collaboration
8.1K views | +1 today
Follow
Your new post is loading...
Scooped by Pál Kerékfy
Scoop.it!

Valóban mesterséges intelligencia?

Valóban mesterséges intelligencia? | collaboration | Scoop.it
The definition of artificial intelligence is constantly evolving, and the term often gets mangled, so we are here to help.

In the broadest sense, AI refers to machines that can learn, reason, and act for themselves. They can make their own decisions when faced with new situations, in the same way that humans and animals can.

Pál Kerékfy's insight:

Nagyon hasznos folyamatábrában foglalta össze az MIT Technology Review újságírója a mesterséges intelligenciát.

Kicsit nehezen olvasható a kézzel írt szöveg, ezért leírom az érdekes végpontok szövegét:

  • Cool, it’s using computer vision & image processing
  • That’s natural language processing (NLP) at work
  • Cool, it’s using speech recognition
  • OK, it’s a smart bot
  • Neat, that’s machine learning

 

Mik voltak a fontos kérdések az elágazási pontoknál?

  • Felismeri, amit lát?
  • Hasznos, értelmes módon reagál a hallottakra?
  • Hasznos, értelmes módon reagál az olvasottakra?
  • Elemzi a szöveget?
  • Annak alapján mozog, amit lát és hall?
  • A nagy adattömegben talált minták alapján dönt?

 

#MIT #MIT_Technology_Review #machinelearning #machine_learning #AI #artificial_intelligence #NLP #natural_language_processing #computer_vision #speech_recognition #smart #robot

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Tönkreteszik az okos gépek a tudományos kutatást?

Tönkreteszik az okos gépek a tudományos kutatást? | collaboration | Scoop.it
Techniques used to analyse data are producing misleading and often wrong results, critics say.

A growing amount of scientific research involves using machine learning software to analyse data that has already been collected. This happens across many subject areas ranging from biomedical research to astronomy. The data sets are very large and expensive.

But, according to Dr Allen, the answers they come up with are likely to be inaccurate or wrong because the software is identifying patterns that exist only in that data set and not the real world.

Pál Kerékfy's insight:

Egyre több, és egyre drágább adat kell a tudományos kutatásokhoz. A rengeteg adatot “okos” gép, mesterséges intelligencia dolgozza fel, elemzi. Ez sok fontos problémát okozhat.

 

Az egyik legfontosabb a kísérlet megismételhetősége. Ez alapelve (lenne) minden tudományos kutatásnak. Fontos, hogy a vizsgálatot mások is meg tudják ismételni. Ez az egyetlen valódi ellenőrzési módszere a tudományos eredményeknek. Amit nem lehet megismételni, az tudományos értelemben nem is létezik; nem tudjuk, hogy nem tévedés-e, vagy nem hamisítás-e. Ehhez kapcsolódóan állítja egy elemzés, hogy az orvosbiológiai kutatások 85%-a elvesztegetett pénz és idő.

 

A tanuló algoritmusok feladata az, hogy jelenségeket, mintázatokat fedezzenek fel óriási adathalmazokban. És fel is fognak fedezni valamit, ha már ezt a feladatot kapták! Vajon ez valódi tudományos eredmény? Olyan, amit más nagy adathalmazok is igazolni fognak, vagy csak ennek a halmaznak egy sajátossága? Megismételhető a kutatás ugyanezzel az eredménnyel? A szerző szerint általában nem.

 

Az AAAS (American Association for the Advancement of Science) konferenciáján dr. Genevera Allen (Rice University, Houston) beszélt erről a problémáról.

 

Tagja egy orvosbiológiai kutatócsoportnak, ami a gépi tanulás és a statisztika olyan új módszerét akarja kifejleszteni, ami segít a fenti problémák kezelésében. Az a cél, hogy az algoritmus értékelje az eredmény megbízhatóságát és a kutatás megismételhetőségét.

 

Érdekes és fontos cél! Ha megvalósul, magasabb szintre emeli a gépi tanulást. A gép egyben ellenőrizni is tudja majd magát.

Mostanában egyre többször vádolják elfogultsággal az okos gépet, pedig csak az általa felhasznált adatokra támaszkodik – azokban van téves (elfogult) kép.

