미닝의 팁

인공지능이 정확하게 무엇인가 ?

미니닝 — Fri, 29 Jan 2021 08:59:02 +0900

인공지능의 세가지 유형 정확하게 무엇인가?

인공 지능 AI에는 세 가지 유형이 있습니다. 좁거나 약한 AI, 일반 또는 강한 AI, 인공 초 지능 우리는 현재 좁은 AI 만 달성했습니다. 머신 러닝 기능이 계속 진화하고 과학자들이 일반 AI를 달성하는 데 가까워지면서 AI의 미래에 대한 이론과 추측이 순환하고 있습니다. 두 가지 주요 이론이 있습니다. 하나의 이론은 많은 공상 과학 서사에서 묘사 된 것처럼 초 지능형 킬러 로봇 이 인류를 없애거나 모든 인류를 노예 로 만드는 디스토피아 적 미래에 대한 두려움을 기반으로 합니다. 다른 이론은 인간과 봇이 함께 일하는보다 낙관적 인 미래를 예측합니다. 인간은 인공 지능을 도구로 사용하여 삶의 경험을 향상시킵니다. 인공 지능 도구는 우리가 전 세계적으로 비즈니스를 수행하는 방식에 이미 상당한 영향을 미치고 있으며 인간에게는 불가능한 속도와 효율성으로 작업을 완료합니다. 그러나 인간의 감정과 창의성은 매우 특별하고 독특하며 기계에서 복제하기가 불가능하지는 않지만 매우 어렵습니다. Codebots는 인간과 봇이 승리를 위해 협력하는 미래를 지원합니다. 이 기사에서는 AI의 3 가지 유형과 AI의 미래에 대한 이론에 대해 자세히 설명합니다. 인공 지능을 명확하게 정의하는 것부터 시작하겠습니다. 인공지능이 정확하게 무엇인가요 인공 지능은 잠재적으로 세계를 바꿀 수있는 기술입니다. 그것은 암을 치료하고, 자율 주행 차를 통제 하고, 인간의 지능을 증가시키는 데 도움이 될 수 있습니다. 또는 로봇 종말 과 인류의 몰락으로 이어질 수 있습니다 . 누구에게 물어 보는가에 따라 다릅니다. 인공 지능 또는 AI는 단순히 인간 지능의 측면을 모방하기 위해 컴퓨터에서 사용하는 소프트웨어를 의미합니다. 예를 들어, 구입 한 책을 기반으로 읽어야 할 내용을 추천하는 프로그램이나 주변 세계를 기본적으로 파악할 수있는 로봇 청소기가 있습니다. 그렇다면 왜 모든 소란이 있습니까? 지난 10 년 동안 기계 학습이라고하는 특정 AI 유형이 매우 강력 해졌습니다. 이 기술은 DeepMind의 모든 것을 뒤에 AI를 연주 세계 챔피언 이동 에 구글 번역 및 얼굴 인식 알고리즘 에 디지털 보조 아마존 알렉사 등. 프로그래머가 기계 학습 AI에게 작업을 완료하는 방법에 대한 명확한 지침 목록을 제공하는 대신 AI는 작업을 직접 수행하는 방법을 배워야합니다. 이를 시도하는 방법은 여러 가지가 있지만 가장 널리 사용되는 접근 방식은 예제로 훈련 된 신경망 이라는 소프트웨어를 사용하는 것입니다. 신경망은 뇌에서 뉴런이 연결되는 방식에서 영감을받은 대규모 연결망입니다. 입력은 연결 강도에 따라 네트워크를 통해 작동하여 적절한 출력을 찾습니다. 로봇 진공 의 경우 입력은 센서의 모든 다양한 측정 일 수 있으며 출력은 이동을 결정하는 방법 일 수 있습니다. 진공을 훈련시키기 위해 관련 센서 입력과 함께 방을 진공 청소기로 청소하는 수천 개의 인간 사례를 보여줄 수 있습니다. 관련 연결을 강화함으로써 신경망 진공은 결국 어떤 입력이 어떤 작업에 해당하는지 학습하여 자체적으로 방을 청소할 수 있습니다. 신경망은 1940 년대와 1950 년대부터 존재했지만 최근에야 많은 성공을 거두기 시작했습니다. 재산의 변화는 우리가 생산하는 데이터의 양과 사용 가능한 컴퓨터 전력의 양이 크게 증가했기 때문입니다. AI는 작업 방법을 배우기 위해 수천에서 수백만 개의 예제가 필요합니다. 그러나 이제는 수백만 개의 비디오, 오디오 클립, 기사, 사진 등이 매분마다 인터넷에 업로드되므로 적절한 데이터 세트를 훨씬 쉽게 확보 할 수 있습니다. 특히 사람들의 파일을 보유한 대규모 기술 회사 중 하나의 연구원 인 경우 더욱 그렇습니다. 이러한 데이터 세트를 처리하고 AI를 훈련시키는 것은 전력 소모가 많은 작업이지만, 처리 능력은 1970 년대 이후로 2 년마다 약 두 배로 증가하여 현대 슈퍼 컴퓨터가 작업을 수행 할 수 있습니다. 그러나 신경망은 모든 것을 할 수 없습니다. 한 가지 일을하도록 훈련 된 신경망은 다른 일을하는 데 거의 쓸모가 없습니다. 예를 들어, 라스 베이거스가 어느 나라에 있으며 질문을 처리 할 수 없는 세계 최고의 헤즈 업 노 리밋 텍사스 홀덤 포커 플레이어 인 AI 인 Libratus에게 물어보십시오 . 인간의 뇌가 할 수있는 모든 작업을 수행 할 수있는 인공 지능 AGI으로 알려진 광범위한 능력을 가진 AI를 만들려는 야망이 있습니다. 그러나 우리는 현재 AGI에서 멀리 떨어져 있습니다. 신경망의 한계로 인해 일부 사람들은 AGI에 도달하기 위해 완전히 다른 접근 방식이 필요할 수 있다고 주장합니다. 그것은 신경망이 더 나은 방법으로 무언가를 배우도록 돕기 위해 더 많은 기본 구조를 제공하거나, 진화를 통해 배우는 프로그램으로 이동하거나, 동물의 뇌를 더 잘 모방하려는 시도 일 수 있습니다. AGI가 생기면 인류의 종말을 맞이할 수있는 걱정이 있습니다. AGI는 인간의 지능을 훨씬 능가하기 위해 반복적으로 자신의 지능을 향상시킬 정도로 똑똑해질 수 있습니다. 이러한 초 지능은 그들 자신의 동기를 가질 수 있으며, 인간을 주변에 두는 것은 그들 중 하나가 아닐 수도 있습니다. AI 문제 하지만 아직 걱정할 필요는 없습니다. 우리는 여전히 AGI에 도달하기까지는 아직 먼 길이며 현재 AI와 관련하여 몇 가지 긴급한 우려가 있습니다. AI는 이미 미국 일부 지역에서 누군가의 가석방 자격과 같은 중요한 결정을 내리는 데 관여하고 있습니다. 또한 직업, 대출 또는 보험 상품에 대한 사람들의 적합성을 점점 더 평가하고 있습니다. 그러나 AI는 종종 편향되어 권장 사항도 마찬가지입니다. 시간이 지남에 따라 연구자들은 신경망 이 훈련 된 데이터 세트에서 편향을 포착 한다는 사실을 발견 했습니다 . 예를 들어, 얼굴 인식 알고리즘은 백인이 아닌 사람 에게는 정확도가 훨씬 낮습니다 . 이는 데이터 세트에 다양성이 없다는 특징입니다. AI 결정도 불투명합니다. 신경망이 어떻게 결론에 도달하는지는 분석하기가 매우 어렵습니다. 즉, 이미지에서 암을 놓치는 것과 같은 중대한 실수를 저지르는 경우 실수를 저지른 이유를 알아 내거나 책임을지는 것이 매우 어렵습니다. 이는 신뢰와 안전이 특히 중요한 애플리케이션에서 AI의 발전을 늦출 수 있습니다.

