Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 7/2019 vyšlo tiskem 26. 6. 2019. V elektronické verzi na webu 26. 7. 2019. 

Téma: Kabely, vodiče a kabelová technika; Nářadí, nástroje a zařízení pro práci s kabely

Hlavní článek
Správa aktiv a potřeba diagnostiky v Průmyslu 4.0

Číslo 4/2019 vyšlo tiskem 29. 7. 2019. V elektronické verzi na webu 29. 8. 2019.

Světelně-technická zařízení
Foxtrot řídí nové sídlo asociace barmanů
Dynamické osvětlení kaple Anděla Strážce v Sušici

Příslušenství osvětlovacích soustav
Bezpečnost, úspornost a komfort s KNX
Celosvětově první LED spínaný zdroj s rozhraním KNX od výrobce MEAN WELL
KNX – systém s budoucností
Schmachtl – konektorová instalace gesis

Aktuality

Společnost ABB jmenovala generálním ředitelem Björna Rosengrena Představenstvo společnosti ABB jednohlasně jmenovalo Björna Rosengrena generálním…

Studentské formule ČVUT v Praze přivezly z Mostu zlatou a stříbrnou medaili Ve dnech 13. až 17. srpna se na polygonu u Autodromu Most konal mezinárodní závod…

Nový pobočný spolek ČSO – region Praha Po mnoha letech existence České společnosti pro osvětlování byl v červnu tohoto roku…

Digitální továrna 2.0 na MSV 2019 Digitální továrna 2.0 je jedním z hlavních témat Mezinárodního strojírenského veletrhu…

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-