EL / EN / DE / IT / SL 

AIAE » e-μάθηση » Συνέντευξη 1

Εφαρμογές ΤΝ, μηχανική μάθηση, αλληλεπίδραση ανθρώπου-μηχανής

Τα παρακάτω αποσπάσματα συνέντευξης δόθηκαν από τον Pierre Lison και καλύπτουν διάφορα θέματα, όπως οι κύριες εφαρμογές της ΤΝ στην κοινωνία μας, η μηχανική μάθηση και οι σχέσεις της με την ΤΝ και τα μεγάλα δεδομένα, η βαθιά μάθηση, η αλληλεπίδραση ανθρώπου-μηχανής και οι στόχοι της, καθώς και οι τάσεις και οι προκλήσεις της αλληλεπίδρασης ανθρώπου-μηχανής.

Μεταγραφή

Το όνομά μου είναι Kelly Zone. Είμαι ανώτερη ερευνήτρια στο Norwegian Computing Center, το οποίο είναι ένα ερευνητικό ινστιτούτο που ασχολείται με την τεχνητή νοημοσύνη και τη στατιστική μοντελοποίηση και γενικά με την επιστήμη των υπολογιστών. Και ο τομέας της έρευνάς μου είναι η τεχνητή νοημοσύνη, και ειδικότερα ό,τι έχει να κάνει με τη γλώσσα, τις λεγόμενες γλωσσικές τεχνολογίες ή την επεξεργασία φυσικής γλώσσας.

Quiz question 1/8

Ο συνεντευξιαζόμενος, Pierre Lison είναι ανώτερος ερευνητής σε νορβηγικό υπολογιστικό κέντρο, το οποίο είναι ερευνητικό ινστιτούτο. Ασχολούνται με την τεχνητή νοημοσύνη (AI), τη στατιστική μοντελοποίηση και γενικά επιστήμη υπολογιστών. Το πεδίο έρευνας του συνεντευξιαζόμενου είναι η τεχνητή νοημοσύνη, η γλωσσικές τεχνολογίες και η επεξεργασία φυσικής γλώσσας.


Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Σας ευχαριστώ πολύ. Ποιες είναι λοιπόν οι κυριότερες τεχνολογίες τεχνητής νοημοσύνης και οι  κυριότερες εφαρμογές τεχνητής νοημοσύνης μέχρι σήμερα; Λοιπόν, η τεχνητή νοημοσύνη  χρησιμοποιείται ήδη στην καθημερινή μας ζωή. Αν σκεφτείτε τις μηχανές αναζήτησης, τη Google ή  την όραση υπολογιστή που χρησιμοποιείται για την αναγνώριση αντικειμένων, ή τις μπάρες κωδικών  στο κινητό σας τηλέφωνο, ή την αναγνώριση ομιλίας, οτιδήποτε έχει να κάνει με σύνθετα  προβλήματα που απαιτούν κάποιο επίπεδο νοημοσύνης για να επιλυθούν. Και τι λέτε για την  αναγνώριση αντικειμένων και την αναγνώριση φωνής; Μπορεί να σχετίζεται με την αναγνώριση  προσώπου και ομιλίας; Ναι. Έτσι, οτιδήποτε έχει να κάνει με την αναγνώριση αντικειμένων σε εικόνες  ή σε ροές βίντεο αποτελεί πραγματικά μέρος αυτού του μεγάλου πεδίου που ονομάζεται όραση  υπολογιστών. Και μπορείτε να αναγνωρίσετε αντικείμενα, οπότε κατά κάποιον τρόπο ορίζετε τα  αντικείμενα που θέλετε να αναγνωρίσετε. Όπως θέλετε να αναγνωρίσετε καναπέδες ή διάφορα είδη  επίπλων ή Lego ή οτιδήποτε άλλο για να ορίσετε τις κατηγορίες που θέλετε να αναγνωρίσετε.  Συνήθως, έχετε ένα σύστημα που εκπαιδεύει ένα μοντέλο για να αναγνωρίζει αυτά τα είδη  αντικειμένων. Και για την αναγνώριση προσώπων, είναι το ίδιο, με τη διαφορά ότι αντί για φυσικά  αντικείμενα, εργάζεστε ως ανθρώπινα πρόσωπα. Και πάλι, χρειάζεστε ένα σύστημα που εκπαιδεύει  ένα μοντέλο που αναγνωρίζει διαφορετικά είδη προσώπων ανάλογα με το πρόσωπό τους. Και για την  αναγνώριση ομιλίας, είναι ουσιαστικά το ίδιο, με τη διαφορά βέβαια ότι δεν πρόκειται για οπτική  είσοδο, αλλά για ακουστική είσοδο. Αλλά η ιδέα είναι η ίδια, ότι αναγνωρίζετε κάποια μοτίβα στον  ήχο, στα ηχητικά δεδομένα που καθορίζουν διαφορετικά είδη ήχων και βάζοντας μαζί τους ήχους, θα  σχηματίσουν λέξεις, θα σχηματίσουν προτάσεις, και στη συνέχεια μπορείτε να αναγνωρίσετε τι  λέγεται και να το μεταγράψετε. Θα μπορούσατε να μας πείτε ποιες είναι οι αναδυόμενες τάσεις  σήμερα; Η τεχνητή νοημοσύνη είναι ήδη ένας μεγάλος τομέας και αναπτύσσεται με αρκετά  γρήγορους ρυθμούς. Αλλά μερικές από τις μεγαλύτερες τάσεις, φυσικά, είναι δεδομένη η ευρεία  διαθεσιμότητα μεγάλων ποσοτήτων δεδομένων εκπαίδευσης. Μία από τις σημαντικές τάσεις είναι  πραγματικά η κλιμάκωση της τεχνολογίας, ώστε να μπορεί να επεξεργάζεται πραγματικά μεγάλες  ποσότητες δεδομένων, όλα όσα μπορείτε να βρείτε στον Ιστό, βασικά. Και αυτό ισχύει τόσο για τη  γλωσσική τεχνολογία και το κείμενο όσο και για την όραση υπολογιστών, επειδή υπάρχουν  δισεκατομμύρια εικόνες στο διαδίκτυο. Έτσι, αυτή η κλιμάκωση της τεχνολογίας είναι μια σημαντική  τάση. Από την άλλη πλευρά, μια σημαντική τάση την οποία βρίσκω πολύ ενδιαφέρουσα είναι το  γεγονός ότι όλο και περισσότεροι ερευνητές εξετάζουν τα ηθικά ζητήματα πίσω από την τεχνολογία.  Εν μέρει επειδή, λοιπόν, για παράδειγμα, χρησιμοποιούμε ουσιαστικά ό,τι βρίσκεται στο διαδίκτυο  χωρίς να αναθέτουμε σε ανθρώπινα πρόσωπα στα οποία παρουσιάζονται εικόνες τη συγκατάθεσή  τους σχετικά με τη χρήση τους για αυτά τα μεγάλα μοντέλα, αλλά και επειδή συνειδητοποιούμε ότι η  τεχνητή νοημοσύνη έχει πραγματικά επιρροή στην

