ხელოვნური ინტელექტი და კოგნიტური სისტემები, რა არის ისინი და შესაძლო აპლიკაციები

ხელოვნური ინტელექტი შეიძლება ჩაითვალოს, როგორც კომპიუტერული სისტემის უნარი, შეასრულოს დავალებები, საქმიანობა და ადამიანის გონებისა და უნარისთვის დამახასიათებელი პრობლემების გადაჭრა. 

კითხვის სავარაუდო დრო: 7 მინუტი

დისციპლინა დაიბადა, როგორც ინფორმაციული ტექნოლოგიის ფილიალი, მანქანების დამზადების მიზნით:

• "ორივე აპარატურა და პროგრამა";
• შეუძლია დამოუკიდებლად იმოქმედოს ყველა იმ სიტუაციაში, სადაც იფიქრებს, რომ მხოლოდ ადამიანს შეუძლია გააცნობიეროს კონტექსტი და შესაბამისად იმოქმედოს.

წლების განმავლობაში, ხელოვნური ინტელექტი ხშირად უგულებელყოფდა ფილოსოფიურ კამათს, რათა პასუხები გასცეს ადამიანის მიერ მანქანაში ჩანაცვლების შესაძლებლობის შესახებ… შესაძლებელია ეს? 

ამ თვალსაზრისით შეგვიძლია განვსაზღვროთ აზროვნების ორი მიმდინარეობა:

• სუსტი ხელოვნური ინტელექტი
• ძლიერი ხელოვნური ინტელექტი

ჩვენ ვსაუბრობთ სუსტი ხელოვნური ინტელექტის (სუსტი ხელოვნური ინტელექტის) შესახებ, როდესაც მიზანია არ შექმნან სისტემები, რომლებსაც აქვთ ინტელექტი, რომელიც შედარებულია ადამიანებთან შედარებით. მაგრამ სისტემები, რომელთაც შეუძლიათ წარმატებით იმოქმედონ ადამიანის ერთ ან მეტ რთულ საქმიანობაში, მაგალითად, ტექსტების ავტომატური თარგმანი. 

ამ შემთხვევებში პროგრამული უზრუნველყოფა, დავალების შესასრულებლად, რომლისთვისაც ის დაპროგრამდა, მოქმედებს, როგორც ეს იყოს ინტელექტუალური საგანი, მაგრამ შედეგის მიზნებისათვის მნიშვნელობა არ აქვს სინამდვილეში ეს არის თუ არა. 

ამრიგად, ჩვენ ვსაუბრობთ სუსტი ხელოვნური ინტელექტის შესახებ ყველა იმ შემთხვევში, რომლის დროსაც მანქანა ვერ შეძლებს ავტონომიურად იფიქროს, მაგრამ ჯერ კიდევ შეუძლია ინტელექტის სიმულაცია. 

ამ ტიპის AI გამოიყენება იმ შემთხვევებში, როდესაც ადამიანის შემეცნებითი პროცესების გააზრება არ არის მნიშვნელოვანი საბოლოო შედეგისთვის. 

ჩვენ ვსაუბრობთ ძლიერ ხელოვნურ ინტელექტზე, როდესაც ხელოვნური ინტელექტით აღჭურვილი მანქანა არ არის მხოლოდ "ინსტრუმენტი". 

თუ სწორად განვითარდა, იგი თავისთავად მოაზროვნე გონებად იქცევა, რომლის შემეცნებითი შესაძლებლობაც ადამიანისგან განასხვავებს. 

ამ ფილოსოფიაში წარმოდგენილია იდეა, რომ ხელოვნური ინტელექტის ზოგიერთ ფორმას შეუძლია ჭეშმარიტად დასაბუთება და პრობლემების გადაჭრა, როგორც ადამიანი იქნებოდა, ამიტომ მანქანისა თუ ადამიანის შედეგების სხვაობა შეუძლებელი გახდებოდა.

ტერმინი მანქანათმცოდნეობა (ავტომატური სწავლება) გულისხმობს მექანიზმების ერთობლიობას, რომლებიც მიეკუთვნება ხელოვნური ინტელექტის სამყაროს. 

