Scopuri
Problema generală a simulării (sau creării) inteligenței a fost împărțită în sub-probleme. Acestea constau în anumite trăsături sau capacități pe care cercetătorii se așteaptă să le afișeze un sistem inteligent. Trăsăturile descrise mai jos au primit cea mai mare atenție.
Raționament, rezolvare de probleme
Primii cercetători au dezvoltat algoritmi care imitau raționamentul pas cu pas pe care oamenii îl folosesc atunci când rezolvă puzzle-uri sau fac deducții logice. Până la sfârșitul anilor 1980 și 1990, cercetarea AI a dezvoltat metode de tratare a informațiilor incerte sau incomplete, utilizând concepte din probabilitate și economie.
Mulți dintre acești algoritmi s-au dovedit a fi insuficienți pentru a rezolva probleme mari de raționament, deoarece au experimentat o „explozie combinatorie”: au devenit exponențial mai lenți pe măsură ce problemele creșteau. Chiar și oamenii folosesc rar deducția pas cu pas pe care o poate modela cercetarea timpurie a AI. Ei își rezolvau majoritatea problemelor folosind judecăți rapide și intuitive.
(O ontologie reprezintă cunoașterea ca un set de concepte dintr-un domeniu și relațiile dintre aceste concepte. Credit: Leechuck, https://en.wikipedia.org/wiki/File:GFO_taxonomy_tree.png, licența CC BY-SA 3.0)
Reprezentarea cunoașterii
Reprezentarea cunoașterii și ingineria cunoașterii permit programelor de inteligență artificială să răspundă la întrebări în mod inteligent și să facă deducții despre faptele din lumea reală.
O reprezentare a „ceea ce există” este o ontologie: setul de obiecte, relații, concepte și proprietăți descrise formal, astfel încât agenții software să le poată interpreta. Cele mai generale ontologii sunt numite ontologii superioare, care încearcă să ofere o bază pentru toate celelalte cunoștințe și acționează ca mediatori între ontologiile de domeniu care acoperă cunoștințe specifice despre un anumit domeniu de cunoaștere (domeniu de interes sau arie de interes). Un program cu adevărat inteligent ar avea nevoie și de acces la cunoașterea obișnuită; ansamblul de fapte pe care o persoană obișnuită le cunoaște. Semantica unei ontologii este de obicei reprezentată într-o logică de descriere, cum ar fi Limbajul Ontologiei Web.
Cercetarea AI a dezvoltat instrumente pentru a reprezenta domenii specifice, cum ar fi: obiecte, proprietăți, categorii și relații dintre obiecte; situații, evenimente, stări și timp; cauze si efecte; cunoaștere despre cunoaștere (ceea ce știm noi despre ceea ce știu alții);. raționament implicit (lucrurile pe care oamenii le presupun că sunt adevărate până când sunt spuse diferit și vor rămâne adevărate chiar și atunci când alte fapte se schimbă); precum și alte domenii. Printre cele mai dificile probleme din AI se numără: amploarea cunoașterii obișnuite (numărul de fapte atomice pe care omul obișnuit le cunoaște este enorm); și forma sub-simbolică a celor mai multe cunoștințe de bun simț (o mare parte din ceea ce știu oamenii nu este reprezentat ca „fapte” sau „afirmații” pe care le-ar putea exprima verbal).
Reprezentările formale ale cunoașterii sunt utilizate în indexarea și regăsirea bazate pe conținut, interpretarea scenei, sprijinul pentru deciziile clinice, descoperirea cunoștințelor (exploatare de inferențe „interesante” și acționabile din baze de date mari) și în alte domenii.
Planificare
Un agent inteligent care poate planifica face o reprezentare a stării lumii, face predicții despre modul în care acțiunile lor o vor schimba și face alegeri care maximizează utilitatea (sau „valoarea”) alegerilor disponibile. În problemele clasice de planificare, agentul poate presupune că este singurul sistem care acționează în lume, permițându-i agentului să fie sigur de consecințele acțiunilor sale. Cu toate acestea, dacă agentul nu este singurul actor, atunci este necesar ca agentul să motiveze în condiții de incertitudine și să-și reevalueze continuu mediul și să se adapteze. Planificarea multi-agenți utilizează cooperarea și competiția mai multor agenți pentru a atinge un obiectiv dat. Comportamentul emergent ca acesta este folosit de algoritmii evolutivi și de inteligența roiului.
Învăţare
Învățarea automată (ML), un concept fundamental al cercetării AI încă de la începuturile domeniului, este studiul algoritmilor de computer care se îmbunătățesc automat prin experiență.
