Водич

Вештачка интелигенција и когнитивни системи, шта су и могуће примене

Вештачка интелигенција може се посматрати као способност рачунарског система да обавља задатке, активности и да решава проблеме типичне за људски ум и способност.

Предвиђено време читања: 7 минута

Дисциплина је рођена као грана информационих технологија, са циљем да направи машине:

„И хардвер и софтвер“;
у стању да се понаша аутономно у свим оним ситуацијама у којима човек може да мисли да је само људско биће у стању да разуме контекст и да у складу са тим делује.

Током година, вештачка интелигенција често је покренула филозофску расправу да би дала одговоре о могућности замене људског бића машином ... је ли то могуће?

С тим у вези можемо идентификовати две токове мишљења:

Слаба вештачка интелигенција
Јака вештачка интелигенција

Говоримо о слабој вештачкој интелигенцији (слаба уметна интелигенција) када циљ није стварање система који имају интелигенцију упоредиву са оном код људи. Али системи који могу успешно деловати у једној или више сложених људских активности, као што је аутоматско превођење текстова.

У тим случајевима софтвер у извршавању задатка за који је програмиран дјелује као да је интелигентан субјект, али за потребе резултата није важно да ли заиста јесте или не.

Стога говоримо о слабој вештачкој интелигенцији у свим оним случајевима у којима машина није у стању да аутономно размишља, али је још увек у стању да симулира интелигенцију.

Ова врста АИ се примењује у случајевима када разумевање људских когнитивних процеса није битно за крајњи исход.

Говоримо о снажној вештачкој интелигенцији када машина опремљена вештачком интелигенцијом није само „алат“.

Ако се правилно развија, он постаје ум који мисли, са когнитивним капацитетом који се не може разликовати од људског.

У овој филозофији идеја је да неки облици вештачке интелигенције заиста могу расуђивати и решавати проблеме као што је то људско биће, па би разликовање резултата машине или човека било немогуће.

Термин машинско учење (аутоматско учење) односи се на скуп механизама који припадају свету вештачке интелигенције.

Ови механизми омогућавају интелигентној машини да током времена побољшава своје могућности и перформансе, аутоматски учећи са искуством да обавља одређене задатке, побољшавајући своје перформансе с временом све више и више.

Пример је АлпхаГо, софтвер компаније Машинско учење који се едуковао посматрајући милионе потеза које су играчи Го-а направили током различитих игара и имао строј да игра против себе, резултирајући тиме да је у стању да победи оног што се сматрало најбољим играчем на свету у овој игри.

Три главне категорије машинског учења су:

Надзирано учење: систем прима примјере означене према резултатима који ће се добити и, почевши од ових података о обуци, мора извући опће правило које повезује исправну ознаку са сваким новим улазом;
Ненадзирано: нема означених података, систем мора, почевши од инпута, пронаћи структуру у подацима;
Учење ојачања: систем прима допринос из околине и предузима акције. Систем покушава да предузме акције како би добио награде. Систем ће покушати да спроведе акције које оптимизују награду у зависности од стања окружења.

Il Deep Learning то је поткатегорија Машинског учења, то је породица метода које припадају вештачкој интелигенцији инспирисаној структуром и функцијама мозга: то јест вештачким неуронским мрежама (Вештачка неуронска мрежа).

Ове архитектуре се примењују у различитим контекстима:

Цомпутер Висион
препознавање звука и говорног језика
обрада природног језика
биоинформатика

Карактеристике Deep Learning у поређењу са другим АИ техникама:

Ово су алгоритми који користе различите нивое нелинеарних јединица. Ови нивои се користе у каскади за извршавање задатака који се могу класификовати као проблеми трансформације карактеристика извађених из података; сваки ниво користи излаз претходног нивоа као улаз;
Ови алгоритми спадају у ширу класу алгоритама за учење представљања података у оквиру машинског учења;
Они су формирани од више нивоа репрезентације који се могу разумети као различити нивои апстракције, способни да формирају хијерархију концепата.

Il Deep Learning делује са истим механизмима као и мозак, машина учи аутономно као у машинском учењу, али то ради на „дубљи“ начин као што би то чинио људски мозак. Под дубоким подразумевамо „на неколико концептуалних нивоа“.

Може се чинити да би јака потражња за рачунарским могућностима могла бити ограничење, али скалабилност Deep Learning повећање доступних података и алгоритама је оно што га разликује од машинског учења:

и системи ди Deep Learning побољшавају своје перформансе како се подаци повећавају
Апликације за машинско учење, након што је постигнут одређени ниво перформанси, више нису скалабилне.

За обуку система Deep Learning обично означавате податке.

На пример, у поље визуелног препознавања можете уметнути метаознаку "мачка" у слике које садрже мачку и, без објашњавања систему како да га препозна, сам систем ће, кроз више хијерархијских нивоа, погодити шта карактерише мачка (шапе, реп, крзно итд.) и зато је научити да препознају.

Неструктурирани подаци могу се анализирати дубоким моделом учења након што се формирају и достигну прихватљив ниво тачности, али не за почетну фазу обуке.

Il Deep Learning данас се већ примењује у разним областима:

аутомобил без физичког возача
дронови и роботи који се користе за доставу пакета или за управљање у хитним ситуацијама
препознавање и синтеза говора за цхатботе и сервисне роботе
препознавање лица ради надзора
предвиђање одржавања

Когнитивно рачунање

Примена најсавременијих хардверских технологија и коришћење алгоритама само-учења као што су:

дата мининг
Велика анализа података
препознавање узорака
обрада природног језика
обрада сигнала

створене су технолошке платформе које покушавају да имитирају људски мозак, почевши од једноставнијих активности до све сложенијих обрада.

Сигнал је временска варијација физичког стања система или физичке величине која служи за представљање и пренос порука, то јест информација на даљину, па је анализа сигнала компонента која подржава когнитивно рачунање.