Wizualna metafora sztucznej inteligencji

Sztuczna inteligencja ( ang. Artificial Intelligence – AI) – nauka obejmująca zagadnienia logiki rozmytej , obliczeń ewolucyjnych , sieci neuronowych , sztucznego życia i robotyki . Sztuczna inteligencja to dział informatyki, którego przedmiotem jest badanie reguł rządzących inteligentnymi zachowaniami człowieka, tworzenie modeli formalnych tych zachowań i – w rezultacie – programów komputerowych symulujących te zachowania. Można ją też zdefiniować jako dział informatyki zajmujący się rozwiązywaniem problemów, które nie są efektywnie algorytmizowalne.

Sztuczna inteligencja ma dwa podstawowe znaczenia:

• jest to hipotetyczna inteligencja realizowana w procesie inżynieryjnym, a nie naturalnym;
• jest to nazwa technologii i dziedzina badań naukowych informatyki na styku z neurologią , psychologią i ostatnio kognitywistyką oraz także systemiką, a nawet z współczesną filozofią .

Głównym zadaniem badań nad sztuczną inteligencją w drugim znaczeniu jest konstruowanie maszyn i programów komputerowych zdolnych do realizacji wybranych funkcji umysłu i ludzkich zmysłów niepoddających się prostej numerycznej algorytmizacji . Problemy takie bywają nazywane AI-trudnymi i zalicza się do nich między innymi:

• podejmowanie decyzji w warunkach braku wszystkich danych
• analiza i synteza języków naturalnych
• rozumowanie logiczne/racjonalne,
• dowodzenie twierdzeń,
• gry logiczne, jak np. szachy czy go
• zarządzanie wiedzą , preferencjami i informacją w robotyce
• systemy eksperckie i diagnostyczne .

Historia badań

AI jako dział badań naukowych zaczęła się w latach 50. XX wieku kiedy to powstało pierwsze laboratorium AI na Uniwersytecie Carnegie Mellon, założone przez Allena Newella i Herberta Simona i kilka lat później analogiczne laboratorium w Massachusetts Institute of Technology , założone przez Johna McCarthy'ego . Oba te laboratoria są wciąż wiodącymi ośrodkami AI na świecie.

Termin sztuczna inteligencja został po raz pierwszy zaproponowany prawdopodobnie przez Johna McCarthy'ego, który w 1955 r. zdefiniował go w następujący sposób:

"konstruowanie maszyn, o których działaniu dałoby się powiedzieć, że są podobne do ludzkich przejawów inteligencji ".

Istnieją dwa podstawowe podejścia do pracy nad AI:

• Pierwsze to tworzenie modeli matematyczno-logicznych analizowanych problemów i implementowanie ich w formie programów komputerowych , mających realizować konkretne funkcje uważane powszechnie za składowe inteligencji. W tej grupie, tzw. podejścia symbolicznego, są np. algorytmy genetyczne , metody logiki rozmytej i wnioskowania bazującego na doświadczeniu.
• Drugie to podejscie subsymboliczne polegające na tworzeniu struktur i programów "samouczących się", bazujących na modelach sieci neuronowej i sieci asocjacyjnych , oraz opracowywanie procedur "uczenia" takich programów, rozwiązywania postawionych im zadań i szukania odpowiedzi na wybrane klasy "pytań".

W trakcie wieloletniej pracy laboratoriów i zespołów AI stosujących oba podejścia do problemu, okazało się, że postęp w tej dziedzinie jest i będzie bardzo trudny i powolny. Często mimo niepowodzeń w osiąganiu zaplanowanych celów, laboratoria te wypracowywały nowe techniki informatyczne, które okazywały się użyteczne do zupełnie innych celów. Przykładami takich technik są np. języki programowania LISP i Prolog . Laboratoria AI stały się też "rozsadnikiem" kultury hakerskiej .

Najnowsze podejście do problemów AI to rozwijanie różnych form inteligencji rozproszonej (wzorowanej na organizacjach ludzkich, np. personoidy oraz tzw. agentów autonomicznych i "inteligentnych". Dziedzina ta nosi nazwę Technologii Agentów Inteligentnych (ang. Intelligent Agent Technology).

