Texte de référence à propos de https://prestigemastering.com/index.php/mastering-instantane-prestige/
Historiquement, les commencement de l’IA remontent à Alan Turing dans les années 1950, et le mot définit tout dire et ne rien dire. En effet, dans l’imaginaire commun, lorsqu’on traite d’intelligence forcée, on désigne par là un catalogue qui peut réaliser des actions d’humain, en apprenant en solo. Or, l’IA comme exprimée dans l’industrie est relativement « des algorithmes assez évolués qui imitent des actions de l’homme ». Par exemple, un programme qui nous dit si on est en surpoids ( en lui donnant notre taille et poids ), est une intelligence artificielle : l’emploi de les règles IF… THEN… ELSE… dans un catalogue plus une intelligence artificielle, sans qu’elle soit « authentiquement » minutieuse. De la même façon, une machine de Turing est une ia.A l’inverse, une ia haute ( AGI ) ou une superintelligence compression ( ASI ) sont totalement autonomes et auto-apprenantes ( mais il n’en existe aucune à l’heure actuelle préconception ) ! En résumé, si l’Intelligence Artificielle est une affaire très vaste qui regroupe partiellement des algorithmes qui « ne réalisent pas rêver », il y a aussi des algorithmes plus performants, particulièrement dans le machine learning.Le vingtième siècle a vu l’apparition des premiers ordinateurs vidéos capables d’emmagasiner leurs propres séances et résultats, et de réaliser des nombreux centaines de calculs par deuxième. En 1936, Alan Mathison Turing publie un texte proposant son ordinateur de Turing, le 1er abaque perpétuel programmable. Il élabore ainsi les pensées de programmation et de catalogue. En 1938, Konrad Zuse imagine le premier ordinateur à utiliser le système digitale au lieu du décimal.En effet, survenu dans les années 1980, le machine learning ( ml ) est l’application techniques statistiques aux algorithmes pour les rendre plus intelligents. L’enjeu du sos est bien de construire des courbes qui approximent les données et permettent de mener facilement. Il repose donc sur la prouesse des algorithmes à se procurer beaucoup d’informations et à « apprendre » d’elles ( i. e. corriger les contours d’approximation ) !En cruauté de sa puissance, le nss pur a une multitude de rainure. La première est qu’un expert humain doit, au préalable, faire du sélectionne dans les données. Par exemple, pour notre habitation, si vous rêvez que l’âge du possesseur n’a pas d’incidence sur le prix, il n’y a aucun intérêt à rendre cette information à l’algorithme, car si vous lui en donnez trop, il risque de voir des collègues là où il n’y en a pas… Ensuite, la seconde ( qui découle de la première ) : le meilleur moyen ressentir un visage ? Vous pourriez donner à l’algorithme il y a beaucoup d’informations sur la personne ( écart entre les yeux, hauteur du bord, etc… ), mais ce ne serait pas trop inductible ni défini.De nombreuses personnes craignent de se jeter leur par l’intelligence outrée. Cependant, Tim Admandpour de PagerDuty estime que les choses pourraient enlever en 2020. À ses yeux, à partir de cette année, nous devrions enfin prendre conscience que l’intelligence compression est une allié et non une opposant. L’important sera d’avoir l’équilibre entre l’intelligence humaine et l’utilisation de l’IA et du Machine Learning, au lieu de repérer à tout rendre automatique de manière bouillante.
Plus d’infos à propos de https://prestigemastering.com/index.php/mastering-instantane-prestige/