Файл: Контрольная работа Иностранный язык (английский) по дисциплине.docx
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 04.12.2023
Просмотров: 49
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Выступая перед аудиторией на выставке Japan AI Experience в 2017 году, генеральный директор DataRobot Джереми Ачин начал свое выступление со следующего определения того, как ИИ используется сегодня:
"ИИ-это компьютерная система, способная выполнять задачи, которые обычно требуют человеческого интеллекта... Многие из этих систем искусственного интеллекта основаны на машинном обучении, некоторые из них основаны на глубоком обучении, а некоторые из них основаны на очень скучных вещах, таких как правила."
КАК ИСПОЛЬЗУЕТСЯ ИИ?
Искусственный интеллект обычно подпадает под две широкие категории:
Узкий ИИ: Иногда называемый "Слабым ИИ", этот вид искусственного интеллекта работает в ограниченном контексте и является симуляцией человеческого интеллекта. Узкий ИИ часто фокусируется на выполнении одной задачи чрезвычайно хорошо, и хотя эти машины могут казаться интеллектуальными, они работают в гораздо больших ограничениях, чем даже самый простой человеческий интеллект.
Искусственный общий интеллект (ИОИ): ИИ, иногда называемый "Сильным ИИ", - это вид искусственного интеллекта, который мы видим в фильмах, таких как роботы из Западного мира или Дейта из "Звездного пути: Следующее поколение". ИОИ - это машина с общим интеллектом, и, как и человек, она может применить этот интеллект для решения любой проблемы.
ПРИМЕРЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Умные помощники (такие как Siri и Alexa)
Инструменты отображения и прогнозирования заболеваний
Производство и беспилотные роботы
Оптимизированные, персонализированные рекомендации по медицинскому лечению
Разговорные боты для маркетинга и обслуживания клиентов
Робо-советники для торговли акциями
Фильтры спама по электронной почте
Инструменты мониторинга социальных сетей на предмет опасного контента или ложных новостей
Рекомендации по песням или телешоу от Spotify и Netflix
Узкий Искусственный Интеллект
Узкий ИИ повсюду вокруг нас и, несомненно, является самой успешной реализацией искусственного интеллекта на сегодняшний день. Сосредоточившись на выполнении конкретных задач, узкий ИИ за последнее десятилетие пережил многочисленные прорывы, которые принесли "значительные социальные выгоды и способствовали экономической жизнеспособности нации", согласно "Подготовке к будущему искусственного интеллекта", отчету за 2016 год, опубликованному администрацией Обамы.
Несколько примеров узкого ИИ включают в себя:
Поиск в Google
Программное обеспечение для распознавания изображений
Сири, Алекса и другие личные помощники
Самоуправляемые автомобили
IBM Watson
Машинное обучение и глубокое обучение
Большая часть узкого ИИ основана на прорывах в машинном обучении и глубоком обучении. Понимание разницы между искусственным интеллектом, машинным обучением и глубоким обучением может привести к путанице. Венчурный капиталист Фрэнк Чен дает хороший обзор того, как их различать, отмечая:
"Искусственный интеллект-это набор алгоритмов и интеллекта, которые пытаются имитировать человеческий интеллект. Машинное обучение-один из них, и глубокое обучение - один из тех методов машинного обучения."
Проще говоря, машинное обучение питает компьютер данными и использует статистические методы, чтобы помочь ему "узнать", как постепенно улучшить выполнение задачи, не будучи специально запрограммированным для этой задачи, устраняя необходимость в миллионах строк письменного кода. Машинное обучение состоит как из контролируемого обучения (с использованием маркированных наборов данных), так и из неконтролируемого обучения (с использованием немаркированных наборов данных).
Глубокое обучение-это тип машинного обучения, который запускает входные данные через биологически вдохновленную архитектуру нейронной сети. Нейронные сети содержат ряд скрытых слоев, через которые обрабатываются данные, что позволяет машине "углубляться" в свое обучение, устанавливая связи и взвешивая входные данные для достижения наилучших результатов.
Искусственный общий интеллект
Создание машины с интеллектом человеческого уровня, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиск ИИ был сопряжен с трудностями.
