Bab1-bab4-Indo-bing Translation
Bab1-bab4-Indo-bing Translation
Memperkenalkan Ai
J
rtificial Intelligence (AI) telah memiliki beberapa palsu dimulai dan
berhenti selama bertahun-tahun, sebagian karena orang tidak benar-benar
mengerti apa AI adalah semua tentang, atau bahkan apa yang harus dicapai.
Bagian utama dari masalah ini adalah bahwa
film, acara televisi, dan buku memiliki semua bersekongkol untuk memberikan
harapan palsu tentang apa yang akan dicapai AI. Selain itu, kecenderungan manusia
untuk antropomorphize (memberikan karakteristik manusia) teknologi
membuatnya tampak seolah-olah Ai harus melakukan lebih dari yang dapat
berharap untuk mencapai. Jadi, cara terbaik untuk memulai buku ini adalah untuk
mendefinisikan apa sebenarnya AI, apa yang tidak, dan bagaimana
menghubungkan ke komputer hari ini.
Tentu saja, dasar untuk apa yang Anda harapkan dari Ai adalah kombinasi dari
bagaimana Anda mendefinisikan AI, yang teknologi yang Anda miliki untuk
mengimplementasikan AI, dan tujuan yang Anda miliki untuk AI. Akibatnya, semua
orang melihat AI berbeda. Buku ini mengambil pendekatan Middle-of-The-Road
dengan melihat AI dari berbagai perspektif yang berbeda mungkin. Itu tidak
membeli ke hype ditawarkan oleh para pendukung, juga tidak memanjakan diri
dalamnega-
tivitydukungdenganpengkritiknya,begitubahwakamumendapatkanparaterbaikdi
mungkinkanpemandangandariAikarenasebuahteknologi-nologi. Sebagai hasilnya,
Anda mungkin mendapati bahwa Anda memiliki ekspektasi yang agak berbeda dari
yang Anda temui dalam buku ini, yang baik, tapi penting untuk mempertimbangkan
apa yang sebenarnya dapat dilakukan oleh teknologi untuk Anda, daripada
mengharapkan sesuatu yang tidak bisa.
Mendefinisikan istilah Ai
Sebelum Anda dapat menggunakan istilah dalam cara yang bermakna dan
berguna , Anda harus memiliki def-inition untuk itu.Setelahsekali,kalautak
seorang punsetujudi atassebuahartinya,paraistilahmemilikitidak ada;ituhanya
saja
Koleksi karakter. Mendefinisikan idiom (istilah yang artinya tidak jelas dari makna
dari elemen konstituen) sangat penting dengan istilah Tech-ekumene yang telah
menerima lebih dari sedikit liputan pers di berbagai kali dan dalam berbagai cara.
Dengan mengatakan bahwa AI adalah kecerdasan buatan yang tidak memberi tahu
Anda apa-apa berarti-ingful, itulah sebabnya ada begitu banyak diskusi dan
perselisihan dalam istilah ini. Ya, Anda dapat berpendapat bahwa apa yang terjadi
adalah buatan, tidak datang dari sumber alami. Namun, Bagian intelijen adalah, di
terbaik, ambigu. Bahkan jika Anda tidak selalu setuju dengan definisi AI seperti
yang muncul di bagian yang mengikuti, buku ini menggunakan AI sesuai dengan
definisi itu, dan mengetahui itu akan membantu Anda mengikuti sisa teks dengan
lebih mudah.
Kecerdasan cerdas
Orang mendefinisikan kecerdasan dalam berbagai cara.Namun
demikian,kamubisamengatakan bahwabahwaIntel-ligence melibatkan kegiatan
mental tertentu terdiri dari berikutkegiatan:
Daftar dapat dengan mudah mendapatkan cukup panjang, tetapi bahkan daftar ini
relatif rentan terhadap antar-pretasi oleh siapa saja yang menerima sebagai layak.
Seperti yang dapat Anda lihat dari daftar, bagaimana-pernah, kecerdasan sering
mengikuti proses yang sistem komputer dapat meniru sebagai bagian dari
simulasi:
2. Menilai nilai dari setiap informasi yang saat ini diketahui dalam mendukung tujuan.
3. Mengumpulkan informasi tambahan yang dapat mendukung tujuan.
BAB KE 1 Memperkenalkan Ai 8
4. Memanipulasi data sedemikian rupa sehingga mencapai bentuk yang
konsisten dengan informasi yang ada .
5. Mendefinisikan hubungan dan nilai kebenaran antara yang ada dan baru
Informasi.
7. Memodifikasi tujuan dalam terang data baru dan efeknya pada probabilitas
Sukses.
Meskipun Anda dapat membuat algoritma dan memberikan akses ke data dalam
mendukung proses ini dalam komputer, kemampuan komputer untuk mencapai
kecerdasan sangat terbatas. Misalnya, komputer tidak mampu memahami apa pun
karena bergantung pada proses mesin untuk memanipulasi data menggunakan
matematika murni dalam mode mekanis yang ketat. Demikian juga, komputer tidak
dapat dengan mudah memisahkan kebenaran dari mistruth (seperti yang
dijelaskan dalam Bab 2). Bahkan, tidak ada komputer yang dapat sepenuhnya
menerapkan salah satu kegiatan mental yang dijelaskan dalam daftar yang
menggambarkan kecerdasan.
Sebagai bagian dari memutuskan apa yang sebenarnya melibatkan intelijen, kategorisasi
kecerdasan juga membantu. Manusia tidak menggunakan hanya satu jenis kecerdasan, tapi
lebih mengandalkan pada kecerdasan Mul- tiple untuk melakukan tugas. Howard Gardner
dari Harvard telah mendefinisikan sejumlah jenis intelijen (Lihat
http://www.PZ.Harvard.edu/Projects/ Multiple-Intelligences untuk rincian), dan
mengetahui mereka membantu Anda untuk menghubungkan mereka dengan jenis tugas
yang komputer dapat mensimulasikan sebagai kecerdasan (Lihat tabel 1-1 untuk versi
yang dimodifikasidariinikecerdasandengantambahanDescription).
BAB KE 1 Memperkenalkan Ai 9
Visual-Spasial Moderat Model, grafik, grafik, Kecerdasan lingkungan
foto, Gambar,
pemodelan 3-D, fisik yang digunakan oleh
video, televisi, dan orang seperti pelaut dan arsitek
multimedia (di antara banyak lainnya).Untuk
bergerak sama sekali, manusia
perlu memahami lingkungan fisik
mereka-yaitu,yangdimensi dan
karakteristik. Setiap robot atau
kecerdasan komputer portabel
membutuhkan kemampuan ini,
tetapi kemampuannya sering sulit
untuk mensimulasikan
(sebagaidenganmengemudi
sendirimobil)atau kurangdari
sekadarAccurate(seperti dengan
Vacuums yang mengandalkan
sebanyak menabrak karena
mereka bergerak cerdas).
terus
BAB KE 1 Memperkenalkan Ai
1
0
TABLE 1-1 (lanjutan)
Fisik- Sedang hingga tinggi Peralatan khusus dan Gerakan tubuh, seperti
kinestetik benda nyata yangdigunakan oleh seorang
ahli bedah atau penari,
memerlukan presisi dan
kesadaran tubuh
.Robotsumumnyagunakaninibaik
hatidarikecerdasanmelakukanmel
akukan berulangTasks,kerap
kalidenganlebih tinggipresisi
daripada
manusia,tetapiterkadang
dengan sedikit kasih karunia.
Ini penting untuk membedakan
antara augmentasi manusia,
seperti perangkat bedah yang
menyediakan ahli bedah
dengankemampuan
fisik yang disempurnakan,
dan gerakan independen yang
benar
.Parabekastidaksekadarsebuah
demonstrasimatematisabilitasd
alam
tahunbahwaiatergantungdi
atasparaahli bedah
untukmasukan.
Kreatif Tidak Artistik output, pola Kreativitas adalah tindakan
baru pemikiran, mengembangkan pola pikir baru
penemuan, jenis baru dari yang menghasilkan output
komposisi musik yang unik
dalamparabentukdariseni,musik,
danmenulis.Sebuahsungguhbarus
emacamProducttidakparaberakiba
tdarikreativitas.SebuahAibisamensi
mulasikanyang
adaPatternsdarimengiradanbahkan
gabungkanmerekauntuk
menciptakan apa yang
tampaknya
menjadiUniquepenyajiantetapitidak
sangathanya satu secara
matematisberpusatversidarisebuahy
ang adapattern.Dalam
tahunpesanmelakukanciptakan,se
buahAiakanperlumelakukanmilik
ikesadaran diri, yang akan
memerlukan
Intrapersonalkecerdasan.
BAB KE 1 Memperkenalkan Ai
1
1
Interpersonal Rendah sampai Telepon, Berinteraksi dengan orang lain
sedang konferensi audio, terjadi di beberapa
konferensi video , tingkatan.ParaGoaldariinibentukda
menulis, konferensi rikecerdasantidakmelakukanmempe
komputer, email roleh,Exchange,memberi,danmem
anipulasiinformasiberpusatdi
atasparapengalamandariorang
lain.Komputer dapat menjawab
dasarpertanyaan karena kata
kuncimasukan,belumkarenamerek
amengertiparapertanyaan.
Kecerdasan terjadi saat
memperoleh informasi, mencari
kata kunci yang sesuai, dan
kemudian memberikan informasi
berdasarkan kata kunci
tersebut.Referensi
silangketentuandalam
tahunsebuahlookupmejadankemud
ianaktingdi atasparapetunjuk yang
diberikan oleh tabelmenunjukkan
kecerdasan
logis,beluminterpersonalkecerdas
an.
BAB KE 1 Memperkenalkan Ai
1
2
Jenis simulasi Deskripsi alatmanusia potensial
BAB KE 1 Memperkenalkan Ai
1
4
Menemukan empat cara untuk mendefinisikan AI
Seperti yang dijelaskan di bagian sebelumnya, konsep pertama yang penting untuk
di bawah-Stand adalah bahwa AI tidak benar ada hubungannya dengan kecerdasan
manusia. Ya, beberapa AI dimodelkan untuk mensimulasikan kecerdasan manusia,
tapi itulah apa itu: sebuah simu-lation. Ketika berpikir tentang AI, perhatikan
interaksi antara tujuan pencarian, pengolahan data yang digunakan untuk
mencapai tujuan itu, dan akuisisi data yang digunakan untuk lebih baik di bawah-
Stand tujuan. AI mengandalkan algoritma untuk mencapai hasil yang mungkin atau
mungkin tidak ada hubungannya dengan tujuan manusia atau metode mencapai
tujuan tersebut. Dengan pemikiran ini , Anda dapat mengkategorikan Ai dalam
empat cara:
» Berpikir manusiawi: ketika komputer berpikir sebagai manusia, ia melakukan tugas yang
memerlukan kecerdasan (seperti yang berlawanan dengan prosedur Rote ) dari manusia
untuk berhasil, seperti
mengendaraimobil.MelakukanmenentukanApakahsebuahprogrammengirasepertisebuahma
nusia,kamumestimemilikisebagianmethoddaripenentuanbagaimana caramanusiaberpikir,
yangparakognitifmodelingApproachmendefinisikan.Inimodelnyabergantungdi
atastigateknik:
BAB KE 1 Memperkenalkan Ai
1
5
• Pencitraan otak: pemantauan aktivitas otak langsung melalui berbagai
cara mechani- Cal , seperti komputerisasi Aksial tomography
(cat), positron Emission tomography (PET), Magnetic Resonance
Imaging (MRI), dan
Magnetoencephalography (MEG).
BAB KE 1 Memperkenalkan Ai
1
6
Setelah membuat model, Anda dapat menulis sebuah program yang mensimulasikan
model. Mengingat jumlah variabilitas di antara proses berpikir manusia dan kesulitan secara
akurat mewakili proses pemikiran ini sebagai Bagian dariprogram, hasilnya eksperimental
di terbaik.IniCategorydariberpikir secara manusiawitidakkerap kalidigunakandalam
tahunPsychologydanlainnyaladangdalam
tahunmanamodelingparamanusiamengiramengolahmelakukanciptakanrealistiksimulas
itidakpenting.
