Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 5/2017 vyšlo tiskem 11. 5. 2017. V elektronické verzi na webu od 2. 6. 2017. 

Zdůrazněné téma: Ochrana před bleskem a přepětím;
23. ELO SYS 2017

Hlavní článek
Vibrace točivých strojů s magnetickými ložisky

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

Projekt studentů FEL ČVUT v Praze míří na celosvětové finále Microsoft Imagine Studentský startup XGLU, zabývající se vývojem bezbateriového glukometru, vybojoval…

ČEZ zřizuje novou divizi jaderná energetika. Povede ji Bohdan Zronek Vedení Skupiny ČEZ rozhodlo o vzniku nové divize jaderná energetika s platností od 1.…

Příští týden začne v Praze strojírenský veletrh FOR INDUSTRY Letos na něm předvedou jedinečné novinky české společnosti. Spojení designu a moderní…

Vadné adaptéry Tesla poškozují rychlodobíjecí stanice V uplynulých dnech na rychlodobíjecích stanicích ČEZ zaznamenal už několikátý případ…

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-