QUIZ: Τεχνητή Νοημοσύνη
Εξήγηση: Πρόκειται για μία δοκιμασία την οποία δημιούργησε ο Alan Turing το 1950 με σκοπό να ελέγξει αν ένας υπολογιστής παρουσιάζει επίπεδο νοημοσύνης εφάμιλλο της ανθρώπινης. Συγκεκριμένα ο Turing, στο άρθρο του "Computing Machinery and Intelligence", πρότεινε ότι ένας υπολογιστής μπορεί να θεωρηθεί ότι διαθέτει τεχνητή νοημοσύνη αν σε μία συζήτηση με έναν άλλο άνθρωπο καταφέρει να τον πείσει ότι συνομιλεί με άνθρωπο και όχι υπολογιστή.
https://en.wikipedia.org/wiki/Turing_test
Εξήγηση: Πρόκειται για μία δοκιμασία την οποία δημιούργησε ο Alan Turing το 1950 με σκοπό να ελέγξει αν ένας υπολογιστής παρουσιάζει επίπεδο νοημοσύνης εφάμιλλο της ανθρώπινης. Συγκεκριμένα ο Turing, στο άρθρο του "Computing Machinery and Intelligence", πρότεινε ότι ένας υπολογιστής μπορεί να θεωρηθεί ότι διαθέτει τεχνητή νοημοσύνη αν σε μία συζήτηση με έναν άλλο άνθρωπο καταφέρει να τον πείσει ότι συνομιλεί με άνθρωπο και όχι υπολογιστή.
https://en.wikipedia.org/wiki/Turing_test
Η μηχανική μάθηση είναι:Δ - Όλα τα παραπάνω
Εξήγηση: Η μηχανική μάθηση είναι υποπεδίο της επιστήμης των υπολογιστών που αναπτύχθηκε από τη μελέτη της αναγνώρισης προτύπων και της υπολογιστικής θεωρίας μάθησης στην τεχνητή νοημοσύνη. Βασίζεται στην χρήση αλγορίθμων που αναζητούν μοτίβα σε πληθώρα δεδομένων με σκοπό να μάθουν από αυτά και στη συνέχεια να κάνουν προβλέψεις σχετικά με αυτά. Το Netflix, η Amazon και πολλές άλλες εταιρίες, χρησιμοποιούν συστήματα μηχανικής μάθησης που αναλύουν μεγάλα σετ δεδομένων σχετικών με τις προτιμήσεις των πελατών τους και στη συνέχεια κάνουν προβλέψεις για το τι άλλο μπορεί να αρέσει σε κάποιον πελάτη με βάση τις επιλογές που έχει ήδη κάνει (τις σειρές που έχει δει, τα βιβλία που έχει αγοράσει, κ.λπ.) και τις προτιμήσεις που έχουν άλλοι πελάτες, οι οποίοι έχουν κάνει στο παρελθόν παρόμοιες επιλογές.
Δ - Όλα τα παραπάνω
Εξήγηση: Η μηχανική μάθηση είναι υποπεδίο της επιστήμης των υπολογιστών που αναπτύχθηκε από τη μελέτη της αναγνώρισης προτύπων και της υπολογιστικής θεωρίας μάθησης στην τεχνητή νοημοσύνη. Βασίζεται στην χρήση αλγορίθμων που αναζητούν μοτίβα σε πληθώρα δεδομένων με σκοπό να μάθουν από αυτά και στη συνέχεια να κάνουν προβλέψεις σχετικά με αυτά. Το Netflix, η Amazon και πολλές άλλες εταιρίες, χρησιμοποιούν συστήματα μηχανικής μάθησης που αναλύουν μεγάλα σετ δεδομένων σχετικών με τις προτιμήσεις των πελατών τους και στη συνέχεια κάνουν προβλέψεις για το τι άλλο μπορεί να αρέσει σε κάποιον πελάτη με βάση τις επιλογές που έχει ήδη κάνει (τις σειρές που έχει δει, τα βιβλία που έχει αγοράσει, κ.λπ.) και τις προτιμήσεις που έχουν άλλοι πελάτες, οι οποίοι έχουν κάνει στο παρελθόν παρόμοιες επιλογές.
