Inteligjenca artificiale dhe sistemet njohëse, cilat janë ato dhe aplikimet e mundshme

Inteligjenca artificiale mund të shihet si aftësia e një sistemi llogaritës për të kryer detyra, aktivitete dhe për të zgjidhur probleme tipike për mendjen dhe aftësinë e njeriut. 

Koha e parashikuar e leximit: 7 minuti

Disiplina lindi si një degë e teknologjisë së informacionit, me qëllim të krijimit të makinave:

• "Si hardware dhe softuer";
• në gjendje të veprojë në mënyrë autonome në të gjitha ato situata në të cilat mund të mendohet se vetëm një qenie njerëzore është në gjendje të kuptojë kontekstin dhe të veprojë në përputhje me rrethanat.

Me kalimin e viteve, inteligjenca artificiale shpesh ka ndezur debatin filozofik për të dhënë përgjigje mbi mundësinë e zëvendësimit të qenies njerëzore me makinën ... a është e mundur? 

Në këtë drejtim mund të identifikojmë dy rryma të mendimit:

• Inteligjencë e dobët artificiale
• Inteligjencë e fortë artificiale

Ne flasim për inteligjencën artificiale të dobët (Inteligjenca e dobët artificiale) kur qëllimi nuk është të krijojmë sisteme që kanë një inteligjencë të krahasueshme me atë të njerëzve. Por sisteme që mund të veprojnë me sukses në një ose më shumë veprimtari komplekse njerëzore, siç është përkthimi automatik i teksteve. 

Në këto raste softueri, në kryerjen e detyrës për të cilën ishte programuar, vepron sikur të ishte një subjekt inteligjent, por për qëllimet e rezultatit nuk ka rëndësi nëse është vërtet apo jo. 

Prandaj ne flasim për inteligjencë të dobët artificiale në të gjitha ato raste në të cilat makina nuk është në gjendje të mendojë në mënyrë autonome, por është akoma në gjendje të simulojë një inteligjencë. 

Ky lloj i AI-së vlen në rastet kur të kuptuarit e proceseve njohëse njerëzore nuk është e rëndësishme për rezultatin përfundimtar. 

Ne flasim për Inteligjencë të fortë Artificiale kur makina e pajisur me inteligjencë artificiale nuk është vetëm një "mjet". 

Nëse zhvillohet siç duhet, ai bëhet vetvetiu një mendimtar, me një kapacitet njohës të padallueshëm nga ai njerëzor. 

Në këtë filozofi është ideja që disa forma të inteligjencës artificiale vërtet mund të arsyetojnë dhe zgjidhin problemet ashtu siç do të ishte një qenie njerëzore, prandaj dallimi i rezultateve të makinës ose njeriu do të ishte i pamundur.

Termi Mësimi i Makinerisë (mësimi automatik) i referohet një grupi mekanizmash që i përkasin botës së inteligjencës artificiale. 

Këto mekanizma lejojnë një makinë inteligjente të përmirësojë aftësitë dhe performancën e saj me kalimin e kohës, duke mësuar automatikisht me përvojë për të kryer detyra të caktuara, duke përmirësuar performancën e saj gjithnjë e më shumë me kalimin e kohës. 

Një shembull është AlphaGo, softuer nga Mësim Machine i cili u mësua duke vëzhguar miliona lëvizje të bëra nga lojtarët e Go gjatë lojërave të ndryshme, dhe duke pasur makinën të luante kundër vetes, me rezultatin që ajo ishte në gjendje të mposhte atë që u konsiderua lojtari më i mirë në botën e kësaj loje. 

Tri kategoritë kryesore të mësimit të makinerive janë:

• Mësimi i mbikëqyrur: sistemi merr shembuj të etiketuar sipas rezultatit që do të merret dhe, duke u nisur nga këto të dhëna trainimi, ai duhet të nxjerrë një rregull të përgjithshëm që shoqëron etiketën e saktë me secilën input të ri;
• Të pa mbikëqyrura: nuk ka të dhëna të etiketuara, është sistemi që, duke u nisur nga inputet, duhet të gjejë një strukturë në të dhëna;
• Mësimi i përforcimit: Sistemi merr të dhëna nga mjedisi dhe kryen veprime. Sistemi përpiqet të ndërmarrë veprime për të marrë shpërblime. Sistemi do të përpiqet të zbatojë veprime që optimizojnë shpërblimin në varësi të gjendjes së mjedisit përreth.

Il Deep Learning është një nënkategori e Mësimit të Makinerisë, që është një familje metodash që i përkasin inteligjencës artificiale të frymëzuar nga struktura dhe funksioni i trurit: ose rrjeteve nervore artificiale (Rrjeti nervor artificial). 

