” ¿Cuál es el enfoque correcto para la inteligencia artificial?”
La IA es un tema bastante amplio, en realidad. Desde el punto de vista de la aplicación, hay áreas de reconocimiento de patrones como el habla, la imagen y otros tipos de reconocimiento de señal, que es bastante diferente de las áreas de razonamiento lógico que pueden incluir diagnósticos, control automatizado y demás, que es bastante diferente de aplicaciones como el aprendizaje automático, los juegos y similares, que todavía están bastante separados de la adquisición de conocimiento como se hace en la minería de datos, etc. Aplicaciones más específicas como el razonamiento legal o el diagnóstico médico, o los automóviles sin conductor, por ejemplo, sin duda combinarán un Algunos de estos AI se enfocan para trabajar juntos.
En un nivel inferior, existen tecnologías de inteligencia artificial, como la programación lógica y funcional, y redes neuronales (NN) que pueden proporcionar una gran ayuda para implementar las aplicaciones de nivel superior. Estos también se pueden usar juntos. Déjame explicarte con un ejemplo de programa de IA.
- No sé nada sobre inteligencia artificial. ¿Qué libro debo leer?
- ¿Se considera técnicamente una red neuronal de retropropagación con muchas capas ocultas aprendizaje profundo, o es un algoritmo completamente diferente, por ejemplo, máquinas de Boltzmann restringidas?
- ¿Cuáles serían las implicaciones de crear una inteligencia artificial con vicios o adicciones?
- ¿Cuáles son algunas de las mejores películas o libros de ficción sobre inteligencia artificial?
- ¿Es concebible que la inteligencia artificial, dentro de mi vida, se haga cargo de casi todas las funciones humanas en el estándar moderno del trabajo?
El sistema es para sistemas de reconocimiento óptico de caracteres (OCR) de muy alta precisión. Las redes neuronales son bastante buenas en OCR a nivel de caracteres, y también se pueden usar para ayudar a reconocer palabras, pero el SW convencional puede realizar correcciones ortográficas y análisis de gramática para ayudar a identificar caracteres o palabras poco reconocidos. Este sistema en particular necesitaba reconocer grandes números y otras cadenas de caracteres que no formaban palabras u oraciones (como tablas de especificaciones) con una precisión casi perfecta. El sistema final utilizó una gran cantidad de NN para clasificar las características de la página, como la calidad del escaneo, las fuentes, la separación de caracteres, etc. Cada NN recibió capacitación para fuentes específicas y para problemas específicos de calidad de página. La capacitación especializada hizo que cada NN sea mucho más confiable para su entorno de capacitación específico. Un sistema experto construido con programación lógica primero alinearía las salidas de cada NN separado e identificaría cada carácter que no estuviera de acuerdo entre los distintos NN. Esto no fue un problema simple, ya que las NN cometieron errores interesantes como informar una “rn” como una “m” o viceversa. Es decir, no solo se reconocieron erróneamente muchos caracteres, sino que muchas veces se reconocerían múltiples caracteres como uno o uno como múltiples caracteres. El sistema lógico combinaría los atributos de página y fuente con las fortalezas conocidas de cada NN para ponderar la salida de cada NN para un voto mucho mejor que el simple voto para determinar el reconocimiento correcto de caracteres. Este no fue un ejemplo brillante de IA, pero sí necesitaba un par de tecnologías de IA muy diferentes para resolver un problema del mundo real.
Mi visión de cuál es el enfoque correcto siempre comienza con el problema del mundo real que necesita una solución. Un nivel saludable de experiencia con todas las tecnologías centrales de IA debería proporcionar al desarrollador la sabiduría necesaria para identificar qué tecnología o tecnologías se adaptarán mejor al problema en cuestión.
