Miesiąc: kwiecień 2022

Są szanse, że już wcześniej spotkałeś się z niektórymi spośród podstawowych asystentów AI, takich jak Siri z Apple, Cortana w systemie operacyjnym Windows lub Google Voice Search, które są dostępne za pośrednictwem aplikacji Google Assistant. Ci podstawowi asystenci mogą pomóc ci w takich czynnościach, jak otwarte programy, dowiedzieć się o pogodzie lub uzyskać wskazówki. Najnowsza wersja Siri firmy Apple może wykonywać zadania w aplikacjach innych firm, takie jak wysyłanie wiadomości do znajomego LinkedIn lub wysyłanie wiadomości WhatsApp do małżonka, wykonując polecenie głosowe. Według Gartner, Inc., wiodącej firmy badawczej zajmującej się technologiami informatycznymi, 20 procent interakcji użytkowników ze smartfonami odbędzie się za pośrednictwem wirtualnych osobistych asystentów do 2019 r. W chwili pisania tego tekstu większość z tych asystentów nie jest w stanie wykonywać bardziej skomplikowanych zadań , np. dokonywanie rezerwacji hotelowych lub prowadzenie badań na wysokim poziomie na dany temat lub pytanie. Ponieważ technologia cały czas się poprawia, jest bardzo prawdopodobne, że narzędzia te staną się bardziej wydajne w ciągu najbliższych kilku lat, oferując bardziej zaawansowane funkcje. Jeśli dopiero zaczynasz pracę z asystentami AI, istnieje kilka narzędzi, które pozwalają wydawać polecenia głosowe dla podstawowych, codziennych zadań. Cortana systemu Windows reaguje na polecenia organizowania plików lub otwierania określonych aplikacji. Wielu uważa Alexę Amazona za lidera w tej przestrzeni. Oprócz możliwości wykonywania prostych zadań, takich jak włączanie muzyki lub aktywowanie urządzeń w domu, aplikacje innych firm mogą być budowane i dodawane do Alexy. Są to tak zwane “umiejętności”, z których Alexa ma ponad 25 000 w chwili pisania tej książki. Umiejętności te obejmują zarówno proste zadania, jak i bardziej skomplikowane, takie jak rezerwacja pokoi hotelowych. {73}. Niektórzy eksperci uważają, że Amazon Alexa może być jednym z najbardziej zaawansowanych wirtualnych asystentów na rynku. Google opracował podobnego asystenta o nazwie Google Home, który również cieszy się dużym zainteresowaniem i może wykonywać różnorodne zadania. Jednak Amazon Alexa nadal wydaje się być liderem na tym rynku.

Te narzędzia oferują doskonałe, bezpłatne usługi, które pozwalają zapoznać się z poleceniami głosowymi, funkcją, która prawdopodobnie będzie dostępna na wielu urządzeniach w najbliższej przyszłości. Mogą również pomóc Ci zaoszczędzić czas i energię na zadaniach przez cały dzień. Oto kilka innych asystentów AI dostępnych obecnie na rynku:

•  Facebook M: W chwili pisania tego tekstu dostęp dla tego asystenta jest nadal ograniczony. Kiedy zostanie wydany dla wszystkich, prawdopodobnie stanie się jednym z najpotężniejszych dostępnych asystentów AI, wykonując bardziej złożone zadania, takie jak żądanie zwrotu pieniędzy za zakupy.

•  X.AI: Ten asystent AI został stworzony w jednym celu: do planowania spotkań. Aby dowiedzieć się więcej na ten temat, możesz wpisać x.ai w przeglądarce internetowej.

•  Brin.ai: dostępny na stronie http://brin.ai dla systemów operacyjnych iOS lub Android. Jest to asystent doradcy biznesowego, który zapewnia przypomnienia i wskazówki dotyczące najlepszych sposobów skutecznego prowadzenia firmy. Kiedy po raz pierwszy zacząłem korzystać z tego asystenta, dostarczyłem wskazówki dotyczące oszczędzania kosztów dla mojej firmy, a także interesujący samouczek wideo na ten temat do obejrzenia. Ten darmowy zasób jest obecnie numerem jeden wśród asystentów biznesowych AI i zawiera obszerną bibliotekę wideo.

•  Braina: Dzięki podstawowej wersji bezpłatnej lub profesjonalnej edycji w cenie 29 USD asystent Braina umożliwia uruchamianie aplikacji, otwieranie plików, nawigację do stron internetowych, konfigurowanie alarmów oraz tworzenie notatek i przypomnień. Dowiedz się więcej na https://www.brainasoft.com/braina/

Ciekawym faktem zauważonym przez wielu ekspertów jest to, że prawie wszyscy asystenci AI na rynku mają imiona dla kobiet. Jest bardzo prawdopodobne, że bardziej zaawansowane narzędzia sztucznej inteligencji zostaną wkrótce udostępnione praktycznie wszystkim dużym firmom i że będziemy korzystać z tych narzędzi przez całe życie. Ponieważ jednak oznacza to, że więcej naszych prywatnych danych będzie w chmurze i będzie bardziej narażonych na ataki hakerskie, budzi to poważne obawy dotyczące prywatności i bezpieczeństwa.

