2019'da yapay zeka araştırma ve geliştirmenin sıcak noktalarına geri dönüp bakmak
Yapay zeka teknolojisinin sürekli iyileştirilmesiyle daha akıllı bir dünya yaratılabilir. 2019 yılında 5G iletişim ağı, blockchain teknolojisi, beyin-bilgisayar arayüz teknolojisi ve diğer alt disiplinler bir dizi ilerleme kaydetmiş ve birçok alanda yaygın olarak kullanılmış ve ayrıca zeka yönünde çeşitli alanların gelişimini teşvik etmiştir.
Yapay zeka araştırması alanı, makinelerin ve sistemlerin insan zekasına benzer bir düzeyde çalışmasını sağlamaya adanmış 1850'lerde doğdu. İlerleme ve zorluklar yaşadı ve son yıllarda modern bilgi işlem gücünün ve veri depolama teknolojisinin hızlı gelişimi nedeniyle yeniden canlandı. Yapay zeka genellikle akıl yürütme, veri uydurma, kümeleme ve optimizasyon gibi alt problemleri içerir.Bu alt problemler başlangıçta genetik algoritmalar ve yapay sinir ağları kullanılarak çözülebilir. Özellikle, yapay zeka öğrenme teknolojisi, çeşitli sorunlar için ortak bir çerçeve oluşturdu ve büyük ilerleme kaydetti, bu da birden çok alanda en son teknolojiyle sonuçlandı.
5G iletişim ağı
İletişim ve ağ teknolojisindeki en son gelişmeler, insansız hava araçlarından akıllı bilişsel ağlara ve büyük ölçekli IoT sistemlerine kadar birçok yeni kablosuz hizmet üretti. Ortaya çıkan bu uygulamaları beşinci nesil (5G) kablosuz hücresel sistemlerde uygulamak için, spektrum paylaşımı ve yönetimi ile ilgili birçok zorluğun ele alınması gerekir. Aslında, çoğu 5G uygulaması, dinamik ağ ortamına adapte olurken aynı zamanda yüksek güvenilirlik ve yüksek kaliteli deneyim sağlaması gereken akıllı spektrum yönetimi teknolojisine büyük ölçüde güvenecektir. Bu durumda, derin öğrenme, evrişimli sinir ağları ve pekiştirmeli öğrenme dahil olmak üzere yapay zeka (AI) teknolojilerinin kullanımı, AI güdümlü spektrum yönetiminde çok önemli bir rol oynayabilir.
AI teknolojisi, çeşitli kablosuz sistemlerde veya ağlarda spektrum yönetimine uygulanabilir. Her şeyden önce, 5G ve IoT sistemlerinde büyük verilerin geniş uygulama alanı, kendi kendine organize edilmiş 5G ağlarını gerçekten çalıştırmak için ağ optimizasyonu için spektrum yönetimini etkili bir şekilde keşfedebilir. Yapay zeka yönetimini kullanarak insanlar, kablosuz cihazların kendi spektrum ortamlarını akıllıca öğrenmesini sağlayabilir, böylece daha akıllı ve daha proaktif spektrum yönetimi kararları alabilir. İkinci olarak, bilişsel radyo (CR) şüphesiz gelecekteki akıllı kablosuz ağları gerçekleştirmek için anahtar bir teknoloji haline gelecektir. CR'de, AI ile geliştirilmiş bilişsel bilim ve veri analizi işlevlerine sahip spektrum yönetimi önemli bir rol oynayacaktır. Ek olarak, yapay zeka destekli spektrum yönetimi konseptiyle hareket eden gelecekteki CR ağları, akıllı biliş, gelişmiş kablosuz sinyal işleme veya uyarlanabilir kablosuz kaynak yönetimi sağlama gibi yeni işlevlerle yükseltilebilir. Aynı zamanda Nesnelerin İnterneti'nin yeni nesil kablosuz ağların en önemli uygulamalarından biri olduğu söylenebilir. Nesnelerin İnternetini gerçekleştirmek için, yapay zeka destekli spektrum yönetimi, sıkı bir spektrum kaynağı miktarını akıllıca koordine edebilen, paraziti akıllıca hafifletebilen ve heterojen bilgileri işleyebilen temel bir temel teknoloji haline gelecektir. Ek olarak, gelecekteki drone ağlarının, altyapı kapsamı olmayan kablosuz cihazlar için uygun maliyetli kablosuz bağlantılar sağlaması bekleniyor. Heterojen ve çok katmanlı yapılar sunan mevcut İHA ağları, genellikle birbirleriyle iletişim kurmak için yerdeki farklı frekans bantlarında çalışan İHA'lara ihtiyaç duyar. Bu ağlarda, AI işlevlerine sahip güçlü bir spektrum yönetimi teknolojisine çok ihtiyaç vardır. Farklı İHA sistemleri farklı özelliklere sahip olduğundan, spektrum hareketliliği ve spektrum paylaşımını sağlamak için akıllı yönetimin kullanılması, gelecekte büyük ölçekli ağlarda muhtemelen yüksek hızlı, düşük gecikme süreli ve ultra güvenilir iletişimlere izin verecektir.