ეს მექანიზმები საშუალებას აძლევს ინტელექტუალურ აპარატს გააუმჯობესოს თავისი შესაძლებლობები და შესრულება დროთა განმავლობაში, ავტომატურად ისწავლოს გამოცდილებით გარკვეული დავალებების შესრულება, დროთა განმავლობაში უფრო დახვეწილია მისი შესრულება. 

ამის მაგალითია AlphaGo, პროგრამული უზრუნველყოფა მანქანა სწავლა რომელსაც ასწავლიდნენ Go- ს მოთამაშეების მიერ მილიონობით სვლაზე გადატანილი ნაბიჯების დაკვირვებით, ხოლო მანქანას თამაშობდნენ საკუთარ თავთან, რის შედეგადაც მან შეძლო დაეძლია მას, რაც ამ თამაშის საუკეთესო მოთამაშედ ითვლებოდა მსოფლიოში. 

მანქანათმცოდნეობის სამი ძირითადი კატეგორიაა:

• ზედამხედველობითი სწავლება: სისტემა იღებს მიღებულ გამომავალი პროდუქტის შესაბამისად შედგენილ მაგალითებს და, ამ სასწავლო მონაცემებიდან გამომდინარე, მან უნდა ამოიღოს ზოგადი წესი, რომელიც ასახავს სწორ ეტიკეტს ყოველ ახალ შეყვანასთან;
• არაკონტროლირებადია: არ არსებობს იარლიყით მიღებული მონაცემები, ეს არის სისტემა, რომელიც შეყვანილი მონაცემებიდან გამომდინარე, იპოვნებს სტრუქტურას მონაცემებში;
• გამაგრების სწავლება: სისტემა იღებს გარემოდან გარემოს და ახორციელებს მოქმედებებს. სისტემა ცდილობს მიიღოს ზომები ჯილდოს მიღების მიზნით. სისტემა შეეცდება განახორციელოს ისეთი მოქმედებები, რომლებიც ჯილდოს ოპტიმიზაციას ახდენს გარემომცველი გარემოს მდგომარეობიდან გამომდინარე.

Il Deep Learning არის მანქანათმცოდნეობის ქვეკატეგორია, ეს არის მეთოდების ოჯახი, რომელიც მიეკუთვნება ხელოვნურ ინტელექტს, რომელიც შთაგონებულია ტვინის სტრუქტურისა და ფუნქციის მიხედვით: ან ხელოვნური ნერვული ქსელები (ხელოვნური ნერვული ქსელი). 

ეს არქიტექტურები გამოიყენება სხვადასხვა კონტექსტში:

• კომპიუტერული ხედვა
• აუდიო და სალაპარაკო ენის აღიარება
• ბუნებრივი ენის დამუშავება
• ბიოინფორმატიკა

მახასიათებლები Deep Learning სხვა AI ტექნიკასთან შედარებით:

• ეს არის ალგორითმები, რომლებიც იყენებენ არაწრფივი ერთეულების სხვადასხვა დონეს. ეს დონეები კასკადში გამოიყენება ამოცანების შესასრულებლად, რომლებიც შეიძლება კლასიფიცირდეს მონაცემებიდან ამოღებული მახასიათებლების გარდაქმნის პრობლემებად; თითოეული დონე იყენებს წინა დონის გამოსავალს, როგორც შეყვანას;
• ეს ალგორითმები მიეკუთვნება მონაცემთა წარმოდგენის სწავლების ალგორითმების ფართო კლასს მანქანაში სწავლის პროცესში;
• ისინი წარმოიქმნება წარმომადგენლობის მრავალჯერადი დონით, რომელთა გაგებაც შესაძლებელია, როგორც აბსტრაქციის სხვადასხვა დონე, რომელსაც შეუძლია შექმნას ცნებების იერარქია.

Il Deep Learning ის მოქმედებს იგივე მექანიზმებით, როგორც ტვინი, მანქანა სწავლობს დამოუკიდებლად, როგორც მანქანათმცოდნეობაში, მაგრამ აკეთებს ამას უფრო „ღრმა“ გზით, როგორც ამას გააკეთებდა ადამიანის ტვინი. ღრმად ვგულისხმობთ "რამდენიმე კონცეპტუალურ დონეზე". 