AI가 자문 환경을 형성하는 법

미니닝 — Wed, 20 Jan 2021 13:43:25 +0900

AI가 자문 환경을 형성하는 방법

업 전반에 걸쳐 인공 지능은 단순한 유행어 이상이되었습니다. 기계가 거의 인간처럼 생각하고 행동하도록 프로그래밍 할 수 있으며, 점점 더 복잡 해지는 문제를 해결하기 위해 그 지식을 지속적으로 배우고 사용하도록 프로그래밍 할 수 있다는 전제는 이미 입증되었으며 기술이 주류로 채택되고 있습니다. 많은 기업이이 기술을 채택하는 데 시간이 늦었지만, 부분적으로는 가파른 구현 비용으로 인해 AI와 딥 러닝 이 금융 서비스 산업에서 빠르게 등장하고 있습니다. 이미 업계의 변화로 인해 타격을받은 재무 고문과 RIA는이 새로운 혁신을 포기하면 뒤처 질 위험이 큽니다.트레이딩 로봇의 부상 함께 이상의 $250억 미국의 관리하에 현재 다양한 산업 연구 로보 고문에 의해 관리되는 양이 뜨거운 속도로 계속 증가 할 것으로 예측하고있다. 한때 많은 사람들은 로보 서비스가 전통적인 고문의 필요성을 크게 줄이거 나 없앨 것이라고 예측했습니다. 분명히 인간 재정 고문의 종말은 크게 과장되었습니다. 로보 어드바이스가 어드바이스 산업을 혼란에 빠뜨 렸지만 결코 인간을 대체하지는 못했습니다. 사실이 기술은 일반적으로 조언 전달을 향상시키는 역할을했습니다. 예를 들어 Vanguard가 제공하는 Vanguard Personal Advisor Services를들 수 있습니다. Vanguard의 플랫폼은 로보 기술과 인간의 조언이 결합 된 것으로 자산 그리기 측면에서 널리 성공했습니다. 그리고 로봇 투자의 선구자 Betterment는 이제 고객이 인간 고문과 상호 작용할 수있는 옵션은 물론 인간 고문이 자신의 고객을 위해 Betterment의 플랫폼을 사용할 수있는 플랫폼을 제공합니다. Robo-advisor는 지금까지 구현에 AI를 많이 사용하지 않습니다. 실제로 대부분은 일부 버전의 최신 포트폴리오 이론에 맞는 포트폴리오 전략을 자동화 하고 최적화 된 수동 인덱스 포트폴리오를 구축합니다. 그런 다음 고객 포트폴리오를 지속적으로 스캔하고 재조정하지만 투자 전략은 어떤 종류의 기계 학습으로도 정보를받지 못합니다. 그럼에도 불구하고 이들 회사는 스마트 베타 투자 와 같은 전략을 통해 AI를 사용하여 MPT를 향상시키는 방법을 찾고 있습니다.AI가 더 널리 퍼진 곳은 전문 트레이딩 데스크가 경제와 시장을 모델링하고 단기적으로 일어날 일을 예측하는 데 사용하는 월스트리트입니다. 고주파 거래 데스크는 또한 AI를 사용하여 밀리 초 단위로 작동하는 새롭고 참신한 거래 전략을 제시합니다. 거래자가 HFT 알고리즘에서 AI를 사용할 때 거래 시스템은 인간의 인식 수준 아래에서 발생하는 변화하는 시장 조건에 스스로 적응하며 종종이를 사용하는 거래 자나 이러한 봇을 구축 한 소프트웨어 엔지니어가 실제로 무슨 일이 일어나고 있는지 알지 못합니다. 일반 투자자를위한 AI 월스트리트 트레이더가 아니더라도 주식을 고르거나 시장을 타이밍 할 때 인공 지능의 이점을 활용할 수있는 방법을 찾을 수 있지만 대부분의 로보 어드바이저를 통해 찾을 수는 없습니다. 대신 여러 상장 지수 펀드는 그 사용 전문 AI 기법을 튀어 나오는 다음 일반 투자자가 ETF의 공유를 통해 그 전략에 구입 할 수 있습니다. 인공 ETF는 정해진 규칙을 따르고 자금을 분석하여 주어진 규칙의 제약 내에서 최고의 성과를내는 컴퓨터 프로그램에 의해 선택되고 관리되는 지능형 ETF 입니다. 2017 년 이후 여러 가지 인공 지능형 ETF가 시작되었고 나머지 펀드 시장에 대해 잘하고 있습니다. 그들이 분석 할 수있는 주식의 수는 전통적으로 관리되는 지능형 ETF보다 유리합니다. 한 가지 예가 AI Powered ETF입니다. 펀드의 안내서에서 다음과 같이 설명합니다 . AIEQ는 인공 지능을 사용하여 향후 12 개월 동안 자본 상승 가능성이 가장 높은 것으로 여겨지는 미국 주식을 분석하고 식별하면서 전체 미국 시장과 유사한 변동성을 보여줍니다. 모델은 다음을 기반으로 가중치를 제안합니다. 자본 이득 잠재력과 다른 포함 된 회사와의 상관 관계는 보유 당 10 % 상한이 적용됩니다. AIEQ는 양적 모델에 크게 의존하지만 펀드는 적극적으로 관리되며 지수를 따르지 않습니다. AIEQ와 같은 AI 기반 펀드가 장기적으로 더 넓은 시장을 이길 지 여부를 말하기에는 너무 이릅니다. 미래를 바라보며 AI의 다음 개척자가 월스트리트에서 금융 자문 산업으로 어떻게 옮겨 갈지에 대한 많은 추측이 있습니다. 많은 사람들은 다음 단계는 순전히 거래 결정을 내리는 대신 AI가 고문의 관계 관리를 더 잘 촉진하는 것이라고 생각합니다. 예를 들어, 고문은 고객 회의 중에 AI를 사용하여 특정 고객 정보를 호출하고 잠재적 인 권장 사항의 성능을 모델링 할 수 있습니다. 이전에는 분석가 팀이 몇 시간 이상 걸리던 작업입니다. 오늘날의 많은 재무 계획 프로그램이 이러한 기능을 제공하지만 AI의 성장은 소프트웨어의 분석 및 예측 능력을 확장하는 데에만 기여할 것입니다. 이것은 AI의 딥 러닝 기능에 의해 강화되어 조언자가 현재 시간의 상당 부분을 차지하고있는 암기 적이거나 일상적인 모니터링 및 관리 작업을 많이 수행하지 않아도됩니다. 예를 들어 AI 기반 시스템을 설정하여 클라이언트 포트폴리오를 모니터링하고 할당이 특정 매개 변수를 벗어날 때 어드바이저에게 신호를 보낼 수 있습니다. AI는 인간 자문이나 지원 담당자의 일부 역할을 제거 할 수 있지만 AI의 분석 능력은 더욱 전문화되고 해석적인 역할도 성장할 수 있습니다. 인공 지능을 채택하면 고문 시간이 증가하여 클라이언트 대면 활동이 늘어날 것입니다. 고문이이 결과를 검토하지 않고 시스템이 데이터와 분석을 클라이언트에게 직접 뱉어 내고 싶지는 않을 것입니다. 클라이언트 서비스 자동화 대부분의 고객 문의는 설정 한 매개 변수에 따라 AI 기반 어시스턴트가 처리 할 수있는 질문 일 가능성이 높습니다. 이 가상 비서는 고객의 질문에 대한 분석을 수행하고 검토 및 논의 할 수있는 몇 가지 제안 된 대안을 준비 할 수 있습니다. 이 시스템은 고객의 재무 상황을 지속적으로 분석하여 고객의 상황이 변화함에 따라 옵션을 제안하도록 설정할 수 있습니다. 재 융자를받을 수있는 대출이 있거나 최근에 세법이 변경되어 시스템이 모든 고객에게 미치는 영향을 자동으로 검토 할 수 있습니다. 마찬가지로, 하나 이상의 고객 포트폴리오에 사용되는 뮤추얼 펀드의 관리에 큰 변화가있는 경우 AI 기반 비서가 해당 펀드를 유지하거나 교체해야하는지 여부를 결정하기 위해 고문에게 경고를 보낼 수 있습니다. 뒤쳐지는 비용 이러한 시나리오는 미래적인 것처럼 보일 수 있지만 대부분은 이미 거대 산업계에 의해 구현되고 있습니다. 기술이 뒤쳐지면 고문, 특히 차세대 기술에 정통한 밀레 니얼 세대 및 X 세대 고객과 함께 일하는 고문에게 큰 위험을 초래할 수 있습니다. 이 세대들은 역사상 가장 큰 세대 간 부의 이전의 수혜자가 될 것이며 그들의 고문이 그들과 함께 일하기를 기대합니다. AI 및 관련 기술이 재무 고문을 대체하지 않았고 그렇게 할 가능성이 낮지 만 AI는 고문의 분석 기능을 향상시키고 일상적인 백 오피스 작업을 자동화하여 전반적으로 비용을 절감 할 것입니다. AI 및 기타 기술은 도구이며 계속해서 번영하기를 원하는 고문은 이러한 기술을 지속적으로 파악하고 전략적으로 실행에 통합해야합니다.

인공 지능의 이점 및 위험

미니닝 — Tue, 19 Jan 2021 16:24:55 +0900

AI 안전성을 연구하는 이유는 무엇입니까?

