Facebook M

nerlagd experimentell digital hjälpreda som kunde användas med Facebook Mes­sen­ger. – Face­book M skulle själv­ständigt kunna boka tider, köpa presenter och leta in­for­ma­tion. – Face­book M påminde om Apples Siri och Microsofts Cortana, men skilde sig från dem genom att mänsk­liga assistenter hjälpte pro­gram­men när det behövdes. Ett system för maskininlär­ning följde de mänsk­liga assis­tent­ernas arbete, och skulle kunna lära av det. – Face­book M testades först i San Fran­cisco-området med början i augusti 2015, och var bara tillgängligt för en begränsad grupp. I januari 2018 lades projektet ner. Tjänsten var först känd som Money­penny. – Se Facebooks webb­sidor (inaktuellt). – Jäm­för med Amazon Echo, Soundhounds Hound och med IBM:s Watson samt med Wolfram Alpha.

[maskininlärning] [nerlagt] [personliga data] [ändrad 10 september 2018]

affective computing

känsloigenkänning, känsloförmedlande teknik – igen­känning och för­medling av känslor och sinnes­tillstånd med hjälp av dator­teknik. Kan användas för:

  1. känsloigenkänning – datoriserade metoder att avläsa om en människa är glad, ledsen, trött…;
  2. känsloöverföring – tekniker för representera avsändarens känslor för mot­tagaren i data­kommunikation;
  3. känslosimulering – att få syntetiska röster eller dator­animerade ansikten att efterlikna känslouttryck.

[datoranimering] [grafiskt användargränssnitt] [maskininlärning] [ändrad 17 september 2019]

artificiellt neuronnät

(artificial neural network) – program som lär sig lösa problem genom att man först tränar det. Programmets inre inställningar förändras tills program­met ger önskat resultat. Det förutsätts ingen förståelse av problemet som ska lösas – programmeraren anger bara vilken form lösningen måste ha. – Artificiella neuronnät, på svenska ofta kallade för neurala nät­verk, är ett av de mest kända verktygen inom artificiell intelligens. Det är den kanske äldsta typen av maskininlärning. – Ar­ti­fi­ciella neuronnät utvecklades med nerv­sys­temet som förebild, därav namnet (neuron=nervcell). De lär sig genom att man tränar dem med exempel där det rätta resultatet är känt. Avvikelsen från det rätta re­sul­tatet används för att justera inställningarna, och sedan försöker man igen tills resultatet blir rätt. Artificiella neuronnät kan ibland lösa problem som inte kan hanteras med någon känd algoritm, som att hitta mönster och att känna igen mönster. De kan till exempel tränas att tolka handskriven text och att känna igen ansikten. – I kommersiell drift används artificiella neuronnät bland annat för att upptäcka miss­tänkta kontokortsbedrägerier. De tränas då att känna igen de enskilda kundernas normala in­köps­mön­ster och att slå larm vid avvikelser. – Be­räk­ningarna i neuronnätet sker genom att signaler (siffervärden) som passerar nätet på vissa vägar för­stärks, de som tar en annan väg för­svagas, somliga stoppas helt. Det är en från början slumpartad process, men resultatet förbättras under in­lär­nings­fasen. Avvikelsen från det rätta utfallet återförs till nätverket och används för att förbättra inlärningen genom att vissa förbindelser för­svagas, andra förstärks, en del tas bort helt och hållet (se gallring). Därav beteck­ningen bakåtpropageringsnätverk (back propagation networks) på den mest kända typen av artificiella neuron­nät. Om in­lär­ningen har baserats på ett representativt urval av data kan nätverket så småningom lösa även oprövade problem av liknande slag. – Artificiella neuronnät kritiseras för att de är ”svarta lådor” som löser problem utan att man kan se hur. Motargu­mentet är att de kan lösa pro­blem som man ändå inte vet hur man skulle lösa med vanlig pro­gram­me­ring. – Se också Datatermgruppen (länk).

[ai] [ändrad 8 maj 2018]