Quiz question 1/8

Κατά την άποψη του ειδικού , οι εφαρμογές τεχνητής νοημοσύνης χρησιμοποιούνται ήδη ευρέως στην κοινωνία μας και στην καθημερινή μας ζωή.




Quiz question 1/8

Οι μηχανές αναζήτησης, το Google, η υπολογιστική όραση, η αναγνώριση φωνής / ομιλίας, η αναγνώριση αντικειμένων / προσώπου, η γλωσσική τεχνολογία είναι παραδείγματα τεχνολογιών AI και εφαρμογών AI.




Quiz question 1/8

Η αναγνώριση αντικειμένων σε εικόνες και οθόνες βίντεο δεν αποτελεί μέρος αυτού του μεγάλου πεδίου που ονομάζεται υπολογιστική όραση.




Quiz question 1/8

Η υπολογιστική όραση αφορά την εκπαίδευση ενός μοντέλου για την αναγνώριση μοτίβων όπως φυσικά αντικείμενα, ανθρώπινη φωνή και πρόσωπα, οπτική, ακουστική ή οπτική είσοδος. (Σωστή) Σύμφωνα με τον ειδικό η τεχνητή νοημοσύνη δεν εξελίσσεται με γρήγορους ρυθμούς.




Quiz question 1/8

Η ανάλυση μεγάλων δεδομένων είναι μία από τις αναδυόμενες τάσεις της τεχνολογίας που επιτρέπει την επεξεργασία πολύ μεγάλου όγκου δεδομένων.




Quiz question 1/8

Οι ερευνητές δεν θεωρούν σημαντικά τα ηθικά ζητήματα πίσω από τις τεχνολογίες τεχνητής νοημοσύνης.




Quiz question 1/8

Κατά τη γνώμη των ειδικών, η τεχνητή νοημοσύνη δεν επηρεάζει την καθημερινή μας ρουτίνα, ούτε την κοινωνία μας.




Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Τώρα θα μιλήσουμε λίγο περισσότερο για τη μηχανική μάθηση. Θα μπορούσατε λοιπόν να μας πείτε τι είναι η μηχανική μάθηση και πώς λειτουργεί; Λοιπόν, η μηχανική μάθηση είναι ένας κλάδος της τεχνητής νοημοσύνης, ο οποίος όμως έχει γίνει γνωστός ως ο κυρίαρχος κλάδος της τεχνητής νοημοσύνης. Και στην πραγματικότητα πρόκειται για τη δημιουργία μοντέλων γιαμια συγκεκριμένη εργασία, όπου τα πράγματα δεν είναι προ-προγραμματισμένα, αλλά μαθαίνονται από τα δεδομένα. Έτσι, αντί να γράφετε, να προσδιορίζετε λεπτομερείς κανόνες για το τι πρέπει να κάνει το σύστημα σε κάθε περίπτωση, παρέχετε κάποια δεδομένα, δεδομένα εκπαίδευσης, επειδή προσπαθείτε να κάνετε το σύστημα να μάθει από αυτά. Και το σύστημα στη συνέχεια θα εντοπίσει αυτόματα κάποια μοτίβα που είναι χρήσιμα για την εκάστοτε εργασία και αυτόματα στη συνέχεια θα τα χρησιμοποιήσει σε νέα δεδομένα μόλις τα μάθει. Θα μπορούσατε να μας πείτε πώς σχετίζεται η μηχανική μάθηση με την τεχνητή νοημοσύνη και επίσης με τα μεγάλα δεδομένα; Ναι. Έτσι, όσον αφορά τη σχέση με την τεχνητή νοημοσύνη, έχει γίνει πραγματικά ο κυρίαρχος τρόπος επίλυσης σύνθετων εργασιών τεχνητής νοημοσύνης. Η μηχανική μάθηση είναι να το κάνουμε αυτό σε μεγάλα σύνολα εκπαίδευσης, και έτσι σχετίζεται με τα μεγάλα δεδομένα, με την έννοια ότι μαθαίνετε τα μοντέλα toper μορφή διαφορετικών εργασιών χρησιμοποιώντας μεγάλα σύνολα δεδομένων. Επομένως, σχετίζεται επίσης πραγματικά άμεσα με τα μεγάλα δεδομένα.

Quiz question 1/8

Η μηχανική μάθηση είναι:





Quiz question 1/8

Η μηχανική μάθηση αφορά: (2 σωστές απαντήσεις)






Quiz question 1/8

Η μηχανική μάθηση: (2 σωστές απαντήσεις)





Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης; Η βαθιά μάθηση λοιπόν είναι ένα ιδιαίτερο είδος τεχνολογίας για τη μηχανική μάθηση. Δεν είναι η μόνη, αλλά έχει γίνει πολύ δημοφιλής για ορισμένα είδη προβλημάτων. Το ζητούμενο στη βαθιά μάθηση είναι να μάθουμε τα λεγόμενα δίκτυα νευρωνικών δικτύων με πολλά επίπεδα επεξεργασίας. Έτσι έχετε ένα αρκετά πολύπλοκο μαθηματικό μοντέλο το οποίο αποτελείται από μικρούς υπολογιστικούς κόμβους που λαμβάνουν πληροφορίες και στη συνέχεια προωθούνται σε άλλους νευρώνες ή άλλους υπολογιστικούς κόμβους που έχουν συγκεκριμένες μαθηματικές ιδιότητες. Και παρόλο που αυτοί οι μικροί κόμβοι είναι αρκετά απλοί μεμονωμένα, το γεγονός ότι τους συνδυάζετε μαζί και τους συνδέετε σε μεγάλα δίκτυα με εκατομμύρια τέτοιες σημειώσεις, λίγο σαν τον εγκέφαλό σας όπου οι νευρώνες συνδέονται μεταξύ τους, μπορεί να κάνει τα συστήματα να μαθαίνουν πώς να εκτελούν περίπλοκες εργασίες. Για παράδειγμα, τα βαθιά νευρωνικά δίκτυα. Και η βαθιά μάθηση έχει χρησιμοποιηθεί για τη μηχανική μετάφραση. Έτσι, η αυτοματοποιημένη μετάφραση, όπως στο Google Translate, γνωρίζουμε ότι είναι μια πολύπλοκη εργασία, η αυτόματη μετάφραση, πρέπει να κατανοήσετε το πλαίσιο της πρότασης. Πρέπει να κατανοήσετε τις γλωσσικές ιδιότητες τόσο της γλώσσας εισόδου όσο και της γλώσσας στόχου. Πρέπει να καταλάβετε πώς οι λέξεις συνδυάζονται μεταξύ τους, έτσι ώστε αν δύο λέξεις συνδυαστούν, να δημιουργηθεί μια κατασκευή που μεταφράζεται διαφορετικά. Έτσι, αυτά είναι πραγματικά πολύπλοκα καθήκοντα και γνωρίζουμε ότι με τη χρήση της παραδοσιακής μηχανικής μάθησης Latif ήταν αποθηκευμένα μέχρι το 2010 που δίνουν αποτελέσματα που ήταν εντάξει στις περισσότερες περιπτώσεις, αλλά με σοβαρά λάθη και προβλήματα κατανόησης των παραγόντων του πλαισίου, για παράδειγμα, ενώ αυτά τα δίκτυα βαθιάς μάθησης είχαν δείξει καλύτερα ότι θα μπορούσαν να βρουν μετάφραση υψηλής ποιότητας. Τούτου λεχθέντος, απέχει πολύ από το να είναι ένα ανοιχτό πρόβλημα και υπάρχουν ακόμη πολλά προβλήματα με τη μηχανική μετάφραση, αλλά έχει αποδειχθεί ότι ήταν καλύτερα στην κατανόηση του τρόπου μετάφρασης. Και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης, της βαθιάς μάθησης και του παραδοσιακού προγραμματισμού; Έτσι, η μηχανική μάθηση είναι στην πραγματικότητα ένας όρος-ομπρέλα για οτιδήποτε στην τεχνητή νοημοσύνη που εκπαιδεύεται από δεδομένα. Έτσι, είναι πραγματικά αρκετά μεγάλη. Περιλαμβάνει τη βαθιά μάθηση αλλά και με άλλες τεχνικές, μερικές από τις οποίες χρονολογούνται από τη δεκαετία του ’70. Ενώ η βαθιά μάθηση είναι πραγματικά ένα συγκεκριμένο είδος τεχνολογίας που βασίζεται στα νευρωνικά δίκτυα και λειτουργεί σε πολλές περιπτώσεις, αλλά υπάρχουν πολλές άλλες τεχνικές που λειτουργούν καλά και έχουν άλλες ιδιότητες που είναι ενδιαφέρουσες. Ίσως μπορώ να πω ότι μία από τις κύριες ελλείψεις των νευρωνικών δικτύων. Πρώτα απ’ όλα, λοιπόν, απαιτεί μεγάλο όγκο δεδομένων και για ορισμένα προβλήματα έχετε μεγάλο όγκο βάσης δεδομένων κάθε άλλο παρά για τα πάντα αν το μεταφράσετε. Για παράδειγμα, η μηχανική μετάφραση για μια γλώσσα για την οποία δεν έχετε πολλούς πόρους, θα είναι δύσκολο να χρησιμοποιήσετε τη βαθιά μάθηση. Ένα άλλο πρόβλημα είναι ότι πρόκειται για πλήρη μαύρα κουτιά. Αυτό σημαίνει ότι δεν καταλαβαίνετε τι έχει μάθει το σύστημα και μερικές φορές είναι εντάξει. Δεν χρειάζεται πάντα να καταλαβαίνετε τα πάντα. Αλλά αν, ας πούμε, φτιάχνετε ένα σύστημα για να αποφασίσετε αν θα πρέπει να δώσετε ένα δάνειο σε ένα άτομο. Και έχετε ένα σύστημα που μπορεί να βασίζεται στον μισθό του ατόμου και στο πού ζει και αν είναι παντρεμένος ή όχι, κ.λπ. κ.λπ. Διάφοροι δημογραφικοί παράγοντες. Και έχετε ένα σύστημα που μπορεί να δώσει μια καλή πρόβλεψη για το αν ένα άτομο δικαιούται όχι, όχι. Αλλά δεν είναι σε θέση να εξηγήσει το σκεπτικό πίσω από την απόφασή τους. Αυτό θα είναι έντονα προβληματικό, διότι χρειάζεστε ένα σύστημα που όχι μόνο να δίνει μια απάντηση, αλλά και να εξηγεί γιατί κατέληξε στη συγκεκριμένη απάντηση. Και έτσι αυτή είναι μια σημαντική έλλειψη των νευρωνικών δικτύων. Και αυτός είναι ο λόγος για τον οποίο μερικές φορές τα συστήματα μηχανικής μάθησης μπορεί να έχουν ελαφρώς χαμηλότερες επιδόσεις από κάποια άποψη, αλλά είναι σε θέση να εξηγήσουν τα βήματα, τα βήματα επεξεργασίας πίσω από την απόφασή τους μερικές φορές είναι πολύ καλύτερα. Επομένως, δεν υπάρχει ένας και μοναδικός τρόπος αξιολόγησης αυτών των μοντέλων. Υπάρχουν διαφορετικά είδη πλεονεκτημάτων και μειονεκτημάτων πίσω από διαφορετικά είδη τεχνολογιών. Ναι, Και ο παραδοσιακός προγραμματισμός είναι απλά αυτό που κάνετε όταν δεν μαθαίνετε το μοντέλο, όπου απλά προ-προγραμματίζετε όλους τους κανόνες εκ των προτέρων.

Quiz question 1/8

ναι
όχι
 

Η βαθιά μάθηση είναι η μόνη τεχνολογία μηχανικής μάθησης.