단기적으로 AI가 사회에 미치는 영향을 유익하게 유지한다는 목표는 경제 및 법률에서 검증, 타당성, 보안 및 제어와 같은 기술 주제에 이르기까지 많은 분야에서 연구에 동기를 부여합니다. 랩톱이 충돌하거나 해킹 당하면 사소한 성가신 일이 될 수 있지만, AI 시스템이 자동차, 비행기, 심장 박동기, 자동 거래를 제어 할 경우 원하는 작업을 수행하는 것이 더욱 중요해집니다. 시스템 또는 전력망. 또 다른 단기 과제는 치명적인 자율 무기에 대한 파괴적인 군비 경쟁을 방지하는 것 입니다. 장기적으로 중요한 질문은 강력한 AI에 대한 탐구가 성공하고 AI 시스템이 모든인지 작업에서 인간보다 나아진다면 어떻게 될 것인가하는 것입니다. 1965 년 IJ Good이 지적했듯이 더 스마트 한 AI 시스템을 설계하는 것은 그 자체로인지 작업입니다. 이러한 시스템은 잠재적으로 재귀 적 자기 개선을 거쳐 지능 폭발을 유발하여 인간의 지능이 훨씬 뒤처 질 수 있습니다. 혁신적인 신기술을 발명함으로써 그러한 초 지능 은 우리가 전쟁, 질병 및 빈곤을 근절하는 데 도움 이 될 수 있으므로 강력한 AI의 생성은 인류 역사상 가장 큰 사건이 될 수 있습니다. 그러나 일부 전문가들은 AI가 초 지능화되기 전에 AI의 목표를 우리의 목표와 일치시키는 법을 배우지 않는 한 마지막이 될 수도 있다는 우려를 표명했습니다. 강력한 AI가 달성 될 수 있을지 의문을 품는 사람도 있고 초 지능 AI의 생성이 유익하다고 주장하는 사람도 있습니다. FLI에서는이 두 가지 가능성을 모두 인식하지만 인공 지능 시스템이 의도적으로 또는 의도하지 않게 큰 피해를 입힐 가능성도 인식합니다. 우리는 오늘의 연구가 미래에 이러한 잠재적 인 부정적인 결과를 더 잘 준비하고 예방하는 데 도움이 될 것이라고 믿습니다. 따라서 함정을 피하면서 AI의 이점을 누릴 수 있습니다. AI가 어떻게 위험 할 수 있습니까? 대부분의 연구자들은 초 지능 AI가 사랑이나 증오와 같은 인간의 감정을 나타내지 않을 것 같으며 AI가 의도적으로 자비 롭거나 악의적으로 될 것이라고 기대할 이유가 없다는 데 동의합니다. 대신 AI가 위험이 될 수있는 방법을 고려할 때 전문가들은 다음 두 가지 시나리오를 가장 가능성이 높다고 생각합니다. AI는 파괴적인 일을하도록 프로그래밍되어 있습니다. 자율 무기는 죽 이도록 프로그래밍 된 인공 지능 시스템입니다. 잘못된 사람의 손에이 무기는 쉽게 대량 사상자를 초래할 수 있습니다. 더욱이 AI 군비 경쟁은 우연히 AI 전쟁으로 이어질 수 있으며 이로 인해 대량 사상자가 발생할 수 있습니다. 적에 의해 좌절되는 것을 피하기 위해이 무기는 단순히 끄기가 매우 어렵도록 설계되어 인간이 그러한 상황에 대한 통제력을 잃을 수 있습니다. 이 위험은 좁은 AI에서도 존재하지만 AI 인텔리전스와 자율성이 증가함에 따라 커집니다. AI는 유익한 일을하도록 프로그래밍되어 있지만 목표를 달성하기위한 파괴적인 방법을 개발합니다. 이것은 AI의 목표를 우리 목표와 완전히 일치시키지 못할 때 발생할 수 있으며 놀랍도록 어렵습니다. 순종적인 지능형 자동차에게 가능한 한 빨리 공항으로 데려다달라고 요청하면 헬리콥터에 쫓기고 구토물로 뒤덮여 서 원하는대로하지 않고 말 그대로 요청한대로 할 수 있습니다. 초 지능 시스템이 야심 찬 지구 공학 프로젝트를 맡으면 우리 생태계를 부작용으로 혼란에 빠뜨릴 수 있으며 인간이 그것을 막으려는 시도를 위협으로 간주 할 수 있습니다. 이 예에서 알 수 있듯이 고급 AI에 대한 우려는 악의가 아니라 능력입니다. 초 지능 AI는 목표를 달성하는 데 매우 능숙 할 것이며, 이러한 목표가 우리 목표와 일치하지 않으면 문제가 있습니다. 당신은 아마도 악의에서 개미를 밟는 사악한 개미 혐오자는 아니지만 수력 전기 녹색 에너지 프로젝트를 담당하고 그 지역에 개미집이 범람 할 수 있다면 개미에게는 너무 나쁩니다. AI 안전 연구의 핵심 목표는 인류를 개미의 위치에 두지 않는 것입니다. 최근 AI 안전에 관심이있는 이유 스티븐 호킹, 엘론 머스크, 스티브 워즈니악, 빌 게이츠 및 기타 과학 기술 분야의 많은 유명 인사들은 최근 많은 AI 연구자들과 함께 AI가 제기 하는 위험에 대한 공개 서한과 언론에 우려 를 표명 했습니다. 주제가 갑자기 헤드 라인에 등장하는 이유는 무엇입니까? 강력한 인공 지능에 대한 탐구가 궁극적으로 성공할 것이라는 생각은 오랫동안 공상 과학 소설로 여겨졌 고 수세기가 넘었습니다. 그러나 최근의 돌파구 덕분에 전문가들이 불과 5 년 전에 수십 년 전으로 간주했던 많은 AI 이정표에 도달하여 많은 전문가들이 우리 생애에서 초 지능의 가능성을 진지하게 받아들이고 있습니다. 일부 전문가들은 여전히 인간 수준의 AI가 수백 년이 남았다 고 추측하지만 2015 년 푸에르토 리코 컨퍼런스 의 대부분의 AI 연구는 2060 년 이전에 일어날 것이라고 추측했습니다. 필요한 안전 연구를 완료하는 데 수십 년이 걸릴 수 있으므로 지금 시작하는 것이 현명합니다. AI는 인간보다 더 똑똑해질 수있는 잠재력을 가지고 있기 때문에 우리는 그것이 어떻게 행동할지 예측할 확실한 방법이 없습니다. 우리는 재치있게 또는 무의식적으로 우리를 능가 할 수있는 능력을 가진 것을 결코 만들지 않았기 때문에 과거의 기술 개발을 기반으로 많이 사용할 수 없습니다. 우리가 직면 할 수있는 가장 좋은 예는 우리 자신의 진화 일 수 있습니다. 사람들은 이제 우리가 가장 강하거나, 빠르거나, 가장 커서가 아니라 우리가 가장 똑똑하기 때문에 지구를 지배합니다. 우리가 더 이상 똑똑하지 않다면 우리는 통제권을 유지할 수 있습니까? FLI의 입장은 성장하는 기술의 힘과 그것을 관리하는 지혜 사이의 경쟁에서 승리하는 한 우리 문명이 번성 할 것이라는 것입니다. AI 기술의 경우 FLI의 입장은 경쟁에서 승리하는 가장 좋은 방법은 전자를 방해하는 것이 아니라 AI 안전 연구를 지원하여 후자를 가속화하는 것입니다. 고급 AI에 대한 최고의 신화 인공 지능의 미래와 그것이 인류에게 무엇을 의미하는지에 대한 매혹적인 대화가 진행되고 있습니다. 다음과 같이 세계 최고의 전문가들이 동의하지 않는 흥미로운 논란이 있습니다. AI의 향후 일자리 시장에 대한 영향; 인간 수준의 AI가 개발 될 경우 언제 이것이 지능 폭발로 이어질지 여부; 그리고 이것이 우리가 환영해야 할 것인지 두려워해야 할 것인지. 그러나 사람들이 서로를 오해하고 이야기하면서 지루한 의사 논쟁의 예가 많이 있습니다. 오해가 아니라 흥미로운 논쟁과 열린 질문에 집중할 수 있도록 가장 일반적인 신화를 정리해 보겠습니다.

인공 지능의 실제 잠재력과 한계

미니닝 — Sun, 17 Jan 2021 11:15:10 +0900

인공 지능의 실제 잠재력과 한계

더 이상 인공 지능은 공상 과학 영화와 디스토피아의 미래에 관한 책에만 존재하지 않습니다. 그것은 우리가 살고 일하는 방식을 지속적으로 변화시키는 지금 여기에 있습니다. 우리 중 많은 사람들이 매일 AI와 상호 작용합니다. 우리는 Siri를 호출하여 근처 커피 숍으로가는 길을 안내하거나 Alexa에게 Amazon에서 상품을 주문하도록 요청합니다. 또한 AI는 다양한 산업 전반에 걸쳐 운영을 원활하게 보완 및 강화하고 회사 내부 기능을 점점 더 방해하고 있습니다. 그러나 동시에 AI가 인간 행동을 완전히 복제하는 것을 방해하는 한계가있는 곳에서도 점점 더 분명 해지고 있습니다. AI가 다른 산업에 어떤 영향을 미치나요? AI의 발전은 기본 프로세스 및 활동의 특성에 따라 다양한 방식으로 산업에 영향을 미칩니다. 반복적 인 작업과 데이터 분석에 크게 의존하는 기업은 현대 AI가 예측 가능한 환경 내에서 패턴을 인식하고 건전한 판단을 내리는 방법을 배울 수 있기 때문에 혼란을 겪을 가능성이 높습니다. 재고 관리에서 판매에 이르기까지 소매 회사는 오늘날 AI를 사용하여 온라인 및 오프라인 운영을 모두 지원하고 있습니다. 예를 들어, IBM의 Watson은 온라인 소매 업체에 AI 지원 주문 관리 및 고객 참여 기능을 제공합니다. 일본에서 SoftBank는 2016 년에 주로 사람의 말을 듣고 응답 할 수있는 휴머노이드 로봇이 근무하는 소매점을 열었습니다. 은행 세계에서 AI는 프론트 오피스와 백 오피스 절차를 모두 보강하고 있습니다. 인수 및 수집에서 사이버 보안 및 인증에 이르기까지 인공 지능은 이미 많은 분야에서 사용되고 있으며 지속적으로 공간의 기능을 추월 할 것으로 예상됩니다. McKinsey Co.는 최근 AI가 다양한 부문에서 얼마나 많은 가치를 창출 할 수 있는지 계산 한 분석을 발표했습니다 . 보시다시피이 회사는 많은 산업에서 수 천억 달러의 가치 창출을 추정합니다. 이 기사에서 이미 논의한 맨 위에는 AI의 손에 광범위하게 변화하는 소매 공간이 있습니다. 미래의 AI는 선반 비축 및 계산대 관리와 같은 물리적 작업을 자동화 할뿐만 아니라 특히 전자 상거래와 관련하여 분석, 마케팅 및 판매를 최적화 할 것입니다. 두 번째로 잠재적 인 순전 한 가치 창출 측면에서 운송 및 물류 부문은 송장 처리, 데이터 통합 및 다양한 이해 관계자들의 일정에 많은 시간을 소비합니다. 기계 학습과 자연어 처리를 통해 AI는 인간보다 짧은 시간에 이러한 모든 활동을 더 정확하게 자동화 할 수 있습니다. 마찬가지로, McKinsey가 예상하는 가치 창출이 4 천억 달러에 육박 할 것으로 예상하는 여행 부문도 물류 조정 및 데이터 분석에 크게 의존합니다. 그리고 챗봇 기술이 향상되면서 머지 않아이 분야의 고객 서비스가 주로 디지털 AI와 휴머노이드 로봇에 의해 수행됩니다. 또한 AI 기반 자율 주행 차량으로 크게 변화 할 자동차 산업이 가장 가까이에 있습니다. Google 및 Uber와 같은 회사는 실시간으로 운전 조건을 평가하고 지속적으로 안전한 결정을 내릴 수있는 자율 주행 자동차 기술에 돈을 쏟아 붓고 있습니다. 운전자가 방정식에서 벗어나면 도로는 더 안전 해지고 교통 체증은 사라지고 통근 시간은 훨씬 더 생산적 일 것입니다. 전반적으로 AI가 다양한 분야와 산업을 어떻게 변화시키고 있는지 설명하는 사용 사례가 부족하지 않습니다. 이제 AI가 회사 내부 기능에 어떤 영향을 미치는지 알아 보겠습니다.AI가 기업 내 다양한 기능에 어떤 영향을 미치나요? 인재 확보에서 재무 및 회계에 이르기까지 일반 기업의 많은 핵심 프로세스는 인공 지능의 손에 큰 변화를 가져올 것입니다. 많은 사람들이 오늘날 대부분의 대기업이 지원자 추적 시스템을 사용하여 채용 공고를 관리하고 인터뷰 일정을 잡고 이력서를 심사한다는 사실을 인식하지 못합니다. 이러한 시스템은 하루에 수천 개의 CV를 선별하고 사전 프로그래밍 된 기준에 따라 자격이없는 후보를 필터링 할 수 있습니다. 기업은 또한 인간 고객 서비스 담당자를 질문에 적절하게 응답하고 문제를 해결할 수있는 챗봇으로 대체하고 있습니다. 또한 최근 AI가 인터넷에서 고객의 행동을 기반으로 온라인 광고를 배포 할 장소와시기에 대한 비용을 부과하면서 마케팅 자동화가 폭발적으로 증가했습니다. 전국의 재무 및 회계 부서도 인간 작업자보다 훨씬 짧은 시간에 대규모 데이터 세트를 소화 할 수있는 AI로 강화되고 있습니다. 일부 감사 회사는 AI를 사용하여 계약을 평가하고 위험 평가를 수행하기도합니다. AI가 현재 세상을 변화시키는 모든 방식을 고려할 때, 현대 AI에는 아직 극복하지 못한 한계가 있다는 사실을 잊기 쉽습니다. 아래에서는 인공 지능 개발자가 직면 한 몇 가지 더 큰 과제에 대해 설명합니다.최신 AI의 제한 사항은 무엇입니까? 첫째, AI는 설계에 따라 수행 할 수 있도록 적절하게 훈련하기 위해 엄청난 양의 데이터가 필요합니다. 대부분의 경우 기존 데이터 세트는 충분히 크지 않으며 AI가 올바르게 작동하는 방법을 학습 할 수있는 충분한 정보를 포함하지 않습니다. 이런 일이 발생하면 인간은 지식 기반 구축을 시작할 수 있도록 AI에 공급되는 개체에 레이블을 지정하는 데 수천 시간을 소비해야합니다. 또 다른 한계는 인공 지능이 프로그래머의 편견과 데이터 세트에 포함 된 편견을 반영한다는 것입니다. AI 기능은 사람의 개입에 크게 의존하기 때문에 두 가지를 완전히 분리하고 AI가 핵심 편향으로 생성되지 않도록하는 것은 매우 어렵습니다. 또한 AI가 결정과 판단에 도달하는 방식을 해독하고 이해하는 우리의 제한된 능력을 나타내는 "블랙 박스"문제도 있습니다. 모델과 알고리즘이 더 복잡 해짐에 따라 특정 작업을 유발 한 원인을 정확히 찾아내는 것이 더 어려워집니다. 결과적으로 특정 상황에서 책임을 할당하기가 어렵습니다. AI는 또한 학습을 한 경험에서 다른 경험으로 옮기는 데 어려움을 겪습니다. 인간은 매우 능숙합니다. 오늘날 AI는 예측 가능한 상황과 인식 가능한 패턴에 크게 의존하기 때문에 재교육을받지 않는 한, 다시 한 번 리소스 집약적이지 않으면 한 가지 유형의 용량에서만 제대로 작동 할 수 있습니다.