Këto arkitektura janë aplikuar në kontekste të ndryshme:

• Vizioni i kompjuterit
• njohja e gjuhës audio dhe të folur
• përpunimi i gjuhës natyrore
• Bioinformatika

Karakteristikat e Deep Learning krahasuar me teknikat e tjera të AI:

• Këto janë algoritme që përdorin nivele të ndryshme të njësive jo lineare. Këto nivele përdoren në kaskadë për të realizuar detyra që mund të klasifikohen si probleme të transformimit të karakteristikave të nxjerra nga të dhënat; çdo nivel përdor prodhimin e nivelit të mëparshëm si input;
• Këto algoritme hyjnë në një klasë më të gjerë të algoritmeve të mësimit të përfaqësimit të të dhënave brenda të mësuarit të makinerisë;
• Ato formohen nga nivele të shumta përfaqësimi që mund të kuptohen si nivele të ndryshme të abstraksionit, të afta për të formuar një hierarki konceptesh.

Il Deep Learning ai vepron me të njëjtat mekanizma si truri, makina mëson në mënyrë autonome si në Learning Machine, por e bën atë në një mënyrë më "të thellë" siç do të bënte truri i njeriut. Me thellësi nënkuptojmë "në disa nivele konceptuale". 

Mund të duket se kërkesa e fortë për aftësi llogaritëse mund të jetë një kufizim, por shkallëzueshmëria e Deep Learning rritja e të dhënave dhe algoritmeve të disponueshme është ajo që e dallon atë nga Learning Machine: 

• sistemet e Deep Learning ato përmirësojnë performancën e tyre me rritjen e të dhënave
• Aplikimet për të mësuar makinën, pasi të jetë arritur një nivel i caktuar i performancës, nuk janë më të shkallëzuara. 

Për të trajnuar një sistem Deep Learning zakonisht ju etiketoni të dhënat. 

Për shembull, në fushën e njohjes vizuale, meta tag "mace" mund të futet në imazhet që përmbajnë një mace dhe, pa i shpjeguar sistemit se si ta njohin atë, vetë sistemi, përmes niveleve të shumëfishta hierarkike, do të mendojë se çfarë karakterizon një mace (putrat, bishtin, leshin, etj) dhe për këtë arsye të mësojë ta njohë atë. 

Të dhënat e pa strukturuara mund të analizohen nga një model i thellë i të mësuarit pasi të formohet dhe të arrihet një nivel i pranueshëm i saktësisë, por jo për fazën fillestare të trajnimit.

Il Deep Learning sot ajo aplikohet tashmë në fusha të ndryshme:

• veturë pa shofer fizik
• dronë dhe robotët që përdoren për shpërndarjen e parcelave ose për menaxhimin e urgjencës
• njohja dhe sinteza e të folurit për chatbots dhe robotët e shërbimit
• njohja e fytyrës për mbikëqyrje
• mirëmbajtja parashikuese

Llogaritja njohëse

Zbatimi i teknologjive më të përparuara të harduerit, dhe përdorimi i algoritmeve të vetë-mësimit si:

• të dhënat e minierave
• Analiza të mëdha të të dhënave
• njohja e modelit
• përpunimi i gjuhës natyrore
• përpunimi i sinjalit

krijohen platforma teknologjike që përpiqen të imitojnë trurin e njeriut, duke filluar nga aktivitete më të thjeshta për të arritur në një përpunim gjithnjë e më kompleks.

Një sinjal është një variacion i përkohshëm i gjendjes fizike të një sistemi ose i një sasie fizike që shërben për të përfaqësuar dhe transmetuar mesazhe, domethënë informacion në distancë, prandaj analiza e sinjaleve është një përbërës që mbështet llogaritjen kognitive.

Google DeepMindDhe Baidu Minwa janë shembujt më të famshëm të disponueshëm sot.

Për të mos përmendur historianin IBM Watson, superkompjuteri i parë tregtar në llojin e tij.

Lexime të ngjashme

• Inteligjenca Artificiale: Cilat janë llojet e inteligjencës artificiale për të cilat duhet të dini
• Atlantica Digital Një projekt inovativ kërkimor që synon rehabilitimin fizik dhe kognitiv
• Çfarë është Learning Machine, për çfarë bëhet fjalë dhe qëllimet e tij
• Puna dhe inovacioni dixhital: lindin aftësitë origjinale, një model analize cloud për vlerësimin shkencor të personalitetit dhe aftësive të buta
• Inteligjenca Artificiale e Deep Mind ka mësuar të luajë futboll

Ercole Palmeri

I varur nga inovacioni

---