Ce este inteligenta artificiala?

Inteligenta artificiala (AI), uneori numita inteligenta – masina, este inteligenta demonstrata de masini, spre deosebire de inteligenta naturala, afisata de oameni si animale.

Manualele AI definesc domeniul ca fiind studiul „masinilor inteligente”: orice dispozitiv care isi percepe mediul si ia masuri care ii maximizeaza sansele de a-si atinge obiectivele cu succes. In mod colocvial, termenul „inteligenta artificiala” este adesea folosit pentru a descrie masini (sau computere) care imita functiile „cognitive” pe care oamenii le asociaza cu mintea umana, cum ar fi „invatarea” si „rezolvarea problemelor”.

Pe masura ce masinile devin din ce in ce mai capabile, sarcinile considerate a necesita „inteligenta” sunt adesea eliminate din definitia AI, un fenomen cunoscut sub numele de efect AI. Un paragraf din teorema lui Tesler spune ca „AI reprezinta tot ce nu s-a facut inca.” De exemplu, recunoasterea optica a caracterelor este deseori exclusa din lucrurile considerate a fi AI, devenind o tehnologie de rutina.

Capabilitatile moderne ale masinilor clasificate in general ca AI includ intelegerea cu succes a vorbirii umane, concurand la cel mai inalt nivel in sisteme strategice de jocuri (cum ar fi sahul si Go), masini care functioneaza autonom, rutare inteligenta in retelele de livrare de continut si simulari militare.

Inteligenta artificiala a fost fondata ca disciplina academica in 1955 si, in anii de atunci, a cunoscut mai multe valuri de apreciere, urmata de dezamagire si pierderea de finantare (cunoscuta sub numele de „iarna AI”), laolalta cu noi abordari, succes si finantare reinnoita. In cea mai mare parte a istoriei sale, cercetarea AI a fost impartita in subcampuri care deseori nu reusesc sa comunice intre ele.

Aceste sub-campuri se bazeaza pe consideratii tehnice, cum ar fi obiective particulare (de exemplu, „robotica” sau „invatare automata”), utilizarea unor instrumente particulare („logica” sau retele neuronale artificiale) sau diferente filosofice profunde. Sub-domeniile s-au bazat, de asemenea, pe factori sociali (institutii particulare sau activitatea unor anumiti cercetatori).

Problemele traditionale (sau obiectivele) cercetarii AI includ rationamentul, reprezentarea cunostintelor, planificarea, invatarea, procesarea limbajului natural, perceptia si capacitatea de a misca si manipula obiecte. Informatiile generale se numara printre obiectivele pe termen lung ale domeniului.

Abordarile includ metode statistice, inteligenta de calcul si AI simbolica traditionala. Multe instrumente sunt utilizate in AI, inclusiv versiuni de cautare si optimizare matematica, retele neuronale artificiale si metode bazate pe statistici, probabilitate si economie. Domeniul AI se bazeaza pe informatica, ingineria informatiei, matematica, psihologie, lingvistica, filosofie si multe alte domenii.

Campul a fost intemeiat pe presupunerea ca inteligenta umana „poate fi descrisa atat de precis incat se poate face o masina pentru a o simula”. Acest lucru ridica argumente filozofice despre minte si etica crearii unor fiinte artificiale dotate cu inteligenta asemanatoare omului. Aceste probleme au fost explorate de mit, fictiune si filozofie inca din antichitate.

Unii oameni considera, de asemenea, ca AI este un pericol pentru umanitate daca progreseaza fara intrerupere. Altii cred ca AI, spre deosebire de revolutiile tehnologice anterioare, va crea un risc de somaj in masa.

In secolul al XXI-lea, tehnicile AI au experimentat o reaparitie in urma progreselor concurente in puterea computerelor, cantitati mari de date si intelegere teoretica; tehnicile AI au devenit o parte esentiala a industriei tehnologice, ajutand la rezolvarea multor probleme din domeniul informaticii, ingineriei software si cercetarii operationale.

