2030-ra legyõzi a mesterséges intelligencia az embert?
Jelentkezz be a hozzászóláshoz.
#166
Példa az algoritmikus és nem algoritmikus gondolkozásra:
Kiválasztási problémák! Az embernek nem kell összehasonlításokat végeznie!
Amig a gépnek igen! Ha mégis kell (speciális esetben)akkor a gép gyõz!
Kiválasztási problémák! Az embernek nem kell összehasonlításokat végeznie!
Amig a gépnek igen! Ha mégis kell (speciális esetben)akkor a gép gyõz!
Mottó: olyan nincs hogy a gyermek nem érti, csak másképp érti... C:
#165
Sõt algoritmikus gondolkozásban a gép most megveri az agyat!
Mottó: olyan nincs hogy a gyermek nem érti, csak másképp érti... C:
#164
No-no! Akkor hogy képes bizonyítottan nem algoritmizálható probléma megoldására?
Például a beszéd értelmezése az, ha tanultál formális nyelvek és automaták nevû tárgyat akkor ezt tudod.
Például a beszéd értelmezése az, ha tanultál formális nyelvek és automaták nevû tárgyat akkor ezt tudod.
Mottó: olyan nincs hogy a gyermek nem érti, csak másképp érti... C:
#163
Lemaradt egy mondat:
Ha noveled, akkor noveled es egyben csokkentheted is a kereses hatekonysagat. Mindossze arra kell torekedni, hogy a vegso keresesek szama, az valahova a teljes ter 2-12 ezreleke koze essen.
Ha noveled, akkor noveled es egyben csokkentheted is a kereses hatekonysagat. Mindossze arra kell torekedni, hogy a vegso keresesek szama, az valahova a teljes ter 2-12 ezreleke koze essen.
#162
> Mivel az ember képes megoldani nem algoritmizálható problémákat is...
Ez nem igy van, az emberi agy is algoritmusok altal mukodik. (lasd #161)
Ez nem igy van, az emberi agy is algoritmusok altal mukodik. (lasd #161)
#161
> Akkor ez nekem is megtalálná az életem párját?
Ha a kinalat (jelenlegi hodoloid) mar adottak es nem tudsz kozuluk valasztani akkor igen. Ertekeled a lanyokat egy tetszoleges skalan (monjuk 1-10) minden szamodra lenyeges szempont alapjan, hogy pl. hogyan mosogatnak, hogyan foznek, hogyan takaritanak, mittomen hogyan hamoznak banant, majd az egyes "kategoriakban" elert pontjaik alapjan beadod a HRS-be, ami vegeredmenyul adja, hogy az N szamu lany kozul melyik all legkozelebb a Te optimumkriteriumaidhoz vagyis masszoval ki az a lany aki az eleted parja.
Ehhez pedig ket fontos dolog kell:
1. A lanyok ismert jellemzoi (pontjai a kulonbozo kategoriakban).
2. A Te kriteriumaid/vagyaid (hogy egyaltalan tudjad, hogy mit is akarsz).
Ha ezek adottak, akkor minden meres utan hiteles valaszt kapsz. Minel tobb lany van a kinalatodban, annal kevesebb meres kell ahhoz, hogy optimum maximumot kapjal.
Ha a ketto kozul valamelyik hianyzik, akkor lenyegesen lassabb lesz kereses, mert ketismeretlenes az egyenleted, ehhez pedig valamilyen modon meg kell teremtened a hianyzo informaciot. Pl. ha nem tudod, hogy mik a vagyaid akkor a Zorax az amire meg pluszban szukseged van, ami veletlenfuggvenyeket general a kulonbozo erdeklodesi koreidre, majd azokkal hatarozod meg a HRS szamara az optimumkriteriumokat. Megcsinalod a keresest, majd mittomen egy 1-5-os skalan ertekeled, hogy mely vagyaid teljesulesevel hogyan voltal megelegedve. Ezt az informaciot eltarolod, majd visszatersz az elozo peldaban a hodoloidhoz, es mar az ismert vagyaiddal kereshetsz koztuk. A valosagban pedig - akkor mar mondjuk ki - ez a tanulas, vagy inkabb elettapasztalat gyujtes.
Ez valahogy igy nezne ki a korabban targyalt algoritmusokkal:
ZMI = Zorax + HRS
Egyebkent maga a kreativitas is igy mukodik, csak sokkal tobb veletlen generalas es optimumkereses-t kell elvegezni, majd az eredmenyeket a legkulonbozofelekeppen osszekapcsolni es ujbol keresni, egeszen addig amig el nem jutsz a kivant eredmenyekhez. Ehhez viszont a ket fenti algoritmushoz mar kellene egy kiegeszito sokdimenzios adatbazisrendszer is, ami a tapasztalatokat gyujti, majd neha nemelyiket ujbol felhasznalja a tovabbi finomitasra. Lenyegeben ez mar egy mukodokepes neuronhalo.
Ha a kinalat (jelenlegi hodoloid) mar adottak es nem tudsz kozuluk valasztani akkor igen. Ertekeled a lanyokat egy tetszoleges skalan (monjuk 1-10) minden szamodra lenyeges szempont alapjan, hogy pl. hogyan mosogatnak, hogyan foznek, hogyan takaritanak, mittomen hogyan hamoznak banant, majd az egyes "kategoriakban" elert pontjaik alapjan beadod a HRS-be, ami vegeredmenyul adja, hogy az N szamu lany kozul melyik all legkozelebb a Te optimumkriteriumaidhoz vagyis masszoval ki az a lany aki az eleted parja.
Ehhez pedig ket fontos dolog kell:
1. A lanyok ismert jellemzoi (pontjai a kulonbozo kategoriakban).
2. A Te kriteriumaid/vagyaid (hogy egyaltalan tudjad, hogy mit is akarsz).
Ha ezek adottak, akkor minden meres utan hiteles valaszt kapsz. Minel tobb lany van a kinalatodban, annal kevesebb meres kell ahhoz, hogy optimum maximumot kapjal.
Ha a ketto kozul valamelyik hianyzik, akkor lenyegesen lassabb lesz kereses, mert ketismeretlenes az egyenleted, ehhez pedig valamilyen modon meg kell teremtened a hianyzo informaciot. Pl. ha nem tudod, hogy mik a vagyaid akkor a Zorax az amire meg pluszban szukseged van, ami veletlenfuggvenyeket general a kulonbozo erdeklodesi koreidre, majd azokkal hatarozod meg a HRS szamara az optimumkriteriumokat. Megcsinalod a keresest, majd mittomen egy 1-5-os skalan ertekeled, hogy mely vagyaid teljesulesevel hogyan voltal megelegedve. Ezt az informaciot eltarolod, majd visszatersz az elozo peldaban a hodoloidhoz, es mar az ismert vagyaiddal kereshetsz koztuk. A valosagban pedig - akkor mar mondjuk ki - ez a tanulas, vagy inkabb elettapasztalat gyujtes.
Ez valahogy igy nezne ki a korabban targyalt algoritmusokkal:
ZMI = Zorax + HRS
Egyebkent maga a kreativitas is igy mukodik, csak sokkal tobb veletlen generalas es optimumkereses-t kell elvegezni, majd az eredmenyeket a legkulonbozofelekeppen osszekapcsolni es ujbol keresni, egeszen addig amig el nem jutsz a kivant eredmenyekhez. Ehhez viszont a ket fenti algoritmushoz mar kellene egy kiegeszito sokdimenzios adatbazisrendszer is, ami a tapasztalatokat gyujti, majd neha nemelyiket ujbol felhasznalja a tovabbi finomitasra. Lenyegeben ez mar egy mukodokepes neuronhalo.
