在閱讀文章之前，請您點選一下“關注”，既友善您讨論與分享，又能給您帶來不一樣的參與感，感謝您的支援。
文丨見過世面的big龍
編輯丨見過世面的big龍
前言
基于最新算法的自主人工智能的新設計，并描述一種名為“Auto人工智能”的新型自主人工智能系統。該方法用于組裝基于使用新興資料源的自我改進算法的設計，概念化一種新型Auto人工智能算法的設計。
概念方法用于推進建構新的和改進的算法，整合現有文獻的發現，并将Auto人工智能設計推進為使用新的和新興的資料源來教授和訓練人工智能算法，以及使人工智能算法能夠使用自動化工具來訓練新的和改進的算法，這種方法超越了最先進的人工智能算法，使自主算法能夠自我優化和自我适應，并在更高的層面上能夠自我生育。
人工智能技術的建構
自20世紀60年代以來，一直在讨論人工智能變得自主的話題，回顧自主人工智能的目前最新技術，特别關注資料準備、特征工程和自動超參數優化，綜合過去十年及以後的文獻和知識，使用綜述研究中的綜合知識，在概念設計中介紹了多種算法和工具，為自動化這些問題提供了新的解決方案。
概念設計使用現有的Auto人工智能技術作為自動化群組裝人工智能算法的基準，進而使Auto人工智能設計優于目前的Auto人工智能，為了建構Auto人工智能，現代人工智能工具可以與新興形式的資料結合使用。
自動化的目标設定為自主：資料準備、特征工程、超參數優化和管道優化的模型選擇，該設計正在解決未來開發和應用新型緊湊和更高效的人工智能算法中最重要的挑戰，即人工智能系統的自我繁殖。
該設計由四個階段組成，每個階段解決許多特定障礙。從建構訓練場景開始，該場景将教導人工智能算法使用大資料從新興形式的雜項資料格式中自動攝取原始資料，疊代方法用于組裝和內建自主特征選擇和特征提取來自網站、DNS記錄和大資料源，基于自主資料準備和自動化特征工程的知識。
基于生物行為的特定場景被設計用于大規模自動超參數優化，為管道優化設計了新的自動模型選擇，該設計遵循最近關于人工智能設計公平和道德的文獻的指導，整合了數學、計算機和工程科學的遙遠領域。
采用疊代方法設計從每次疊代中吸取的經驗教訓用于設計和控制下一個疊代周期，為了減少和克服疊代方法過程的複雜性，并朝着更好地了解每次疊代的結果的方向發展，使用了各種互補但不同的技術，以解決未來對來自邊緣裝置的實時資料的自主處理和分析的擔憂。
自主人工智能設計
合成原始大資料資料的自動準備和攝取，以建構自動化特征工程的訓練場景，并教人工智能如何分類和使用新的和新興形式的大資料資料，應用領域知識應用于從原始資料中提取特征，如果特征的屬性或屬性有用，或者特征對模型有幫助，則認為特征有效。
對于特征工程的自動化，考慮多關系決策樹學習，這是一種基于決策樹的監督算法，以及深度特征合成，可作為開源庫使用，選擇算法用于識别超參數值，正常參數通常在訓練期間優化，但超參數通常是手動優化的，此任務與模型設計器相關聯。
自動化場景設計始于建立生物行為的知識，可以使用粒子群優化和進化算法，這兩者都來自生物行為，粒子群優化源于對生物群落在個體和社會層面互相作用，進化算法源于對生物進化的研究，場景設計可以應用貝葉斯優化，這是最常用的超參數優化方法。
這些方法論方法的組合用于自動超參數優化，但令人擔憂的是，邊緣裝置的特點是大量資料點，而新興形式的資料具有較大的配置空間和次元，這些因素結合在一起，可能會産生比足夠的時間要求來尋找最佳超參數。
另一種方法是結合算法選擇和超參數優化，方法選擇包括測試最有效的方法，從貝葉斯優化、強盜搜尋、進化算法、分層任務網絡、機率矩陣分解、強化學習和蒙特卡羅樹搜尋開始，設計了自動管道優化，類似于基于樹的管道優化工具，但用于自主優化功能預處理器，以最大限度地提高無監督分類任務的分類準确性。
目前人工智能算法的分析專為包含比物聯網傳感器大得多的記憶體的低成本裝置而設計，這種設計可能适用于特殊裝置，但它不适用于低記憶體或低計算能力傳感器，需要正确看待拟議的Auto人工智能的功能。
所提出的設計可以應用于元宇宙或手機，具有一定記憶體和電源的邊緣裝置或元宇宙。該設計不适用于用于監測橋下水流、空氣污染或森林中的煙霧探測器傳感器的傳感器。從邊緣裝置開發開放通路自主資料準備方法，用于自主攝取新興形式的原始資料，例如大資料。
自動化建構場景
第一個科學裡程碑是建構一種新的自主資料準備方法，可用于訓練Auto人工智能算法：通過自動化資料配置，調整和擴充來實作自動駕駛；通過自動化資料保護和安全來實作自我保護；通過自動執行故障檢測、故障轉移和修複來實作自我修複。
新方法設計包括學習如何識别、映射和忽略資料污染模式，并在自主建構改進算法方面變得更加高效，為了保證自主資料準備方法的成功，建構了一個新的場景來教導算法對抗系統如何污染訓練資料以及如何從訓練場景中丢棄這些資料。