인공 지능이 어디에나있을 때 우리 사회는 어떤 모습일까요

미니닝 — Sat, 16 Jan 2021 23:10:46 +0900

인공 지능이 어디에나있을 때 우리 사회는 어떤 모습일까요?

6 년 6 월, 전국에서 온 수십 명의 과학자와 수학자들이 다트머스 대학 캠퍼스에서 회의를 위해 모였습니다. 그들 대부분은 붉은 벽돌로 된 Hanover Inn에 정착 한 다음 유명한 아름다운 캠퍼스를 통해 수학 부서의 최상층으로 걸어갔습니다. 그곳에서 흰 셔츠를 입은 남성 그룹은 이미 "이상한 새로운 학문"에 대한 토론에 참여했습니다. , 사실 이름도 없었습니다. 과학자 중 한 사람의 미망인 인 Grace Solomonoff는 나중에 회상했습니다.“사람들은 그것이 무엇인지, 어떻게해야하는지, 심지어 무엇이라고 부르는지에 동의하지 않았습니다. 사이버네틱스에서 논리 이론에 이르기까지 모든 것에 대한 대화는 점점 더 흥분되는 분위기에서 몇 주 동안 계속되었습니다. 과학자들이 실반 은신처에서 이야기 한 것은 생각할 수있는 기계를 만드는 방법이었습니다.Dartmouth 워크샵은 수십 년에 걸친 인공 지능에 대한 탐구를 시작했습니다. 그 후 몇 년 동안 추격은 실패했고 몇 번의“겨울”을 견디며 막 다른 골목에 이르렀고 실망스러운 실망을 안겨주었습니다. 그러나 오늘날 국가와 기업은 AI에 수십억 달러를 쏟아 붓고 있으며, 최근의 발전으로이 분야에서 일하는 과학자들조차 놀라게되었습니다. 한때 공상 과학 영화의 음모 장치였던 것이 탄생 과정에 있습니다. 헤지 펀드는 AI를 사용하여 주식 시장을 이기고 있으며 Google은이를 활용하여 심장 질환을보다 빠르고 정확하게 진단하고 American Express는 AI 봇을 배포하여 고객에게 온라인 서비스를 제공하고 있습니다. 연구원들은 더 이상 하나의 AI에 대해 말하는 것이 아니라 각각 복잡한 작업을 전문으로하는 수백 개의 AI에 대해 이야기하고 있으며 많은 응용 프로그램이 이미 AI를 만든 사람을 래핑하고 있습니다. 지난 몇 년 동안 머신 러닝은 새로운 진로처럼 보이게되었습니다. 인간 프로그래머로부터 해방 된 알고리즘은 방대한 데이터 세트에 대해 스스로를 훈련하고 현장의 낙관론자조차도 충격을주는 결과를 생성합니다. 올해 초, 두 개의 AI (하나는 중국 회사 알리바바에서, 다른 하나는 마이크로 소프트가 만든)가 스탠포드 독해력 테스트에서 다리가 두 개인 경쟁자 팀을 이겼습니다. 알고리즘은 징기스칸의 부상과 아폴로 우주 프로그램에 관한 일련의 위키 백과 항목을 읽고사람들이 한 것보다 더 정확하게 그들에 대한 일련의 질문에 답했습니다. 알리바바의 한 과학자는 승리를 이정표라고 선언했습니다. 소위 좁은AI는 모든 곳에 있으며 GPS 시스템과 Amazon 권장 사항에 포함되어 있습니다. 그러나 궁극적 인 목표는 다양한 분야에서 인간을 능가 할 수있는자가 학습 시스템 인 인공 일반 지능입니다. 일부 과학자들은 30 년이 더 남았다 고 생각합니다. 다른 사람들은 수세기에 대해 이야기합니다. 특이점이라고도 알려진이 AI "도약"은 AI가 인간의 지능으로도 끌어 당기는 것을보고 며칠 내에 지나칠 가능성이 높습니다. 또는 시간.일단 도착하면 일반 AI는 운전자, 방사선 전문의, 보험 조정자 등 수백만 개의 일자리를 사람으로부터 빼앗기 시작할 것입니다. 한 가지 가능한 시나리오에서, 이것은 정부가 실업자에게 보편적 기본 소득을 지급하여 생계를 유지해야하는 부담없이 꿈을 추구 할 수 있도록 해줄 것입니다. 또 다른 경우에는 전 세계적으로 엄청난 부의 불평등, 혼란 및 실패한 국가를 만들 것입니다. 그러나 혁명은 훨씬 더 나아갈 것입니다. AI 로봇은 노인을 돌볼 것입니다. Brown University의 과학자들은 Hasbro와 협력하여 소유자에게 약을 복용하도록 상기시키고 안경을 추적 할 수있는 로보 캣을 개발하고 있습니다. AI 과학자는 암흑 물질의 수수께끼를 풀 것입니다. 인공 지능이 가능한 우주선은 소행성대에 도달 할 것이고 지구상에서는이 기술이 기후 변화를 길들일 것입니다. 아마도 바다에서 멀리 떨어진 햇빛을 반사하기 위해 거대한 무인 항공기 떼를 보냄으로써. 작년에 Microsoft는 기후 변화에 대처하기 위해 지구를위한 AI프로그램에 5 천만 달러를 투자했습니다. 스위스의 Dalle Molle Institute for Artificial Intelligence의 선구적인 컴퓨터 과학자 인 Juergen Schmidhuber는“AI는 전체 우주를 식민지화하고 변형시킬 것입니다. 그리고 그들은 그것을 지능적으로 만들 것입니다.라고 말합니다. 하지만 우리는 어떻습니까? 미래는 AI이고 인간은 그것에서 제외되는 시나리오에 대해 걱정합니다.라고 뉴욕 대학교의 철학 교수 인 David Chalmers는 말합니다. 무의식적 인 로봇이 세상을 점령한다면 그것은 상상할 수있는 것처럼 비참하고 암울한 시나리오가 될 것입니다. Chalmers는 혼자가 아닙니다. 컴퓨터 시대의 가장 강력한 타자 중 두 명인 빌 게이츠와 엘론 머스크는 AI가 자신의 목표를 열광적으로 추구하여 지구를 파괴하거나 우연히 또는 우연히 인간을 없애는 것에 대해 경고했습니다. 지난 1 년 동안 인공 지능이라는 주제를 탐구하면서 가능성의 범위에 놀라기 시작했습니다. 이 기계들이 세상을 믿을 수 없을 정도로 시원하고 좋게 만들거나 엄청나게 끔찍하게 만드는 것처럼 보였습니다. 아니면 인류를 완전히 종식 시키십시오. 소설가로서 저는 12 명 이상의 미래 학자, 철학자, 과학자, 문화 정신과 의사 및 기술 혁신가와의 인터뷰를 통해 AI의 미래가 실제로 어떻게 보일지 계획하고 싶었습니다.

인공지능의 똑똑함

미니닝 — Sat, 16 Jan 2021 11:00:35 +0900

인공 지능은 얼마나 똑똑합니까?