Notiuni de baza

Informatica defineste cercetarea AI ca fiind studiul „agentilor inteligenti”: orice dispozitiv care isi percepe mediul si ia masuri care ii maximizeaza sansele de a-si atinge obiectivele, poate fi considerat un dispozitiv AI. O definitie mai elaborata caracterizeaza AI ca fiind „capacitatea unui sistem de a interpreta corect datele externe, de a invata din aceste date si de a folosi aceste input-uri pentru a atinge obiective si sarcini specifice prin adaptare flexibila”.

O AI tipica isi analizeaza mediul si ia masuri care ii maximizeaza sansele de succes. Functia de utilitate (sau obiectivul) intentionata a unei AI poate fi simpla („1 daca AI castiga un joc de Go, 0 altfel”) sau complexa („Efectuarea unor actiuni similare din punct de vedere matematic, cu cele care au reusit in trecut”). Obiectivele pot fi definite sau induse in mod explicit.

Daca AI este programat pentru „invatare comportamentala”, obiectivele pot fi implicit induse prin recompensarea unor tipuri de comportament sau pedepsirea altora. Alternativ, un sistem evolutiv poate induce obiective utilizand o „functie de fitness” pentru a muta si a reproduce preferential sistemele de AI, similar cu modul in care animalele au evoluat pentru a-si dori in mod innascut anumite obiective, cum ar fi gasirea hranei.

Unora dintre sistemele AI, cum ar fi “cel mai apropiat vecin”, in loc de ratiune prin analogie, nu li se ofera in general obiective, cu exceptia masurii in care obiectivele sunt implicite in datele lor de formare. Astfel de sisteme pot fi inca etalonate daca sistemul non-scop este incadrat ca un sistem al carui „obiectiv” este sa-si indeplineasca cu succes sarcina de clasificare ingusta.

Multi algoritmi AI sunt capabili sa invete din date; se pot imbunatati invatand noi euristici (strategii sau „reguli generale”, care au functionat bine in trecut), sau pot scrie ei insisi alti algoritmi. Unii dintre „cursantii” astfel creati, inclusiv retelele Bayesiene, arborii de decizie si cel mai apropiat vecin, ar putea teoretic (avand in vedere datele, timpul si memoria disponibila) sa invete sa aproximeze orice functie.

Prin urmare, acesti cursanti ar putea obtine toate cunostintele posibile, luand in considerare fiecare ipoteza posibila si potrivindu-le cu datele de input. In practica, rareori este posibil sa se ia in considerare orice posibilitate, din cauza fenomenului de „explozie combinatorie”, in care timpul necesar pentru rezolvarea unei probleme creste exponential.

O mare parte din cercetarea AI implica gasirea modului de identificare si de evitare a abordarii unei game largi de posibilitati, putin probabil sa fie benefice. De exemplu, cand vizualizati o harta si cautati cea mai scurta ruta de condus de la Denver la New York in, in majoritatea cazurilor puteti sari peste orice cale prin San Francisco sau alte zone indepartate spre Vest; astfel, un AI care foloseste un algoritm de cautare a cailor posibile, poate evita explozia combinatorie care ar urma daca ar fi necesara luarea in considerare a tuturor traseelor ​​posibile.

Cea mai timpurie (si mai usor de inteles) abordare a IA a fost simbolismul (cum ar fi logica formala): „Daca un adult altfel sanatos are febra, atunci ar putea avea gripa”. O a doua abordare, mai generala, este inferenta bayesiana: „Daca pacientul actual are febra, atunci probabilitatea de a avea gripa este mai mare”. Cea de-a treia abordare majora, extrem de populara in aplicatiile de rutina AI de afaceri, sunt tehnica SVM si “cel mai apropiat vecin”:

„Dupa examinarea inregistrarilor pacientilor anteriori cunoscuti, a caror temperatura, simptome, varsta si alti factori se potrivesc in cea mai mare parte pacientului actual, X% dintre acesti pacienti s-au dovedit a avea gripa „.

O a patra abordare este mai greu de inteles intuitiv, dar este inspirata de modul in care functioneaza creierul uman: abordarea retelei neuronale artificiale foloseste „neuroni” artificiali care pot invata comparand datele de iesire si modificand nodurile conexiunilor dintre neuronii sai interni, pentru a „intari” conexiunile care par utile.

