Բառը[Թաքցնել][Ցուցադրում]
Այժմ մենք կարող ենք հաշվարկել տարածության տարածությունը և ենթաատոմային մասնիկների փոքր բարդությունները համակարգիչների շնորհիվ:
Համակարգիչները հաղթում են մարդկանց, երբ խոսքը վերաբերում է հաշվելուն և հաշվարկին, ինչպես նաև հետևում է այո/ոչ տրամաբանական գործընթացներին՝ շնորհիվ այն էլեկտրոնների, որոնք լույսի արագությամբ շարժվում են իրենց սխեմայի միջոցով:
Այնուամենայնիվ, մենք նրանց հաճախ չենք տեսնում որպես «խելացի», քանի որ նախկինում համակարգիչները չէին կարող որևէ բան կատարել առանց մարդկանց ուսուցանվելու (ծրագրավորվելու):
Մեքենայի ուսուցում, ներառյալ խորը ուսուցումը և Արհեստական բանականություն, դարձել է գիտական և տեխնոլոգիական վերնագրերի հիմնական բառը:
Թվում է, թե մեքենայական ուսուցումը ամենուր է, բայց շատ մարդիկ, ովքեր օգտագործում են բառը, կպայքարեն համարժեքորեն սահմանելու, թե ինչ է այն, ինչ է անում և ինչի համար է այն լավագույնս օգտագործվում:
Այս հոդվածը փորձում է պարզաբանել մեքենայական ուսուցումը, միաժամանակ տրամադրելով կոնկրետ, իրական աշխարհի օրինակներ, թե ինչպես է աշխատում տեխնոլոգիան՝ ցույց տալու, թե ինչու է այն այդքան շահավետ:
Այնուհետև մենք կանդրադառնանք մեքենայական ուսուցման տարբեր մեթոդաբանություններին և կտեսնենք, թե ինչպես են դրանք օգտագործվում բիզնեսի մարտահրավերները լուծելու համար:
Վերջապես, մենք կխորհրդակցենք մեր բյուրեղյա գնդակից՝ մեքենայական ուսուցման ապագայի վերաբերյալ որոշ արագ կանխատեսումների համար:
Ի՞նչ է մեքենաշինությունը
Մեքենայական ուսուցումը համակարգչային գիտության կարգ է, որը համակարգիչներին հնարավորություն է տալիս տվյալներից օրինաչափություններ եզրակացնել՝ առանց հստակ ուսուցանվելու, թե որոնք են այդ օրինաչափությունները:
Այս եզրակացությունները հաճախ հիմնված են տվյալների վիճակագրական առանձնահատկությունները ավտոմատ կերպով գնահատելու ալգորիթմների օգտագործման և տարբեր արժեքների միջև փոխհարաբերությունները պատկերելու համար մաթեմատիկական մոդելների մշակման վրա:
Դրան հակադրեք դասական հաշվարկներին, որոնք հիմնված են դետերմինիստական համակարգերի վրա, որոնցում մենք հստակորեն տալիս ենք համակարգչին մի շարք կանոններ, որոնք պետք է հետևեն որոշակի առաջադրանք կատարելու համար:
Համակարգիչների ծրագրավորման այս եղանակը հայտնի է որպես կանոնների վրա հիմնված ծրագրավորում: Մեքենայի ուսուցումը տարբերվում և գերազանցում է կանոնների վրա հիմնված ծրագրավորումը նրանով, որ այն կարող է ինքնուրույն եզրակացնել այս կանոնները:
Ենթադրենք, որ դուք բանկի մենեջեր եք, ով ցանկանում է որոշել, թե արդյոք վարկի դիմումը ձախողվելու է իրենց վարկի համար:
Կանոնների վրա հիմնված մեթոդով բանկի մենեջերը (կամ այլ մասնագետներ) ուղղակիորեն կտեղեկացնեն համակարգչին, որ եթե հայտատուի վարկային միավորը որոշակի մակարդակից ցածր է, ապա հայտը պետք է մերժվի:
Այնուամենայնիվ, մեքենայական ուսուցման ծրագիրը պարզապես կվերլուծի հաճախորդների վարկային վարկանիշների և վարկերի արդյունքների վերաբերյալ նախկին տվյալները և ինքնուրույն որոշի, թե որն է այս շեմը:
Մեքենան սովորում է նախորդ տվյալներից և այս կերպ ստեղծում է իր կանոնները: Իհարկե, սա միայն մեքենայական ուսուցման այբբենարան է. իրական աշխարհի մեքենայական ուսուցման մոդելները զգալիորեն ավելի բարդ են, քան հիմնական շեմը:
Այնուամենայնիվ, դա մեքենայական ուսուցման ներուժի հիանալի ցուցադրություն է:
Ինչպես է ա մեքենա սովորել?
