Mục Lục
Tin Tức
Soi cầu Xổ số Tiền Giang
Vị Trí:Xổ số Thừa Thiên Huế > Soi cầu Xổ số Tiền Giang > Đánh Cờ Tướng Sáu giả sử trí tuệ nhân tạo mà mọi người nên biết
Đánh Cờ Tướng Sáu giả sử trí tuệ nhân tạo mà mọi người nên biết

Cập Nhật:2022-07-31 09:59    Lượt Xem:130

Đánh Cờ Tướng Sáu giả sử trí tuệ nhân tạo mà mọi người nên biết

Dừng lại Khi trẻ em lớn lên, chúng sẽ học hỏi từ thế giới xung quanh chúng thông qua các giác quan của thính giác, tầm nhìn và cảm xúc. Sự hiểu biết của họ về thế giới, những quan điểm hình thành và quyết định cuối cùng của họ sẽ bị ảnh hưởng bởi môi trường tăng trưởng. Ví dụ, một đứa trẻ sống và lớn lên trong một cộng đồng phân biệt giới tính có thể không nhận ra rằng có những định kiến trong cách họ nhìn nhận giới tính khác nhau. Description Điều này cũng đúng với mô- đun điều khiển máy móc. Thay vì sử dụng các giác quan để nhận thức, họ dùng dữ liệu để học% 2mm./ 2mm; Đó là dữ liệu được cung cấp bởi con người. Đó là lý do rất quan trọng khi dữ liệu được dùng để đào tạo các mô hình học máy tránh tỷ lệ thiên vị nhất có thể. Những dạng phổ biến nhất của khuynh hướng học tạo máy móc: (1) định kiến lịch sử Khi thu thập dữ liệu về thuật to án học máy, lấy dữ liệu lịch sử thường là nơi dễ nhất để khởi động. Tuy nhiên, nếu bạn không cẩn thận, rất dễ để có thiên vị trong dữ liệu lịch sử. Description Dùng Amazon làm ví dụ. Ở phần thưởng thẩm mĩĐánh Cờ Tướng, công ty đã bắt đầu xây dựng một hệ thống để tự động giám sát người tìm việc. Ý tưởng là cung cấp hàng trăm kết quả cho hệ thống và tự động chọn ứng cử viên tốt nhất. Hệ thống đã được đào tạo về kết quả tuyển dụng và nhập viện của công ty trong vòng mười năm qua. Vậy vấn đề là gì? Bởi vì hầu hết nhân viên Amazon là con người (đặc biệt trong các vị trí kỹ thuật). Theo thuật toán AI được biết rằng bởi vì Amazon có nhiều nhân viên nam hơn phụ nữĐánh Cờ Tướng, đàn ông là ứng cử viên phù hợp hơn, nên nó phân biệt nữ tìm việc. Kế hoạch đó bị hủy vì thiên vị. Description (2) Phân biệt mẫu Khi dữ liệu huấn luyện không thể phản ánh chính xác cách sử dụng thực tế của mô hình, thành kiến mẫu sẽ xuất hiện. Thường thì đại diện của một nhóm là quá cao hoặc quá thấp. Description Ví dụ, trong một dự án huấn luyện để chuyển đổi ngôn ngữ thành văn bản ở Mỹ, một số lượng lớn đoạn ghi âm và đoạn ghi âm tương ứng cần thiết. Rồi một tiếng kèn s ẽ nhận được rất nhiều dữ liệu như vậy. Description Oh, hóa ra là hầu hết sách phát âm được kể bởi người da trắng có học thức. Như dự đoán, khi người dùng đến từ nền kinh tế xã hội hay dân tộc khác nhau, phần mềm nhận dạng ngôn ngữ được huấn luyện với phương pháp này không có gì tốt cả. Description Năng lượng: Một lượng lớn dữ liệu cần thiết để huấn luyện các thuật to án học máy cần có các nhãn để có ích. Khi người ta đăng nhập vào các trang web, họ thường tự làm vậy. Chẳng hạn, có cần phải xác định cái hộp chứa đèn giao thông không? Thực tế, nó