BAB KE 1 Memperkenalkan Ai
1
7
Kategori yang digunakan untuk mendefinisikan AI menawarkan cara untuk
mempertimbangkan berbagai kegunaan atau cara untuk menerapkan AI. Beberapa sistem
yang digunakan untuk mengklasifikasikan AI menurut jenisnya sewenang-wenang dan
tidak dis- tringkas. Sebagai contoh, beberapa kelompok memandang AI sebagai kuat
(kecerdasan umum yang dapat beradaptasi dengan berbagai situasi) atau lemah
(kecerdasan khusus yang dirancang untuk melakukan tugas tertentu dengan baik).
Masalah dengan AI yang kuat adalah bahwa hal itu tidak per- bentuk tugas apapun dengan
baik, sementara Ai lemah terlalu spesifik untuk melakukan tugas secara independen.
Meskipun demikian, hanya dua jenis klasifikasi tidak akan melakukan pekerjaan bahkan
dalam arti umum. Empat klasifikasi jenis dipromosikan oleh Arend Hintze (Lihat
http://theconversation.com/memahami-The-empat-jenis-of-Ai-dari-reaktif-Robots-to-
sadar diri-makhluk-67616bagidetails)bentuksebuahlebih
baikdasarbagipemahamanAI:
» Mesin reaktif : mesin yang Anda Lihat mengalahkan manusia di catur atau bermain di
game Show adalah contoh mesin reaktif .Sebuahreaktifmesinmemilikitidak ada
memoriataupengalamanpada saat Check - manamelakukandasarsebuahkeputusan.Sebagai
gantinya,iabergantungdi atasmurni
komputasidayadancerdasalgoritmemelakukanmenciptakansetiapkeputusansetiapwaktu.Initida
ksebuahcontohdarisebuahlemasAidigunakanbagisebuahspesifiktujuan.
» Memori terbatas : mobil mengemudi sendiri atau robot otonom tidak mampu
meluangkan waktu untuk membuat setiapkeputusandariScratch.Inimesinbersandardi
atassebuahkeciljumlahdari memorimelakukanmemberikan pengetahuan
pengalamandariberbagai situasi. Ketika mesin melihat situasi yang sama , dapat mengandalkan
pengalaman untuk mengurangi waktu reaksi dan untuk menyediakan lebih banyak sumber daya
untuk membuat keputusan baru yang belum dibuat.Initidaksebuahcontohdariparasaat
initingkatdarikuatAI.
» Teori pikiran: sebuah mesin yang dapat menilai kedua tujuan yang diperlukan
dan tujuan potensial dari entitas lain dalam lingkungan yang sama memiliki
semacampemahaman yang layak sampai batas tertentu hari ini, tetapi tidak dalam
bentuk commer-cial .Namun demikian,bagimengemudi
sendirimobilmelakukanmenjadisungguhotonom,tingkat
inidariAimestimenjadisepenuhnyadikembangkan.Sebuahmengemudi
sendirimobilakanbelumhanya sajaperluuntuk mengetahuibahwaiamestipergidarisalah
satutitikmelakukanlain,tetapijugaIntuitparaberpotensibertentanganGoaldaripembalapdi
sekitariadanbereaksisesuai dengan itu.
BAB KE 1 Memperkenalkan Ai
1
8
Memahami sejarah Ai
Bagian sebelumnya dari bab ini membantu Anda memahami kecerdasan dari sudut
pandang manusia dan melihat bagaimana komputer modern sangat tidak memadai
untuk mensimulasikan kecerdasan tersebut, apalagi sebenarnya menjadi cerdas
diri mereka sendiri.
BAB KE 1 Memperkenalkan Ai
1
9
Namun, keinginan untuk membuat mesin cerdas (atau, di zaman kuno, berhala)
adalah sebagai tua sebagai manusia. Keinginan untuk tidak sendirian di alam
semesta, untuk memiliki sesuatu yang untuk berkomunikasi tanpa inkonsistensi
manusia lain, adalah salah satu yang kuat. Tentu saja, satu buku tidak bisa
merenungkan semua sejarah manusia, jadi bagian berikut ini memberikan
gambaran singkat yang relevan tentang sejarah usaha AI modern.
Masalah yang dinyatakan di Dartmouth College dan upaya lain pada waktu itu
berkaitan dengan perangkat keras — kemampuan pemrosesan untuk melakukan
penghitungan cukup cepat untuk membuat simulasi. Namun, itu tidak sepenuhnya
masalah keseluruhan. Ya, perangkat keras tidak menjadi gambar dalam gambar,
tetapi Anda tidak dapat mensimulasikan proses yang tidak Anda pahami. Meskipun
demikian, alasan bahwa AI agak efektif saat ini adalah bahwa perangkat keras
akhirnya menjadi cukup kuat untuk mendukung jumlah yang
diperlukanpenghitungan.
Masalah terbesar dengan upaya awal ini (dan masih masalah besar hari ini) adalah
bahwa kita tidak mengerti bagaimana manusia alasan cukup baik untuk
menciptakan sebuah simulasi dari segala macam-mengasumsikan bahwa arah
simulasi bahkan mungkin. Pertimbangkan lagi isu seputar penerbangan berawak
yang dijelaskan sebelumnya dalam bab. The Wright Brothers tidak berhasil dengan
mensimulasikan burung melainkan dengan memahami proses yang digunakan
burung, sehingga menciptakan bidang aerody-namics. Akibatnya, ketika seseorang
mengatakan bahwa inovasi AI besar berikutnya adalah tepat di tikungan dan belum
ada disertasi konkret ada prosesterlibat, inovasi adalah sesuatu tapi tepat di
sekitartendangan penjuru.
BAB KE 1 Memperkenalkan Ai
2
0
Melanjutkan dengan sistem ahli
Sistem ahli pertama kali muncul pada tahun 1970-an dan lagi pada tahun 1980 -an
sebagai upaya untuk mengurangi persyaratan komputasi yang diajukan oleh AI
menggunakan pengetahuan ahli. Sejumlah representasi ahli sistem muncul,
termasuk aturan berbasis (yang menggunakan jika... kemudian pernyataan untuk
keputusan dasar pada aturan praktis), frame berbasis (yang menggunakan
database yang diatur ke dalam hierarki yang terkait generik Informa-tion disebut
frame), dan logika berbasis (yang bergantung pada set teori untuk membangun
rela-tionships). Munculnya sistem ahli adalah penting karena mereka menyajikan
pertama implementasi yang benar berguna dan sukses AI.
Anda masih melihat sistem ahli yang digunakan saat ini (meskipun mereka tidak
disebut lagi). Sebagai contoh, ejaan dan tata bahasa Checker dalam aplikasi Anda
adalah jenis sistem ahli. Pemeriksa tata bahasa, terutama, adalah aturan kuat
berbasis. Ini membayar untuk melihat-lihat untuk melihat tempat lain di mana
sistem ahli masih dapat melihat PRAC-tical digunakan dalam aplikasi sehari-hari.
Sebuah masalah dengan sistem ahli adalah bahwa mereka dapat sulit untuk membuat dan
memelihara. Pengguna awal harus belajar bahasa pemrograman khusus seperti daftar
proses-ing (LisP) atau prolog. Beberapa vendor melihat kesempatan untuk menempatkan
sistem ahli di tangan programmer kurang berpengalaman atau pemula dengan
menggunakan produk seperti VP- expert (Lihat
http://www.CSIS.YSU.edu/~John/824/vpxguide.html dan https://
www.Amazon.com/exec/Obidos/asin/155622057X/datacservip0f -20/ ), yang
bergantung pada pendekatan berbasis aturan. Namun, produk ini umumnya Pro- wajan
fungsionalitas sangat terbatas dalam menggunakan basis pengetahuan bertubuh kecil .
Pada 1990-an, frase sistem ahli mulai menghilang. Gagasan bahwa ahli sys- Tems adalah
kegagalan memang muncul, tetapi kenyataannya adalah bahwa sistem ahli hanya begitu
sukses sehingga mereka menjadi tertanam dalam aplikasi yang mereka dirancang untuk
mendukung. Menggunakan contoh pengolah kata, pada satu waktu Anda perlu membeli
aplikasi pemeriksaan tata bahasa terpisah seperti rightwriter (http://www.Right-
Writer.com/).Namun demikian,katapemroseskinimemilikitata
bahasaCheckersdibangun di karena mereka terbukti sangat berguna (jika tidak selalu
akurat) melihathttps://www.washingtonpost.com/Archive/Opinions/1990/04/29/Hello-
Mr-Chips-pcs-belajar-Inggris/6487ce8a-18df-4bb8-b53f-62840585e49d/untuk rincian).
BAB KE 1 Memperkenalkan Ai
2
1
akhirnya, pengurangan pendanaan terjadi. Sejumlah siklus ini telah terjadi selama
bertahun-tahun — semuanya menghancurkan kemajuan sejati .
BAB KE 1 Memperkenalkan Ai
2
2
AI saat ini dalam fase hype baru karena pembelajaran mesin, sebuah teknologi yang
membantu komputer belajar dari data. Memiliki komputer belajar dari data berarti
tidak tergantung pada programmer manusia untuk mengatur operasi (tugas),
melainkan berasal mereka langsung dari contoh yang menunjukkan bagaimana
komputer harus berperilaku. Ini seperti mendidik seorang bayi dengan
menunjukkan cara berperilaku melalui contoh. Pembelajaran mesin memiliki
perangkap karena komputer dapat belajar bagaimana melakukan sesuatu dengan
tidak benar melalui pengajaran ceroboh.
» Penipuan deteksi: Anda mendapatkan panggilan dari perusahaan kartu kredit Anda
menanyakan Apakah Anda membuatpembelian tertentu
.ParaCreditkartuperusahaanBukankahmenjadi
usil;itusekadarmemperingatkankamumelakukanparafaktanyabahwaseseoranglainbisamenja
BAB KE 1 Memperkenalkan Ai
2
3
dimembuatsebuahpembelianmenggunakanAndakartu.ParaAiEmbeddeddalam
waktuparaCreditkartukode perusahaanterdeteksisebuahterbiasapembelanjaanpoladandiberi
peringatanseseorangmelakukanitu.
BAB KE 1 Memperkenalkan Ai
2
4
» Penjadwalan sumber daya : banyak organisasi perlu menjadwalkan
penggunaansumber daya secara efisien.Bagicontoh,sebuahrumah
sakitMeimemilikimelakukanmenentukandimanamelakukanmenempatkansebuahPatientberpusatd
i
atasparapasienkebutuhan,ketersediaannyadariterampilExperts,danparajumlahdariwaktupara
doktormengharapkanparaPatientmelakukanmenjadidalam tahunpararumah sakit.
» Layanan pelanggan : lini Layanan pelanggan yang Anda Panggil hari ini bahkan
mungkin tidakmemiliki manusia di belakangnya
.ParaotomatisasitidakbaikcukupmelakukanFollowScriptsdangunakanberbagai sumber
dayamelakukanhandleparasebagian besar daripertanyaan Anda. Dengan infleksi suara
yang baik (disediakan oleh Ai juga ), Anda mungkin bahkan tidak dapat memberi
tahubahwaAnda sedangpembicaraandengansebuahComputer.
Menghindari Ai hype
Bab ini menyebutkan AI hype cukup banyak. Sayangnya, Bab bahkan tidak menggaruk
permukaan semua hype di luar sana. Jika Anda menonton film seperti dia
(https://www.Amazon.com/exec/Obidos/asin/B00H9HZGQ0/datacservip0f-20/) dan mantan
machina (https://www.Amazon.com/exec/Obidos/asin/B00XI057M0/datac servip0f-20/),
Anda mungkin akan dituntun untuk percaya bahwa Ai lebih jauh dari itu. Masalahnya
adalah bahwa Ai sebenarnya dalam masa pertumbuhan dan segala macam aplikasi seperti
BAB KE 1 Memperkenalkan Ai
2
5
yang ditunjukkan dalam film adalah output kreatif dari imajinasi yang terlalu aktif .
