარგად გააზრებულ მონაცემების აღქმის სტრატეგიას. ხელოვნური ინტელექტი კი არის ზოგადი ტერმინი კომპიუტერული ტექნიკის ფართო კომპლექტისთვის, რომელშიც შედის მანქანების შესწავლა, წესებზე დაფუძნებული სისტემები, ოპტიმიზაციის ტექნიკები და ბუნებრივი ენის დამუშავება (NLP).

განსხვავების გამოსავლენად, შეგვიძლია ვიფიქროთ ხელოვნურ ინტელექტზე, მანქანებზე და მათ საფუძვლიან შესწავლაზე, როგორც კონცენტრირებულ წრეებზე, სადაც ხელოვნური ინტელექტი (იდეა, რომელიც პირველი გაჩნდა) დიდი დოზით შედის, შემდეგ მოდის მანქანების შესწავლა (რომელიც შემდგომ განვითარდა) და ბოლოს, საფუძვლიანი შესწავლა (რომელიც მართავს დღევანდელი ხელოვნური ინტელექტის აფეთქებას), რაც ორივეს ესადაგება.

1956 წელს, როცა ხელოვნური ინტელექტის პიონერებმა დაიწყეს რთული მანქანების შექმნა, ხელოვნური ინტელექტის მათი კონცეფცია იყო რასაც ახლა ჩვენ „ზოგად ხელოვნურ ინტელექტს“ ვუწოდებთ. ზოგადი ხელოვნური ინტელექტი არის შესანიშნავი მანქანა, რომელსაც უნდა ჰქონდეს გრძნობები, მას უნდა შეეძლოს ადამიანივით ფიქრი და ჰქონდეს განსჯის უნარი. ასეთი მანქანები, ადამიანების მსგავსად, შეიძლება მეგობრებიც (C-3PO) და მტრებიც (Hello, Terminator) გახდნენ. თუმცა, ზოგადი ხელოვნური ინტელექტის მანქანები მხოლოდ ფილმებში და სამეცნიერო ფანტასტიკურ რომანებში დარჩა კარგი მიზნებით.

რასაც ჩვენ ვაკეთებთ „ვიწრო ხელოვნური ინტელექტის“ კონცეფციაში შედის. მსგავს ვიწრო ხელოვნურ ინტელექტს შეუძლია შეასრულოს კონკრეტული დავალებებიც, შეიძლება ჩვენზე უკეთესადაც. ასეთი ხელოვნური ინტელექტის მაგალითები არის ისეთი რაღაცები, როგორიცაა გამოსახულების კლასიფიკაცია სერვისზე, როგორც ვთქვათ სახის ამოცნობა ფეისბუქზე. ასეთი ტექნოლოგიები ასახავენ ადამიანის ინტელექტის ზოგიერთ ასპექტებს. მაგრამ როგორ? საიდან მოდის ეს ინტელექტი? ამას მივყავართ შემდეგ პუნქტამდე, ეს არის მანქანების შესწავლა.     

მანქანების შესწავლის ძირითად პრინციპს წარმოადგენს ალგორითმების გამოყენების პრაქტიკა მონაცემთა ანალიზისთვის. ისწავლეთ და შემდეგ მიიღეთ გადაწყვეტილება ან გააკეთეთ პროგნოზირება რამის შესახებ მსოფლიოში. ხელით პროგრამების კოდის წერის რუტინის ნაცვლად ინსტრუქციების კონკრეტული კომპლექტით კონკრეტული ამოცანის შესასრულებლად, მანქანას „ამზადებენ“ დიდი რაოდენობით მონაცემების და ალგორითმების გამოყენებით, რომელიც საშუალებას აძლევს მას ისწავლოს თუ როგორ შეასრულოს დავალება.