#160
Amikor megkérdeztem hogy algoritmizálható problémát megoldhat-e az MI akkor arra szerettem volna utalni, hogy amig csak algoritmusokban gondolkodunk mint MI addig az nem lesz fejlettebb az emberinél...
Mivel az ember képes megoldani nem algoritmizálható problémákat is...
Mivel az ember képes megoldani nem algoritmizálható problémákat is...
Mottó: olyan nincs hogy a gyermek nem érti, csak másképp érti... C:
#159
> És ezt 4 pontra csinálja csak, nem?
Nem. Mar tisztaztuk, NEM 2D, az CSAKIS es kizarolag a kepernyon valo megjelenites miatt 90 fokban elforditva. Ez a Tejfalussy-elrendezes - amit szinten reszletez - hogy tetszoleges szamu dimenziot meg tud jeleniteni 2D/3D vetuletben - fuggoen attol, hogy kiterited-e vagy nem.
Itt ez a kep. Amit lathatsz rajta, hogy hogyan lettek felveve a kezdeti pontok. Ezen pontok csoportjat hivja "ablaknak". Ha noveled
> Lehet hogy rosszul értettem az oldal szövegét, de az, hogy 4 szomszédon keresgélsz (mondjuk 6 dimenzióban a valódi 12 szomszéd helyett)
Egesz biztosan rosszul ertetted, mert meg 12-nel is tobb szomszedon keres amit szinten inputkent meg lehet hataroznod az optimumkriteriummal egyutt. Megismetlem megint, ezeket is figyelembe veve mindosszesen a ter 2-12 ezreleket elegendo megmerni, mert legfeljebb 12 ezrelek mar biztosan globalis optimumot ad. Egeszen pontosan WxN pontokon keres, ahol W az ablakmeret, N pedig a dimenziok szama.
> A véletlenrõl: ezeket az "elején felvett" pontokat hogy választja? Nem véletlen módon?
Nem, ez az ominozus algoritmus elore meghatarozottan veszi fel. (lasd fenti kep)
Mert az oldal azt írja:
"mérjünk meg néhány tetszõleges pontot a mátrixból"
Ahol a tetszoleges azt jelenti, hogy tokmindegy mely pontokat. Magyarul: ha akarod Te hatarozod meg a kezdopontokat, vagy ha mar ennyire udvarolni akarsz annak a nyavajas veletlenszamgeneratornak, akkor felveheted azzal is a pontokat. <#wink>
Nem. Mar tisztaztuk, NEM 2D, az CSAKIS es kizarolag a kepernyon valo megjelenites miatt 90 fokban elforditva. Ez a Tejfalussy-elrendezes - amit szinten reszletez - hogy tetszoleges szamu dimenziot meg tud jeleniteni 2D/3D vetuletben - fuggoen attol, hogy kiterited-e vagy nem.
Itt ez a kep. Amit lathatsz rajta, hogy hogyan lettek felveve a kezdeti pontok. Ezen pontok csoportjat hivja "ablaknak". Ha noveled
> Lehet hogy rosszul értettem az oldal szövegét, de az, hogy 4 szomszédon keresgélsz (mondjuk 6 dimenzióban a valódi 12 szomszéd helyett)
Egesz biztosan rosszul ertetted, mert meg 12-nel is tobb szomszedon keres amit szinten inputkent meg lehet hataroznod az optimumkriteriummal egyutt. Megismetlem megint, ezeket is figyelembe veve mindosszesen a ter 2-12 ezreleket elegendo megmerni, mert legfeljebb 12 ezrelek mar biztosan globalis optimumot ad. Egeszen pontosan WxN pontokon keres, ahol W az ablakmeret, N pedig a dimenziok szama.
> A véletlenrõl: ezeket az "elején felvett" pontokat hogy választja? Nem véletlen módon?
Nem, ez az ominozus algoritmus elore meghatarozottan veszi fel. (lasd fenti kep)
Mert az oldal azt írja:
"mérjünk meg néhány tetszõleges pontot a mátrixból"
Ahol a tetszoleges azt jelenti, hogy tokmindegy mely pontokat. Magyarul: ha akarod Te hatarozod meg a kezdopontokat, vagy ha mar ennyire udvarolni akarsz annak a nyavajas veletlenszamgeneratornak, akkor felveheted azzal is a pontokat. <#wink>
#158
Lehet hogy rosszul értettem az oldal szövegét, de az, hogy 4 szomszédon keresgélsz (mondjuk 6 dimenzióban a valódi 12 szomszéd helyett), az 2D vetületet jelent. Az hogy idõnként egy transzformációval felcseréli a szomszédsági viszonyokat, még nem jelenti, hogy 6D lenne a lokális keresés egy-egy lépése. Ahogy írod is:
"kizarolag az elejen felvett pontok korul csinal csak optimum ellenorzest"
És ezt 4 pontra csinálja csak, nem? Pedig az eredeti térben sokkal több szomszédja van mindegyiknek.
A véletlenrõl: ezeket az "elején felvett" pontokat hogy választja? Nem véletlen módon? Mert az oldal azt írja:
"mérjünk meg néhány tetszõleges pontot a mátrixból"
Ez nekem eléggé random választásnak hangzik...
">> ez szimplán nem igaz.
De igen, a fenti algoritmusra."
Kevered az algoritmust a problémával. Bármilyen folytonossági tulajdonság a problémáé lehet csak, nem az algoritmusé. Egy algoritmus nem tudja garantálni a feltételeket, ha azok nem igazak a problémára.
Egyébként le van ez az algoritmus publikálva valahol? Mert az ám a legjobb módja a zseniálisan új dolgok elterjesztésének... mindenesetre a belinkelt oldalon egy fia publikációra sincs hivatkozás, sem sajátra, sem máséra. Az, hogy egy módszer forradalmi-e, leginkább azzal lehet lemérni, hogy ismert problémákon benchmarkokban megveri a többi ismert algoritmust. Nem szakterületem az optimalizáció, de ezt az eddig látottak alapján eléggé kétlem: az általam ismert eljárások jóval okosabban használják ki a deriváltakat (pl. konjugált gradiens), a véletlen sorsolást (pl. CE) és lokális-globális optimumok viszonyát is (pl. STAGE), mint ez.
"kizarolag az elejen felvett pontok korul csinal csak optimum ellenorzest"
És ezt 4 pontra csinálja csak, nem? Pedig az eredeti térben sokkal több szomszédja van mindegyiknek.
A véletlenrõl: ezeket az "elején felvett" pontokat hogy választja? Nem véletlen módon? Mert az oldal azt írja:
"mérjünk meg néhány tetszõleges pontot a mátrixból"
Ez nekem eléggé random választásnak hangzik...
">> ez szimplán nem igaz.
De igen, a fenti algoritmusra."
Kevered az algoritmust a problémával. Bármilyen folytonossági tulajdonság a problémáé lehet csak, nem az algoritmusé. Egy algoritmus nem tudja garantálni a feltételeket, ha azok nem igazak a problémára.
