Sí, creo que podemos. Ahora hemos estado enseñando a las máquinas a aprender. A menudo me preguntaba por qué no podemos tomar esos algoritmos y aplicarlos en nosotros mismos.
Aquí hay algunas maneras en que todos podemos ser mejores para predecir cosas:
(1) Simulemos una red neuronal de alimentación hacia adelante y propagación hacia atrás. Observe mucho para recopilar datos. Intenta claramente identificar las características. En el caso de las personas, las características pueden ser su lenguaje corporal (claramente es una característica importante). Alimente a su red neuronal y haga una predicción. Si la predicción es un éxito, haga que el impacto de esa característica sea más fuerte, si es un fallo que la mayoría de las veces hace, el impacto de esa característica es menor. Después de varias iteraciones, durante el despliegue se obtiene una probabilidad de las observaciones actuales basadas en las observaciones pasadas. En base a esa probabilidad, toma una acción. Los vendedores ya lo hacen intuitivamente, simplemente no pueden expresar matemáticamente su intuición.
- ¿Qué pasará con la economía a medida que el trabajo sea más automatizado y realizado por AI?
- ¿Necesito tener conocimientos especializados en inteligencia artificial para hacer un valor para la sociedad?
- ¿Continuará la sensibilidad humana después de la IA en un estado no orgánico con un intercambio de conocimiento perfecto, sin individualidad y solo una sensibilidad única?
- ¿Cuáles son las principales startups de IA en Israel?
- Si eres bilionario, ¿puedes comprar un software de síntesis de voz con una voz humana que parezca tan real que nadie pueda decir que es una computadora?
(2) En el aprendizaje por refuerzo hay un dilema exploit / explore. La pregunta es explotar el conocimiento actual para hacer una tarea o explorar para encontrar estados que puedan conducir a recompensas aún mejores. Por supuesto, puedes ir a un estado y terminar completamente con malas recompensas. De ahí el dilema. Pero si solo explota el estado conocido, puede limitar sus recompensas. Por lo tanto, en la vida debe mantener una buena relación de explotación / exploración para obtener las máximas recompensas.
(3) Red Adversaria Generativa. Esto es algo interesante. Generas buenas ideas para hacer un trabajo y lo aplicas. Entonces, también debe tener ideas para obstaculizar la ejecución de esa idea. Luego, refina su idea generativa para abordar la idea de confrontación. Llegará a un punto que es un equilibrio (equilibrio de Nash para ser exactos), en ese punto su idea funciona de una manera muy robusta sin ninguna interrupción de confrontación. Así es como se publican los teoremas matemáticos. Así es como se juegan los juegos políticos, y algunas veces suceden algunas cosas buenas.
