Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 12/2017 vyšlo tiskem 6. 12. 2017. V elektronické verzi na webu od 5. 1. 2018. 

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

Hlavní článek
Meranie točivých strojov s použitím metódy SFRA
Aplikační možnosti ultrakapacitorů a akumulátorů LiFePO4 v trolejbusové síti Dopravního podniku města Brna

Číslo 6/2017 vyšlo tiskem 11. 12. 2017. V elektronické verzi na webu bude 11. 1. 2018.

Světelnětechnická zařízení
Osvětlení univerzitní budovy Centrale Supélec v Saclay ve Francii
Světlo pro naši budoucnost

Denní světlo
Použití a posuzování světlovodů Solatube®

Aktuality

Temelín dosáhl nejvyšší roční výroby Elektřinu, která by českým domácnostem vystačila na téměř 12 měsíců, vyrobila od začátku…

MONETA Money Bank se jako první firma v ČR rozhodla zcela přejít na elektromobily MONETA Money Bank se jako první společnost v České republice oficiálně rozhodla, že do…

ŠKODA AUTO bude od roku 2020 v Mladé Boleslavi vyrábět vozy s čistě elektrickým pohonem ŠKODA AUTO bude vozy s čistě elektrickým pohonem vyrábět v závodě v Mladé Boleslavi. Již…

Soutěž o nejlepší realizovaný projekt KNX instalace Spolek KNX národní skupina České republiky, z. s. vyhlásil soutěž o nejlepší projekt…

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-