test

Odpowiedź na pytanie kursanta: Test to pojęcie występujące w kontekście testowania oprogramowania i sztucznej inteligencji. W inżynierii oprogramowania, test to specyfikacja danych wejściowych, warunków wykonania, procedury testowania i oczekiwanych wyników, która definiuje pojedynczy test do wykonania w celu osiągnięcia konkretnego celu testowania oprogramowania. W kontekście sztucznej inteligencji, testy są używane do oceny zdolności maszyny do wykazywania inteligentnego zachowania. Dwa przykłady testów są wymienione w dostępnym kontekście: Test Eberta i Test Turinga. Test Eberta to test oceniający, czy syntetyczny głos komputerowy potrafi opowiedzieć dowcip z wystarczającą wprawą, by rozśmieszyć ludzi. Test Turinga to test zdolności maszyny do wykazywania inteligentnego zachowania równoważnego zachowaniu człowieka lub od niego nieodróżnialnego. Test polega na rozmowie w języku naturalnym pomiędzy człowiekiem a maszyną zaprojektowaną do generowania odpowiedzi zbliżonych do ludzkich.

Uczenie maszynowe (UM, ang. Machine Learning - ML) - obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka. Główne elementy Uczenia Maszynowego to: dane - duże zbiory danych używane do trenowania i testowania działania modelu, model - matematyczna reprezentacja problemu, uczona na podstawie danych, algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych, funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model, optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty.

Uczenie Maszynowe (ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane.

Odpowiedź na to pytanie jest zawarta w pierwszym fragmencie tekstu, który opisuje eksperyment z modelem rozpoznający psy i koty. W tym eksperymencie, model został wytrenowany tylko na rozróżnianiu psów i kotów, bez dostępu do danych o samochodach. Wynik 100% kot nie wynika z faktu, że model rozpoznaje samochód jako kota. Wynika on z faktu, że model nie ma w swojej bazie danych informacji o samochodach i nie wie, że samochód nie jest kotem. Model nie ma możliwości rozpoznania samochodu jako takiego, ponieważ nie został wytrenowany na to. W tym przypadku, model zdecydował się na klasę "kot", ponieważ nie ma innej możliwości, a klasa "pies" nie pasuje do danych wejściowych. Nie ma żadnych danych, które by wskazywały, że samochód jest kotem, ale brak danych o samochodach powoduje, że model nie może wykluczyć tej możliwości.

Uczenie ze wzmacnianiem to sposób uczenia modelu, w którym model otrzymuje nagrodę lub karę za swoje działania w dynamicznym środowisku. Celem jest znalezienie najlepszych działań, które maksymalizują nagrodę. To jest podobne do uczenia się w świecie rzeczywistym, gdzie model musi podejmować decyzje w oparciu o wyniki swoich działań.