Donderdag, Google en Computer History Museum (CHM) Uitgave De broncode voor AlexnettDe convolutie van het Convolutional Neural Network (CNN) dat veel prestaties in 2012 veel prestaties bewijzen dat “diep onderwijs” dingen kan bereiken die geen conventionele AI -strategieën kunnen bereiken.
Diep leren, dat neurale netwerken op meerdere niveaus gebruikt die kunnen leren van gegevens zonder duidelijke programmering, presenteert een belangrijke exit van het traditionele integrale AI-systeem, afhankelijk van de regels en functies.
Python -code, nu beschikbaar in CHM – Githab Als open source software geven AI -enthousiastelingen en onderzoekers een glimp van de originele momenten in de geschiedenis van de computer. Alexnett werkte als een water dat in AlexNet is -moment in Alexnet, omdat het objecten goed kan detecteren in foto’s met een ongekende nauwkeurigheid – het beeld correct categoriseren in een van de 1000 categorieën zoals “Strawberries,” School Bus, “of” Golden Retrever “is aanzienlijk minder defect dan de vorige systemen.
Het testen van de Alexonate -code, zoals het motorplan van het oorspronkelijke Enac -circuit of Babbage, kan toekomstige historici inzicht geven hoe een relatief eenvoudige implementatie een technologie aanmoedigt die onze wereld weergeeft. Hoewel diep leren de vooruitgang in de gezondheidszorg, wetenschappelijk onderzoek en toegankelijkheidsapparatuur heeft mogelijk gemaakt, heeft het ook geholpen bij de ontwikkeling van dipfakes, automatische surveillance en de mogelijkheid van een bredere verplaatsing van werkzaamheden.
In 2002 voelden deze negatieve gevolgen echter nog steeds als een verre Sai-Fi-droom. In plaats daarvan waren experts gewoon verrast dat een computer eindelijk beelden kon detecteren met de dichtstbijzijnde menselijke nauwkeurigheid.
Om te leren kijken naar de computer
CHM legde zo’n detail uit als BlogberichtAlexnett is afkomstig van het werk van het afstuderen van studenten aan de Universiteit van Toronto Alex Crizhavevsky En EliaiaMet hun consultant Jeffrey HintonHet project heeft bewezen dat de traditionele methoden voor de traditionele computer vision van diepgaande leren kunnen overschrijden.
Het Neural Network 2012 heeft de beeldcompetitie gewonnen die objecten in foto’s herkent in plaats van een eerdere aanpak. Ian Lakun, een veteraan van Computer Vision, die deelnam aan de presentatie in Florence in Italië, erkende het belang ervan voor het veld, hij stond na het presenteren en noemen van Alexnette “een dubbelzinnig keerpunt in de geschiedenis van computer vision”. Zoals de ARS in november gedetailleerd beschrijft, heeft Alexnette de transformatie van drie kritische technologieën geïdentificeerd die de moderne AI zullen definiëren.