Ο νόμος του Moore αφορά:
Γ - Την παρατήρηση ότι η ισχύς των υπολογιστών διπλασιάζεται κάθε περίπου δύο χρόνια ενώ το κόστος τους μειώνεται στο μισό
Εξήγηση: Σύμφωνα με τον «Νόμο του Moore» ο αριθμός των τρανζίστορ ενός πυκνού ολοκληρωμένου κυκλώματος διπλασιάζεται κάθε δύο χρόνια. Ο «Νόμος» βασίζεται στην παρατήρηση που έκανε το 1965 ο Gordon Moore, συνιδρυτής της εταιρείας Intel. Η παρατήρηση αναθεωρήθηκε το 1975 και επαληθεύεται εμπειρικά μέχρι και σήμερα, οδηγώντας στην εκθετική αύξηση της υπολογιστικής ισχύος που έχουμε σήμερα στα χέρια μας σε απίστευτα προσιτές τιμές. Τα τελευταία χρόνια υπάρχει αρκετός προβληματισμός για το πόσο καιρό ακόμα θα συνεχίσει να “ισχύει” ο νόμος, καθώς η πυκνότητα των ολοκληρωμένων κυκλωμάτων έχει φτάσει στα φυσικά όρια των σημερινών μεθόδων παραγωγής.
https://en.wikipedia.org/wiki/Moore%27s_law
Γ - Την παρατήρηση ότι η ισχύς των υπολογιστών διπλασιάζεται κάθε περίπου δύο χρόνια ενώ το κόστος τους μειώνεται στο μισό
Εξήγηση: Σύμφωνα με τον «Νόμο του Moore» ο αριθμός των τρανζίστορ ενός πυκνού ολοκληρωμένου κυκλώματος διπλασιάζεται κάθε δύο χρόνια. Ο «Νόμος» βασίζεται στην παρατήρηση που έκανε το 1965 ο Gordon Moore, συνιδρυτής της εταιρείας Intel. Η παρατήρηση αναθεωρήθηκε το 1975 και επαληθεύεται εμπειρικά μέχρι και σήμερα, οδηγώντας στην εκθετική αύξηση της υπολογιστικής ισχύος που έχουμε σήμερα στα χέρια μας σε απίστευτα προσιτές τιμές. Τα τελευταία χρόνια υπάρχει αρκετός προβληματισμός για το πόσο καιρό ακόμα θα συνεχίσει να “ισχύει” ο νόμος, καθώς η πυκνότητα των ολοκληρωμένων κυκλωμάτων έχει φτάσει στα φυσικά όρια των σημερινών μεθόδων παραγωγής.
https://en.wikipedia.org/wiki/Moore%27s_law
Όταν λέμε Big Data (μεγάλα δεδομένα) εννοούμε
Β - Πολύ μεγάλα σετ δεδομένων τα οποία περιλαμβάνουν χιλιάδες ή και εκατομμύρια τιμές
Εξήγηση: Ο όρος εισήχθη στα τέλη της δεκαετίας του 90 από επιστήμονες της NASA οι οποίοι δεν μπορούσαν να αναπαραστήσουν γραφικά τα πολύ μεγάλα σε όγκο και πολυπλοκότητα σετ δεδομένων που συνέλεγαν. Το 2012 η εταιρία Gartner έδωσε τον εξής ορισμό: «Τα big data είναι υψηλού όγκου (volume), υψηλής ταχύτητας (velocity) ή υψηλής ποικιλίας (variety) στοιχεία που απαιτούν αποδοτικές και καινοτόμες μορφές επεξεργασίας πληροφοριών». Ο ορισμός της Gartner περιλάμβανε τα "τρία Vs (Volume, Velocity, Variety)" στο οποίο αργότερα προστέθηκε και το τέταρτο, η πιστότητα (Veracity). Παραδείγματα «μεγάλων δεδομένων» είναι αυτά που παράγονται από την αλληλεπίδραση των χρηστών στα social media, από τη μεταβολή των τιμών στα χρηματιστήρια, από την ανάλυση του ανθρώπινου γονιδιώματος, από τους μετεωρολογικούς δορυφόρους, και πολλά άλλα.