Jak wskazaliśmy, przydatny algorytm filtrowania musi utrzymywać bieżące oszacowanie stanu i aktualizować je, zamiast cofać się do całej historii perceptów dla każdej aktualizacji. (W przeciwnym razie koszt każdej aktualizacji wzrasta wraz z upływem czasu). Innymi słowy, biorąc pod uwagę wynik filtrowania do czasu t, agent musi obliczyć wynik dla t+1 z nowego dowodu e_t+1. Więc mamy

dla jakiejś funkcji f . Proces ten nazywa się estymacją rekurencyjną. Możemy postrzegać obliczenia jako składające się z dwóch części: po pierwsze, rozkład stanu bieżącego jest rzutowany w przód od t do t+1; następnie jest aktualizowany przy użyciu nowych dowodów e_t+1. Ten dwuczęściowy proces pojawia się po prostu, gdy formuła zostaje zmieniona:

Tutaj i w tym rozdziale jest stała normalizująca używana do sumowania prawdopodobieństw do 1. Teraz wstawiamy wyrażenie dla jednoetapowego przewidywania P(X_t+1 | e_1:t), uzyskanego przez uzależnienie od aktualnego stanu X_t . Wynikowe równanie dla nowego oszacowania stanu jest głównym wynikiem tego rozdziału:

W tym wyrażeniu wszystkie terminy pochodzą albo z modelu, albo z poprzedniego oszacowania stanu. Stąd mamy pożądane sformułowanie rekurencyjne. Możemy myśleć o przefiltrowanym oszacowaniu P(X_t je_1:t) jako „komunikacie” f_1:t, który jest propagowany w przód wzdłuż sekwencji, modyfikowany przez każde przejście i aktualizowany przez każdą nową obserwację. Proces jest podany przez

f_1:t+1 = FORWARD(f_1:t ;e_t+1) ;

gdzie FORWARD implementuje aktualizację  i proces rozpoczyna się od f_1:0 = P(X₀). Gdy wszystkie zmienne stanu są dyskretne, czas każdej aktualizacji jest stały (tj. niezależny od t), a wymagana przestrzeń jest również stała. (Stałe zależą oczywiście od rozmiaru przestrzeni stanów i konkretnego typu modelu czasowego, o którym mowa). Wymagania czasowe i przestrzenne dla aktualizacji muszą być stałe, jeśli agent skończony ma śledzić bieżący rozkład stanów w sposób nieokreślony. Zilustrujmy proces filtrowania dla dwóch kroków w podstawowym przykładzie parasola ). Oznacza to, że obliczymy P(R2 ju1:2) w następujący sposób:

• W dniu 0 nie mamy żadnych obserwacji, tylko wcześniejsze przekonania ochroniarza; załóżmy, że składa się z P(R₀) = <0:5;0:5>.
• Pierwszego dnia pojawia się parasol, więc U1=prawda. Przewidywanie od t=0 do t=1 to

Następnie krok aktualizacji po prostu mnoży się przez prawdopodobieństwo dowodu dla t=1 i normalizuje się, jak pokazano w równaniu

• Drugiego dnia pojawia się parasol, więc U₂=prawda. Przewidywanie od t=1 do t=2 to

i zaktualizowanie go dowodami dla t=2 daje

Intuicyjnie, prawdopodobieństwo deszczu wzrasta od 1 do 2 dnia, ponieważ deszcz nie ustępuje. Zadanie przewidywania można postrzegać po prostu jako filtrowanie bez dodawania nowych dowodów. W rzeczywistości proces filtrowania zawiera już jednoetapowe przewidywanie i łatwo jest wyprowadzić następujące rekurencyjne obliczenie do przewidywania stanu w czasie t +k+1 z przewidywania dla czasu t +k:

Oczywiście to obliczenie obejmuje tylko model przejścia, a nie model czujnika. Interesujące jest zastanowienie się nad tym, co się dzieje, gdy staramy się przewidywać coraz dalszą przyszłość. Przewidywany rozkład deszczu zbiega się do ustalonego punktu h0:5;0:5i, po czym pozostaje stały przez cały czas. Jest to rozkład stacjonarny procesu Markowa zdefiniowany przez model przejściowy. Wiele wiadomo o właściwościach takich rozkładów io czasie mieszania – w przybliżeniu, do osiągnięcia punktu stałego. W praktyce skazuje to na niepowodzenie każdej próby przewidzenia stanu rzeczywistego dla liczby kroków, która jest większa niż mały ułamek czasu mieszania, chyba że sam rozkład stacjonarny ma silne wartości szczytowe na małym obszarze przestrzeni stanów. Im większa niepewność w modelu przejściowym, tym krótszy będzie czas mieszania i tym bardziej zaciemniona zostanie przyszłość. Oprócz filtrowania i przewidywania, możemy użyć rekurencji w przód do obliczenia prawdopodobieństwa sekwencji dowodowej, P(e_1:t). Jest to użyteczna wartość, jeśli chcemy porównać różne modele czasowe, które mogły dać tę samą sekwencję dowodów (np. dwa różne modele utrzymywania się deszczu). Dla tej rekurencji używamy komunikatu prawdopodobieństwa l_1:t(X_t)=P(X_t ,e_1:t). Łatwo wykazać ,że kalkulacja wiadomości jest identyczna jak przy filtrowaniu:

Po obliczeniu l_1:t , otrzymujemy rzeczywiste prawdopodobieństwo przez zsumowanie X_t :

Zauważ, że komunikat o prawdopodobieństwie reprezentuje prawdopodobieństwa coraz dłuższych sekwencji dowodów w miarę upływu czasu, a zatem staje się numerycznie coraz mniejszy, prowadząc do problemów z niedomiarem w arytmetyce zmiennoprzecinkowej. W praktyce jest to ważny problem, ale nie będziemy tu wchodzić w rozwiązania.

