Cómo construir mi propio sistema de inteligencia artificial

“El lecho de roca de tu mente … ¿axiomas? ¿Arquetipos? Llámalos ‘ladrillos’. Para realizar la semántica, su mente debe hacer coincidir un texto entrante con uno o más de sus ladrillos. Si no coincide perfectamente con ninguno de ellos, debe difuminar en un MEDIO entre los ladrillos existentes. Eso es lo que significa “significar”. cómo AI puede encontrar significado en el texto “. ~ Roger Davis 2018-03-12

————————-

Discutiré un robot que escribí para jugar el juego de dados “Super Farkle” en Facebook. Los mejores puntajes por humanos se acercaron a 60K. ¡Mi Farkle_bot obtuvo 12,345,670! (Lo admito, detuve Farkle_bot en 12,300,000 e intenté escabullirlo manualmente hasta 12,345,678, en lugar de escribir código complejo para hacer esa pieza simple).

Esta respuesta mostrará una descripción simplificada del juego Farkle, una descripción general de las secciones de código y luego una descripción detallada del Analizador. Ahí es donde vive la IA. Finalmente, una discusión sobre cómo hacer que Farkle_bot sea más inteligente.

La palabra “dados” se usará tanto para significado singular como plural.

EL JUEGO (reglas simplificadas, incompletas).

En Farkle, una ronda comienza con un lanzamiento de los 6 dados. [1] y [5] son ​​golpes, suman puntos. Tú los guardas. Todos los demás dados, si los lanzas, puedes ganar más puntos. Pero una tirada sin golpes te da 0 puntos para la ronda, incluso pierdes tus golpes. La gran decisión es si arriesgarse a rodar nuevamente o, en su lugar, depositar sus puntajes totales.

ESQUEMA DEL CÓDIGO

Los principales módulos de código fueron:

La captura de pantalla

Llame a esta rutina para crear PIXA.bmp a partir de una captura de pantalla del tablero de dados configurada por Board_Top, Board_Left, Board_Bottom, Board_Right.

Cursor_click

Este proceso puede mover el cursor a cualquier posición de pantalla configurada y hacer clic con el mouse, bajo el control del proceso del Analizador.

Analizador

Descubre el recuento de pips para cada dado y cuenta el número de dados de cada valor nominal, como “2 de [1], 1 de [2], 0 de [3], 0 de [4], 0 de [5] , 3 de [6] “.

ANALIZADOR DETALLES DEL PROCESO

El analizador quiere encontrar los bordes superior, inferior, izquierdo y derecho de cada dado, por lo que escanea el tablero de dados en PIXA.bmp un píxel a la vez. El origen cartesiano está en la esquina superior izquierda del tablero de dados.

El escaneo primero se ejecuta de arriba a abajo en la columna más a la izquierda, luego de arriba a abajo en la segunda columna, etc.

1) Para cada píxel, primero pregunta “¿Eres rojo?” Más específicamente, lee tres bytes consecutivos del BMP, así: 00 00 FF. Un byte para verde, azul y rojo, en ese orden. En este caso, todo rojo, sin verde, sin azul. Eso daría un SÍ por “¿Eres rojo?”

a) Para cada píxel rojo, pregunta “¿El píxel que está encima de usted es verde?” Si encima de vecino es verde, verás, entonces este píxel rojo se encuentra en el borde SUPERIOR de los dados. Mantenga las coordenadas del borde descubierto en una variable indexada por orden encontrado, primero, segundo, etc., para que las posiciones puedan analizarse en pasos posteriores.

b) Una vez que haya encontrado un borde superior, continúe escaneando la columna con solo esta nueva pregunta: “¿Está verde?” Una respuesta SÍ, SOY VERDE significa que este píxel es un borde INFERIOR de los dados. Mantenga las coordenadas del borde descubierto en la misma variable indexada utilizada para los píxeles del borde SUPERIOR.

Nota: PIXA.bmp se editó inicialmente para incluir la línea blanca horizontal, que el código usa para analizar el tablero de dados en dos mitades, usando dos escaneos separados, de modo que no haya dos dados en la misma línea vertical.

