Mesterséges intelligencia és kognitív rendszerek, mik ezek és lehetséges alkalmazások

A mesterséges intelligencia úgy tekinthető, mint egy számítási rendszer feladatainak, tevékenységeinek végrehajtására és az emberi elmére és képességére jellemző problémák megoldására való képessége. 

Becsült olvasási idő: 7 minuti

A tudományág az informatika egyik ágaként született, azzal a céllal, hogy gépeket készítsen:

• "Hardver és szoftver";
• képes önállóan cselekedni minden olyan helyzetben, amikor úgy gondolja, hogy csak egy ember képes megérteni a helyzetet és ennek megfelelően cselekedni.

Az évek során a mesterséges intelligencia gyakran felgyújtotta a filozófiai vitát, hogy válaszokat kapjon az ember géppel való helyettesítésének lehetőségéről ... lehetséges? 

Ebben a tekintetben két gondolati áramot azonosíthatunk:

• Gyenge mesterséges intelligencia
• Erős mesterséges intelligencia

A gyenge mesterséges intelligenciáról (gyenge mesterséges intelligencia) beszélünk, amikor a cél nem olyan rendszerek létrehozása, amelyek intelligenciája hasonló az emberek intelligenciájához. De olyan rendszerek, amelyek sikeresen tudnak fellépni egy vagy több összetett emberi tevékenységben, például a szövegek automatikus fordításában. 

Ezekben az esetekben a szoftver annak a feladatnak a végrehajtása során, amelyre be volt programozva, úgy viselkedik, mintha intelligens tárgy lenne, de az eredmény szempontjából nem számít, hogy valóban van-e vagy sem. 

Ezért a gyenge mesterséges intelligenciáról beszélünk minden olyan esetben, amikor a gép nem képes önállóan gondolkodni, de mégis képes egy intelligenciát szimulálni. 

Az AI ilyen típusa alkalmazandó olyan esetekben, amikor az emberi kognitív folyamatok megértése nem releváns a végső eredmény szempontjából. 

Az erős mesterséges intelligenciáról beszélünk, amikor a mesterséges intelligenciával felszerelt gép nem csupán "eszköz". 

Ha megfelelően fejleszti, akkor önmagában egy gondolkodó elmévé válik, amelynek kognitív képessége megkülönböztethetetlen az emberi testétől. 

Ebben a filozófiában az az elképzelés, hogy a mesterséges intelligencia bizonyos formái valóban okozzák és megoldhatják a problémákat, mint egy ember, ezért lehetetlen lenne megkülönböztetni a gépet vagy az embert.

A Machine Learning (automatikus tanulás) kifejezés a mesterséges intelligencia világához tartozó mechanizmusok összességét jelöli. 

Ezek a mechanizmusok lehetővé teszik az intelligens gép számára, hogy idővel javítsa képességeit és teljesítményét, automatikusan megtanulja a tapasztalatokat bizonyos feladatok elvégzésére, és az idővel egyre jobban javítsa teljesítményét. 

Példa erre az AlphaGo, a szoftver a Gépi tanulás akit megtanított megfigyelni, hogy a Go játékosok különböző játékai során több millió mozdulatot megfigyeljen, és hogy a gép saját maga ellen játsszon, amelynek eredményeként képes volt legyőzni azt, amit e játék világának legjobb játékosának tartottak. 

A gépi tanulás három fő kategóriája a következő:

• Felügyelt tanulás: a rendszer példákat kap a megszerzendő output alapján címkézve, és ezekből az oktatási adatokból kiindulva ki kell dolgoznia egy általános szabályt, amely a helyes címkét társítja minden új bemenethez;
• Felügyelet nélkül: nincsenek címkézett adatok, a rendszernek a bemenetektől kezdve meg kell találnia az adatok struktúráját;
• Erősítő tanulás: A rendszer bemeneti információkat kap a környezettől, és tevékenységeket hajt végre. A rendszer megpróbál intézkedéseket tenni a jutalom megszerzése érdekében. A rendszer megkísérel végrehajtani olyan intézkedéseket, amelyek optimalizálják a jutalmat a környező környezet állapotától függően.

Il Deep Learning A gépi tanulás alkategóriája, vagyis a mesterséges intelligenciához tartozó módszerek egy csoportja, amelyet az agy szerkezete és funkciója ihlette: vagy a mesterséges ideghálózatok (mesterséges idegi hálózat). 