Blockchain teknolojisi
Blockchain, büyük ekonomik ve sosyal etki sağlayabilir. Blok zincirinin kimlikleri ve işlemleri parolalarla doğrulama ve değişmez kayıtlar oluşturma yeteneği güveni artırabilir. Yapay zeka, tekrarlayan görevlerde insanlardan daha iyi performans gösterir. Yargısı ve zekası duygulardan, duygulardan ve ihtiyaçlardan etkilenmez. Daha iyi bir hafızaya sahiptir ve birçok bilgiyi işleyebilir, bu nedenle verimliliği artırır, maliyetleri düşürür ve yeni fırsatlar yaratır. Daha da önemlisi, yapay zeka ve blok zinciri, sektörün ve pazarın performansı üzerinde büyük bir etkiye sahip olacak güçlü tamamlayıcı yeteneklere sahiptir. Her birinin diğerinin performansını ve işlevlerini geliştirme yeteneği vardır.
İki teknoloji ekosistemini birleştirmek, yapay zeka ve blok zincirinin birçok eksikliğini etkili bir şekilde çözebilir. Yapay zeka algoritmaları öğrenmek, sonuç çıkarmak ve nihai kararları vermek için verilere veya bilgilere dayanır. Güvenilir, güvenli, güvenilir ve güvenilir bir veri havuzundan veya platformundan veri toplarken, makine öğrenimi algoritmaları daha iyi çalışacaktır.
Blok zinciri, verilerin tüm madencilik düğümlerinin şifreleneceği, imzalandığı, doğrulanacağı ve kabul edildiği bir şekilde depolanabileceği ve işlenebileceği dağıtılmış bir defter görevi görür. Blockchain verileri, yüksek bütünlük ve yüksek esneklikte depolama özelliklerine sahiptir ve değiştirilemez. Makine öğrenimi algoritmalarında karar vermek ve analiz yapmak için akıllı sözleşmeler kullanıldığında, bu kararların sonuçları güvenilir ve tartışmasız olacaktır. Yapay zeka ve blok zincirinin entegrasyonu, yapay zekaya toplanan, depolanan ve kullanılan son derece hassas bilgiler sağlayarak güvenli, değişmez ve merkezi olmayan bir sistem oluşturabilir. Bu yöntem, çeşitli alanlarda (tıbbi, kişisel, bankacılık ve finans, işlem ve yasal veriler dahil) veri ve bilgi güvenliğini korumak için önemli ölçüde geliştirilebilir.
Şekil 1'de gösterildiği gibi, yapay zeka, makine öğrenimi algoritmalarını çalıştırabilen ve dağıtılmış P2P depolama sistemlerinde depolanan verileri takip edebilen birçok blok zinciri platformunun kullanımından yararlanır. Bu veriler genellikle Nesnelerin İnterneti cihazları, sürü robotları, akıllı şehirler, binalar ve araçlar gibi çeşitli kaynakları içeren akıllı bağlantılı ürünlerden gelir. Zincir dışı makine öğrenimi analizi, akıllı karar verme ve veri görselleştirme için bulut işlevlerini ve hizmetlerini de kullanabilirsiniz.
Şekil 1 Yapay zekanın gelişen teknolojiler üzerindeki etkisi
Beyin-bilgisayar arayüz teknolojisi
Beyin-bilgisayar arayüzü (BCI), insanların herhangi bir işlem yapmadan bilgiyi aktarmaları için bir yol sağlar. Bunun yerine insanlar, bilgisayarların algılayabileceği belirli beyin aktivitesi kalıpları üreten yaratıcı egzersizler veya sayma gibi zihinsel aktiviteler gerçekleştirirler. Bilgisayar daha sonra kullanıcıya gerçek zamanlı olarak geri bildirim sağlar.