BAB KE 1 Memperkenalkan Ai
2
6
Anda mungkin pernah mendengar sesuatu yang disebut singularitas, yang
bertanggung jawab atas klaim potensial yang disajikan di media dan film. The
singularitas adalah Essen-tially algoritma Master yang mencakup semua lima suku
belajar yang digunakan dalam pembelajaran mesin. Untuk mencapai apa sumber
ini memberitahu Anda, Mesin harus dapat belajar sebagai manusia akan-seperti
yang ditentukan oleh tujuh jenis Intel-ligence dibahas dalam "cerdas kecerdasan"
bagian, di awal bab. Berikut adalah lima suku belajar:
» Connectionists: asal suku ini adalah di Neuroscience dan kelompok bergantung pada
backpropagation untuk memecahkan masalah.
» Bayesians: asal suku ini adalah dalam Statistik dan bergantung pada probabilistik infer- ence
untuk memecahkan masalah.
Tujuan utama dari pembelajaran mesin adalah untuk menggabungkan teknologi dan
strate-Gies dianut oleh lima suku untuk membuat algoritma tunggal ( Master algoritma)
yang dapat belajar apa-apa. Tentu saja, mencapai tujuan itu adalah jauh. Meskipun
demikian, para ilmuwan seperti Pedro Domingos
(http://Homes.cs.Washington.edu/~pedrod/) sedang bekerja menuju tujuan itu .
Untuk membuat hal yang bahkan kurang jelas, kelima suku mungkin tidak dapat
memberikan informasi yang
cukupmelakukansebenarnyaselesaikanparaproblemdarimanusiakecerdasan,b
egitumembuatMas-ter algoritma untuk semua lima suku mungkin masih tidak
menghasilkan singularitas. Pada titik ini, Anda harus kagum pada berapa
banyak orang tidak tahu tentang bagaimana mereka Pikirkan atau mengapa
mereka berpikir dengan cara tertentu .Setiaprumorkamudengartentang
caraAimengambilatas dunia atau menjadi lebih unggul daripada orang yang
hanya polosfalse.
BAB KE 1 Memperkenalkan Ai
2
8
Ukuran sistem komputasi berbanding lurus dengan jumlah pekerjaan yang Anda
harapkan untuk dilakukan AI.
Aplikasi ini juga dapat bervariasi dalam ukuran, kompleksitas, dan bahkan lokasi.
Misalnya, jika Anda adalah bisnis dan ingin menganalisis data klien untuk
menentukan cara terbaik untuk membuat penjualan Anda dapat mengandalkan
aplikasi berbasis server untuk melakukan tugas. Di sisi lain, jika Anda seorang
pelanggan dan ingin mencari produk di Amazon untuk pergi dengan item
pembelian Anda saat ini, aplikasi ini bahkan tidak berada di komputer Anda; Anda
mengaksesnya melalui aplikasi berbasis web yang terletak di server Amazon.
Basis pengetahuan bervariasi di lokasi dan ukuran juga. Semakin kompleks data,
semakin Anda dapat memperoleh dari itu, tetapi semakin Anda perlu untuk
memanipulasi juga. Anda tidak mendapatkan makan siang gratis ketika datang ke
manajemen pengetahuan. Interaksi antara lokasi dan waktu juga penting. Sebuah
koneksi jaringan affords Anda akses ke basis pengetahuan yang besar secara online
tetapi biaya Anda dalam waktu karena latensi koneksi jaringan. Namun, database
lokal, sementara cepat, cenderung kurangnya rincian dalam banyak kasus.
BAB KE 1 Memperkenalkan Ai
2
9
DALAM BAB INI
Bab ke- 2
Menentukan peran data
T
di sini adalah sesuatu yang baru tentang data. Setiap aplikasi menarik yang
pernah ditulis untuk komputer memiliki data yang terkait dengannya. Data
datang dalam berbagai bentuk-beberapa terorganisir, beberapa tidak. Apa
yang telah berubah adalah jumlah data. Beberapa
orang merasa hampir menakutkan bahwa kita sekarang memiliki akses ke begitu
banyak data yang detail hampir setiap aspek kehidupan sebagian besar orang,
kadang ke tingkat yang bahkan orang tidak menyadari.Dalam tahunSelain
itu,paragunakandarimajuperangkat kerasdanmeningkatkan-mentsdalam
tahunalgoritmemembuatdataparaUniversalResourcebagiAihari ini.
Untuk bekerja dengan data, Anda harus terlebih dahulu mendapatkannya. Hari ini,
aplikasi mengumpulkan data secara manual, seperti yang dilakukan di masa lalu,
dan juga secara otomatis, menggunakan metode baru. Namun, ini bukan masalah
hanya satu sampai dua teknik pengumpulan data; metode pengumpulan
berlangsung pada kontinum dari sepenuhnya manual untuk sepenuhnya otomatis.
Data mentah biasanya tidak bekerja dengan baik untuk tujuan analisis. Bab ini juga
membantu Anda memahami perlunya memanipulasi dan membentuk data
sehingga memenuhi persyaratan khusus. Anda juga menemukan kebutuhan untuk
menentukan nilai kebenaran data untuk memastikan bahwa hasil analisis sesuai
dengan tujuan yang ditetapkan untuk aplikasi di tempat pertama.
Menariknya, Anda juga memiliki batas akuisisi data untuk menangani. Tidak ada
teknologi yang ada saat ini untuk meraih pikiran dari pikiran seseorang melalui
sarana telepati. Tentu saja, batas lain ada, juga-sebagian besar yang Anda mungkin
sudah tahu tentang tetapi mungkin tidak dipertimbangkan.
Data besar menyiratkan sebuah revolusi dalam penyimpanan data dan manipulasi.
Ini mempengaruhi apa yang dapat Anda capai dengan data dalam istilah yang lebih
kualitatif (Selain melakukan lebih banyak, Anda dapat melakukan tugas yang lebih
baik). Komputer menyimpan data besar dalam format yang berbeda dari perspektif
manusia, tetapi komputer melihat data sebagai aliran yang dan nol (inti bahasa
komputer).Kamubisapemandangandatakarenamenjadisalah
satudariduatypes,bergantung-ing pada bagaimana Anda memproduksi dan
mengkonsumsi. Beberapa data memiliki struktur yang jelas (Anda tahu persis apa
yang dikandungnya dan di mana untuk menemukan setiap bagian dari data),
sedangkan data lainnya tidak terstruktur (Anda memiliki gagasan tentang apa yang
dikandungnya, tetapi Anda tidak tahu persis bagaimana itu diatur).
Contoh khas data terstruktur adalah tabel database, di mana informasi diatur ke
kolom dan setiap kolom berisi jenis informasi tertentu. Data sering disusun
berdasarkan desain. Anda mengumpulkannya secara selektif dan merekamnya di
tempat yang rekamnya. Misalnya, Anda mungkin ingin menempatkan jumlah orang
yang membeli produk tertentu di kolom tertentu, dalam tabel tertentu, di basis data
tertentu. Seperti Perpustakaan, jika Anda tahu apa data yang Anda butuhkan, Anda
dapat menemukannya segera.
Data yang tidak terstruktur terdiri dari gambar, video, dan rekaman suara. Anda
dapat menggunakan formulir yang tidak terstruktur untuk teks sehingga Anda
dapat menandai dengan karakteristik, seperti ukuran, tanggal, atau jenis konten.
Biasanya Anda tidak tahu persis di mana data muncul dalam dataset tidak
terstruktur karena data muncul sebagai urutan yang dan nol bahwa aplikasi harus
menafsirkan atau memvisualisasikan.
Penyimpanan data yang berlebihan dan canggih ini tidak muncul mendadak dalam
semalam. Butuh waktu untuk mengembangkan teknologi untuk menyimpan
jumlah data. Selain itu, butuh waktu untuk menyebarkan teknologi yang
Bab 2 Mendefinisikan Tje Peran dari Data 22
menghasilkan dan memberikan data, yaitu com-puters, sensor, ponsel pintar,
internet, dan World Wide Web ser-vices. Bagian berikut ini membantu Anda
memahami apa yang membuat data menjadi sumber daya Universal hari ini.
Apa Moore menyatakan dalam artikel yang sebenarnya telah benar selama bertahun-
tahun. Industri semikonduktor menyebutnya hukum Moore (Lihat
http://www.mooreslaw.org/ untuk rincian). Dua kali lipat memang terjadi selama
sepuluh tahun pertama, seperti yang diperkirakan. Pada 1975, Moore mengoreksi
pernyataannya, meramalkan penggandaan setiap dua tahun. Gambar 2-1 menunjukkan
efek dari dua kali lipat ini. Tingkat dua kali lipat ini masih berlaku, meskipun sekarang
pendapat umum bahwa itu tidak akan tahan lebih lama dari akhir dekade ini (sampai
sekitar 2020). Mulai tahun 2012, ketidakcocokan mulai terjadi antara peningkatan
kecepatan yang diharapkan dan perusahaan semikonduktor apa yang dapat dicapai
sehubungan dengan miniaturisasi.
GAMBAR 2-1:
Memasukkan lebih
dan lebih transistor
ke CPU.
Meskipun aplikasi Ai dapat mengkhususkan pada bidang ilmiah, seperti IBM Watson, yang
menawarkan kemampuan diagnosis medis yang mengesankan karena dapat
mempelajari infor-mation dari jutaan makalah ilmiah tentang penyakit dan obat-
obatan, driver aplikasi Ai yang sebenarnya sering memiliki aspek yang lebih duniawi
.AktualAiaplikasitidaksebagian besardihargai karena mampu mengenali objek,
bergerak sepanjang jalur, atau memahami apa yang orangmengatakan
bahwadanmelakukanmereka.DatakontribusimelakukanparaaktualAiRenaisansba
hwaMoldeddalam mode seperti itu tidak datang dari sumber klasik ilmiahdata.
» Repositori besar wajah dan ekspresi dari foto dan video yang diposting di situs web media
sosial seperti Facebook, YouTube, dan Google memberikan Informa- tion tentang jenis kelamin,
usia, perasaan, dan mungkin seksual preferensi, orientasi politik, atau IQ (Lihat
https://www.theguardian.com/Technology/2017/ Sep/12/Artificial-Intelligence-Face-
Recognition-Michal-kosinski).
» Informasi medis yang diadakan secara pribadi dan data biometrik dari jam tangan pintar,
yang mengukur data
tubuhkarenaTemperaturedanhatitingkatselamakeduasakitdanbaikkesehatan.
» Dataset tentang bagaimana orang berhubungan satu sama lain dan apa yang mendorong minat
mereka dari sumber seperti media sosial dan mesin
pencari.Bagiinstance,sebuahpenelaahandariCambridgeUniversity'sPsikometrikPusatmengakuba
hwaFacebook
interaksi mengandung banyak data tentang hubungan intim (Lihat https://
www.theguardian.com/Technology/2015/Jan/13/your-computer-Knows-You- peneliti-
Cambridge-Stanford-University).
Setiap hari, pengguna menghubungkan lebih banyak perangkat ke internet yang mulai
menyimpan data pribadi baru. Sekarang ada asisten pribadi yang duduk di rumah, seperti
Amazon Echo dan perangkat rumah pintar terintegrasi lainnya yang menawarkan cara
untuk mengatur dan memfasilitasi lingkungan domestik. Ini hanya puncak gunung es
karena banyak alat umum lainnya kehidupan sehari-hari menjadi saling berhubungan
(dari lemari es ke sikat gigi) dan mampu mengolah, merekam, dan mengirimkan data.