Поиск "универсального алгоритма для обучения и действий в любой среде" (Рассел и Норвиг) не является новым, но время не уменьшило трудности создания машины с полным набором когнитивных способностей.
ИОИ уже давно стала музой антиутопической научной фантастики, в которой сверхразумные роботы наводняют человечество, но эксперты сходятся во мнении, что в ближайшее время нам не о чем беспокоиться.
ИСТОРИЯ ИИ
Разумные роботы и искусственные существа впервые появились в древнегреческих мифах. Развитие Аристотелем силлогизма и его использование дедуктивных рассуждений было ключевым моментом в стремлении человечества понять свой собственный интеллект. Хотя корни этого явления длинны и глубоки, история искусственного интеллекта в том виде, в каком мы думаем о нем сегодня, насчитывает менее столетия. Ниже приведен краткий обзор некоторых наиболее важных событий в ИИ.
1943
Уоррен Маккалоу и Уолтер Питтс публикуют "Логическое исчисление идей, имманентных нервной деятельности." В статье предложена первая математическая модель построения нейронной сети.
1949
В своей книге "Организация поведения: нейропсихологическая теория" Дональд Хебб предлагает теорию о том, что нейронные пути создаются из опыта и что связи между нейронами становятся тем сильнее, чем чаще они используются. Хеббианское обучение продолжает оставаться важной моделью в ИИ.
1950
Алан Тьюринг публикует "Вычислительные машины и интеллект", предлагая то, что сейчас известно как тест Тьюринга, метод определения того, является ли машина разумной.
Студенты Гарвардского университета Марвин Мински и дин Эдмондс построили SNARC, первый компьютер с нейронной сетью.
Клод Шеннон публикует статью "Программирование компьютера для игры в шахматы."
Айзек Азимов публикует книгу "Три закона робототехники."
1952
Артур Сэмюэль разрабатывает программу самообучения для игры в шашки.
1954
Эксперимент по машинному переводу Джорджтауна и IBM - машина автоматически переводит 60 тщательно отобранных русских предложений на английский язык.
1956
Фраза "искусственный интеллект" была придумана в рамках "Дартмутского летнего исследовательского проекта по искусственному интеллекту"." Возглавляемая Джоном Маккарти конференция, которая определила масштабы и цели ИИ, считается рождением искусственного интеллекта в том виде, в каком мы его знаем сегодня.
Аллен Ньюэлл и Герберт Саймон демонстрируют теоретика логики (LT), первую программу рассуждений.
1958
Джон Маккарти разрабатывает язык программирования ИИ Lisp и публикует статью "Программы со здравым смыслом." В статье предлагался гипотетический Советчик, полная система искусственного интеллекта, способная учиться на опыте так же эффективно
, как и люди.
1959
Аллен Ньюэлл, Герберт Саймон и Джей Си Шоу разрабатывают Общий решатель проблем (GPS), программу, предназначенную для имитации решения проблем человеком.
Герберт Гелернтер разрабатывает программу доказательства геометрических теорем.
Артур Сэмюэл ввел термин "машинное обучение", работая в IBM.
Джон Маккарти и Марвин Мински основали проект искусственного интеллекта Массачусетского технологического института.
1963
Джон Маккарти открывает лабораторию искусственного интеллекта в Стэнфорде.
1966
В докладе Консультативного комитета по автоматической обработке языков (ALPAC) правительства США подробно говорится об отсутствии прогресса в исследованиях машинного перевода-крупной инициативе времен Холодной войны, обещающей автоматический и мгновенный перевод русского языка. Отчет ALPAC приводит к отмене всех финансируемых правительством проектов МТ.
1969
Первые успешные экспертные системы разработаны в DENDRAL, программе XX, а MYCIN, предназначенная для диагностики инфекций крови, создана в Стэнфорде.
1972
Создан язык логического программирования PROLOG.
1973
"Отчет Лайтхилла", в котором подробно описываются разочарования в исследованиях ИИ, публикуется британским правительством и приводит к серьезному сокращению финансирования проектов в области искусственного интеллекта.