Tüm BCI'lerin 4 bileşeni vardır. İlk olarak, sensör beyin aktivitesini algılayabilmelidir. Çoğu BCI, beyin aktivitesini tespit etmek için invazif olmayan yöntemler kullanır ve bazı BCI'ler, beyin aktivitesi hakkında daha ayrıntılı bilgi sağlamak için implante elektrotlar kullanır. İkinci olarak, otomatik sinyal işleme yazılımı, kullanıcının niyetini yansıtan beyin faaliyetlerini tanımlamalı ve ayırt etmelidir. Üçüncüsü, harici aygıt, sinyal işleme modülünün sonuçlarına bağlı olarak bir tür geri bildirim sağlamalıdır. Bu, kelimelerin bir monitörde görüntülenmesini, bir dış iskeletin hareket ettirilmesini veya bir protezin kontrol edilmesini içerebilir. Dördüncü olarak, işletim ortamı diğer üç bileşen ve son kullanıcı arasındaki etkileşimi kontrol etmelidir.
17 Temmuz 2019'da Musk, Neuralink'in beyin-bilgisayar arayüz teknolojisinin çığır açan gelişmeler kaydettiğini duyurdu.Önceki teknolojilere kıyasla beyne daha az zarar ve daha güçlü veri aktarım yetenekleri var. Neuralink, bu teknolojiyi hayvanlar üzerinde birden fazla işlem gerçekleştirmek için kullandı ve makinenin yaklaşık% 87'lik bir başarı oranıyla hayvanın beyni tarafından kontrol edilebilmesi için başarılı bir şekilde "ince kablo" devresi yerleştirdi (Şekil 2).
Şekil 2 Beyin-bilgisayar arayüz modeli
Neuralink, esnek ve genişletilebilir bir beyin-bilgisayar arayüzünün geliştirilmesinde önemli bir atılım gerçekleştirdi ve bu, kanal sayısını önceki sayıya kıyasla bir kat arttırdı. Sistem üç ana bileşen içerir: ultra ince polimer problar, beyin cerrahisi robotları ve özelleştirilmiş yüksek yoğunluklu elektronik ekipman. Mikro özelleştirilmiş elektronik cihazlar, insanların aynı anda tüm elektrotlardan eksiksiz geniş bant elektrofizyolojik verileri aktarmasını sağlar. Sistem, uzun süreli implantasyon için paketlendi ve düşük gecikmeyle aksiyon potansiyellerini tespit edebilen çevrimiçi tepe tespit yazılımı özelleştirildi ve geliştirildi. Sistem, tamamen implante edilebilir bir insan beyni-makine arayüzü için en gelişmiş platformu oluşturmaktadır.
Nerualink, çeşitli biyouyumlu film malzemelerinden yapılmış en küçük sinir probunu gerektiren özel bir işlem geliştirdi. Poliimid esas olarak, altın film izlerinin kapsüllendiği bu problarda kullanılan ana substratı ve dielektriği oluşturur. Her ince film dizisi bir "sensör" alanı ve elektrot kontağı ve kablolama özelliklerine sahip bir "iplik" alanından oluşur.Bu alanda, filme sinyal amplifikasyonu ve toplama yapabilen özelleştirilmiş bir çip bağlanır.
AI çip
Makine öğrenimi algoritmaları birçok uygulamada önemli ilerleme kaydetmiştir. Bununla birlikte, en son platformlardaki donanım uygulamaları hala bazı zorluklarla karşı karşıyadır ve bellek kapasitesi, bellek bant genişliği ve ara bağlantı yükü gibi çeşitli faktörlerle sınırlıdır.Bu nedenle, yapay zeka için optimize edilmiş çiplerin geliştirilmesi, yapay zekanın gelişimine önemli bir katkıdır. Ve uygulama çok önemlidir.
