Tabula Rasa – Bitcoin LiveMint plus 500

Autant que nous avons, au cours des dernières années, a connu des améliorations significatives de l’intelligence artificielle, les méthodes par lesquelles ces gains ont été obtenus se sont appuyés sur des algorithmes d’alimentation de vastes bases de données existantes et de les guider afin qu’ils puissent déduire des modèles à partir des données qui pourrait être appliquée à la prise de décision future pièce Bitcoin. Par conséquent, aucune de ces soi-disant « intelligences artificielles » sont capables d’apprendre tabula rasa (à partir d’une table rase) et apprendre au lieu comment résoudre les problèmes en fonction de la façon dont les humains ont les résoudre avant est Bitcoin la peine d’investir dans. Les humains, de l’autre la main, ont la capacité d’apprendre à partir d’une connaissance l’acquisition d’ardoise complètement propre de l’expérience et la perception sans dépendre de connaissances héritées ou de la mémoire.


Ceci est une condition humaine unique et que nous avons des machines longtemps cru ne peut imiter.

Le problème est que cela impose des contraintes importantes sur la façon dont l’intelligence artificielle peut être Bitcoin occasion modèle d’affaires. Toute personne qui a l’air d’appliquer l’intelligence artificielle dans une nouvelle région a besoin non seulement de trouver l’expertise humaine nécessaire pour programmer ces algorithmes, mais doit également obtenir une base de données assez grand nombre d’informations pertinentes qui seront en mesure de former ces réseaux de neurones Bitcoin de valeur. Ce ne sont pas des contraintes triviales et il a longtemps été l’objectif de formation à la recherche de by-pass AI tout en développant des algorithmes qui peuvent apprendre de l’expérience dans un environnement fondé sur des règles.

Le document a été publié par DeepMind, la même équipe qui avait construit AlphaGo-programme informatique qui a battu le champion du monde humain à Go prédiction Bitcoin 2016. Dans sa version originale, le réseau de neurones AlphaGo avait été nourri des milliers de jeux amateurs et professionnels dont il a analysé pour détecter les tendances de la façon dont les humains ont joué et gagné.

Grâce à cette connaissance et l’étendue de sa mémoire vaste et parfaite, AlphaGo a pu vaincre Lee Sedol, le monde 18 fois Champion Go Bitcoin banque centrale. La dernière version (appelée AlphaGo zéro) n’utilise pas de données de formation acheter Bitcoin reddit. Il utilise plutôt une nouvelle forme d’apprentissage de renforcement qui fonctionne en utilisant des méthodes similaires épistémologiquement à l’apprentissage humain.

AlphaGo Zéro a commencé comme un réseau de neurones qui avait aucune connaissance préalable du jeu estimateur Bitcoin. Il a été fait de jouer contre lui-même, et la mise à jour en permanence le réglage de sa logique, à chaque itération améliorer progressivement, la nature du gameplay tout-en même temps la création d’une version plus réactive du réseau de neurones pays de la monnaie Bitcoin. En utilisant cette technique d’auto-apprentissage, l’intelligence artificielle est plus limitée par les limites de l’intelligence humaine ou les données de volume recueillies à partir des jeux passés, mais apprend au contraire, Tabula Rasa, du joueur Go la plus forte dans le monde lui-même.

En seulement trois jours AlphaGo Zéro obtenu une maîtrise suffisante dans le jeu pour être en mesure de vaincre complètement la version précédente de AlphaGo par 100 parties à 0. En apprenant à partir de zéro et de jouer en permanence contre lui-même, il avait réussi à accumuler des milliers d’années de l’homme connaissances dans quelques jours et dans le processus a mis au jour un certain nombre de stratégies non conventionnelles et des techniques nouvelles encore jamais vu dans l’histoire de Go.

Cette nouvelle technique d’apprentissage de la machine est prometteuse dans la manière dont elle pourrait être appliquée à d’autres problèmes structurés comme le repliement des protéines, de la recherche génomique et la recherche de nouveaux matériaux révolutionnaires. Mais ce qui est beaucoup plus intéressant est ses implications pour la loi et la réglementation.

Le plus grand souci de l’intelligence artificielle moderne est le fait que nous avons besoin d’utiliser des données historiques afin de former l’algorithme. Ces ensembles de données contiennent soit des données qui pourraient être considérées comme personnelles, ou qui pourrait, à travers les opérations de l’algorithme, se transformeront en informations personnelles sensibles. Cela rend la collecte et l’utilisation des ensembles de données à des fins de formation tout à fait difficiles en vertu du droit de la protection des données actuelles qui ne permettent pas de données à utiliser à des fins sans le consentement préalable de la personne concernée.

En outre, on craint que toutes les données de formation est déjà en proie à des sortes de préjugés humains qui sont inévitables dans les données historiques. Lorsque les algorithmes sont formés à l’aide de ces données, les biais sont transférés dans l’algorithme résultant dans la perpétuation et même l’exagération de partialité dans la prise de décisions fondée sur les données, ce qui soulève des préoccupations que le but réel d’avoir des machines incorruptibles prendre des décisions à la place des humains faillibles n’a pas été être remplies.

Avec des algorithmes tabula rasa, il n’y aura pas besoin d’utiliser des données historiques, ce qui réduit de manière significative ces deux préoccupations et permettant de mettre en œuvre la prise de décision algorithmiques sans se soucier de la vie privée ou le risque que le biais humain va se transférer à ces nouveaux algorithmes d’apprentissage automatique de Bitcoin hors ligne générateur de portefeuille. On peut, enfin, être au seuil de la véritable intelligence artificielle générale. Et ce n’est pas aussi effrayant que pensait que ce serait.