https://en.wikipedia.org/wiki/Big_data
Β - Πολύ μεγάλα σετ δεδομένων τα οποία περιλαμβάνουν χιλιάδες ή και εκατομμύρια τιμές
Εξήγηση: Ο όρος εισήχθη στα τέλη της δεκαετίας του 90 από επιστήμονες της NASA οι οποίοι δεν μπορούσαν να αναπαραστήσουν γραφικά τα πολύ μεγάλα σε όγκο και πολυπλοκότητα σετ δεδομένων που συνέλεγαν. Το 2012 η εταιρία Gartner έδωσε τον εξής ορισμό: «Τα big data είναι υψηλού όγκου (volume), υψηλής ταχύτητας (velocity) ή υψηλής ποικιλίας (variety) στοιχεία που απαιτούν αποδοτικές και καινοτόμες μορφές επεξεργασίας πληροφοριών». Ο ορισμός της Gartner περιλάμβανε τα "τρία Vs (Volume, Velocity, Variety)" στο οποίο αργότερα προστέθηκε και το τέταρτο, η πιστότητα (Veracity). Παραδείγματα «μεγάλων δεδομένων» είναι αυτά που παράγονται από την αλληλεπίδραση των χρηστών στα social media, από τη μεταβολή των τιμών στα χρηματιστήρια, από την ανάλυση του ανθρώπινου γονιδιώματος, από τους μετεωρολογικούς δορυφόρους, και πολλά άλλα.
https://en.wikipedia.org/wiki/Big_data
To AlphaGo είναι:
Εξήγηση: Το AlphaGo είναι ένα πρόγραμμα που ανέπτυξε η εταιρεία DeepMind την οποία δημιούργησε ο Ελληνοκύπριος Ντέμης Χασάμπης και αργότερα αγόρασε η Google. Το AlphaGo ξεκίνησε το 2014 σαν ένα πείραμα για να δοκιμαστούν οι ικανότητες των νευρωνικών δικτύων. Ως πεδίο δοκιμής χρησιμοποιήθηκε το αρχαίο κινέζικο επιτραπέζιο παιχνίδι Gο, ένα πολύπλοκο παιχνίδι στρατηγικής, το οποίο εκτιμάτε ότι έχει περίπου 2*10170 συνδυασμούς, περισσότερους από τον εκτιμώμενο αριθμό ατόμων στο σύμπαν. Το AlphaGo κατάφερε σε σύντομο χρονικό διάστημα να μάθει το παιχνίδι και να ξεπεράσει σε ικανότητα τους κορυφαίους αθλητές του πολύ δύσκολου αυτού παιχνιδιού, φτάνοντας το 2016 να κερδίσει τον παγκόσμιο πρωταθλητή Lee Sedo. Η νίκη αυτή αποτελεί ένα πολύ σημαντικό σταθμό στο πεδίο της τεχνητής νοημοσύνης.
https://en.wikipedia.org/wiki/AlphaGo
https://deepmind.com/research/case-studies/alphago-the-story-so-far
Εξήγηση: Το AlphaGo είναι ένα πρόγραμμα που ανέπτυξε η εταιρεία DeepMind την οποία δημιούργησε ο Ελληνοκύπριος Ντέμης Χασάμπης και αργότερα αγόρασε η Google. Το AlphaGo ξεκίνησε το 2014 σαν ένα πείραμα για να δοκιμαστούν οι ικανότητες των νευρωνικών δικτύων. Ως πεδίο δοκιμής χρησιμοποιήθηκε το αρχαίο κινέζικο επιτραπέζιο παιχνίδι Gο, ένα πολύπλοκο παιχνίδι στρατηγικής, το οποίο εκτιμάτε ότι έχει περίπου 2*10170 συνδυασμούς, περισσότερους από τον εκτιμώμενο αριθμό ατόμων στο σύμπαν. Το AlphaGo κατάφερε σε σύντομο χρονικό διάστημα να μάθει το παιχνίδι και να ξεπεράσει σε ικανότητα τους κορυφαίους αθλητές του πολύ δύσκολου αυτού παιχνιδιού, φτάνοντας το 2016 να κερδίσει τον παγκόσμιο πρωταθλητή Lee Sedo. Η νίκη αυτή αποτελεί ένα πολύ σημαντικό σταθμό στο πεδίο της τεχνητής νοημοσύνης.