Genel yapay zeka geliştirmenin iki genel yöntemi vardır: bilgisayar bilimi odaklı ve sinirbilim odaklı. Kodlama şemaları ve ifadeleri temelde farklı olduğu için, bu iki yöntem uyumsuz ve tamamen farklı platformlara dayanıyor ve bu da yapay zekanın gelişimini yavaşlatıyor. İnsanlar sinirbilimden ve bilgisayar bilimine dayanan popüler yapay sinir ağlarından esinlenen modelleri ve algoritmaları desteklemek için ortak bir platforma sahip olmayı umuyor.
2019 yılında, yeni yapay zeka çipi "Tianjic" (Tianjic), Tsinghua Üniversitesi Beyinden İlham Alan Bilgi İşlem Araştırma Merkezi'nden Luping Shi ekibi tarafından başarıyla geliştirildi. "Tian Movement Core", işbirlikçi ve hibrit bir platform sağlamak için bu iki yöntemi birleştirir. Hızlı hız, güçlü performans ve düşük güç tüketimi özelliklerine sahip, dünyanın ilk heterojen füzyon beyin benzeri çipidir. Çip, çok çekirdekli bir mimari, hibrit kodlama şemasına sahip akıcı bir veri akışı ve yeniden yapılandırılabilir yapı blokları kullanıyor.Sadece beyinden esinlenen devreleri ve çoklu kodlama şemalarını uygulamakla kalmıyor, aynı zamanda bilgisayar bilimine dayalı makine öğrenimi algoritmalarına da uyum sağlıyor. Aynı zamanda çip, sinirbilim ve bilgisayar bilimi alanlarını kapsayan sinir ağı modellerinin çoğunu destekleyebilen özel bir platformdur.Bu modeller genellikle bilgiyi temsil etmek için farklı yollar kullanır. Bilgisayar bilimi alanlarında (MLP, CNN, RNN gibi) ve sinirbilim alanlarında (SNN, hıza dayalı biyolojik sezgisel sinir ağları vb.) En yaygın kullanılan sinir ağı modellerini yeniden inceleyerek, buna dayanarak birleşik bir temsil önerildi. , Modelin gerçekleştirilmesini akson, sinaps, dendritler, gövde ve yönlendirici bölmeleri ile tutarlı hale getirmek için, SNN ve YSA nöronları arasındaki benzerlik ve farklılıkları belirlemek ve kendi işlevlerine göre çalışıp dönüşümü sağlamak için Bu bölmeleri düzenleyin. Veri akışlarını hizalayarak çip, çeşitli modelleri tek veya karışık bir paradigmada esnek bir şekilde uygulayabilir. Deneyde gösterilen insansız bisiklet sistemindeki çoklu model ve algoritmaların senkronizasyon işlemi, gerçek zamanlı hedef tespiti, takibi, ses kontrolü, engellerden kaçınma ve kontrol dengesini gerçekleştiren tek bir çip kullanır (Şekil 3). Gelecekte, "Tian Movement Core" un geliştirilmesiyle, yapay genel zeka araştırmaları için daha verimli, hızlı ve esnek bir hesaplama platformu sağlayabilir ve ayrıca diğer alanlarda uygulama geliştirme için kullanılabilir, yapay genel zeka araştırmalarını teşvik edebilir ve başkalarını güçlendirebilir. endüstri.
Şekil 3 "Tian Movement Core" bisikleti
AI eğitimi
Yapay zekanın eğitimde uygulanması çok önemli. Robot eğitiminden cevaplama ve değerlendirme için otomatik sistemlerin geliştirilmesine kadar, yapay zeka öğretmenlere ve öğrencilere her zaman yardım sağlamıştır. Araştırmalar, yapay zekanın tüm NLP destekli akıllı öğretmen sistemlerinin çekirdeği olduğunu göstermiştir. Bu sistemler, kendi kendine düşünme geliştirmeye, derin soruları yanıtlamaya, sorun çelişkilerini çözmeye, yaratıcı sorular üretmeye ve seçimler yapmaya yardımcı olur.