생각하고 , 배우고 , 추론 하는 기계를 말합니다 . 학문 자체의 이름 인 인공 지능은 우리 인간의 추론 모드와 알고리즘의 행동을 비교하는 데 실질적으로 감히 감히 다가옵니다. 라고 옥스포드 박사 과정 후보 인 David Watson 은 최근에 발표 한 논문 The Rhetoric and Reality of Anthropomorphism in Artificial Intelligence에서 썼습니다 . AI에 대해 논의 할 때 의인화 된 비유로 돌아 가려는 유혹에도 불구하고 나는 결론을 내립니다.그러한 수사학은 기껏해야 오해의 소지가 있고 최악의 경우 완전히 위험합니다. 알고리즘을 인간화하려는 충동은 신흥 기술이 제기하는 윤리적 과제를 적절하게 개념화하는 데 장애물입니다. 지능 이란 무엇을 의미 합니까? 1994 년 월스트리트 저널 은 지능과 관련된 분야에서 52 명의 주요 학술 연구자들의 합의를 반영한 정의 를 발표 했습니다 .“지성은 무엇보다도 추론, 계획, 문제 해결, 사고 능력을 포함하는 매우 일반적인 정신 능력입니다. 추상적으로 복잡한 아이디어를 이해하고 빠르게 배우고 경험을 통해 배웁니다. 그것은 단순히 책을 배우는 것, 좁은 학문적 기술 또는 시험을 보는 현명한 것이 아닙니다. 오히려 그것은 우리 주변을 이해하는 더 넓고 깊은 능력을 반영합니다. 즉, 사물을 '잡기', '이해하기'또는 무엇을해야할지 '구상'하는 것입니다.” 이것은 일반적인 지능에 대한 아주 좋은 정의입니다 . IQ 테스트에서 오랫동안 측정되어 왔으며, 가까운 미래에는 인간 만이 가지고있는 지능입니다. 반면 , 특정 환경에서 잘 정의 된 특정 목표를 효과적으로 처리 할 수있는 능력 인 전문 지능 은 많은 인간 작업의 일부인 작업 지향 지능의 일종입니다. 지난 몇 년 동안 점점 더 스마트 해지는 우리의 기계는 이러한 다양한 특수 지능형 작업을 처리하는 데 상당히 능숙 해졌습니다. AI 기술은 시각, 음성 인식, 언어 번역, 다양한 형태의 암 의 조기 발견 및 진단 , 그리고 한때 인간의 독점 영역으로 간주되었던 기타 기능 에서 인간 수준의 성능에 접근하거나이를 능가하고 있습니다. 기계 학습 은 AI의 최근 성과에서 중심적인 역할을했습니다. 기계 학습은 고도로 연결된 신경 세포의 대규모 클러스터로 구성된 생물학적 뇌가 문제를 해결 하는 방법을 학습하는 방식을 느슨하게 모델링 한 데이터에서 기계를 학습하는 방법 인 신경망 에 대한 수십 년의 오래된 연구에서 성장했습니다 . AI 신경망의 각 노드는 다른 많은 노드에 연결되며, 링크는 시스템 훈련에 사용되는 데이터를 기반으로 통계적으로 강화되거나 약화 될 수 있습니다. 가장 최근의 AI 발전은 딥 러닝을 기반으로했습니다. 알고리즘은 매우 큰 훈련 데이터 세트와 다 계층 심층 신경망을 사용하여 패턴을 분류하는 강력한 통계 기술이며, 여기서 각 연속 계층은 이전 계층의 출력을 입력으로 사용합니다. 신경망 이라는 용어조차도 의사 결정을 내리는 뇌와 같은 기계의 이미지를 불러옵니다. 라고 Watson은 말합니다. 인간의 뇌의 해부학에서 영감을하면서 그러나, 그는 깊은 신경망이 있으며, 기록 취성 , 비효율적 및 근시 성능이 실제 인간의 뇌에 비해 때. 심층 신경망 정의 취성 . DNN은 훈련 입력에 약간의 섭동으로 속기 쉽습니다. 이 기사는 훈련 이미지에 소량의 노이즈를 추가 한 후 딥 러닝 알고리즘이 속여 팬더를 긴팔 원숭이로 잘못 분류하고 얼룩말을 말로, 바나나를 토스터로, 기타 어리석은 조합으로 잘못 분류 한 여러 예를 인용합니다. 우리는 그러한 사소한 변화에 훨씬 더 탄력적이기 때문에 인간은 훈련 이미지에 대한 약간의 섭동에 속지 않았을 것입니다. 생물학적 신경망과 인공 신경망의 이러한 주요 차이점은 임상 의학 및 자율 주행 차량과 같은 중요한 영역에서 DNN의 적용 가능성에 중대한 도전을 제기합니다. 무능한. 심층 신경망은 데이터가 부족하고 비효율적이므로 사람이 즉시 분명하게 발견 할 수있는 구별을 학습하려면 엄청난 양의 학습 예제가 필요합니다. 인간 수준의 지능에는 데이터 및 딥 러닝 알고리즘을 뛰어 넘는 능력이 필요합니다. 인간은 일상 적인 상식 지식을 포함하여 자신이 인식하는 세계의 모델을 구축 한 다음 이러한 모델을 사용하여 자신의 행동과 결정을 설명 할 수 있습니다.3 개월 된 아기는 지금까지 구축 된 어떤 AI 애플리케이션보다 주변 세계에 대한 실질적인 이해를 가지고 있습니다. AI 애플리케이션은 분석하는 데이터의 패턴에서 학습하기 전에 빈 슬레이트로 시작하는 반면, 아기는 수백만 년의 진화를 통해 얻은 유전 적 헤드 스타트와 데이터 및 패턴보다 훨씬 더 많은 것을 배울 수있는 뇌 구조로 시작합니다. "인간은 몇 번의 시도로 추상적 인 관계를 배울 수 있습니다." NYU 교수 인 Gary Marcus 는 최근 기사 에서 썼습니다 . "현재 딥 러닝은 명시 적, 언어 적 정의를 통해 추상화를 학습하는 메커니즘이 부족하며 수천, 수백만 또는 수십억 개의 학습 예제가있을 때 가장 잘 작동합니다." 명시 적 정의를 통해 학습 할 때“수백, 수천 또는 수백만 개의 학습 예제에 의존하지 않고 대수와 유사한 변수 간의 추상적 인 관계를 나타내는 능력에 의존합니다. 인간은 명시 적 정의와 더 암시적인 수단을 통해 이러한 추상화를 배울 수 있습니다. 실제로 7 개월 된 유아도 그렇게 할 수 있으며, 라벨이없는 소수의 예에서 학습 된 추상 언어와 유사한 규칙을 단 2 분 만에 얻을 수 있습니다.” 근시 딥 러닝은 인간의인지와 비교할 때 이상하게 근시적인 것으로 입증되었습니다. 많은 개별 나무를 볼 수 있지만 전체 숲을 이해하는 데 어려움이 있습니다. 예를 들어 이미지 분류에서 딥 러닝 알고리즘은 분석중인 이미지의 중간 계층에서 공통 기능을 찾는 반면 이러한 기능 간의 상호 관계를 파악하지 못합니다. 따라서 인간은 개의 모양과 특징을 가질 수있는 구름이 진짜 개가 아니라는 것을 본능적으로 말할 수 있지만, 딥 러닝 알고리즘은 무언가 처럼 보이는 것과 실제로 는 것을 구별하는 데 어려움을 겪 습니다. 이러한 단절은 생물학적 두뇌에 비해 인공 신경망에는 실제 세계를 탐색하는 데 필수적인 중요한 구성 요소가 부족함을 시사합니다. 새로운 추론 모드 이러한 알고리즘이 인간의 지능을 재현 한다고 말하는 것은 실수입니다 . 대신 어떤면에서는 우리를 능가하고 다른면에서는 부족한 몇 가지 새로운 추론 모드를 도입합니다.라고 Watson은 말합니다. "그러나 우리가 이러한 은유와 비유를 너무 문자 그대로 받아들이 기 시작하면 문제가 발생합니다."특히 형사 사법, 신용 점수 및 군사 작전과 같은 영역에서 "관련된 사람들의 삶에 중대한 영향을 미치는 중대한 결정을 포함"하는 영역에서 문제가 발생합니다.