Egyébként le van ez az algoritmus publikálva valahol? Mert az ám a legjobb módja a zseniálisan új dolgok elterjesztésének... mindenesetre a belinkelt oldalon egy fia publikációra sincs hivatkozás, sem sajátra, sem máséra. Az, hogy egy módszer forradalmi-e, leginkább azzal lehet lemérni, hogy ismert problémákon benchmarkokban megveri a többi ismert algoritmust. Nem szakterületem az optimalizáció, de ezt az eddig látottak alapján eléggé kétlem: az általam ismert eljárások jóval okosabban használják ki a deriváltakat (pl. konjugált gradiens), a véletlen sorsolást (pl. CE) és lokális-globális optimumok viszonyát is (pl. STAGE), mint ez.
#157
Akkor ez nekem is megtalálná az életem párját?
Mert ugyanis nem az a legnagyobb kérdés az életben, hogy milyen útvonalon tudok eljutni Bp.-rõl Sopronba, hanem az, hogy kit vigyek az ágyamba, megpályázzam-e azt a másik állást, stb. Ehhez kell intelligencia.
Az útvonaltervezés, szövegszerkesztés, nem intelligenciaigényes feladat.
Mert ugyanis nem az a legnagyobb kérdés az életben, hogy milyen útvonalon tudok eljutni Bp.-rõl Sopronba, hanem az, hogy kit vigyek az ágyamba, megpályázzam-e azt a másik állást, stb. Ehhez kell intelligencia.
Az útvonaltervezés, szövegszerkesztés, nem intelligenciaigényes feladat.
Kara kánként folytatom tanításom.
#156
> Olyan ez, amikor végignézek a metrókocsin, mind számomra érdektelen muki, és máris átlagolok és lezárom az ügyet. Közben, az egyik sarokban ott lapul egy szexbomba, aki meg tudná változtatni az egész életem.
Erre mar valaszoltam tobbszor is: folytonos terben keres nem pedig kvazi randomban. Illetve kombinatorikai problemakra ad valaszt. Peldaul, veszel ket tetszoleges halozati eszkozt az interneten, beadod neki a koztuk levo osszes lehetseges csomopontok szamat, azok savszelesseget, (netan a pillanatnyi terheltseget) es megmondja neked, hogy melyik uton a legcelszerubb elindulnod, hogy a ket eszkoz kozott a legnagyobb savszelessegen tudjal adatokat tovabbitani.
Erre mar valaszoltam tobbszor is: folytonos terben keres nem pedig kvazi randomban. Illetve kombinatorikai problemakra ad valaszt. Peldaul, veszel ket tetszoleges halozati eszkozt az interneten, beadod neki a koztuk levo osszes lehetseges csomopontok szamat, azok savszelesseget, (netan a pillanatnyi terheltseget) es megmondja neked, hogy melyik uton a legcelszerubb elindulnod, hogy a ket eszkoz kozott a legnagyobb savszelessegen tudjal adatokat tovabbitani.
#155
Köszi a linket, most nincs idõm elmerülni benne. Csak annyi ütötte meg a szemem, hogy Fourier (és nem furier) transzformációkat használ.
Nekem valahogy az az érzésem, hogy ez akkor a kukába dobhat hasznos infókat is. a legöbbször persze bejön a tipp, de mi van, ha épp egy fontos szingularitás esik ki a mintavételbõl.
Olyan ez, amikor végignézek a metrókocsin, mind számomra érdektelen muki, és máris átlagolok és lezárom az ügyet. Közben, az egyik sarokban ott lapul egy szexbomba, aki meg tudná változtatni az egész életem.
Nekem valahogy az az érzésem, hogy ez akkor a kukába dobhat hasznos infókat is. a legöbbször persze bejön a tipp, de mi van, ha épp egy fontos szingularitás esik ki a mintavételbõl.
Olyan ez, amikor végignézek a metrókocsin, mind számomra érdektelen muki, és máris átlagolok és lezárom az ügyet. Közben, az egyik sarokban ott lapul egy szexbomba, aki meg tudná változtatni az egész életem.
Kara kánként folytatom tanításom.
#154
> Megnéztem a belinkelt oldalt is. Hát, az ott leírtak alapján ez a HRS sima random mintavétel + lokális optimumkeresés
Pont ez az, hogy nem! (na erre felejtettem el reagalni) Egyetlen inci-finci random nincsen benne, hanem egy elore meghatarozott szabaly szerint jatszik es ettol a szabalyol barmilyen meresi tema eseten sem ter el.
A legegyszerubben ugy lehetne fogalmazni, hogy ez egy sokdimenzios rubikkocka, ahol nem kell kiprobalnod az osszes kombinaciot, hogy kirakjad, hanem mindig ugyanazt a szabalyt koveted es - csunyan fogalmazva - a "kocka rakja ki sajat magat". Pont ez adja a determinisztikussagat is, hogy a kereses szabalya soha nem valtozik, mindig csak a bemeno parameterek valtoznak.
Pont ez az, hogy nem! (na erre felejtettem el reagalni) Egyetlen inci-finci random nincsen benne, hanem egy elore meghatarozott szabaly szerint jatszik es ettol a szabalyol barmilyen meresi tema eseten sem ter el.
A legegyszerubben ugy lehetne fogalmazni, hogy ez egy sokdimenzios rubikkocka, ahol nem kell kiprobalnod az osszes kombinaciot, hogy kirakjad, hanem mindig ugyanazt a szabalyt koveted es - csunyan fogalmazva - a "kocka rakja ki sajat magat". Pont ez adja a determinisztikussagat is, hogy a kereses szabalya soha nem valtozik, mindig csak a bemeno parameterek valtoznak.
#153
Ez kombinatorikai optimumkereses, nem teljesen azonos a Te problemaddal. Most egyebken ertem mire gondoltal korabban es valo igaz, hogy a GA-t nem mindenben valtja ki, csak olyan esetekben ahol nagyon sok dimenzio van, maskulonban valoban nincsen ertelme a gradiensnek.
> Megnéztem a belinkelt oldalt is. Hát, az ott leírtak alapján ez a HRS sima random mintavétel + lokális optimumkeresés, megspékelve azzal, hogy egyszerre csak egy 2D vetületben keresgéli a lokális optimumot, aztán cserél dimenziót.
Ez nem igy van. Nem 2D vetuletet vizsgal hanem nD vetuletet, ill nem cserel dimenziot hanem csinal egy Furier transzformaciot. Erre hivatkozik vektorforgatas cimen. Nem olvastad vegig figyelmesen. Van ott mozaikban elrendezve 4 abra is ahol az elso kepen bemutatja a kereses elso fazisat, inicializalja a kereses kezdopontjait majd a masik harom kepen egy-egy transzformacio utan megfigyelheto, hogy a kezdopontok hogyan szetszorodnak a terben es vegig az optimum centrumok kornyeken "kovalyognak" akarhany transzformaciot is csinalsz. Ezek lathatoak a vekony fekete vonallal hatarolt pontok korul. A kereses pedig ugy zajlik, hogy kizarolag az elejen felvett pontok korul csinal csak optimum ellenorzest es mivel akarhany transzformaciot is csinalsz a pontok az optimum centrumok kornyeken jarnak. Ezert van az, hogy a pesszimum centrumoknak meg csak a kozelebe se megy.
Egyebkent ott csak a megjelenites miatt van a 3D vetulet es nem 2D! <#smile> 3D alatt ertsd: X, Y es a szinertek. Az optimumcentrumok fele vilagosodik a pesszimumcentrumok fele pedig sotetedik.