Yapay zeka, okulların ve öğretmenlerin tekrar eden görevlerini büyük ölçüde basitleştirebilir, eğitimcilerin sınavları puanlamasına, ödevlerini değerlendirmesine ve öğrencilere geri bildirim sağlamasına yardımcı olabilir. Yapay zeka eğitiminin kademeli olgunlaşmasıyla birlikte, birden fazla puanlama görevini otomatikleştirmek için AI teknolojisi kullanılabilir. Bu, öğretmenlerin öğrencilere onları puanlamak için çok zaman harcamak yerine onlara eşlik etmek için daha fazla zamana sahip olacağı anlamına gelir; yapay zeka, her öğrenciye uygun öğrenme içeriği oluşturabilir, ders kitaplarını özelleştirebilir ve öğrencilerin olabildiğince çok oynamasına yardımcı olabilir. Potansiyel. Aynı zamanda, AI eğitimi coğrafi sınırları aşar ve öğrenciler ilgilendikleri herhangi bir dersi istedikleri zaman, istedikleri yerde çalışabilirler.
Yurtdışında birçok akıllı eğitim sistemi geliştirilmiştir. Örneğin, Amerika Birleşik Devletleri Pittsburgh Üniversitesi'nden Brusilovsky, öğrencilerin hobileri, öğrenme deneyimleri ve bilgi miktarı için kullanıcı modellemesi gerçekleştirdi.Sistemle etkileşim sürecinde öğrencilerin bireysel öğrenme ihtiyaçlarını karşılamak için, art arda ELM-ART, InterBook, KnowledgeSea geliştirdiler, AnnotatEd ve TaskSieve gibi birçok akıllı öğrenme sistemi, daha sonraki birçok araştırma sonucuna dayalı olarak geliştirilmiş ve tamamlanmıştır. Avustralya'daki Royal Melbourne Teknoloji Enstitüsü Wolf, Yunanistan'daki Atina Üniversitesi'ndeki Papanikolaou ve Hollanda'daki Eindhoven Teknoloji Üniversitesi DeBra, INSPIRE, AHA! Ve iWeaver gibi bireysel eğitim sistemleri de geliştirdi.
Yurtdışında geliştirilen birçok ürün, kişiselleştirilmiş eğitim öğretim uygulamasına başarıyla uygulanmış ve belirli sonuçlar elde etmiştir. DreamBox Learningin kişiselleştirilmiş öğrenim teşhisine odaklanmasını örnek olarak alın. Çevrimiçi bir öğrenme platformu olarak, kullanıcının öğrenme sürecine otomatik olarak uyum sağlayabilir. Her öğrencinin öğrenme sürecini analiz ederek, matematiksel bir anlama değerlendirmesi sağlar ve ardından öğrenci için en uygun şekilde gider. Öğrencileri doğru yönde öğrenmeleri için hatırlatın ve teşvik edin. Purdue Üniversitesi'nin izleme verileri, DreamBox Learning'in öğrencilerin genel performansını etkili bir şekilde iyileştirdiğini gösteriyor.
Yüz tanıma
Yapay zeka teknolojisinin yakın gelecekte hızla gelişmesi, özellikle elektronik teknolojisinin ve bilgisayar biliminin gelişmesi, ilk kez biyometrik sistemlerin yaygın olarak kullanılmasını mümkün kılmıştır. Bugün, sınır erişim kontrolü, gözetim, akıllı telefon kimlik doğrulaması, adli tıp ve çevrimiçi hizmetler (e-öğrenme ve e-ticaret gibi) gibi çok sayıda senaryoda varlar.
Mevcut tüm biyolojik özellikler arasında en kapsamlı özelliklerden biri yüz tanımadır. 1960'lardan beri insanlar bir tanıma yöntemi olarak yüz tanıma üzerine çalışıyorlar ve bilgisayarla görmenin gelişmesiyle birlikte 1990'larda özel bir önem kazandı. Yüz biyometrisi, belirli bir mesafeden müdahaleci olmayan bilgi toplama ve kimlik tanımayı gerçekleştirmek için iyi yüz tanıma özellikleri ile karakterize edilir.
Yüz tanıma teknolojisi yakın gelecekte birçok sahnede yaygın olarak kullanılmaktadır.Aynı zamanda yüz tanıma aldatmacası da sonsuzdur.Genellikle hedef kişinin fotoğrafını, videosunu veya 3D maskesini sensöre (kamera gibi) sunarak yüz tanıma sistemini aldatmak mümkündür. Yüz ifadelerine (sosyal medya, video gözetimi gibi) yüksek oranda maruz kalma ve yüksek çözünürlüklü dijital kameralar, yazıcılar veya dijital ekranların düşük fiyatları nedeniyle, fotoğraf ve video kullanımı en yaygın saldırı türüdür.
