Sztuczna inteligencja i systemy kognitywne, czym są i możliwe zastosowania

Sztuczną inteligencję można postrzegać jako zdolność systemu obliczeniowego do wykonywania zadań, czynności i rozwiązywania problemów typowych dla ludzkiego umysłu i zdolności. 

Szacowany czas czytania: 7 minuti

Dyscyplina narodziła się jako gałąź technologii informacyjnej, której celem jest produkcja maszyn:

• „Sprzęt i oprogramowanie”;
• zdolny do samodzielnego działania we wszystkich sytuacjach, w których wydaje się, że tylko człowiek jest w stanie zrozumieć kontekst i odpowiednio postępować.

Na przestrzeni lat sztuczna inteligencja często wywoływała filozoficzną debatę, której celem było udzielenie odpowiedzi na temat możliwości zastąpienia człowieka maszyną… czy to możliwe? 

W związku z tym możemy wyróżnić dwa nurty myślowe:

• Słaba sztuczna inteligencja
• Silna sztuczna inteligencja

O słabej sztucznej inteligencji (słabej sztucznej inteligencji) mówimy, gdy celem nie jest tworzenie systemów, które mają inteligencję porównywalną z ludzką. Ale systemy, które mogą z powodzeniem działać w jednej lub większej liczbie złożonych czynności ludzkich, takich jak automatyczne tłumaczenie tekstów. 

W takich przypadkach oprogramowanie, wykonując zadanie, do którego zostało zaprogramowane, działa tak, jakby było inteligentnym podmiotem, ale dla wyniku nie ma znaczenia, czy rzeczywiście nim jest, czy nie. 

Dlatego mówimy o słabej sztucznej inteligencji we wszystkich przypadkach, w których maszyna nie jest w stanie samodzielnie myśleć, ale nadal jest w stanie symulować inteligencję. 

Ten rodzaj sztucznej inteligencji ma zastosowanie w przypadkach, gdy zrozumienie procesów poznawczych człowieka nie jest istotne dla ostatecznego wyniku. 

O silnej Sztucznej Inteligencji mówimy wtedy, gdy maszyna wyposażona w sztuczną inteligencję to nie tylko „narzędzie”. 

Właściwie rozwinięty sam staje się myślącym umysłem o zdolnościach poznawczych nie do odróżnienia od ludzkiej. 

W tej filozofii chodzi o to, że niektóre formy sztucznej inteligencji mogą naprawdę rozumieć i rozwiązywać problemy tak, jak zrobiłby to człowiek, dlatego rozróżnienie rezultatów działania maszyny lub człowieka byłoby niemożliwe.

Termin Machine Learning (automatyczne uczenie się) odnosi się do zestawu mechanizmów należących do świata sztucznej inteligencji. 

Mechanizmy te pozwalają inteligentnej maszynie na ulepszanie swoich możliwości i wydajności w czasie, automatycznie ucząc się wraz z doświadczeniem wykonywania określonych zadań, poprawiając jej wydajność w miarę upływu czasu. 

Przykładem jest AlphaGo, oprogramowanie z Nauczanie maszynowe który został nauczony obserwując miliony ruchów wykonywanych przez graczy Go podczas różnych gier i zmuszając maszynę do gry przeciwko sobie, w wyniku czego była w stanie pokonać tego, który był uważany za najlepszego gracza na świecie w tej grze. 

Trzy główne kategorie uczenia maszynowego to:

• Uczenie nadzorowane: system otrzymuje przykłady oznaczone zgodnie z danymi wyjściowymi, które mają być uzyskane i wychodząc z tych danych uczących, musi wyodrębnić ogólną regułę, która kojarzy właściwą etykietę z każdym nowym wejściem;
• Bez nadzoru: nie ma danych oznaczonych etykietą, to system, zaczynając od wejść, musi znaleźć strukturę w danych;
• Uczenie się ze wzmocnieniem: system otrzymuje informacje z otoczenia i wykonuje działania. System próbuje podejmować działania w celu otrzymania nagrody. System będzie próbował wdrażać działania optymalizujące nagrodę w zależności od stanu otaczającego środowiska.

Il Deep Learning to podkategoria Machine Learning, czyli rodzina metod należących do sztucznej inteligencji inspirowanych strukturą i funkcją mózgu: czyli sztuczne sieci neuronowe (Artificial Neural Network). 