3) Habiendo encontrado todos los bordes superior e inferior, ahora queremos escanear nuevamente, de izquierda a derecha esta vez, para descubrir los bordes izquierdo y derecho. No escanearemos toda la mitad del tablero de dados, pero el escaneo analizará solo los píxeles que se encuentran en las columnas específicas donde se encontró un borde superior o inferior.

a) Las filas a escanear se calculan utilizando la coordenada y del punto medio entre el borde superior y el borde inferior de cada dado.

b) Ahora hemos definido un área cuadrada que incluye la cara del dado.

c) Hemos omitido el algoritmo para determinar qué borde superior o inferior pertenece a qué dado, por simplicidad.

4) Para cada dado, debemos contar los pips. Inicialmente imaginé un proceso que definiría los bordes de cada pip, tal como lo hicimos para los bordes de los dados, pero encontré una forma más simple: cuente cuántos píxeles blancos existen en la parte superior “que muestra” los dados, luego convierta ese recuento de píxeles a un puntaje de dados como [1] a [6], de acuerdo con una tabla de valores descubiertos por pruebas repetidas. Si bien un humano puede ver los pips en las caras laterales como “blancos”, en realidad son grises, por lo que estamos contando solo los píxeles puros FF FF FF. Cada pip contiene aproximadamente 200 píxeles blancos, por lo que 200 +/- 40 es un [1], 400 +/- 40 es un [2], etc., lo que proporciona una resolución inequívoca.

5) Ahora que conocemos los valores nominales de cada dado, usamos un bloque IF condicional largo para decidir cómo responder, por ejemplo:

SI los 6 dados son [1] o [5] ENTONCES haga clic (ROLLO GRATIS).

.

.

.

SI dice (1) _value = 1 y dice (2) _ value = 5 y dice (3) _value = 2 y dice (4) _value = 3 y dice (5) _value = 3 y dice (6) _value = 4 ENTONCES volver a enrollar (3,4,5,6)

.

.

MEJORAR EL PROCESO DE ANALIZADOR

La sección ANALIZAR DETALLES DEL PROCESO simplificó la prueba de identificación de color de píxeles. Para mejorar, en lugar de decir SÍ para “¿Eres rojo?” solo para 00 00 FF, indique SÍ para (azul <40 y verde <40 y rojo> C9), por ejemplo.

Cuando el desarrollador de Super Farkle cambia la proporción del tablero de dados, o el tamaño o el color de los dados, usted, el humano, podría analizar los nuevos gráficos y ajustar laboriosamente los valores de muchas constantes en su código. En cambio, cambie esas constantes a variables y escriba código adicional para analizar la pantalla y llenar las nuevas variables, de modo que Farkle_bot pueda continuar funcionando con éxito después de los cambios gráficos. Este nuevo código, por ejemplo, escanea toda la pantalla y descubre los bordes del tablero de dados, y hace un reconocimiento óptico de caracteres para leer todos los botones, luego descubre su punto central de clic.

En lugar de precodificar el bloque de decisión de acuerdo con los mejores algoritmos de reglas de juego descubiertos por el jugador humano, deje que Farkle_bot seleccione al azar de una lista de todas las reacciones posibles (por ejemplo, “Volver a tirar dados [2] y [3] “) y realizar un seguimiento de los resultados. Después de registrar una gran base de datos de resultados, Farkle_bot comenzaría a elegir reacciones basadas en los mejores resultados registrados.

Si ha leído hasta aquí, recompense mis esfuerzos con un clic hacia arriba, ¡incluso si ya ha hecho clic en otras respuestas!

Puede hacerlo, pero no es una IA remota. El término entender en este caso significa “es capaz de localizar una frase de respuesta relevante”. En un producto como alexa (Amazon), el discurso se procesa y analiza para producir palabras. La oración o frase se analiza lingüísticamente para producir una solicitud “planificada” o palabras de comadreja sobre no entender. La solicitud se traduce en un conjunto de posibles respuestas que pueden implicar búsquedas adicionales para obtener información de un sitio. El resultado se convierte de palabras a voz y se emite. NADA de esto es AI, es pura computación en un dominio muy abierto en el que las respuestas no tienen que ser precisas … ¡pero si lo son!

