Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 12/2018 vyšlo tiskem 5. 12. 2018. V elektronické verzi na webu 5. 1. 2019. 

Téma: Měření a měřicí přístroje; Zkušebnictví a diagnostika

Hlavní článek
Termovízne merania v energetike
Smart Cities (5. část)

Číslo 6/2018 vyšlo tiskem 3. 12. 2018. V elektronické verzi na webu 4. 1. 2019.

Svítidla a světelné přístroje
Modulární světlomety Siteco
Dekorativní svítidlo PRESBETON H-E-X z ucelené řady městského mobiliáře
LED svítidla ESALITE – revoluce v oblasti průmyslového osvětlení

Denní světlo
O mediánové osvětlenosti denním světlem
Odborný seminář Denní světlo v praxi

Aktuality

Elektromobil nabitý za 30 minut Společnost ABB jako celosvětový lídr v oblasti e-mobility pro hromadnou i osobní přepravu…

Zavedení družicové navigace na pražské tramvaje může zvýšit jejich bezpečnost Technologii dnes otestovali odborníci z Fakulty elektrotechnické ČVUT v Praze ve…

ŠKODA AUTO DigiLab začíná v Praze testovat mobilní nabíjecí stanice pro elektromobily ŠKODA AUTO DigiLab spustila v Praze pilotní fázi nového projektu mobilních nabíjecích…

Nejlepší projekt energetických úspor na Slovensku je z dílny ENESA z ČEZ ESCO V Bratislavě se předávaly ceny za nejlepší slovenské energeticky úsporné projekty. Letos…

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-