Ամեն ինչ պարզ պահելու համար մեքենաները «սովորում» են՝ հայտնաբերելով օրինաչափություններ համադրելի տվյալների մեջ: Տվյալները համարեք տեղեկատվություն, որը դուք հավաքում եք արտաքին աշխարհից: Որքան շատ տվյալներ է սնվում մեքենան, այնքան այն «խելացի» է դառնում:
Այնուամենայնիվ, ոչ բոլոր տվյալները նույնն են: Ենթադրենք, որ դուք ծովահեն եք, որի կյանքի նպատակն է բացահայտել կղզու թաղված հարստությունները: Մրցանակը գտնելու համար դուք կունենաք զգալի գիտելիքներ:
Այս գիտելիքը, ինչպես տվյալները, կարող է ձեզ տանել ճիշտ կամ սխալ ճանապարհով:
Որքան մեծ է ձեռք բերված տեղեկատվությունը/տվյալները, այնքան ավելի քիչ է երկիմաստությունը և հակառակը: Որպես արդյունք, կարևոր է հաշվի առնել այն տվյալների տեսակը, որոնցից դուք սնուցում եք ձեր մեքենան՝ սովորելու համար:
Այնուամենայնիվ, երբ զգալի քանակությամբ տվյալներ տրամադրվեն, համակարգիչը կարող է կանխատեսումներ անել: Մեքենաները կարող են կանխատեսել ապագան այնքան ժամանակ, քանի դեռ այն շատ չի շեղվում անցյալից:
Մեքենաները «սովորում» են՝ վերլուծելով պատմական տվյալները՝ որոշելու, թե ինչ է հնարավոր լինելու տեղի ունենալ:
Եթե հին տվյալները նման են նոր տվյալների, ապա այն, ինչ կարող եք ասել նախորդ տվյալների մասին, հավանաբար կկիրառվեն նոր տվյալների վրա: Կարծես հետ ես նայում՝ առաջ տեսնելու համար:
Որո՞նք են մեքենայական ուսուցման տեսակները:
Մեքենայի ուսուցման ալգորիթմները հաճախ դասակարգվում են երեք լայն տիպի (չնայած դասակարգման այլ սխեմաներ նույնպես օգտագործվում են).
- Վերահսկվող ուսուցում
- Անսահմանափակ ուսուցում
- Ամրապնդման ուսուցում
Վերահսկվող ուսուցում
Վերահսկվող մեքենայական ուսուցումը վերաբերում է այն մեթոդներին, որոնցում մեքենայական ուսուցման մոդելին տրվում է տվյալների հավաքածու՝ հստակ պիտակներով հետաքրքրված քանակի համար (այս քանակությունը հաճախ կոչվում է պատասխան կամ թիրախ):
AI մոդելներ պատրաստելու համար կիսավերահսկվող ուսուցումն օգտագործում է պիտակավորված և չպիտակավորված տվյալների խառնուրդ:
Եթե դուք աշխատում եք չպիտակավորված տվյալների հետ, ապա ձեզ հարկավոր է որոշակի տվյալների պիտակավորում:
Պիտակավորումը նմուշների պիտակավորման գործընթացն է, որն օգնում է դրան մեքենայական ուսուցման ուսուցում մոդել. Պիտակավորումը հիմնականում կատարվում է մարդկանց կողմից, ինչը կարող է ծախսատար և ժամանակատար լինել: Այնուամենայնիվ, կան պիտակավորման գործընթացն ավտոմատացնելու տեխնիկա:
Վարկի դիմումի իրավիճակը, որը մենք քննարկել ենք նախկինում, վերահսկվող ուսուցման հիանալի օրինակ է: Մենք ունեինք պատմական տվյալներ նախկին վարկատուների վարկային վարկանիշների (և գուցե եկամուտների մակարդակի, տարիքի և այլն) վերաբերյալ, ինչպես նաև հատուկ պիտակներ, որոնք մեզ ասում էին, թե տվյալ անձը չկատարել է իրենց վարկը, թե ոչ:
Ռեգրեսիան և դասակարգումը վերահսկվող ուսուցման տեխնիկայի երկու ենթախումբ են:
