Il y a beaucoup de désaccord parmi les chercheurs et les experts sur l'avenir de Intelligence artificielle. Alors que certains sont ravis des perspectives d'auto-apprentissage des ordinateurs et des robots, d'autres, comme Stephen Hawkings, ont des réserves à ce sujet. Selon Stephen Hawkings, les robots pourraient prendre le contrôle de la planète si la recherche en intelligence artificielle n’est pas faite correctement.
Lis: Débat sur l'intelligence artificielle.
Termes en intelligence artificielle
AI: Intelligence artificielle; fait référence au domaine de l'intelligence artificielle au sens large
Algorithme: Vous avez peut-être rencontré ce mot si vous avez été dans la programmation. Il fait référence à un ensemble d'instructions permettant d'exécuter une tâche. En intelligence artificielle, Algorithm indique aux machines comment déterminer les réponses à différents problèmes ou questions.
Raisonnement Analogique: Le terme analogique se réfère généralement à des données non numériques, mais dans le domaine de l'IA, le raisonnement analogique est le processus par lequel des personnes (scientifiques) tirent des conclusions sur la base de résultats antérieurs. C'est plus comme prédire les marchés boursiers. Des cartes et des diagrammes sont établis à partir de données antérieures et un raisonnement analogique est appliqué pour prévoir les résultats de tout processus ou expérience.
ANN: Réseaux de neurones artificiels: Les réseaux de neurones artificiels constituent la colonne vertébrale de nombreuses expériences à l'extrême du champ du raisonnement. Les systèmes qui ne peuvent pas résoudre des problèmes complexes sont modifiés pour contenir des réseaux de neurones artificiels de manière à pouvoir se penser et à résoudre des problèmes complexes. Le réseau de neurones artificiels est basé sur le réseau de neurones biologiques et est probablement le plus effrayant parmi tous les termes utilisés en intelligence artificielle.
Propagation en arrière: Quelque chose dans les lignes de codage inverse. Le résultat est déjà là, mais le processus pour atteindre le résultat est déterminé en introduisant les processus connexes dans un système prêt à être utilisé pour l'IA.
Chaînage en arrière: Cela ressemble à une rétropropagation, mais l’objectif ici est de déterminer s’il existe des données pouvant servir de preuves de l’objectif actuel. Dans ce système également, les experts travaillent depuis une solution existante aux processus qui ont permis d’atteindre la solution et, ce faisant, détectent les preuves dont les processus peuvent être dépendants.
CBR: Raisonnement par cas: Une méthode permettant de résoudre les problèmes sur la base de cas similaires résolus dans le passé.
L'apprentissage en profondeur: Un processus qui utilise des algorithmes spécialisés pour modéliser et étudier des ensembles de données complexes; la méthode est également utilisée pour établir des relations entre des données et des jeux de données
Chaînage avant: Processus dans lequel les machines étudient en avant à partir d'un point donné - en utilisant une séquence de sous-processus if-then pour atteindre l'objectif souhaité. L'objectif est de trouver un système qui fonctionne pour un ensemble de problèmes donné.
Raisonnement inductif: Processus dans lequel des preuves et des ensembles de données sont utilisés pour atteindre des objectifs spécifiques. Cela ne devrait pas être très différent de la programmation normale car cela fonctionne sur des ensembles de données déjà présents au lieu de les construire. Le processus de collecte de données et d’agrégation en fonction de leur nature s’appelle exploration de données Le raisonnement inductif utilise les ensembles de données créés à la suite de l'exploration de données.
Apprentissage machine: Un autre des termes effrayants utilisés dans l'intelligence artificielle, Machine Learning fait référence à des machines agissant sans être alimentées par des programmes pour effectuer des tâches. L'apprentissage automatique intervient et s'améliore à mesure que la durée de vie du système augmente. Il utilise les modèles de résultats obtenus dans le passé pour agir en fonction des objectifs actuels.
PNL - Traitement du langage naturel: Un autre terme couramment utilisé en intelligence artificielle, le traitement du langage naturel est basé sur la reconnaissance de la parole ou des entrées basées sur des gestes. Le but ici est de comprendre le langage humain en tant que commande. Plus vous interagissez avec la machine à l'aide de la PNL, plus il est facile de comprendre et de traiter vos commandes.
Taille: Processus de nettoyage du code afin d'éliminer les solutions indésirables. Mais avec la réduction du code (élagage), le nombre de décisions pouvant être prises par des machines est limité.
IA forte: Strong se réfère au domaine de l'intelligence artificielle qui vise à fournir des pouvoirs similaires à ceux du cerveau aux machines d'IA en fait, cela fonctionne pour rendre des machines aussi intelligentes que les humains
IA faible: La plupart des systèmes d'IA sur le marché aujourd'hui sont des IA faibles (intelligence artificielle). Les machines IA faibles peuvent toujours prendre leurs propres décisions en fonction du raisonnement et des ensembles de données antérieurs.
Ce sont les termes les plus importants utilisés dans l'intelligence artificielle selon ma compréhension.
Lis: Faits et mythes sur l'intelligence artificielle: IA faible, IA forte et IA super.
