Egyebek

Tudományos és AI fogalomtár

  • Mesterséges intelligencia (AI): Az intelligencia reprodukciója mesterséges körülmények közt. Sokszor az emberi intelligencia szimulációja feladatok automatizálására, de tágabb értelemben bármilyen adaptív, komplex rendszer létrehozása. Mi számítógépen futó neurális hálókkal hozunk létre olyan AI-okat, melyek olyan feladatokat hajtanak végre amik 10 évvel ezelőtt még elképzelhetetlennek tűntek. A kortárs AI-ok esztétikájára jó példa a DeepDream vagy a GAN-generated faces, ahol a létrehozott arcok nem létező emberekhez tartoznak és a valósággal összetéveszthetőek csakúgy, mint a deep fake videók esetén.

  • Neurális háló: Az emberi agy modellezése során kifejlesztett szimulált “agy”. Akár az idegsejt hálózat csúcsokból és azok kapcsolataiból áll, neurális hálózat esetén rétegekbe strukturálva. Sok olyan tulajdonságot mutat, amiről régebben azt gondolták, hogy csak az ember lehet képes rá, mint a bonyolult mintázatok felismerése, intuíció, figyelem, stb. A különböző típusú rétegek más-más tulajdonságokkal rendelkeznek, például képfeldolgozás esetén élkiemelés vagy mintázat felismerés, idősor elemzésnél a hálózat memóriával rendelkezhet és a rétegek között rekurzív, alsóbb rétegekre mutató kapcsolatok szerepelnek.A hálózat a bemenő adat bizonyos pontjait nagyobb súllyal kezelheti, bizonyos részeit kiemelheti, távoli pontjait klaszterekbe rendezheti vagy egyszerűen csak tömöríthet és az eredmény szempontjából nem értékes információkat kihagyhat. Persze több olyan réteg is van, melynek hatásai nem fordíthatóak le intuitív módon kézzelfogható műveletekre, ám az agy is gyakran egy kép felismeréséhez olyan információkat kapcsol melyek észrevétlenül évek alatt ivódtak belénk, pl természetes számunkra, hogy egy fának egy törzse van, a legtöbb állat pedig szimmetrikus. Az ilyen tulajdonságok mind a hálózat tanítása során rögzülnek a hálózat struktúrájába.

  • Mesterséges intelligencia tanítása: A tanítás során a neurális hálózat rétegei közötti és a rétegeken belüli kapcsolatok kerülnek változtatásra. Felügyelt tanítás (supervised learning) esetén, tudjuk, hogy egy bemeneti információra milyen választ várunk, a hálózatot pedig annak megfelelően módosítjuk, hogy ehhez a várt eredményhez képest milyen választ adott. Pár száz kép alapján már betanítható egy hálózat, hogy felismerje, szerepel-e a képen macska. Százezres tanítóhalmaz esetén például már meghatározható a macskák súlya, mozgásának iránya, vagy kicseréli a macskákat egy kutyákra. Nem felügyelt tanítás (unsupervised learning) esetén a hálózat a bemenő adatok rejtett összefüggéseit és sajátosságait ismeri fel.

  • Gépi látás: Annak a tudománya, hogy informatikai rendszerek információt kapjanak a valóságról, elsősorban kamerák által. Mivel az eszközök nagy része emberközpontú, gyakran az emberi látás utánzására törekszik. Gépi látással dolgozva megérti az ember a saját látásának összetettségét és rendkívüli hatékonyságát.

  • Data mining: Az adatbányászat célja, hogy felhasználható információt nyerjünk ki bonyolult rendszerekből, még nem hasznosított adathalmazokból. A legtöbben nem sejtik, hogy milyen magas értékű, vagy számukra hasznos adatok hevernek parlagon náluk, illetve, hogy milyen egyszerűen lehetne vitális információkat eltárolni a standard workflow változtatása nélkül.

  • Genetikus algoritmus: A természetes evolúció gépi szimulációja, ami az élőlények reprodukció-mutáció-szelekció ciklusát lemásolva optimalizál kódokat és alkot modelleket. Egyelőre még messze elmarad a földi evolúció csodálatos komplexitásától. Ugyanakkor kiválóan lehet vele tökéletesre csiszolni egy kódot, ahogy például a földi evolúció tökéletesre csiszolta a macskafélék mozgását vagy a galambok tüdejét.

  • Detektortechnológia: A fény látható tartományán kívül érzékelő, vagy egyéb fizikai effektust vizsgáló detektorok jól használhatóak a gépi látás kiterjesztéséhez, minőség-ellenőrzéshez vagy bármely egyéb vizsgálathoz. Kiterjesztve a látást infravörös vagy UV tartományra, vagy az anyag elektromos, mágneses tulajdonságainak vizsgálatával nagy mértékben növelhető a kapott adat információtartalma. Spektroszkópiai módszerekkel a vizsgált anyagról kapott információ tovább növelhető.

  • Spektroszkópia: A fény színképének vizsgálatának tudománya, mely mára már kibővült a különböző részecskék spektrumának vizsgálatával. A megfelelő mérési összeállítással a vizsgált objektum anyagi jellemzőit, összetevőit, fizikai tulajdonságait kaphatjuk meg, illetve lehetővé teszi az objektum belsejébe való betekintést.

  • Statisztika: Lényege, hogy összetett, egyben nehezen kezelhető vagy nehezen átlátható dolgokról a lehető legtöbb egyszerű információt tudjuk mondani, melyek számszerűsíthetőek és matematikai modellekben felhasználhatóak.

  • Hálózatok: A világ egy megközelítési módja, miszerint részekre bontható és a részei között relációk vannak. Egy hálózat nem más, mint ennek a látásmódnak a lefordítása egy matematikai modellé, egy hálózattá, ami a részekből és relációikból áll. Például a társadalmunkban az emberi kapcsolatok, az ökoszisztéma és a fajok egymással való viszonya vagy az emberi agy is jól közelíthető ilyen hálózatokkal. Az emberi agy egy egyszerű hálózatos modelljéből fejlődött ki a legtöbb AI amit használunk.


Jogi információk

Hivatkozások

A logónkat Kratochvill Ferenc, kiváló designer tervezte. Csak ajánlani tudjuk a munkáját:

Egyéb képek forrásai:

A U-Net Deep Learning Framework for High Performance Vessel Segmentation in Patients With Cerebrovascular Disease Livne Michelle, Rieger Jana, Aydin Orhun Utku, Taha Abdel Aziz, Akay Ela Marie, Kossen Tabea, Sobesky Jan, Kelleher John D., Hildebrand Kristian, Frey Dietmar, Madai Vince I.Frontiers in Neuroscience, Volume 13, 2019, Page 97 URL https://www.frontiersin.org/article/10.3389/fnins.2019.00097 DOI 10.3389/fnins.2019.00097 ISSN 1662-453X