- Դասավորություն - Այն օգտագործում է ալգորիթմ՝ տվյալների ճիշտ դասակարգման համար: Սպամի զտիչները օրինակներից մեկն են: «Սպամ»-ը կարող է լինել սուբյեկտիվ կատեգորիա՝ սպամի և ոչ սպամ հաղորդակցությունների միջև սահմանը մշուշոտ է, և սպամի ֆիլտրի ալգորիթմը անընդհատ կատարելագործվում է՝ կախված ձեր կարծիքից (նշանակում է էլ.փոստը, որը մարդիկ նշում են որպես սպամ):
- Ռեգրեսիա – Օգտակար է կախված և անկախ փոփոխականների միջև կապը հասկանալու համար: Ռեգրեսիոն մոդելները կարող են թվային արժեքներ կանխատեսել՝ հիմնվելով մի քանի տվյալների աղբյուրների վրա, ինչպիսիք են վաճառքից եկամուտների գնահատումները որոշակի ընկերության համար: Գծային ռեգրեսիան, լոգիստիկ ռեգրեսիան և բազմանդամ ռեգրեսիան ռեգրեսիայի մի քանի նշանավոր տեխնիկա են:
Անսահմանափակ ուսուցում
Չվերահսկվող ուսուցման ժամանակ մեզ տրվում են չպիտակավորված տվյալներ և պարզապես օրինաչափություններ ենք փնտրում: Եկեք ձևացնենք, որ դուք Amazon-ն եք: Կարո՞ղ ենք գտնել որևէ կլաստեր (նման սպառողների խմբեր)՝ հիմնված հաճախորդի գնումների պատմության վրա:
Նույնիսկ եթե մենք չունենք հստակ, վերջնական տվյալներ անձի նախասիրությունների մասին, այս դեպքում, պարզապես իմանալով, որ սպառողների որոշակի խումբ գնում է համադրելի ապրանքներ, թույլ է տալիս մեզ առաջարկություններ անել՝ հիմնվելով այն բանի վրա, թե ինչ են գնել կլաստերի մյուս անձինք:
Amazon-ի «ձեզ նույնպես կարող է հետաքրքրել» կարուսելը գործում է նմանատիպ տեխնոլոգիաներով:
Չվերահսկվող ուսուցումը կարող է խմբավորել տվյալները կլաստերավորման կամ ասոցիացիայի միջոցով՝ կախված նրանից, թե ինչ եք ուզում խմբավորել միասին:
- Կլաստերացում – Չվերահսկվող ուսուցումը փորձում է հաղթահարել այս մարտահրավերը՝ տվյալների մեջ օրինաչափություններ որոնելով: Եթե կա նմանատիպ կլաստեր կամ խումբ, ապա ալգորիթմը դրանք կդասակարգի որոշակի ձևով: Հաճախորդներին դասակարգելու փորձը՝ հիմնվելով նախորդ գնումների պատմության վրա, դրա օրինակն է:
- Միացում – Չվերահսկվող ուսուցումը փորձում է հաղթահարել այս մարտահրավերը՝ փորձելով հասկանալ տարբեր խմբերի հիմքում ընկած կանոններն ու իմաստները: Ասոցիացիայի խնդրի հաճախակի օրինակ է հաճախորդների գնումների միջև կապի որոշումը: Խանութները կարող են շահագրգռված լինել իմանալով, թե ինչ ապրանքներ են գնվել միասին և կարող են օգտագործել այս տեղեկատվությունը այս ապրանքների դիրքավորումը հեշտ մուտք գործելու համար:
Ամրապնդման ուսուցում
Ուժեղացման ուսուցումը մեքենայական ուսուցման մոդելների ուսուցման մեթոդ է՝ ինտերակտիվ միջավայրում մի շարք նպատակաուղղված որոշումներ կայացնելու համար: Վերը նշված խաղերի օգտագործման դեպքերը դրա հիանալի օրինակն են:
Պետք չէ մուտքագրել AlphaZero-ի հազարավոր նախորդ շախմատային խաղեր, որոնցից յուրաքանչյուրը պիտակավորված «լավ» կամ «վատ» քայլով: Պարզապես սովորեցրեք նրան խաղի կանոններն ու նպատակը, այնուհետև թույլ տվեք փորձել պատահական գործողություններ:
Դրական ամրապնդում է տրվում այն գործողություններին, որոնք ծրագիրն ավելի են մոտեցնում նպատակին (օրինակ՝ ամուր դիրքի ձևավորումը): Երբ գործողություններն ունենում են հակառակ ազդեցություն (օրինակ՝ թագավորի ժամանակից շուտ տեղափոխելը), նրանք բացասական ամրապնդում են ստանում:
Ծրագիրը կարող է ի վերջո տիրապետել խաղին՝ օգտագործելով այս մեթոդը:
