Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 6/2017 vyšlo tiskem 7. 6. 2017. V elektronické verzi na webu od 26. 6. 2017. 

Zdůrazněné téma: Točivé el. stroje; Pohony a výkonová elektronika; Měniče frekvence; Elektromobilita

Hlavní článek
Použití programovatelných logických obvodů v elektrických pohonech
Stejnosměrné elektrické stroje s permanentními magnety

Číslo 3/2017 vyšlo tiskem 9. 6. 2017. V elektronické verzi na webu bude 10. 7. 2017.

Světelné zdroje
Terminologie LED světelných zdrojů 

Denní světlo
Denní osvětlení velkých obytných místností
Svetelnotechnické posudzovanie líniových stavieb

Aktuality

Startuje hlasování veřejnosti o vítězích 9. ročníku ekologické soutěže E.ON Energy Globe V Praze byly 20. 6. 2017 slavnostně představeny nominované projekty 9. ročníku prestižní…

Nejnovější monopost týmu ČVUT eForce FEE Prague Formula se představil na Václavském náměstí Dne 16. června se v dolní části Václavského náměstí prezentoval tým Fakulty…

IQRF Summit 2017 svědkem reálných IoT aplikací Akce zaměřená na reálná řešení v oblasti chytrých měst, budov, domácností, transportu,…

Konference Internet a Technologie 17 Sdružení CZ.NIC, správce české národní domény, si Vás dovoluje pozvat na již tradiční…

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-