Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 2/2019 vyšlo tiskem 13. 2. 2019. V elektronické verzi na webu 11. 3. 2019. 

Téma: Elektrické přístroje – spínací, jisticí, ochranné, signalizační a speciální

Hlavní článek
Perspektivní topologie výkonových měničů
Smart Cities (7. část)

Číslo 1/2019 vyšlo tiskem 4. 2. 2019. V elektronické verzi na webu 5. 3. 2019.

Veletrhy a výstavy
Pozvánka na výstavu SVĚTLO V ARCHITEKTUŘE
Prolight + Sound 2019: pojďte s dobou
Světlo na veletrhu For Arch 2018

Veřejné osvětlení
Světla měst a obcí 2018 – setkání u kulatého stolu

Aktuality

50. konferencia elektrotechnikov Slovenska SEZ-KES Vás pozýva na jubilejnú 50. konferenciu elektrotechnikov Slovenska, ktorá sa…

Do přípravy Národní strategie umělé inteligence se zapojí široká veřejnost Ministerstvo průmyslu a obchodu spustilo konzultaci s odbornou veřejností, firmami i…

Ještě větší FOR PASIV a FOR WOOD 2019 Sedmý veletrh nízkoenergetických, pasivních a nulových staveb FOR PASIV, který proběhne v…

Novým děkanem FEL ČVUT v Praze byl zvolen prof. Petr Páta V pátek 25. ledna se na Fakultě elektrotechnické ČVUT v Praze konalo 30. řádné zasedání…

Více aktualit

Může se TensorFlow stát nástrojem revoluce systémů umělé inteligence?

02.12.2015 | Wired | www.wired.com

Google nedávno uvolnil svůj elegantní a mocný open source systém pro umělou inteligenci TensorFlow. Google používá tento software strojového učení pro své produkty, ať už jde o rozpoznávání řeči či fotografií na webu.

Nyní je systém k dispozici každému. Co to znamená pro budoucí systémy umělé inteligence? Přesto, že je TensorFlow jedinečným nástrojem, může urychlit vytváření systémů umělé inteligence, jejichž pochopení a komunikace s nimi bude velmi komplikovaná. Může odvádět naši pozornost na experimentování s matematickými triky, namísto na porozumění procesu lidského myšlení.

Systémy umělé inteligence

Cílem TensorFlow je vývoj systémů strojového učení, které vyžadují složité numerické výpočty, jako umělé neuronové sítě (ANNs). Problém těchto systémů tkví v jejich složitosti - jsou složeny z milionů čísel, které jsou příliš komplikované pro běžné použití.

Řekněme, že naučíme ANN, aby rozpoznávala kočky. Jakmile tedy detekuje obrázek kočky, který je pro ni nový, nedokáže nám vysvětlit, proč a jak to udělala. A pokud ANN nedokáže rozpoznat kočku na obrázku, je pro nás obtížné tento problém vyřešit. To má několik řešení - můžeme tuto chybu ignorovat, dodat ANN více dat, nebo upravit vyhledávací algoritmus. Jedná se ale o jednoduché pomůcky, protože tyto stále neřeší problém s kočkou. Aplikují se totiž na oblast umělých neuronových sítí. Bylo by mnohem jednodušší, kdybychom prostě řekli systému, že může kočky rozpoznat.

Systémy umělé inteligence se v budoucnu stanou ještě větší součástí našich životů, protože se na ně spoléháme čím dál více, když přijde na důležitá rozhodnutí. A když se systém umělé inteligence dopustí chyby (jak se tomu již stalo a neodvratně k tomu ještě dojde), musíme být schopni porozumět těmto chybám a komunikovat s těmito systémy, abychom chyby opravili.

Celý článek na Wired

Image Credit: Google

-jk-