Des problèmes dans la recherche sur l'intelligence artificielle?

Question

Je suis actuellement en deuxième année de premier cycle en génie informatique de l'étudiant, et je suis un grand fan de l'intelligence artificielle. J'ai fait une recherche formelle dans les nanotechnologies, mais dans l'école d'études supérieures, je ne pense pas que l'expérience de la recherche sera finalement de m'aider dans ce que je veux faire.

Voici donc les questions que je me pose:

Quelles sont les bonnes problèmes d'explorer un baccalauréat ou d'un chercheur avec une petite quantité d'expérience?

Connaissez-vous des scientifiques dans des institutions de recherche qui travaillent sur quelque chose qui pourrait être bon pour un novice à explorer avant d'aller dans la recherche en IA en cette journée? En d'autres termes, que dois-je aller vers de sorte que je ne gaspille pas mon temps sur les "tubes" de l'intelligence artificielle?

Il serait bien de faire quelque chose, en PNL ou en vision par ordinateur (peut-être à l'aide de quelque chose de largement utilisé comme OpenCV), mais je n'ai pas beaucoup d'idée de ce que je dois travailler. Mes intérêts sont trop éparpillés dans une non structurées de la manière.

Si il y a d'autres détails que vous voulez qui vous aideront à comprendre ma requête, faites le moi savoir. Je suis fondamentalement de la recherche de sens.

Je dois ajouter que je suis principalement intéressé par le "cerveau" de machines, pas vraiment le matériel, même si, je suis actuellement à la une de la CE de grands. Je suis la plupart du temps CE majeur parce que je veux savoir comment tout fonctionne sur une machine sans compter les complexités de matériel. Je rationnellement supposons qu'une telle vaste expérience va m'aider à l'avenir les problèmes de recherche. Je me souviens avoir lu quelques articles où le matériel a été axée sur l'optimisation.

Answer 1

À l'extérieur de l'IA semble être un sujet spécifique. Il n'est pas. IA couvre un vaste éventail de techniques et d'applications: Pensez à ce que cela signifie - il se réfère à tout ce qui concerne l'intelligence.

Je vais décrire les principaux domaines de recherche et donner un peu de terminologie (dans aucun ordre particulier). Tout d'abord, la VISION par ORDINATEUR. Cela couvre tout ce qui est à faire avec le traitement de l'image, 2d et 3d de la géométrie, de la forme de la reconnaissance, de détection d'objet, segmention, de suivi et ainsi de suite. Un bon tutoriel est à:

http://homepages.inf.ed.ac.uk/rbf/CVonline/

Deuxièmement, l'APPRENTISSAGE de la MACHINE. Cette rubrique couvre les méthodes d'approximation de fonctions, de prendre des décisions, de la classification et ainsi de suite. Elle pourrait inclure les réseaux de neurones artificiels et de nombreux autres biologiquement inspiré des techniques. Cette zone a été très populaire dans les années 90, mais ne pas l'écrire. Beaucoup de biologiquement inspiré ou mis à la terre de la recherche est en cours dans ce domaine.

Troisièmement, la RECHERCHE et l'OPTIMISATION. Certaines personnes disent que toutes les IA de recherche. Recherche sur la recherche de solutions hautement complexes (combinatoire) données ou à l'analyse d'énormes volumes de données. Il est très floue la frontière entre la recherche et l' "non IA" parties de CS. En général, il ya beaucoup de chevauchement avec la CS. La recherche a pris son essor avec l'Internet et de stockage massive / acquisition de données, mais les techniques n'ont pas sensiblement amélioré au cours des années. Vous mai ont entendu parler de la récente controverse au sujet de P != NP ?

Quatrièmement, l'ESTIMATION de ces techniques, pour lesquelles vous avez besoin d'une mise à la terre dans la théorie des probabilités inclure des Filtres de Kalman, filtre à Particules, etc. Ces techniques sont utilisées pour estimer les variables incertaine de l'information. Cette zone a été responsable pour le plus grand bond en avant en AI entre ~2000 et ~2005, notamment en robotique. Inclure le suivi d'objets, cartographie en 3-d, de SLAM (simultaneous localisation et de cartographie) dans ce domaine.

