Kunstmatige intelligentie en cognitieve systemen, wat ze zijn en mogelijke toepassingen

Kunstmatige intelligentie kan worden gezien als het vermogen van een computersysteem om taken en activiteiten uit te voeren en problemen op te lossen die kenmerkend zijn voor de menselijke geest en bekwaamheid. 

Geschatte leestijd: 7 minuti

De discipline is ontstaan ​​als een tak van informatietechnologie, met als doel machines te maken:

• "Zowel hardware als software";
• in staat om autonoom te handelen in al die situaties waarin men kan denken dat alleen een mens in staat is de context te begrijpen en ernaar te handelen.

Door de jaren heen heeft kunstmatige intelligentie vaak het filosofische debat aangestoken om antwoorden te geven op de mogelijkheid om de mens te vervangen door de machine ... is het mogelijk? 

In dit verband kunnen we twee stromingen onderscheiden:

• Zwakke kunstmatige intelligentie
• Sterke kunstmatige intelligentie

We hebben het over zwakke kunstmatige intelligentie (Weak Artificial Intelligence) als het niet de bedoeling is om systemen te creëren die een intelligentie hebben die vergelijkbaar is met die van mensen. Maar systemen die succesvol kunnen optreden bij een of meer complexe menselijke activiteiten, zoals het automatisch vertalen van teksten. 

In deze gevallen gedraagt ​​de software zich bij het uitvoeren van de taak waarvoor het is geprogrammeerd alsof het een intelligent subject is, maar voor de doeleinden van het resultaat maakt het niet uit of het werkelijk is of niet. 

We spreken dan ook van zwakke kunstmatige intelligentie in al die gevallen waarin de machine niet autonoom kan denken, maar wel een intelligentie kan simuleren. 

Dit type AI is van toepassing in gevallen waarin het begrijpen van menselijke cognitieve processen niet relevant is voor het uiteindelijke resultaat. 

We spreken van sterke kunstmatige intelligentie wanneer de machine die is uitgerust met kunstmatige intelligentie niet zomaar een "hulpmiddel" is. 

Als het goed ontwikkeld is, wordt het zelf een denkende geest, met een cognitief vermogen dat niet te onderscheiden is van het menselijke. 

In deze filosofie is het idee dat sommige vormen van kunstmatige intelligentie echt kunnen redeneren en problemen kunnen oplossen zoals een mens dat zou doen, en daarom zou het onmogelijk zijn om de resultaten van de machine of de mens te onderscheiden.

De term Machine Learning (automatisch leren) verwijst naar een reeks mechanismen die behoren tot de wereld van kunstmatige intelligentie. 

Deze mechanismen stellen een intelligente machine in staat om zijn mogelijkheden en prestaties in de loop van de tijd te verbeteren, automatisch te leren met ervaring om bepaalde taken uit te voeren, waardoor de prestaties in de loop van de tijd steeds beter worden. 

Een voorbeeld is AlphaGo, software van Machine leren die werd onderwezen door miljoenen zetten van Go-spelers tijdens verschillende spellen te observeren en de machine tegen zichzelf te laten spelen, met als resultaat dat het in staat was om te verslaan wat werd beschouwd als de beste speler in de wereld van dit spel. 

De drie belangrijkste categorieën van machine learning zijn:

• Begeleid leren: het systeem ontvangt voorbeelden die zijn gelabeld op basis van de te verkrijgen output en, uitgaande van deze trainingsgegevens, moet het een algemene regel extraheren die het juiste label aan elke nieuwe input koppelt;
• Ongecontroleerd: er zijn geen gelabelde data, het is het systeem dat, uitgaande van de inputs, een structuur in de data moet vinden;
• Versterkend leren: het systeem ontvangt input van de omgeving en voert acties uit. Het systeem probeert acties te ondernemen om beloningen te ontvangen. Het systeem zal proberen acties te implementeren die de beloning optimaliseren, afhankelijk van de toestand van de omgeving.

Il Deep Learning is een subcategorie van Machine Learning, dat wil zeggen een familie van methoden die behoren tot kunstmatige intelligentie, geïnspireerd door de structuur en functie van de hersenen: of kunstmatige neurale netwerken (Artificial Neural Network). 

