Mam taki pomysł na wytłumaczenie czym jest uczenie maszynowe:
Wyobraź sobie, że istnieje czarna skrzynka, w której znajdują się różne algorytmy, które potrafią rozwiązać wiele problemów. Uczenie maszynowe to metoda znajdowania tych algorytmów, które radzą sobie z zadaniami, lecz bez możliwości zaglądania do wnętrza tej skrzynki. W związku z tym nie do końca wiemy, jak te algorytmy działają w środku, nawet gdy je odkryjemy.
Macie lepsze?
Proponuję pokazać tę listę: https://www.denofgeek.com/movies/evil-artificial-intelligences-film/
Efekt gwarantowany ;)
Ja zawsze mówię że nie ma AI w dzisiejszych czasach a to co ludzie nazywają AI to głównie sprytne algorytmy, które potrafią się same ulepszać (uczyć).
Sam nie rozumiesz, a próbujesz wytłumaczyć?
nie rób tego chcesz się wywyższać na tematach, których nie znasz?
Ludzie i tak nie zrozumieją, musisz tłumaczyć, że bardzo szybko w klawiaturę klikasz 1000 razy szybciej od nich to zrozumieją.
AI to taka współczesna magia (wg trzeciego prawa Clarke'a: "Any sufficiently advanced technology is indistinguishable from magic.").
Uczenie maszynowe to metoda znajdowania tych algorytmów, które radzą sobie z zadaniami, lecz bez możliwości zaglądania do wnętrza tej skrzynki. W związku z tym nie do końca wiemy, jak te algorytmy działają w środku, nawet gdy je odkryjemy.
No nie wiem. Mnie się wydaje, że to jest odwrotnie i to całe machine learning są to banalne algorytmy jeśli się spojrzy na nie bottom-up, że to liczenie czegoś wg prostych zasad matematycznych i że dobrze wiemy jak te algorytmy działają w środku (np. wiemy jak działa pojedynczy sztuczny neuron czy jak się posługiwać wektorami), ale że jednak nagromadzenie tych prostych rzeczy i połączenie ich w całe systemy i uczenie ich na wielkich zbiorach danych dopiero sprawia, że z czegoś, co rozumiemy, wychodzi magia, której nie rozumiemy.
Haskell napisał(a):
Mam taki pomysł na wytłumaczenie czym jest uczenie maszynowe
Po kolei - chcesz wytłumaczyć komuś, czym jest AI, czy czym jest uczenie maszynowe?
Wyobraź sobie, że istnieje czarna skrzynka, w której znajdują się różne algorytmy, które potrafią rozwiązać wiele problemów. Uczenie maszynowe to metoda znajdowania tych algorytmów, które radzą sobie z zadaniami, lecz bez możliwości zaglądania do wnętrza tej skrzynki.
Uczenie maszynowe to sposób dobierania parametrów do algorytmu (nawet jak jest to algorytm do wybierania algorytmów), a nie sposób dobierania algorytmów.
LukeJL napisał(a):
No nie wiem. Mnie się wydaje, że to jest odwrotnie i to całe machine learning są to banalne algorytmy jeśli się spojrzy na nie bottom-up, że to liczenie czegoś wg prostych zasad matematycznych i że dobrze wiemy jak te algorytmy działają w środku (np. wiemy jak działa pojedynczy sztuczny neuron czy jak się posługiwać wektorami), ale że jednak nagromadzenie tych prostych rzeczy i połączenie ich w całe systemy i uczenie ich na wielkich zbiorach danych dopiero sprawia, że z czegoś, co rozumiemy, wychodzi magia, której nie rozumiemy.
Czyli jednak wariacje interpretacji kopenhaskiej są prawidłową odpowiedzią na każdy problem współczesnego świata :)
fancy matma
Haskell napisał(a):
Mam taki pomysł na wytłumaczenie czym jest uczenie maszynowe
To chyba najgorsze wytłumaczenie jakie widziałem, w dodatku niczego nie tłumaczy
Macie lepsze?
Mam lepsze od chatGPT:
Uczenie maszynowe to proces, w którym komputer jest w stanie nauczyć się, jak rozwiązywać zadania, analizując duże ilości danych. Dzięki temu komputer jest w stanie wykonywać zadania, które nie zostały mu wcześniej szczegółowo zaprogramowane. Można to porównać do nauki dziecka, które uczy się, obserwując otaczający świat i dopasowując swoje działania do sytuacji. W przypadku uczenia maszynowego, komputer ucząc się, dopasowuje swoje działania do dostarczonych mu danych i na ich podstawie rozwija swoje umiejętności.