Internet of Things (IoT) menjadi kenyataan. Para ahli memperkirakan bahwa dengan
2020, enam kali lebih banyak hal yang terhubung akan ada karena akan ada orang, tetapi
tim penelitian dan berpikir tank sudah meninjau kembali angka-angka
(http://www.Gartner.com/Newsroom/id/3165317).
GAMBAR 2-2:
Dengan solusi Ai
saat ini , lebih
banyak data setara
dengan lebih
banyak kecerdasan.
Dengan demikian, foto dari beberapa anak kucing Anda telah menjadi semakin
berguna bukan hanya karena nilai afektif- menggambarkan kucingkecil yang lucu Anda
— tetapikarena bisamenjadi bagian daripembelajaranproses Aimenemukanlebih
umumcon-cepts, sepertikarenaapa karakteristik
menunjukkansebuahkucing,ataumemahami apa yangmendefinisikanimut.
Pada skala yang lebih besar, perusahaan seperti Google feed algoritma dari data
yang tersedia secara bebas, seperti isi dari situs web atau teks yang ditemukan
dalam teks yang tersedia secara umum dan buku. Software Spider Google merayapi
web, melompat dari situs web ke situs web, mengambil halaman web dengan
konten teks dan gambar mereka. Bahkan jika Google memberikan kembali bagian
dari data ke pengguna sebagai hasil pencarian, itu ekstrak jenis informasi lain dari
data menggunakan algoritma AI, yang belajar dari itu bagaimana untuk mencapai
tujuan lain.
Banyak sumber data saat ini bergantung pada masukan yang dikumpulkan dari
sumber manusia. Manusia juga memberikan masukan manual. Anda menelepon
atau pergi ke kantor di suatu tempat untuk membuat janji dengan seorang
profesional. Seorang resepsionis kemudian mengumpulkan informasi dari Anda
yang diperlukan untuk pengangkatan. Data yang dikumpulkan secara manual ini
akhirnya berakhir di dataset di suatu tempat untuk tujuan analisis.
Data juga dikumpulkan dari sensor, dan sensor ini dapat mengambil hampir semua
Namun, Anda tidak ingin data yang begitu jauh dari biasa bahwa itu menjadi
hampir menakutkan untuk
ditinjau.Neracakebutuhanmelakukanmenjadidipeliharasaatmendapatkandata.
Datamestimuatdalam waktubeberapabatasan(seperti yang dijelaskan dalam
"manikur data" SEC-tion, kemudian dalam bab ini
).IamestijugatemuispesifikcriteriakarenamelakukanTruthnilainya(sebagaiman
a diuraikan dalam bagian "menimbang lima Mistruths dalam data", kemudian
dalam bab
ini).Paradatamestijugadatangatdiharapkaninterval,dansemuaparaladangdaric
atatan data yang masuk haruslengkap.
Kotak daftar drop-down bekerja dengan baik untuk array yang menakjubkan dari
input data, dan menggunakan mereka memastikan bahwa input manusia ke dalam
bidang tersebut menjadi sangat handal karena manusia tidak memiliki pilihan
selain menggunakan salah satu entri default. Tentu saja, manusia dapat selalu
memilih entri yang salah, yang mana cek ganda datang ke dalam bermain. Beberapa
aplikasi yang lebih baru membandingkan kode pos ke entri kota dan negara untuk
melihat apakah mereka cocok. Ketika mereka tidak cocok, pengguna akan diminta
lagi untuk memberikan masukan yang benar. Ini Double-Check verges menjadi
menjengkelkan (Lihat "lebih menjengkelkan daripada berguna input AIDS" sidebar
untuk rincian), tetapi pengguna tidak mungkin untuk melihatnya sangat sering, jadi
seharusnya tidak menjadi terlalu menjengkelkan.
Bahkan dengan Cross-cek dan statis entri, manusia masih memiliki banyak ruang
untuk membuat kesalahan. Misalnya, memasukkan angka dapat bermasalah.
Ketika pengguna perlu memasukkan 2,00, Anda mungkin melihat 2, atau 2,0, atau
2., atau salah satu dari berbagai entri lainnya. Untungnya, parsing entri dan
reformatting itu akan memperbaiki masalah, dan Anda dapat melakukan tugas ini
secara otomatis, tanpa bantuan pengguna .
Manikur data
Beberapa orang menggunakan istilah manipulasi ketika berbicara tentang data,
memberikan kesan bahwa data entah bagaimana berubah dalam cara yang tidak
bermoral atau licik. Mungkin istilah yang lebih baik akan manikur, yang membuat
data yang dibentuk dengan baik dan indah.Tidak adamasalahapa
yangistilahkamudigunakan,Namun demikian,Rawdatajarangmemenuhi
persyaratan untuk pengolahan dan analisis. Untuk mendapatkan sesuatu dari data,
Anda harus manikur itu untuk memenuhi kebutuhan tertentu. Bagian berikut
membahas kebutuhan manikur data .
Sebagai bagian dari proses berurusan dengan data yang hilang, Anda harus tahu
bahwa data hilang. Mengidentifikasi bahwa dataset Anda hilang informasi
sebenarnya bisa sangat sulit karena mengharuskan Anda untuk melihat data pada
tingkat rendah-sesuatu yang kebanyakan orang tidak siap untuk melakukan dan
memakan waktu bahkan jika Anda memiliki keterampilan yang diperlukan.
Seringkali, petunjuk pertama Anda bahwa data hilang adalah jawaban yang masuk
akal bahwa pertanyaan Anda dapatkan dari algoritma dan dataset terkait. Ketika
algoritma yang tepat untuk menggunakan, dataset harus pada kesalahan.
Masalah dapat terjadi ketika proses pengumpulan data tidak mencakup semua data
yang diperlukan untuk menjawab pertanyaan tertentu .KadangAnda sedanglebih
baikmatimelakukansebenarnyaJatuhkanfaktanyaagakdari
sekadargunakansebuahjauhrusakfakta.Kalaukamumenemukanbahwasebuahkhus
uslapangan disebuahdatasettidakhilang90percentataulebih
banyakdariyangdata,parabidangmenjadiberguna,danAnda perlu menjatuhkannya
dari dataset (atau menemukan beberapa cara untuk mendapatkan semua data
tersebut ).
Bidang yang kurang rusak dapat memiliki data yang hilang dalam salah satu dari
dua cara. Data yang hilang secara acak sering merupakan hasil dari kesalahan
manusia atau sensor. Ini terjadi ketika catatan data seluruh Dataset telah hilang
entri. Terkadang kesalahan sederhana akan menyebabkan kerusakan. Data secara
berurutan hilang terjadi selama beberapa jenis kegagalan umum. Seluruh segmen
catatan data dalam dataset tidak memiliki informasi yang diperlukan, yang berarti
bahwa analisis yang dihasilkan dapat menjadi sangat miring.
Memperbaiki data yang hilang secara acak adalah termudah. Anda dapat
menggunakan median sederhana atau nilai rerata sebagai penggantinya. Tidak,
dataset tidak sepenuhnya akurat, tetapi kemungkinan akan bekerja dengan cukup
baik untuk mendapatkan jawaban yang wajar. Dalam beberapa kasus, ilmuwan
data menggunakan algoritma khusus untuk menghitung nilai yang hilang, yang
dapat membuat data-set lebih akurat dengan mengorbankan waktu komputasi.
Bab 2 Mendefinisikan Tje Peran dari Data 37
Data yang hilang secara berurutan secara signifikan lebih sulit, jika tidak mustahil,
untuk memperbaiki karena Anda tidak memiliki data di sekitarnya yang untuk
mendasarkan segala macam
menebak.Kalaukamubisamenemukanpenyebabnyadariparahilangdata,kamubi
sakadangmerekonstruksiitu.Namun demikian,saatRecon-
structionmenjadimustahil,Anda
dapatPilihlahmelakukanAbaikanlapangan.Sayangnya, beberapa jawaban akan
memerlukanlapangan,manaberertibahwaAnda
mungkinperlumelakukanAbaikan bahwakhususberurutandaridataRecords—
yang berpotensimenyebabkan tidak benaroutput.
Bahkan ketika jenis data dan format yang sama, data lain misalignments dapat
terjadi. Sebagai contoh, kolom dalam satu dataset mungkin tidak cocok dengan
kolom di dataset lainnya. Dalam
tahunsebagiankasus,iniperbedaantidakmudahmelakukanbenar.Salah
satudatasetMeiPerlakukan nama depan dan belakang sebagai satu bidang,
sementara dataset lain mungkin menggunakan kolom terpisah untuk nama depan
dan belakang. Jawabannya adalah untuk mengubah semua dataset untuk
menggunakan satu bidang atau untuk mengubah mereka semua untuk
menggunakan bidang yang terpisah untuk nama depan dan belakang. Sayangnya,
banyak misalignments dalam konten data lebih sulit untuk mengetahui. Bahkan,
sangat mungkin bahwa Anda mungkin tidak dapat mencari mereka sama sekali.
Namun, sebelum Anda menyerah, pertimbangkan solusi potensial ini untuk
masalah:
» Hitung data yang hilang dari data lain yang dapat Anda akses.
» Temukan data yang hilang di dataset lain.
» Menggabungkan dataset untuk membuat keseluruhan yang menyediakan bidang yang konsisten.
» Mengumpulkan data tambahan dari berbagai sumber untuk mengisi data yang hilang.
» Mendefinisikan ulang pertanyaan Anda sehingga Anda tidak lagi memerlukan data yang hilang.
Sebagai bagian dari pembuatan dataset yang Anda perlukan untuk analisis, Anda
membuat salinan dari data asli daripada memodifikasinya. Selalu menjaga data
mentah asli, murni sehingga Anda dapat menggunakannya untuk analisis lain nanti.
Selain itu, menciptakan output data yang tepat untuk analisis dapat memerlukan
sejumlah mencoba karena Anda mungkin menemukan bahwa output tidak
memenuhi kebutuhan Anda. Intinya adalah membuat dataset yang hanya berisi
data yang dibutuhkan untuk analisa, namun perlu diingat bahwa data mungkin
memerlukan jenis pemangkasan spesifik untuk memastikan output yang
diinginkan.
Bagian berikut ini menggunakan kecelakaan mobil sebagai contoh utama untuk
menggambarkan lima jenis mistruths yang dapat muncul dalam data. Konsep
bahwa kecelakaan sedang mencoba untuk menggambarkan mungkin tidak selalu
muncul dalam data dan mereka mungkin muncul dalam cara yang berbeda dari
yang dibahas. Faktanya tetap bahwa Anda biasanya perlu berurusan dengan hal
semacam ini saat melihat data.
Meskipun akan tampak seolah-olah salah komisi yang sama sekali dapat dihindari,
seringkali mereka tidak. Manusia mengatakan "kebohongan putih kecil" untuk
menyelamatkan orang lain malu atau untuk menangani masalah dengan sedikitnya
jumlah usaha pribadi. Terkadang sebuah mis-kebenaran Komisi didasarkan pada
masukan errant atau desas-desus. Faktanya, sumber kesalahan Komisi begitu
banyak sehingga sangat sulit untuk datang dengan skenario di mana seseorang bisa
menghindari mereka sepenuhnya. Semua ini mengatakan, mistruths komisi adalah
salah satu jenis mistruth bahwa seseorang dapat menghindari lebih sering
daripada tidak.
Kelalaian
Mistruths kelalaian adalah orang-orang di mana seseorang mengatakan kebenaran
dalam setiap fakta yang dinyatakan, tetapi daun keluar sebuah fakta penting yang
akan mengubah persepsi sebuah insiden secara keseluruhan. Berpikir lagi tentang
laporan kecelakaan, mengatakan bahwa seseorang menyerang rusa, menyebabkan
kerusakan yang signifikan pada mobil mereka. Dia dengan jujur mengatakan
bahwa jalan itu basah; itu adalah dekat senja sehingga cahaya tidak sebaik
mungkin; Dia sedikit terlambat dalam menekan
rem;danpararusasekadarberlarikeluardarisebuah semak belukaratparaSide
ofparaRoad.Parakesimpulanakanmenjadibahwaparakejadiantidaksekadarsebuah
kecelakaan.