인공지능의 연구 및 개발 응용

미니닝 — Fri, 15 Jan 2021 22:55:12 +0900

인공지능의 연구 및 개발 응용

AI 연구 및 개발 민간 부문과 학계 모두 AI 개발의 새로운 길을 지속적으로 모색하고 있습니다. 일부는 위에서 언급 한 것과 같은 영역에서 새로운 AI 기반 애플리케이션을 개발하는 데 중점을 두는 반면, 다른 일부는 AI 알고리즘의 책임 및 책임과 같은 문제를 해결하는 데 중점을 둡니다. 예를 들어, 2017 년 10 월 Columbia 및 Lehigh 대학의 연구원들은 '논리를 이해하기 위해 학습 프로세스를 역 설계'하는 프로세스를 통해 AI 시스템에 투명성을 가져 오는 데 도움이 될 수있는 DeepXplore 라는 도구를 개발했습니다 . 그리고 2018 년 6 월, IBM은 복잡한 주제에 대해 인간과 합리적 논쟁에 참여할 수있는 AI 시스템을 발표했습니다 . 2021 년 1 월 11 일 네덜란드에서 생명 과학을위한 인공 지능 연구소 발표 2020 년 10 월 13 일 연구원들은 적은 수의 뉴런으로 작동하도록 생물학적 모델을 모방 한 AI 시스템을 개발합니다. 2020 년 5 월 19 일 마이크로 소프트, AI 슈퍼 컴퓨터 발표. 2020 년 3 월 24 일 미국 대학, AI 블랙 박스를 이해하기위한 프로젝트 시작. 2020 년 2 월 25 일 연구원들은 인터넷을 통해 뇌와 인공 뉴런을 연결합니다. 환대 엔터테인먼트 부문의 AI 애플리케이션은 다양하며 영화 산업, 스포츠, 게임 및 패션 등을 포괄합니다. 맞춤형 사용자 경험은 이러한 부문에서 사용되는 AI의 한 예입니다. 예를 들어 Netflix는 머신 러닝을 통해 사용자가보고 싶어 할만한 영화를 제안합니다. 개인 스타일링 서비스 인 Stitch Fix 는 데이터와 알고리즘을 사용하여 고객의 스타일과 선호도에 맞는 의류 품목과 액세서리를 선택합니다. 두 명의 컴퓨터 과학자가 설립 한 회사 인 Glitch가 입증 한 것처럼 옷 디자인에 AI를 사용하는 것도 현실 입니다. 게임 산업에서 AI는 더 즐거운 플레이어 험을 만드는 데 사용됩니다. 스포츠에서이 기술은 선수의 성과를 평가하고 피로와 부상을 예측하는 것부터 방송 및 광고 활동을 최적화하는 것까지 다양한 응용 분야를 가지고 있습니다. AI는 시청각 콘텐츠 제작에도 사용되기 시작했습니다. 예를 들어 영화 산업에서는 IBM의 Watson과 기본 머신 러닝 기술을 사용하여 20th Century Fox의 영화 Morgan의 예고편 을 개발 했으며 McCann Erickson Japan은 AI 기반 크리에이티브 디렉터 를 개발하여 TV 광고 제작을 감독 했습니다. 미국에 기반을 둔 Digital Domain 은 AI를 사용하여 영화에 대한 고급 시각 효과를 생성하는 반면 벨기에 회사 Scriptbook 은 AI 알고리즘이 스크립트를 분석하여 영화의 성공 여부를 예측할 수 있다고 주장합니다. Flow Machines 및 Amadeus Code 는 알고리즘을 사용하여 아티스트 또는 아마추어의 음악 제작을 지원합니다. 콘텐츠 제작에서 AI의 잠재력은 또한 우려를 불러 일으키고 점점 더 관련성이 높아지는 한 가지 예는 AI를 사용하여 악의적 인 목적으로 사용될 수있는 가짜 비디오 및 오디오 녹음을 만드는 것입니다. 사용자 경험을 개인화하는 데 AI 사용에 대한 질문, 특히 선택의 문제 : 콘텐츠 스트리밍 플랫폼이나 온라인 상점에서 만든 '권장 사항'에 단순히 의존한다면 우리의 선택은 실제로 얼마나 개인적인 것일까 요? AI는 공공 부문, 공공 행정, 법 집행, 사법 시스템 등에서 점점 더 많이 사용되고 있습니다. 방대한 양의 정보를 처리하고 데이터 세트 간의 연결을 식별 할 수있는 능력으로 인해 AI는 행정 프로세스에서 더 많은 효율성을 제공하여 공공 서비스 제공. 스마트 가상 비서는 이미 공공 기관에서 시민과의 상호 작용을 개선하기 위해 사용하고 있습니다. 예를 들면 라트비아의 UNA 와 싱가포르의 Ask Jamie가 있습니다. 의회 프로세스도 AI 도구의 이점을 누릴 수 있습니다. 예를 들어, 인도 의회 는보다 효율적인 데이터 처리와 입법 업무 단순화 및 개선을 위해 AI를 사용하는 여정을 시작했습니다 . 법 집행 기관은 또한 일부 작업에서 AI에 의존합니다. 예를 들어 얼굴 인식 기술은 범죄자를 식별하는 데 도움이 될 수 있습니다. 판사와 법원은 AI가보다 일관된 결정을 내리 거나 사법 시스템을 더 저렴하고 공정 하게 만드는 데 도움이되기를 희망 할 수 있습니다 . 그러나 AI를 사용하면 편향적이고 차별적 인 결정으로 이어질 수 있기 때문에 상황이 항상 계획대로 진행되는 것은 아니며 의도하지 않은 결과가 나타날 수 있습니다. 교육 AI는 교육 분야에서 많은 가능성을 가지고 있습니다. AI 도구는 교육 기관에서 관리 작업의 효율성을 높이고, 채점 작업을 자동화하거나 입학 절차를 가속화하는 데 사용됩니다. AI는 스마트 콘텐츠 개발에도 점점 더 많이 사용됩니다. 예를 들어 Content Technologies 에서 개발 한 Cram101 은 AI를 사용하여 장 요약, 플래시 카드 및 테스트 제공 등을 통해 학생들이 교과서 콘텐츠를보다 쉽게 이해할 수 있도록합니다. 지능형 튜터링 시스템은 AI를 사용하여 각 학생의 특성과 필요에 맞게 교육 시스템을 조정합니다. 중국 기반의 회사 다람쥐 , 예를 들어, 학생들은 표준화 된 시험에서 좋은 점수를 돕는 데 초점을 맞추고있다. 코스는 지식 포인트라고하는 많은 작은 요소로 나뉩니다. 각 포인트에 대해 비디오 강의, 메모, 예제 및 연습이 있습니다. 학습 과정 전반에 걸쳐 시스템은 학생이 더 집중해야하는 지식 포인트를 결정하고 그에 따라 커리큘럼을 조정합니다. 이러한 시스템은 적응 형 학습으로 설명됩니다. 학생들이 알고있는 것과 모르는 것을 결정하고 후자에 집중합니다. 한 걸음 더 나아가 개인화 된 학습은 학생들이 알고있는 것과 모르는 것뿐만 아니라 배우고 싶은 것과 가장 잘 배우는 방법에 맞춰 학습 과정을 맞춤화하는 것을 목표로합니다. 개인화 된 학습 프레임 워크는 AI를 사용하여 학생에 대한 방대한 양의 정보를 분석하고 학생의 특정 프로필을 충족하는 새로운 콘텐츠와 학습 경험을 제공합니다. 일부 학교는 가상 조력자와 지능적인 교사를 실험하기 시작했습니다. 예를 들어, 인도 벵갈 루루의 학교는 로봇을 사용하여 인간 교사를 보완 합니다. 로봇은 특정 수업을 제공하고 학생들의 자주 묻는 질문에 응답하도록 배웁니다. 이것은 교사들에게 아이들과보다 개인화 된 학습에 집중할 수있는 더 많은 시간을 제공합니다. 교육에서 AI의 잠재력이 지속적으로 탐구됨에 따라 질문도 제기됩니다. 적응 학습이 실제로 유용합니까? 아니면 표준화 된 학습 및 테스트에 너무 집중하면서 실제로 학생들이 빠르게 변화하는 작업 세계에 적응하도록 준비하지 않습니까? 학생들이 지능형 플랫폼이나 로봇을 통해 배우는 것이 더 나을까요, 아니면 인간 교사와의 상호 작용을 놓칠까요?

인공지능의 응용

미니닝 — Fri, 15 Jan 2021 10:50:22 +0900

인공지능의 응용

AI의 응용AI는 수년 동안 존재 해 왔습니다. 60 년 전에 연구 분야로 시작된 AI는 이제 온라인 서비스에서 산업 및 의료에 이르기까지 다양한 분야에서 응용되고 있습니다. AI 챗봇 및 어시스턴트 여러 기술 회사가 사람들의 삶을 더 편하게 만들어주는 AI 챗봇과 가상 비서를 개발했습니다. 핵심적인 AI 기반 챗봇은 대부분 텍스트 기반 명령을 통해 사용자와 장치 간의 통신을 용이하게합니다. 일반적으로 챗봇은 특정 질문이나 진술에 대한 구체적인 답변을 제공하도록 프로그래밍되어 있습니다. 데스크톱 컴퓨터, 스마트 폰, 스마트 스피커 및 기타 IoT 장치에 내장 된 고급 가상 비서가 인터넷 검색을 수행하고 캘린더를 관리하며 미디어 플레이어를 제어 할 수 있습니다. 대부분은 음성 명령으로 작동합니다. 활성화는 키워드 또는 사용자가 아이콘을 탭한 후트리거됩니다. 가장 진보 된 AI 비서 중 일부는 스마트 홈 시스템에 내장되어 있습니다. 사용자가 음성으로 간단히 홈 IoT 기반 장치를 제어 할 수 있습니다 Apple의 Siri, Amazon의 Alexa , Google Assistant 및 Microsoft의 Cortana는 AI 가상 도우미의 가장 유명하고 널리 사용되는 예입니다. 가상 비서에 새로운 기능이 부여되고 대중 시장에서 점점 더 많이 사용됨에 따라 개인 정보 보호 및 데이터 보호 문제가 집중되고 있습니다. 이러한 비서가 수집 한 데이터는 어떻게됩니까? 이 데이터는 로컬로만 저장되거나 회사로 전송되고 다른 목적으로 사용됩니까? 온라인 서비스 및 애플리케이션 인터넷 회사는 점점 더 AI에 의존하여 온라인 서비스를 개선하거나 새로운 서비스를 설계합니다. AI 알고리즘은 무엇보다도 검색 엔진, 소셜 미디어 플랫폼 및 온라인 상점 뒤에 있습니다. 예를 들어 트위터 는 AI를 사용하여 사용자 경험을 개선 하고 Google은 AI 알고리즘을 기반으로 하는 구직 엔진을 운영 하며 Microsoft는 다양한 AI 기반 지능형 애플리케이션을 보유하고 있습니다. AI는 또한 인터넷 플랫폼에서 증오 발언 , 테러 콘텐츠 및 기타 유해한 온라인 콘텐츠 를 식별하고 제거하는 데 사용됩니다 . 연구자들은 콘텐츠 제어 정책에서보다 효율적으로 사용할 수있을뿐만 아니라 편견의 위험과 표현의 자유에 대한 부정적인 결과를 줄일 수있는 새로운 알고리즘을 모색하고 있습니다. 연구원들은 AI를 사용하여 번역 도구의 정확성을 높이기 위해 노력하고 있습니다. 예를 들면 Microsoft Translator 및 Google Translate가 있습니다. 세계 지적 재산권기구는 특허 문서의 번역을 용이하게 하는 AI 기반 도구 도 개발했습니다 . AI와 사물 인터넷은 서로를 보완합니다. AI는 IoT 기기에 '사고'를 제공하여 '스마트'하게 만듭니다. 차례로 이러한 장치는 상당한 양의 데이터를 생성하며 때로는 빅 데이터로 분류됩니다. 이 데이터는 초기 AI 알고리즘의 검증과 새로운 AI 알고리즘에 통합 될 수있는 새로운인지 패턴의 식별을 위해 분석되고 사용됩니다. AI와 IoT 간의 상호 작용은 이미 여러 애플리케이션에서 볼 수 있습니다. 예를 들어 사용자의 선호도를 학습하고 습관에 적응할 수있는 스마트 홈 장치, 차량 자동 조종 장치 시스템, 드론, 스마트 시티 애플리케이션 등이 있습니다. 과학자들은 AI와 IoT가 함께 작동 할 수있는 새로운 방식을 지속적으로 찾고 있습니다. 예를 들어 MIT의 한 팀은 IoT 장치에서 강력한 AI 알고리즘을 로컬 에서 실행 하여 효율성을 향상 시킬 수 있는 칩을 개발했습니다 . AI 및 IoT 기반 애플리케이션의 정책 영향은 개인 정보 보호, 데이터 보호, 사이버 보안 및 사이버 범죄와 같은 문제를 다룹니다. 사이버 위협이 점점 복잡 해짐에 따라 AI는 조직이 사이버 보안 및 사이버 범죄 문제를보다 효율적으로 처리하도록 지원할 수있는 잠재력을 가지고 있습니다. AI 기술 및 AI 데이터 분석은 사이버 보안 전문가가 사이버 위협 및 관련 위험을 더 잘 이해하도록 지원하여 더 빠르고 확실하게 대응할 수 있도록합니다. AI는 또한 침해, 위협 및 가능한 공격을 탐지하고 그러한 위험에 대한 대응을 고안하는 데 사용됩니다. AI 애플리케이션 은 소셜 네트워크 또는 이메일에서 스팸 및 기타 원치 않는 메시지 를 포착 하는 데 도움이되는 도구 에서 CERN 그리드 만큼 복잡한 시스템과 네트워크를 보호하는 데 도움이되는 알고리즘에 이르기까지 다양 합니다 . 인증, 신원 및 액세스 관리 솔루션에서 AI를 사용하는 것은 점점 더 중요 해지고 있으며, 그중 일부는 생체 인식의 스캔 및 인식과 관련됩니다. 많은 기술 회사가 AI 기반 사이버 보안 애플리케이션 및 플랫폼을 개발하고 있으며이 분야에서 점점 더 많은 신생 기업이 시작됨에 따라 혁신적인 솔루션이 지속적으로 개발되고 있습니다. 동시에 사이버 범죄자들은 게임 속도를 높이기 위해 AI로 전환하고 있습니다. AI에 의존하여 맬웨어를 테스트 및 개선하고 기존 사이버 보안 솔루션에 영향을받지 않는 맬웨어를 고안 할 수 있습니다. 자율 시스템 여러 기술 회사는 AI 시스템으로 구동되는 자율 주행 자동차를 구현하기 위해 노력하고 있습니다. 궁극적 인 목표는 사람의 개입없이 차량을 완벽하게 제어 할 수있는 시스템을 기반으로 완전 자율 주행 차량을 개발하는 것입니다. 현재이 기술은 '고도 자동화'로 알려진 것을 허용하기 위해 발전했습니다. 차량은 특정 조건에서 모든 주행 기능을 자율적으로 수행 할 수 있으며 운전자는 차량을 제어 할 수있는 옵션을 가질 수 있습니다. 당으로서 자동차 기술자 협회가 개발 한 자동화 수준 이는 하나의 단계에서 완전 자동화 레벨 4 자동화 나타낸다. Waymo, General Motors 및 Uber와 같은 회사는 이미 파일럿 프로젝트의 일환으로 일부 도시에 레벨 4 자율 주행 차량을 배치하고 있습니다. 자율 주행 차량의 테스트와 운영은 안전과 보안에 영향을 미치기 때문에 당국은 이러한 활동을 통제하기 위해 규제를 도입하거나 최소한 지침을 도입하는 방향으로 점점 더 나아가고 있습니다.