Chociaż niektórzy mogą nie myśleć o rządzie jako o branży, jest to ważna dziedzina, na którą silnie wpłyną technologie sztucznej inteligencji. Oto dwa konkretne przykłady sposobów, w jakie technologie AI mogą usprawnić procesy i zadania rządów na całym świecie:

•  Bezpieczeństwo publiczne: chociaż może się to nie zdarzyć, jak zostało to przedstawione w futurystycznym filmie Minority Report z 2002 r. Z udziałem Toma Cruise′a, niektóre departamenty policji zaczęły już wykorzystywać oprogramowanie oparte na sztucznej inteligencji do przewidywania trendów przestępczych i formułowania rozwiązań z wyprzedzeniem. Charakter uczenia maszynowego sprawia, że jest to doskonała technologia do przewidywania i zapobiegania przestępczości. Jednym z takich narzędzi, które udostępnia spersonalizowane raporty o potencjalnych lokalizacjach i oknach czasu, w których prawdopodobieństwo przestępstwa jest bardziej prawdopodobne, jest PredPol. To oprogramowanie analizuje różnego rodzaju przestępstwa, w tym miejsca, w których zostały popełnione, wraz z datami i godzinami, w celu sporządzenia raportów predykcyjnych. W chwili pisania tego tekstu nie ma dostępnych niezależnych badań analizujących skuteczność systemu PredPol, ale jeśli będzie on działać zgodnie z opisem, będzie w stanie zapewnić znaczącą pomoc stanowym i federalnym siłom policyjnym. Jedną z obaw zgłaszanych przez ekspertów wobec tego rodzaju technologii jest to, że może to prowadzić do wzrostu profilowania rasowego i innych form uprzedzeń wobec mniejszości. Innym rodzajem narzędzia AI, które może być korzystne dla bezpieczeństwa publicznego, jest biometryczna technologia rozpoznawania twarzy, która może pomóc w takich zadaniach, jak kontrola granic, znacznie skuteczniej identyfikując przestępców niż tradycyjne monitorowanie paszportów. Narzędzia te mogą również przyspieszyć proces kontroli, ale mogą budzić obawy dotyczące prywatności podróżnych.

•  Wydajność biurokratyczna: jak zobaczymy w innych branżach, pracownicy rządowi mogą zaoszczędzić wiele czasu, automatyzując podstawowe, powtarzalne zadania, takie jak wprowadzanie danych i analiza. Według raportu Deloitte zatytułowanego AI-Augmented Government, środki automatyzacji mogłyby uratować rząd federalny ponad 96,7 miliona roboczogodzin i ponad 3,3 miliarda dolarów rocznie w samych Stanach Zjednoczonych. W wielu krajach biurokracja i dokumentacja stanowią ogromne wyzwanie dla rządów, ograniczając ich wydajność i skuteczność. Istnieje wiele innych potencjalnych korzyści, które rządy mogą odkryć, wdrażając rozwiązania AI. Rządy, które szybko się dostosowują i edukują swoich obywateli i instytucje na temat tych technologii, czerpią z nich największe korzyści. Rządy niektórych krajów, takie jak Finlandia, Kanada, Wielka Brytania i Chiny, zgromadziły specjalne komitety i grupy badawcze w celu zapewnienia usług doradczych i zaleceń dla tych rządów w zakresie rozwoju sztucznej inteligencji i tego, w jaki sposób ich kraje mogłyby z tego skorzystać. Rządy wszystkich krajów powinny podążać za tym przykładem, działając proaktywnie i współpracując w celu znalezienia najlepszych sposobów na dostosowanie się społeczeństwa do szybkiego wzrostu sztucznej inteligencji i czerpanie z niego korzyści.

Po ustaleniu struktury generycznego modelu temporalnego możemy sformułować podstawowe zadania wnioskowania, które należy rozwiązać:

* Filtrowanie lub estymacja stanu to zadanie polegające na obliczeniu stanu przekonania P(X_t |e_1:t) — rozkładu a posteriori w stosunku do ostatniego stanu, jaki został przedstawiony we wszystkich dotychczasowych dowodach. W przykładzie parasola oznaczałoby to obliczenie prawdopodobieństwa dzisiejszego deszczu, biorąc pod uwagę wszystkie dotychczasowe obserwacje parasola. Filtrowanie jest tym, co robi racjonalny agent, aby śledzić bieżący stan, aby można było podejmować racjonalne decyzje. Okazuje się, że prawie identyczne obliczenia dostarczają prawdopodobieństwa ciągu dowodowego P(e_1:t).

* Przewidywanie: jest to zadanie obliczania rozkładu a posteriori nad przyszłym stanem, biorąc pod uwagę wszystkie dotychczasowe dowody. Oznacza to, że chcemy obliczyć P(X_t+k |e_1:t) dla pewnego k > 0. W przykładzie parasolowym może to oznaczać obliczenie prawdopodobieństwa deszczu za trzy dni od teraz, biorąc pod uwagę wszystkie dotychczasowe obserwacje. Przewidywanie jest przydatne do oceny możliwych kierunków działań na podstawie ich oczekiwanych wyników.

* Wygładzanie: jest to zadanie obliczania rozkładu a posteriori w przeszłym stanie, biorąc pod uwagę wszystkie dowody do chwili obecnej. Oznacza to, że chcemy obliczyć P(X_k |e_1:t) dla pewnego k takiego, że 0 k < t. W przykładzie parasola może to oznaczać obliczenie prawdopodobieństwa, że ​​padało w ostatnią środę, biorąc pod uwagę wszystkie obserwacje przewoźnika parasola dokonane do dzisiaj. Wygładzanie zapewnia lepsze oszacowanie stanu w czasie k niż było dostępne w tamtym czasie, ponieważ zawiera więcej dowodów.