მანქანების შესწავლა უშუალოდ ადრეული ხელოვნური ინტელექტის გულშემატკივარი ადამიანებისგან წამოვიდა და მრავალი ალგორითმული მიდგომა ექსპერიმენტის პროცესში იყო. ეს პროცესი არ შეწყვეტილა. რამდენადაც ვიცით, მანქანების შესწავლისთვის განაცხადის ერთერთი საუკეთესო სფერო იყო კომპიუტერული ხედვა მრავალი წლის განმავლობაში, თუმცა ის მაინც მოითხოვდა ვრცელი კოდის ხელით დაწერას დავალების შესასრულებლად. ხალხი მოდიოდა და ხელით კოდირებულ კლასიფიკატორებს წერდა, როგორიცაა ზღვარზე აღმოჩენის ფილტრები, ამიტომ პროგრამას შეეძლო იდენტიფიცირება სად დაიწყო და დამთავრდა ობიექტი. ფორმის გამოვლენა იმის დასადგენად აქვს თუ არა მას რვა მხარე. კლასიფიკატორი “S-T-O-P” ასოების ამოსაცნობად. ყველა ამ ხელით კოდირებული კლასიფიკატორებით ისინი შეიმუშავებდნენ ალგორითმებს გამოსახულების გააზრებისთვის და „სწავლობდნენ“ იმის გადაწყვეტას იყო თუ არა ეს გაჩერების ნიშანი. კარგად ჟღერს, მაგრამ ძლიან გადასარევიც არ არის. განსაკუთრებით ნისლიან დღეს, როცა ნიშანი სრულყოფილად არ ჩანს ან მის ნაწილს ხე ფარავს. არსებობს მიზეზი, რის გამოც კომპიუტერული ხედვა და გამოსახულების გამოვლენა ერთმანეთს ვერ დაუახლოვდა. ამის გამო ადამიანებს ამ დრომდე განსხვავებული აზრები აქვთ. ეს იყო მეტად მცდარი და არაზუსტი. სწორედ აქ შემოდის სიღრმისეული სწავლება.

ადრეული მანქანების შემსწავლელი ადამიანებისგან კიდევ ერთი ალგორითმული მიდგომა, ხელოვნური ნერვული ქსელები შემოვიდა და ათწლეულების მანძილზე გაგრძელდა. ხელოვნური ინტელექტის კვლევის საზოგადოებამ ძირითადად უგულებელყო ეს ტექნიკა, რადგან ის უზრუნველყოფს ძალიან მცირე დოზით „ინტელექტს“. პრობლემა ის იყო, რომ ძირითადი ნერვული ქსელების უმეტესობა კომპიუტერულად ძალიან ინტენსიური იყო. ის არ იყო უბრალოდ პრაქტიკული მიდგომა GPU-ს მქონე სუპერ კომპიუტერების გამოჩენამდე, რომლებსაც შეეძლო პარალელური გამოთვლების შესრულება. Andrew Ng-მ გუგლში გადატრიალება მოახდინა 2012 წელს. მან გააკეთა უზარმაზარი ნერვული ქსელები ნეირონების და ფენების გაზრდით და შემდეგ გაუშვა მონაცემების მასიური რაოდენობა (10 მილიონი YouTube ვიდეო) სისტემაში. Ng-მ ჩადო „სიღრმე“ სიღრმისეულ სწავლებაში, რომელიც აღწერს ყველა ფენას აღნიშნულ ნერვულ ქსელებში. და ბოლოს, სიღრმისეული სწავლების გზით გავარჯიშებული მანქანების მიერ გამოსახულების ამოცნობა ზოგიერთ მოცემულობაში დასახულ ამოცანებს ადამიანზე უკეთაც ართმევს თავს.

ჩვენთან სტეპ აკადემიაში თქვენ გაქვთ შესაძლებლობა შეისწავლოთ პროგრამირება, მიიღოთ ხარისხიანი ცოდნა და უზარმაზარი გამოცდილება!

შემოგვიერთდით აკადემიაში!

IT Academy STEP – საერთაშორისო ბრენდი!

თბილისი,
ჯანო ბაგრატიონი #6
+995 (32) 215-55-51
+995 (32) 215-50-05

შემოგვიერთდით აკადემიაში!

დარეკეთ ან დარეგისტრირდით ეხლავე, ჩვენი კვალიფიციური სპეციალისტები დაგიკავშირდებიან უმოკლეს დროში

რეგისტრაცია

სახელი, გვარი*
ტელეფონი*
E-mail*
სად გაეცანით ინფორმაციას ღია კარის დღის შესახებ?*


ახალი ამბები