Wykorzystywane mogą być różne metody uczenia, takie jak uczenie nadzorowane, nienadzorowane, wzmacniane czy uczenie przez transfer.
W przypadku uczenia nadzorowanego, komputer otrzymuje zbiór przykładowych danych, na których ma się nauczyć rozpoznawania wzorców i podejmowania decyzji. Dla każdego przykładu w tym zbiorze znajduje się również poprawna odpowiedź lub etykieta, którą komputer ma nauczyć się przewidywać. Na podstawie tych danych, algorytm uczenia maszynowego szuka zależności między wejściowymi danymi, a odpowiedziami, a następnie stosuje je do nowych, wcześniej nieznanych danych.
W przypadku uczenia nienadzorowanego, komputer otrzymuje zbiór danych, ale bez etykiet czy odpowiedzi. Algorytm uczenia maszynowego szuka w tych danych ukrytych wzorców, grupując je na podobieństwo czy też redukując ich wymiarowość. Jest to często stosowane w zadaniach analizy danych czy wizualizacji.
W przypadku uczenia wzmacnianego, komputer podejmuje działania w określonym środowisku i na ich podstawie otrzymuje nagrody lub kary, które pomagają mu nauczyć się podejmowania lepszych decyzji.
W każdym przypadku, komputer uczy się, analizując dostarczone dane i korzystając z odpowiedniego algorytmu uczenia maszynowego.
Ja 6 lat spędziłem na sztucznej inteligencji, musisz wybrać temat, który będzie ciekawił akurat twojego odbiorcę.
Jako, że każdy zna język naturalny więc to się wydaje najłatwiejszy do wykorzystania, powiem pewny algorytm.
Próbujemy przewidzieć rozkład multinomial probability dla wyrazów.
Mamy kupę wyrazów ze słownika i zdań, pewne wyrazy będą występować z pewnym kontekstem, na przykład lubię jeść będą występować z wyrazem kebab, pizza, itp. a np. kamień będzie rzadki.
jeśli zrobimy ilość powdójnych wyrazów(bigramów) do wszystkich to wyjdzie, że mamy prawdopodobieństwo wystąpienia danego wyrazu w pewnym zdaniu, 2 wyrazowym.
można to samo zrobić do trigramów.
Potem musimy generować zdania, mnożymy prawdopodbieństwo wystąpienia wyrazu przez wiele w zdaniu i wybieramy ścieżki z najwyższym prawdopodobieństwem, czyli robimy beam search.
Za dokladnie nie opisałem tego procesu, kiedyś go opisałem lepiej, niefart taki, że usunąłem go z youtube bo mnie obrażali :<
@obscurity odpiszę tutaj, bo to ważne spostrzeżenie, dobrze, żeby nie uciekło:
ciekawe że jeszcze parę lat temu AI nazywano algorytm chowania się przeciwników w grze za ścianą, a gdy powstał bot który potrafi rozwiązywać realne problemy to nagle jest wysyp opinii że AI nie istnieje.
Też mnie to zastanawia. Przypisywanie magii słówku AI. Co prawda od dawna tak było, że futurodzy się zastanawiali, kiedy powstanie "prawdziwe" AI (zazwyczaj wtedy, kiedy tak się stanie, zajdzie "singularity", czyli taki Matrix - maszyny staną się samowystarczalne i będą same ewoluować).
Ale jednak słówko AI w kontekście programowania mogło oznaczać nawet prostą logikę w grze na ifach. A jak już było na choćby czymś bardziej zaawansowanym np. na prostych maszynach stanowych czy używając algorytmu znajdowania drogi, to już było AI jak się patrzy.
A tymczasem mamy rok 2023 i to, o czym futuryści mówili, że nastąpi w przyszłości, już powoli następuje i wchodzi do żargonu informatyków. I teraz nawet programiści używają AI bardziej w kontekście narzędzi samouczących, korzystających z sieci neuronowych i wielkich zbiorów danych, a nie do określenia czegoś bardziej przyziemnego.
Tylko widzę w tym pewien problem - to, co ludzie nazywają teraz "AI" jest oparte zwykle o machine learning i uczenie się na wielkich zbiorach danych. Więc ludzie zaczęli stawiać równością między celem (AI), a sposobem osiągnięcia tego celu (machine learning). Niestety to powoduje zbyt wielką i naiwną wiarę, że machine learning to magiczna rzecz, która wszystko rozwiąże z automatu. Tym sposobem wyrzucamy do kosza masę przydatnych podejść tylko dlatego, że nie są oparte o machine learning, a na bardziej prostych i przewidywalnych algorytmach.