Masa Depan Artificial Intelligence

Hanya beberapa tahun yang lalu, itu akan sulit untuk membayangkan betapa signifikan kecerdasan buatan akan untuk kehidupan sehari-hari. Hari-hari ini, sistem cerdas powering mesin pencari terbesar di dunia, membantu kita semacam tidak pernah berakhir tumpukan data ke dalam kategori yang bermakna, dan dapat mengerti sebagian besar dari apa yang kita katakan dan bahkan menerjemahkannya ke dalam bahasa yang berbeda.

Hal ini sebagian konsekuensi alami dari peningkatan daya komputasi dan ketersediaan tinggi dari perangkat keras sangat mampu. Tapi hardware itu sendiri mungkin tidak menjadi kekuatan pendorong terbesar di balik banyak terobosan kecerdasan buatan baru-baru ini.


Langkah global kami ke awan telah menyebabkan pertumbuhan yang luar biasa ketika datang ke jumlah data yang disimpan secara online. Ini memiliki dampak yang mendalam pada pengembangan dan penggunaan AI. Modern jaringan Learning Jauh dapat menggunakan informasi yang dikumpulkan untuk belajar dan mendapatkan kemampuan untuk, misalnya, mengenali email spam dari pesan asli atau mengatur gambar pohon berdasarkan spesies mereka.

Ketika mengambil melihat lebih dekat pada beberapa subbidang yang paling penting yang berkontribusi terhadap kemajuan kecerdasan buatan dengan memanfaatkan kekuatan tersembunyi di dalam set data yang besar, kita dapat lebih memahami mana teknologi ini menarik menuju.

Pembelajaran mesin
Komputer secara alami sangat baik untuk memecahkan masalah-masalah tertentu. Misalnya, bahkan komputer termurah yang dapat Anda beli hari ini dengan mudah bisa menghitung lintasan kompleks objek bergerak, melakukan analisis statistik, atau mendaratkan pesawat ruang angkasa di Bulan. Tapi ada yang berbeda dari masalah yang sulit untuk menangani bahkan untuk superkomputer paling kuat ada.

Berbeda dengan dunia komputer, dunia nyata tidak algoritmik dan diprediksi. Bahkan, itu agak berantakan. Itu sebabnya kita harus sangat bergantung pada intuisi untuk mengidentifikasi objek, memutuskan kapan kita harus mengunjungi dokter, atau apa yang harus kita pakai ketika kita pergi keluar.

Pembelajaran mesin adalah pendekatan baru untuk memecahkan masalah yang bergantung pada program yang belajar bagaimana memecahkan masalah berdasarkan data yang mereka terima. Pembelajaran mesin sudah berhasil digunakan dalam praktek untuk mengidentifikasi wajah orang, melokalisasi gempa bumi, memprediksi fluktuasi di pasar saham, atau merekomendasikan topik pengguna berita berdasarkan kepentingan mereka dan orang-orang seperti sebelumnya.

Jaringan saraf
Pembelajaran mesin sebagian besar tidak mungkin, setidaknya pada skala yang kita lihat hari ini, jika bukan karena penggunaan jaringan saraf. Mereka adalah perkiraan dari otak manusia terdiri dari ratusan dan ribuan potongan individu dari software dan hardware. Setiap neuron kecil bertanggung jawab untuk, tugas kecil tunggal dan outputnya memberikan sinyal untuk sistem yang lebih tinggi.

Sebuah contoh yang baik adalah jaringan yang dirancang untuk mengenali tulisan tangan. Pada skala terkecil, neuron individu melakukan operasi yang relatif sederhana, seperti analisis garis kelengkungan. output mereka akan diteruskan ke neuron lain, yang beroperasi di bawah aturan yang berbeda, sampai output neuron diaktifkan.

Kelemahan terbesar untuk jaringan saraf adalah ketergantungan mereka pada set data yang besar dan kecepatan belajar lambat. Selanjutnya, output mereka hampir tidak dapat diprediksi, dan dapat mengambil waktu yang sangat lama untuk menemukan alasan di balik keputusan tertentu jaringan.

integratif AI
Sama seperti neuron dalam jaringan saraf besar, sistem AI yang kompleks memerlukan integrasi banyak kompetensi, seperti visi, belajar, bahasa, pidato, perencanaan, dan lain-lain, untuk memungkinkan mesin untuk sepenuhnya bertindak di lingkungan terbuka-dunia.

Integratif AI akan memungkinkan manusia untuk berinteraksi dengan mesin pada tingkat yang jauh lebih pribadi, dan itu akan memungkinkan mesin untuk belajar dan mengambil informasi baru dalam cara yang jauh lebih efisien. Sayangnya, hanya sedikit kemajuan telah dibuat di daerah ini, dan akan memakan waktu bertahun-tahun penelitian didedikasikan sebelum sistem kecerdasan buatan akan memiliki kemampuan perseptual yang sama seperti manusia.

Namun, itu tak terelakkan bahwa permintaan konsumen akan mendorong inovasi dan daya gelombang baru penelitian, yang akan membantu kami mendapatkan selangkah lagi lebih dekat menuju visi yang lebih manusiawi dari apa kecerdasan buatan bisa terlihat seperti.

Kesimpulan
Meskipun konsumen mendapatkan secara bertahap lebih terbiasa dengan dunia di mana sistem cerdas yang mampu melakukan tugas-tugas yang semakin kompleks, kita masih memiliki jalan panjang di depan kita sebelum kita dapat bahkan jauh mendekati berpikir kompleks dari manusia.

Pada saat yang sama, kita harus hati-hati mengevaluasi konsekuensi yang timbul dari penggunaan kecerdasan buatan, seperti yang kita bergerak melampaui Simple Neural Networks ke dalam sistem yang lebih erat dimodelkan pada struktur syaraf manusia. Sistem ini sangat realistis bisa mulai beroperasi dengan cara tak terduga yang berada di luar pemahaman kita segera.

Namun, semua potensi masalah tampak sepele, ketika kita mempertimbangkan bagaimana fungsional AI bisa meningkatkan kualitas semua aspek kehidupan kita.