The main question when creating artificial intelligence is how the learning process takes place.
1 way:
and, it must be acknowledged that these attempts are rather effective and have borne fruit in a number of industries:
1)Unmanned cars (companies Tesla и Google)
Modern attempts to create AI are based primarily on neural networks,
2)Pattern recognition (Google images)
3)Speech recognition (Siri, OK Google)
4)Universal translator (Google translator)
But the approach to creating AI based on neural networks has a number of limitations stemming from the very meaning of neural networks. What are neural networks?
This is a huge set of small signal transmitters - neurons (in the human brain up to 100 billion pieces) interacting with each other. These transmitters can receive and send signals in accordance with a certain behavior program.
There are different models and different programs, but in essence the work of neural networks can be described as follows: imagine a person to whom important information was transmitted - this person got excited, started to try to find to whom can be transfered this important information and distribute the information as much as possible Wider. And so he began to run up to everyone on the street in an attempt to tell his knowledge. But someone is very busy and can not answer, someone can, but does not understand the person seeking communication. Someone can and understands - but just do not know what to do next with this information and turns out to be a dead-end addressee. And only a few will be able to receive the signal, understand the signal and broadcast it further. Neurons also behave the same way. After receiving the signal, they randomly communicate to all the other neurons in an attempt to spread the signal further. So chains of neural connections are built-chains of those neurons that could interact.
The key problem is that a random walk of the signal in search of the addressee can last too long (millions of years) or may not be successful at all (in view of the death of the neuron or switching it to other tasks).
ie once again - learning based only on neural networks is too long a path and an unreliable path because by chance.
Therefore, there are other ways:
2 way: repetition
Thus, children are taught in schools in 90% of cases. Multiple repetition of a preconceived program leads to its assimilation. But there is no so-called creative element.
Reason, brought up on repetition, gets used to it and becomes incapable of independent learning through neural networks - a long, but effective way. And just as incapable of analyzing and structuring information - to the 3-rd way, which the Pangeya technology pave to create the AI
3 way: analysis of information structure
THINKING IS A COMPARISION! - here it is the key idea of the whole technology Pangeya: comparison of blocks of information through analysis of the structure of this information!
To create the idea, to the signal between neurons has passed - it is necessary to note the similarity of one block of information to another!
ie imagine again a man running along the street in an attempt to convey a thought - but speaking a foreign language with everyone on the street - he can not do it! He is just no one will understand! But if a person speaks one language with you or at least looks like a SIMILAR language, then you already have chances to understand each other.
So it is with artificial intelligence. He takes into consideration two blocks of information: and if he finds them in something similar - creates a link. If they are completely different, it compares other blocks of information until a link is found.
And the structure of information can be described through objects endowed with properties. And it is through the comparison of properties that we can compare objects with each other and establish their similarities.
People never come up anything, and it's impossible at all. You can observe the surrounding reality, and compare the previously stored information with information coming from outside. If we find a strong similarity of what is available and come - an idea is born = a link. And we always inevitably make a comparison by analyzing the properties of objects
So, for example, from the table above you can see that Tomato and the Sun are more similar to each other (by the properties of the form and color) than the grandfather Frost and the tomato (by the properties of the color).
In conclusion, I must say that all three of the above-mentioned methods of learning are important and necessary. And they should be used all 3-only so you can achieve effective result.
Neural networks are good - when you are learning something completely new, generally unknown. But this is long and unreliable.
Repetition and ready algorithms are good - where the articficial intellegence should be taught very quickly and accurately to something already known in advance.
And the analysis of the structure of information is simply vital, when it is necessary to create new information on the basis of what was previously studied through the formation of links = similarities based on the analysis of the properties of objects. This is the so-called logical thinking.
Essentially, all 3 ways are manifestations of different aspects of the same process:
1)repetition: people contribute to their accounts the information they know, i.e. as a matter of fact repeat that already know to the computer
2)the information entered will randomly be compared in its structure with other information described in the same properties - neural networks operate here, they will carry out a search process with whom to interact
3)and finally, at the tip of the pen - at the moment of contact of 2 blocks of information selected by the neural network, objects will be compared through their properties
//--------------------------------------------------------------------------
-
Главный вопрос при создании искусственного интеллекта состоит в том, как устроен процесс обучения.
1 путь:
Современные попытки создать ИИ основаны преимущественно на нейронных сетях, и, надо признать эти попытки весьма эффективны и принесли свои плоды в целом ряде отраслей:
1)Беспилотные автомобили (компании Tesla и Google)
2)Распознавание образов (Google картинки)
3)Распознавание речи (Siri, OK Google)
4)Универсальный переводчик (Google переводчик)
Но у подхода к созданию ИИ на основе нейронных сетей есть целый ряд ограничений, вытекающих из самого смысла нейронных сетей. Что же такое нейронные сети?