Ο στόχος της βαθιάς μάθησης είναι να εκπαιδεύσει νευρωνικά δίκτυα με πολλά επίπεδα επεξεργασίας.


Τα συστήματα μπορούν να μάθουν πώς να εκτελούν περίπλοκες εργασίες χάρη σε αυτούς τους πολλούς κόμβους που συνδυάζονται και συνδέονται σε ένα μεγάλο δίκτυο τέτοιων κόμβων.


Η βαθιά μάθηση έχει χρησιμοποιηθεί στη μηχανική μετάφραση που είναι αυτόματη μετάφραση.


Σε μηχανική μετάφραση όπως η Μετάφραση Google, δεν χρειάζεται να κατανοήσετε το περιβάλλον των προτάσεων, τις γλωσσικές ιδιότητες και των δύο γλωσσών ή τον τρόπο με τον οποίο οι λέξεις μπορούν να συνδυαστούν μεταξύ τους.


Η βαθιά νευρωνική μηχανική μετάφραση λειτουργεί καλύτερα και είναι υψηλότερης ποιότητας από την παραδοσιακή μηχανική μετάφραση, αλλά πρέπει να βελτιωθεί πολύ.


Η μηχανική μάθηση είναι ένας πολύ γενικός όρος για οτιδήποτε στην τεχνητή νοημοσύνη που εκπαιδεύεται από δεδομένα.


Η μηχανική μάθηση δεν περιλαμβάνει βαθιά μάθηση.


Η βαθιά μάθηση είναι μια πολύ συγκεκριμένη τεχνολογία που βασίζεται σε νευρωνικά δίκτυα.


Ο παραδοσιακός προγραμματισμός είναι αυτό που κάνετε όταν προ-προγραμματίζετε τους κανόνες εκ των προτέρων και δεν εκπαιδεύετε τα μοντέλα.



Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Και έτσι αναφέρατε ήδη τη μηχανική μετάφραση. Μπορείτε να δώσετε ίσως ένα ή περισσότερα παραδείγματα δημοφιλών χρήσεων της μηχανικής μάθησης; Ναι. Έτσι, η μηχανική μάθηση αναζήτησης, όπως στην αναζήτηση της Google, στις μηχανές αναζήτησης, στην όραση υπολογιστών, στην αναγνώριση ομιλίας. Χρησιμοποιείται εκεί βασικά για κάθε είδους ταξινόμηση ή πρόβλεψη. Και οι περισσότερες εταιρείες στις μέρες μας διαθέτουν κάποιο είδος συστήματος. Εκεί αυτοματοποιούν κάποιες από τις αποφάσεις ή τις προβλέψεις τους. Στη ρομποτική, είναι πάντα πρώτα επίσης ένας τομέας όπου υπάρχουν πολλά μοντέλα μηχανικής μάθησης για να βοηθούν τα ρομπότ να αποφασίζουν τι πρέπει να κάνουν και πώς πρέπει να το κάνουν. Στη βιομηχανία, η μηχανική μάθηση και η βαθιά μάθηση χρησιμοποιούνται σε μεγάλο βαθμό. Πριν, ήταν, ξέρετε, τα στατιστικά μοντέλα και τα μοντέλα μηχανικής μάθησης για την ανάπτυξη αυτών. Αναφέρατε ήδη κάποια πλεονεκτήματα και ευκαιρίες της μηχανικής μάθησης για την κοινωνία. Μπορείτε επίσης να αναφέρετε ίσως μερικά ακόμη; Ένα από τα κυριότερα πλεονεκτήματα είναι πιθανώς αυτό της αυτοματοποίησης. Είναι η αυτοματοποίηση εργασιών που μπορεί να είναι επαναλαμβανόμενες και ενδιαφέρουσες ναι, κάτι που ίσως ξέχασα να αναφέρω. Αλλά επίσης, όλα όσα κάνετε με τα αυτόνομα, ημιαυτόνομα αυτοκίνητα. Είναι επίσης ένα άλλο παράδειγμα όπου ένα μεγάλο μέρος της οδήγησης είναι επαναλαμβανόμενο, είναι ρουτίνα. Πρόκειται για την αναζήτηση μοτίβων, βασικά. Και οι υπολογιστές είναι αρκετά καλοί στο να αναγνωρίζουν μοτίβα και να το κάνουν αυτό συστηματικά.24 ώρες το 24ωρο, ενώ οι ανθρώπινοι οδηγοί είναι γνωστό ότι είναι κακοί στο να παρακολουθούν τι συμβαίνει στο δρόμο για πολλές ώρες. Αυτή είναι άλλη μια περίπτωση όπου η αυτοματοποίηση μιας διαδικασίας που είναι λίγο πολύ ρουτίνα και επαναλαμβανόμενη στις περισσότερες περιπτώσεις μπορεί να αποβεί εξαιρετικά επωφελής. Φυσικά, είναι μια καλή περίπτωση, επειδή πολλά από αυτά που συμβαίνουν στο δρόμο είναι επαναλαμβανόμενα. Αλλά μερικές φορές έχετε μια σύνθετη κατάσταση, έχετε κάτι απροσδόκητο που συμβαίνει στο δρόμο. Και η μηχανική μάθηση βασίζεται σε ιστορικά δεδομένα. Μαθαίνει από αυτά που έχουν παρατηρηθεί στο παρελθόν και προσπαθεί να τα γενικεύσει. Αλλά η ικανότητα γενίκευσης είναι πολύ ασθενέστερη από αυτή που έχουμε ως άνθρωποι. Έτσι, ενώ εμείς μπορούμε να κατανοήσουμε γρήγορα μια νέα κατάσταση που εκτυλίσσεται, αυτό είναι πολύ πιο δύσκολο για τον υπολογιστή.