Învățarea nesupravegheată găsește tipare într-un flux de intrare. Învățarea supravegheată necesită ca un om să eticheteze mai întâi datele de intrare și vine în două variante principale: clasificare și regresie numerică. Clasificarea este folosită pentru a determina în ce categorie aparține ceva – programul vede o serie de exemple de lucruri din mai multe categorii și va învăța să clasifice noi intrări. Regresia este încercarea de a produce o funcție care descrie relația dintre intrări și ieșiri și prezice cum ar trebui să se schimbe ieșirile pe măsură ce se schimbă intrările. Atât clasificatorii, cât și cei care învață din regresie, pot fi priviți ca „aproximatori de funcție” care încearcă să învețe o funcție necunoscută (posibil implicită); de exemplu, un clasificator de spam poate fi văzut ca învățarea unei funcții care mapează din textul unui e-mail la una dintre cele două categorii, „spam” sau „nu spam”. În învățarea prin consolidare, agentul este recompensat pentru răspunsurile bune și pedepsit pentru cele rele. Agentul își clasifică răspunsurile pentru a forma o strategie de operare în spațiul său problematic. Învățarea prin transfer este atunci când cunoștințele dobândite dintr-o problemă sunt aplicate unei noi probleme.
Teoria învățării computaționale poate evalua cursanții după complexitatea computațională, după complexitatea eșantionului (câte date sunt necesare) sau după alte noțiuni de optimizare.
(Un arbore al sintaxelor reprezintă structura sintactică a unei propoziții în conformitate cu o gramatică formală.)
Procesarea limbajului natural
Procesarea limbajului natural (NLP) permite mașinilor să citească și să înțeleagă limbajul uman. Un sistem de procesare a limbajului natural suficient de puternic ar permite interfețe cu utilizatorul în limbaj natural și dobândirea de cunoștințe direct din surse scrise de oameni, cum ar fi textele de știri. Unele aplicații simple ale NLP includ regăsirea informațiilor, răspunsul la întrebări și traducerea automată.
AI simbolic a folosit sintaxa formală pentru a traduce structura profundă a propozițiilor în logică. Acest lucru nu a reușit să producă aplicații utile, din cauza insolubilității logicii și a amplorii cunoștințelor obișnuite. Tehnicile statistice moderne includ frecvențele de co-ocurență (cât de des apare un cuvânt lângă altul), „depistarea cuvintelor cheie” (căutarea unui anumit cuvânt pentru a prelua informații), învățarea profundă bazată pe transformator (care găsește modele în text) și altele. Au atins o acuratețe acceptabilă la nivel de pagină sau de paragraf și, până în 2019, ar putea genera text coerent.
Percepţie
Percepția mașinii este capacitatea de a utiliza intrarea de la senzori (cum ar fi camere, microfoane, semnale wireless și lidar activ, sonar, radar și senzori tactili) pentru a deduce aspecte ale lumii. Aplicațiile includ recunoașterea vorbirii, recunoașterea facială și recunoașterea obiectelor.
Viziunea computerizată este capacitatea de a analiza intrările vizuale.
Mișcare și manipulare
AI este foarte utilizată în robotică. Localizarea este modul în care un robot își cunoaște locația și își cartografiază mediul. Când se oferă un mediu mic, static și vizibil, acest lucru este ușor; cu toate acestea, mediile dinamice, cum ar fi (în endoscopie) interiorul corpului respirator al pacientului, reprezintă o provocare mai mare.
Planificarea mișcării este procesul de împărțire a unei sarcini de mișcare în „primitive”, cum ar fi mișcările individuale ale articulațiilor. O astfel de mișcare implică adesea o mișcare conformă, un proces în care mișcarea necesită menținerea contactului fizic cu un obiect. Roboții pot învăța din experiență cum să se miște eficient în ciuda prezenței frecării și alunecării angrenajului.
(Kismet, un robot cu abilități sociale rudimentare. Credit: Polimerek, https://en.wikipedia.org/wiki/File:Kismet_robot_at_MIT_Museum.jpg, licența CC BY-SA 3.0)
Inteligența socială
Calculul afectiv este o umbrelă interdisciplinară care cuprinde sisteme care recunosc, interpretează, procesează sau simulează sentimentele, emoțiile și dispozițiile umane. De exemplu, unii asistenți virtuali sunt programați să vorbească conversațional sau chiar cu umor; îi face să pară mai sensibili la dinamica emoțională a interacțiunii umane sau să faciliteze altfel interacțiunea om-calculator. Cu toate acestea, acest lucru tinde să ofere utilizatorilor naivi o concepție nerealistă despre cât de inteligenți sunt de fapt agenții de computer existenți.
Succesele moderate legate de calculul afectiv includ analiza sentimentelor textuale și, mai recent, analiza sentimentului multimodală, în care AI clasifică efectele afișate de un subiect înregistrat video.
Inteligența generală
O mașină cu inteligență generală artificială (AGI) poate rezolva o mare varietate de probleme cu o amploare și o versatilitate similare cu inteligența umană. Există mai multe idei concurente despre cum să dezvoltați inteligența generală artificială. Hans Moravec și Marvin Minsky susțin că munca în diferite domenii individuale poate fi încorporată într-un sistem avansat multi-agent sau într-o arhitectură cognitivă cu inteligență generală. Pedro Domingos speră că există un „algoritm principal” simplu din punct de vedere conceptual, dar dificil din punct de vedere matematic, care ar putea duce la AGI. Alții cred că trăsăturile antropomorfe precum creierul artificial sau dezvoltarea simulată a copilului vor ajunge într-o zi la un punct critic în care va apare inteligența generală.
Traducere și adaptare din Wikipedia
Lasă un răspuns