Namun, orang itu telah meninggalkan sebuah fakta penting. Dia texting pada saat
itu. Jika penegakan hukum tahu tentang texting, itu akan mengubah alasan untuk
acci-Dent untuk lalai mengemudi. Pengemudi mungkin didenda dan asuransi
Adjuster akan menggunakan alasan yang berbeda ketika memasuki insiden ke dalam
database.Karenadengan mistruth komisi, data errant yang dihasilkan akan
mengubah cara perusahaan asuransi menyesuaikanpremi.
Perspektif
Mistruths perspektif terjadi ketika beberapa pihak melihat insiden dari mul-tiple
titik pandang. Sebagai contoh, dalam mempertimbangkan kecelakaan yang
melibatkan pejalan kaki menghantam, orang yang mengendarai mobil, orang
mendapatkan dipukul oleh mobil, dan pengamat yang menyaksikan acara itu
semua akan memiliki perspektif yang berbeda.
Perspektif mungkin adalah yang paling berbahaya dari mistruths karena siapa pun
yang mencoba untuk memperoleh kebenaran dalam skenario ini akan, di terbaik,
berakhir dengan rerata dari berbagai cerita, yang akantidak
pernahmenjadisepenuhnyabenar.Sebuahmanusiamelihatparainformasi
dapatbersandardi
atasintuisidannalurimelakukanberpotensimendapatkansebuahlebih
baikpendekatandariparakebenaran, tetapi Ai akan selalu menggunakan hanya rata,
yang berarti bahwa Ai adalahselalupada kerugian yang signifikan. Sayangnya,
menghindari mistruths perspektif adalah mustahil karena tidak peduli berapa
banyak saksi Anda harus acara, yang terbaik yang dapat Anda berharap untuk
mencapai adalah perkiraan kebenaran, bukan kebenaran yang sebenarnya .
Ada juga semacam lain mistruth untuk dipertimbangkan, dan itu salah satu
perspektif. Pikirkan tentang skenario ini: anda adalah orang yang tuli di 1927. Setiap
minggu, Anda pergi ke teater untuk melihat film bisu, dan selama satu jam atau
lebih, Anda merasa seperti orang lain. Anda dapat mengalami film dengan cara
yang sama orang lain tidak; tidak ada perbedaan. Pada bulan Oktober tahun itu,
Anda melihat tanda mengatakan bahwa teater adalah upgrade ke sup-Port sebuah
sistem suara sehingga dapat menampilkan Talkies - film dengan Sound Track.
Tanda mengatakan bahwa itu hal terbaik yang pernah, dan hampir semua orang
tampaknya setuju, kecuali untuk Anda, orang yang tuli, yang sekarang dibuat
merasa seperti warga kelas dua, DIF-ferent dari orang lain dan bahkan cukup
banyak dikecualikan dari teater. Di mata orang yang tuli, tanda itu adalah salah satu
mistruth; menambahkan sebuah sistem suara adalah hal terburuk, bukan hal
terbaik yang mungkin. Intinya adalah bahwa apa yang tampaknya gen-erally benar
sebenarnya tidak benar untuk semua orang. Gagasan tentang kebenaran umum —
satu yang benar bagi semua orang — adalah sebuah mitos. Itu tidak ada.
Masalah dengan bias adalah bahwa hal itu dapat sangat sulit untuk
mengkategorikan. Sebagai contoh, seorang sopir yang gagal untuk melihat rusa
dapat memiliki kecelakaan asli , yang berarti bahwa rusa itu tersembunyi dari
pandangan oleh semak. Namun, pengemudi mungkin juga bersalah karena
mengemudi lalai karena fokus yang salah. Pengemudi mungkin juga mengalami
gangguan sesaat. Singkatnya, fakta bahwa pengemudi tidak melihat rusa tidak
pertanyaan; Sebaliknya, itu soal mengapa pengemudi tidak melihat rusa. Dalam
banyak kasus, mengkonfirmasikan sumber bias menjadi penting ketika
menciptakan sebuah algo-rithm dirancang untuk menghindari sumber bias .
Kerangka acuan
Dari lima mistruths, kerangka acuan tidak perlu sebenarnya hasil dari segala macam
kesalahan, tapi salah satu pemahaman. Sebuah mistruth bingkai-referensi terjadi ketika
salah satu pihak menggambarkan sesuatu, seperti peristiwa seperti kecelakaan, dan
karena pihak kedua tidak memiliki pengalaman dengan acara tersebut, rincian menjadi
kacau atau sepenuhnya disalahpahami. Komedi rutinitas berlimpah yang mengandalkan
frame-of- kesalahan referensi. Salah satu contoh yang terkenal adalah dari Abbott dan
Costello, siapa yang pertama?, seperti yang ditunjukkan
padahttps://www.youtube.com/watch?v=kTcRRaXV-FG. Mendapatkan satu orang
untuk memahami apa yang orang kedua katakan bisa mustahil ketika orang pertama
kurang pengalaman pengetahuan - frame darireferensi.
Contoh lain frame-of-Reference mistruth terjadi ketika salah satu pihak tidak
dapat pos-sibly memahami yang lain. Sebagai contoh, seorang pelaut
mengalami badai di laut. Mungkin itu adalah muson, tetapi asumsikan sejenak
bahwa badai yang substansial -mungkin mengancam nyawa
.Bahkandenganparagunakandarivideo,wawancara,dansebuahSimulator,
Thepengalamandarimenjadiatlautdalam tahunsebuahmengancam
nyawaStormakanmenjadimustahiluntuk
menyampaikanmelakukanseseorangSiapakahbelumdialamiseperti
itusebuahStormpertama kalitangan;bahwaorang tidak memiliki
kerangkareferensi.
Bab 2 Mendefinisikan Tje Peran dari Data 47
Cara terbaik untuk menghindari bingkai-of-Reference mistruths adalah untuk
memastikan bahwa semua pihak yang terlibat dapat mengembangkan frame
yang sama referensi. Untuk menyelesaikan tugas ini, berbagai pihak
memerlukan pengetahuan pengalaman serupa untuk memastikan transfer data
yang akurat dari satu orang ke yang lain.Namun demikian,saatbekerja
samadengansebuahdata-set,manatidaktentudirekam,statikdata,kerangka
acuankesalahanakanmasih terjadisaatparaprospektifpenampil tidak
memilikiparadiharuskanexperientialpengetahuan.
Tentu saja, mencoba mengumpulkan semua data ini dengan tangan akan mustahil,
dimana otomatisasi datang ke dalam bermain.Tampaknya, otomatisasi
akanmenghasilkanandal, berulangable,dankonsistendatamasukan.Namun
demikian,banyakFactordalam tahunMengotomasikandataakuisisidapat
menghasilkan data yang tidak terlalu berguna. Misalnya, pertimbangkan masalah
berikut:
» Sensor hanya dapat mengumpulkan data yang dirancang untuk dikumpulkan, sehingga Anda
mungkin melewatkan data ketika sensor yang digunakan tidak dirancang untuk tujuan
tersebut .
» Orang membuat data errant dalam berbagai cara (Lihat bagian "mengingat lima mistruths
dalam data" bab untukrincian), yang berarti bahwa data yang Anda terima mungkin palsu.
» Data dapat menjadi bias ketika kondisi untuk mengumpulkan salah didefinisikan.
» Menafsirkan data secara tidak benar berarti bahwa hasil juga akan salah.
» Mengubah pertanyaan dunia nyata menjadi algoritme yang dapat dipahami komputer adalah
proses yang rawan kesalahan .
Banyak masalah lain perlu dipertimbangkan (cukup untuk mengisi buku). Ketika
Anda com-bine buruk dikumpulkan, buruk-terbentuk data dengan algoritma yang
tidak sebenarnya menjawab pertanyaan Anda, Anda mendapatkan output yang
sebenarnya dapat memimpin bisnis Anda ke arah yang salah, itulah sebabnya AI
sering disalahkan untuk hasil yang tidak konsisten atau tidak dapat diandalkan.
Bab ke- 3
Mempertimbangkan
penggunaan
dari algoritma
D
ATA adalah pengubah permainan di AI. Kemajuan baru dalam AI
mengisyaratkan bahwa untuk beberapa prob-lems, memilih jumlah data
yang tepat lebih penting daripada algoritma yang tepat. Misalnya, dalam
2001, dua peneliti dari Microsoft, Banko
dan Brill, dalam kertas kenangan mereka "scaling untuk corpora sangat sangat besar
untuk bahasa alam disambiguasi" (http://www.aclweb.org/Anthology/P01- 1005)
menunjukkan bahwa jika Anda ingin komputer untuk membuat model bahasa, Anda tidak
perlu algoritma cerdas di kota. Setelah membuang lebih dari 1.000.000.000 kata dalam
konteks masalah, algoritme apa pun akan mulai tampil dengan sangat baik. Bab ini
membantu Anda memahami hubungan antara algo- rithms dan data yang digunakan untuk
melakukan hal- hal yang bergunabekerja.
Namun, tidak peduli berapa banyak data yang Anda miliki, Anda masih
memerlukan algoritma untuk membuatnya berguna. Selain itu, Anda harus
melakukan analisis data (serangkaian ditentukan langkah), untuk membuat data
bekerja dengan benar dengan algoritma yang dipilih. Anda tidak bisa mengambil
jalan pintas apapun. Meskipun AI adalah otomatisasi cerdas, terkadang otomatisasi
harus mengambil kursi belakang untuk dianalisis. Mesin yang belajar sendiri
berada di masa depan yang jauh. Anda tidak akan menemukan mesin yang tahu apa
Bab 3 Mempertimbangkan Tje Menggunakan dari
Algoritma 39
yang tepat dan dapat sepenuhnya memotong intervensi manusia hari ini. Paruh
kedua bab ini membantu Anda memahami peran sistem ahli, pembelajaran mesin,
pembelajaran mendalam, dan aplikasi seperti AlphaGo dalam membawa
kemungkinan masa depan sedikit lebih dekat dengan kenyataan.
Ini jelas merupakanefek AI, seperti yang disebutkan dan dideskripsikan oleh
Pamela Mccorduck, penulis amerika yang menulis sejarah penting Ai di
1979.ParaAiEffectnegara bagianbahwa program komputer cerdas yang sukses
segera kehilangan pengakuan oleh orang dan menjadi aktor diam, sementara
perhatian bergeser ke masalah Ai yang masih memerlukan resolusi. Orang menjadi
tidak sadar akan pentingnya klasik algo-rithms untuk AI dan mulai berfantasi
tentang AI diciptakan dari teknologi Esoterik atau menyamakan itu untuk kemajuan
terbaru , seperti pembelajaran mesin dan pembelajaran mendalam .
Semua algoritma adalah urutan operasi untuk menemukan solusi yang tepat untuk
prob-lem dalam waktu yang wajar (atau melaporkan kembali jika tidak ada solusi
yang ditemukan). Algoritma AI membedakan diri dari algoritma generik dengan
memecahkan masalah yang reso-lution dianggap biasanya (atau bahkan secara
eksklusif) produk perilaku Intelli-gen manusia. Algoritma AI cenderung menangani
Membangun pohon bekerja sama seperti membangun pohon di dunia fisik. Setiap
item yang Anda tambahkan ke pohon adalah node.Node terhubung satu sama lain
menggunakan link. Combi-Nation dari node dan link membentuk struktur yang
terlihat seperti pohon, seperti yang ditunjukkan pada gambar 3-1.
Pohon memiliki satu simpul akar, sama seperti pohon fisik. Node akar adalah titik
awal untuk pemrosesan yang Anda
lakukan.Terhubungmelakukanparaakartidakbaikrantingatau
daun.SebuahLeafsimpultidaksebuahEndingtitikbagiparaTree.Rantingnodesmenunj
angbaikcabang atau dedaunan lainnya. Jenis pohon yang ditunjukkan pada gambar
3-1 adalah pohon biner karena setiap node memiliki, paling banyak, dua koneksi
(tapi pohon yang mewakili ruang negara dapat memiliki beberapa Cabang).