Yüz tanıma sistemi, sensöre sağlanan biyometrik örneklerin gerçek mi yoksa sahte mi olduğunu belirlemek yerine gerçek kullanıcıları ayırt etmeye çalışır. Yüz tanıma teknolojisi genellikle sensöre sunulan gerçek biyometri ile yapay sentetik eserler arasında otomatik olarak ayrım yapabilen bir teknoloji olarak kabul edilir. Anti-saldırı yüz tanıma sistemi oluşturmak için uygun yüz tanıma teknolojisinin seçilmesi gerekir. Bundan sonra, yüz tanıma teknolojisi ve yüz tanıma sisteminin entegrasyonu farklı seviyelerde, yani puan seviyesinde veya karar seviyesinde füzyonla birleştirilebilir.
İlk olasılık, basit ve uygulaması kolay olduğu için popüler bir yöntem olan ve çok modlu biyometrik sistemlerin füzyonunda iyi sonuçlar elde eden skorlama seviyesi füzyonunu kullanmaktır. Bu durumda, biyometrik veriler yüz tanıma sistemine ve yüz tanıma sistemine aynı anda girilecek ve her veri kendi puanını hesaplayacaktır. Ardından, her sistemden alınan puanlar, örneğin gerçek bir kullanıcıdan gelip gelmediğini belirlemek için kullanılan yeni bir nihai puanla birleştirilecektir. Bu yöntemin temel avantajı, sonuçların hızlı geri bildirimidir, çünkü iki modül işlemlerini aynı anda gerçekleştirir. Bu gerçek, çok çekirdekli / çok iş parçacıklı işlemcilere sahip sistemler gibi iyi paralel hesaplama özelliklerine sahip sistemlerde kullanılabilir.
Yüz tanıma teknolojisi ile yüz tanıma sistemini birleştiren bir diğer yaygın yöntem ise seri şemadır.Bu şemada yüz tanıma sistemi önce bir karar verir ve sadece numunenin yaşayan bir kişiden geldiği belirlendiğinde, Örneklerle işlendi. Karar düzeyindeki bu füzyon nedeniyle, yüz tanıma sistemi biyometrik örneğe karşılık gelen kimliği arayacak ve böylece örneğin bir gösteri saldırısı olmadığını önceden bilecektir. İkinci olarak, seri şemada, erişmeye çalışmanın ortalama süresi daha uzun olacak ve sahte yüz modülünü ve yüz tanıma modülünü tanımlamanın sürekli gecikmesi olacaktır. Ancak bu yöntem sahtecilik saldırılarında yüz tanıma sisteminin ek çalışmasını önler çünkü hesaplama erken aşamada sona erecektir.
Saldırganlar, her biri farklı özelliklere sahip birçok sınırsız aldatmaca kullanabilir. Bu nedenle, sahte yüzleri tanımlamaya yönelik daha etkili algoritmalar geliştirmek için yeni şemalarla yeni veri tabanları toplamak önemlidir. Aksi takdirde yüz tanıma sisteminin güvenliğini artırmak zor olacaktır.
Askeri istihbarat
Son 10 yılda araştırmacılar, yapay zeka (AI) ve kuantum hesaplama, büyük veri, Nesnelerin İnterneti, minyatürleştirme ve robotik ve otonomi gibi ilgili teknolojilerin geliştirilmesinde önemli gelişmeler kaydetti. Örneğin, 2014 yılında dünyanın en iyi Go programını (AlphaGo) tasarlayan yapay zeka uzmanları, insan Go şampiyonunu yenmenin bir 10 yıl daha alacağını öngördü. Ancak Google'ın DeepMind'i bu teknolojik başarıya yalnızca bir yıl sonra ulaştı.
Bu gelişmeyi destekleyen temel faktörler şunları içerir: (1) hesaplama performansının üstel büyümesi; (2) genişletilmiş veri kümesi; (3) makine öğrenimi teknolojileri ve algoritmalarının gerçekleştirilmesindeki ilerleme (özellikle derin sinir ağları alanında); ( 4) Yapay zekaya ticari ilgi ve yatırım hızla arttı; (5) En azından İkinci Dünya Savaşı'ndan bu yana, askeri teknolojide bazı otonom sistemler kullanıldı, ancak makine öğrenimi ve yapay zeka alanındaki son gelişmeler temel bir dönüm noktasını temsil ediyor; (6) Yapay zeka, askeri güce köklü değişiklikler getirebilir ve önemi, güç dengesini yeniden düzenlemede yatar; (7) Özellikle, çeşitli ülkeler arasındaki jeopolitik rekabet. Ülkeler, AI yeteneklerini geliştirme rekabetinden kaçınılmaz olarak etkilenecek. Dünya liderleri, yapay zekanın dönüştürücü potansiyelini hızla fark ettiler ve gelecekte ulusal güvenliğin önemli bir parçası olacağına inanıyorlar.
