ប្រាប់កូនឆ្មារបស់អ្នកពីរបៀបដែលអ្នកគិតនៅខាងក្នុង - ឥទ្ធិពលប្រអប់ខ្មៅ

ការពិតដែលថាក្បួនដោះស្រាយបញ្ញាសិប្បនិមិត្តកម្រិតខ្ពស់គឺដូចជាប្រអប់ខ្មៅ (1) ដែលបញ្ចេញលទ្ធផលដោយមិនបង្ហាញពីរបៀបដែលវាមកដល់វារំខានខ្លះៗ និងធ្វើឱ្យអ្នកដទៃខកចិត្ត។

ក្នុងឆ្នាំ 2015 ក្រុមស្រាវជ្រាវនៅមន្ទីរពេទ្យ Mount Sinai ក្នុងទីក្រុងញូវយ៉កត្រូវបានស្នើឱ្យប្រើវិធីសាស្រ្តនេះដើម្បីវិភាគទិន្នន័យដ៏ធំនៃអ្នកជំងឺក្នុងស្រុក (2) ។ បណ្តុំដ៏ធំនេះមានព័ត៌មានអំពីអ្នកជំងឺ ពីលទ្ធផលតេស្ត បញ្ជារបស់វេជ្ជបណ្ឌិត។ល។

អ្នកវិទ្យាសាស្ត្របានដាក់ឈ្មោះកម្មវិធីវិភាគដែលបានបង្កើតឡើងអំឡុងពេលធ្វើការ។ វាត្រូវបានបណ្តុះបណ្តាលលើទិន្នន័យពីមនុស្សប្រមាណ 700 ពាន់នាក់។ មនុស្ស ហើយនៅពេលធ្វើតេស្តក្នុងបញ្ជីថ្មី វាបានបង្ហាញថាមានប្រសិទ្ធភាពខ្ពស់ក្នុងការទស្សន៍ទាយជំងឺ។ ដោយគ្មានជំនួយពីអ្នកជំនាញមនុស្ស គាត់បានរកឃើញគំរូនៅក្នុងកំណត់ត្រាមន្ទីរពេទ្យដែលបង្ហាញថាអ្នកជំងឺណាម្នាក់កំពុងស្ថិតនៅលើផ្លូវទៅរកជំងឺដូចជាមហារីកថ្លើម។ យោងតាមអ្នកជំនាញ ប្រសិទ្ធភាពនៃការព្យាករណ៍ និងការវិនិច្ឆ័យនៃប្រព័ន្ធគឺខ្ពស់ជាងវិធីសាស្ត្រដែលគេស្គាល់ផ្សេងទៀត។

2. ប្រព័ន្ធបញ្ញាសិប្បនិមិត្តផ្នែកវេជ្ជសាស្រ្តផ្អែកលើមូលដ្ឋានទិន្នន័យអ្នកជំងឺ

ជាមួយគ្នានេះ អ្នកស្រាវជ្រាវបានកត់សម្គាល់ឃើញថា វាដំណើរការតាមរបៀបអាថ៌កំបាំង។ វាបានប្រែក្លាយចេញជាឧទាហរណ៍ថាវាគឺល្អសម្រាប់ ការទទួលស្គាល់ជំងឺផ្លូវចិត្តដូចជាជំងឺវិកលចរិក ដែលជាការលំបាកខ្លាំងណាស់សម្រាប់វេជ្ជបណ្ឌិត។ នេះពិតជាគួរឱ្យភ្ញាក់ផ្អើលជាពិសេសចាប់តាំងពីគ្មាននរណាម្នាក់មានគំនិតអំពីរបៀបដែលប្រព័ន្ធ AI ល្អខ្លាំងណាស់ក្នុងការមើលឃើញជំងឺផ្លូវចិត្តដោយផ្អែកលើកំណត់ត្រាវេជ្ជសាស្រ្តរបស់អ្នកជំងឺប៉ុណ្ណោះ។ បាទ អ្នកជំនាញមានការពេញចិត្តយ៉ាងខ្លាំងជាមួយនឹងជំនួយពីអ្នកវិភាគម៉ាស៊ីនដ៏មានប្រសិទ្ធភាពបែបនេះ ប៉ុន្តែពួកគេនឹងពេញចិត្តជាងនេះទៅទៀត ប្រសិនបើពួកគេយល់ពីរបៀបដែល AI ឈានដល់ការសន្និដ្ឋានរបស់វា។