> Van még pár érdekes dolog az oldalon, pl. "folytonos oksági térben várható, hogy az okozatok is folytonosan képzõdnek le (Aki tudja miért van ez így, jelentkezzen!)" - régi trükk triviálisnak beállítani egy könnyen kritizálható állítást, pedig ez szimplán nem igaz.
De igen, a fenti algoritmusra. Fogalmazhatnam ugy is, hogy akarhogy is nezzuk, a gyakorlatban mukodik, de elmeletben meg nem tudunk valaszokat adni arra, hogy miert, mert nem tudjuk, hogy az n dimenzios folytonos terben akarhogyan vetitjuk egymasra a dimenziokat miert marad a kereses allandoan az optimumcentrumok korul szorosan. Erre vonatkozott a fenti allitas amit beideztel.
> Megnéztem a belinkelt oldalt is. Hát, az ott leírtak alapján ez a HRS sima random mintavétel + lokális optimumkeresés, megspékelve azzal, hogy egyszerre csak egy 2D vetületben keresgéli a lokális optimumot, aztán cserél dimenziót.
Ez nem igy van. Nem 2D vetuletet vizsgal hanem nD vetuletet, ill nem cserel dimenziot hanem csinal egy Furier transzformaciot. Erre hivatkozik vektorforgatas cimen. Nem olvastad vegig figyelmesen. Van ott mozaikban elrendezve 4 abra is ahol az elso kepen bemutatja a kereses elso fazisat, inicializalja a kereses kezdopontjait majd a masik harom kepen egy-egy transzformacio utan megfigyelheto, hogy a kezdopontok hogyan szetszorodnak a terben es vegig az optimum centrumok kornyeken "kovalyognak" akarhany transzformaciot is csinalsz. Ezek lathatoak a vekony fekete vonallal hatarolt pontok korul. A kereses pedig ugy zajlik, hogy kizarolag az elejen felvett pontok korul csinal csak optimum ellenorzest es mivel akarhany transzformaciot is csinalsz a pontok az optimum centrumok kornyeken jarnak. Ezert van az, hogy a pesszimum centrumoknak meg csak a kozelebe se megy.
Egyebkent ott csak a megjelenites miatt van a 3D vetulet es nem 2D! <#smile> 3D alatt ertsd: X, Y es a szinertek. Az optimumcentrumok fele vilagosodik a pesszimumcentrumok fele pedig sotetedik.
> Van még pár érdekes dolog az oldalon, pl. "folytonos oksági térben várható, hogy az okozatok is folytonosan képzõdnek le (Aki tudja miért van ez így, jelentkezzen!)" - régi trükk triviálisnak beállítani egy könnyen kritizálható állítást, pedig ez szimplán nem igaz.
De igen, a fenti algoritmusra. Fogalmazhatnam ugy is, hogy akarhogy is nezzuk, a gyakorlatban mukodik, de elmeletben meg nem tudunk valaszokat adni arra, hogy miert, mert nem tudjuk, hogy az n dimenzios folytonos terben akarhogyan vetitjuk egymasra a dimenziokat miert marad a kereses allandoan az optimumcentrumok korul szorosan. Erre vonatkozott a fenti allitas amit beideztel.
#152
> Pusztán gradiensek alapján nem lehet globális optimumot találni
Kivéve persze kvadratikus esetben :)
Kivéve persze kvadratikus esetben :)
#151
Pusztán gradiensek alapján nem lehet globális optimumot találni. Ha szétnézek, és lokálisan látom, hogy arra emelkedik az út, akkor azon elindulva nincs rá garancia, hogy a Mount Everestre jutok, valószínûbb, hogy csak a Kékesre. Ráadásul a gradiens nincs "listázva" egy keresési problémában sem. Ha az lenne, kár lenne keresgélni, csak integrálni kellene a függvényt. Az én példámnak az felel meg, amikor a sík Alföldön emelek valahol egy vakondtúrást, neked meg ezt kell megtalálnod. Méregetheted a lokális gradienst ahogy akarod, azon kívül, hogy *minden* pontban megméred, azaz random végigkeresed az egész Alföldet, nem tehetsz túl sokat.
Megnéztem a belinkelt oldalt is. Hát, az ott leírtak alapján ez a HRS sima random mintavétel + lokális optimumkeresés, megspékelve azzal, hogy egyszerre csak egy 2D vetületben keresgéli a lokális optimumot, aztán cserél dimenziót. Ez annyira alap technika, hogy még talán szerzõje sincs, mint az összeadásnak. Természetesen a globális optimumra nézve semmilyen garanciája nincs. Az, hogy ebben a konkrét problémában viszonylag gyorsan megtalálta, az a mázliján és a kedvezõ problémán múlt. Nem is írja, hogy hogy generálta ezt a konkrét példát, amit bemutat, pedig épp az lenne lényeges: valahogy a kapcsolós példából (ahol a 6 kapcsoló 2-4 állapotáról beszél) átcsúszik a szépen differenciálható végsõ ábrákra, amelyek nyilván nem a kapcsolós példához tartoznak. A kapcsolós esetben egyetlen pont lenne kék (az az alrendezés, ahol kigyullad a lámpa), míg az összes többi szürke (a lámpa nem ég). Történetesen ez épp egybeesik az én vakondtúrásos példámmal és nem lehet szépen megoldani, akármilyen okos is legyen egy algoritmus. Az algoritmusa a lokális gradienskeresésnél simán lehalna: minden pont - a vakondtúráson kívül - lokális optimum, szóval az egész teret random végig kell keresnie. Másképp: ha random beállítod a kapcsolókat és a lámpa nem ég, honnan tudhatnád, melyik kapcsolót kell átkapcsolni, hogy közelebb juss az "égõ lámpa" állapothoz?
Van még pár érdekes dolog az oldalon, pl. "folytonos oksági térben várható, hogy az okozatok is folytonosan képzõdnek le (Aki tudja miért van ez így, jelentkezzen!)" - régi trükk triviálisnak beállítani egy könnyen kritizálható állítást, pedig ez szimplán nem igaz. Szakadékhoz közelítve folytonosan változik a lábaim helyzete, de a szakadékot elérve a következmények viszont radikálisan megváltoznak.
Megnéztem a belinkelt oldalt is. Hát, az ott leírtak alapján ez a HRS sima random mintavétel + lokális optimumkeresés, megspékelve azzal, hogy egyszerre csak egy 2D vetületben keresgéli a lokális optimumot, aztán cserél dimenziót. Ez annyira alap technika, hogy még talán szerzõje sincs, mint az összeadásnak. Természetesen a globális optimumra nézve semmilyen garanciája nincs. Az, hogy ebben a konkrét problémában viszonylag gyorsan megtalálta, az a mázliján és a kedvezõ problémán múlt. Nem is írja, hogy hogy generálta ezt a konkrét példát, amit bemutat, pedig épp az lenne lényeges: valahogy a kapcsolós példából (ahol a 6 kapcsoló 2-4 állapotáról beszél) átcsúszik a szépen differenciálható végsõ ábrákra, amelyek nyilván nem a kapcsolós példához tartoznak. A kapcsolós esetben egyetlen pont lenne kék (az az alrendezés, ahol kigyullad a lámpa), míg az összes többi szürke (a lámpa nem ég). Történetesen ez épp egybeesik az én vakondtúrásos példámmal és nem lehet szépen megoldani, akármilyen okos is legyen egy algoritmus. Az algoritmusa a lokális gradienskeresésnél simán lehalna: minden pont - a vakondtúráson kívül - lokális optimum, szóval az egész teret random végig kell keresnie. Másképp: ha random beállítod a kapcsolókat és a lámpa nem ég, honnan tudhatnád, melyik kapcsolót kell átkapcsolni, hogy közelebb juss az "égõ lámpa" állapothoz?
