INTELLIGENTIE VAN ARTISTIEKEN EN TRAINING OP DE VEILIGHEIDSWEG.

De termen AI en Deep Learning komen vaker voor in termen van fysieke beveiliging, dus het is belangrijk om deze koppen te onderscheiden. Een korte geschiedenis helpt ons te begrijpen hoe de termen zijn ontstaan ​​en hun betekenis uit te leggen.

Artificial Intelligence (AI) is de menselijke intelligentie die wordt vertegenwoordigd door Machines. De term verscheen in 1956 en werd voor het eerst geïntroduceerd door computers, die de beperkte aspecten van de menselijke geest laten zien. Aanvankelijk kon alleen Dar dar AI worden bereikt, deze technologieën konden eenvoudige taken uitvoeren of beter zijn dan mensen.

Begin jaren tachtig bereikten halfgeleiderprocessors een kritische limiet op rekenkracht. Deze kracht kan economisch worden toegepast op een verscheidenheid aan elektronisch aangedreven machines en heeft het tijdperk van Machine Learning (ML), dat een subset van AI is, maar complexere en nuttigere toepassingen heeft ingeluid. Snelle kostenbesparingen en verbeterde verwerkingsmogelijkheden hebben het mogelijk gemaakt om meer geavanceerde algoritmen toe te passen en praktische ML te ontwikkelen.

OPLEIDING

In ML gebruiken algoritmen de informatie om eenvoudige of zeer complexe berekeningen uit te voeren en het antwoord te vinden, waardoor dat antwoord de juiste en meest effectieve manier is. Het gebruik van een algoritme voor het voorspellen van de uitkomst van gebeurtenissen is geen ML. Het gebruik van voorspellende resultaten om toekomstige prognoses te verbeteren, is een goed voorbeeld van ML.

Het gebruik van een algoritme om antwoorden te berekenen, betekent niet automatisch ML- of AI-gebruik. ML-algoritmen moeten worden ontworpen om te leren hoe gegevens te classificeren en te verwerken en om het systeem effectief te trainen voor betere prestaties in de loop van de tijd. De effectiviteit en nauwkeurigheid van het algoritme hangt af van hoe goed het algoritme is ontworpen voor zijn geplande taken.

AI is een breed begrip, maar ML verwijst naar het gebruik van computers om de cognitieve functies van mensen na te bootsen. AI is een "bewuste" manier om taken uit te voeren op basis van algoritmen. ML is een subset van AI die zich richt op het vermogen van machines om zelf te verzamelen en te leren, om algoritmen te veranderen naarmate ze zich meer bewust worden van de gegevens die worden verwerkt.

Computers leren het menselijk denken te vermenigvuldigen, is onder meer door het gebruik van neurale netwerken. Het brein probeert constant de informatie die wordt verwerkt te begrijpen en verdeelt ze daarom in categorieën en categorieën. Wanneer we iets nieuws tegenkomen, proberen we het met bepaalde dingen te vergelijken, zodat we het kunnen begrijpen en begrijpen.

Neurale netwerken werken op computers. Omdat de hersenen patronen kunnen identificeren en informatie kunnen categoriseren en classificeren, vermenigvuldigen neurale netwerken zich op computers:

• Haal betekenis uit grote en complexe informatie

• Identificeer trends en identificeer patronen

• Leer door voorbeeld

LEES:

Door de ontwikkeling van halfgeleiders in 2010 konden programmeurs Deep Learning (DL) nastreven en nog betere resultaten behalen. De kop verwijst naar een ander niveau dieper dan ML, dus DL wordt opnieuw beschouwd als een subset van AI. Het concept van diep leren wordt soms 'diepe neurale netwerken' genoemd, die naar vele lagen verwijzen. Een neuraal netwerk kan één gegevenslaag hebben en twee of meer in een diep neuraal netwerk. Lagen kunnen worden gezien als een ingebedde hiërarchie van relevante concepten of beslissingsbomen, waarbij het antwoord op één vraag leidt tot een reeks diep gerelateerde vragen.

Daarom is de DL een subset van ML. Het gebruikt enkele ML-technieken om echte problemen op te lossen door toegang te krijgen tot neurale netwerken die menselijke besluitvorming nabootsen. De DL vereist een grote set op zichzelf staande datasets. Dit komt omdat er zoveel parameters zijn die eerst door het algoritme moeten worden begrepen, wat in eerste instantie veel positieve en positieve resultaten kan opleveren. Een deep learning-algoritme kan bijvoorbeeld de instructie krijgen om het uiterlijk van de aanvaller te "leren", zijn gedrag te evalueren en de voortgang ervan te volgen. Op basis van de beperkte CCTV-invoer heeft u een grote set nauwkeurige gegevens nodig om de kleine details te kennen waardoor mensen opvallen. De DL moet leren de ontbrekende informatie in te vullen.

DL-netwerken moeten veel zien om te leren. In plaats van elementen met identificeerbare randen te programmeren, leert het systeem vele miljoenen gegevenspunten aan te raken. Als een vroeg voorbeeld hiervan leert Google Brain katten herkennen na het weergeven van meer dan tien miljoen afbeeldingen. Deep learning-netwerken mogen niet worden geprogrammeerd met criteria die de elementen definiëren; ze kunnen randen detecteren door te worden blootgesteld aan grote hoeveelheden gegevens.

DL heeft zakelijke applicaties. Het kan een enorme hoeveelheid gegevens vergen - bijvoorbeeld miljoenen foto's en herkenning van bepaalde functies. Tekstgebaseerd zoeken, fraudedetectie, spamdetectie, handschriftherkenning, zoeken naar afbeeldingen, spraakherkenning, Street View en vertaling zijn allemaal taken die kunnen worden bereikt door middel van diepgaande studie. Deep learning-netwerken hebben veel handmatige en op regels gebaseerde systemen vervangen.

Voor AI, ML of DL is succesvol gebruik van algoritmen van hoge kwaliteit. Beslissingen moeten gebaseerd zijn op grote, schone en zinvolle informatie. Zonder de juiste informatie zal DL bevooroordeeld zijn. De resultaten zijn niet te vertrouwen als er onnauwkeurige of ontbrekende gegevens beschikbaar zijn.