Deze architecturen worden in verschillende contexten toegepast:

• Computer visie
• audio- en gesproken taalherkenning
• natuurlijke taalverwerking
• bio-informatica

Kenmerken van Deep Learning in vergelijking met andere AI-technieken:

• Dit zijn algoritmen die verschillende niveaus van niet-lineaire eenheden gebruiken. Deze niveaus worden in cascade gebruikt om taken uit te voeren die kunnen worden geclassificeerd als problemen met het transformeren van kenmerken die uit de gegevens worden gehaald; elk niveau gebruikt de uitvoer van het vorige niveau als invoer;
• Deze algoritmen vallen in de bredere klasse van leeralgoritmen voor datarepresentatie binnen machine learning;
• Ze worden gevormd door meerdere representatieniveaus die kunnen worden begrepen als verschillende abstractieniveaus, die in staat zijn een hiërarchie van concepten te vormen.

Il Deep Learning het werkt met dezelfde mechanismen als de hersenen, de machine leert autonoom zoals bij machine learning, maar doet het op een meer "diepe" manier zoals het menselijk brein zou doen. Met diep bedoelen we “op verschillende conceptuele niveaus”. 

Het lijkt misschien dat de sterke vraag naar rekenmogelijkheden een beperking zou kunnen zijn, maar de schaalbaarheid van de Deep Learning aan de toename van beschikbare data en algoritmen is wat het onderscheidt van Machine Learning: 

• de systemen van Deep Learning ze verbeteren hun prestaties naarmate de gegevens toenemen
• Machine Learning-applicaties zijn, zodra een bepaald prestatieniveau is bereikt, niet langer schaalbaar. 

Om een ​​systeem te trainen Deep Learning meestal label je de gegevens. 

Op het gebied van visuele herkenning kan bijvoorbeeld de metatag 'kat' worden ingevoegd in de afbeeldingen die een kat bevatten en, zonder aan het systeem uit te leggen hoe het te herkennen, zal het systeem zelf, via meerdere hiërarchische niveaus, raden wat kenmerkt een kat (poten, staart, vacht, etc.) en daardoor leren herkennen. 

Ongestructureerde gegevens kunnen worden geanalyseerd door een deep learning-model zodra ze zijn gevormd en een aanvaardbaar niveau van nauwkeurigheid hebben bereikt, maar niet voor de initiële trainingsfase.

Il Deep Learning vandaag wordt het al op verschillende gebieden toegepast:

• auto zonder een fysieke bestuurder
• drones en robots die worden gebruikt voor pakketbezorging of voor noodbeheer
• spraakherkenning en synthese voor chatbots en servicerobots
• gezichtsherkenning voor bewaking
• voorspellend onderhoud

Cognitieve computing

Implementatie van de meest geavanceerde hardwaretechnologieën en gebruik van zelflerende algoritmen zoals:

• datamining
• big data analytics,
• patroonherkenning
• natuurlijke taalverwerking
• signaalverwerking

Er ontstaan ​​technologische platforms die proberen het menselijk brein na te bootsen, van eenvoudigere activiteiten tot steeds complexere bewerkingen.

Een signaal is een temporele variatie van de fysieke toestand van een systeem of van een fysieke grootheid die wordt gebruikt om berichten weer te geven en te verzenden, d.w.z. informatie op afstand, daarom is de analyse van signalen een component die cognitief computergebruik ondersteunt.

Google deepmind, En Baidu Minwa zijn de meest bekende voorbeelden die vandaag beschikbaar zijn.

Om nog maar te zwijgen van de historicus IBM Watson, de eerste commerciële supercomputer in zijn soort.

Gerelateerde lezingen

• Kunstmatige intelligentie: welke soorten kunstmatige intelligentie u moet kennen
• Atlantica Digital Een innovatief onderzoeksproject gericht op fysieke en cognitieve revalidatie
• Wat is Machine Learning, waar gaat het over en wat zijn de doelen ervan?
• Werk en digitale innovatie: originele vaardigheden zijn geboren, een cloudanalysemodel voor de wetenschappelijke beoordeling van persoonlijkheid en zachte vaardigheden
• De kunstmatige intelligentie van Deep Mind heeft leren voetballen

Ercole Palmeri

Innovatie verslaafd

---