Van még pár érdekes dolog az oldalon, pl. "folytonos oksági térben várható, hogy az okozatok is folytonosan képzõdnek le (Aki tudja miért van ez így, jelentkezzen!)" - régi trükk triviálisnak beállítani egy könnyen kritizálható állítást, pedig ez szimplán nem igaz. Szakadékhoz közelítve folytonosan változik a lábaim helyzete, de a szakadékot elérve a következmények viszont radikálisan megváltoznak.
#150
A valasz egyszeru: nem. <#smile> Mivel maga az MI algoritmusokra epul, olyan problemakra soha nem fog tudni valaszt adni ami algoritmusokkal nem leirhato, hiszen magat a problemat is algoritmusokkal kellene megfogalmaznia.
#149
Léteznek algoritmikusan nem megoldható problémák, nem tudom az MI képes lesz ezeket megoldani?
Mottó: olyan nincs hogy a gyermek nem érti, csak másképp érti... C:
#147
Vegre valahara megtalaltam a Zorax-ot is, amit a HRS-sel osszekapcsolva neuronhalot lehet vele epiteni.
#145
> Melyik algoritmus az?
HRS (ezt kukacosnak is kuldom)
> Én amúgy nem hiszem, hogy egy csodaalgoritmus minden problémát megoldana.
Mindenhato algoritmus nincsen. Ez sem az. Ez egy kombinatorikai szamitasok egy valfajat leegyszerusito algoritmus.
HRS (ezt kukacosnak is kuldom)
> Én amúgy nem hiszem, hogy egy csodaalgoritmus minden problémát megoldana.
Mindenhato algoritmus nincsen. Ez sem az. Ez egy kombinatorikai szamitasok egy valfajat leegyszerusito algoritmus.
#144
A free lunch alapmu.
> Optimalizálásban nem léteznek mindig jól mûködõ algoritmusok, csak olyanok, amik egy adott problémacsaládon jobban mûködnek, mint az általánosak.
Ezert vannak kikotesek a bemeneti parameterek kozt. Az egyik ilyen az ok-okozati viszony. Enelkul nem is beszelhetunk optimumkeresesrol. Tehat ha egy vallalati koltsegvetes hatekonysagot akarok optimalizalni es imputnak beviszem az osszes szukseges penzugyi adatot + azt amit kezdeni akarok veluk (pl. elore meghatarozott uzleti strategiak) akkor ott optimumok fogsz talalni, mert van koztuk ok-okozati osszefugges. De ha egyik parametercsoportnak megadod amobak szaporodasi ciklusat, a masiknak meg a kedvenc Halasz Judit szamodnak a hangmintajat akkor nyilvanvaloan hulyeseget fog talalni nem optimumot. Vagyis, nem teljesult azon alapkriterium ami az ok-okozatisagot eloirja, igy nem beszelhetunk opimumkeresesrol sem.
> Ezt könnyû belátni: például ha egy tetszõlegesen nagy téren értelmezett függvény mindenhol 0, de egyetlen, random választott, az egész térhez képest elhanyagolható méretû tartományban 1, nincs az az algoritmus, ami a véletlen keresgélésnél jobb hatékonysággal tudná ezt megtalálni.
De igen, meghozza a legroszabb esetben is ez lesz a masodik meresi pontja. A HRS gradiensek alapjan keres, minden bemeno parametert interpolal mielott elkezdene foglalkozni vele es a gradiens kulcsertekei vannak a valos adatokhoz hozzarendelve. Igy a Te konkret esetedben amikor inputnak megadod az egyetlen relevans pontot tartalmazo teret, abbol nem marad mas mint - logikailag mondhatjuk igy - egy "ket bites" ter. Magyarul ket pont. Ebbol ugye mar nem nehez optimumot keresni. <#smile>
> A teljesítménymutatóinak is csak úgy van értelme, hogy megadod azt a problémát is, amin futtatták.
Reszben igaz, de abba mas is belekerul - konkretan az adott optimum ellenorzese aminek mar semmi koze az eredeti problemahoz. <#smile>
> Optimalizálásban nem léteznek mindig jól mûködõ algoritmusok, csak olyanok, amik egy adott problémacsaládon jobban mûködnek, mint az általánosak.
Ezert vannak kikotesek a bemeneti parameterek kozt. Az egyik ilyen az ok-okozati viszony. Enelkul nem is beszelhetunk optimumkeresesrol. Tehat ha egy vallalati koltsegvetes hatekonysagot akarok optimalizalni es imputnak beviszem az osszes szukseges penzugyi adatot + azt amit kezdeni akarok veluk (pl. elore meghatarozott uzleti strategiak) akkor ott optimumok fogsz talalni, mert van koztuk ok-okozati osszefugges. De ha egyik parametercsoportnak megadod amobak szaporodasi ciklusat, a masiknak meg a kedvenc Halasz Judit szamodnak a hangmintajat akkor nyilvanvaloan hulyeseget fog talalni nem optimumot. Vagyis, nem teljesult azon alapkriterium ami az ok-okozatisagot eloirja, igy nem beszelhetunk opimumkeresesrol sem.
> Ezt könnyû belátni: például ha egy tetszõlegesen nagy téren értelmezett függvény mindenhol 0, de egyetlen, random választott, az egész térhez képest elhanyagolható méretû tartományban 1, nincs az az algoritmus, ami a véletlen keresgélésnél jobb hatékonysággal tudná ezt megtalálni.
De igen, meghozza a legroszabb esetben is ez lesz a masodik meresi pontja. A HRS gradiensek alapjan keres, minden bemeno parametert interpolal mielott elkezdene foglalkozni vele es a gradiens kulcsertekei vannak a valos adatokhoz hozzarendelve. Igy a Te konkret esetedben amikor inputnak megadod az egyetlen relevans pontot tartalmazo teret, abbol nem marad mas mint - logikailag mondhatjuk igy - egy "ket bites" ter. Magyarul ket pont. Ebbol ugye mar nem nehez optimumot keresni. <#smile>
> A teljesítménymutatóinak is csak úgy van értelme, hogy megadod azt a problémát is, amin futtatták.
Reszben igaz, de abba mas is belekerul - konkretan az adott optimum ellenorzese aminek mar semmi koze az eredeti problemahoz. <#smile>
#143
Optimalizálásban nem léteznek mindig jól mûködõ algoritmusok, csak olyanok, amik egy adott problémacsaládon jobban mûködnek, mint az általánosak. Ezt könnyû belátni: például ha egy tetszõlegesen nagy téren értelmezett függvény mindenhol 0, de egyetlen, random választott, az egész térhez képest elhanyagolható méretû tartományban 1, nincs az az algoritmus, ami a véletlen keresgélésnél jobb hatékonysággal tudná ezt megtalálni. Az általad leírt algoritmus lehet, hogy jobban mûködik mint mondjuk a teljesen általános GA bizonyos problémákon, de egész biztos nem az összesen. A teljesítménymutatóinak is csak úgy van értelme, hogy megadod azt a problémát is, amin futtatták.