* Najbardziej prawdopodobne wyjaśnienie: Mając sekwencję obserwacji, możemy chcieć znaleźć sekwencję stanów, które najprawdopodobniej wygenerowały te obserwacje. Oznacza to, że chcemy obliczyć argmaxx1:t P(x_1:t | e_1:t). Na przykład, jeśli parasol pojawia się każdego z pierwszych trzech dni i nie ma go czwartego, najbardziej prawdopodobnym wyjaśnieniem jest to, że padało przez pierwsze trzy dni, a nie padało czwartego. Algorytmy służące do tego zadania są przydatne w wielu zastosowaniach, w tym w rozpoznawaniu mowy – gdzie celem jest znalezienie najbardziej prawdopodobnej sekwencji słów, biorąc pod uwagę serię dźwięków — oraz rekonstrukcji ciągów bitów przesyłanych przez zaszumiony kanał. Oprócz tych zadań wnioskowania mamy również

* Nauka: Modele przejścia i czujników, jeśli nie są jeszcze znane, można się nauczyć na podstawie obserwacji. Podobnie jak w przypadku statycznych sieci bayesowskich, dynamiczne uczenie się sieci Bayesa może być efektem ubocznym wnioskowania. Wnioskowanie zapewnia oszacowanie, jakie przejścia rzeczywiście wystąpiły i jakie stany wygenerowały odczyty czujnika, a te oszacowania można wykorzystać do poznania modeli. Proces uczenia się może działać za pomocą iteracyjnego algorytmu aktualizacji zwanego maksymalizacją oczekiwań lub EM lub może wynikać z bayesowskiej aktualizacji parametrów modelu podanych w dowodach.

W październiku 2016 odbyła się konferencja marketingu wideo w Los Angeles o nazwie VidSummit, która gromadzi jednych z najlepszych sprzedawców wideo w branży. Podczas prezentacji podzielono się jednym ważnym aspektem, który należy wziąć pod uwagę w przyszłości marketingu wideo, czyli wpływ sztucznej inteligencji, ponieważ przynajmniej część tradycyjnego procesu edycji wideo prawdopodobnie zostanie wykonana za pomocą narzędzi opartych na sztucznej inteligencji. Zaskoczyło to wielu odbiorców. Podobnie jak w wielu innych branżach, technologie AI wkrótce będą odgrywać dużą rolę w branży rozrywkowej, przejmując zadania takie jak zbieranie danych, badania rynku, a nawet tworzenie treści. Oto tylko kilka sposobów wprowadzania sztucznej inteligencji do branży rozrywkowej:

•  Zwiastuny edytowane przez AI: już Watson firmy IBM stworzył pierwszy zwiastun filmu wyprodukowany w całości z zasobów opartych na sztucznej inteligencji. Osiągnięto to poprzez zastosowanie inteligentnych procesów uczenia się, w połączeniu z analizą ponad 100 zwiastunów podobnych filmów, co pozwoliło Watsonowi odkryć komponenty, które składają się na wysokiej jakości zwiastun filmu. Analizy te obejmowały takie elementy, jak punkty widzenia, audio, wizualizacje i dźwięki emocjonalne, a także cały film. Film, dla którego Watson stworzył ten zwiastun, nazywa się Morgan i większości ludzi trudno byłoby rozpoznać, że nie został wyprodukowany przez profesjonalnego redaktora zwiastuna. 

•  Rozpoznawanie twarzy i analiza: Oprócz narzędzi do rozpoznawania twarzy wprowadzanych w hotelach, na lotniskach i sklepach detalicznych duże firmy rozrywkowe mogą teraz korzystać z tej technologii do analizy wyrazu twarzy członków widowni w celu określenia ich reakcji na niektóre rodzaje treści oglądanych . Jest to świetny sposób, aby studio otrzymywało dokładne informacje zwrotne od odbiorców, co może pomóc im poprawić wyniki finansowe w firmie, która jest często droga i ryzykowna. Oczywiście, niektórzy reżyserzy są tak bardzo zainwestowani w utrzymanie kreatywnej kontroli nad swoimi treściami, że byliby odporni na wprowadzenie narzędzi AI w procesie tworzenia filmu. Prawdopodobnie będą to jednak największe studia filmowe, które będą chciały uzyskać dźwignię rynkową oferowaną przez sztuczną inteligencję i dlatego najpierw zastosują te technologie. Ostatecznie najlepszy potencjał dla naprawdę wysokiej jakości treści kreatywnych będzie prawdopodobnie pochodził z połączenia narzędzi sztucznej inteligencji i ludzkich talentów.

•  Piosenki pop produkowane przez AI: We wrześniu 2016 r. Sony ogłosiło, że laboratorium badawcze stworzyło system, który był w stanie produkować muzykę w oparciu o określone algorytmy. Aby to osiągnąć, jego asystent AI przeanalizował 13 000 próbek muzyki, a następnie został zaprogramowany do tworzenia utworów w różnych stylach. Dzięki tej technologii potencjał szybkiego tworzenia treści pasujących do różnych gatunków muzycznych jest nieograniczony.

Historycznie dziedzina rozrywki była silnie kojarzona z kreatywnością, co może powodować, że niektórzy sądzą, że jest to jedna branża, która nie będzie chętnie wykorzystywać narzędzi sztucznej inteligencji. Jednak wyścig o zdobycie udziału w rynku i zysków w wielu największych studiach w Hollywood może okazać się potężną zachętą do korzystania z narzędzi AI w procesie twórczym. Ostatecznie najlepszy potencjał dla naprawdę wysokiej jakości treści kreatywnych będzie prawdopodobnie pochodził z połączenia narzędzi sztucznej inteligencji i ludzkich talentów. Ponieważ narzędzia sztucznej inteligencji są używane w połączeniu z innymi rozwijającymi się technologiami, takimi jak rzeczywistość wirtualna, istnieje jeszcze większy potencjał do tworzenia imponujących i wciągających wrażeń rozrywkowych, co powoduje, że niektórzy eksperci obawiają się, że ludzie będą mieli mniej możliwości interakcji z innymi i rozwoju kluczowych umiejętności społeczne. Z tego powodu najlepsze wyniki prawdopodobnie wynikną z umiarkowanego i wymagającego wykorzystania tych technologii.