là một loạt các dấu hiệu xác nhận hình ảnh để giúp huấn luyện mô hình nhận dạng hình ảnh. Tuy nhiên, người ta đánh dấu dữ liệu theo cách khác nhau, và sự mâu thuẫn của các dấu hiệu sẽ ảnh hưởng đến hệ thống. Description (4) Tham kiến cuộc đời Dễ dàng kết hợp dữ liệu để đơn giản hoặc trình bày nó theo một cách cụ thể. Việc này có thể dẫn đến thiên vị, hoặc trước hoặc sau khi tạo mô hình. Thí dụ như, biểu đồ này The s how s how people's pain will increasing with years of work. Cái này có mối liên hệ rất rõ ràng, anh càng làm việc lâu, anh càng được trả tiền. Tính to án sau hiển thị dữ liệu dùng để tạo tập hợp này: (5) Xác nhận thiên vị Viết tắt, khuynh hướng xác nhận là người ta có xu hướng tin vào thông tin có thể xác nhận niềm tin của họ hoặc bỏ đi thông tin không phù hợp với tín ngưỡng đã có. Trên lý thuyết, có thể xây dựng hệ thống học máy chính xác nhất, không ảnh hưởng đến dữ liệu hay người mẫu. Description Sử dụng việc học máy, khả năng xác nhận thiên đặc biệt phổ biến, và cần phải xem xét bằng tay trước khi có hành động. Việc sử dụng trí tuệ nhân tạo trong ngành chăm sóc sức khỏe đã khiến các bác sĩ không đếm xỉa gì về chẩn đoán thuật toán vì nó không phù hợp với kinh nghiệm hay hiểu biết của họ. Thường thì nhiều bác sĩ chưa đọc các văn học nghiên cứu mới nhất, và các triệu chứng, kỹ thuật hay kết quả chẩn đoán trong văn học này có thể khác với kiến thức và kinh nghiệm của họ. Trên thực tế, số tạp chí được bác sĩ đọc có giới hạn, nhưng hệ thống học máy có thể bao gồm tất cả. Description (6) Tỷ lệ đánh giá Giả sử một đội đang xây dựng một mô hình học máy để dự đoán tỉ lệ bỏ phiếu trong cuộc bầu cử Hoa Kỳ, và hy vọng có thể dự đoán chính xác liệu ai đó sẽ bỏ phiếu bằng cách sử dụng một loạt các đặc điểm như tuổi tác, nghề nghiệp, thu nhập và tư thế chính trị. Một mô hình được xây dựng và thử nghiệm qua các hoạt động bầu cử địa phương, và kết quả rất thỏa đáng. Trong một tình huống nguy hiểm, có vẻ như có thể tìm hiểu rõ ràng nếu ai đó đi bỏ phiếu. Description Sử dụng trong chiến dịch bầu cử Hoa Kỳ, đội rất thất vọng với mẫu này. Bởi vì tốc độ chính xác của mô- đun mà mất một thời gian dài để thiết kế và thử là chỉ năm trăm% 2mm; 2mm; Điều này chỉ tốt hơn là đoán ngẫu nhiên một chút. Kết quả xấu là một ví dụ về khuynh hướng đánh giá. Đánh giá mẫu của nó qua các hoạt động bầu cử địa phương, nó đã vô tình thiết kế một hệ thống chỉ hiệu quả cho khu vực. Các mẫu bỏ phiếu ở phần khác của Hợp chủng quốc Hoa Kỳ hoàn toàn khác nhau, và cho dù chúng có nằm trong dữ liệu đào tạo đầu tiên, chúng vẫn chưa được xem xét kỹ lưỡng. Description kết thúc Đây là sáu cách khác nhau để định kiến ảnh hưởng đến việc học máy. Mặc dù đây không phải danh sách đầy đủ, nhưng nó sẽ giúp người ta hiểu được cách thức phổ biến nhất mà hệ thống học máy trở nên thiên vị. Description Nói ra thì, Description

Xổ số Thừa Thiên Huế Soi cầu Xổ số Tiền Giang Kqxs Đồng Nai