 

Ez a törekvés összhangban van azzal a nemrég megfogalmazott igénnyel is, hogy legyen érthető a mesterséges intelligencia működése, magyarázza el, hogy mit, miért, hogyan csinál (explainable artificial intelligence, XAI).

 

#AAAS #BBC #science #AI #artificialintelligence #science_crisis #ML #machinelearning

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Kezd elbonyolódni a modell!

Kezd elbonyolódni a modell! | collaboration | Scoop.it

Our machines speak a different language now, one that even the best coders can't fully understand.

If in the old view programmers were like gods, authoring the laws that govern computer systems, now they're like parents or dog trainers. And as any parent or dog owner can tell you, that is a much more mysterious relationship to find yourself in.

Pál Kerékfy's insight:

Valamikor az emberi elme volt a kiismerhetetlen “fekete doboz”. Később a tudósok megpróbáltak működési szabályokat, algoritmusokat találni a magyarázatára és a megismerésére. Erre a számítógépek, a programok ösztönözték őket. Hátha az agy is úgy működik, mint egy számítógép!

 

Most meg ott tartunk, hogy a jövőnek kikiáltott gépek neurális hálókból állnak. Ezek a hálók viszont pont olyan kiismerhetetlenek, mint az emberi agy!

 

Láttunk már arra példákat, hogy a kiváló szakértő sem érti meg a számítógép lépéseit: Intelligens félelem

 

Mi a következő lépés?

 

#AI #artificial_intelligence #machine_learning #artificialintelligence #machinelearning #programming #neural_network #neuralnetwork

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Programozás (kódolás) vs. tanítás

Programozás (kódolás) vs. tanítás | collaboration | Scoop.it

With machine learning, programmers don't encode computers with instructions. They train them. If you want to teach a neural network to recognize a cat, for instance, you don't tell it to look for whiskers, ears, fur, and eyes. You simply show it thousands and thousands of photos of cats, and eventually it works things out. If it keeps misclassifying foxes as cats, you don't rewrite the code. You just keep coaching it.

Pál Kerékfy's insight:

Szemléletesen mutatja be a különbséget a hagyományos programozás (kódolás) és az “okos” gép tanítása között. Ismerős, ugye? A gyereknek se úgy tanítjuk meg a macska felismerését, hogy a bajuszáról, a füléről, a szőréről vagy a szeméről beszélünk neki. Egyszerűen csak azt mondjuk egy macskára, hogy “macska” (esetleg “cica”), és a gyerek gyorsan megtanulja. Mire elkezd beszélni, egész biztos nem keveri össze a macskát a kutyával vagy a rókával. Nincs is szükség sok ezer különböző macskára ehhez.

 

Az “okos” gép sokkal alacsonyabb szintű mentális képességekkel rendelkezik, mint egy pici gyerek! Sokkal több tanításra van szüksége, de így is kiterjedten használják a mindennapi életben. A gépi tanulásnak van szerepe abban, hogy a Facebook mit rak elénk, a Google hogyan ismeri fel fényképről az embereket, a keresője kitalálja, hogy mit keresünk.

 

Ez a cikk egyértelműen pozitívan szemléli a gépi tanulás új, a neurális hálókon alapuló módszereit. Korábban írtam egy-másfél évvel későbbi cikkekről, amelyek egyetemi kutatásokra alapozva fogalmaznak meg komoly kétségeket:

 

Kinek lesz igaza? Meglátjuk! Valószínűleg még én is...

 

#AI #artificial_intelligence #machine_learning #artificialintelligence #machinelearning

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Okos gép az okos támadók ellen?

Okos gép az okos támadók ellen? | collaboration | Scoop.it

From ransomware to botnets, malware takes seemingly endless forms, and it’s forever proliferating. Try as we might, the humans who would defend our computers from it are drowning in the onslaught, so they are turning to AI for help.

Cybersecurity firm Endgame released a large, open-source data set called EMBER (for “Endgame Malware Benchmark for Research”). EMBER is a collection of more than a million representations of benign and malicious Windows-portable executable files, a format where malware often hides. A team at the company also released AI software that can be trained on the data set. The idea is that if AI is to become a potent weapon in the fight against malware, it needs to know what to look for.

