Vještačka inteligencija i kognitivni sistemi, šta su i moguće primene

Umjetna inteligencija može se posmatrati kao sposobnost računarskog sistema za obavljanje zadataka, aktivnosti i rješavanje problema tipičnih za ljudski um i sposobnost. 

Predviđeno vrijeme čitanja: 7 minute

Disciplina je rođena kao grana informacionih tehnologija, sa ciljem da napravi mašine:

• "I hardver i softver";
• u stanju da djeluje autonomno u svim onim situacijama u kojima čovjek može pomisliti da je samo ljudsko biće u stanju razumjeti kontekst i u skladu s tim djelovati.

Tijekom godina, umjetna inteligencija često je poticala filozofsku raspravu kako bi dala odgovore o mogućnosti zamjene ljudskog bića strojem ... je li to moguće? 

S tim u vezi možemo identificirati dvije struje mišljenja:

• Slaba umjetna inteligencija
• Jaka umjetna inteligencija

Govorimo o slaboj umjetnoj inteligenciji (slaba umjetna inteligencija) kada cilj nije stvaranje sistema koji imaju inteligenciju uporedivu s onom u ljudi. Ali sistemi koji mogu uspješno djelovati u jednoj ili složenijim ljudskim aktivnostima, poput automatskog prevođenja tekstova. 

U tim slučajevima softver u izvršavanju zadatka za koji je programiran djeluje kao da je inteligentan subjekt, ali za svrhu rezultata nije važno je li zaista ili nije. 

Stoga govorimo o slaboj umjetnoj inteligenciji u svim onim slučajevima u kojima stroj nije u stanju autonomno razmišljati, ali još uvijek je u stanju simulirati inteligenciju. 

Ova vrsta AI primjenjuje se u slučajevima kada razumijevanje ljudskih kognitivnih procesa nije bitno za krajnji ishod. 

Govorimo o snažnoj umjetnoj inteligenciji kada stroj opremljen umjetnom inteligencijom nije samo "alat". 

Ako se pravilno razvija, on postaje um koji misli, s kognitivnim sposobnostima koji se ne mogu razlikovati od ljudskog. 

U ovoj filozofiji ideja je da neki oblici umjetne inteligencije uistinu mogu rasuđivati ​​i rješavati probleme kao što bi to ljudsko biće moglo, pa bi razlikovanje rezultata stroja ili čovjeka bilo nemoguće.

Termin mašinsko učenje (automatsko učenje) odnosi se na skup mehanizama koji pripadaju svetu veštačke inteligencije. 

Ovi mehanizmi omogućuju inteligentnoj mašini da s vremenom poboljša svoje mogućnosti i performanse, automatski učeći s iskustvom da obavlja određene zadatke, poboljšavajući svoje performanse s vremenom sve više i više. 

Primjer je AlphaGo, softver kompanije machine Learning koji se školovao promatrajući milione poteza koje su igrači Goa napravili tokom različitih igara i imao stroj da igra protiv sebe, rezultirajući time da može pobijediti onog što se smatra najboljim igračem na ovoj igri. 

Tri glavne kategorije mašinskog učenja su:

• Nadzirano učenje: sustav prima primjere označene u skladu s rezultatima koji će se dobiti i, polazeći od ovih podataka o obuci, mora izvući opće pravilo koje povezuje ispravnu oznaku sa svakim novim ulazom;
• Nenadzirano: nema označenih podataka, to je sustav koji, počevši od ulaza, mora pronaći strukturu u podacima;
• Učenje ojačanja: Sustav prima ulaz iz okoline i provodi akcije. Sistem pokušava poduzeti akcije kako bi dobio nagrade. Sistem će pokušati implementirati akcije koje optimiziraju nagradu ovisno o stanju okruženja.

Il Deep Learning je potkategorija Mašinskog učenja, to je porodica metoda koja pripada umjetnoj inteligenciji inspirisanoj strukturom i funkcijom mozga: to jest umjetnim neuronskim mrežama (Artificial Neural Network). 

