Учат Искусственный интеллект переписывать свой код, Зачем?

Не так давно ученые одной из компаний разработали интересную технологию. В их идею вошло, эффективное обучение машины на примерах и дальнейшее оттачивание своих знаний до максимума, а также внедрение новых примеров. Задумка интересная, разработчики компании предполагают обширный круг применения ее возможностей. Так например обучить смартфоны узнавать преимущественные интересы пользователей или же в помощи для быстрого определения препятствий автономным двигательным системам. Основываясь на поговорке "Повторенье-мать ученье" считают что и машинам такое подвластно. Множество современных систем искусственного интеллекта(ИИ), которые работаю в приборах, основываются на повторе функций в обучаемом процессе.

Отлично изучаемые алгоритмы дают возможность устройствам ИИ выбирать определенную часть знаний из предоставленного набора данных и практиковать их на конкретизированных ситуациях. Допустим, если искусственному интеллекту дать данные, что для цвета неба стандартным является голубой, то спустя время он будет узнавать небо, на разных изображениях.

Для использования этого метода нужно уделять внимание комплексной работе, итоги которой оставляют желать наилучшего. А возможно ли научить систему ИИ задав ему количество примеров по минимуму? Разработчики из Бостона внедряют новинку в технологии, для попытки изложить ответ на столь интересный вопрос и на днях продемонстрировал пару продуктов с использованием нового метода.

Стартап Gamalon пользуется возможностями программного синтеза и использования системы формального и методологического определения вероятности модуля и решения задач, разработанная одним из математиков Томасом Байесом. В дальнейшем получила название Байесовская вероятность(БВ). Практикуется она в опытах с уточненными прогнозами о мире. БВ - это когда используются предполагаемые величины, а не конкретные, требующие наименьшего количества примеров, для того, чтоб сделать вывод. Пример, что голубое небо в пятнах из белых облаков. Эта программа с возможностями уточнения полученных знаний при дальнейшем изучении примеров и перезаписи ее кода для правки вероятности.


специально для El-nano.ru