2016 yılında ABD Savunma Bakanlığı, AI makine öğrenimi üzerine bir dizi çalışmadan biri olan ve AI'nın ABD ordusunun hakimiyetini yeniden canlandırma potansiyelini kapsayan "Ulusal Yapay Zeka Araştırma ve Geliştirme Stratejik Planı" nı yayınladı. ABD Savunma Bakan Yardımcısı Robert Walker, "Bunu kanıtlayamayız, ancak yapay zeka ve özerklikte bir dönüm noktasında olduğumuzu düşünüyoruz" dedi. ABD Savunma Bakanlığı, Pentagon ve Silikon Vadisini tanıtmak için Savunma İnovasyon Deney Grubunu da kurdu. Arasında yakın işbirliği. Askeri gücün getirdiği temel değişiklik yapay zekadan gelebilir. Bir dizi askeri amaçlı yapay zeka teknolojisinin sürekli gelişimi, ABD ordusunun savunmasızlığını keşfetmek amacıyla bir "bilim ve teknoloji süper gücü" olma arayışı için iyi bir temel oluşturacaktır. Rusya, 2025 yılında toplam askeri gücünün% 30'unu robotlarla değiştirmeye hazır. Sonuç olarak, ulusal düzeydeki hedefler ve planlar, dünyanın dört bir yanındaki ülkelerin yapay zekanın ulusal güvenlik ve stratejik hesaplama için dönüştürücü (veya askeri teknolojik devrim) potansiyelini tanıdığını kanıtlıyor.
ABD askeri DARPA, yaşam boyu öğrenme projesi (L2M) projesinden, "pusula" projesinden, KAIROS projesinden, vb. Yakın zamanda geliştirilen "Açıklanabilir Yapay Zeka" (XAI) projesine ve "farklı kaynaklardan aktif yorumlamaya" kadar askeri istihbarat yönünde büyük yatırımlar yapmıştır. (AIDA) projesi, "AI anti-aldatmacanın güvenilirliğinin sağlanması" (GARD) projesi, bunlar askeri alanda yapay zeka uygulamalı araştırmalarıdır. Bunlar arasında, "açıklanabilir yapay zeka", yapay zekanın çıkardığı sonuçları açıklayabilecek teorik bir çerçeve oluşturmayı umarak devrim niteliğinde makine öğrenimi teknolojisini geliştirmeyi amaçlamaktadır (Şekil 4). Yorumlanabilir makine öğrenimi sistemleri, güçlü ve zayıf yönlerini tanımlama, ilkelerini açıklama ve gelecekteki davranışlarına ilişkin anlayışlarını ifade etme becerisine sahip olacaktır. Bu hedefe ulaşmanın yolu, daha yorumlanabilir modeller üretmek için yeni makine öğrenimi tekniklerini iyileştirmek veya geliştirmektir. Bu modeller, modelleri kullanıcıların anlayabileceği ve açıklayabileceği etkili iletişim kutularına dönüştürmek için en gelişmiş insan-makine arayüz teknolojisini birleştirecek. Strateji, gelecekteki geliştiricilere hem yorumlanabilir ticaret alanı hem de performans içeren bir dizi tasarım seçeneği sağlayacak bir dizi çözüm üretmek için çeşitli teknolojileri kullanmaktır.
Şekil 4 Açıklanabilir yapay zeka modeli
Yapay zeka, çeşitli alanların zeka yönüne doğru gelişimini teşvik etmek için çeşitli alanlarla geniş çapta entegre edilmektedir. İnsanların yaşamın her alanında yapay zekanın getirdiği rahatlıktan yararlanabilmesi için yapay zekanın makul bir şekilde kullanılabileceği umuluyor. Yapay zeka teknolojisinin sürekli iyileştirilmesiyle daha akıllı bir dünya yaratılır.