Dalam melihat pohon, cabang B adalah anak dari simpul akar. Itu karena node root
muncul pertama dalam daftar. Daun E dan daun F adalah anak dari cabang B,
membuat cabang B induk dari daun e dan daun f. Hubungan antara node penting
karena diskusi tentang pohon sering mempertimbangkan anak/orangtua rela-
tionship antara node. Tanpa istilah ini, diskusi tentang pohon bisa menjadi sangat
membingungkan.
Sebuah grafik adalah semacam ekstensi pohon. Seperti pohon, Anda memiliki node
yang terhubung satu sama lain untuk membuat hubungan. Namun, tidak seperti
pohon biner, sebuah Graf node dapat memiliki lebih dari satu atau dua koneksi.
Bahkan, grafik node sering memiliki multi-tude koneksi, dan, yang paling penting,
node dapat terhubung ke segala arah, tidak hanya dari orangtua ke anak. Untuk
menjaga semuanya tetap sederhana, pertimbangkan grafik yang ditunjukkan pada
gambar 3-2.
Grafik adalah struktur yang menyajikan sejumlah node (atau vertexes) yang
dihubungkan oleh sejumlah tepi atau busur (tergantung pada representasi). Ketika
Anda berpikir tentang sebuah grafik, pikirkan tentang sebuah struktur seperti peta,
di mana setiap lokasi pada peta adalah sebuah simpul dan jalan adalah tepinya.
Presentasi ini berbeda dari pohon, di mana setiap jalur berakhir di simpul daun.
Lihat gambar 3-2 untuk melihat grafik yang telah di-pre-sented. Grafik sangat
berguna ketika mencari tahu negara yang mewakili semacam ruang fisik. Misalnya,
GPS menggunakan grafik untuk mewakili tempat dan jalan.
Grafik juga menambahkan beberapa tikungan baru yang mungkin tidak Anda
pertimbangkan. Untuk ujian-PLE, sebuah grafik dapat mencakup konsep
directionality. Tidak seperti pohon, yang memiliki hubungan orangtua/anak, node
grafik dapat terhubung ke node lain dengan arah tertentu dalam pikiran. Pikirkan
tentang jalanan di kota. Sebagian besar jalan adalah bidirec-tional, tetapi beberapa
jalan satu arah yang memungkinkan gerakan hanya dalam satu arah.
Presentasi dari koneksi grafik mungkin tidak benar mencerminkan realitas grafik.
Grafik dapat menetapkan bobot pada koneksi tertentu. Bobot dapat menentukan
jarak antara dua titik, menentukan waktu yang dibutuhkan untuk melintasi rute,
atau memberikan jenis informasi lainnya.
GAMBAR 3-3:
Sekilas
tentang
perkiraan min-Max di
Tic-Tac-Toe
Permainan.
Pendekatan ini disebut perkiraan min-Max. Ronald Rivest, dari laboratorium ilmu
komputer di MIT, diperkenalkan dalam 1987 (Anda dapat membaca makalah di
https://People.CSAIL.MIT.edu/Rivest/pubs/Riv87c.pdf ). Sejak itu, algoritma ini dan variannya
telah didukung banyak game kompetitif, bersama dengan kemajuan game-Playing baru-
baru ini, seperti alphago dari Google deepmind, yang menggunakan pendekatan yang
menggemakan perkiraan min-Max (yang juga ditemukan dalam film WarGames dari
1983).
Bab 3 Mempertimbangkan Tje Menggunakan dari
Algoritma 48
Terkadang Anda mendengar tentang pemangkasan Alfa-Beta sebagai terhubung ke
min-Max approx-Imation. Pemangkasan Alpha-betaadalah cara yang cerdas untuk
menyebarkan nilai sampai pohon hier-Arki di ruang negara kompleks yang
membatasi perhitungan. Tidak semua permainan fitur kompak pohon negara-
Ruang; Ketika cabang Anda dalam jumlah jutaan, Anda perlu untuk memangkas
mereka dan mempersingkat perhitungan Anda.
Checkers, permainan yang relatif sederhana dibandingkan dengan catur atau Go, memiliki
500.000.000.000 (500000000000000000000) kemungkinan papan posisi, nomor yang,
menurut perhitungan oleh matematikawan di Hawaii University, setara dengan semua
butir s pasir di bumi. Itubenar bahwa lebih sedikit bergerak mungkin sebagai
permainandari Checkers berlangsung. Namun jumlah yang berpotensi mengevaluasi pada
setiap langkah terlalu tinggi. Butuh 18 tahun menggunakan komputer yang kuat
(http://sciencenetlinks.com/ Science-News/Sains-update/Checkers-solved/) untuk
menghitung semua 500.000.000.000 miliar kemungkinan bergerak. Coba bayangkan berapa
lama itu bisa mengambil konsumen com- puter untuk bekerja di luar bahkan subset yang
lebih kecil dari bergerak. Untuk dikelola, itu harus menjadi subset yang sangat kecil dari
semua potensi bergerak.
Heuristic adalah menebak tentang solusi, seperti aturan praktis yang menunjuk ke
arah hasil yang diinginkan tetapi tidak bisa tahu persis bagaimana untuk
mencapainya. Ini seperti tersesat di kota yang tidak diketahui dan memiliki orang
1. Mulailah dengan situasi yang ada ( bisa jadi situasi sekarang atau acak atau dikenal
larutan).
Mendaki bukit mengambil inspirasi dari gaya gravitasi. Ini bergantung pada
observa-tion bahwa sebagai bola menggelinding menuruni lembah, dibutuhkan
keturunan yang paling curam. Ketika memanjat bukit, bola cenderung mengambil
arah ke atas yang paling langsung untuk mencapai puncak, yang merupakan satu
dengan kecenderungan terbesar. Masalah AI, oleh karena itu, dipandang sebagai
keturunan ke lembah atau sebagai pendakian ke puncak gunung, dan heuristik
adalah setiap
Istilah simulasi Anil mengambil namanya dari teknik metalurgi, yang memanaskan logam
dan kemudian perlahan-lahan mendingin untuk melunakkan logam untuk bekerja dingin
dan menghilangkan Cacat kristalin (Lihat http://www.brighthubengineering.com/
manufaktur-teknologi/30476-apa-adalah-Heat-Treatment/ untuk rincian).Localpencarian
meniru teknik ini dengan melihat pencarian solusi sebagai atomstruc-Ture bahwa
perubahan untuk meningkatkan workability. Suhu adalah permainan Changer dalam
proses optimasi. Sama seperti suhu tinggi membuat struktur bahan rileks (padatan
mencair dan cairan menguap pada suhu tinggi), sehingga suhu tinggi dalam algoritma
pencarian lokal menginduksi relaksasi tujuan func- tion, memungkinkan untuk pra solusi
yang lebih buruk untuk yang lebih baik. Simulasi Anil memodifikasi prosedur mendaki
bukit, menjaga fungsi objektif untuk solusi tetangga evaluasi, tetapi memungkinkan untuk
menentukan pilihan solusi pencarian dengan cara yang berbeda.
» Satu set besar aturan dan kemungkinan: jumlah kemungkinan penipuan adalah
sangat tinggi; banyak penyakit memiliki gejala yang sama.
» Informasi yang hilang: penipu dapat menyembunyikan informasi; dokter sering mengandalkan
informasi yang tidak lengkap (pemeriksaan mungkin hilang).
Ahli sistem tidak ahli karena mereka mendasarkan pengetahuan mereka pada proses
belajar mereka sendiri, melainkan karena mereka mengumpulkan dari ahli
manusia yang memberikan sistem dicerna informasi kunci yang diambil dari
belajar buku, belajar dari ahli lain, atau menemukan sendiri. Pada dasarnya ini
adalah cara cerdas untuk mengekstersialisasi pengetahuan ke dalam sebuah mesin.
Contoh dari salah satu sistem pertama semacam ini adalah Mycin, sebuah sistem
untuk mendiagnosa penyakit pembekuan darah atau infeksi yang disebabkan oleh
bakteri, seperti bakteria (Bac-Teria menginfeksi darah) dan meningitis (peradangan pada membran
yang pro-dungi
BraindanSpinalkabel).Mycindirekomendasikanparatepatdosisdariantibiotik
dengan menggunakan lebih dari 500 aturan dan itu bergantung, bila diperlukan,
pada dokter menggunakan sistem. Ketika tidak ada informasi yang cukup, misalnya
tes laboratorium yang hilang, MYCIN kemudian memulai dialog konsultatif dengan
mengajukan pertanyaan yang relevan untuk mencapai diagnosis dan terapi yang
percaya diri .
Ditulis dalam LisP sebagai disertasi doktor oleh Edward Shortliffe di Stanford
UNIVER-sitas, MYCIN mengambil alih lima tahun untuk menyelesaikan dan
dilakukan lebih baik daripada dokter Junior, mencapai akurasi diagnosis
ditinggikan dokter yang berpengalaman. Itu berasal dari laboratorium yang sama
yang merancang DENDRAL, sistem ahli pertama yang pernah CRE-ated, beberapa
tahun sebelumnya. DENDRAL, yang mengkhususkan diri dalam kimia organik,
adalah aplikasi yang menantang di mana Brute-Force algoritma terbukti tidak
layak ketika dihadapkan dengan heuristik berbasis manusia yang mengandalkan
Bab 3 Mempertimbangkan Tje Menggunakan dari
Algoritma 56
pengalaman lapangan.
Umumnya, sistem ahli dari waktu itu terbuat dari dua komponen yang berbeda:
basis pengetahuan dan mesin inferensi. Basis pengetahuan mempertahankan
pengetahuan sebagai kumpulan aturan dalam bentuk pernyataan if-Then (dengan
jika melibatkan satu atau Mul-tiple kondisi dan kemudian melibatkan pernyataan
kesimpulan). Pernyataan ini terjadi dalam bentuk simbolis, membedakan antara
instance, (peristiwa tunggal atau fakta), kelas, dan subkelas, yang semuanya bisa
dimanipulasi dengan menggunakan logika Boolean atau logika orde pertama yang
canggih, yang terdiri dari lebih banyak kemungkinan operasi .
Pertama-Orde logika adalah seperangkat operasi yang melampaui hanya terikat untuk
menggabungkan pernyataan benar dan palsu. Sebagai contoh, ia memperkenalkan konsep
seperti untuk semua atau ada ada, memungkinkan Anda untuk menangani pernyataan
yang mungkin benar, tetapi tidak dapat dibuktikan dengan bukti yang Anda miliki di
tangan pada saat itu. Anda dapat membaca dan menemukan lebih banyak tentang bentuk
logika ini mulai dari artikel ini: http:// whatis.techtarget.com/Definition/First-
order-Logic.
Karena sistem ini dibuat pada inti dari serangkaian IFS (kondisi) dan thens
(kesimpulan), dan bersarang dan terstruktur dalam lapisan, memperoleh Informa-
awal membantu mengesampingkan beberapa kesimpulan sementara juga
membantu sistem berinteraksi dengan pengguna mengenai informasi yang dapat
menyebabkan jawaban. Ketika berhadapan dengan mesin inferensi, operasi umum
oleh sistem ahli adalah sebagai berikut:
» Teruskan chaining: bukti yang tersedia memicu serangkaian aturan dan dikecualikan
orang lain pada setiap tahapan.Parasistemnyaawalnyaterkonsentrasidi
atasperaturanbahwabisapemicusebuahakhirkesimpulandenganpenembakan.IniApproachtid
akjelasdatadidorong.
» Backward chaining: sistem mengevaluasi setiap kesimpulan yang mungkin dan mencoba
untuk membuktikan masing-masing atas dasarbuktitersedia.Ini
pendekatan berbasis sasaran membantu menentukan pertanyaan mana yang
harus diajukan dan mengecualikan seluruh kumpulan
sasaran.Mycindigunakanbackwardchaining;majudarihipotesisbackwardmelakukanbuktitidakseb
uahumum terjadiStrategydalam tahunpengobatandiagnosis.