Pál Kerékfy's insight:

Minthogy a támadók kiválóan hasznosítják a gépi okosságot az újabb és újabb vírusok (miegyebek) előállításában, ideje, hogy a védelem is felvegye a tempót. Az EMBER nem az egyetlen és nem is az első ilyen próbálkozás, de mindnek lehet örülni…

 

Az IBM egy más területen veti be a mesterséges intelligenciát: Watson, a biztonsági szakember. Ők a vállalati rendszereket ért támadásokat akarják gyorsan felismerni. Az a cél, gyorsan, egy szempillantás alatt elemezze információk tömkelegét, és találja meg az összefüggéseket a különböző rendszerekben észlelt és nehezen összekapcsolható események között. Ha sikerül ezeket a kapcsolatokat felfedezni, akkor azonnal kiderül, hogy önmagukban ártalmatlannak tűnő események együttesen támadásra utalnak.

 

Az Endgame áprilisi bejelentése óta mintha nem lenne újabb hír erről az EMBER-ről, pedig tényleg jó lenne valami pozitívum!

Azt mondja az MIT írásának címe, hogy épp olyan könnyedén azonosítja a rosszindulatú szoftvert, amilyen könnyen felismer egy macskát.

 

Halkan megjegyzem, friss egyetemi kutatások szerint, ez sem megy annyira könnyen a gépnek. Teknős vagy lőfegyver?

 

#MIT @MITnews #EMBER #Endgame @Endgame #IBM #Watson #imagerecognition #mesterségesintelligencia #AI #machinelearning

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Mesterséges intelligencia élesben (foci VB)

Mesterséges intelligencia élesben (foci VB) | collaboration | Scoop.it

Researchers have predicted the outcome after simulating the entire soccer tournament 100,000 times.

The most influential factors turn out to be the team rankings created by other methods, including those from bookmakers, FIFA, and others.

Other important factors include GDP and the number of Champions League players on the team. Unimportant factors include the country’s population, the nationality of the coach, and so on.

Pál Kerékfy's insight:

Ez a cikk június 12-én jelent meg. Ma már tudjuk, hogy nem az ábrának megfelelően alakult ki a 16-os mezőny.

 

Nem ők voltak az egyetlenek, aki Németországot tették a dobogó legfelső fokára. A Goldman Sachs is így járt. Aki nem első helyre várta a németeket, az is az első helyek valamelyikére tette őket.

 

Még jó, hogy a focit nem tudjuk előre kiszámítani!

 

#MI #artificialintelligence #machinelearning #ML #TU #Dortmund #Germany #Brazil #GoldmanSachs #FIFA

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

A helyünkre lép a gép, vagy megmarad segítőnek, amikor már többet tud majd?

A helyünkre lép a gép, vagy megmarad segítőnek, amikor már többet tud majd? | collaboration | Scoop.it

Most dermatologists were outperformed by the convolutional neural networks (CNN). Irrespective of any physicians’ experience, they may benefit from assistance by a CNN’s image classification.

Pál Kerékfy's insight:

Itt egy következő példa arra, hogy a gyakorlott szakember munkájával mi történik, amikor belép a robot is. Az előző példában a profi jogászokat verte egy konkrét ügytípus elemzésében, egy ember ért csak el ugyanolyan jó eredményt, mint a gép:

https://www.scoop.it/t/collaboration-by-pal-kerekfy/p/4095218061/2018/03/08/artificial-intelligence-more-accurate-than-lawyers-for-reviewing-contracts-new-study-reveals

 

A mai példában melanómát kellett felismerni, és a gép jobban teljesített, mint a szakorvosok többsége.

 

Ez – egyelőre – nem jelenti azt, hogy ki lehet rúgni az összes profit, de előbb-utóbb csökken majd a számuk, ha a gép olcsóbb lesz és legalább ugyanolyan jó lesz.

 

Beszámoló ebben a cikkben:

https://academic.oup.com/annonc/advance-article-abstract/doi/10.1093/annonc/mdy166/5004443?redirectedFrom=fulltext

 

Érdekes jövő! A legnagyobb kérdés: Ha alig lesz profi szakember, ki fogja ellenőrizni a gépet?

 

Mindkét vizsgálat alaposan ellenőrzött, egyetemi, szakmai körben zajlott – nem ismeretlen “brit tudósok” eredménye.