Bõvebben a no free lunch tételkör szól errõl, ami formálisan is kimondja, hogy minden optimalizálási algoritmus ekvivalens teljesítmény szempontjából az összes probléma terén:
http://en.wikipedia.org/wiki/No_free_lunch_in_search_and_optimization
Bõvebben a no free lunch tételkör szól errõl, ami formálisan is kimondja, hogy minden optimalizálási algoritmus ekvivalens teljesítmény szempontjából az összes probléma terén:
http://en.wikipedia.org/wiki/No_free_lunch_in_search_and_optimization
#142
Mire a robot:
nem tudom az asszony takaritott... :D
nem tudom az asszony takaritott... :D
Kétféle világ létezik. Az egyik amit látsz és a másik ami mögötte van. Ami mögötte van azt a pénz irányitja. Találd ki melyik világ irányitja melyiket.
#141
Párra biztos könnyebb lesz megtalálni a választ. Olyanokra, meg biztos, hogy hová tettem a tévé távirányítóját.
Kara kánként folytatom tanításom.
#140
Mondjuk én azt sem értem, hogy mibõl gondoljuk hogyha létrehozunk egy mesterséges intelligenciát az majd választ fog/tud adni azokra a kérdésekre amikre mi sem tudunk...
Kétféle világ létezik. Az egyik amit látsz és a másik ami mögötte van. Ami mögötte van azt a pénz irányitja. Találd ki melyik világ irányitja melyiket.
#139
Melyik algoritmus az?
Én amúgy nem hiszem, hogy egy csodaalgoritmus minde problémát megoldana.
Én amúgy nem hiszem, hogy egy csodaalgoritmus minde problémát megoldana.
Kara kánként folytatom tanításom.
#138
Lehet, hogy en fogalmaztam eltulozva, csupan arra akartam kilyukadni, hogy ahova az elmult 30 ev alatt a hardveres technologiaink jutottak, ez a fejlodesi utem az AI szoftvertechnologiakban szinte eszrevehetetlen. Teny, hogy leptunk elobbre algoritmusokban is, de ebben az intervallumban a mai modern hardverek, szoftverfejleszto eszkozok, neurologiai ismeretek mellett ez a fejlodesi utem az AI teruleten - ovatosabban fogalmazva - kisse arcpiritio.
Az az algoritmus amit lentebb irtam, en batran az evtized merfoldkovenek neveznem az AI teruleten. A szegyen viszont az, hogy egyszeruen NINCS erdeklodes iranta! A gazdaja evek ota folyamatosan bombaz vele cegeket, befektetoket, hogy mozduljanak ra, de akkora az erdektelenseg, hogy elkeserito. Ezeket a projekteket komolyan tamogatni kellene, toborozni kore a szakembergardat, de lathatoan nem ez tortenik.
Az az algoritmus amit lentebb irtam, en batran az evtized merfoldkovenek neveznem az AI teruleten. A szegyen viszont az, hogy egyszeruen NINCS erdeklodes iranta! A gazdaja evek ota folyamatosan bombaz vele cegeket, befektetoket, hogy mozduljanak ra, de akkora az erdektelenseg, hogy elkeserito. Ezeket a projekteket komolyan tamogatni kellene, toborozni kore a szakembergardat, de lathatoan nem ez tortenik.
#137
Természetesen.
Mesterséges intelligenciát csak úgy lehet létrehozni, ha úgy tudnak létrehozni egy alapintelligenciát, hogy az önfejlesztõ legyen - ez hordozza azt magával, hogy önálló tudattal fog rendelkezni és esetleg beinti a fityiszt:) -, de ez meg már önmagában annyira komplex feladat lenne, hogy szerintem a jelenlegi programozási nyelvek képtelenek lennének leírni, vagyis én tuti nem állnék neki:)
Mesterséges intelligenciát csak úgy lehet létrehozni, ha úgy tudnak létrehozni egy alapintelligenciát, hogy az önfejlesztõ legyen - ez hordozza azt magával, hogy önálló tudattal fog rendelkezni és esetleg beinti a fityiszt:) -, de ez meg már önmagában annyira komplex feladat lenne, hogy szerintem a jelenlegi programozási nyelvek képtelenek lennének leírni, vagyis én tuti nem állnék neki:)
#136
Kurzweil már minden hülyeséget megjósolt.
P3 Celeron 1000 Mhz, 512 MB SDRAM, Ati Radeon 9550 256 MB, Maxtor 160 GB Minek több?
#135
Mindössze furcsának találtam, hogy elég kiterjedt ismerettel rendelkezel AI szakirányon (gondolom ezzel is foglalkozol), és ilyet írsz, hogy az egész AI színvonala a béka segge alatt van.
- De ezzel saját magad lejáratását folytatod, ezt nem érted meg? Magadat égeted tovább. Ami a legszomorúbb hogy magyar színekben. Tapló. - nem is szines a nevem
#134
A probléma az, hogy az intelligencia annyira bonyolult, hogy a felmerülõ kérdéseket emberi aggyal nem lehet megoldani, tehát magát a primitív mesterséges intelligenciát kellene evolúciós pályára állítani. Ez persze a szellem kieresztése a palackból, reszkír.
Kara kánként folytatom tanításom.
#133
Jobb egyértelmûen lehetne.
Velem gyakran elõfordul - de szerintem másokkal is -, hogy amikor megírok egy programot és tesztelem, akkor állandóan "buzizom" a progit, de aztán rá kell jönnöm, hogy az volt a jobb, mert amikor én agyam már nem bír megbirkózni minden infóbval, addig a progi precízen feldolgozza azokat.
Persze sommásan hangozhat egy ilyen kijelentés, de azon a kicsiny területen, amire fejlesztem valóban jobb, mint az "én agyam úgy álló helyzetbõl".
Hogy oksabb lehet-e, az más kérdés, de miért ne lehetne akár okosabb is? Mi az az "okosság"?
Nincs olyan szerves vagy mesterséges agy a világon, amelyiknek ne lenne szüksége információkra ahhoz, hogy megoldásokat adjon. Na most mivel a gépek kapacitása iszonyatosan nagy, ezért jóval több információt tudnak tarólni és feldolgozni mint a szerves agy.
A megoldás minõsége pedig függ az információ mennyiségétõl illetve azok logikai kapcsolatba való illesztésétõl.
Ha az utóbbit már egy emberi agyhoz közelítõ módon megalkotják, akkor a gép gyõz, mert jóval több infórmációból fog tudni "garázdálkodni", mint én vagy te.
Csak a megsemmísítõ gombot építsék azért bele:)
Velem gyakran elõfordul - de szerintem másokkal is -, hogy amikor megírok egy programot és tesztelem, akkor állandóan "buzizom" a progit, de aztán rá kell jönnöm, hogy az volt a jobb, mert amikor én agyam már nem bír megbirkózni minden infóbval, addig a progi precízen feldolgozza azokat.
Persze sommásan hangozhat egy ilyen kijelentés, de azon a kicsiny területen, amire fejlesztem valóban jobb, mint az "én agyam úgy álló helyzetbõl".
Hogy oksabb lehet-e, az más kérdés, de miért ne lehetne akár okosabb is? Mi az az "okosság"?
