人工智能

2018-07-17 06:58:32 admin 17

人工智能




1509514659794797.jpg

利用贝叶斯回归统计作为机器学习和独立决策的函数

概述 - 创造人造生命,通过输入某些数据和方向,利用贝叶斯理论,通过增加并与其环境发生真实的相互作用/学习,然后作出决策。本质上就像人类做出独立的决定一样。

这对从事销售,劳工,执法和军事的机器人来说是非常好的。


IP - 在第二专利中提到,我们的模型是通过由新的信息刺激,使它们不断地进行自我更新和重新创建。

当前技术的优势 -目前没有成熟的技术允许机器自己作出理性决策,如何与它们的环境进行互动,尽管目前正在进行相关工作。

开始日期 - 最初,我们的基本模式将纳入这种理性,但实际工作将于2020年开始。

团队 - 待定

商业模式 - 传统公司和管道销售/营销

可交付成果 - 待定

成本 - 约二十亿美元

投资回报率 - 成功的设计和开发将改变我们所知道的生活,潜在的销售和军事用途将会带来极高的价值。




GSI IT的人工智能研发方向。

GSI IT一直是跟隨世界科技發展趋势與時並進,亦致力于开发基于AI的项目,我们拥有专有的算法和方法来构建利用机器学习/人工智能等去组织输入数据,评估潜在解决方案并最终做出相应决策的应用程序。 在美国,机器学习或人工智能基本上被认为是应用统计学的一个分支。  在这方面,GSI专注于开发为处理大量源数据(大数据分析)而构建的决策模型。  需要明确的是,GSI并不专注于创建神经网络或其他架构设计,而是专注于“意识”或这些网络内部发生的事情,以及如何以及为何在多功能应用程序中做出决策。

几乎任何AI模型都可以找到以统计为基础。 没有这个基础,模型将无法“推断”,“预测”或称为“思考”。 统计是机器学习的基础。 以下是哥伦比亚大学AI /机器学习部的简短视频: https://youtu.be/-PCFxkWcatg。 该视频概述并验证了应用统计与当前机器学习思想之间的共性。

2012年Pedro Domingues 在他的ACM通讯文章中,“关于机器学习的一些有用的事情”(2012年10月,第55卷)概述了机器学习的关键算法,包括逻辑回归和贝叶斯定理:

1531761149674271.png 

 

作为美国专利9374608中的一个例子:


将用户的选择放入类似于算法的潜变量二项Logistic回归模型中:

Y l 0*=β0 X l+ε0 Y l 1*=⊕1 X l+ε1

where ε0 ̃EV1(0,1)

ε1 ̃EV1(0,1)

EV1(0,1) 是标准的1型极值分布:即得出 Pr(ε0=χ)=Pr(ε1=χ)=e −χ e −e −χ

虽然这个公式可能令人困惑并且难以理解,但关键的组成部分是我们使用一个独立的变量,如“有阳光的时间”来预测另一个因变量,如“大豆质量”。  我们的模型还通过查看输入数据并对潜在的新自变量做出决策来持续优化自己的算法,例如“降雨量”,然后将模型转换为新输入。