 

#melanoma #dermatologist #oncology #deeplearning #MI #artificialintelligence #machinelearning

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Olyan jól fordít angol és kínai között az okos gép, mint az ember?

Olyan jól fordít angol és kínai között  az okos gép, mint az ember? | collaboration | Scoop.it

A team of Microsoft researchers from China and the US have developed an artificial intelligence (AI) powered translation system that can translate Chinese language news articles into English with human accuracy.

Pál Kerékfy's insight:

Egyelőre még csak ott tartunk, hogy egy 2017-es fordítási versenyen érte el azt a pontosságot a gép. A versenyben online újságcikkeket kellett oda-vissza fordítani, és szakértők értékelték a minőséget. Itt vannak részletek a verseny feladatairól: http://statmt.org/wmt17/translation-task.html

 

Hogy csinálták? A szokásos “deep learning” módszer mellett az emberek által végzett hibajavítást is alkalmazta a gép, valamint oda-vissza fordította ugyanazt a szöveget.

 

A fejlesztők szerények: nem gondolják, hogy már készen lennének, még sok a javítási lehetőség, mondják.

 

Ez nem az első olyan komoly szellemi munkának tartott tevékenység, amit a gép emberi mértékkel mérve is jól csinál. Az előző példában egy meglehetősen bonyolult jogászi feladatkörben bizonyult jobbnak az embernél: https://www.scoop.it/t/collaboration-by-pal-kerekfy/p/4095218061/2018/03/08/artificial-intelligence-more-accurate-than-lawyers-for-reviewing-contracts-new-study-reveals

#AI #artificialintelligence #China #Microsoft #translation #machinelearning

more...
No comment yet.
Scooped by Pál Kerékfy
Scoop.it!

Artificial Intelligence in Capital Markets: The Next Operational Revolution

Artificial Intelligence in Capital Markets: The Next Operational Revolution | collaboration | Scoop.it

Artificial Intelligence is among the hottest topics in the financial markets today, seeming to promise untold benefits to the major banks that are embracing it, and destruction to traditional asset managers and other victims who get left behind. The truth may be a little different.

 

Artificial Intelligence is a term used very loosely in the financial industry to describe various technologies capable of addressing firms’ unsatisfactory operational efficiency and other needs. The various AI tools are, in fact, quite distinct and should be used to tackle different business issues.

 

Considering the tremendous potential for AI applications in the capital markets, we expect spending in the field to increase by 75% from 2017 to 2021, reaching US$2.8 billion.

Pál Kerékfy's insight:

Ez csak egy vezetői összefoglaló (a teljes cikket csak ügyfelek kapják meg), de így is érdekes.

 

Nagyon hasznos a mostanában használt négy fogalom: robottal való automatizálás (robotic process automation, RPA), gépi tanulás (machine learning, ML), “mély” tanulás (deep learning, DL) és az kognitív analízis (cognitive analytics, CA) tömör definíciója. (Ha valaki tud jobb magyar elnevezést ezekre, szóljon, köszönettel veszem!)

 

Az elkövetkező 8 évben 25% javulást várnak költség/bevétel arányban, aminek jelentős része a létszámcsökkentés eredménye lesz.

 

A cikk szerint nem az a kérdés, hogy találnak-e felhasználási területeket a mesterséges intelligencia számára, hanem a prioritások meghatározása, az elsőnek átalakítandó terület megtalálása. (Egy ilyen lehetőségről, az RPA-ról és a következő lépcsőfokról, az IPA-ról írtam tavasszal: https://palkerekfy.wordpress.com/2017/03/16/harcostarsak/) Ezek bevezetése viszonylag egyszerű és fájdalommentes (a cégnek).

 

A másik három már mélyebb vizsgálatokat és nehezebb döntéseket igényel…

 

Ez egy fontos megállapítás: “As with any technological revolution, AI will decrease the value of traditional services that it’s replacing and increase that of adjacent ones.”, és talán éppen itt kell elkezdeni a gondolkodást.

 

#RPA #IPA #AI #artificialintelligence #ML #machinelearning #cognitive #analytics #financial

more...
No comment yet.
Curated by Pál Kerékfy
collaboration expert, CIO, mathematician, university teacher

I share my experience in collaboration, IT service management, risk & security with students and others.

My blog:

https://kerekfypal.blog