TIP: Přetáhni ikonu na hlavní panel pro připnutí webu
Spotřebitelé stále větší měrou využívají v běžném životě moderní digitální technologie, zároveň však volají po lepší osvětě a domnívají se, že by firmy i státní instituce měly poučovat veřejnost o inovacích jako umělá inteligence, blockchain nebo internet věcí (IoT).
71 % vítá nové technologie ke sledování zdravotního stavu postarších příbuzných, které jim umožňují žít déle doma
Pouhých 7 % by svěřilo správu svých financí umělé inteligenci, i kdyby to znamenalo rychleji naspořit prostředky na pořízení bydlení
64 % respondentů nemá dojem, že firmy a stát dostatečně informují o tom, jaké technologie a jak užívají
Při prezentaci výsledků naší práce potřebujeme často zobrazit veličinu v grafické podobě. Pokud máme řadu izolovaných bodů a chceme je propojit křivkou, používáme interpolaci. Interpolačních metod je celá řada, v článku navrhuji systém, který tuto interpolaci realizuje evoluční metodou umělé inteligence. Z této metody vychází výukový program, který si můžete zdarma stáhnout.
V tomto článku shrnuji základní poznatky z nasazení inteligentních systémů v podnikové praxi. Jejich aplikace přináší značné výhody ale i řadu úskalí při nevhodném použití.
V minulých článcích jsme si probrali základní metody analýzy a optimalizace procesů, které mohou výrazně ovlivnit ekonomiku výrobních podniků. Odkazoval jsem se přitom na starší demo verze na své stránce. V další části seriálu vám představím modernější analytické a optimalizační systémy firmy OPTI Intelligent s.r.o., která se vývojem těchto systémů zabývá. Zároveň vás budu průběžně informovat o nových poznatcích výzkumu a výsledcích, které jsem v této firmě dosáhl.
V minulém díle jste se seznámili s přínosy a základními postupy analýzy a následné optimalizace procesů. V tomto díle se seznámíte s první fází popsaného postupu - předzpracováním dat. Ukážeme si také rozdíl mezi předzpracováním dat statistickými metodami a předzpracováním dat inteligentním systémem.
Zhruba před třemi lety jsem zde publikoval řadu článků o umělé inteligenci. Od té doby jsem dále pokračoval ve vývoji a v současné době bych rád navázal na předchozí seriál a v následujících článcích komplexně shrnul problematiku analýzy a optimalizace výrobních procesů metodami umělé inteligence tak, jak jsem se s ní setkal ve své praxi.
Oborem informatiky zabývajícím se tvorbou strojů vykazujících známky inteligentního chování se nechalo inspirovat nespočet filmových režisérů a scenáristů. Vzniklo tak nemalé množství filmů, které někomu mohou připadat přitažené za vlasy a někdo v nich naopak vidí reálné vize. Vybrali jsme několik z nich.
V pokračování minisérie o chování duchů v kultovní hře Pac-Man se konečně podíváme na chování nepřátel a rozebereme osobnosti duchů.
Pamatujete Pac-Mana? Jak by ne, nedávno jej vtisknul i Google do svého loga. Pohyb nepřátel v této hře řídí na pohled komplexní logika a my vám ji ve dvojici článků přiblížíme. V tomto prvním díle se seznámíte se základy, v druhém pak s "osobnostmi" jednotlivých duchů a možnými fintami pro boj s nimi.
Pokračování seriálu Umělá inteligence, v tomto díle o perceptronech a jejich učícím algoritmu.
V seriálech o umělé inteligenci jsme si probrali některé základní typy inteligentních softwarových systémů. Při řešení složitých problémů technické praxe je nutno použít kombinaci několika metod, které se vzájemně doplňují. Takovým systémům říkáme hybridní systémy.
Do toho článku jsem si vzal na „paškál“ slavného, ve své době asi ne moc uznávaného Alana Turinga. Narodil se v Londýně, konkrétně v Paddingtonu 23. června roku 1912. Turing byl významný logik, matematik a založil mnoho vědních oborů, které se zabývaly nejen počítačovou technologií.
