Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 12/2016 vyšlo tiskem 7. 12. 2016. V elektronické verzi na webu od 6. 1. 2017. 

Téma: Měření, měřicí přístroje a měřicí technika; Zkušebnictví a diagnostika

Hlavní článek
Lithiové trakční akumulátory pro elektromobilitu (2. část – dokončení)

Číslo 6/2016 vyšlo tiskem 5. 12. 2016. V elektronické verzi na webu od 5. 1. 2017.

Osvětlení interiérů
Seminář Interiéry 2016 – páté výročí
Součinnost bytového interiéru a osvětlení 

Normy, předpisy a doporučení
Nové normy pro osvětlení pozemních komunikací

Aktuality

Svítící fasáda FEL ČVUT nabídne veřejnosti interaktivní program s názvem Creative Colours of FEL Dne 13. prosince v 16.30 hodin se v pražských Dejvicích veřejnosti představí interaktivní…

Fakulta elektrotechnická je na špici excelentního výzkumu na ČVUT Expertní panely Rady vlády pro výzkum, vývoj, inovace (RVVI) vybraly ve II. pilíři…

Švýcaři v referendu odmítli uzavřít jaderné elektrárny dříve V referendu hlasovalo 45 procent obyvatel, z toho 54,2 procent voličů řeklo návrhu na…

Fakulta elektrotechnická ČVUT v Praze pořádá 25. 11. 2016 den otevřených dveří Fakulta elektrotechnická ČVUT v Praze pořádá 25. listopadu od 8.30 hodin Den otevřených…

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-