Lengan robot virtual ini menjadi lebih pintar dengan melatih satu sama lain
Dapatkan link
Facebook
X
Pinterest
Email
Aplikasi Lainnya
Lengan robot virtual telah belajar memecahkan berbagai macam teka-teki - menyusun balok, mengatur meja, menyusun bidak catur — tanpa harus dilatih ulang untuk setiap tugas. Itu dilakukan dengan bermain melawan lengan robot kedua yang dilatih untuk memberikan tantangan yang semakin sulit. Self play: Dikembangkan oleh para peneliti di OpenAI , lengan robot yang identik — Alice dan Bob — belajar dengan bermain permainan melawan satu sama lain dalam simulasi, tanpa masukan manusia. Robot menggunakan pembelajaran penguatan, teknik di mana AI dilatih dengan trial and error tindakan apa yang harus diambil dalam situasi yang berbeda untuk mencapai tujuan tertentu. Gim ini melibatkan benda bergerak di sekitar meja virtual. Dengan menyusun objek dengan cara tertentu, Alice mencoba mengatur teka-teki yang sulit dipecahkan Bob. Bob mencoba memecahkan teka-teki Alice. Saat mereka belajar, Alice membuat teka-teki yang lebih kompleks dan Bob menjadi lebih baik dalam memecahkannya.
Setelah pelatihan tentang teka-teki blok yang dibuat oleh Alice, Bob dapat menggeneralisasi ke berbagai tugas, termasuk mengatur meja dan mengatur bidak catur.Multitasking: Model pembelajaran mendalam biasanya harus dilatih ulang di antara tugas-tugas. Misalnya, AlphaZero (yang juga belajar dengan bermain melawan dirinya sendiri) menggunakan algoritme tunggal untuk belajar bermain catur, shogi, dan Go — tetapi hanya satu gim dalam satu waktu. AlphaZero yang bermain catur tidak bisa memainkan Go dan yang bermain Go tidak bisa bermain shogi. Membuat mesin yang benar-benar dapat melakukan banyak tugas adalah masalah besar yang belum terpecahkan di jalan menuju AI yang lebih umum . AI dojo: Satu masalah adalah bahwa melatih AI untuk melakukan banyak tugas membutuhkan banyak contoh. OpenAI menghindari ini dengan melatih Alice untuk membuat contoh bagi Bob, menggunakan satu AI untuk melatih AI lainnya. Alice belajar untuk menetapkan tujuan seperti membangun menara balok, lalu mengambilnya dan menyeimbangkannya. Bob belajar menggunakan properti lingkungan (virtual), seperti gesekan, untuk menangkap dan memutar objek. Realitas virtual: Sejauh ini pendekatan tersebut hanya diuji dalam simulasi tetapi para peneliti di OpenAI dan di tempat lain semakin baik dalam mentransfer model yang dilatih dalam lingkungan virtual ke yang fisik. Simulasi memungkinkan AI mengaduk-aduk kumpulan data besar dalam waktu singkat, sebelum disetel dengan baik untuk pengaturan dunia nyata. Ambisi keseluruhan: Para peneliti mengatakan bahwa tujuan akhir mereka adalah melatih robot untuk menyelesaikan tugas apa pun yang mungkin diminta oleh seseorang. Seperti GPT-3, model bahasa yang dapat menggunakan bahasa dalam berbagai cara berbeda, lengan robot ini adalah bagian dari ambisi keseluruhan OpenAI untuk membangun AI multitasking. Menggunakan satu AI untuk melatih AI lainnya bisa menjadi bagian penting dari itu.
Saat aplikasi pembelajaran mesin beralih ke arus utama, era baru ancaman dunia maya muncul — era yang menggunakan kecerdasan buatan (AI) ofensif untuk meningkatkan kampanye serangan. AI ofensif memungkinkan penyerang untuk mengotomatiskan pengintaian, membuat serangan peniruan yang disesuaikan dengan kebutuhan, dan bahkan menyebar sendiri untuk menghindari deteksi. Tim keamanan dapat bersiap dengan beralih ke AI defensif untuk melawan — menggunakan pertahanan cyber otonom yang belajar di tempat kerja untuk mendeteksi dan merespons bahkan indikator serangan yang paling halus, di mana pun ia muncul. Marcy Rizzo, dari MIT Technology Review, mewawancarai Marcus Fowler dan Max Heinemeyer dari Darktrace pada Januari 2021. MIT Technology Review baru-baru ini duduk bersama para ahli dari Darktrace — Marcus Fowler, direktur ancaman strategis, dan Max Heinemeyer, direktur perburuan ancaman — untuk membahas aplikasi AI ofensif, AI defensif, dan pertempuran algoritme yang sedang berlangsung ant...
Pada tahun 1964, matematikawan dan ilmuwan komputer Woodrow Bledsoe pertama kali mencoba mencocokkan wajah tersangka dengan foto. Dia mengukur jarak antara fitur wajah yang berbeda dalam foto cetakan dan memasukkannya ke dalam program komputer. Keberhasilannya yang belum sempurna akan memicu penelitian puluhan tahun ke dalam mesin pengajaran untuk mengenali wajah manusia. Sekarang sebuah studi baru menunjukkan seberapa besar perusahaan ini telah mengikis privasi kami. Itu tidak hanya memicu alat pengawasan yang semakin kuat. Pengenalan wajah berbasis deep learning generasi terbaru benar-benar mengganggu norma persetujuan kami. Deborah Raji, seorang rekan di Mozilla nirlaba, dan Genevieve Fried, yang menasihati anggota Kongres AS tentang akuntabilitas algoritmik, memeriksa lebih dari 130 kumpulan data pengenalan wajah yang dikumpulkan selama 43 tahun. Mereka menemukan bahwa para peneliti, didorong oleh kebutuhan data yang meledak dalam pembelajaran mendalam, secara bertahap meninggalk...
Ketergantungan kita pada teknologi telah melonjak selama pandemi. Perusahaan analisis aplikasi App Annie menemukan bahwa orang menghabiskan sekitar 4 jam dan 18 menit per hari di perangkat seluler pada bulan April 2020. Itu meningkat 20% dari tahun sebelumnya, setara dengan tambahan 45 menit per hari waktu layar. Penelitian menunjukkan bahwa secara intrinsik tidak ada yang salah dengan menghabiskan lebih banyak waktu di layar — terutama saat ini. Terlepas dari manfaat terhubung dengan teman, keluarga, dan rekan kerja, beralih ke teknologi dapat membantu kita mengelola emosi yang sulit dan bahkan mengurangi stres . Namun, tidak semua waktu layar dibuat sama. Beberapa aktivitas online memang membawa risiko tertentu. Menghabiskan waktu lama secara pasif menelusuri media sosial, misalnya, terkait dengan perasaan iri dan kesepian yang lebih besar, serta risiko depresi yang lebih tinggi. Lalu, apa yang harus kita lakukan di bulan-bulan mendatang untuk memastikan hubungan kita dengan tekn...
Komentar
Posting Komentar