Po ustaleniu zestawu zmiennych stanu i dowodów dla danego problemu, następnym krokiem jest określenie, w jaki sposób ewoluuje świat (model przejścia) i jak zmienne dowodów uzyskują swoje wartości (model czujnika). Model przejścia określa rozkład prawdopodobieństwa dla ostatnich zmiennych stanu przy danych poprzednich wartościach, czyli P(X_t|X_0:t–1). Teraz stajemy przed problemem: zbiór X_0:t–1 ma nieograniczony rozmiar wraz ze wzrostem t. Problem rozwiązujemy przyjmując założenie Markowa – że stan obecny zależy tylko od skończonej, ustalonej liczby stanów poprzednich. Procesy spełniające to założenie zostały po raz pierwszy szczegółowo zbadane przez statystyka Andrieja Markowa (1856-1922) i nazywane są procesami Markowa lub łańcuchami Markowa. Występują w różnych smakach; najprostszy jest proces Markowa pierwszego rzędu, w którym stan bieżący zależy tylko od procesu Markowa pierwszego rzędu, a nie od wcześniejszych stanów. Innymi słowy, stan dostarcza wystarczającej ilości informacji, aby przyszłość warunkowo uniezależnić od przeszłości, a my mamy

Stąd w procesie Markowa pierwszego rzędu modelem przejściowym jest rozkład warunkowy P(X_t | X_t–1). Modelem przejściowym dla procesu Markowa drugiego rzędu jest rozkład warunkowy P(X_t |X_t–2;X_t–1). Rysunek przedstawia struktury sieci bayesowskiej odpowiadające procesom Markowa pierwszego i drugiego rzędu.

Nawet przy założeniu Markowa nadal istnieje problem: istnieje nieskończenie wiele możliwych wartości t. Czy musimy określić inny rozkład dla każdego kroku czasowego? Unikamy tego problemu, zakładając, że zmiany w stanie świata są spowodowane procesem jednorodnym w czasie – to znaczy procesem zmian rządzonym przez prawa, które same nie zmieniają się w czasie. Zatem w świecie parasolowym prawdopodobieństwo warunkowe deszczu, P(R_t | R_t–1), jest takie samo dla wszystkich t i potrzebujemy określić tylko jedną tablicę prawdopodobieństwa warunkowego. Teraz przejdźmy do modelu czujnika. Zmienne dowodowe E_t mogą zależeć od poprzednich zmiennych, a także od bieżących zmiennych stanu, ale każdy stan, który jest wart swojej soli, powinien wystarczyć do wygenerowania bieżących wartości czujnika. W ten sposób przyjmujemy założenie czujnika Markowa w następujący sposób

Zatem P(E_t | X_t) jest naszym modelem czujnika (czasami nazywanym modelem obserwacyjnym). Rysunek  przedstawia zarówno model przejścia, jak i model czujnika dla przykładu parasola

Zwróć uwagę na kierunek zależności między stanem a czujnikami: strzałki idą od aktualnego stanu świata do wartości czujników, ponieważ stan świata powoduje, że czujniki przyjmują określone wartości: deszcz powoduje pojawienie się parasola. (Proces wnioskowania przebiega oczywiście w innym kierunku; rozróżnienie między kierunkiem modelowanych zależności a kierunkiem wnioskowania jest jedną z głównych zalet sieci bayesowskich.) Oprócz określenia modeli przejścia i czujników potrzebujemy powiedzieć, jak wszystko się zaczyna — wcześniejszy rozkład prawdopodobieństwa w czasie 0, P(X0). Dzięki temu mamy specyfikację pełnego rozkładu łącznego po wszystkich zmiennych. Dla dowolnego kroku czasowego t,

Trzy wyrazy po prawej stronie to model stanu początkowego P(X₀), model przejścia P(X_i  | X_i–1) oraz model czujnika P(E_i | X_i). Równanie to definiuje semantykę rodziny modeli temporalnych reprezentowanych przez trzy wyrazy. Zauważ, że standardowe sieci bayesowskie nie mogą reprezentować takich modeli, ponieważ wymagają one skończonego zestawu zmiennych. Zdolność do obsługi nieskończonego zestawu zmiennych wynika z dwóch rzeczy: po pierwsze, zdefiniowania nieskończonego zestawu za pomocą indeksów całkowitych; a po drugie, zastosowanie niejawnej uniwersalnej kwantyfikacji do zdefiniowania modeli czujników i przejść dla każdego kroku czasowego. Struktura na rysunku  jest procesem Markowa pierwszego rzędu – zakłada się, że prawdopodobieństwo deszczu zależy tylko od tego, czy padało poprzedniego dnia. To, czy takie założenie jest uzasadnione, zależy od samej domeny. Założenie Markowa pierwszego rzędu mówi, że zmienne stanu zawierają wszystkie informacje potrzebne do scharakteryzowania rozkładu prawdopodobieństwa dla następnego przedziału czasu. Czasami założenie jest dokładnie prawdziwe – na przykład, jeśli cząstka wykonuje błądzenie losowe wzdłuż osi x, zmieniając swoją pozycję o 1 w każdym kroku czasowym, to użycie współrzędnej x jako stanu daje Markowa pierwszego rzędu proces. Czasami założenie jest jedynie przybliżone, tak jak w przypadku prognozowania deszczu tylko na podstawie tego, czy padało poprzedniego dnia. Istnieją dwa sposoby na poprawę dokładności aproksymacji:

1. Zwiększanie porządku modelu procesu Markowa. Na przykład możemy stworzyć model drugiego rzędu, dodając Rain_t-2 jako rodzica Rain_t , co może dać nieco dokładniejsze przewidywania. Na przykład w Palo Alto w Kalifornii bardzo rzadko pada deszcz dłużej niż dwa dni z rzędu.
2. Zwiększenie zbioru zmiennych stanu. Na przykład możemy dodać Seasont, aby umożliwić nam uwzględnienie historycznych zapisów pór deszczowych, lub możemy dodać Temperaturet , Humidityt i Pressuret (być może w różnych lokalizacjach), aby umożliwić nam wykorzystanie fizycznego modelu warunków deszczowych.

Zauważ, że dodanie zmiennych stanu może poprawić moc predykcyjną systemu, ale także zwiększa wymagania dotyczące przewidywania: teraz musimy również przewidywać nowe zmienne. Dlatego szukamy „samowystarczalnego” zestawu zmiennych, co tak naprawdę oznacza, że ​​musimy zrozumieć „fizykę” modelowanego procesu. Wymóg dokładnego modelowania procesu jest oczywiście zmniejszony, jeśli możemy dodać nowe czujniki (np. pomiary temperatury i ciśnienia), które dostarczają informacji bezpośrednio o nowych zmiennych stanu. Rozważmy na przykład problem śledzenia robota wędrującego losowo na płaszczyźnie X–Y. Można by zasugerować, że pozycja i prędkość są wystarczającym zestawem zmiennych stanu: wystarczy użyć praw Newtona do obliczenia nowej pozycji, a prędkość może się zmienić w nieprzewidywalny sposób. Jeśli jednak robot jest zasilany bateryjnie, wyczerpanie baterii będzie miało tendencję do systematycznego wpływania na zmianę prędkości. Ponieważ to z kolei zależy od tego, ile mocy zużyto we wszystkich poprzednich manewrach, naruszona zostaje właściwość Markowa. Możemy przywrócić właściwość Markowa, włączając poziom naładowania Batteryt jako jedną ze zmiennych stanu, które składają się na X_t . Pomaga to w przewidywaniu ruchu robota, ale z kolei wymaga modelu do przewidywania Batteryt z Battery_t–1 i prędkości. W niektórych przypadkach można to zrobić niezawodnie, ale częściej okazuje się, że błąd kumuluje się w czasie. W takim przypadku dokładność można poprawić, dodając nowy czujnik poziomu baterii.

Czy wiesz, że około 70 procent zasobów świeżej wody na świecie jest wykorzystywanych w rolnictwie? A co z faktem, że rezygnacja z mięsa podczas posiłków przyczyniłaby się bardziej do ochrony środowiska niż rezygnacja z samochodu? Rolnictwo jest jednym z głównych obszarów, w którym sztuczna inteligencja może mieć znaczący wpływ na zrównoważony rozwój zasobów i naszą jakość życia. Chociaż rolnictwo jest jedną z najstarszych praktyk na świecie, sztuczna inteligencja może zapewnić nowe możliwości, które zmienią sposób, w jaki prowadzimy rolnictwo na zawsze. Oto niektóre technologie, które mogą to umożliwić:

•  Rolnicze drony: te roboty, bezzałogowe drony są w stanie monitorować wzrost i produkcję plonów, a także identyfikować chwasty i uszkodzone rośliny. Ponadto można je wdrożyć do analizy potencjału danego terenu za pomocą kamer i innych czujników do precyzyjnego rolnictwa. Według Global Market Insights już teraz rynek dronów rolniczych jest na dobrej drodze do przekroczenia wartości 1 miliarda dolarów do roku 2024.

•  Ciągniki autonomiczne: ciągniki samobieżne mogą zmniejszyć obciążenie pracowników gospodarstwa, zbierając informacje o warunkach i wilgotności gleby z dołączonych czujników. Zebrane dane i oszczędność siły roboczej tego rodzaju sprzętu mogą prowadzić do lepszych praktyk rolniczych i obniżenia kosztów paliwa i pracy, oferując większy zwrot z inwestycji niż tradycyjne narzędzia rolnicze. Ponieważ technologia jest na wczesnym etapie, najprawdopodobniej będzie wymagała pewnej formy udziału człowieka, chociaż ostatecznym celem będzie całkowicie bezobsługowa operacja.

•  Farmy pionowe zasilane przez AI: Rolnictwo pionowe to termin używany do opisania wzrostu upraw w kontrolowanym środowisku, zwykle bez gleby lub naturalnego światła. Według wielu ekspertów ten rodzaj rolnictwa pomoże złagodzić niedobory żywności na całym świecie. Ze względu na delikatność tego rodzaju rolnictwa sztuczna inteligencja może być wykorzystana do analizy i śledzenia.

Bowery Farming to jedna firma, która opracowała własny system, który polega na monitorowaniu komputerowym i uczeniu maszynowym w celu śledzenia wzrostu roślin za pomocą czujników światła i składników odżywczych. System ten może również zalecać, kiedy należy zbierać określone rośliny, co w innym przypadku wymagałoby uważnego monitorowania i intuicji przez człowieka. Ponadto przemysł rolny może ogromnie skorzystać z Internetu przedmiotów (IoT) i opracowania nowych rodzajów czujników, które ułatwią wykonywanie obowiązków, które poprzednio wymagały ludzkiej pracy, takich jak monitorowanie zdrowia i dobrostanu zwierząt. Ponieważ technologie AI będą nadal wdrażane w rolnictwie, przyniosą one większy zwrot z inwestycji i oferują wiele potencjalnych rozwiązań tradycyjnych problemów rolniczych, takich jak brak miejsca, susze lub niedobory żywności.