ស្រទាប់នៃសរសៃប្រសាទសិប្បនិម្មិត

តាំងពីដើមដំបូងមក ពោលគឺចាប់ពីពេលដែលគំនិតនៃបញ្ញាសិប្បនិមិត្តត្រូវបានគេស្គាល់ មានទស្សនៈពីរលើ AI ។ ទីមួយបានស្នើថា អ្វីដែលសមហេតុសមផលបំផុតដែលត្រូវធ្វើគឺបង្កើតម៉ាស៊ីនដែលហេតុផលស្របតាមគោលការណ៍ដែលគេស្គាល់ និងតក្កវិជ្ជារបស់មនុស្ស ធ្វើឱ្យការងារផ្ទៃក្នុងរបស់ពួកគេមានតម្លាភាពចំពោះមនុស្សគ្រប់គ្នា។ អ្នកផ្សេងទៀតជឿថា ភាពវៃឆ្លាតនឹងលេចឡើងកាន់តែងាយស្រួល ប្រសិនបើម៉ាស៊ីនបានរៀនតាមរយៈការសង្កេត និងការពិសោធន៍ម្តងហើយម្តងទៀត។

ក្រោយមកទៀតមានន័យថា បញ្ច្រាសការសរសេរកម្មវិធីកុំព្យូទ័រធម្មតា។ ជំនួសឱ្យអ្នកសរសេរកម្មវិធីសរសេរពាក្យបញ្ជាដើម្បីដោះស្រាយបញ្ហា កម្មវិធីបង្កើត ក្បួនដោះស្រាយផ្ទាល់ខ្លួន ផ្អែកលើទិន្នន័យគំរូ និងលទ្ធផលដែលចង់បាន។ បច្ចេកទេសរៀនម៉ាស៊ីន ដែលក្រោយមកបានវិវឌ្ឍន៍ទៅជាប្រព័ន្ធ AI ដ៏មានឥទ្ធិពលបំផុតដែលគេស្គាល់សព្វថ្ងៃនេះ ទើបតែបានដើរលើផ្លូវសំខាន់។ កម្មវិធីម៉ាស៊ីនខ្លួនឯង.

វិធីសាស្រ្តនេះនៅតែមាននៅលើគែមនៃការស្រាវជ្រាវ AI ក្នុងទសវត្សរ៍ទី 60 និង 70 ។ មានតែនៅដើមទស្សវត្សមុនប៉ុណ្ណោះ បន្ទាប់ពីការផ្លាស់ប្តូរ និងការកែលម្អប្រកបដោយភាពច្នៃប្រឌិតមួយចំនួន។ បណ្តាញសរសៃប្រសាទ "ជ្រៅ" បានចាប់ផ្តើមបង្ហាញពីភាពប្រសើរឡើងរ៉ាឌីកាល់នៅក្នុងសមត្ថភាពនៃការយល់ឃើញដោយស្វ័យប្រវត្តិ។ 

Deep machine learning បានផ្តល់ឱ្យកុំព្យូទ័រនូវសមត្ថភាពមិនធម្មតា ដូចជាសមត្ថភាពក្នុងការទទួលស្គាល់ពាក្យនិយាយស្ទើរតែត្រឹមត្រូវដូចមនុស្ស។ នេះស្មុគ្រស្មាញពេក ជំនាញក្នុងការសរសេរកម្មវិធីជាមុន។ ម៉ាស៊ីនត្រូវតែអាចបង្កើត "កម្មវិធី" របស់ខ្លួនដោយ ការបណ្តុះបណ្តាលលើសំណុំទិន្នន័យដ៏ធំ.

