Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 3/2017 vyšlo tiskem 15. 3. 2017. V elektronické verzi na webu bude ihned. 

Téma: Amper 2017 – 25. mezinárodní elektrotechnický veletrh

Hlavní článek
Problémy elektromobility

Číslo 2/2017 vyšlo tiskem 17. 3. 2017. V elektronické verzi na webu bude ihned.

Veletrhy a výstavy
Inspirativní osvětlení ze zahraničních veletrhů 

Příslušenství osvětlovacích soustav
Na osvětlení provozu lze šetřit s minimem investic
Maxos fusion – nový rychlomontážní systém Philips
Inteligentní řešení DALISYS® pro řízení osvětlení

Aktuality

MSV 2017 zacílí na Průmysl 4.0, automatizaci, environmentální technologie, dopravu a logistiku Již potřetí se na MSV 2017 upře pozornost na nové trendy průmyslové výroby. Průmysl 4.0 s…

Současné možnosti elektromobility představí AMPER Motion 2017 Největší přehlídka elektromobility v ČR proběhne 21.- 24. 3. na brněnském výstavišti a…

Startuje 9. ročník největší tuzemské ekologické soutěže Odstartoval již 9. ročník největší tuzemské ekologické soutěže E.ON Energy Globe.…

V distribuční soustavě (DS) ČEZ Distribuce, a. s. je vyhlášen kalamitní stav Od 9 h dne 24.2.2017 je vyhlášen kalamitní stav v Karlovarském kraji - okres Karlovy Vary…

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-