Nincs olyan szerves vagy mesterséges agy a világon, amelyiknek ne lenne szüksége információkra ahhoz, hogy megoldásokat adjon. Na most mivel a gépek kapacitása iszonyatosan nagy, ezért jóval több információt tudnak tarólni és feldolgozni mint a szerves agy.
A megoldás minõsége pedig függ az információ mennyiségétõl illetve azok logikai kapcsolatba való illesztésétõl.
Ha az utóbbit már egy emberi agyhoz közelítõ módon megalkotják, akkor a gép gyõz, mert jóval több infórmációból fog tudni "garázdálkodni", mint én vagy te.
Csak a megsemmísítõ gombot építsék azért bele:)
#131
Azért ez az AI kutatás a béka segge alatt van kicsit úgy hangzott, mintha azt mondanád, hogy az egész informatika egy helyben toporog már több, mint 60 éve, mert még mindig a vacak kettes számrendszernél tartanak.
- De ezzel saját magad lejáratását folytatod, ezt nem érted meg? Magadat égeted tovább. Ami a legszomorúbb hogy magyar színekben. Tapló. - nem is szines a nevem
#130
vagy a Mindentudás Egyeteme :-)
Kara kánként folytatom tanításom.
#129
Tessék mondani ez még mindig az SG fóruma?
Kara kánként folytatom tanításom.
#128
JAV:
- a teljes ternek mindossze a 2-12%-at elegendo megmernie, hogy optimumot talaljon
Helyesen:
- a teljes ternek mindossze a 2-12 ezreleket elegendo megmernie, hogy optimumot talaljon
- a teljes ternek mindossze a 2-12%-at elegendo megmernie, hogy optimumot talaljon
Helyesen:
- a teljes ternek mindossze a 2-12 ezreleket elegendo megmernie, hogy optimumot talaljon
#127
Nem. HRS-nek hivjak, ez egy gyokereiben merve uj dolog.
Vannak ennel elkepesztobb dolgok is amik az algoritmus karakterisztikajat illetik:
- NEM kifejezetten celiranyosan keres
- determinisztikus (soha nem maszik el a vegtelenbe, mindig garantaltan vegez es ugyanannyi ido alatt)
- azonos bemeno parametereknel akarhanyszor vegzi el a keresest mindig ugyanazt adja eredmenyul
- a kereses vegen a talalatokbol visszaallithato az eredeti ter
- a teljes ternek mindossze a 2-12%-at elegendo megmernie, hogy optimumot talaljon
- a dimenziok szamanak novekedesevel exponencialisan csokken a mereshez szukseges ido
En azt gondolom, hogy ami igazan nagy durranas lehetett az elmult par evben az ez. Eredetileg katalizator osszetetel keresesere hasznaltak, de azota a gazdaja egyebkent neuronhalon is dolgozik, az emberi kreativitas, tanulas utanzasara hasznalja. General egy veletlen fugvenyekbol allo teret egy fugvenygeneratorral, majd megvizsgalja a teret, hogy illik-e ra az optimumkriterium. Aztan general egy ujabb teret, es igy tovabb. Amikor meg vannak az optimumok, akkor ezket is ujbol alaveti es egymas viszonyai kozt keresi az optimumot. Ha nem elegseges, akkor ujabb teret general es igy tovabb.
Elkepeszto egy ertelmes urgerol van szo egyebkent. Kiszamolta/megbecsulte egy atlagos neuron teljesitmenyet is. Pongyolan, egy x86-os processzorhoz hasonlitva valahol kb. olyan 800Mhz kornyeke lehet.
En az eredeti algoritmus megvalositasaban talaltam egy megvalositasbol fakado teljesitmeny problemat is. (ez mondjuk ilyenkor mikor prototipusrol van szo elfogadott dolog) A jelenlegi projektemhez ezt az algoritmust fogom hasznalni optimumkeresesre es ha ujrairom az implementacios baki nelkul akkor remenyeim szerint a jelenlegi futasi idejet is min. szazadreszere lehet csokkenteni. (itt most ovatosan fogalmaztam, ennyit garantaltan lehet rajta optimalizalni)
Vannak ennel elkepesztobb dolgok is amik az algoritmus karakterisztikajat illetik:
- NEM kifejezetten celiranyosan keres
- determinisztikus (soha nem maszik el a vegtelenbe, mindig garantaltan vegez es ugyanannyi ido alatt)
- azonos bemeno parametereknel akarhanyszor vegzi el a keresest mindig ugyanazt adja eredmenyul
- a kereses vegen a talalatokbol visszaallithato az eredeti ter
- a teljes ternek mindossze a 2-12%-at elegendo megmernie, hogy optimumot talaljon
- a dimenziok szamanak novekedesevel exponencialisan csokken a mereshez szukseges ido
En azt gondolom, hogy ami igazan nagy durranas lehetett az elmult par evben az ez. Eredetileg katalizator osszetetel keresesere hasznaltak, de azota a gazdaja egyebkent neuronhalon is dolgozik, az emberi kreativitas, tanulas utanzasara hasznalja. General egy veletlen fugvenyekbol allo teret egy fugvenygeneratorral, majd megvizsgalja a teret, hogy illik-e ra az optimumkriterium. Aztan general egy ujabb teret, es igy tovabb. Amikor meg vannak az optimumok, akkor ezket is ujbol alaveti es egymas viszonyai kozt keresi az optimumot. Ha nem elegseges, akkor ujabb teret general es igy tovabb.
Elkepeszto egy ertelmes urgerol van szo egyebkent. Kiszamolta/megbecsulte egy atlagos neuron teljesitmenyet is. Pongyolan, egy x86-os processzorhoz hasonlitva valahol kb. olyan 800Mhz kornyeke lehet.
En az eredeti algoritmus megvalositasaban talaltam egy megvalositasbol fakado teljesitmeny problemat is. (ez mondjuk ilyenkor mikor prototipusrol van szo elfogadott dolog) A jelenlegi projektemhez ezt az algoritmust fogom hasznalni optimumkeresesre es ha ujrairom az implementacios baki nelkul akkor remenyeim szerint a jelenlegi futasi idejet is min. szazadreszere lehet csokkenteni. (itt most ovatosan fogalmaztam, ennyit garantaltan lehet rajta optimalizalni)
#126
Mi volt az algoritmus? GA-szerû egyáltalán? MCTS? cross-entropy?
#125
Honnan tudjam? Most linkelhetek neked jó jelölteket, de konkrétan nem tudom, melyik fogja megoldani. Bizonytalan dolgokról beszélgetünk, ki-mit-érez kérdések. Én most akkor kérjem azt cserébe, hogy te meg mondd meg azt a konfigot, amin futni fog? :)
Egyen elgondolkodhatsz: a sakk esetében pl. már ismerjük a konfigot és az algoritmust is. Melyik része akadályozza meg, hogy otthon futtasd: a hardver vagy a szoftver? Melyik megalkotása volt nagyobb teljesítmény?
Vagy csak nézd meg ezt, mekkora gép kell egy egér agyának felét kitevõ neuronháló futtatásához (tavaly áprilisi a hír):
http://news.bbc.co.uk/1/hi/technology/6600965.stm
Egyen elgondolkodhatsz: a sakk esetében pl. már ismerjük a konfigot és az algoritmust is. Melyik része akadályozza meg, hogy otthon futtasd: a hardver vagy a szoftver? Melyik megalkotása volt nagyobb teljesítmény?