ការរៀនស៊ីជម្រៅក៏បានធ្វើបដិវត្តការទទួលស្គាល់រូបភាពតាមកុំព្យូទ័រ និងធ្វើអោយគុណភាពនៃការបកប្រែតាមម៉ាស៊ីនកាន់តែប្រសើរឡើងយ៉ាងខ្លាំង។ សព្វ​ថ្ងៃ​នេះ​វា​ត្រូវ​បាន​គេ​ប្រើ​ដើម្បី​ធ្វើ​ការ​សម្រេច​ចិត្ត​សំខាន់ៗ​គ្រប់​ប្រភេទ​ក្នុង​ផ្នែក​វេជ្ជសាស្ត្រ ហិរញ្ញវត្ថុ ផលិតកម្ម និង​ច្រើន​ទៀត។

ទោះយ៉ាងណាក៏ដោយជាមួយទាំងអស់នេះ អ្នក​មិន​គ្រាន់​តែ​មើល​ទៅ​ក្នុង​បណ្តាញ​ប្រសាទ​ជ្រៅ​ដើម្បី​មើល​ពី​របៀប​ដែល​វា​ដំណើរការ​ "ក្រោម​ក្រណាត់" នោះ​ទេ។ ដំណើរការវែកញែកតាមបណ្តាញត្រូវបានបង្កប់នៅក្នុងឥរិយាបទរបស់ណឺរ៉ូនក្លែងធ្វើរាប់ពាន់ ដែលត្រូវបានរៀបចំជាដប់ ឬរាប់រយស្រទាប់ដែលទាក់ទងគ្នាយ៉ាងស្និទ្ធស្នាល។.

ណឺរ៉ូននីមួយៗនៅក្នុងស្រទាប់ទីមួយទទួលបានសញ្ញាបញ្ចូល ដូចជាអាំងតង់ស៊ីតេនៃភីកសែលក្នុងរូបភាព ហើយបន្ទាប់មកធ្វើការគណនាមុនពេលបញ្ចេញសញ្ញាទិន្នផល។ ពួកវាត្រូវបានបញ្ជូននៅក្នុងបណ្តាញស្មុគ្រស្មាញមួយទៅកាន់ណឺរ៉ូននៃស្រទាប់បន្ទាប់ - ហើយដូច្នេះនៅលើរហូតដល់សញ្ញាលទ្ធផលចុងក្រោយ។ លើសពីនេះទៀត មានដំណើរការដែលគេស្គាល់ថាជាការកែតម្រូវការគណនាដែលអនុវត្តដោយណឺរ៉ូននីមួយៗ ដើម្បីឱ្យបណ្តាញបណ្តុះបណ្តាលផលិតនូវលទ្ធផលដែលចង់បាន។

នៅក្នុងឧទាហរណ៍ដែលបានលើកឡើងជាញឹកញាប់ពាក់ព័ន្ធនឹងការទទួលស្គាល់រូបភាពឆ្កែ ស្រទាប់ខាងក្រោមនៃ AI វិភាគលក្ខណៈសាមញ្ញដូចជាគ្រោង ឬពណ៌។ អ្នកដែលមានកំពស់ខ្ពស់ដោះស្រាយបញ្ហាស្មុគស្មាញដូចជារោមភ្នែកឬភ្នែក។ មានតែស្រទាប់ខាងលើប៉ុណ្ណោះដែលនាំវាទាំងអស់រួមគ្នា ដោយកំណត់អត្តសញ្ញាណសំណុំព័ត៌មានពេញលេញជាឆ្កែ។

វិធីសាស្រ្តដូចគ្នានេះអាចត្រូវបានអនុវត្តចំពោះប្រភេទធាតុបញ្ចូលផ្សេងទៀតដែលផ្តល់ថាមពលដល់ម៉ាស៊ីនដើម្បីរៀនដោយខ្លួនឯង៖ សំឡេងដែលបង្កើតជាពាក្យនៅក្នុងសុន្ទរកថា អក្សរ និងពាក្យដែលបង្កើតជាប្រយោគនៅក្នុងអត្ថបទជាលាយលក្ខណ៍អក្សរ ឬជាឧទាហរណ៍ដៃចង្កូត។ ចលនាចាំបាច់ដើម្បីគ្រប់គ្រងយានយន្ត។