Aquí está la diferencia si existiera una IA

La audición y la conversión a palabras incluye un enlace a experiencias recordadas relacionadas con el dominio abordado por las palabras. La IA tiene conocimiento de la realidad y, por lo tanto, puede verificar la validez de la pregunta (contextual y fácticamente). Si el conocimiento de la respuesta está disponible, obtendrá una oración recién construida (original) que conoce sus expectativas y cumple sus requisitos en cuanto a una respuesta. Lo que sigue es un posible diálogo sobre la pregunta que puede durar un período de tiempo indefinido. El componente clave aquí es algo llamado producción del discurso: la capacidad de comunicarse con alguien que comparte una base experimental común.

Esta base común requiere un conjunto común de sensores y muestreo del mismo entorno en el que se encuentra. En este punto, la interpretación de cosas en sensores, fusión de datos, qualia, conciencia, todos interactúan.

Necesitas tres cosas para tener una red neuronal. Voy con redes neuronales, ya que es la forma más frecuente de IA en estos días.

Necesitas los datos. Puede producirlo usted mismo u obtenerlo de varios conjuntos de datos gratuitos. Por ejemplo, este tipo aquí produjo sus propios datos: cómo un agricultor de pepino japonés está utilizando el aprendizaje profundo y TensorFlow | Blog de Google Cloud Big Data y Machine Learning | Google Cloud Platform

(Este es realmente un buen ejemplo de red neuronal casera).

En segundo lugar, necesita la computadora que ejecutará la cosa. En teoría, cualquier computadora puede ejecutar la mayoría de las redes neuronales. En la práctica, probablemente sería muy lento. Una buena computadora puede ser útil. La mayoría de los cálculos realizados para una red se pueden hacer más rápido en las GPU (tanto los cálculos gráficos como las redes neuronales dependen en gran medida de los cálculos matriciales). NVIDIA parece tener las mejores y más herramientas para ejecutar redes neuronales en sus GPU. Otra posibilidad es la nube. Muchos servicios en la nube le permiten alquilar espacio en el servidor, lo que le permite ejecutar sus redes neuronales en máquinas con mejor rendimiento.

El tercero es el código. Puede verificar las matemáticas detrás de las redes neuronales y programarlas usted mismo o puede usar los marcos ya existentes que realizan la mayor parte del trabajo pesado. Los más populares (que yo sepa) son Caffe, Torch, Theano y Tensorflow.

EDITAR: Agregar más detalles.

Para las GPU: tener una mejor es mejor, pero tener la mejor no es necesario. Una tarjeta de generación anterior debería darte suficiente rendimiento. Por lo general, cuando se lanza una próxima generación de tarjetas, muchas personas venden las antiguas. Estos de segunda mano pueden ser bastante baratos.

Como muchas cosas, la respuesta es “depende”. Si tomamos el aprendizaje profundo como un ejemplo de una carga de trabajo de IA cada vez más popular, la construcción de un sistema de IA para la capacitación de aprendizaje profundo en sus conjuntos de datos depende en gran medida de los recursos, la experiencia y la cantidad de infraestructura a la que tiene acceso fácilmente. Por ejemplo, el sistema que podría emplear como desarrollador independiente, o como investigador en un entorno más pequeño, se vería considerablemente diferente de lo que necesitaría para apoyar los esfuerzos de una organización más grande para “habilitar AI” sus interacciones comerciales con los clientes, o mejorar la calidad de la atención clínica o detectar fraudes en un flujo voluminoso de datos de transacciones financieras. En última instancia, esto se convierte en una cuestión de si diseña y construye su propio sistema, o emplea una solución especialmente diseñada para su problema.