Te architektury są stosowane w różnych kontekstach:

• Wizja komputerowa
• rozpoznawanie mowy i dźwięku
• przetwarzanie języka naturalnego
• bioinformatyka

Charakterystyka Deep Learning w porównaniu z innymi technikami AI:

• Są to algorytmy wykorzystujące różne poziomy jednostek nieliniowych. Poziomy te są wykorzystywane kaskadowo do wykonywania zadań, które można zaklasyfikować jako problemy związane z przekształcaniem charakterystyk wyodrębnionych z danych; każdy poziom wykorzystuje dane wyjściowe poprzedniego poziomu jako dane wejściowe;
• Algorytmy te należą do szerszej klasy algorytmów uczenia się reprezentacji danych w ramach uczenia maszynowego;
• Tworzą je różne poziomy reprezentacji, które można rozumieć jako różne poziomy abstrakcji, zdolne do tworzenia hierarchii pojęć.

Il Deep Learning działa na tych samych mechanizmach co mózg, maszyna uczy się autonomicznie jak w uczeniu maszynowym, ale robi to w bardziej „głęboki” sposób, tak jak zrobiłby to ludzki mózg. Głęboko rozumiemy „na kilku poziomach pojęciowych”. 

Mogłoby się wydawać, że ograniczeniem może być duże zapotrzebowanie na możliwości obliczeniowe, ale skalowalność Deep Learning do wzrostu dostępnych danych i algorytmów jest tym, co odróżnia ją od uczenia maszynowego: 

• ja sistemi di Deep Learning poprawiają swoją wydajność wraz ze wzrostem danych
• Aplikacje uczenia maszynowego po osiągnięciu określonego poziomu wydajności nie są już skalowalne. 

Aby wyszkolić system Deep Learning zwykle oznaczasz dane. 

Na przykład w dziedzinie rozpoznawania wizualnego metatag „kot” można wstawić do obrazów zawierających kota i bez wyjaśniania systemowi, jak go rozpoznać, sam system, na wielu poziomach hierarchicznych, odgadnie, co charakteryzuje kota (łapy, ogon, futro itp.), a tym samym nauczyć się go rozpoznawać. 

Dane nieustrukturyzowane mogą być analizowane przez model uczenia głębokiego po ich utworzeniu i osiągnięciu akceptowalnego poziomu dokładności, ale nie w początkowej fazie szkolenia.

Il Deep Learning dzisiaj jest już stosowany w różnych dziedzinach:

• samochód bez fizycznego kierowcy
• drony i roboty używane do dostarczania paczek lub do zarządzania kryzysowego
• rozpoznawanie i synteza mowy dla chatbotów i robotów usługowych
• rozpoznawanie twarzy na potrzeby nadzoru
• konserwacja predykcyjna

Informatyka poznawcza

Wdrażanie najbardziej zaawansowanych technologii sprzętowych oraz wykorzystanie algorytmów samouczących się takich jak:

• data mining
• wydobyć z analizy dużych danych, usprawnij swoje prognozowanie,
• rozpoznawanie wzorców
• przetwarzanie języka naturalnego
• przetwarzanie sygnałów

powstają platformy technologiczne, które próbują naśladować ludzki mózg, począwszy od prostszych czynności, aż po coraz bardziej złożone przetwarzanie.

Sygnał jest czasową zmianą stanu fizycznego systemu lub wielkości fizycznej, która jest używana do reprezentowania i przesyłania wiadomości, tj. Informacji na odległość, dlatego analiza sygnałów jest elementem wspierającym obliczenia poznawcze.

Głęboki umysł GoogleI Baidu Minwa to najsłynniejsze dostępne obecnie przykłady.

Nie wspominając o historyku IBM Watson, pierwszy tego rodzaju komercyjny superkomputer.

Powiązane lektury

• Sztuczna inteligencja: jakie są rodzaje sztucznej inteligencji, o których musisz wiedzieć
• Atlantica Digital Innowacyjny projekt badawczy mający na celu rehabilitację fizyczną i poznawczą
• Czym jest uczenie maszynowe, na czym polega i jakie są jego cele
• Praca i innowacje cyfrowe: Rodzą się oryginalne umiejętności, model analizy w chmurze do naukowej oceny osobowości i umiejętności miękkich
• Sztuczna inteligencja firmy Deep Mind nauczyła się grać w piłkę nożną

Ercole Palmeri

Uzależniony od innowacji

---