Omówiono modele czasu dyskretnego, w których świat jest postrzegany jako seria migawek lub wycinek czasu1. Wycinki czasu ponumerujemy po prostu 0, 1, 2 itd., zamiast przypisywać im konkretne czasy. Zazwyczaj zakłada się, że przedział czasu D między warstwami jest taki sam dla każdego przedziału. Dla każdego konkretnego zastosowania należy wybrać konkretną wartość D. Czasami jest to podyktowane czujnikiem; na przykład może dostarczyć kamera wideo obrazy w odstępach 1/30 sekundy. W innych przypadkach przedział jest podyktowany typowymi szybkościami zmian odpowiednich zmiennych; na przykład w przypadku monitorowania stężenia glukozy we krwi sytuacja może się znacznie zmienić w ciągu dziesięciu minut, więc odpowiednia może być jednominutowa przerwa. Z drugiej strony, przy modelowaniu dryfu kontynentów w czasie geologicznym, przedział wynoszący milion lat może być w porządku. Każdy wycinek czasu w modelu prawdopodobieństwa w czasie dyskretnym zawiera zbiór zmiennych losowych, z których część jest obserwowalna, a część nie. Dla uproszczenia przyjmiemy, że ten sam podzbiór zmiennych jest obserwowalny w każdym przedziale czasu (chociaż nie jest to bezwzględnie konieczne w żadnej późniejszej części). Użyjemy X_t do oznaczenia zbioru zmiennych stanu w czasie t, które z założenia są nieobserwowalne, a E_t do oznaczenia zbioru obserwowalnych zmiennych dowodowych. Obserwacja w czasie t to E_t = e_t dla pewnego zestawu wartości e_t . Rozważmy następujący przykład: Jesteś ochroniarzem stacjonującym w tajnej podziemnej instalacji. Chcesz wiedzieć, czy dzisiaj pada, ale jedyny dostęp do świata zewnętrznego pojawia się każdego ranka, gdy widzisz reżysera wchodzącego z parasolem lub bez. Dla każdego dnia t zbiór E_t zawiera zatem pojedynczą zmienną dowodową Umbrellat lub w skrócie U_t (czy pojawia się parasol), a zbiór X_t zawiera pojedynczą zmienną stanu Raint lub w skrócie R_t (czy pada deszcz). Inne problemy mogą dotyczyć większych zestawów zmiennych. W przykładzie dotyczącym cukrzycy zmiennymi dowodowymi mogą być MeasuredBloodSugart i PulseRatet, a zmiennymi stanu mogą być BloodSugart i StomachContentst . (Zauważ, że BloodSugart i MeasuredBloodSugart nie są tą samą zmienną; w ten sposób radzimy sobie z zaszumionymi pomiarami rzeczywistych ilości.) Założymy, że sekwencja stanów zaczyna się w t=0, a dowody zaczynają się w t=1. Dlatego nasz świat parasolowy jest reprezentowany przez zmienne stanu R₀, R₁, R₂,… oraz zmienne dowodowe U₁.U₂….. Użyjemy notacji a:b do oznaczenia ciągu liczb całkowitych od a do b włącznie, a notacji X_a:b do oznaczenia zbioru zmiennych od X_a do X_b włącznie. Na przykład U_1:3 odpowiada U₁, U₂, U₃. (Zauważ, że różni się to od notacji używanej w językach programowania, takich jak Python i Go, gdzie U[1:3] nie zawiera U[3].)

Oto cztery przykłady, w jaki sposób AI wpłynie na edukację wyróżnione w mojej ostatniej książce:

•  Spersonalizowane platformy edukacyjne: Wyobraź sobie kurs, w którym 30 studentów zaczyna uczyć się na ten sam temat online, ale zamiast tego samego doświadczenia, kurs można spersonalizować na 30 różnych sposobów, dostosowany do wcześniejszej wiedzy i umiejętności każdego ucznia, dzięki czemu jest to przyjemniejsza i bardziej udana nauka dla wszystkich. Nie tylko każdy uczeń mógł uczyć się we własnym tempie, ale instruktorzy mogli również zapewnić każdemu uczniowi spersonalizowane informacje zwrotne, wsparcie i motywację. W rezultacie każdy z 30 studentów zmaksymalizowałby własne doświadczenie edukacyjne zdobyte podczas kursu, a wskaźniki rezygnacji uczniów spadłyby.

•  Zindywidualizowani nauczyciele sztucznej inteligencji: Jedną aplikacją tego rodzaju nauczyciela byłby spersonalizowany asystent nauczania sztucznej inteligencji stworzony dla konkretnego kursu, do wykonywania zadań takich jak udzielanie odpowiedzi na podstawowe pytania od studentów dotyczące danego tematu (takich jak terminy lub formaty zadań), pomagając aby uczniowie byli na bieżąco z kursami w razie potrzeby lub udzielali informacji o uniwersytecie lub instytucji. W większości przypadków tacy asystenci nauczania AI mogą być uruchamiani przez oprogramowanie do rozpoznawania głosu, które pozwala uczniom mówić bezpośrednio do nich. Tutorzy AI mogą również zawierać dodatkowe dane, takie jak wyniki testów osobowości, aby umożliwić im personalizację odpowiedzi do poszczególnych uczniów.

