Învățarea automată și inteligența artificială îngustă

O revizuire recentă a literaturii despre IA de către editorul academic Elsevier (2018) sugerează că există o serie de concepte cheie și domenii de cercetare care constituie disciplina academică a IA. Pe baza unui eșantion de 600 000 de documente legate de IA, analizate pe 800 de cuvinte cheie, raportul a clasificat publicațiile AI în șapte grupuri:

1.    căutare și optimizare
2.    sisteme neclare
3.    planificarea și luarea deciziilor
4.    prelucrarea limbajului natural și reprezentarea cunoștințelor
5.    viziunea computerizată
6.    învățare automată
7.    raționamentul probabilistic și rețelele neuronale.

Acest lucru subliniază că AI nu este o singură tehnologie, ci poate fi înțeleasă mai bine ca un set de tehnici și subdiscipline (Gasser și Almeida 2017).

În timp ce toate aceste clustere sunt componente recunoscute ale domeniului AI, accentul în etica actuală a AI este pus pe învățarea automată și rețelele neuronale, clusterele 6 și 7. Nici unul dintre acestea nu este cu adevărat nou. Învățarea automată a fost o parte consacrată a cercetării AI (Bishop 2006) încă de la începuturile sale, dar progresele recente în puterea de calcul și disponibilitatea datelor au condus la o creștere a aplicării sale într-o gamă largă de domenii. Învățarea automată acoperă o gamă largă de tehnici și abordări inclusiv învățarea supravegheată, teoria deciziei bayesiană, diverse metode parametrice și neparametrice, clustering și multe altele (Alpaydin 2020).

Rețelele neuronale sunt tehnologii care încearcă să reproducă modul în care creierul natural este construit. Ele reprezintă o abordare de jos în sus a AI, adică o viziune conform căreia inteligenta provine din structura creierului. Rețelele neuronale nu sunt o idee nouă, dar au obținut succes abia recent datorită disponibilității seturi de date mari, a algoritmilor noi și a puterii de calcul crescute. Rețelele neuronale sunt un factor important din spatele succesului recent al învățării automate, care este principalul motor al valului actual de AI.

O tehnică deosebită de mare importanță este învățarea profundă (LeCun et al. 2015), care utilizează diferite tipuri de rețele neuronale și a contribuit la succesele recente în domenii precum recunoașterea vorbirii, recunoașterea vizuală a obiectelor și detectarea obiectelor, și în alte domenii precum ca descoperire de medicamente și genomica (Horvitz 2017).

Învățarea automată, în ciuda succeselor sale impresionante, poate fi caracterizată ca un exemplu de IA îngustă. După cum am menționat mai devreme, aceasta este o tehnică care reproduce cu succes procese cognitive foarte specifice. Nu poate transfera statistici cu ușurință de la un domeniu la altul. Un sistem de învățare automată care a învățat să distingă pisicile de câini, de exemplu, nu are automat capacitatea de a recunoaște limbajul natural sau de a clasifica imaginile patologice pentru a identifica cancerul. Este posibil ca sistemul de bază să poată acoperi alte aplicații, dar va trebui să fie instruit din nou pentru noi scopuri.

Este important să înțelegem care dintre caracteristicile pe care le posedă învățarea automată sunt de relevanță etică. Printre componente cheie sunt următoarele:

1.    Opacitate: algoritmii de învățare automată și rețelele neuronale sunt complexe până la punctul în care funcționarea lor internă nu este ușor de înțeles, chiar și pentru experții în domeniu. Deși rămân sisteme pur tehnice și determinate, este imposibil (parțial pentru că sunt sisteme de învățare și, prin urmare, se schimbă) să înțelegem pe deplin funcționarea lor internă.
2.    Imprevizibilitate: Ca o consecință a punctului 1, predicția ieșirilor sistemelor pe baza înțelegerii intrării este dificilă, dacă nu imposibilă.
3.    Cerințe de „date mari”: sistemele de învățare automată în forma lor actuală necesită seturi mari de date de instruire și capacitate semnificativă de computer pentru a crea modele.

Referirea la învățarea automată ca exemplu de „AI îngustă” sugerează că există și alte tipuri de IA care nu sunt înguste. Acestea sunt de obicei denumite IA generală. Este important să subliniem că învățarea automată, cu utilizarea rețelelor neuronale, nu este singurul tip de IA îngustă. Alte exemple sunt sistemele de asistență pentru decizii bazate pe arbori de decizie și sisteme cu logică neclară. Învățarea automată este cel mai proeminent exemplu de IA îngustă în acest moment, în principal datorită succeselor sale recente. Acest lucru nu înseamnă că alte exemple de IA îngustă ar putea să nu câștige o importanță similară în viitor sau să nu ridice alte tipuri de preocupări etice.

Referințe

• Alpaydin E (2020) Introduction to machine learning. The MIT Press, Cambridge MA
• Bishop CM (2006) Pattern recognition and machine learning. Springer Science+Business Media, New York
• Elsevier (2018) ArtificiaI intelligence: how knowledge is created, transferred, and used. Trends in China, Europe, and the United States. Elsevier, Amsterdam. https://www.elsevier.com/_data/assets/pdf_file/0011/906779/ACAD-RL-AS-RE-ai-report-WEB.pdf.
• Gasser U, Almeida VAF (2017) A layered model for AI governance. IEEE Internet Comput 21:58— 62. https://doi.org/10.1109/MIC.2017.4180835
• Horvitz E (2017) AI, people, and society. Science 357:7. https://doi.org/10.1126/science.aao2466
• LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436—444 Li D, Du Y (2007) Artificial intelligence with uncertainty. Chapman and Hall/CRC, Boca Raton FL

Sursa: Bernd Carsten Stahl, Artificial Intelligence for a Better Future – An Ecosystem Perspective on the Ethics of AI and Emerging Digital Technologies, SpringerBriefs in Research and Innovation Governance, ISBN 978-3-030-69978-9, https://doi.org/10.1007/978-3-030-69978-9, licența CC BY 4.0. Traducere și adaptare © 2026 Nicolae Sfetcu