ម៉ាស៊ីនមិនខកខានអ្វីទាំងអស់។

ការប៉ុនប៉ងមួយត្រូវបានធ្វើឡើងដើម្បីពន្យល់ពីអ្វីដែលពិតជាកើតឡើងនៅក្នុងប្រព័ន្ធបែបនេះ។ ក្នុងឆ្នាំ 2015 អ្នកស្រាវជ្រាវ Google បានកែប្រែក្បួនដោះស្រាយការទទួលស្គាល់រូបភាពដែលផ្អែកលើការរៀនសូត្រស៊ីជម្រៅ ដូច្នេះជំនួសឱ្យការមើលឃើញវត្ថុនៅក្នុងរូបថត វាបង្កើត ឬកែប្រែពួកវា។ ដោយដំណើរការក្បួនដោះស្រាយថយក្រោយ ពួកគេចង់ស្វែងរកលក្ខណៈដែលកម្មវិធីប្រើដើម្បីសម្គាល់ និយាយថា បក្សី ឬអគារ។

ត្រូវបានគេស្គាល់ជាសាធារណៈដោយចំណងជើងរបស់ពួកគេ ការពិសោធន៍ទាំងនេះបានបង្កើតរូបភាពគួរឱ្យភ្ញាក់ផ្អើលនៃ (3) សត្វចម្លែក ទេសភាព និងតួអង្គ។ ខណៈពេលដែលពួកគេបានបង្ហាញពីអាថ៌កំបាំងមួយចំនួននៃការយល់ឃើញរបស់ម៉ាស៊ីន ដូចជាការពិតដែលថាលំនាំមួយចំនួនត្រូវបានបង្វិលត្រឡប់មកវិញ ហើយម្តងហើយម្តងទៀត ពួកគេក៏បានបង្ហាញពីរបៀបដែលការរៀនម៉ាស៊ីនស៊ីជម្រៅខុសពីការយល់ឃើញរបស់មនុស្ស - ឧទាហរណ៍ ក្នុងន័យថាវាពង្រីក និង ចម្លងវត្ថុបុរាណដែលយើងមិនអើពើនៅក្នុងការយល់ឃើញរបស់យើងដោយមិនគិត។ .

3. រូបភាពដែលបានបង្កើតនៅក្នុងគម្រោង

ដោយវិធីនេះ, ម៉្យាងវិញទៀត ការពិសោធន៍ទាំងនេះបានបង្ហាញពីអាថ៌កំបាំងនៃយន្តការនៃការយល់ដឹងផ្ទាល់ខ្លួនរបស់យើង។ ប្រហែលជាវាស្ថិតនៅក្នុងការយល់ឃើញរបស់យើងដែលថាមានសមាសធាតុដែលមិនអាចយល់បានជាច្រើនដែលធ្វើឱ្យយើងយល់ភ្លាមៗអំពីអ្វីមួយ ហើយមិនអើពើនឹងវា ខណៈពេលដែលម៉ាស៊ីនធ្វើម្តងទៀតដោយអត់ធ្មត់លើវត្ថុ "មិនសំខាន់" ។

ការធ្វើតេស្តនិងការសិក្សាផ្សេងទៀតត្រូវបានអនុវត្តនៅក្នុងការប៉ុនប៉ងដើម្បី "យល់" ម៉ាស៊ីន។ លោក Jason Yosinski គាត់បានបង្កើតឧបករណ៍មួយដែលដើរតួដូចជាការស៊ើបអង្កេតដែលជាប់គាំងនៅក្នុងខួរក្បាល ដោយកំណត់គោលដៅទៅលើណឺរ៉ូនសិប្បនិម្មិតណាមួយ ហើយស្វែងរករូបភាពដែលធ្វើអោយវាសកម្មបំផុត។ នៅក្នុងការពិសោធន៍ចុងក្រោយ រូបភាពអរូបីបានលេចឡើងជាលទ្ធផលនៃបណ្តាញ "ចារកម្ម" ដៃក្រហម ដែលធ្វើឱ្យដំណើរការដែលកើតឡើងនៅក្នុងប្រព័ន្ធកាន់តែអាថ៌កំបាំង។