인공지능의 용어

미니닝 — Thu, 14 Jan 2021 22:41:10 +0900

AI의 용어

간단하게 설명되는 AI 용어 인공 지능의 창시자 중 명인 John McCarthy는 AI를“지능형 기계를 생산하는 과학과 기술”, 즉 연구자와 엔지니어를위한 활동 분야로 묘사했습니다. 오늘날이 용어는 주로 이러한 지능형 기계를 의미합니다. 인공 지능은 지능적으로 작동 하는 컴퓨터 시스템을 의미합니다 . 지능이란 여기에서 의미합니다. 언어 이해 및 표현, 이미지 인식, 의사 결정 또는 번역과 같이 일반적으로 지능이 필요한 작업을 해결합니다. 약하고 타이트한 AI 인간과 달리 AI는 높은 수준에서 주로 하나의 작업 만 배우고 수행합니다. 따라서 이러한 AI를 약하거나 좁은 AI 라고 합니다. 전문 분야에서 그들은 이제 종종 인간보다 우월합니다. 현재의 모든 AI 시스템은 약한 AI입니다. 일반 / 강력한 AI 인간과 같은 지능을 가진 AI는 아직 다양한 작업에 마음을 적용 할 수 없습니다. 하지만 AI 연구의 주요 목표입니다. 이러한 AI를 일반 인공 지능이라고합니다. 일반적으로 철학적 기원, 강력한 AI 또는 진정한 AI 라는 용어로 인해 명확하지 않습니다 . 슈퍼 AI 일반 인공 지능이 모든면에서 인간을 능가 할 정도로 발전하면 인공 초 지능이 생긴다. 많은 AI 워너들에게 특이점 이라고 불리는 KSI의 출현 은 인류의 종말을 의미합니다. 반면 일부 AI 전문가는 슈퍼 AI가 기후 변화, 빈곤 및 질병과 같은 인류의 큰 문제를 해결할 수 있기를 희망합니다 . 인공 지능을 만드는 방법 인공 지능을 만드는 방법에는 여러 가지가 있습니다. 기본적으로 두 가지 접근 방식을 구분할 수 있습니다. 소위 “Good, Old-Fashioned AI”는 1980 년대 후반까지 AI 연구를 결정하고 강력한 AI를 위해 노력했습니다. 아이디어 : 인간의 사고는 세계에 대한 우리의 지식을 포함하는 개별 용어의 논리적 조합으로 구성됩니다. SHRDLU 는 자연어를 이해하기 위해 시도한 최초의 AI 프로그램 중 하나입니다. 1968 년에서 1970 년 사이에 만들어진 AI는 기하학적 객체를 이동하고 요청시 정보를 제공 할 수 있습니다. 이 아이디어에서 세계에 대한 간단한 정보를 상징적 범주로 묶고 논리적 결론으로 작동하는 소위 전문가 시스템이 등장했습니다. GOFAI는 AI의 높은 기대치를 충족하지 못했습니다. 첫 번째 AI 겨울이 시작되었습니다. 연구 자금이 취소되고 프로젝트가 취소되었습니다. 오늘날 이러한 AI는 예를 들어 프로세스 자동화에 사용됩니다. 머신 러닝 현재 인공 지능 연구에서 가장 선호하는 것은 기계 학습 , 특히 딥 러닝 입니다. 기계 학습은 데이터를 사용하여 작업 수행 방법을 학습하는 컴퓨터 시스템을 만듭니다. 프로그래밍 코드의 형태로 한 줄씩 명령을 지정하는 개발자 대신 소프트웨어는 첫 번째 트리거 이후에 코드를 독립적으로 업데이트하고 더 나은 결과를 위해 최적화합니다. 현재 연구 분야에서 가장 선호하는 것은 딥 러닝입니다. 데이터의 패턴을 정확도를 높이면서 인식하고 따라서 인간의 선호도를 학습하고 객체를 인식하거나 언어를 이해하는 다층 신경망을 사용한 기계 학습입니다. 머신 러닝은 현재 많은 AI 서비스를 주도합니다. Google, Netflix 또는 Facebook에 관계없이 학습 알고리즘은 추천을 만들고 검색 엔진을 개선하며 음성 도우미가 답변을 제공 할 수 있도록합니다. 신경망 인공 신경망은 인간 두뇌의 기초적인 그림에서 영감을 얻었습니다. 알고리즘은 서로 정보를 교환하는 서로 다른 계층의 연결된 뉴런 또는 노드를 만듭니다. 신경망은 1943 년에 수학적으로 시작되었습니다. 가장 간단한 경우 아키텍처는 입력 계층, 중간, 숨겨진 계층 및 출력 계층으로 구성됩니다. 입력 신호는 처음에 임의로 생성 된 중간 뉴런의 값에 의해 수정되어 출력 레이어로 전달됩니다. 이제 출력을 입력과 비교할 수 있습니다. 예측이 정확 했습니까? 결과에 따라 중간 뉴런의 값이 수정되고 프로세스가 새로운 입력으로 반복됩니다. 반복이 많을수록 예측이 더욱 정확 해집니다. 요약하자면 신경망은 스스로를 최적화하는 알고리즘입니다. 더 깊이 들어가고 싶다면이 훌륭한 영어 비디오 시리즈를 추천 합니다. 딥 러닝 또는 딥 러닝은 둘 이상의 숨겨진 계층이있는 신경망을 사용한 기계 학습입니다. 이러한 복잡한 신경망은 2012 년 이미지 분석을위한 ImageNet 대회에서 우승하면서 승리의 행진을 시작했습니다.딥 러닝은 특히 이미지 인식, 자율 주행 또는 딥 페이크에서 최근 몇 년간 AI 붐을 일으켰습니다. 딥 러닝의 돌파구는 더욱 빨라진 프로세서와 Google의 TPU와 같은 전용 AI 칩과 기계를 훈련하는 데 사용되는 방대한 양의 데이터로 가능해졌습니다. GAN은 서로를 개선하는 두 개의 신경망으로 구성됩니다 . 둘 다 사진과 같은 공통 데이터 세트로 훈련됩니다. 그런 다음 한 에이전트는 데이터 레코드와 유사한 콘텐츠를 만들고 다른 에이전트는 원본 데이터 레코드와 비교합니다. 위조로 인식되면 원본과 같이 교육 데이터 기록에 속하는 것처럼 보일 때까지 위조자가 콘텐츠를 개선하도록 강제합니다.4.5 년 만에 GAN-KI는 인간의 초상화를 더 잘 만들어 냈습니다. 충분한 반복으로 마스터 위조자가 생성됩니다. GAN은 믿을 수 없을 정도로 실제 사람, 딥 페이크, 거리 또는 가짜 모델을 만듭니다. 그들은 작곡하고, 음악을 연주하고, 값 비싼 예술 작품을 만들고, 복고풍 게임을 HD 버전으로 바꿉니다. 2014 년 도입 이후 꾸준히 개선되었습니다.

