head-banhardsumlan207
วันที่ 16 มิถุนายน 2021 9:19 PM
ยินดีต้อนรับเข้าสู่เว็บไซต์ โรงเรียนบ้านหาดสำราญ มิตรภาพที่ 207
โรงเรียนบ้านหาดสำราญ มิตรภาพที่ 207
หน้าหลัก » นานาสาระ » ปัญญาประดิษฐ์ ความรู้ความเข้าใจของเอไอ 

ปัญญาประดิษฐ์ ความรู้ความเข้าใจของเอไอ 

อัพเดทวันที่ 17 พฤษภาคม 2021

ปัญญาประดิษฐ์

ปัญญาประดิษฐ์ เนื่องจากแนวคิดของปัญญาประดิษฐ์ ถูกเสนอครั้งแรกในปีพ.ศ.2499 จึงมีประวัติยาวนานกว่า 60ปี ปัจจุบันด้วยนวัตกรรมที่ต่อเนื่องของทฤษฎี และเทคโนโลยีที่เกี่ยวข้องปัญญาประดิษฐ์ กำลังเข้ามาในชีวิตประจำวันของเรามากขึ้นเรื่อยๆ ภายใต้การสนับสนุนของข้อมูลสามองค์ประกอบ พลังการคำนวณและอัลกอริทึม

อย่างไรก็ตาม เบื้องหลังความประหลาดใจชุดนี้คือ ความยากของปัญญาประดิษฐ์ ส่วนใหญ่ในการเข้าใจภาษา การเข้าใจฉากภาพการวิเคราะห์การตัดสินใจ เทคโนโลยีเหล่านี้ยังคงเน้นที่ระดับการรับรู้เป็นหลักนั่นคือ การใช้ปัญญาประดิษฐ์เพื่อจำลองการรับรู้การได้ยินของมนุษย์ และวิสัยทัศน์ แต่ไม่สามารถแก้งานที่ซับซ้อนด้านความรู้ ความเข้าใจและความชาญฉลาดเช่น การใช้เหตุผล การวางแผน การเชื่อมโยงและการสร้าง

ปัญญาประดิษฐ์ ในปัจจุบันขาดการประมวลผลความเข้าใจ และการคิดหลังจากที่ข้อมูลเข้าสู่สมอง สิ่งที่ทำคือ การเปรียบเทียบ และการจดจำที่ค่อนข้างง่าย โดยจะอยู่ในขั้นการรับรู้ แทนที่จะเป็นความรู้ความเข้าใจ โดยมุ่งเน้นไปที่เทคโนโลยีปัญญาการรับรู้ปัญญาประดิษฐ์ ยังห่างไกลจากความฉลาดของมนุษย์

เหตุผลก็คือ ปัญญาประดิษฐ์กำลังเผชิญกับปัญหาคอขวดที่จำกัด การพัฒนาฐานความรู้ขนาดใหญ่ของสามัญสำนึก และเหตุผลเชิงตรรกะบนพื้นฐานของความรู้ความเข้าใจ แผนที่ความรู้ความเข้าใจบนพื้นฐานของแผนที่ ความรู้การใช้เหตุผลทางปัญญา และการแสดงออกเชิงตรรกะได้รับการพิจารณาจากนักวิชาการ ผู้นำในอุตสาหกรรมทั้งในและต่างประเทศมากขึ้นเรื่อยๆ เป็นหนึ่งในโซลูชันที่เป็นไปได้ ที่สามารถทำลายคอขวดทางเทคนิคนี้ได้

เมื่อเร็วๆ นี้ รองประธานของอินเตอร์แลป และหนึ่งในผู้นำทางความคิดระดับโลก 50คน และผู้มีอิทธิพลในสาขาปัญญาประดิษฐ์ ซึ่งสำรวจคลื่นลูกที่สามของปัญญาประดิษฐ์ การเพิ่มขึ้นขององค์ความรู้ ปัญญาประดิษฐ์ โดยไม่เปลี่ยนแนวคิดหลักของข้อความทางวิชาการ ได้รวบรวมบทความอย่างรอบคอบ และมีเนื้อหาดังนี้

การเรียนรู้เชิงลึก กำลังก้าวหน้าอย่างมาก และปฏิวัติอุตสาหกรรมทั้งหมดในทุกด้านของชีวิต รวมถึงการดูแลสุขภาพ การค้าปลีก การผลิตรถยนต์ที่ขับเคลื่อนด้วยตัวเอง การรักษาความปลอดภัย และการป้องกันการฉ้อโกง การวิเคราะห์ข้อมูล อย่างไรก็ตาม เพื่อสร้างอนาคตของปัญญาประดิษฐ์ และส่งเสริมการพัฒนาต่อไป ของเทคโนโลยีรุ่นใหม่ เราต้องกำหนดเป้าหมาย และความคาดหวังสำหรับมัน ภายในปี2568 ปัญญาประดิษฐ์จะก้าวกระโดดในเชิงคุณภาพ และเครื่องจักรก็จะเปลี่ยนไป ในปัจจุบันแอปพลิเคชันจำนวนมากที่ใช้อัลกอริทึม การเรียนรู้เชิงลึกได้แก้ไขงานด้านการรับรู้ที่เกี่ยวข้องเช่น การรับรู้วัตถุ การประมวลผลภาษาธรรมชาติ