» Resolusi konflik : jika sistem mencapai lebih dari satu kesimpulan pada saat yang
Bab 3 Mempertimbangkan Tje Menggunakan dari
Algoritma 58
sama , bantuan sistem kesimpulan yang memiliki karakteristik tertentu (dalam hal dampak,
risiko, atau faktor lain
).KadangparasistemnyaberkonsultasiparapenggunadanparaResolutiontidakterwujudberpusatdi
ataspenggunaevaluasi.Bagiinstance,MycindigunakansebuahkepastianFactorbahwataksiranpa
raprobabilitasdaridiagnosisketepatan.
» Logika dan simbolisme dari sistem tersebut terbukti terbatas dalam mengekspresikan aturan
di balik keputusan, mengarah ke penciptaan sistem kustom , yaitu , jatuh kembali lagi
pada aturan pengkodean keras dengan algoritme klasik.
» Untuk banyak masalah yang menantang, sistem ahli menjadi begitu kompleks dan
rumit bahwa mereka kehilangan daya tarik mereka dalam hal kelayakan dan biaya ekonomi.
» Karena data menjadi lebih menyebar dan tersedia, itu membuat sedikit akal untuk berjuang
untukcermat wawancara, mengumpulkan,danpengetahuan ahli yang masih langka saatparasama
seperti(atau bahkan lebih baik)pengetahuanbisamenjadidiayakdaridata.
Sistem ahli masih ada. Anda dapat menemukan mereka digunakan dalam penilaian
kredit, pelepasan penipuan, dan bidang lain dengan keharusan untuk tidak hanya
memberikan jawaban tetapi juga jelas dan transparan menyatakan aturan di balik
keputusan dengan cara yang dianggap pengguna sistem diterima (sebagai ahli
subjek akan dilakukan).
Go adalah permainan yang sangat kompleks untuk AI. Catur memiliki 35 yang mungkin
bergerak untuk mengevaluasi di papan, dan permainan biasanya mencakup lebih dari 80
bergerak, sementara permainan Go memiliki sekitar 140 bergerak untuk mengevaluasi,
dan permainan biasanya mencakup lebih dari 240 bergerak. Tidak ada kekuatan
komputasi saat ini ada di dunia untuk menciptakan negara-ruang lengkap untuk
permainan Go. Tim DeepMind Google di London mengembangkan AlphaGo, sebuah
program yang telah mengalahkan sejumlah pemain Go peringkat atas (lihat
https://deepmind.com/Research/alphago/). Program ini tidak bergantung pada
pendekatan algoritmik yang didasarkan pada pencarian sebuah State-space yang sangat
besar, melainkan menggunakan yang berikut ini:
» Sebuah kemampuan untuk belajar dengan melihat game masa lalu oleh para ahli Go dan
bermain melawan dirinya sendiri, seperti yang dilakukan WOPR dalam film 1983 WarGames
.SebuahRecentversidariprogram, yang disebut AlphaGo Zero,bisaPelajariAll olehitu sendiri,
tanpasetiapcontoh manusia (lihat https://deepmind.com/blog/alphago-Zero-Learning-
Scratch/).Inipembelajarankemampuantidakdisebutpenguatanbelajar.
Bab ke- 4
Perintis hardware khusus
I
n Bab 1, Anda menemukan bahwa salah satu alasan untuk kegagalan awal Ai Upaya
Adalah a Kekurangan dari Cocok Hardware. Tje Hardware Hanya Tidak Melakukan
Tugas Cepat Cukup Untuk Bahkan Biasa Kebutuhan Banyak Kurang Sesuatu Sebagai
Kompleks Sebagai simulasi pikiran manusia. Masalah ini dijelaskan dengan panjang Tje
Bergerak Imitasi Permainan (https://www.amazon.com/exec/obidos/ASIN/B00RY86HSU/
datacservip0f-20/), In Yang Alan Turing Akhirnya Retak Tje Enigma Kode Oleh
dengan cerdik mencari frasa tertentu, "Heil Hitler," di setiap Pesan. Tanpa yang cacat
tertentu dalam cara yang operator menggunakan Enigma, komputer Peralatan Yang
Turing Digunakan Akan Pernah Hve Bekerja Cepat Cukup Untuk Memecahkan Tje
masalah (dan bergerak tidak memiliki sejumlah kecil mengeluh tentang masalah). Jika
setiap Hal Tje Sejarah Account — Apa Sedikit dari Itu adalah Sepenuhnya
dideklasifikasi — Menunjukkan Yang Masalah Turing lebih mendalam daripada film yang
diungkapkan (Lihat https:// www.scienceabc.com/innovation/cracking-the-uncrackable-
how-did-alan- Turing-and-His-Team-Crack-The-Enigma-Code. html Untuk rincian). Untungnya
Standar Rak Hardware Dapat Mengatasi Tje Kecepatan Masalah Untuk Banyak
masalah hari ini, yang mana bab ini dimulai.
Untuk benar mulai untuk mensimulasikan pikiran manusia memerlukan perangkat keras
khusus, dan bahkan yang terbaik perangkat keras khusus tidak sampai tugas hari ini.
Hampir semua perangkat keras standar bergantung pada arsitektur von Neumann
(http://www.c-Jump.com/CIS77/ CPU/VonNeumann/Lecture.html), yang
memisahkan memori dari komputasi, CRE- Ating indah lingkungan pengolahan generik yang
hanya tidak bekerja dengan baik
Bahwa PC menjadi lebih mampu tidak mengubah fakta penting Architec-Ture. Jadi, PC yang
Anda gunakan saat ini memiliki arsitektur yang sama dengan perangkat yang dibuat sejak
lama; mereka hanya lebih mampu. Selain itu, faktor bentuk perangkat tidak
mempengaruhi arsitekturnya, baik. Komputer di mobil Anda bergantung pada sistem bus
untuk konektivitas yang secara langsung bergantung pada arsitektur von Neumann.
(Bahkan jika jenis bus berbeda, arsitekturnya sama.) Jangan sampai Anda berpikir
perangkat apapun tetap tidak terpengaruh, lihat diagram blok untuk BlackBerry di http://
mobilesaudi.blogspot.com/2011/10/All-BlackBerry-Schematic-Complete.HTML. Itu,juga,
bergantung pada konfigurasi von Neumann. Akibatnya, hampir setiap perangkat Anda
dapat memahami hari ini memiliki arsitektur yang sama, meskipun memiliki faktor bentuk
yang berbeda, jenis bus , dan kemampuan penting .
» Von Neumann bottleneck: dari semua kekurangan, yang von Neumann botol- leher
adalah yang palingSerioussaatmempertimbangkanparapersyaratandaridisiplinseperti
itukarenaAI,mesinLearning,danbahkandatailmu pengetahuan.Kamubisamenemukaniniparticu-
Lardefisiensidibahasdalam tahunlebih banyakterperincidalam tahunpara"MengingatparaVon
Yang "sangat cocok untuk..." Bagian,belakangandalam tahuninibab ini.
» Titik tunggal kegagalan: setiap kehilangan konektivitas dengan bus tentu berarti
bahwaComputergagalsegera,agakdari sekadaranggun.Bahkandalam
sistemdenganbanyakprosesor,pararugidarisebuahSingleproses,manaseharusnya
hanyamenghasilkansebuahrugidarikemampuan,malahmenimbulkanlengkapsistemnyakegaga
lan.Parasama
sepertiproblemterjadidenganpararugidarilainnyasistemnyakomponen:Malahdarimengurangi
fungsi,paraseluruhsistemnyagagal.DiberikanbahwaAikerap kalimensyaratkanterus
menerussistemnyaoperasi,parapotensialbagiSeriouskonsekuensimeningkatdenganparam
annerdalam tahunmanasebuahaplikasinyabergantungdi atasparaperangkat keras.
» Tasking: ketika otak melakukan tugas, sejumlah api sinapsis pada satu waktu,
memungkinkan eksekusi simultan dari beberapa operasi.ParaorisinalVon Yang
berdesaindiperbolehkanhanya sajasalah satuoperasinyaatsebuahwaktu,danhanya
sajasetelahsistemdiambilkeduaparadiharuskaninstruksidandata.Computershari ini
biasanyamemilikibanyakCores,manaIzinkanserentakExecutiondariOpera-tionsdalam
tahuntiapinti.Namun demikian,aplikasinyakode etikmestisecara
khususAddressinipersyaratan,begituparafungsionalitasnyakerap kalitetap berada tidak
terpakai.
Mikrokontroler, seperti yang kekuatan microwave Anda , sering menggunakan arsitektur Harvard
.Dalam tahunSelain itu,kamumungkinmenemukaniadalam
tahunsebagianUnusualtempatbagisebuahspesifikalasannya.ParaiPhonedanXbox360keduagunakandimodifikas
iVersionsdariparaHarvardArsitekturbahwabersandardi atassebuahSingleingatanarea(bukan
dua),tetapimasihbersandardi atasPisahkanbus.Paraalasannyabagimenggunakanparaarsitekturdalam
tahuninikasustidakDigitalHak asasiManajemennya(DRM).Kamubisamembuatparakode
etikareadariingatanbaca-sajabegitubahwatidak adasalah
satubisamodifikasiiaatauciptakanbaruaplikasitanpa
harusizin.DarisebuahAiperspektif,inibisamenjadibermasalahkarenasalah
satudarisebuahAi'scapabilitiestidakmelakukantulislahbarualgoritme( kode dapat dieksekusi)
karenadibutuhkanmelakukankesepakatandengantak terduga
situasi.KarenaPcsjarangmengimplementasikansebuahArsitektur Harvarddalam
tahunyangPurebentukataukarenayangutamabiskonstruksi,paraHarvardArsitekturBukankahterimabanyakpe
rhatiandalam tahuninibuku.
Meskipun beberapa sumber menyiratkan bahwa Alan bekerja sendirian, bombe Pro- sakramen
denganparamembantudaribanyakorang,paling banyakkhususnyaGordonWelchman.Turingjuga
tidakmusim
semidarisebuahvakum,ReadydibuatmelakukanBreakGermanenkripsi.NyawaktuatPrincetonmenjadimelua
ngkan waktudenganhebatsepertiAlbertEinsteindanJohnvon Yang (siapa yang akan pergi untuk menciptakan
konsep perangkat lunak komputer).ParamakalahTuringmenulisInspiredinilainnyapara
ilmuwanmelakukanbereksperimendanmelihatapa yangtidakdimungkinkan.
Perangkat keras khusus dari segala macam akan terus muncul selama para ilmuwan menulis
makalah, memantul ide dari satu sama lain, menciptakan gagasan baru mereka sendiri, dan
bereksperimen.SaatkamumelihatMoviesataulainnyamedia, dengan asumsibahwamereka sedang
secara historisAccurateatsekali,TidakkahTinggalkandenganparaperasaanbahwainioranghanya
sajaterbangunnaiksalah satupagi,memproklamirkan,"Hari iniSayaakanmenjadi sangat bagus
"danpergidi atasmelakukanmelakukansesuatumenakjubkan.SemuanyaBuilddi
atassesuatulain,begitusejarahtidakpentingkarenaiamembantumenunjukkanparajalurdiikutidanmeneran
gilainnyamenjanjikanPaths— yang orang-belumdiikuti.
Dalam alasan, Anda dapat mengatasi beberapa masalah yang melingkupi von
Neumann kemacetan dan menghasilkan kecil, tapi terlihat, peningkatan kecepatan
aplikasi. Berikut adalah solusi yang paling umum:
» Caching: ketika masalah dengan mendapatkan data dari memori cukup cepat dengan
von Neumann Arsitektur menjadi jelas, vendor perangkat keras dengan cepat merespon
dengan menambahkan memori lokal yang tidak memerlukan akses bus
.IniingatanmunculExternalmelakukanparaprosesortetapikarenaBagiandariparaprosesor
Package.Berkecepatan tinggitemboloktidakmahal,Namun
demikian,begitutemboloksizescenderung
menjadi kecil.