1/3: Πού χρησιμοποιείται σήμερα η μηχανική μάθηση;

Please try to answer the question first and then click "next" to see ours.

1/3: Πού χρησιμοποιείται σήμερα η μηχανική μάθηση;

Στη μηχανική μετάφραση, μηχανές αναζήτησης όπως το google search, η υπολογιστική όραση, η αναγνώριση ομιλίας, η αυτοματοποιημένη λήψη αποφάσεων, οι ταξινομήσεις και οι προβλέψεις, η ρομποτική, τα αυτόνομα αυτοκίνητα

2/3: Ποιο είναι το κύριο πλεονέκτημα της μηχανικής μάθησης για την κοινωνία;

Please try to answer the question first and then click "next" to see ours.

2/3: Kakšna je glavna prednost strojnega učenja za družbo?

Avtomatizacija ponavljajočih se in monotonih opravil ter procesov.

3/3: Σε τι βασίζεται η μηχανική μάθηση;

Please try to answer the question first and then click "next" to see ours.

3/3: Σε τι βασίζεται η μηχανική μάθηση;

Ιστορικά δεδομένα στην εποπτευόμενη μηχανική μάθηση, μαθαίνοντας από αυτά που έχουμε δει στο παρελθόν και γενικεύοντας από αυτό

Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Τώρα θα προχωρήσουμε στην αλληλεπίδραση ανθρώπου μηχανής. Ποιοι είναι οι στόχοι της αλληλεπίδρασης ανθρώπου-μηχανής, κατά τη γνώμη σας; Ο στόχος λοιπόν της αλληλεπίδρασης ανθρώπου-μηχανής είναι απλώς η δημιουργία καλών διεπαφών μεταξύ ενός ανθρώπινου ατόμου που επιθυμεί να εκτελέσει μια συγκεκριμένη εργασία και μιας μηχανής που υποστηρίζει αυτή την εργασία. Και απλά μια γραφική διεπαφή χρήστη είναι ένα πολύ απλό παράδειγμα αυτού. Αλλά φυσικά, οτιδήποτε έχει να κάνει με την αλληλεπίδραση, με την τεχνολογία αποτελεί μέρος αυτού. Έτσι, για παράδειγμα, έχω ασχοληθεί με ομιλούντα ρομπότ, και αυτό είναι ένα άλλο είδος αλληλεπίδρασης που διαφέρει αρκετά από ένα παράθυρο στην οθόνη σας, αλλά είναι επίσης μια διεπαφή με την έννοια ότι στην περίπτωση αυτή χρησιμοποιείτε προφορική γλώσσα για να δώσετε οδηγίες και να λάβετε ανατροφοδότηση σχετικά με το τι συμβαίνει κατά την εκτέλεση της εργασίας. Και το ερώτημα είναι πάντα πώς μπορούμε να έχουμε μια επικοινωνία που είναι συνεχής, όπου το άτομο καταλαβαίνει τι συμβαίνει και μπορεί εύκολα να μεταδώσει αυτό που πρέπει να γίνει. Και πώς μπορούν να ελεγχθούν οι συσκευές; Εξαρτάται πραγματικά από την τεχνολογία. Θέλω να πω, για ένα “παράθυρο υπολογιστή” είναι μάλλον απλό, εφόσον καταλαβαίνετε τη διεπαφή ότι ένας μικρός σταυρός σημαίνει ότι κλείνετε το παράθυρο. Και για πιο εξελιγμένα εργαλεία, είναι φυσικά λίγο πιο δύσκολο, επειδή πρέπει να βρείτε κάτι που να είναι αρκετά διαισθητικό, αλλά και αρκετά ισχυρό ώστε να επιτρέπει το εύρος των δυνατοτήτων για τη συγκεκριμένη συσκευή που διαθέτετε. Για ένα ρομπότ, για παράδειγμα, είναι αρκετά μεγάλο, αλλά το σύνολο των πιθανών πραγμάτων που μπορεί να πει και να κάνει το ρομπότ στον κόσμο. Επομένως, χρειάζεστε κάποιου είδους και είναι ένα από τα βασικά δόγματα της αλληλεπίδρασης ανθρώπου-ρομπότ, χρειάζεστε κάποιου είδους διαφάνεια. Αυτό σημαίνει ότι το σύστημα θα πρέπει να παρέχει όσο το δυνατόν πιο σαφή μηνύματα σχετικά με το τι έχει κατανοήσει το σύστημα, τι δεν έχει κατανοήσει, πού βρίσκεται στην εκτέλεση της εργασίας, έτσι ώστε ο χρήστης να έχει όσο το δυνατόν περισσότερο τον έλεγχο, διότι χωρίς πληροφορίες δεν υπάρχει έλεγχος.