Para el primero, la tecnología de GPU de hoy en día que se encuentra comúnmente en el mercado de consumo a menudo se abre paso en los sistemas de inteligencia artificial “hágalo usted mismo” que son bastante capaces y ofrecen un rendimiento sustancialmente mejor que los sistemas basados ​​en CPU. Los kits de herramientas fácilmente disponibles que hacen posible la computación paralela de propósito general en las GPU de hoy en día, en combinación con las habilidades de programación requeridas que respaldan los marcos de aprendizaje profundo populares, pueden producir excelentes resultados, como lo demostró por primera vez Alex Alex deizizizhevsky, que hizo historia al ganar el ImageNet Large Scale Visual Recognition Challenge en 2012, utilizando una red neuronal convolucional que se ejecuta en GPU y CUDA de NVIDIA.

Para este último (aprendizaje profundo a escala, para organizaciones más grandes), hay dos consideraciones importantes que deberían influir en su enfoque para implementar un sistema de IA:

1. ¿Qué tan pronto necesita comenzar a ver resultados?

Si estás en un viaje exploratorio y disfrutas el desafío intelectual y, a veces, el “trabajo de detective” de jugar con varias configuraciones de hardware y software, es probable que no estés operando contra una línea de tiempo establecida por tu jefe, o algún tipo de imperativo comercial o de investigación. En esta configuración, puede estar perfectamente bien seguir un camino sinuoso a medida que reconstruye un sistema que incluye GPU, controladores, bibliotecas y marcos de aprendizaje profundo que le interesan, examinando potencialmente cientos de páginas de documentación, a medida que asume el papel de “integrador de sistemas”.

Sin embargo, si sus esfuerzos están dirigidos por una necesidad primordial de obtener información de los datos, lo más rápido posible, es probable que necesite una ruta más simple y acelerada para llegar allí. En tales casos, querrá aprovechar las plataformas o dispositivos “con soluciones” como NVIDIA DGX-1 o DGX Station que integran todos los componentes que necesita y se validan mediante pruebas de referencia publicadas, que ofrecen un rendimiento cuantificable en el marcos que te interesan. Dichos dispositivos deben evaluarse en función de cuán “plug-and-play” son, y si la experiencia de activación es intuitiva, guiándolo a través de una interfaz administrativa simple que es fácil de navegar, a medida que administra conjuntos de datos, asigna recursos, y programar trabajos. Este modo de implementación evita que tenga que usar un sombrero de “administrador de TI” y le permite saltar a las redes neuronales de entrenamiento lo más rápido posible, poniéndose en funcionamiento en tan solo un día.

Otro aspecto de obtener información más rápida es el rendimiento del hardware y el software trabajando juntos en concierto. El beneficio de las pilas de software de aprendizaje profundo optimizado para GPU es la capacidad de alcanzar factores de aceleración mucho más altos en el entrenamiento de aprendizaje profundo que lo posible con el hardware de GPU solo. Los sistemas NVIDIA DGX observan un aumento del 30% en el rendimiento de aprendizaje profundo en comparación con otros sistemas creados con las mismas GPU Tesla V100, pero que carecen de software de aprendizaje profundo integrado y optimizado. La conclusión importante aquí es que, incluso si construye un sistema de inteligencia artificial por su cuenta, utilizando la última tecnología de GPU absoluta, ese sistema aún estaría en desventaja de rendimiento en relación con un sistema integrado de hardware y software que está completamente optimizado y diseñado por software. para obtener el máximo rendimiento de cada marco de aprendizaje profundo.

2. ¿Cuánto tiempo estoy listo para dedicar a administrar y optimizar la infraestructura?