Ove se arhitekture primjenjuju u različitim kontekstima:

• Computer Vision
• prepoznavanje zvuka i govornog jezika
• obrada prirodnog jezika
• bioinformatika

Karakteristike Deep Learning u poređenju sa drugim AI tehnikama:

• Ovo su algoritmi koji koriste različite nivoe nelinearnih jedinica. Te se razine kaskadno koriste za izvršavanje zadataka koji se mogu klasificirati kao problemi transformiranja karakteristika izvađenih iz podataka; svaki nivo koristi izlaz prethodne razine kao ulaz;
• Ovi algoritmi spadaju u širu klasu algoritama za učenje predstavljanja podataka u okviru mašinskog učenja;
• Oni su formirani iz više nivoa reprezentacije koji se mogu shvatiti kao različiti nivoi apstrakcije, sposobni da formiraju hijerarhiju koncepata.

Il Deep Learning djeluje s istim mehanizmima kao i mozak, mašina uči autonomno kao u mašinskom učenju, ali to radi na "dublji" način kao što bi to činio ljudski mozak. Pod dubokim podrazumijevamo „na nekoliko konceptualnih nivoa“. 

Može se činiti da bi jaka potražnja za računskim sposobnostima mogla biti ograničenje, ali skalabilnost Deep Learning povećanje dostupnih podataka i algoritama je ono što ga razlikuje od mašinskog učenja: 

• sistemi Deep Learning poboljšavaju svoje performanse kako se podaci povećavaju
• Aplikacije za strojno učenje, nakon što je postignut određeni nivo performansi, više nisu skalabilne. 

Za obuku sistema Deep Learning obično označavate podatke. 

Na primjer, u polje vizualnog prepoznavanja možete umetnuti metaoznaku "mačka" unutar slika koje sadrže mačku i, bez objašnjenja sustavu kako ga prepoznati, to će sam sustav, kroz više hijerarhijskih razina, pogoditi što karakterizira mačka (šape, rep, krzno itd.) i zato je naučiti prepoznati. 

Nestrukturirani podaci mogu se analizirati dubokim modelom učenja nakon što se formiraju i dostignu prihvatljiv nivo tačnosti, ali ne za početnu fazu obuke.

Il Deep Learning danas se već primjenjuje u raznim oblastima:

• automobil bez fizičkog vozača
• dronovi i roboti koji se koriste za dostavu paketa ili za upravljanje u hitnim situacijama
• prepoznavanje i sinteza govora za chatbotove i servisne robote
• prepoznavanje lica radi nadzora
• prediktivno održavanje

Kognitivno računanje

Primena najnaprednijih hardverskih tehnologija i korišćenje algoritama samo-učenja kao što su:

• data mining
• analitika velikih podataka
• prepoznavanje uzoraka
• obrada prirodnog jezika
• obrada signala

stvorene su tehnološke platforme koje pokušavaju imitirati ljudski mozak, počevši od jednostavnijih aktivnosti i dolazi do sve složenijih obrada.

Signal je vremenska varijacija fizičkog stanja sustava ili fizičke veličine koja služi za predstavljanje i prijenos poruka, odnosno informacija na daljinu, stoga je analiza signala komponenta koja podržava kognitivno računanje.

Google Deepmind, e Baidu Minwa najpoznatiji su primjeri koji su danas dostupni.

Da ne spominjem istoričara IBM Watson, prvi komercijalni superkompjuter takve vrste.

Related Readings

• Umjetna inteligencija: Koje su vrste umjetne inteligencije o kojima trebate znati
• Atlantica Digital Inovativni istraživački projekat usmjeren na fizičku i kognitivnu rehabilitaciju
• Šta je mašinsko učenje, o čemu se radi i čiji su ciljevi
• Rad i digitalne inovacije: rođene su originalne vještine, model analize oblaka za naučnu procjenu ličnosti i mekih vještina
• Veštačka inteligencija Deep Minda je naučila da igra fudbal

Ercole Palmeri

Ovisnik o inovacijama

---