1/3: Ποιος είναι ο κύριος στόχος της αλληλεπίδρασης ανθρώπου-μηχανής;

Please try to answer the question first and then click "next" to see ours.

1/3: Ποιος είναι ο κύριος στόχος της αλληλεπίδρασης ανθρώπου-μηχανής;

Δημιουργήστε καλές διεπαφές μεταξύ ενός ανθρώπου που επιθυμεί να εκτελέσει μια συγκεκριμένη εργασία και μιας μηχανής που μπορεί να εκτελέσει αυτήν την εργασία

2/3: Ποια παραδείγματα αλληλεπίδρασης ανθρώπου-μηχανής υπάρχουν;

Please try to answer the question first and then click "next" to see ours.

2/3: Ποια παραδείγματα αλληλεπίδρασης ανθρώπου-μηχανής υπάρχουν;

Μια γραφική διεπαφή χρήστη, ρομπότ που μιλούν, αλληλεπίδραση με τεχνολογίες

3/3: Ποια ποιότητα πρέπει να έχουν τα εργαλεία / συσκευές / συστήματα / μηχανές;

Please try to answer the question first and then click "next" to see ours.

3/3: Ποια ποιότητα πρέπει να έχουν τα εργαλεία / συσκευές / συστήματα / μηχανές;