Expertní systémy jsou asi nejznámější teorií umělé inteligence. Článek popisuje základní myšlenky těchto systémů zejména z pohledu jejich realizace v průmyslové praxi. V závěru je představen procedurální systém umístění pravoúhlých dílců na ploše, kde použití popsaných principů velmi zjednodušilo řešení úlohy a přineslo další příznivé vedlejší efekty.
Seriál o evolučních optimalizačních systémech pokračuje popisem a demo verzí další praktické aplikace – optimalizačního systému dělení materiálu na válcovně. Přínosem tohoto systému je jeho rychlost, systém dokáže plánovat proces dělení v reálném čase.
Článek navazuje na seriál Inteligentní ekonomické systémy a zabývá se metodami prognózování a analýzy dat s využitím neuronových sítí. Přináší nové poznatky získané při realizaci inteligentního prognostického projektu v technické praxi a popisuje demoverzi systému TNeuTest, který navazuje na původní výukový program TNeuron.
Výsledky turnaje piškvorkových umělých inteligencí.
V minulé kapitole jsme odvodili základní pravidla, kterými se řídíme při navrhování evolučních systémů v souladu se zákony vývoje, které platí v přírodě. V této kapitole si předvedeme, jak takový jednoduchý genetický algoritmus na počítači skutečně pracuje. Seznámíme se také s některými riziky, se kterými se při navrhování těchto systémů můžeme setkat.
Při vytváření informačních systémů se někdy setkáváme s problémy, pro které neexistuje algoritmus řešení. Častým případem jsou optimalizační úlohy, kdy je třeba vybrat nejvhodnější z velkého množství možností, přitom neexistuje návod, jak takový výběr provést. Každou již nalezenou alternativu však musíme umět ohodnotit. Přehled několika takových úloh s nástinem řešení jsem již podal v článku Genetické algoritmy a jejich aplikace v praxi, v tomto seriálu bych se chtěl touto problematikou zabývat podrobněji.
Základní pojmy k neuronovým sítím
Výkonný prvek neuronové sítě
Měření vzdálenosti
Druhy sítí a topologie
Aplikace..
19. září minulého roku získal program A.L.I.C.E. Silver Edition prestižní Loebnerovu cenu poté, co v New Yorku uspěl v každoročně pořádaném Turingově testu. Tvůrce programu, AI Foundation (Artificial Intelligence Foundation) v čele s Dr. Richardem S. Wallacem získala již třetí bronzovou Loebnerovu plaketu a částku 2000 dolarů. Nyní oslavuje 10 let.
V minulé kapitole jsme se seznámili se základními principy funkce neuronových sítí a na jednoduchých příkladech jsme si ověřili jejich nejvýznamnější vlastnost, schopnost učit se z příkladů. Použili jsme k tomu lineární neuronovou síť, která se dokázala naučit lineární vztah. V této kapitole si vlastnosti lineární sítě podrobněji popíšeme a především se budeme zabývat jejím využitím v konkrétních ekonomických úlohách. ..
V tomto seriálu bych chtěl zájemce seznámit se základními typy ekonomických úloh, které je možné řešit pomocí neuronových sítí. Pro snadnější pochopení problematiky nabízím volně šiřitelný simulátor neuronové sítě TNeuron s typovými příklady.
V tomto starším článku o umělé inteligenci se zabývám jejím méně známým oborem, genetickými algoritmy. Vedle všeobecných informací popisuji konkrétní praktické aplikace optimalizačních úloh, které jsem na počátku své činnosti v tomto oboru realizoval. Uvádím také modifikace, které přizpůsobovaly řešení praktickým podmínkám a urychlovaly naleznení požadovaného řešení. Aktuální aplikace a nové poznatky popisuji v dalších článcích na tomto serveru.
Pojem inteligence, umělá inteligence, neuronové sítě obecně, vědy zabývající se problémy inteligence. To vše v novém seriálu.
© 2003–2024 Programujte.com