https://en.wikipedia.org/wiki/AlphaGo
https://deepmind.com/research/case-studies/alphago-the-story-so-far
Τα νευρωνικά δίκτυα είναι:
Α - Αλγόριθμοι μηχανικής μάθησης εμπνευσμένοι από τη λειτουργία των νευρώνων του εγκεφάλου
Εξήγηση: Τα νευρωνικά δίκτυα άρχισαν να αναπτύσσονται σε μία πρώιμη μορφή στις αρχές της δεκαετίας του 1940 ως συστήματα μηχανικής μάθησης, που είχαν σκοπό να επιλύσουν προβλήματα με τρόπο παρόμοιο με τον οποίο θα τα επίλυε το ανθρώπινο μυαλό. Αποτελούνται από κόμβους, που αποκαλούνται τεχνητοί νευρώνες και είναι μοιρασμένοι σε πολλά επίπεδα. Οι κόμβοι συνδέονται μεταξύ τους με συνάψεις, οι οποίες μεταφέρουν τις πληροφορίες από τον έναν στον άλλον και αλλάζουν κατά τη διάρκεια εκπαίδευσης του νευρωνικού δικτύου. Ένα νευρωνικό δίκτυο αποτελείται από νευρώνες εισόδου, που δέχονται τα δεδομένα, νευρώνες εξόδου που εξάγουν τα αποτελέσματα και ενδιάμεσους, ή κρυφούς νευρώνες, που κάνουν τους υπολογισμούς. Ένα νευρωνικό δίκτυο εκπαιδεύεται με τη βοήθεια μεγάλων δεδομένων κατάλληλων για την περίπτωση του προβλήματος υπό επίλυση.
https://en.wikipedia.org/wiki/Artificial_neural_network
Α - Αλγόριθμοι μηχανικής μάθησης εμπνευσμένοι από τη λειτουργία των νευρώνων του εγκεφάλου
Εξήγηση: Τα νευρωνικά δίκτυα άρχισαν να αναπτύσσονται σε μία πρώιμη μορφή στις αρχές της δεκαετίας του 1940 ως συστήματα μηχανικής μάθησης, που είχαν σκοπό να επιλύσουν προβλήματα με τρόπο παρόμοιο με τον οποίο θα τα επίλυε το ανθρώπινο μυαλό. Αποτελούνται από κόμβους, που αποκαλούνται τεχνητοί νευρώνες και είναι μοιρασμένοι σε πολλά επίπεδα. Οι κόμβοι συνδέονται μεταξύ τους με συνάψεις, οι οποίες μεταφέρουν τις πληροφορίες από τον έναν στον άλλον και αλλάζουν κατά τη διάρκεια εκπαίδευσης του νευρωνικού δικτύου. Ένα νευρωνικό δίκτυο αποτελείται από νευρώνες εισόδου, που δέχονται τα δεδομένα, νευρώνες εξόδου που εξάγουν τα αποτελέσματα και ενδιάμεσους, ή κρυφούς νευρώνες, που κάνουν τους υπολογισμούς. Ένα νευρωνικό δίκτυο εκπαιδεύεται με τη βοήθεια μεγάλων δεδομένων κατάλληλων για την περίπτωση του προβλήματος υπό επίλυση.