αρκετά διαισθητικό και διαφανές

Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Ποια θα είναι η εξέλιξη της αλληλεπίδρασης των ανθρώπων με τις μηχανές και ποιες είναι οι αναδυόμενες τάσεις; Λοιπόν, μια σημαντική τάση είναι ότι η πρώιμη αλληλεπίδραση ανθρώπου μηχανής αφορούσε στην πραγματικότητα την προσαρμογή του ανθρώπου στο είδος των περιορισμών της διεπαφής με την οποία είχε να κάνει. Στη δεκαετία του ’70 είχαμε πολύ ολοκληρωμένες μηχανές με πολλά κουμπιά και το θέμα ήταν ότι ο άνθρωπος έπρεπε να μάθει πώς να χειρίζεται τη διεπαφή και η ίδια η διεπαφή είχε μηδενική προσαρμογή. Και σήμερα η τάση είναι να προσπαθεί η διεπαφή, η μηχανή, να προσαρμόζεται στον άνθρωπο-χρήστη και να προσπαθεί να μιλάει τη γλώσσα του. Και αυτό που με ενδιαφέρει ως έρευνα στη γλώσσα της τεχνολογίας είναι να έχουμε μηχανές που μιλούν μια γλώσσα, οι οποίες να είναι σε θέση να αλληλεπιδρούν με το μέσο επικοινωνίας που είναι πιο διαισθητικό για εμάς τους ανθρώπους, το οποίο είναι ο φυσικός προφορικός λόγος, επειδή αυτό έχουμε περάσει το μεγαλύτερο μέρος της ζωής μας μιλώντας και ακούγοντας ο ένας τον άλλον στον προφορικό λόγο. Αυτό είναι το πιο σημαντικό γιατί μπορούμε να εκφράσουμε ιδέες και σκέψεις και βασικά οτιδήποτε με έναν εντελώς αβίαστο τρόπο, με τρόπο που θα ήταν αδύνατο με μια άκαμπτη διεπαφή όπου θα έπρεπε να πατάμε κουμπιά. Αλλά φυσικά είναι επίσης δύσκολο, επειδή η φυσική γλώσσα είναι διφορούμενη, είναι ασαφής, είναι μερικές φορές αντιφατική και αβέβαιη. Πάντα χρειάζεται πολλή ερμηνεία για να καταλάβουμε ο ένας τον άλλον. Αλλά όλα αυτά είναι ενδιαφέροντα, διότι το να έχεις μια μηχανή που καταλαβαίνει την προφορική γλώσσα σημαίνει ότι είναι μια μηχανή για την οποία δεν χρειάζεσαι καμία εκπαίδευση. Ξέρετε πώς να μιλάτε τη μητρική σας γλώσσα και αυτό είναι πολύ χρήσιμο και φιλικό προς το χρήστη. Και σε ορισμένες περιπτώσεις, αν σκεφτείτε, για παράδειγμα, ότι η οδήγηση ενός αυτοκινήτου ή το μαγείρεμα όταν τα χέρια σας είναι στη μέση της προετοιμασίας του μαγειρέματος, είναι επίσης ένας από τους μοναδικούς τρόπους ακριβώς για να έχετε μια συγκεκριμένη αλληλεπίδραση με τη μηχανή, επειδή δεν μπορείτε να περιμένετε από τον χρήστη στο ανώνυμο αυτοκίνητο να περνάει τον χρόνο του κοιτάζοντας την οθόνη και αγγίζοντας κουμπιά. Έτσι, σε πολλές περιπτώσεις, το μέλλον της αλληλεπίδρασης ανθρώπου-ρομπότ-μηχανής είναι πραγματικά να έχουμε συστήματα που μπορούν να αλληλεπιδρούν μαζί μας με έναν τρόπο που μας είναι οικείος είτε μέσω της γλώσσας είτε μέσω κάποιας οπτικής γλώσσας που είναι εύκολα κατανοητή. Και ως τελευταία ερώτηση, αναφέρατε ήδη κάποιες από τις ευκαιρίες και κάποιες από τις προκλήσεις. Μπορείτε να σκεφτείτε περισσότερα θετικά αποτελέσματα και επίσης κάποιες προκλήσεις της αλληλεπίδρασης των ανθρώπινων αποστολών για την κοινωνία; Λοιπόν, υπάρχει πάντα η σκέψη ειδικά της γλωσσικής τεχνολογίας. Υπάρχει η πρόκληση της άνισης πρόσβασης και των άνισων πόρων και αυτό πηγαίνει πέρα από την αλληλεπίδραση ανθρώπου-μηχανής. Αλλά ένα σημαντικό πρόβλημα για ένα μεγάλο μέρος των σημερινών γλωσσικών τεχνολογιών είναι, για παράδειγμα, ότι οι γλώσσες δεν έχουν τον ίδιο βαθμό υποστήριξης, και αυτό έχει μεγάλη διαφορά αν είστε ομιλητής της αμερικανικής αγγλικής γλώσσας ή αν είστε ομιλητής κάποιων απομακρυσμένων αφρικανικών γλωσσών που δεν έχουν πρόσβαση. Όπου δεν λειτουργεί το Google Translate, δεν έχετε καμία δυνατότητα να χρησιμοποιήσετε την τεχνολογία με οποιονδήποτε τρόπο. Μερικές φορές δεν έχετε ούτε καν ένα πληκτρολόγιο στο κινητό σας τηλέφωνο για να εκφραστείτε στη μητρική σας γλώσσα. Και αυτό είναι, στο μέλλον, μια σημαντική πρόκληση. Για να μην μιλήσουμε, φυσικά, για την πρόσβαση στην τεχνολογία. Θέλω να πω, αν δεν έχετε τηλέφωνο εξ αρχής, έχετε ακόμη λιγότερη πρόσβαση. Αλλά όλο αυτό είναι το πώς θα διασφαλίσουμε ότι η τεχνολογία θα χρησιμοποιείται ως εξισωτής για τις υπάρχουσες ανισότητες στον κόσμο, αυτό είναι μια σημαντική πρόκληση.

Quiz question 1/8

Μια σημαντική αναδυόμενη τάση της μηχανικής μάθησης είναι να υπάρχουν μηχανές που να μπορούν να προσαρμόζονται στους ανθρώπινους χρήστες, να μιλούν τη γλώσσα τους. Οι άνθρωποι περνούν τον περισσότερο χρόνο τους μιλώντας και ακούγοντας ο ένας τον άλλον σε ομιλούμενη γλώσσα. Το μέλλον της αλληλεπίδρασης των ανθρώπινων μηχανών είναι να έχουμε συστήματα που μπορούν να αλληλεπιδρούν μαζί μας με τρόπο που είναι οικείος σε εμάς, είτε μέσω γλώσσας είτε μέσω οπτικών εφέ. Η πρόκληση της γλωσσικής τεχνολογίας είναι η διαφορετική πρόσβαση σε τεχνολογίες ανάλογα με τη χώρα και τη γλώσσα.


Quiz question 1/1

You have completed the Quiz!

Loading...

The learning unit has not been completed

You have successfully completed the learning unit.