Aceste patru abordari principale se pot suprapune intre ele si cu sistemele evolutive; de exemplu, retelele neuronale pot invata sa faca inferente, sa generalizeze si sa faca analogii. Unele sisteme folosesc implicit sau explicit mai multe dintre aceste abordari, alaturi de multi alti algoritmi AI si non-AI; cea mai buna abordare este adesea diferita in functie de problema.

Provocari

Capacitatile cognitive ale arhitecturilor actuale sunt foarte limitate, folosind doar o versiune simplificata a ceea ce inteligenta este cu adevarat capabila. De exemplu, mintea umana a venit cu modalitati de a rationa dincolo de masuri si explicatii logice, pentru diferite evenimente din viata.

Ceea ce ar fi fost altfel simplu, o problema in mod echivalent dificila poate fi o provocare de rezolvat pe baza de calcul, spre deosebire de utilizarea mintii umane. Acest lucru da nastere la doua clase de modele: structuralist si functionalist. Modelele structurale urmaresc sa imite vag operatiile de inteligenta de baza ale mintii, cum ar fi rationamentul si logica. Modelul functional se refera la datele de corelare cu omologul sau calculat.

Scopul general de cercetare al inteligentei artificiale este de a crea tehnologie care sa permita computerelor si masinilor sa functioneze intr-un mod inteligent. Problema generala a simularii (sau crearii) inteligentei a fost impartita in subprobleme. Acestea constau in trasaturi sau capacitati particulare pe care cercetatorii se asteapta sa le afiseze un sistem inteligent. Trasaturile descrise mai jos au primit cea mai mare atentie.

Rationament, rezolvarea problemelor

Primii cercetatori au dezvoltat algoritmi care imitau rationamentul pas cu pas pe care oamenii il folosesc atunci cand rezolva puzzle-uri sau fac deductii logice. La sfarsitul anilor 1980 si 1990, cercetarea AI a dezvoltat metode pentru tratarea informatiilor incerte sau incomplete, folosind concepte din probabilitate si economie.

Acesti algoritmi s-au dovedit a fi insuficienti pentru rezolvarea unor probleme dificile de rationament, deoarece au experimentat o „explozie combinatorie”: au devenit exponential mai inceti pe masura ce problemele au crescut in complexitate. Chiar si oamenii rareori folosesc deductia pas cu pas pe care cercetarea timpurie a AI ar putea sa o modeleze. Ei isi rezolva majoritatea problemelor folosind judecati rapide, intuitive.

Invatare

Invatarea automata

Invatarea automata (ML), un concept fundamental al cercetarii AI de la aparitia sa, este studiul algoritmilor computerizati care se imbunatatesc automat prin experienta.

Invatarea nesupravegheata este capacitatea de a gasi modele intr-un flux de intrare, fara a cere unui om sa eticheteze mai intai intrarile. Invatarea supravegheata include atat clasificarea, cat si regresia numerica, care necesita un om sa eticheteze mai intai datele de intrare. Clasificarea este utilizata pentru a determina in ce categorie apartine ceva si apare dupa ce un program vede un numar de exemple de lucruri, din mai multe categorii.

Regresia este incercarea de a produce o functie care descrie relatia dintre intrari si iesiri si prezice modul in care iesirile ar trebui sa se schimbe pe masura ce intrarile se schimba. Atat clasificatorii cat si cursantii de regresie pot fi priviti ca „aproximatori de functii” care incearca sa invete o functie necunoscuta (posibil implicita); de exemplu, un clasificator de spam poate fi vazut ca invatand o functie care mapeaza textul unui e-mail intr-una dintre cele doua categorii, „spam” sau „non spam”.

Teoria invatarii computationale poate evalua cursantii in functie de complexitatea calculelor, de complexitatea esantionului (cat de multe date sunt necesare) sau de alte notiuni de optimizare. In “invatarea prin intarire”, agentul (algoritmul sau device-ul AI), este recompensat pentru raspunsurile bune si pedepsit pentru cele rele. Agentul foloseste aceasta secventa de recompense si pedepse, pentru a forma o strategie de operare in spatiul sau problematic.