Это гигантский набор маленьких передатчиков сигналов (в мозгу человека до 100 млрд штук), взаимодействующих друг с другом. Эти передатчики могут принимать и отдавать сигналы в соответствии с некоторой программой поведения.
Есть разные модели и разные программы, но по своей сути работа нейронных сетей может быть описана следующим образом: представьте себе человека, которому передали важные сведения - этот человек возбудился, получил импульс и начал пытаться искать кому бы эти важные сведения передать и распространить их как можно шире. И вот он начал подбегать ко всем на улице в попытках рассказать свое знание. Но кто-то очень сильно занят и не может ответить, кто-то может, но не понимает ищущего общения человека. Кто-то может и понимает - только не знает что дальше делать с этими сведениями и оказывается тупиковым адресатом. И лишь немногие смогут принять сигнал, понять сигнал и транслировать его дальше. Так же себя ведут нейроны. Они, получив сигнал, хаотично, случайным образом тыкаются ко всем подряд другим нейронам в попытках распространить сигнал дальше. Так выстраиваются цепочки нейронных связей - цепочки тех нейронов, которые смогли провзаимодействовать.
Ключевая проблема - случайное блуждание сигнала в поисках адресата может продолжаться слишком долго (миллионы лет) или может оказаться неуспешным вообще (в виду гибели нейрона или переключения его на другие задачи).
Т.е. еще раз - обучение, основанное только на нейронных сетях - слишком долгий путь и ненадежный путь в силу своей случайности.
Поэтому есть другие пути:
2 путь: повторение
Таким образом детей учат в школах в 90% случаев. Многократное повторение заранее продуманной программы ведет к ее усвоению. Но при этом отсутствует так называемый творческий элемент. Разум, воспитанный на повторении, привыкает к этому и становится не способен к самостоятельному обучению через нейронные сети - долгому, но действенному пути. А так же не способен к анализу и структурирование информации - к 3-му пути, проложить который при создании ИИ и призвана технология Pangeya
3 путь: анализ структуры информации
МЫШЛЕНИЕ ЕСТЬ СРАВНЕНИЕ! - вот она ключевая мысль всей технологии Pangeya: сравнение блоков информации через анализ структуры этой информации!
Чтобы родилась мысль, чтобы сигнал между нейронами прошел - необходимо заметить похожесть одного блока информации с другим!
Т.е. представим снова человека, бегающего по улице в попытке передать мысль - но разговаривающего на иностранном языке со всеми на улице - он не сможет этого сделать! Его просто никто не поймет! Но если человек говорит на одном с Вами языке или хотя бы на ПОХОЖЕМ, родственном языке - то у Вас уже есть шансы понять друг друга.
Так же и с искусственным разумом. Он принимает к рассмотрению 2 блока информации: и если находит их в чем-то похожими - создает связь. Если же они полностью различны - сравнивает другие блоки информации, пока связь не будет найдена.
А структура информации может быть описана через объекты, наделенные свойствами. И именно через сравнение свойств мы можем сравнивать объекты между собой и устанавливать их похожести.
Люди никогда ничего не придумывают, и вообще придумать что-то невозможно. Можно наблюдать за окружающей реальностью, и сравнивать ранее запомненную информацию с информацией поступающей извне. Если мы обнаруживаем сильную похожесть имеющегося и пришедшего - рождается мысль=связь. А сравнение мы всегда неизбежно производим через анализ свойств объектов
Так, например из таблицы Выше видно, что Помидор и Солнце похожи друг на друга больше (по свойствам формы и цвета), чем дед Мороз и помидор (по свойствам цвета).
В заключение надо сказать, что все 3 вышеперечисленных способа обучения важны и нужны. И они должны применяться все 3 -только так можно добиться эффиктивного обучения.
Нейронные сети хороши - когда изучается что-то совсем новое, вообще неизвестное. Но это долго и ненадежно.
Повторение и готовые алгоритмы хороши - там где интеллект надо предельно быстро и четко научить чему-то уже заранее известному.
А анализ структуры информации - просто жизненно необходим, когда нужно создавать новую информацию на основе ранее изученной за счет формирования связей=похожестей на основе анализа свойств объектов. Это и есть так называемое логическое мышление.
По существу все 3 пути - это проявление разных аспектов одного и того же процесса:
И технология Pangeya будет работать так:
1)повторение: люди вносят в свои аккаунты известную им информацию, т.е. по сути повторяют то, что уже знают своему компьютеру
2)внесенная информация хаотично будет сравниваться по своей структуре с другой информацией описанной в тех же свойствах - тут работают нейронные сети, они будут осуществлять процесс поиска с кем бы провзаимодействовать
3)и наконец, на кончике пера - в момент контакта 2-х блоков информации, выбранных нейронной сетью, будет происходит сравнение объектов через их свойства
|
|
|
|