Ամրապնդման ուսուցում լայնորեն օգտագործվում է ռոբոտաշինության մեջ՝ ռոբոտներին բարդ և դժվարին ինժեներական գործողություններ սովորեցնելու համար: Այն երբեմն օգտագործվում է ճանապարհային ենթակառուցվածքների հետ միասին, ինչպիսիք են ճանապարհային ազդանշանները, երթևեկության հոսքը բարելավելու համար:
Ի՞նչ կարելի է անել մեքենայական ուսուցման հետ:
Հասարակության և արդյունաբերության մեջ մեքենայական ուսուցման օգտագործումը հանգեցնում է առաջընթացի մարդկային գործունեության լայն շրջանակում:
Մեր առօրյա կյանքում մեքենայական ուսուցումն այժմ վերահսկում է Google-ի որոնման և պատկերների ալգորիթմները՝ թույլ տալով մեզ ավելի ճշգրիտ կերպով համապատասխանեցնել մեզ անհրաժեշտ տեղեկատվությանը, երբ դա մեզ անհրաժեշտ է:
Բժշկության մեջ, օրինակ, մեքենայական ուսուցումը կիրառվում է գենետիկ տվյալների վրա՝ օգնելու բժիշկներին հասկանալ և կանխատեսել, թե ինչպես է տարածվում քաղցկեղը, ինչը թույլ է տալիս մշակել ավելի արդյունավետ բուժում:
Խոր տարածությունից տվյալները հավաքվում են այստեղ՝ Երկրի վրա, հսկայական ռադիոաստղադիտակների միջոցով, և մեքենայական ուսուցման միջոցով վերլուծվելուց հետո դրանք օգնում են մեզ բացահայտել սև խոռոչների առեղծվածները:
Մանրածախ առևտրում մեքենայական ուսուցումը կապում է գնորդներին այն իրերի հետ, որոնք նրանք ցանկանում են գնել առցանց, ինչպես նաև օգնում է խանութի աշխատակիցներին հարմարեցնել իրենց հաճախորդներին մատուցվող ծառայությունները աղյուսով և շաղախ աշխարհում:
Մեքենայական ուսուցումն օգտագործվում է ահաբեկչության և ծայրահեղականության դեմ պայքարում՝ կանխատեսելու նրանց վարքագիծը, ովքեր ցանկանում են վիրավորել անմեղներին:
Բնական լեզվի մշակումը (NLP) վերաբերում է այն գործընթացին, որը թույլ է տալիս համակարգիչներին հասկանալ և հաղորդակցվել մեզ հետ մարդկային լեզվով մեքենայական ուսուցման միջոցով, և դա հանգեցրել է թարգմանչական տեխնոլոգիայի, ինչպես նաև ձայնով կառավարվող սարքերի, որոնք մենք ամեն օր ավելի ու ավելի ենք օգտագործում, օրինակ. Alexa, Google dot, Siri և Google օգնական:
Առանց հարցի, մեքենայական ուսուցումը ցույց է տալիս, որ դա փոխակերպող տեխնոլոգիա է:
Ռոբոտները, որոնք կարող են աշխատել մեր կողքին և խթանել մեր ինքնատիպությունն ու երևակայությունը իրենց անթերի տրամաբանությամբ և գերմարդկային արագությամբ, այլևս գիտաֆանտաստիկ ֆանտազիա չեն. դրանք իրականություն են դառնում շատ ոլորտներում:
Մեքենայի ուսուցման օգտագործման դեպքեր
1. Կիբերանվտանգություն
Քանի որ ցանցերն ավելի են բարդացել, կիբերանվտանգության մասնագետներն անխոնջ աշխատել են՝ հարմարվելու անվտանգության սպառնալիքների անընդհատ ընդլայնվող շրջանակին:
Արագ զարգացող չարամիտ ծրագրերին և հաքերային մարտավարությանը հակազդելը բավական դժվար է, սակայն Իրերի ինտերնետի (IoT) սարքերի տարածումը հիմնովին փոխեց կիբերանվտանգության միջավայրը:
Հարձակումները կարող են տեղի ունենալ ցանկացած պահի և ցանկացած վայրում:
Բարեբախտաբար, մեքենայական ուսուցման ալգորիթմները հնարավորություն են տվել կիբերանվտանգության գործողություններին հետևել այս արագ զարգացումներին:
