Aplikacije veštačke inteligencije brzo postaju sveprisutne, pokretane algoritmima koji uče od velikih količina podataka. Ljudi, s druge strane, uče potpuno drugačije – oni su u stanju da razumeju na osnovu malog broja pretpostavki i skupa logičkih pravila. IBM Research tim u Irskoj je dizajnirao metod kadar da kombinuje ova dva stila učenja, proširujući velike skupove podataka strukturiranim znanjem i logičkim pravilima koje generišu ljudi da bi unapredio performanse vizuelnog prepoznavanja.
Različiti stilovi učenja
Većina najsavremenijih AI sistema koristi statističko učenje koje se oslanja na otkrivanje obrazaca u velikim količinama objašnjenih podataka. Pošto imaju prikupljene smislene obrasce, očekuje se da ovi sistemi prave tačne predikcije kada se suoče sa novim podacima. Na primer, sistem obučen da pravi razliku između slika različitih životinja prvo je obučavan na velikom setu obeleženih slika, a kasnije može da klasifikuje nove slike u jednu od poznatih kategorija životinja.
Poređenja radi, ljudi su u stanju da postepeno grade svoje znanje sa samo nekoliko primera i nauče da rasuđuju sa stečenim znanjem. To im omogućava da razumeju i objasne potpuno nove objekte. Kada se suoči, recimo, sa životinjom koju nikada ranije nije video, čovek može da analizira njene karakteristike na osnovu prethodnog iskustva. On onda može da zaključi na osnovu tih karakteristika (bez potrebe da zna ime životinje) da je neka predator i da treba da pobegne…
Tekst u celosti možete da pročitate u virtuelnom izdanju časopisa.