» Caching prosesor: Sayangnya, cache eksternal masih tidak memberikan kecepatan yang
cukup.BahkanmenggunakanparatercepatRAMtersediadanCuttingkeluarparabisakses
sepenuhnyaBukankahtemuiparaProcessingkapasitasnyakebutuhandariparaprosesor.
Akibatnya, vendor mulai menambahkan memori internal — sebuah cache lebih kecil
dari cache eksternal , tetapi dengan akses yang lebih cepat karena itu adalah Bagian
dariprosesor.
» Prefetching: masalah dengan cache adalah bahwa mereka terbukti berguna hanya ketika
mereka mengandungmengoreksidata.Sayangnya,tembolokhitsbuktikanrendahdalam
tahunapplica-
tionsbahwagunakansebuahbanyakdaridatadanberperformasebuahWideragamdariTasks.Pa
raberikutnyamelangkahdalam tahunmembuatpemroseskerjalebih
cepattidakmelakukanmenebakmanadataparaaplikasinyaakanmewajibkanberikutnyadanm
uatiake dalamtemboloksebelumparaaplikasinyamensyaratkanitu.
Mendefinisikan GPU
Maksud asli dari Graphics Processing Unit (GPU) adalah untuk memproses data
gambar dengan cepat dan kemudian menampilkan gambar yang dihasilkan di
layar. Selama fase awal dari evolusi PC, CPU melakukan semua pengolahan, yang
berarti bahwa grafis bisa muncul perlahan-lahan sementara CPU melakukan tugas
lain. Selama waktu ini, PC biasanya dilengkapi dengan adapter tampilan , yang berisi
sedikit atau tidak ada daya proses-ing. Semua Adapter tampilan adalah untuk
mengubah data komputer menjadi bentuk visual. Bahkan, hanya menggunakan
satu prosesor terbukti hampir tidak bisa dilakukan setelah PC bergerak melewati
menampilkan hanya teks, atau sangat sederhana 16-warna grafis. Namun, GPU
tidak membuat banyak terobosan dalam komputasi sampai orang mulai
menginginkan output 3-D. Pada titik ini, kombinasi dari CPU dan Adapter tampilan
hanya tidak bisa melakukan pekerjaan.
Langkah pertama dalam arah ini adalah sistem seperti Hauppauge 4860
(http://www.geekdot.com/Hauppauge-4860/), yang mencakup CPU dan sebuah SPE-
cial chip grafis (80860, dalam hal ini) pada motherboard. 80860 memiliki keuntungan
dalam melakukan perhitungan sangat cepat (Lihat http://www.cpu-
World.com/CPUs/80860/index.html untuk rincian). Sayangnya, ini Multipro- cessor,
sistem asinkron tidak cukup memenuhi harapan bahwa orang telah untuk mereka
(meskipun mereka sangat cepat untuk sistem waktu) dan mereka terbukti sangat mahal.
Plus, ada seluruh masalah menulis applica- tions yang mencakup kedua (atau berikutnya)
chip. Dua chip juga berbagi memori ( yang ada banyak untuk sistem ini ).
Di sisi lain, Bryan Catanzaro (tim peneliti NVidia) dan Andrew ng (Stanford) mampu
meniru karya Google menggunakan satu set 12 NVidia GPU (Lihat
https://Blogs.NVIDIA.com/blog/2016/01/12/Accelerating-Ai-Artificial- Intelijen-GPUs/
untuk rincian).SetelahorangdimengertibahwaGPUsbisamengganti sejumlah sistem
komputer yang penuh dengan CPU, mereka bisa mulai bergerak maju dengan berbagai
proyek AI. Pada 2012, Alex Krizhevsky (Toronto University) memenangkan ImageNet
kompetisi pengenalan gambar komputer menggunakan GPU. Bahkan, sejumlah peneliti
sekarang telah menggunakan GPU dengan sukses luar biasa (Lihat artikel di
https://adeshpande3.GitHub.io/The-9-Deep-Learning-Papers-you-need- to-know-about.
html untuk rincian).
Proyek SyNAPSE bergerak maju. IBM membangun sistem yang lebih kecil dengan
menggunakan teknologi mod- Ern yang sangat cepat dan hemat daya (Lihat
http://www.Research.IBM.com/Cognitive-Computing/neurosynaptic-chips.shtml). Satu-satunya
masalah adalah bahwa tidak ada orang yang membeli mereka. Sama seperti banyak orang
akan berpendapat bahwa Betamax adalah cara yang lebih baik untuk menyimpan data dari
VHS, VHS memenangkan biaya, kemudahan penggunaan, dan fitur menarik (Lihat
https://Gizmodo.com/Betamax-vs-VHS- Bagaimana-Sony-hilang-The-asli-rumah-
video-1591900374). Hal yang sama berlaku untuk IBM synapse menawarkan, TrueNorth.
Mencoba untuk menemukan orang yang bersedia membayar harga yang lebih tinggi,
programer yang dapat mengembangkan perangkat lunak dengan menggunakan arsitektur
baru, dan produk yang benar-benar manfaat dari chip telah keras. Akibatnya, kombinasi
CPU dan GPU, bahkan dengan sifat lemah yang melekat , terus menang .
Akhirnya, seseorang mungkin akan membangun sebuah chip yang lebih mirip Bio- Logic
setara dengan otak. Sistem saat ini mungkin akan menjadi tidak mampu menghasilkan
peningkatan yang diinginkan dalam daya komputasi. Pada kenyataannya, perusahaan
seperti Google bekerja pada alternatif seperti tensor processing unit (TPU), yang
sebenarnya melihat digunakan dalam aplikasi seperti Google Search, Street View, Google
foto, dan Google Translate https://Cloud.Google.com/blog/Big-
(Lihat
data/2017/05/an-in-mendalam-Look-at-Googles-pertama-tensor-Processing- unit-TPU).
Karena Anda sekarang memiliki teknologi yang digunakan untuk aplikasi skala besar yang
sebenarnya, beberapa orang juga membeli chip, beberapa programmer tahu bagaimana
menulis aplikasi untuk mereka, dan produk menarik ada yang menuntut orang. Tidak
seperti SyNAPSE, TPU juga mengandalkan teknologi aplikasi khusus terpadu Circuit (ASIC)
yang dipahami dengan baik yang telah terlihat digunakan dalam berbagai applica-tions,
jadi apa yang sebenarnya dilakukan Google adalah repurpose teknologi yang ada.
Akibatnya, kemungkinan semacam ini chip berhasil di pasar jauh lebih tinggi daripada
sesuatu seperti sinaps, yang bergantung pada teknologi yang sama sekali baru .
» Bidang Programmable Gate array (fpgas): seperti dengan ASIC, vendor gener- sekutu
kerajinan a FPGA untuk tujuan tertentu .Namun
demikian,berlawananmelakukansebuahASIC,kamubisaprogramsebuah Di bawah ini
melakukanmerubahyangmendasarifungsionalitas.SebuahcontohdarisebuahFPGA
solusitidakMicrosoft ' s Gelombang otak,manatidakdigunakanbagipembelajaran
mendalamProjects
(Lihat https://TechCrunch.com/2017/08/22/Microsoft-Brainwave-AIMS -to-
mempercepat-Deep-Learning-dengan-FPGA/ untuk rincian).
Pertempuran antara ASICs dan FPGA berjanji untuk memanas, dengan AI pengembang
muncul sebagai pemenang. Untuk saat ini, Microsoft dan FPGA tampaknya telah
mengambil memimpin (Lihat artikel di https://www.Forbes.com/Sites/
moorinsights/2017/08/28/Microsoft-FPGA-Wins-versus-Google-tpus-for-
Ai/#6448980d3904). Intinya adalah bahwa teknologi adalah cairan, dan Anda harus
mengharapkan untuk melihat perkembangan baru .
Vendor juga bekerja pada jenis pemrosesan yang sama sekali baru, yang mungkin atau
mungkin tidak bekerja seperti yang diharapkan. Sebagai contoh, Graphcore bekerja pada
sebuah unit pengolah intelijen (IPU), seperti yang dijelaskan di
https://www.PRNewswire.com/News- Release/Sequoia-Backs-graphcore-AS-
The-masa depan-dari-buatan- Intelligence-Processors-300554316.
html.KamumemilikimelakukanmengambilparaBeritadariiniprosesor baru dengan butiran
garam diberikan hype yang telah mengelilingi Indus-Try di masa lalu. Ketika Anda melihat
aplikasi nyata dari perusahaan besar seperti Google dan Microsoft, Anda dapat mulai
merasa sedikit lebih yakin tentang masa depan teknologi yang terlibat.
Penggunaan data statis dan dinamis yang disaring memungkinkan AI berinteraksi dengan
manusia dengan cara tertentu saat ini. Sebagai contoh, pertimbangkan Alexa
(https://www.Amazon.com/ Amazon-Echo-dan-Alexa-Devices/b? node = 9818047011),
perangkat Amazon yang tampaknya mendengar Anda dan kemudian mengatakan sesuatu
kembali. Meskipun Alexa sebenarnya tidak mengerti apa-apa yang Anda katakan,
munculnya komunikasi cukup adiktif dan mendorong orang untuk antropomorphize
perangkat ini. Untuk melakukan tugasnya sama sekali, Alexa memerlukan akses ke sensor
khusus: mikrofon yang memungkinkannya untuk didengar. Sebenarnya, Alexa memiliki
sejumlah mikrofon untuk membantu mendengar cukup baikuntuk memberikan ilusi
pemahaman. Sayangnya, secanggih Alexa adalah, itu tidak bisa melihat, merasakan,
menyentuh, atau merasakan apa pun, yang membuatnya jauh dari manusia bahkan dengan
cara terkecil .
Dalam beberapa kasus, manusia sebenarnya ingin AI mereka memiliki indra unggul
atau berbeda. Sebuah AI yang mendeteksi gerak di malam hari dan bereaksi
terhadap itu mungkin bergantung pada inframerah daripada penglihatan normal.
Faktanya, penggunaan Indra alternatif adalah salah satu penggunaan yang valid
untuk AI hari ini. Kemampuan untuk bekerja dalam lingkungan yang orang tidak
dapat bekerja di adalah salah satu alasan bahwa beberapa jenis robot telah menjadi
begitu populer, tetapi bekerja di lingkungan ini sering memerlukan seperangkat
sensor bukan. Akibatnya , topik sensor sebenarnya jatuh ke dalam dua kategori
(tidak satupun yang sepenuhnya didefinisikan): manusia-seperti sensor dan
sensor lingkungan alternatif .
Interaksi fisik juga meningkat. Robot yang bekerja di lini perakitan adalah
topi tua, tetapi mempertimbangkan efek dari robot yang dapat
mengemudi. Ini adalah penggunaan yang lebih besar dari interaksi fisik.
Pertimbangkan BABjuga bahwa
KE 4 AI Khusus
Perintis dapat bereaksi
Hardware dengan cara yang lebih72
kecil. Hugh Herr, misalnya, menggunakan AI untuk memberikan
interaksi dengan kaki cerdas (Lihat
https://www.smithsonianmag.com/Innovation/Future -Robotic-Legs-
180953040/ untuk rincian). Kaki yang dinamis ini memberikan
pengganti yang unggul bagi orang yang telah kehilangan kaki nyata
mereka. Daripada statis semacam umpan balik bahwa manusia mendapat
dari standar prostetik, ini kaki dinamis sebenarnya menyediakan jenis
umpan balik aktif bahwa manusia digunakan untuk mendapatkan dari
kaki nyata. Misalnya, jumlah Pushback dari kaki berbeda ketika berjalan
menanjak daripada berjalan menuruni bukit. Demikian pula, menavigasi
trotoar memerlukan jumlah yang berbeda dari Pushback dari menavigasi
sebuah langkah.