Pokračujeme v díle těch,
kteří byli první.

Aktuální vydání

Číslo 6/2019 vyšlo tiskem 5. 6. 2019. V elektronické verzi na webu 24. 6. 2019. 

Téma: Točivé elektrické stroje, pohony a výkonová elektronika; Elektromobilita

Hlavní článek
Hybridní pohon posunovací lokomotivy

Číslo 3/2019 vyšlo tiskem 11. 6. 2019. V elektronické verzi na webu 17. 7. 2019.

Veletrhy a výstavy
Euroluce 2019 očima designérky
Výstava Světlo v architektuře 2019
Amper 2019 v zajetí „chytrých“ technologií

Pro osvěžení paměti
Osvětlovací sklo z Kamenného pahorku

Aktuality

Logická mobilní hra „Zrecykluj to!“ naučí správně recyklovat elektrozařízení Cílem hry je zábavnou formou širokému publiku vysvětlit, že elektroodpad nepatří do…

FOR ARCH 2019 zaostří na chytrá města i na bezpečnost Objevte novou, chytřejší a bezpečnější budoucnostna 30. ročníku mezinárodního stavebního…

FEL_Camp pro středoškoláky Jak přežít v přírodě a opatřit si základní životní potřeby, jako je připojení k internetu…

Osram přebírá společnost Ring Automotive Po schválení převzetí společnosti Ring Automotive společností Osram britským Úřadem pro…

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-