Genauer gesagt: Heutige ML-Systeme können aus Zeitreihendaten keine fraktale Struktur ableiten.
Autonom fahrende Autos, AlphaStar (StarCraft-2-KI), RNNs und Ähnliches verarbeiten also keine Zeitreihendaten? => Genau so ist es.
- Autonomes Fahren
Autonomes Fahren nutzt einen Hybrid aus ML und prozeduraler Programmierung.
ML verarbeitet niedrigstufige Aufgaben wie die Erkennung von Fußgängern, während prozedurale (nicht statistische) Programmierung Aufgaben wie Navigation übernimmt. Erläutert wird das anhand des Berichts zum Self-Crashing-Car von Uber.
- AlphaStar
Etwas komplexer als bei Uber werden hier zwei neuronale Netze verwendet. Eines sagt die Gewinnwahrscheinlichkeit voraus, das andere bestimmt, welche Aktion ausgeführt werden soll. Dadurch wird das Zeitreihenproblem in zwei separate zustandslose Probleme aufgeteilt.
Ohne APM-Handicap würde AlphaStar natürlich gewinnen, aber selbst mit Handicap ist AlphaStar taktisch überlegen; trotzdem können Menschen gewinnen, weil High-Level-Spieler im strategischen Verständnis voraus sind. Solange es keine unendliche Rechenleistung gibt, stößt das System bei komplexen strategischen Berechnungen an eine Wand. Das menschliche Gehirn ist auf diese Weise nicht begrenzt.
Das erste Gesetz der Künstlichen Intelligenz laut dem Autor:
"Ein nicht fraktal aufgebauter Algorithmus stößt letztlich an eine Rechenwand, und umgekehrt gilt dasselbe."
Im Fazit spricht der Autor über Feed Forward Neural Network (FFNN) und Connectome-Specific Harmonic Waves (CSHW), um neuronale Netze auf fraktale Weise zu konstruieren.
Noch keine Kommentare.