ទោះជាយ៉ាងណាក៏ដោយ សម្រាប់អ្នកវិទ្យាសាស្ត្រជាច្រើន ការស្រាវជ្រាវបែបនេះគឺជាការយល់ខុសមួយ ពីព្រោះតាមគំនិតរបស់ពួកគេ ដើម្បីយល់ពីប្រព័ន្ធ ទទួលស្គាល់គំរូ និងយន្តការលំដាប់ខ្ពស់សម្រាប់ធ្វើការសម្រេចចិត្តដ៏ស្មុគស្មាញ។ អន្តរកម្មនៃការគណនាទាំងអស់។ នៅខាងក្នុងបណ្តាញសរសៃប្រសាទជ្រៅ។ វាជា labyrinth ដ៏ធំនៃមុខងារ និងអថេរគណិតវិទ្យា។ នៅពេលនេះវាមិនអាចយល់បានសម្រាប់យើង។

កុំព្យូទ័រនឹងមិនដំណើរការទេ? ហេតុអ្វី?

ហេតុអ្វី​បាន​ជា​វា​សំខាន់​ក្នុង​ការ​យល់​ពី​យន្តការ​ធ្វើ​សេចក្តី​សម្រេច​ចិត្ត​របស់​ប្រព័ន្ធ​បញ្ញា​សិប្បនិម្មិត​ទំនើប? គំរូគណិតវិទ្យាកំពុងត្រូវបានប្រើប្រាស់រួចហើយដើម្បីកំណត់ថាតើអ្នកទោសណាខ្លះអាចត្រូវបានដោះលែងដោយការដោះលែង ដែលអាចផ្តល់ឥណទាន និងដែលអាចទទួលបានការងារធ្វើ។ នរណាម្នាក់ដែលចាប់អារម្មណ៍ចង់ដឹងថាហេតុអ្វីបានជាការសម្រេចចិត្តពិសេសនេះត្រូវបានធ្វើឡើងហើយមិនមែនមួយផ្សេងទៀតទេតើហេតុផលនិងយន្តការរបស់វាគឺជាអ្វី។

- គាត់បានចូលរៀននៅខែមេសា 2017 នៅក្នុង MIT Technology Review ។ Tommy Jaakkolaសាស្ត្រាចារ្យនៅ MIT ដែលធ្វើការលើកម្មវិធីរៀនម៉ាស៊ីន។ -.

មានសូម្បីតែជំហរផ្លូវច្បាប់ និងនយោបាយ ដែលសមត្ថភាពក្នុងការពិនិត្យ និងយល់អំពីយន្តការនៃការសម្រេចចិត្តនៃប្រព័ន្ធ AI គឺជាសិទ្ធិជាមូលដ្ឋានរបស់មនុស្ស។

ចាប់តាំងពីឆ្នាំ 2018 មក សហភាពអឺរ៉ុបបាននឹងកំពុងធ្វើការលើការទាមទារឱ្យក្រុមហ៊ុនផ្តល់ការពន្យល់ដល់អតិថិជនរបស់ពួកគេអំពីការសម្រេចចិត្តដែលធ្វើឡើងដោយប្រព័ន្ធស្វ័យប្រវត្តិ។ វាប្រែថាពេលខ្លះវាមិនអាចធ្វើទៅបានទេសូម្បីតែជាមួយប្រព័ន្ធដែលហាក់ដូចជាសាមញ្ញ ដូចជាកម្មវិធី និងគេហទំព័រដែលប្រើវិទ្យាសាស្ត្រស៊ីជម្រៅដើម្បីបម្រើការផ្សាយពាណិជ្ជកម្ម ឬណែនាំបទចម្រៀង។

កុំព្យូទ័រដែលដំណើរការកម្មវិធីសេវាកម្មទាំងនេះដោយខ្លួនឯង ហើយពួកគេធ្វើដូច្នេះតាមរបៀបដែលយើងមិនអាចយល់បាន... សូម្បីតែវិស្វករដែលបង្កើតកម្មវិធីទាំងនេះក៏មិនអាចពន្យល់បានពេញលេញពីរបៀបដែលវាដំណើរការដែរ។