•  Spersonalizowane gry: Kilka ostatnich badań ujawniło, że granie w gry może być jednym z najlepszych sposobów na nauczenie się czegoś nowego. Tworzenie skutecznych gier wymaga jednak dużo czasu i kreatywności, co może być trudne. Ponieważ stosujemy narzędzia sztucznej inteligencji, generowanie tego rodzaju gier stanie się łatwiejsze, umożliwiając instruktorom dostosowanie gier do osobowości uczniów i potrzeb edukacyjnych. Dzięki tym rozrywkowym uczniom uczniowie skorzystają ze zwiększonej motywacji i przyjemności, co doprowadzi do lepszego uczenia się.

•  Tworzenie przyjemniejszej nauki: Kolejną potencjalną korzyścią z narzędzi AI w dziedzinie edukacji jest ich zdolność do angażowania uczniów w zajęcia, dzięki czemu doświadczenie jest przyjemniejsze. Łatwo jest zrozumieć, dlaczego uczniowie, którzy dobrze się bawią podczas nauki, lepiej zapamiętują materiał, dzięki czemu nauka jest bardziej efektywna. W przyszłości platformy edukacyjne oparte na sztucznej inteligencji będą mogły zawierać interaktywne narzędzia zaprojektowane w celu ciągłego angażowania ucznia, rozpraszania nudy i braku motywacji.

To tylko niewielki smak sposobów, w jakie sztuczna inteligencja może potencjalnie zmienić przyszłość edukacji. Chociaż nie wszystko wymienione powyżej jest obecnie dostępne na rynku, istnieje wiele firm, które obecnie opracowują narzędzia, aby umożliwić te doświadczenia wkrótce. Dodatkowo sztuczna inteligencja ułatwi nauczycielom skuteczne wykonywanie pracy. Na przykład nauczyciele z AI mogą zapewnić nauczycielom informacje zwrotne, dzieląc się znaczącymi wglądami w wyniki poszczególnych uczniów, umożliwiając w ten sposób nauczycielom doskonalenie metod nauczania i personalizowanie zajęć w celu lepszego zaspokojenia potrzeb ich uczniów. AI pozwoli także nauczycielom skupić się bardziej na mentorowaniu swoich uczniów.

Sztuczna inteligencja pozwoli również nauczycielom skupić się bardziej na mentorowaniu uczniów, sztuczna inteligencja pozwoli nauczycielom skupić się bardziej na mentorowaniu uczniów, inspirując ich do nauki, a mniej na zwykłych lub powtarzalnych zadaniach, takich jak ocenianie dokumentów i wysyłanie przypomnień. Ponieważ platformy edukacyjne stają się mocniejsze i dostępne dzięki narzędziom sztucznej inteligencji, obniżą koszty edukacji, być może nawet oferując bezpłatne możliwości edukacyjne na odległych lub słabo rozwiniętych obszarach. Jeśli chodzi o edukację, wzywam wszystkie uniwersytety i instytucje edukacyjne do szybkiego dodawania do swoich programów nauczania kolejnych kursów związanych ze sztuczną inteligencją, takich jak uczenie maszynowe i głębokie uczenie się. Ponieważ przyszłe miejsce pracy będzie wymagało wielu pracowników, którzy rozumieją drastyczne zmiany spowodowane przez sztuczną inteligencję i sposób, w jaki możemy się do nich dostosować, sztucznej inteligencji należy uczyć wszystkich, nie tylko studentów informatyki. Jednocześnie wskazane jest nauczanie “umiejętności ludzi”, takich jak inteligencja emocjonalna, inteligencja społeczna i kreatywność, ponieważ wartość tych umiejętności znacznie wzrośnie również w jutrzejszym miejscu pracy. Jak powiedział kiedyś Nelson Mandela, “edukacja jest najpotężniejszą bronią, której można użyć do zmiany świata”. Dzięki sztucznej inteligencji zaczynamy dostrzegać zalety tych zmian

Opracowaliśmy nasze techniki rozumowania probabilistycznego w kontekście światów statycznych, w których każda zmienna losowa ma jedną stałą wartość. Na przykład podczas naprawy samochodu zakładamy, że cokolwiek jest zepsute, pozostaje zepsute podczas procesu diagnozy; naszym zadaniem jest wywnioskować stan samochodu na podstawie zaobserwowanych dowodów, które również pozostają niezmienne. Rozważmy teraz nieco inny problem: leczenie pacjenta z cukrzycą. Podobnie jak w przypadku naprawy samochodu, mamy dowody, takie jak niedawne dawki insuliny, przyjmowanie pokarmu, pomiary poziomu cukru we krwi i inne objawy fizyczne. Zadaniem jest ocena aktualnego stanu pacjenta, w tym rzeczywistego poziomu cukru we krwi oraz poziomu insuliny. Mając te informacje, możemy podjąć decyzję o przyjmowanych przez pacjenta pokarmach i dawce insuliny. W przeciwieństwie do naprawy samochodu, tutaj kluczowe są dynamiczne aspekty problemu. Poziom cukru we krwi i jego pomiary mogą się szybko zmieniać w czasie, w zależności od ostatniego spożycia pokarmu i dawek insuliny, aktywności metabolicznej, pory dnia i tak dalej. Aby ocenić aktualny stan na podstawie historii dowodów i przewidzieć wyniki działań terapeutycznych, musimy modelować te zmiany. Te same rozważania pojawiają się w wielu innych kontekstach, takich jak śledzenie lokalizacji robota, śledzenie działalności gospodarczej narodu i nadawanie sensu wypowiadanej lub pisanej sekwencji słów. Jak można modelować takie dynamiczne sytuacje?