Ezeket az architektúrákat különböző kontextusokban alkalmazzák:

• Számítógépes látás
• hang- és beszélt nyelvfelismerés
• természetes nyelvfeldolgozás
• bioinformatikai

A Deep Learning más mesterséges intelligencia technikákkal összehasonlítva:

• Ezek olyan algoritmusok, amelyek különböző szintű nemlineáris egységeket használnak. Ezeket a szinteket lépcsőzetesen alkalmazzák olyan feladatok végrehajtására, amelyeket az adatokból kinyert jellemzők átalakításának problémáiként lehet besorolni; minden szint az előző szint kimenetét használja bemenetként;
• Ezek az algoritmusok az adatreprezentációs tanulási algoritmusok szélesebb osztályába tartoznak a gépi tanuláson belül;
• Ezeket a reprezentáció többszintű formája képezi, amelyeket különféle absztrakciós szintekként lehet értelmezni, és amelyek képesek fogalmak hierarchiájának kialakítására.

Il Deep Learning ugyanazokkal a mechanizmusokkal működik, mint az agy, a gép autonóm módon tanul, mint a gépi tanulásban, de ezt "mélyebben" teszi, ahogyan az emberi agy tenné. Mély alatt azt értjük, hogy „több fogalmi szinten”. 

Úgy tűnhet, hogy a számítási képességek iránti erős igény korlátot jelenthet, de a skálázhatóság Deep Learning A rendelkezésre álló adatok és algoritmusok számának növekedése különbözteti meg a gépi tanulástól: 

• én sistemi di Deep Learning az adatok növekedésével javítják teljesítményüket
• A gépi tanulási alkalmazások egy bizonyos szintű teljesítmény elérése után már nem méretezhetők. 

Egy rendszer kiképzésére Deep Learning általában felcímkézed az adatokat. 

Például a vizuális felismerés területén a „macska” metacímke beilleszthető a macskát tartalmazó képekbe, és anélkül, hogy elmagyarázná a rendszernek, hogyan kell felismerni, maga a rendszer több hierarchikus szint segítségével kitalálja, mi jellemzi egy macskát (mancsok, farok, szőrme stb.), és ezért meg kell tanulni felismerni azt. 

A nem strukturált adatok elemezhetők egy mély tanulási modell segítségével, miután kialakultak és elfogadható pontossági szintet elérnek, de a kezdeti képzési szakaszban nem.

Il Deep Learning ma már számos területen alkalmazzák:

• autó fizikai sofőr nélkül
• a csomagszállításhoz vagy a vészhelyzet kezeléséhez használt drónok és robotok
• beszédfelismerés és szintézis chatbotok és szolgáltató robotok számára
• arcfelismerés a megfigyeléshez
• prediktív karbantartás

Kognitív számítástechnika

A legfejlettebb hardver technológiák bevezetése és önálló tanulási algoritmusok, például:

• adatbányászat
• Nagy adatelemzés
• mintafelismerés
• természetes nyelvfeldolgozás
• jelfeldolgozás

Olyan technológiai platformokat hoznak létre, amelyek megpróbálják utánozni az emberi agyat, kezdve az egyszerűbb tevékenységektől kezdve az egyre összetettebb feldolgozásig.

A jel egy rendszer vagy egy fizikai mennyiség fizikai állapotának időbeli variációja, amely üzeneteket reprezentál és továbbít, azaz távoli információ, tehát a jelek elemzése egy olyan elem, amely támogatja a kognitív számítást.

Google DeepmindÉs Baidu Minwa a ma leghíresebb példák.

A történészről nem is beszélve IBM Watson, az első ilyen típusú szuperszámítógép.

Kapcsolódó olvasmányok

• Mesterséges intelligencia: Melyek a mesterséges intelligencia típusai, amelyeket tudnia kell
• Atlantica Digital Egy innovatív kutatási projekt, amelynek célja a fizikai és kognitív rehabilitáció
• Mi a gépi tanulás, miről szól és céljai
• Munka és digitális innováció: Eredeti készségek születnek, felhőelemzési modell a személyiség és a soft skillek tudományos értékelésére
• A Deep Mind mesterséges intelligenciája megtanult futballozni

Ercole Palmeri

Innováció rabja

---