Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 2/2017 vyšlo tiskem 17. 2. 2017. V elektronické verzi na webu od 10. 3. 2017. 

Téma: Elektrické přístroje – spínací, jisticí, ochranné a signalizační; Přístroje pro inteligentní sítě

Hlavní článek
Atypický návrh výkonového stejnosměrného zdroje se středofrekvenčním transformátorovým filtrem rušivého napětí

Číslo 1/2017 vyšlo tiskem 7. 2. 2017. V elektronické verzi na webu od 7. 3. 2017.

Veletrhy a výstavy
Pozvánka na výstavu SVĚTLO V ARCHITEKTUŘE 2017 

Architekturní a scénické osvětlení
Světelný design v kostce – Část 28
Osvětlení spiegeltentu a jeho specifika

Aktuality

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…

Veletrh Věda Výzkum Inovace 2017 zahájí místopředseda vlády Pavel Bělobrádek Letošní ročník Veletrhu Věda Výzkum Inovace zahájí na brněnském výstavišti 28. února 2017…

Chytré lampy PRE potvrdily zhoršenou smogovou situaci v Praze Chytré lampy PRE potvrdily v rámci svého pilotního provozu, že v Holešovicích a…

Jak se bydlí v pasivních domech, řeknou jejich majitelé na veletrhu FOR PASIV Další ročník veletrhu FOR PASIV, který je zaměřený na projektování a výstavbu…

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-