婷婷激情五月开心五月,久久热只有这里有精品,蜜臀欧美日韩一区二区三区精品,日韩一区二区三区亚洲

廣西回收西門子PLC模塊 廣西回收西門子PLC模塊

機器的“直覺”

學習能力是實現自主化的前提條件。為此，西門子研究人員正在開發(fā)一種知識網絡，它以與深度學習相關的模擬神經元和模擬連接為基礎。該網絡可以通過識別極其復雜的域間關聯來歸納信息。可公開訪問的互聯網和企業(yè)內部信息系統(tǒng)都可以成為該知識網絡的應用領域。這項技術具有普遍而深遠的意義，且擁有能夠模仿人類直覺的潛力。

從擁有大約300個神經細胞的蛔蟲，到大腦包含2000億個神經元的成年大象，具備學習能力的生物系統(tǒng)形形，不勝枚舉。然而，不論研究對象是果蠅、蟑螂、黑猩猩，還是海豚，所有這些生物的神經元都能夠處理和傳遞信息。不僅如此，這些活動都出于相同的原因：所有有機體都需要識別并理解其周圍環(huán)境，然后做出適當反應，以避開危險，保證生存以及繁殖能力。它們還必須能夠回憶代表利害的刺激。換言之，學習能力是在自然環(huán)境中求生的關鍵。盡管機器無所謂繁殖和生存問題，但學習能力對于機器也至關重要，特別是對于自主系統(tǒng)，具備學習能力意味著它們能夠持續(xù)改進其發(fā)揮功能的能力。

西門子機器學習專家兼慕尼黑大學計算機科學教授Volker Tresp博士認為，學習分為三種：記憶學習（如回憶具體事實）、技能學習（如扔球）和抽象學習（如通過觀察推演出成套規(guī)則）。就*種學習而言，計算機已經是行家里手?，F在，它們正在另外兩種學習領域迎頭趕上。

知識網絡創(chuàng)建者：Volker Tresp教授，西門子專家兼慕尼黑大學數據庫系統(tǒng)項目主任。

生成預測
隨著傳感器的體積越變越小、成本越來越低，并且能夠實現越來越多的功能，本地和網絡中產生的數據將越來越多。這些數據洪流需要被學習系統(tǒng)進行智能分析。學習系統(tǒng)知道關聯的機器和系統(tǒng)是如何運轉的，也了解需要應用哪些傳感器和測量技術才能獲得真正有用的數據。這個“物聯網”將不僅從根本上改變工業(yè)界，也將*改變基礎設施。舉例來說，在交通引導系統(tǒng)中，車輛、控制中心、自主工業(yè)設施和智能樓宇可以實現彼此互聯。

Tresp解釋道：“在新的智能數據應用的開發(fā)中，機器學習起到了關鍵作用。”不同于側重解讀參數的純統(tǒng)計程序或力求從海量數據中識別模式的數據挖掘，使用人工神經網絡等的機器學習過程將進行預測，為實現自主決策奠定基礎。

西門子SENN軟件確保基于神經網絡的精確預測。

舉例來說，西門子已開發(fā)出一個神經網絡模擬環(huán)境（SENN），可用于解答不同問題。此外，SENN還可以預測原材料的價格。例如，這個軟件可以預測未來20天的電價和其中的購電日，準確率達到三分之二。自2005年起，西門子一直使用這種方法在時間點購電。這項技術也可用于預測需要并入電網的可再生能源發(fā)電量，或者提前數日精確預測大城市空氣污染水平。