Cinquième, de MODÉLISATION, de SIMULATION et d'EXPLORATION de DONNÉES - il est grand chevauchement avec les statistiques et l'apprentissage de la machine, mais en général, nous parlons de la modélisation de données, de réduction de dimensionnalité et la prédiction. Ce domaine relève également de la machine de vision que ce genre de données, souvent, de faire des liens avec les SIG (Systèmes d'Information Géographique) et d'autres géographiques / physique / les ensembles de données environnementales.

Les grands, les applications actuelles pour les IA combinent généralement les techniques les plus récentes de tous ces champs, et comprennent:

• De dispositifs biomédicaux (esp. humaines, les technologies d'assistance)
• Smart systèmes d'imagerie sur des appareils mobiles
• [en plus] véhicules Autonomes / agents
• La Modélisation de l'environnement / cartographie / prévision
• Des risques financiers et bien plus

Il y a quelques soi-disant "impasses" - tels que les systèmes Experts - qui sont toujours à retardement, et comme certains l'ont dit, peut bien en prendre de nouveau que les technologies évoluent et les lacunes apparaissent.

Il est plus à l'IA que vous pourriez peut-être apprendre dans une vie! Profiter de la balade. C'est une bonne carrière si vous obtenez en elle.

par exemple, Mes années d'étude: 3 ans BSc Informatique et d'Intelligence Artificielle 3 ans de Doctorat de vision industrielle / Autonome topologique de cartographie et de navigation

Années de travail: 1.7 ans Financier de l'IA (anti-blanchiment) 2.3 ans de l'Optimisation de l'IA (logistique, de tournées de véhicules, les horaires, etc). 3.5 ans de la vision par Ordinateur (suivi, la sécurité, la surveillance, la recherche biomédicale) 1.0 ans GPU (CUDA) (suivi de la cellule, plaques de numéro de reconnaissance de visage, détection/reconnaissance etc.)

Je ne le regrette pas.

Answer 2

Je vais demander à un de vos professeurs, de préférence quelqu'un qui est d'appuyer la recherche dans le domaine. Vous pourriez obtenir quelques points hors de lui.

Je dirais que beaucoup de merveilleuses AI pensé à partir des années 80 était en avance sur son temps, parce que les ordinateurs n'étaient pas assez puissants, la mémoire ne sont pas assez grandes, et des réseaux n'est pas assez rapide à mettre en œuvre les théories.

Quand vous regardez dans quelle mesure quelque chose comme Doug Lenart du Cyc a venir, vous vous rendez compte que c'est l'accumulation de 20 ans de travail et de matériel enfin de rattrapage.

Je me demande combien d'autres IA technologies sont enfin dans leur propre pour la même raison.

Un autre changement est l'effet de la statistique et avoir beaucoup de données disponibles. Si vous pensez à ce que Peter Norvig a été en mesure de le faire avec des statistiques de son correcteur orthographique, et d'imaginer comment difficile c'est de les mettre en œuvre à l'aide de Rete avant l'induction et les règles, vous vous rendez compte qu'il y a une toute autre voie à ouvert à vous pour attaquer les problèmes.

Answer 3

Prenez une copie de "On Intelligence" http://www.onintelligence.org/ et voyez si vous pouvez déchiffrer l'algorithme cortical dont il parle. Résolvez-le et le reste des problèmes d'IA disparaissent.

Voyez si vous pouvez résoudre le problème avec la création de la représentation invariante (du même livre) qui nous donne la possibilité de transposer des chansons, de vous adapter à des situations légèrement différentes, ...

Answer 4

Certaines recherches sur l'IA ont paru dans Science l'année dernière:

http://www.sciencemag.org/cgi/content/abstract/324/5923/81

Cela pourrait vous donner une idée de progrès très récents.

Answer 5

http://arxiv.org/list/cs.AI/recent <- arxiv peut être raisonnablement utile pour indiquer le type de sujets abordés dans un champ.