https://en.wikipedia.org/wiki/Artificial_neural_network
Εξήγηση: Τα συστήματα επιτηρούμενης μηχανικής μάθησης χρησιμοποιούνται για την αναζήτηση συναρτήσεων που μπορούν να αντιστοιχήσουν τα δεδομένα εισόδου με τα δεδομένα εξόδου βάσει ενός μεγάλου αριθμού παραδειγμάτων δεδομένων εισόδου και εξόδου. Τέτοια συστήματα χρησιμοποιούνται, για παράδειγμα, για την αναγνώριση ενός χαρακτήρα σε μία καινούργια φωτογραφία εφόσον έχουν αναλύσει πλειάδα φωτογραφιών που περιέχουν το συγκεκριμένο χαρακτήρα και φωτογραφιών άλλων χαρακτήρων. Το σύστημα επιτηρούμενης μηχανικής μάθησης καλείται να αναλύσει το σετ δεδομένων εκπαίδευσης, χρησιμοποιώντας κατάλληλους αλγορίθμους, οι οποίοι θα καταφέρουν να βρουν συσχετισμούς μεταξύ των δεδομένων εισόδου και εξόδου, ικανών να επιτρέψουν την πρόβλεψη με βάση ένα καινούργιο σετ δεδομένων εισόδου. Για να λειτουργήσει αποτελεσματικά το σύστημα απαιτείται ένας δυνατός υπολογιστής, με την αποτελεσματικότητα να είναι ανάλογη της υπολογιστικής ισχύος.
Εξήγηση: Τα συστήματα επιτηρούμενης μηχανικής μάθησης χρησιμοποιούνται για την αναζήτηση συναρτήσεων που μπορούν να αντιστοιχήσουν τα δεδομένα εισόδου με τα δεδομένα εξόδου βάσει ενός μεγάλου αριθμού παραδειγμάτων δεδομένων εισόδου και εξόδου. Τέτοια συστήματα χρησιμοποιούνται, για παράδειγμα, για την αναγνώριση ενός χαρακτήρα σε μία καινούργια φωτογραφία εφόσον έχουν αναλύσει πλειάδα φωτογραφιών που περιέχουν το συγκεκριμένο χαρακτήρα και φωτογραφιών άλλων χαρακτήρων. Το σύστημα επιτηρούμενης μηχανικής μάθησης καλείται να αναλύσει το σετ δεδομένων εκπαίδευσης, χρησιμοποιώντας κατάλληλους αλγορίθμους, οι οποίοι θα καταφέρουν να βρουν συσχετισμούς μεταξύ των δεδομένων εισόδου και εξόδου, ικανών να επιτρέψουν την πρόβλεψη με βάση ένα καινούργιο σετ δεδομένων εισόδου. Για να λειτουργήσει αποτελεσματικά το σύστημα απαιτείται ένας δυνατός υπολογιστής, με την αποτελεσματικότητα να είναι ανάλογη της υπολογιστικής ισχύος.
Δ - Όλα τα παραπάνω
Εξήγηση: Οι ψηφιακοί βοηθοί εμφανίστηκαν τα τελευταία χρόνια μέσα από τα έξυπνα κινητά. Για να απαντήσουν σε μία ερώτηση όπως “θα χρειαστώ ομπρέλα αύριο;” πρέπει να αναγνωρίσουν ως φωνή τους ήχους που φτάνουν από το στομα μας στο μικρόφωνο του κινητού, να καταλάβουν τι ακριβώς ζητάμε με την συγκεκριμένη ερώτηση και να αναζητήσουν την καλύτερη δυνατή απάντηση. Και στις τρεις περιπτώσεις χρησιμοποιούν υποσυστήματα τεχνητής νοημοσύνης κατάλληλα για να αντεπεξέλθουν στην επιμέρους εργασία που απαιτείται.
Δ - Όλα τα παραπάνω
Εξήγηση: Οι ψηφιακοί βοηθοί εμφανίστηκαν τα τελευταία χρόνια μέσα από τα έξυπνα κινητά. Για να απαντήσουν σε μία ερώτηση όπως “θα χρειαστώ ομπρέλα αύριο;” πρέπει να αναγνωρίσουν ως φωνή τους ήχους που φτάνουν από το στομα μας στο μικρόφωνο του κινητού, να καταλάβουν τι ακριβώς ζητάμε με την συγκεκριμένη ερώτηση και να αναζητήσουν την καλύτερη δυνατή απάντηση. Και στις τρεις περιπτώσεις χρησιμοποιούν υποσυστήματα τεχνητής νοημοσύνης κατάλληλα για να αντεπεξέλθουν στην επιμέρους εργασία που απαιτείται.