인공지능이 우리의 삶을 바꾸다

미니닝 — Thu, 14 Jan 2021 10:34:19 +0900

AI가 우리 삶을 바꿀 것이라는 주장은 얼마나 현실적입니까?

인공 지능은 셰익스피어 드라마를 통해 생산성, 기업 지배력 및 경제적 번영에 대한 주장을 내 세웁니다. AI는 일하는 방식을 바꾸고 여가를 보내는 방식을 바꾸고 신원을 주장합니다. 지능이란 무엇입니까? 인공적인 종류에 도달하기 전에 지능을 정의합시다. 지능은 배우는 능력입니다. 우리의 감각은 우리 주변 세계에 대한 데이터를 흡수합니다. 몇 가지 데이터 포인트를 가져와 개념적 도약을 할 수 있습니다. 우리는 빛을보고 열을 느끼며 "여름"이라는 개념을 추론합니다. 우리의 표현 능력은 피드백, 즉 데이터 출력을 제공합니다. 인텔리전스는 데이터를 기반으로합니다. 아이들이 놀 때, 그들은 학습하는 끝없는 피드백 루프에 참여합니다. 컴퓨터도 계산하고, 개념화하고,보고 말할 수 있다면 지능적인 것으로 간주됩니다. AI의 특히 유익한 영역은 기계가 우리와 동일한 감각 경험을 즐길 수 있도록하는 것입니다. 기계는이를 수행 할 수 있지만 방대한 양의 데이터가 필요합니다. 그들은 영리함이 아닌 무차별 대입으로 그것을합니다. 예를 들어, 그들은 픽셀 데이터를 작은 단계로 나누어 고양이의 이미지를 결정하고 끝날 때까지 반복합니다. 요점 : 우리가하는 일과 기계가하는 일은 그렇게 다르지 않지만 AI는 추론보다는 데이터와 반복에 더 가깝습니다. 기계는 시각적으로가 아니라 수학적으로 사물을 파악합니다.AI는 세 가지 구성 요소로 구성됩니다.IMC는 필수 기술 동향을 설명합니다. 전 세계 웹은 무료가 아닙니다 예금 실행 우려 완화방대한 데이터 빠른 계산 스마트 알고리즘 알고리즘은 문제를 해결할 때 따라야 할 일련의 규칙입니다. 알고리즘에 공급할 수있는 데이터 볼륨의 속도는 알고리즘의 "스마트 성"보다 더 중요합니다. AI 프로세스의 다음 세 부분을 살펴 보겠습니다. 데이터 파이프 라인 머신 러닝 모델에 결합 비즈니스 애플리케이션에 적용 빅 데이터 지능의 원재료는 데이터입니다. 데이터는 학습 잠재력입니다. AI는 주로 데이터를 통해 가치를 창출하는 것입니다. 인사이트를 추출 할 수있을 때 데이터는 핵심 비즈니스 가치가되었습니다. 더 많이 가질수록 더 많이 할 수 있습니다. 빅 데이터에 대한 사고 방식을 가진 회사는 가치가 낮은 많은 데이터를 필터링하는 데 신경 쓰지 않습니다. 힘은 데이터 집합에 있습니다.입력을위한 품질 데이터 세트 구축도 중요하므로 먼저 데이터를 수집, 준비 및 정리하는 데 인적 노력을 기울여야합니다. 컴퓨터는 계산을 수행하고 답변 또는 출력을 제공합니다. 기계 학습 개념적으로 기계 학습은 명시 적으로 프로그래밍하지 않고도 작업을 학습 할 수있는 기능입니다. ML은 분류, 회귀, 클러스터링 또는 이상 탐지에 사용되는 알고리즘과 기술을 포함합니다. ML은 피드백 루프에 의존합니다. 데이터를 사용하여 모델을 만든 다음 해당 모델이 데이터에 얼마나 적합한 지 테스트합니다. 모델은 데이터에 더 적합하도록 수정되었으며 더 이상 모델을 개선 할 수 없을 때까지 반복됩니다. 알고리즘은 패턴을 찾고 예측하기 위해 과거 데이터로 훈련 될 수 있습니다. 요점 : AI는 데이터의 추세 또는 구조를 더 잘 파악하고 예측하는 데 필요한 도구 세트를 확장합니다. 기계는 데이터가 많을 때 사람의 능력 이상으로 확장 할 수 있습니다. 비즈니스 애플리케이션 예측은 ML의 핵심 목적입니다. 예를 들어, 은행은 사기 거래를 예측하려고합니다. 통신 업체는 이탈을 예측하려고합니다. 소매 업체는 고객 선호도를 예측하고자합니다. AI 지원 비즈니스는 데이터 자산을 전략적 차별화 요소로 만듭니다.예측은 미래에 관한 것이 아닙니다. 지식 격차를 메우고 불확실성을 줄이는 것입니다. 예측은 우리가 지능의 필수적인 형태 인 일반화를 가능하게합니다. 예측과 지능은 엉덩이에 묶여 있습니다. 더 넓은 변화가 펼쳐지는지 살펴 보겠습니다. 생산력 AI는 생산성을 높여줍니다. 문제는 우리가 자원을 어떻게 분배 하느냐입니다. AI로 강화 된 생산에 소수의 사람 만 필요하다면 소득 분배에 어떤 의미가 있을까요? 모든 불확실성은 생산성 이점이 얼마나 큰지가 아니라 어떻게 분배 될 것인지에 있습니다. 주의 AI는 통제권을 얻으려는 것이지만 환상입니다. AI는 항상 조직의 실행 능력에 의해 제한됩니다. 비즈니스 소유자가 적절한 데이터 입력을 제공하여 모델 통찰력을 활용하고 AI 신호에 대응하는 데 필요한 변경 사항을 처리 할 수있을만큼 민첩 할 수 있습니까? 빅 데이터에 대한 과도한 의존은 직감이나 경험을 과소 평가할 수 있습니다. CEO는 데이터로 무장 한 관리자의 조언을 따를 의무가 있다는 느낌으로 데이터 괴롭힘을 당할 수 있습니다. 그러나 데이터가 항상 기록적이고 파괴적 일 수있는 새로운 것을 무시하는 경우 CEO는 "블랙 박스"ML 모델을 완전히 이해하지 못한 경우에도 결정이 정당화 될 수 있기 때문에 데이터를 편입 할 가능성이 높습니다. AI의 새로운 개척지 인 딥 러닝 모델은 인간 두뇌의 신경망을 모방하기 때문에 훨씬 더 모호합니다. 기업 지배력 ML은 이미 인터넷에 널리 퍼져 있습니다. 인터넷이 가져온 액세스의 민주화가 계속해서 글로벌 독점을 선호할까요? 전례없는 경제력은 일부 기업에 자리 잡고 있습니다. 어느 기업이 전 세계에 걸쳐 있는지 짐작할 수 있습니다. 우리의 집단 지성을 채널링하는 힘은 경제적 이익과 함께 우리의 사적 이익에 영향을 미칠 수있는 위치에있는 이러한 회사들에 의해 계속 유지 될 수 있습니까? 경제적 번영 AI가 더 많은 부나 경제적 불안정성을 낳을 지 아무도 모릅니다. 다양한 규제 조치가 없다면 불평등을 심화시키고 새로운 사회적 격차를 만들 수밖에 없다. 모두에게 미치는 영향을 살펴 보겠습니다. 직장 생활 모든 기술 발전과 마찬가지로 고용에도 변화가있을 것입니다. 고용인 수, 직업의 성격 및 우리가 얻을 수있는 만족도입니다. 그러나 AI를 사용하면 관리를 포함한 모든 유형의 노동이 위협을 받고 있습니다. 분석과 의사 결정을 포함하는 직업은 기계의 섭리가 될 것입니다. 새로운 직책이 만들어 질 것이지만, 새로운 직책이 이전 직책을 충분히 대체 할 수 있을지는 아무도 모릅니다. 우리는 더 창의적이거나 공감적인 추구로 전환 할 것입니다. 소득이 부족한만큼, 우리가 작은 방식으로 집단 지성에 기여한 것에 대해 보상을 받아야합니까? 보편적 기본 소득은 이론적이지만 하나의 옵션입니다. 우리의 데이터 소비는 기업 및 정부 컴퓨터에 공급되는 디지털 추적을 제공합니다. 정부의 경우 AI는 감시, 예측 치안 및 사회적 수치심을 수행 할 새로운 문을 엽니 다. 기업의 경우 개인 데이터의 상업화 인 감시 자본주의가 귀하에게 맞춤화 될지 귀하를 위해 맞춤화 될지 명확하지 않습니다. 당신이 가고 싶은 곳이 아니라 당신이 가고 싶은 곳으로 안내할까요? 귀하의 데이터는 어떻게 귀하의 척도가 될 것입니까? 흥미로운 각도는 우리가 해킹 가능할지 여부입니다. 그것은 AI가 당신보다 당신에 대해 더 많이 아는 때입니다. 그 시점에서 당신은 정부와 기업의 지시에 따라 생각하고 반응 할 수 있기 때문에 완전히 영향력을 갖게됩니다. 특히 빅 데이터와 여러 변수를 처리 할 때 예측 능력이 제한되어 있기 때문에 인공 지능이 필요합니다. 그러나 모든 놀라운 업적에 대해 AI는 매우 구체적입니다. 학습 기계는 매우 좁은 학습 영역에만 국한되어 있습니다. 바둑에서 체계적으로 승리 한 딥 마인드는 숟가락으로 국물을 먹거나 다음 금융 위기를 예측할 수 없습니다. 필터링 및 개인화 엔진은 우리의 이익을 수용하고 활용할 수있는 잠재력을 가지고 있습니다. 변화의 정도는 새로운 규제 우선 순위에 의해 추진되고 제한 될 것입니다. 법은 항상 기술보다 뒤쳐져 있으므로 우리의 터무니없는 행운의 화살과 화살을 기대하십시오.