Einarbeitung in neue Systeme und die Sache mit dem Klick
Verfasst: 08.01.2017 00:45:30
Hi,
wenn man sich in neue Systeme einarbeitet, Programmiersprachen, Distributionen, Packages mit interessantem theoretischen Hintergrund, was auch immer, kann es vorkommen, dass man auf Anhieb versteht und das neuerworbene Wissen sofort anwenden kann.
Meist hat man dann auch verstanden, warum man dies oder das verstanden hat und versteht die Herangehensweise des Verstehens, was auch interessant ist bzgl. maschinellen Lernens - die Frage nach: "kann eine Software ein System verstehen, wenn ja, wie, in welchen Schritten könnte sie vorgehen, kann sie dann Hilfestellung zb. als Expertensystem bieten", usw, usf.
Dann gibt es aber noch die Systeme, die eine echte harte Nuss sind. Man schlägt sich ein paar Tage damit herum, versucht die Formeln zu verstehen, die in der Dokumentation stehen, versucht die Dokumentation und die Beispiele zu verstehen, und kommt nicht so recht voran, wie man es gewohnt ist. Aber irgendwann kommt der Punkt, da kann man das grosse Ganze plötzlich deutlich erkennen und man fragt sich, "warum habe ich das nicht gleich gesehen?".
So geht es mir gerade mit Dynare, einem recht interessanten Paket in debian-jessie (, welches man durchaus als ein System im obigen Sinne verstehen kann).
Doch ist man in so einem Fall weit davon entfernt, zu versteheh, wie der "Klick" zustandekam. Und um nochmal den Vergleich zum maschinellen Lernen zu ziehen: Hier sind natürlich die neuronalen Netze klar im Vorteil. Wir wissen nicht, wie , aber dass sie funktionieren, wissen wir.
Das Konzept gibt es schon ewig, seit der Erfindung des Perzeptrons annodazumal, aber erst heute haben wir die Rechenleistung für solche Kapriolen. CPUs, Grakas, FPGas, Asics.
Und den riesen Vorteil, dass alle Software die all die Eigenbrötler in den 70er Jahren hochoptimiert programmiert haben, wir heute in einem Affenzahn ausführen lassen können.
Damit meine ich auch die KI-technisch bislang gescheiterten logischen Konzepte in Sprachen, wie Prolog. Gerade heute lohnt es sich, sich mit derartigen Sprachen zu befassen. Die Antworten kommen schneller. Man kann dem Rechner heute einfach mehr abverlangen.
Und so will ich meine Abhandlung beenden mit den Worten von Agent Smith, aus Matrix 1999: "Nimm nie einem Menschen, wenn Du dafür eine Maschine nehmen kannst."
Gruß
wenn man sich in neue Systeme einarbeitet, Programmiersprachen, Distributionen, Packages mit interessantem theoretischen Hintergrund, was auch immer, kann es vorkommen, dass man auf Anhieb versteht und das neuerworbene Wissen sofort anwenden kann.
Meist hat man dann auch verstanden, warum man dies oder das verstanden hat und versteht die Herangehensweise des Verstehens, was auch interessant ist bzgl. maschinellen Lernens - die Frage nach: "kann eine Software ein System verstehen, wenn ja, wie, in welchen Schritten könnte sie vorgehen, kann sie dann Hilfestellung zb. als Expertensystem bieten", usw, usf.
Dann gibt es aber noch die Systeme, die eine echte harte Nuss sind. Man schlägt sich ein paar Tage damit herum, versucht die Formeln zu verstehen, die in der Dokumentation stehen, versucht die Dokumentation und die Beispiele zu verstehen, und kommt nicht so recht voran, wie man es gewohnt ist. Aber irgendwann kommt der Punkt, da kann man das grosse Ganze plötzlich deutlich erkennen und man fragt sich, "warum habe ich das nicht gleich gesehen?".
So geht es mir gerade mit Dynare, einem recht interessanten Paket in debian-jessie (, welches man durchaus als ein System im obigen Sinne verstehen kann).
Doch ist man in so einem Fall weit davon entfernt, zu versteheh, wie der "Klick" zustandekam. Und um nochmal den Vergleich zum maschinellen Lernen zu ziehen: Hier sind natürlich die neuronalen Netze klar im Vorteil. Wir wissen nicht, wie , aber dass sie funktionieren, wissen wir.
Das Konzept gibt es schon ewig, seit der Erfindung des Perzeptrons annodazumal, aber erst heute haben wir die Rechenleistung für solche Kapriolen. CPUs, Grakas, FPGas, Asics.
Und den riesen Vorteil, dass alle Software die all die Eigenbrötler in den 70er Jahren hochoptimiert programmiert haben, wir heute in einem Affenzahn ausführen lassen können.
Damit meine ich auch die KI-technisch bislang gescheiterten logischen Konzepte in Sprachen, wie Prolog. Gerade heute lohnt es sich, sich mit derartigen Sprachen zu befassen. Die Antworten kommen schneller. Man kann dem Rechner heute einfach mehr abverlangen.
Und so will ich meine Abhandlung beenden mit den Worten von Agent Smith, aus Matrix 1999: "Nimm nie einem Menschen, wenn Du dafür eine Maschine nehmen kannst."
Gruß