Similar a la ruta del “viaje exploratorio”, la experiencia operacional en curso con su sistema de IA puede ser muy diferente, dependiendo de la ruta que siga. Si prosperas en pasar tiempo ajustando tu pila de software, jugando con diferentes combinaciones de frameworks y bibliotecas de soporte, y no te importa buscar soporte para la resolución de problemas en foros de la comunidad, construir tu propio sistema puede ser el camino a seguir. La realidad es que a menudo se requiere un gasto considerable de habilidad en ingeniería de software para ajustar la pila de aprendizaje profundo “perfecto”, desde el marco, hasta el controlador de GPU, y cada capa intermedia. Considere también que los marcos en sí mismos a menudo son de código abierto y evolucionan continuamente. Asegurarse de que su pila se ejecute con un rendimiento óptimo significa, por lo tanto, un compromiso en horas hombre para ajustar y volver a ajustar, y tal vez reconstruir su pila de forma continua. Si esa es su carta, entonces podría no ser un problema, pero si está financiando a alguien más para hacer este trabajo, podría significar cientos de miles de dólares en ingeniería de software OpEx para garantizar que esté maximizando el ROI de su inversión en inteligencia artificial. .

Alternativamente, los dispositivos de inteligencia artificial como DGX de NVIDIA, que incluyen acceso a marcos de aprendizaje profundo populares como TensorFlow, Caffe2, MXNet y más, así como bibliotecas de soporte, todas integradas con el hardware, pueden ahorrar mucho tiempo y dinero. Dichas ofertas cuentan con una pila pre optimizada que el proveedor de soluciones actualiza periódicamente (idealmente mensualmente). Esto lo aísla del abandono y la incertidumbre del software de código abierto, al tiempo que le brinda soporte de nivel empresarial en caso de que tenga problemas con cualquier elemento dentro del hardware y el software.

Además, con la naturaleza experimental de la ciencia de datos y la inteligencia artificial, los desarrolladores a menudo se encuentran a sí mismos (o sus equipos) necesitando experimentar simultáneamente con diferentes combinaciones de recursos del sistema y configuraciones de software, para determinar qué modelo puede obtener información más rápidamente. Los contenedores basados ​​en Docker ofrecen la capacidad de admitir la co-residencia de múltiples versiones de la pila de aprendizaje profundo, cada una aislada entre sí, con sus propias instancias de controladores y bibliotecas compatibles. Esto mantiene la imagen base del sistema operativo “limpia” y evita la posibilidad de tener que volver a crear imágenes del dispositivo si el experimentador desea probar diferentes permutaciones de configuración. Los contenedores, combinados con el aparato de gestión y programación adecuado, también pueden permitir que los equipos de investigadores usen la plataforma simultáneamente y colaboren en los modelos que están desarrollando, lo que aumenta la utilización del sistema y genera un mayor retorno de la inversión en inteligencia artificial de su departamento.

Todo esto permite una mayor productividad para usted, el científico de datos que está tratando de aprovechar el poder de la IA en su empresa. Entonces, realmente tiene dos caminos para construir un sistema de IA, cada uno adecuado para un conjunto diferente de líneas de tiempo, objetivos comerciales y configuración operativa con la que pueda estar lidiando. En última instancia, la elección se reducirá a si tiene la libertad de expandir su estatuto para incluir el rol de integrador de sistemas y administrador de TI, o si sus responsabilidades lo mantienen centrado directamente en la ciencia de datos y en la obtención de información para su organización.

Hay una enorme comunidad única de desarrolladores / arquitectos. Aquí hay un video para comenzar.

Guía de IBM:

Una guía para principiantes sobre inteligencia artificial, aprendizaje automático y computación cognitiva

Enfoque de desarrollo del juego:

Una guía práctica para construir un juego completo AI: Volumen I

Aprenda un lenguaje de programación (si aún no lo está), diga Python, luego haga que aprenda del conjunto de datos existente. Lea más aquí PythonForArtificialIntelligence – Python Wiki

Hay varias categorías en IA, como la percepción visual, el reconocimiento de voz, la toma de decisiones y la traducción entre idiomas y muchas, decida una y concéntrese en eso.

Estoy pensando en este tema durante veinte años. Todo en conceptualización es la abstracción.

Primero pensemos qué significa AI.