შეიძლება ჩანდეს, რომ გამოთვლით შესაძლებლობებზე დიდი მოთხოვნა შეიძლება იყოს შეზღუდვა, მაგრამ მასშტაბურობა Deep Learning ხელმისაწვდომი მონაცემებისა და ალგორითმების ზრდა არის ის, რაც განასხვავებს მას მანქანური სწავლისგან: 

• მე სისტემა დი Deep Learning ისინი აუმჯობესებენ თავიანთ შესრულებას, როდესაც მონაცემები იზრდება
• მანქანათმცოდნეობის პროგრამები, როდესაც უკვე მიაღწევს გარკვეული დონის ეფექტურობას, აღარ არის მასშტაბური. 

სისტემის მომზადება Deep Learning ჩვეულებრივ, თქვენ აწერთ მონაცემებს. 

მაგალითად, ვიზუალური ამოცნობის სფეროში, მეტა ჩანაწერი "კატა" შეიძლება ჩასვათ სურათებში, რომელიც შეიცავს კატას და, სისტემის არ ახსნის გარეშე, თუ როგორ უნდა აღიაროს იგი, თავად სისტემა, მრავალჯერადი იერარქიული დონის მეშვეობით, გამოიცნობს რა ახასიათებს კატა (კალმები, კუდი, ბეწვი და ა.შ.) და ამიტომ უნდა ვისწავლოთ მისი ამოცნობა. 

არასტრუქტურირებული მონაცემები შეიძლება გაანალიზდეს ღრმა სწავლის მოდელის მიერ მისი შექმნისთანავე და მიაღწიეს სიზუსტის მისაღწევ დონეს, მაგრამ არა სასწავლო საწყის ეტაპზე.

Il Deep Learning დღეს ის უკვე გამოიყენება სხვადასხვა სფეროში:

• მანქანა ფიზიკური მძღოლის გარეშე
• თვითმფრინავები და რობოტები, რომლებიც გამოიყენება ამანათების მიწოდების ან გადაუდებელი მართვისთვის
• მეტყველების ამოცნობა და სინთეზი chatbots და სერვისის რობოტებისთვის
• სახის ცნობა თვალთვალისთვის
• პროგნოზირებადი შენარჩუნება

კოგნიტური გამოთვლა

უახლესი აპარატების ტექნოლოგიების დანერგვა და თვით სწავლების ალგორითმების გამოყენება, როგორიცაა:

• მონაცემების მოპოვება
• დიდი მონაცემები ანალიტიკა
• ნიმუშის აღიარება
• ბუნებრივი ენის დამუშავება
• სიგნალი მუშავდება

შექმნილია ტექნოლოგიური პლატფორმები, რომლებიც ცდილობენ მიბაძონ ადამიანის ტვინს, დაწყებული უფრო მარტივი მოქმედებებით, რომ უფრო რთული პროცესების მიღწევაში მივიდნენ.

სიგნალი არის სისტემის ფიზიკური მდგომარეობის დროებითი ცვალებადობა, ან ფიზიკური რაოდენობა, რომელიც ემსახურება შეტყობინებების წარმოდგენასა და გადაცემას, ეს არის ინფორმაცია მანძილზე, ამიტომ სიგნალების ანალიზი არის კომპონენტი, რომელიც მხარს უჭერს კოგნიტურ გამოთვლას.

Google Deepmindდა ბაიდუ მინუა დღეს ყველაზე ცნობილი მაგალითებია.

რომ აღარაფერი ვთქვათ ისტორიკოსისთვის IBM Watsonპირველი ტიპის კომერციული სუპერკომპიუტერი.

დაკავშირებული საკითხავი

• ხელოვნური ინტელექტი: რა სახის ხელოვნური ინტელექტი უნდა იცოდეთ
• Atlantica Digital ინოვაციური კვლევითი პროექტი, რომელიც მიმართულია ფიზიკურ და კოგნიტურ რეაბილიტაციაზე
• რა არის მანქანათმცოდნეობა, რას ეხება და მისი მიზნები
• სამუშაო და ციფრული ინოვაცია: იბადება ორიგინალური უნარები, ღრუბლის ანალიზის მოდელი პიროვნებისა და რბილი უნარების მეცნიერული შეფასებისთვის
• Deep Mind's Artificial Intelligence-მა ფეხბურთის თამაში ისწავლა

Ercole Palmeri

ინოვაციაზე დამოკიდებული

---