Umjetna inteligencija (UI) od 1997. godine i šahovskih partija s Garijem Kasparovim uspješno pobjeđuje ljude u igrama. Kroz dva desetljeća to se potvrdilo u igrama kao Go ili Dota 2, što je svakako hvalevrijedno no jednostavno nije dovoljno i umjetna inteligencija ne može dosegnuti zrelost ako po cijele dane igra igre i uči kako u njima pobijediti ljude.
Rezultat takve situacije jest da algoritmi nisu izrasli u nešto sofisticiranije, prvenstveno zato što se nisu susreli s problemima stvarnog svijeta. Zato je improvizacija ono što nedostaje umjetnoj inteligenciji.
"Primjerice, ako se trenira UI da natoči čašu vode, želite da se to postigne bez prolijevanja ma o koliko god se ponavljanja radilo. Ono što danas imamo jest koncentracija na ulijevanje čaše vode u jednu čašu, što znači da je svaka druga za UI nepoznanica i mora se nanovo prilagođavati pa iskazuje neuspjeh u obavljanju radnje, posebno ako čaša nije jednake veličine i kapaciteta", rekla je Amy Zhang, doktorant na kanadskom sveučilištu McGill i honorarna suradnica u Facebook AI Research timu.
Upravo zbog navedenih problema, Zhang je s dvoje suradnika predložila tri dodatna načina treniranja UI kako bi se bolje prilagodila realnom svijetu. Od toga su dva fokusirana na donošenje zaključaka temeljem prikupljanja informacija vizualnim putem dok je treći način sličan kao kod testiranja igara, ali radi se s video klipovima. Svaki je različit i UI ih sve mora upamtiti kako bi se znala postavljati kad naiđe na situaciju koju je u njima vidjela.
"Ovom novom metodom dobili smo mnogo bolje rezultate kad se radi o shvaćanju stvarnosti i sad UI može na bolji način generalizirati situaciju, što uvelike pomaže u učenju i sazrijevanju", otkrila je Zhang.
Dakle, zaključak je da UI baš kao i ljudi ne može realno shvatiti svijet oko sebe ako se isključi iz njega.
IBM je najavio službeno otvaranje novog X-Force Cyber Rangea u Washingtonu, DC. Raspon uključuje nove prilagođene vježbe obuke posebno osmišljene kako bi pomogle saveznim agencijama SAD-a, njihovim dobavljačima i organizacijama kritične infrastrukture da učinkovitije odgovore na uporne i razorne kibernetičke napade i prijetnje koje predstavlja AI.
Unatoč nervozi banaka, tvrdoglavo visokoj inflaciji i dugotrajnim strahovima od recesije, američko tržište dionica oporavilo se 2023. godine, nadoknadivši većinu gubitaka nastalih tržišnom krizom 2022. godine.
Od demokratizacije strojnog učenja u robotici, radna opterećenja koja pokreće ML postala su vrlo raznolika. Kako se GenAI tehnologija nastavlja širiti, temeljni modeli spremni su zamijeniti ili proširiti postojeće ML i modele dubokog učenja, stvarajući sposobnije i robusnije robote.