Alan Turing se pitao: mogu li mašine da misle? Šta čini da se „nešto“ smatra inteligentnim? Pogledajte ispod kako funkcioniše veštačka inteligencija, nauka koja ima za cilj da reši ova pitanja praktičnim eksperimentima koji pomažu čovečanstvu da napravi sledeće korake.
Šta je veštačka inteligencija?
Glavno ograničenje definisanja veštačke inteligencije ili VI kao „pravljenje mašina koje su inteligentne“ je to što zapravo ne objašnjava šta je veštačka inteligencija. Šta čini mašinu inteligentnom?
VI je interdisciplinarna nauka sa mnoštvom pristupa, ali napreci u mašinskom učenju i dubokom učenju stvaraju promenu paradigme u gotovo svakom sektoru tehnološke industrije.
Kako funkcioniše veštačka inteligencija?
Savremeni autori VI Stjuart Rasel i Piter Norvig definišu koncept kao „proučavanje agenata koji primaju informacije i percepcije iz okruženja i izvode akcije.“
Trenutno postoji nekoliko tehnika koje se koriste za rad sa veštačkom inteligencijom. U zavisnosti od primene i cilja, neke su više istražene, ali sve mogu delovati na komplementaran način.
Mašinsko učenje (učenje iz iskustva)
To je primena VI koja pruža računarskim sistemima mogućnost da automatski uče i unapređuju se iz iskustva, bez eksplicitnog programiranja. Mašinsko učenje se fokusira na razvoj algoritama koji mogu analizirati podatke i praviti predikcije.
Pored toga što se koristi za predviđanje filmova koje bi korisnik Netflix-a mogao voleti ili najbolje rute za Uber, mašinsko učenje se primenjuje u sektorima zdravstvene zaštite, farmacije i nauka o životu kako bi se pomoglo u dijagnostikovanju bolesti, tumačenju medicinskih slika i ubrzavanju razvoja lekova.
Duboko učenje (mašine koje same uče)
Duboko učenje je specifičan podskup mašinskog učenja. Njegova glavna razlika je u tome što koristi veštačke neuronske mreže koje uče procesirajući podatke. Veštačke neuronske mreže oponašaju biološke neuronske mreže ljudskog mozga.
Višeslojne veštačke neuronske mreže rade zajedno kako bi odredile jedan izlaz iz mnogih ulaza, na primer, identifikovanje slike lica u mozaiku pločica.
Mašine uče kroz pozitivno i negativno pojačanje zadataka koje obavljaju, što zahteva konstantno procesuiranje za napredak. Ovo je tehnika koja vodi do prepoznavanja govora.
Neuralne mreže (pravljenje asocijacija)
Neuralne mreže omogućavaju duboko učenje. To su računarski sistemi modelirani po neuralnim vezama u ljudskom mozgu. Veštački ekvivalent ljudskog neurona je „perceptron“. Kao što snopovi neurona stvaraju neuralne mreže u mozgu, tako i hrpe perceptrona stvaraju veštačke neuralne mreže u računarskim sistemima.
Ovaj proces analizira podatke više puta kako bi pronašao asocijacije i dao značenje neodređenom. Kroz različite modele učenja, kao što je pozitivno pojačanje, mašina uči da je uspešno identifikovala objekat.
Kognitivno računarstvo (analiza konteksta)
Kognitivno računarstvo je još jedan ključni element veštačke inteligencije. Njegov cilj je da imitira i poboljša interakciju između ljudi i mašina. Kognitivno računarstvo nastoji da rekreira proces ljudskog mišljenja u računarskom modelu, specifično kroz razumevanje jezika i značenje slika.
Zajedno, kognitivno računarstvo i veštačka inteligencija rade na tome da mašinama daju ljudsko ponašanje i sposobnosti obrade informacija.
NLP (Obrada prirodnog jezika – razumevanje jezika)
Obrada prirodnog jezika ili NLP omogućava računarima da interpretiraju, prepoznaju i proizvode ljudski jezik i govor.
Cilj ove tehnologije je da omogući besprekornu interakciju sa mašinama koje svakodnevno koristimo, učeći sisteme da razumeju ljudski jezik u kontekstu i proizvode logične odgovore.
Računarska vizija (aktivne „mašinske oči“)
Računarska vizija je tehnika koja implementira duboko učenje i prepoznavanje šablona da bi interpretirala sadržaj slike. Akcija se izvodi na različitim tipovima, uključujući grafikone, tabele i slike u PDF dokumentima, kao i druge tekstove i video zapise.
Računarska vizija je integralno polje veštačke inteligencije, omogućavajući računarima da identifikuju, obrađuju i interpretiraju vizuelne podatke. Postaju aktivniji u definisanju koji će se podaci koristiti za veću tačnost odgovora. Medicinske nauke su oblast gde je ova tehnika najefikasnija — mogli bismo reći „kliničke oči“.
Veštačka inteligencija je do sada pokrila sve ove skupove specifičnih tehnika koje se mogu, ali i ne moraju kombinovati kako bi proširile svoju funkcionalnost. Svaki aspekt je toliko bogat da bi bilo moguće pisati pojedinačne postove.