1974-1980
Разочарование в прогрессе развития ИИ приводит к значительному сокращению академических грантов DARPA. В сочетании с более ранним отчетом ALPAC и прошлогодним "Отчетом Лайтхилла" финансирование искусственного интеллекта иссякает, а исследования останавливаются. Этот период известен как "Первая зима ИИ"."
1980
Digital Equipment Corporation разрабатывает R1 (также известный как XCON), первую успешную коммерческую экспертную систему. Разработанная для настройки заказов на новые компьютерные системы, R1 запускает инвестиционный бум в экспертных системах, который продлится большую часть десятилетия, фактически положив конец первой "зиме искусственного интеллекта"."
1982
Министерство международной торговли и промышленности Японии запускает амбициозный проект по созданию компьютерных систем пятого поколения. Целью FGCS является разработка производительности, подобной суперкомпьютеру, и платформы для разработки ИИ.
1983
В ответ на FGCS Японии правительство США запускает Стратегическую вычислительную инициативу, чтобы обеспечить финансируемые DARPA исследования в области передовых вычислений и искусственного интеллекта.
1985
Компании тратят более миллиарда долларов в год на экспертные системы, и для их поддержки возникает целая индустрия, известная как рынок машин Lisp. Такие компании, как Symbolics и Lisp Machines Inc., создают специализированные компьютеры для работы на языке программирования ИИ Lisp.
1987-1993
По мере совершенствования вычислительных технологий появились более дешевые альтернативы, и рынок машин Lisp рухнул в 1987 году, открыв "Вторую зиму ИИ"." В течение этого периода экспертные системы оказались слишком дорогими для обслуживания и обновления, в конечном итоге оказавшись в немилости.
Япония прекращает проект FGCS в 1992 году, ссылаясь на неспособность достичь амбициозных целей, намеченных десятилетием ранее.
DARPA завершает инициативу по стратегическим вычислениям в 1993 году, потратив почти 1 миллиард долларов и далеко не оправдав ожиданий.
1991
Американские войска развертывают DART, автоматизированный инструмент планирования логистики, во время войны в Персидском заливе.
1997
IBM Deep Blue обыграла чемпиона мира по шахматам Гари Каспарова
2005
СТЭНЛИ, самоуправляемый автомобиль, выигрывает Гран-при DARPA.
Американские военные начинают инвестировать в автономных роботов, таких как "Большая собака" Boston Dynamic и "Пакбот" iRobot."
2008
Google делает прорывы в распознавании речи и внедряет эту функцию в свое приложение для iPhone.
2011
IBM Watson побеждает конкурентов в Jeopardy!.
2012
Эндрю Нг, основатель проекта Google Brain Deep Learning, передает нейронной сети, использующей алгоритмы глубокого обучения, 10 миллионов видеороликов YouTube в качестве обучающего набора. Нейронная сеть научилась распознавать кошку, не зная, что это за кошка, что положило начало эпохе прорыва в области нейронных сетей и финансирования глубокого обучения.
2014
Google делает первый беспилотный автомобиль, который пройдет государственный экзамен по вождению.
2016
AlphaGo от Google DeepMind побеждает чемпиона мира по Го игрока Ли Седола. Сложность древней китайской игры рассматривалась как главное препятствие для устранения в ИИ.
Vocabulary / Словарь:
-
Encryption - шифрование -
Artificial intelligence – Искусственный интеллект -
Machine learning – машинное обучение -
Deep learning – глубокое обучение -
Narrow AI – узкий искусственный интеллект -
Artificial General Intelligence – искусственный общий интеллект -
Algorithms - алгоритмы -
Biologically-inspired - биологически вдохновленный -
Neural network - нейронная сеть -
Holy Grail – Святой Грааль -
Сognitive abilities – когнитивные способности -
Dystopian - антиутопия -
Syllogism - Силлогизм -
Robotics - Робототехника -
Self-learning - самообучение -
Supercomputer - Суперкомпьютер -
Scheduling - Планирование -
Self-driving - самоуправление -
Breakthroughs - Прорывы -
Go – Го(игра)