การแปลและงานอื่นๆ ที่เกี่ยวข้องกับการประมวลผลการเชื่อมโยงข้อมูลที่ครอบคลุม เช่นระบบคำแนะนำ ระบบการเรียนรู้เชิงลึก อาศัยการเขียนโปรแกรมเชิงอนุพันธ์ และความสัมพันธ์บนฐานข้อมูลที่ซับซ้อน เพื่อให้ได้ผลลัพธ์ที่โดดเด่นและคาดว่า จะส่งเสริมการเปลี่ยนแปลงของอุตสาหกรรมทั้งหมด ในอีกไม่กี่ปีข้างหน้า แต่ในขณะเดียวกันต้องเอาชนะข้อจำกัด โดยธรรมชาติของการเรียนรู้เชิงลึก เพื่อช่วยให้การเรียนรู้ของเครื่องหรือโดยทั่วไปมากขึ้น

ปัญญาประดิษฐ์ตระหนักถึงศักยภาพของมัน เพื่อให้ได้นวัตกรรมที่ไม่เพิ่มขึ้น เราจำเป็นต้องทำงานร่วมกันในสามด้านต่อไปนี้ ปรับปรุงประสิทธิภาพของแบบจำลองอย่างมาก ตัวอย่างเช่น ลดจำนวนพารามิเตอร์ลง 2-3คำสั่งขนาดโดยไม่ลดความแม่นยำ เพิ่มความแข็งแกร่งความยืดหยุ่น และความสามารถในการปรับขนาดของโมเดลได้อย่างมาก ปรับปรุงความสามารถในการรับรู้ของเครื่องอย่างครอบคลุม

แม้ว่าเทคนิคต่างๆ เช่นการตัดแต่งกิ่งกระจัดกระจาย การบีบอัดการกลั่น และโครงข่ายประสาทเทียมแบบกราฟ สามารถปรับปรุงประสิทธิภาพของโมเดลได้ โดยไม่ส่งผลกระทบต่อผลลัพธ์ การลดขนาดโมเดลตามลำดับ ความสำคัญหลายๆ ขนาด อาจต้องมีการเปลี่ยนแปลงขั้นพื้นฐานมากขึ้นในวิธีการจับ แสดงข้อมูลตัวเอง และความสามารถในการเรียนรู้ในแบบจำลองการเรียนรู้เชิงลึก

นอกจากนี้ความก้าวหน้าอย่างต่อเนื่อง ยังต้องการเรียนรู้เชิงลึก ที่มีประสิทธิภาพในการคำนวณมากขึ้น หรือเปลี่ยนไปใช้วิธีการเรียนรู้ของเครื่องอื่น ระบบปัญญาประดิษฐ์ที่มีแนวโน้มจะเข้ามาแทนที่ข้อเท็จจริงจำนวนมาก และการฝังข้อ มูล โดยการค้นหาในฐานข้อมูลเสริมได้รับความนิยมอย่างรวดเร็ว ในขณะเดียวกัน วิธีการเรียนรู้ของเครื่องทางสถิติ ตั้งอยู่บนสมมติฐานที่ว่าการกระจาย ตัวอย่างการฝึกอบรมแสดงถึงเนื้อหาที่ต้องประมวลผล ในกระบวนการอนุมานและมีข้อบกพร่องที่สำคัญในการใช้งานในชีวิตจริง โดยเฉพาะอย่างยิ่ง เมื่อชุดข้อมูลการฝึกมีการสุ่มตัวอย่างเบาบาง หรือแม้กระทั่งไม่มีตัวอย่าง โมเดลการเรียนรู้เชิงลึกจะถูกท้าทาย

นอกจากนี้ผลที่ได้รับจากการเรียนรู้แบบถ่ายโอน และการให้เหตุผลตัวอย่างขนาดเล็ก ศูนย์ยังไม่เป็นที่น่าพอใจ ความสามารถในการปรับขนาดที่ไม่มีประสิทธิภาพของแบบจำลอง ช่วยป้องกันไม่ให้ปัญญาประดิษฐ์ ขยายไปยังหลายพื้นที่ที่ชุดข้อมูล และนักวิทยาศาสตร์ข้อมูลขาด นอกจากนี้การเรียนรู้เชิงลึก ยังมีความอ่อนไหวต่อการเปลี่ยนแปลงข้อมูล ส่งผลให้การจัดประเภทมีความเชื่อมั่นต่ำ

แต่ปัญหานี้สามารถแก้ไขได้ โดยการปรับปรุงความทนทาน และความสามารถในการปรับขนาดของแบบจำลอง ในที่สุดในกรณีส่วนใหญ่โครงข่ายประสาทเทียม ไม่สามารถให้ความรู้ความเข้าใจเหตุผล และความสามารถในการตีความได้อย่างถูกต้อง การเรียนรู้เชิงลึกขาดกลไกการรับรู้ ไม่สามารถสร้างเหตุผลเชิงนามธรรม เชิงบริบท เชิงสาเหตุตีความ และเข้าใจได้

อ่านบทความต่อไป คลิ๊ก !!! โรคโปลิโอ สาเหตุของการติดเชื้อไวรัส

แสดงความคิดเห็นด้วย Facebook

นานาสาระ ล่าสุด
Banner 1
Banner 2
Banner 3
Banner 4