Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 7/2017 vyšlo tiskem 28. 6. 2017. V elektronické verzi na webu od 28. 7. 2017. 

Téma: Kabely, vodiče a kabelová technika; Konektory; Software; Značení a štítkování

Hlavní článek
Elektrická izolace a tepelná vodivost

Číslo 4/2017 vyšlo tiskem 8. 8. 2017. V elektronické verzi na webu bude 8. 9. 2017.

Účinky a užití optického záření
Svatojánský brouček očima světelného technika

Světelnětechnická zařízení
OSRAM TecDay Česká republika 2017
Osvětlení pracovny provinciála dominikánů v Praze
innogy – rekonstrukce administrativního sídla společnosti

Aktuality

FOR ARCH 2017 přinese řadu zajímavých soutěží a konferencí Osmadvacátý ročník mezinárodního stavebního veletrhu FOR ARCH, který se uskuteční ve…

Premiér navštívil hlavní sídlo provozovatele přenosové soustavy Předseda vlády Bohuslav Sobotka a ministr průmyslu a obchodu Jiří Havlíček se přímo na…

Finálové kolo soutěže EBEC přivede do Brna 120 nejlepších inženýrů z celé Evropy Co vše je možné stihnout navrhnout, smontovat a následně odprezentovat během dvou dní? To…

Co si akce „Světlo v praxi“ klade za cíle V České republice se prvním rokem koná akce v oblasti světelné techniky, která chce…

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-