Vagy csak nézd meg ezt, mekkora gép kell egy egér agyának felét kitevõ neuronháló futtatásához (tavaly áprilisi a hír):
http://news.bbc.co.uk/1/hi/technology/6600965.stm
#124
Jo, elfogadom. <#worship>
En GA-ra tudok alternativat ami veszett gyors es akar 500% zaj mellett is talal optimum centrumot elkepeszto pontossag mellett. Tavaly szemelyesen is talalkoztam a projekt vezeto kutatojaval es bemutatta nekem eloben is. Hat ulve maradtam amikor a kis mezei asztali PC-je nehany masodperc alatt egy olyan sokdimenzios terben optimumkeresest hajtott vegre ami felett mashol GA-val IBM mainframe-en szoktunk fel delelotton at "kavezgatni". De amitol harom napig eszhez se tertem az az volt amikor lazan rabaszott parszaz szazalekos zajokat a terre es az algoritmus ugyanannyi ido alatt vegzett. Sot, meg 500% szazaleknal is 10-20% pontossag mellett talalt optimumot.
En GA-ra tudok alternativat ami veszett gyors es akar 500% zaj mellett is talal optimum centrumot elkepeszto pontossag mellett. Tavaly szemelyesen is talalkoztam a projekt vezeto kutatojaval es bemutatta nekem eloben is. Hat ulve maradtam amikor a kis mezei asztali PC-je nehany masodperc alatt egy olyan sokdimenzios terben optimumkeresest hajtott vegre ami felett mashol GA-val IBM mainframe-en szoktunk fel delelotton at "kavezgatni". De amitol harom napig eszhez se tertem az az volt amikor lazan rabaszott parszaz szazalekos zajokat a terre es az algoritmus ugyanannyi ido alatt vegzett. Sot, meg 500% szazaleknal is 10-20% pontossag mellett talalt optimumot.
#123
Ha a kapacitás nincs meg hozzá, akkor elég nekem, ha megmutatod az algoritmust, amit használ :)
#122
Állítottam valahol olyat, hogy a gépek olyan okosak, mint az emberek? Ismétlem: nincs meg a kapacitás hozzá... asszem Mérõ írta valahol, hogy ha lesz olyan program, ami megver go-ban egy nagymestert, az arra is képes lesz, hogy azt mondja: "unom a go-t, inkább kártyázzunk".
#121
Hogy egy konkrétumot is mondjak, most próbáltam: a quadcore, 4GB ramos gépemen (tehát az egyik létezõ legjobb asztali gépen) egy 2500x2500-as mátrix invertálása optimalizált algoritmusokkal 3.24 másodperc. Konkrétan tudok egy algoritmusról, ami kétmillió neuronnal (tehát az emberi agy 0.002%-ával) néhány tizedmásodperc alatt megadja az inverzét egy 1 millió dimenziós vektornak. Az asztali gépemen emberi idõben legfeljebb párszáz dimenziós vektorra tudom lefuttatni.
#120
Mondj akkor nekem egy go programot, ami megveri az embert.
Nem nagy tábla, 19*19-es.
Nem nagy tábla, 19*19-es.
#119
> Nagy túlterhelésõ manõverek közben az ember nem dumálgathat és a rádióforgalmazás közben is zavaró lehet.
Na ezen anno magam is ragodtam, hogy radioforgalom vagy egyeb mellekzaj (pl.: turbulencia, over G utan lihego pilota) kozben, hogyan mukodott. Anno ha jol emlekszem meg egy baratomtol kaptam egy konyvet ami ezeknek a tesztelesere is kitert. Na abban voltak olyanok, hogy minden pilotatol kulon hangmintat vettek majd azzal tanittattak be az AI-t minden menupontra. A konyv nem nagyon reklamozta az ezzel kapcsolatos kudarcokat, de az nyilvanvalo volt, hogy nem ment siman. Kesobb aztan oroszok is rakaptak a Mig25-nel. Bar ok nem a berepules kozben hanem mar javaban hadrendben volt amikor a KGB altal kicsempeszett technologiaval felszereltek egy Mig-et.
Egyebkent nem csodalom, hogy nem valt be. A mai napig nincsen megbizhato beszedfelismeres. Nalam is evekig napirenden volt a kerdes es speciel en a mai napig nem tudok olyan gyakorlati alkalmazasarol ahol komplex feladatokra, netan zajos kornyezetben megelegedessel hasznalnak. (Talan meg az Office 2007 SR-je ami elmegy, de kisebb zaj es az idegen hang azt is ugyanugy meghulyiti mint a tobbit.)
Na ezen anno magam is ragodtam, hogy radioforgalom vagy egyeb mellekzaj (pl.: turbulencia, over G utan lihego pilota) kozben, hogyan mukodott. Anno ha jol emlekszem meg egy baratomtol kaptam egy konyvet ami ezeknek a tesztelesere is kitert. Na abban voltak olyanok, hogy minden pilotatol kulon hangmintat vettek majd azzal tanittattak be az AI-t minden menupontra. A konyv nem nagyon reklamozta az ezzel kapcsolatos kudarcokat, de az nyilvanvalo volt, hogy nem ment siman. Kesobb aztan oroszok is rakaptak a Mig25-nel. Bar ok nem a berepules kozben hanem mar javaban hadrendben volt amikor a KGB altal kicsempeszett technologiaval felszereltek egy Mig-et.
Egyebkent nem csodalom, hogy nem valt be. A mai napig nincsen megbizhato beszedfelismeres. Nalam is evekig napirenden volt a kerdes es speciel en a mai napig nem tudok olyan gyakorlati alkalmazasarol ahol komplex feladatokra, netan zajos kornyezetben megelegedessel hasznalnak. (Talan meg az Office 2007 SR-je ami elmegy, de kisebb zaj es az idegen hang azt is ugyanugy meghulyiti mint a tobbit.)
#118
Ahogy írtam lejjebb, épp fordítva: megvannak az algoritmusok, de a kapacitás hiányzik.
#117
A jó mesterséges intelligencia nem jó mesterséges érzést jelent.
Nem arra kell megtanítani a gépeket, hogy hogyan érezzenek, hogyan legyenek szomorúak, etc etc. Ez mind baromi nagy vakvágány, és az ilyen utópiák vezetnek a Skynet-jövõképhez is.
A mesterséges intelligencia szerepe az, hogy egy dinamikusan változtatható környezetben képes legyen felfogni a körülötte zajló eseményeket, és megfelelõen reagálni rájuk. Egyébként ehhez meg megvan a számítási kapacitás, csak a jó algoritmusok hiányoznak.
De egyszer jön egy zseni, valahonnan akár Dél-Ázsiából is akár, és onnantól jöhetnek az áttörések.
Nem arra kell megtanítani a gépeket, hogy hogyan érezzenek, hogyan legyenek szomorúak, etc etc. Ez mind baromi nagy vakvágány, és az ilyen utópiák vezetnek a Skynet-jövõképhez is.
A mesterséges intelligencia szerepe az, hogy egy dinamikusan változtatható környezetben képes legyen felfogni a körülötte zajló eseményeket, és megfelelõen reagálni rájuk. Egyébként ehhez meg megvan a számítási kapacitás, csak a jó algoritmusok hiányoznak.
De egyszer jön egy zseni, valahonnan akár Dél-Ázsiából is akár, és onnantól jöhetnek az áttörések.