在建構場景時對訓練資料的搜尋以新興資料形式擴充，開放資料研究所、城市流量預測、空氣品質、工業大資料等帶時間戳的資料量子比特，新興資料源需要教人工智能如何使聚合、處理和分析大資料大資料，并使用彈性分布式資料集處理系統中的資料。
新興資料源還可用于教人工智能如何進行排程、優化、分布式資料集抽象，以及連接配接到正确的檔案系統，借助新興資料源還可以訓練算法如何使用現有庫中的資料源，例如用于機器學習和用于圖形問題。
讨論的新興資料源僅限于特定問題，Auto人工智能需要針對該特定問題進行測試，雖然側重于工作的研究階段，但在開發階段測試和驗證階段可能會失敗，是以開發階段将需要一家具有Auto人工智能實際用例的公司，這可能會導緻新産品或服務的開發。
自動化特征工程
建構自動化特征工程教育訓練場景，教Auto人工智能如何分類和使用大資料，并為自動攝取準備原始醫療保健資料，然後使用現代工具結合準備好的大資料源建構訓練場景，以教授算法如何自主建構改進和可轉移的自動化特征工程。
自動化特征工程是建構自生育人工智能的關鍵步驟，因為算法的性能取決于導入功能的品質，手動特征工程通常由專家執行，例如資料科學家采用非常耗時的試錯法，表示學習将應用于從非結構化資料建立自動化資料管道。
表征學習不同于自動化特征工程，但已被證明在表示臨床預測模組化資料方面是有效的，将應用“擴充歸約”技術來擷取特征變換，然後是特征選擇和超參數調優，為了解決函數組合的已知問題和性能瓶頸，将使用後來更新模型的建議。
建議和實驗結果将改編自“擴充減少”技術的開源實作，如果這些方法失敗了将應用一種稱為“遺傳程式設計”的替代方法，這是一種進化算法技術以減輕自動化特征工程失敗的風險，“遺傳程式設計”方法将用于編碼人工“染色體”，然後使用預定義的任務評估适應性并緻力于提高性能。
類似的方法也被用于特征工程，使用基于樹的表示進行特征建構和特征選擇，在一些實驗中這種方法在速度方面顯示出比“擴充減少”方法更好的結果，但解決方案不穩定，因為過度拟合反複出現。
為了将人工智能算法推進到自主建構改進和可轉移的自動化特征工程，将應用一組現代工具，擴充減少特征工程技術将通過以下方法進行測試和改進：深度特征合成、遺傳程式設計特征建構、強化學習特征工程和學習特征工程。
雖然深度學習目前似乎風靡一時，但對于本研究中的具體問題，以及在低記憶體裝置上啟用人工智能，強化學習方法似乎是一個更現實的解決方案。
人工智能未來方向
自主人工智能系統的一個潛在未來方向是元宇宙，在谷歌學術上對最近的文獻進行了詳細的審查，大多數确定的文章都是作為預印本發表的，從未達到期刊出版階段，也很耐人尋味，因為有明顯的迹象表明人們對元宇宙中人工智能的這種演變感興趣，但對這個主題的深入研究并不多。
考慮到谷歌學術隻是可用的搜尋引擎之一，是以審查了替代資料互惠性，下一次搜尋是在其它類目上，其中包括一個非常簡單的搜尋參數：“元宇宙”和人工智能”，在單獨對每條記錄進行仔細調查後，得出的結論是，這些記錄都與元宇宙無關，而是與“多元宇宙優化”和“元啟發式算法”有關。
重點被放在與元宇宙中的人工智能相關的現實世界加密項目上，一些被認為在整合人工智能系統方面最有前途的元宇宙項目對人工智能系統沒有太多接觸，元宇宙基礎設施似乎還處于起步階段，而Auto人工智能的拟議設計對于實作新技術與拟議的緊湊高效的人工智能算法的內建非常有益。
基于緊湊表示的自我演進的自主人工智能算法，在低記憶體物聯網邊緣裝置上運作，為低儲存設備設計新版本“Auto人工智能”的拟議方法基于神經形态工程，提出的Auto人工智能優于目前的Auto人工智能。
因為它基于新興的大資料形式，以衍生出類似于自我生育人工智能的可轉移人工自動化，通過自主特征選擇和特征提取、自動資料準備、自動化特征工程、自動超參數優化以及用于管道優化的自動模型選擇和壓縮來出現自我生成方面。
新型Auto人工智能算法需要進行測試，以提供安全且功能強大的實時智能，該算法可用于建立自主數字系統中信任增強機制的基線，括向邊緣的人工智能遷移，以增強現代網絡如5G和物聯網系統的彈性。
結語
所提出的設計的局限性主要在于功能有限，雖然建議的設計可以适用于一個人工智能功能，但它可能并不在所有功能中都那麼成功，将代碼從一個函數轉移到一個完全不同的函數，需要在試驗和測試階段進一步研究。
其他預期的困難包括缺乏無監督學習的訓練資料，以及監督學習在讓人工智能算法通過“探索”和“利用”進行自我學習和訓練方面的局限性，減輕這種風險的替代方案包括：使用強化學習來開發能夠了解或學習任何智力任務的通用人工智能，這将意味着重點從監督學習算法轉移；開發基于貝葉斯和偶然統計的随機過程，而不是目前基于幾何的最新戰略。
文章描述過程、圖檔都來源于網絡，此文章旨在倡導社會正能量，無低俗等不良引導。如涉及版權或者人物侵權問題，請及時聯系我們，我們将第一時間删除内容！如有事件存疑部分，聯系後即刻删除或作出更改。