自優(yōu)化風機
西門子也在其他領域使用了這種可從各類數據中學習并自主得出結論的計算機系統(tǒng)。例如，西門子中央研究院的研究人員正在研究如何利用機器學習技術讓風機能夠根據風和天氣條件的變化進行自動調節(jié)，從而提高發(fā)電量。西門子中央研究院在此領域的專家Volkmar Sterzing表示：“自優(yōu)化風機的基礎是從風機自身的運行數據中推導出風的特性。”風機發(fā)電設施內部及外部的傳感器能夠包括風向和風力、空氣溫度、電流和電壓，以及發(fā)電機和轉子葉片等大型組件內的振動等在內的相關參數。Sterzing解釋道：“到目前為止，這種類型的數據僅用于遠程監(jiān)測和診斷。其實，這些數據還可用于幫助提高風機的發(fā)電量。”現在，Sterzing也在進行優(yōu)化燃氣輪機運行方面的研究。這些相關研究的目標是創(chuàng)建一個自主學習系統(tǒng)。該系統(tǒng)將不僅能夠分析或可視化輪機運行數據，還可以自主解讀這些數據并自動修正相關輪機運行。

Volkmar Sterzing的團隊致力于借助自適應軟件優(yōu)化風機運行。Sterzing的下一個目標是自優(yōu)化燃氣輪機。

深度學習與模擬神經元
深度學習是機器學習領域的新趨勢。這種技術要使用多達10萬乃至更多個模擬神經元，以及上千萬個模擬連接，這些數字打破了人工智能領域過去所有紀錄。人工神經元有許多層，每層都負責對所學的材料進行不同層次的抽象。比如，研究人員有望借助深度學習技術完成自動圖像識別技術的新應用。將各層人工神經元相互連接所得到的數據，將比早期人工神經網絡提供的數據詳盡得多。其實，我們大多數人都隨身攜帶著一個人工神經網絡，比如安卓智能手機的語音指令系統(tǒng)。Tresp的團隊正在創(chuàng)建包含多達1000萬個對象的數學知識網絡模型，將這項技術再向前推進一步。除此之外，這個團隊可以就這些對象之間的關系作出多達1014種可能預測，這大致相當于成年人大腦內突觸的數量。

這種知識網絡可以應用于工業(yè)領域。由德國聯邦經濟與科技部（BMWi）開展的智能數據網絡（Smart Data Web）項目就是一個例子。這個項目的目的是在可公開訪問的互聯網與大型企業(yè)內部信息系統(tǒng)之間搭起一座橋梁。借助機器學習系統(tǒng)，兩個域都能從對方那里歸納信息，從而改善信息提取，并進一步方便雙方向對方提供新的信息和事實。制造企業(yè)可以使用由此得到的信息來大幅優(yōu)化規(guī)劃和決策過程。

知識網絡還可用于支持醫(yī)院的醫(yī)療決策流程。為此，西門子正在由BMWi資助的“臨床解決方案的數據智能”項目框架下，開發(fā)有關解決方案。這些解決方案基于西門子與柏林Charité醫(yī)院和埃爾蘭根大學醫(yī)院共同開發(fā)的應用。其目的是開發(fā)能夠學會根據可用患者數據作出預測的系統(tǒng)。

在一場人類與計算機的腦力較量中，谷歌公司研發(fā)的阿爾法圍棋與世界棋手李世石（不在圖片中）對弈五局并獲勝。對于計算機而言，圍棋的復雜度遠勝于象棋。

阿爾法圍棋：機器與人類的較量
阿爾法圍棋充分詮釋了*的機器學習系統(tǒng)的能力：2016年3月，阿爾法圍棋力挫世界棋手李世石，在自我學習機器和人工智能發(fā)展歷*立下了一座里程碑。令人驚奇的是，在谷歌公司取得這一成就之前，圍棋一直被認為對計算機而言過于復雜。例如，圍棋擁有幾乎無限多種下法，這意味著棋手通常不得不依靠直覺。谷歌旗下的DeepMind公司開發(fā)的阿爾法圍棋是一個旨在解決復雜任務的系統(tǒng)。同西門子成功用于優(yōu)化風機和燃機的系統(tǒng)一樣，阿爾法圍棋使用了增強學習技術。通過對數百萬盤棋局進行分析，然后自我對弈，阿爾法圍棋學會了利用估值函數來評估每一個落點——事實證明，這個系統(tǒng)非常成功。