Կանխատեսող վերլուծություն հնարավորություն է տալիս ավելի արագ հայտնաբերել և մեղմել հարձակումները, մինչդեռ մեքենայական ուսուցումը կարող է վերլուծել ձեր գործունեությունը ցանցի ներսում՝ հայտնաբերելու առկա անվտանգության մեխանիզմների աննորմալություններն ու թուլությունները:
2. Հաճախորդների սպասարկման ավտոմատացում
Հաճախորդների առցանց կոնտակտների աճող քանակի կառավարումը լարել է շատ կազմակերպություն:
Նրանք պարզապես չունեն հաճախորդների սպասարկման բավարար անձնակազմ՝ իրենց ստացած հարցումների ծավալը կարգավորելու համար, և ավանդական մոտեցումը՝ աութսորսինգի հարցերը կոնտակտային կենտրոն ուղղակի անընդունելի է այսօրվա հաճախորդներից շատերի համար:
Չաթ-բոտերը և այլ ավտոմատացված համակարգեր այժմ կարող են լուծել այս պահանջները՝ շնորհիվ մեքենայական ուսուցման տեխնիկայի առաջընթացի: Ընկերությունները կարող են ազատել անձնակազմին, որպեսզի ստանձնեն հաճախորդների ավելի բարձր մակարդակի աջակցություն՝ ավտոմատացնելով առօրյա և ցածր առաջնահերթ գործունեությունը:
Երբ ճիշտ օգտագործվում է, մեքենայական ուսուցումը բիզնեսում կարող է օգնել պարզեցնել խնդիրների լուծումը և սպառողներին տրամադրել այնպիսի օգտակար աջակցություն, որը նրանց դարձնում է ապրանքանիշի հավատարիմ չեմպիոններ:
3: Հաղորդակցություն
Սխալներից և սխալ պատկերացումներից խուսափելը կարևոր է ցանկացած տեսակի հաղորդակցության մեջ, բայց ավելի շատ՝ այսօրվա բիզնես հաղորդակցության մեջ:
Պարզ քերականական սխալները, սխալ հնչերանգը կամ սխալ թարգմանությունները կարող են առաջացնել մի շարք դժվարություններ էլփոստի հետ կապի, հաճախորդների գնահատումների, վիդեո կոնֆերանսներ, կամ տեքստի վրա հիմնված փաստաթղթեր բազմաթիվ ձևերով:
Մեքենայական ուսուցման համակարգերը զարգացրել են հաղորդակցությունը Microsoft-ի Clippy-ի բուռն օրերից շատ ավելին:
Մեքենայական ուսուցման այս օրինակներն օգնել են անհատներին հաղորդակցվել պարզ և ճշգրիտ՝ օգտագործելով բնական լեզվի մշակումը, իրական ժամանակի լեզվի թարգմանությունը և խոսքի ճանաչումը:
Թեև շատ անհատներ չեն սիրում ավտոմատ ուղղման հնարավորությունները, նրանք նաև կարևորում են պաշտպանված լինելը ամոթալի սխալներից և ոչ պատշաճ տոնայնությունից:
4. Օբյեկտների ճանաչում
Թեև տվյալների հավաքագրման և մեկնաբանման տեխնոլոգիան վաղուց գոյություն ունի, համակարգչային համակարգերին սովորեցնելը հասկանալ, թե ինչ են նրանք նայում, ապացուցվել է, որ խաբուսիկ դժվար խնդիր է:
Օբյեկտների ճանաչման հնարավորությունները ավելանում են ավելի մեծ թվով սարքերի վրա՝ մեքենայական ուսուցման հավելվածների պատճառով:
Ինքնավար մեքենան, օրինակ, ճանաչում է մեկ այլ մեքենա, երբ տեսնում է մեկը, նույնիսկ եթե ծրագրավորողները նրան չեն տվել այդ մեքենայի ճշգրիտ օրինակը՝ որպես տեղեկանք օգտագործելու համար:
Այս տեխնոլոգիան այժմ օգտագործվում է մանրածախ բիզնեսներում՝ օգնելու արագացնել վճարումների գործընթացը: Տեսախցիկները նույնացնում են սպառողների զամբյուղներում գտնվող ապրանքները և կարող են ավտոմատ կերպով վճարել նրանց հաշիվները, երբ նրանք լքեն խանութը:
5. Թվային շուկայավարում
Այսօրվա շուկայավարման մեծ մասն իրականացվում է առցանց՝ օգտագործելով թվային հարթակների և ծրագրային ապահովման ծրագրերի մի շարք:
Քանի որ ձեռնարկությունները տեղեկատվություն են հավաքում իրենց սպառողների և նրանց գնումների վարքագծի մասին, մարքեթինգային թիմերը կարող են օգտագործել այդ տեղեկատվությունը իրենց թիրախային լսարանի մանրամասն պատկերը կազմելու և բացահայտելու համար, թե որ մարդիկ ավելի հակված են փնտրելու իրենց ապրանքներն ու ծառայությունները:
Մեքենայական ուսուցման ալգորիթմներն օգնում են շուկայավարներին իմաստավորել այդ բոլոր տվյալները՝ հայտնաբերելով նշանակալից օրինաչափություններ և ատրիբուտներ, որոնք թույլ են տալիս խստորեն դասակարգել հնարավորությունները:
Նույն տեխնոլոգիան թույլ է տալիս մեծ թվային շուկայավարման ավտոմատացում: Գովազդային համակարգերը կարող են ստեղծվել՝ դինամիկ կերպով նոր հեռանկարային սպառողներ հայտնաբերելու և համապատասխան մարքեթինգային բովանդակություն նրանց համապատասխան ժամանակին և տեղում տրամադրելու համար:
Մեքենայի ուսուցման ապագան
Մեքենայական ուսուցումը, անշուշտ, դառնում է ժողովրդականություն, քանի որ ավելի շատ ձեռնարկություններ և հսկայական կազմակերպություններ օգտագործում են տեխնոլոգիան հատուկ մարտահրավերներին դիմակայելու կամ նորարարությունը խթանելու համար:
Այս շարունակական ներդրումը ցույց է տալիս այն գիտակցումը, որ մեքենայական ուսուցումն արտադրում է ROI, հատկապես վերը նշված հաստատված և վերարտադրվող օգտագործման որոշ դեպքերի միջոցով:
Ի վերջո, եթե տեխնոլոգիան բավականաչափ լավն է Netflix-ի, Facebook-ի, Amazon-ի, Google Maps-ի և այլնի համար, մեծ է հավանականությունը, որ այն կարող է օգնել ձեր ընկերությանը նաև առավելագույնս օգտագործել իր տվյալները:
Որպես նոր Machine Learning Մոդելները մշակվել և գործարկվել են, մենք ականատես կլինենք հավելվածների քանակի ավելացմանը, որոնք կօգտագործվեն տարբեր ոլորտներում:
Սա արդեն տեղի է ունենում դեմքի ճանաչում, որը ժամանակին նոր գործառույթ էր ձեր iPhone-ում, բայց այժմ ներդրվում է ծրագրերի և հավելվածների լայն շրջանակում, մասնավորապես՝ հանրային անվտանգության հետ կապված:
Շատ կազմակերպությունների համար, ովքեր փորձում են սկսել մեքենայական ուսուցումը, գլխավորն այն է, որ նայեն վառ ֆուտուրիստական տեսլականներին և բացահայտել իրական բիզնես մարտահրավերները, որոնցում տեխնոլոգիան կարող է օգնել քեզ:
Եզրափակում
Հետինդուստրիալիզացված դարաշրջանում գիտնականներն ու մասնագետները փորձում էին ստեղծել այնպիսի համակարգիչ, որն իրեն ավելի շատ կպահի մարդկանց նման:
Մտածող մեքենան AI-ի ամենակարևոր ներդրումն է մարդկության մեջ. Այս ինքնագնաց մեքենայի ֆենոմենալ ժամանումը արագորեն փոխեց կորպորատիվ գործունեության կանոնակարգերը:
Ինքնավար մեքենաները, ավտոմատացված օգնականները, ինքնավար արտադրության աշխատակիցները և խելացի քաղաքները վերջերս ցույց են տվել խելացի մեքենաների կենսունակությունը: Մեքենայի ուսուցման հեղափոխությունը և մեքենայական ուսուցման ապագան մեզ հետ կլինեն դեռ երկար ժամանակ:
Թողնել գրառում