A – artificial; máquina, automatizada, rápida, sin materiales extraños

I – inteligencia; inteligente, práctico, profundamente informativo

Entonces. Al principio pensé que necesitaría algo elegante como mp3 para reproducir sonido, luego algunos gráficos para representar visualmente algo y, al final, algo de interacción humana.

De todas esas cosas, termina con cómo crees que debería verse, saborearse y sentirse. Por ejemplo. Calculadora digital. Ahora que. No tiene una voz sexy ni camina, ni siquiera puede hablar, pero cuenta y hace caucus rápido como la mitad de la escuela primaria. Entonces. ¿Quién se siente estúpido ahora? Si contagia toda la tecnología existente con su imaginación, tendrá una gran IA.

¿Qué piensas para nuestro planeta Tierra como uno? Colectivo inconsciente como.

Eso depende de su requisito y propósito, para investigar o aprender, podemos usar Tensorflow como inicio, para diseñar su propio modelo, optimizar hiperparámetros y modelos.

De hecho, aunque el lenguaje front-end se basa en Python, me refiero a Tensorflow, la capa subyacente y el marco se basan en C ++, Tensorflow utiliza su propio identificador de Python, el azúcar de gramática, para recordar y enganchar el flujo del modelo, a saber, Puede ser muy eficiente tanto para la investigación como para el mundo real.

Hola

1) ¿Eres un ingeniero / w que conoce el lenguaje para desarrollar el mismo?

2. ¿Tiene el conocimiento requerido del análisis técnico al más alto nivel para convertirlo en matemáticas, además de convertir esa idea o concepto en un lenguaje s / w que nuevamente funciona de manera consistente en todos los marcos de tiempo, en equidad, mercancía y moneda. (significa algo que no está disponible en la red o gratis ya que la mayoría de las fórmulas aplicadas están disponibles gratuitamente)

3) En caso de que se cumplan las condiciones anteriores, todo lo mejor.

La IA no es nada, es como si usted mismo tuviera que mantener todas las restricciones en su mente y escribir casos de prueba para que puedan manejarlo.

Al igual que, tienes 3 caminos para llegar a un destino

¿Qué pasa si sigo primero?
¿Qué pasa si sigo segundo?
¿Qué pasa si sigo tercero?

Escriba algoritmos inteligentes para manejar esos casos.

En primer lugar, sepa que hay muchos tipos de inteligencia y que el mundo solo ha sido pionero en uno. Esto se llama inteligencia artificial débil y son inteligentes porque ponemos nuestra inteligencia y comprensión en ellos. Para comenzar con la IA débil, consulte las notas de clase | Inteligencia artificial, ahora Si quieres algo como un I Robot, Ultron, entonces debes descubrir una teoría que cree una. La IA fuerte o la IA general aún no han debutado y todos estamos esperando al Einstein que pueda entregar eso. Todo lo mejor

Normalmente irías a la escuela, a la escuela secundaria y luego a la universidad / universidad; donde en el transcurso de tres años, te enseñan todo lo que esperas encontrar aquí, con una pregunta.

Un buen comienzo en mi opinión sería hacer una investigación sobre el conexionismo y la teoría mental computacional clásica, entonces comprenderá realmente lo que el campo de la IA está tratando de hacer.

¿Qué quieres decir con un ai? Si desea hacer algo como aplicar el aprendizaje automático a una tarea, entonces entendería la tarea. Si te refieres a una inteligencia general artificial, nadie lo sabe realmente.

Una respuesta incompleta a esto llenaría una biblioteca. Para la inteligencia general artificial, diría que la conciencia y la autoconciencia son una condición necesaria y suficiente, por lo que sugeriría proponer un modelo matemático para lo que hace el Tegmentum Pontine Dorsolateral Rostral. Una respuesta realmente incompleta y simplista y cualquiera que haya hecho filosofía mental probablemente me mataría 😉

Uhm, ¿qué te gustaría aplicar? Esa es la verdadera pregunta. De hecho, no tiene que ser algo súper difícil. Podría ser algo tan simple como un programa que adivina qué número elegirás a continuación, siempre que esté aprendiendo.