Forfatter: Maria

Tilbage i 2006 var der nogle interesser i at gennemføre kunstig intelligens i Googles søgemaskine algoritme. Et par år senere i 2014, blev GoogleBrain etableret efter erhvervelsen af DeepMind, et britisk kunstig intelligens selskab, der blev grundlagt i 2010. De arbejdede på hvordan man spiller videospil baseret på maskine læring og kunstige neurale netværk (Anns). Den smarte kunstige intelligens revolution kan genkende mønstre i digitale repræsentationer af lyde, billeder og data.

Hvad er dyb læring? Det handler om iterativ algoritme, læring på forskellige niveauer af abstraktion, ikke-lineære transformationer og typiske neurale net.

Iterativ algoritme er en enkel måde at løse et problem. Man kommer ikke til at forklare, hvordan iterative algoritmer fungerer da det høre til emnet datastruktur og algoritme.

Big data består af Internet, Meta data: tags, oversættelser, mekanisk Turk. Big Data for sig selv er ikke en nyttig ting. Det er et bundt af oplysninger, med mindre du anvender en metode til at gøre brug af det.

Du kan ikke forstå big data. Ingen af os ville gå og læse en telefonbog. Det er nytteløst. Big data giver mening, hvis du gør brug af det. Algoritmiske fremskridt er umærkede data, uden opsyns omskoling, strukturen NN (har detektorer) og efterfølgende lag af læring. I dag ser efterspørg folk måder til at arbejde på umærkede data.

Før var der 1 mia. synopser i GoogleBrain mens en voksen persons ‘hjerne har 100 billioner synopser og spædbarn har 1q af billioner af synopser. Antallet af synopser per neuron vokser som en magt lov (et udtryk i biologi) i hjerne massen. Der bør være en bedre forbedring for at strukturere dyb lærings metodologi.

Google hævder at deres D-bølge kvantecomputer er 10 gange hurtigere.

D bølge indfødt prøvetagning til dyb læring:

Nedenfor vises D bølge placeringen i processen.

Indtast data -> D Bølge – > klassifikation

Når en algoritme skrives, er der tags med ligheder, der kan hentes på 80 millisekunder såsom: bil, BMW, Porsha etc. Eller nøgleord som: børn,  klovn, sjov og farver med lignende billeder.

Machine learning er en særlig tilgang til beregningsmæssige opgaver. Når en algoritme så er designer skriver en algoritme så er hans eller hendes job ikke færdigt. De skal få deres data gennem forskellige processer for at få det til at fungere korrekt.

For eksempel for at hente data om “Lamborghini”, hvis maskinen henter and, så skal en søgemaskine programmør straffe den for at sende en forkert udgang. Så i maskine læring handler det om at træne algoritmen.

Årene fra 1980s – 2009 var de mørke år.

Ifølge IMAGEnet’s beregning af fejlslag ved genkendelse af billeder mellem 2010 – 2014 var fejlprocenten helt op til 79%, men det blev mindre indtil 2014 hvor den nåede 20%, som tilførte ny primær mening for maskinen.

Menneskehjernen bruger 20w energi, mens din bærbare computer bruger 50W. Din hjerne bruger mere beregning end din bærbare PC.

Så hvad mangler? Der bør foretages mange operationer på en gang at vedtage ændringen. Nogle af jer har måske gættet, hvor jeg vil hen med denne erklæring om Google RankBrain.

Google har algoritmen og dataene til at få algoritmens arbejde til at lykkes. Google har virkelig brug for at skalere tingene op som biologi har gjort under års evolutionen. Google RankBrain er ikke færdig ej heller bør du bekymre dig om bedømmelse af dit websted og SEO processer. Google har algoritmen til at gøre dette arbejde og maskiner til processer det. Google ingeniører kan bygge ny hardware og tage computerens forarbejdning til den helt ny retning, men det tager tid.

Hvorfor har vi brug for big data?

Vi har brug for data til at få det til at fungere. Her er spørgsmålet omkring hvordan denne algoritme vil hjælpe virksomheder og større samarbejder med at løse deres problemer? Sandheden er at de fleste virksomheder ikke bekymre sig omkring dyb læring.

Kunstig intelligens AI i netværks sammenhæng er ligesom at bygge kapaciteter på kapaciteter. Evnen til at forstå sprog og billeder. Evnen til at stille spørgsmål eller at vide, hvad spørgsmål, du bør tænke på.

Organisationer bør demokratisere teknologi for at vinde brugernes tillid, øge deres selskabers andel af tegnebogen og give en god brugeroplevelse.

I søgemaskineoptimerings sammenhæng med Google RankBrain så er algoritmen i sin spæde begyndelse. Her er hvorfor. Vi ser en tendens til helt at fokusere på de menneskelige mærket træningsdata til ukontrollerede tilgange. Der er et mønster i alt; folk behøver ikke at have lærere til at undervise dem ting hele tiden. Afhængigheden af humane data er en skalerbarheds udfordring for denne teknologi. Hvis vi løser denne proces og anvender alle data derude vil det åbne op for en ny verden.

Læring uden opsyn er en type maskine lærings algoritme, der anvendes til at drage slutninger fra datasæt bestående af input data uden mærkede svar. Cluster analyse indebærer anvendelse af en eller flere clustering algoritmer med det mål at finde skjulte mønstre eller grupperinger i et datasæt. Clustering algoritmer danner grupperinger eller clusters på en sådan måde, at data i en cluster har en højere grad af lighed end data i nogen andre clustre.

Hvis vi ser på Nero netværk som indeholder to dele. Selve Neuro netværket og lærings princippet. Hvis vi bygger mere generelle computere, der behandler neurale netværk så er vi nødt til at overvåge dem for at komme videre.

Der har ikke været tilstrækkelige fremskridt inden for uovervåget indlæring derfor behøver du ikke at bekymre dig om RankBrain’s indflydelse på din hjemmeside placering. Google har ikke bygget en uovervåget algoritme til at klare sig bedre end en overvåget algoritme. Google har ikke bygget dem endnu. De har algoritmen og maskinen til at behandle oplysningerne dog skal Google komme op med indlærings principper.

Virksomheder bør se brugen af det. Det er rimeligt at sige, at så længe Google ikke har afsluttet RankBrain algoritme, skal du følge den samme digitale markedsføring såsom: søgemaskineoptimering, mobil markedsføring, PPC processer, da det vil tage tid at opbygge en uovervåget algoritme. Dit job er at teste, hvad der virker for din virksomhed og ikke stole på antagelser.