Współczesne praktyczne zastosowania AI

• Technologie oparte na logice rozmytej – powszechnie stosowane do np. sterowania przebiegiem procesów technologicznych w fabrykach w warunkach "braku wszystkich danych ".
• Systemy ekspertowe – systemy wykorzystujące bazę wiedzy (zapisaną w sposób deklaratywny) i mechanizmy wnioskowania do rozwiązywania problemów.
• Maszynowe tłumaczenie tekstów – systemy tłumaczące nie dorównują człowiekowi, robią intensywne postępy, nadają się szczególnie do tłumaczenia tekstów technicznych.
• Sieci neuronowe – stosowane z powodzeniem w wielu zastosowaniach łącznie z programowaniem "inteligentnych przeciwników" w grach komputerowych.
• Uczenie się maszyn – dział sztucznej inteligencji zajmujący się algorytmami potrafiącymi uczyć się podejmować decyzje bądź nabywać wiedzę.
• Eksploracja danych – omawia obszary, powiązanie z potrzebami informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy, oczekiwane rezultaty.
• Rozpoznawanie obrazów – stosowane są już programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych.
• Rozpoznawanie mowy i rozpoznawanie mówców – stosowane już powszechnie na skalę komercyjną.
• Rozpoznawanie pisma ( OCR ) – stosowane już masowo np. do automatycznego sortowania listów, oraz w elektronicznych notatnikach .
• Sztuczna twórczość – istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aranżujące i interpretujące utwory muzyczne, które są w stanie skutecznie "zmylić" nawet profesjonalnych artystów, w sensie, że nie rozpoznają oni tych utworów jako sztucznie wygenerowanych.
• W ekonomii, powszechnie stosuje się systemy automatycznie oceniające m.in. zdolność kredytową , profil najlepszych klientów, czy planujące kampanie reklamowe. Systemy te poddawane są wcześniej automatycznemu uczeniu na podstawie posiadanych danych (np. klientów banku, którzy regularnie spłacali kredyt i klientów, którzy mieli z tym problemy).

Czego nie udało się dotąd osiągnąć mimo wielu wysiłków

• Programów skutecznie wygrywających w niektórych grach. Jak dotąd nie ma programów skutecznie wygrywających w go , brydża sportowego i polskie warcaby , mimo że podejmowano próby ich pisania. Trzeba jednak przyznać, że programy do gry w szachy , w które zainwestowano jak dotąd najwięcej wysiłku i czasu spośród wszystkich tego rodzaju programów, osiągnęły bardzo wysoki poziom, ogrywając nawet mistrza świata Garriego Kasparowa w maju 1997 .
• Programu, który by umiał idealnie naśladować człowieka, rozmawiając przy użyciu tekstu i potrafiłby przejść test Turinga . Istnieją programy do konwersacji z komputerem , ale każdy człowiek, który miał z nimi wcześniej do czynienia, w krótkim czasie jest w stanie zorientować się, że rozmawia z maszyną, a nie innym człowiekiem.
• Programu, który potrafiłby skutecznie generować zysk, grając na giełdzie. Problemem jest masa informacji, którą taki program musiałby przetworzyć i sposób jej kodowania przy wprowadzaniu do komputera. Mimo wielu prób podejmowanych w tym kierunku (zarówno w Polsce jak i na całym świecie), z użyciem sztucznej inteligencji nie da się nawet odpowiedzieć na pytanie, czy jest możliwe zarabianie na giełdzie, bez podawania samego przepisu jak to zrobić. Prawdziwym problemem w tym przypadku może być fakt, że nie istnieje żadna zależność między danymi historycznymi, a przyszłymi cenami na giełdzie (taką tezę stawia hipoteza rynku efektywnego ). Gdyby hipoteza ta była prawdziwa, wtedy nawet najlepiej przetworzone dane wejściowe nie byłyby w stanie wygenerować skutecznych i powtarzalnych zysków. Mimo wszystko, cel wydaje się bliski osiągnięcia. Na rynku istnieją fundusze hedgingowe, które osiągają regularne zyski a ich decyzjami inwestycyjnymi nie kieruje człowiek, lecz metoda matematyczna^[].
• Programu skutecznie tłumaczącego teksty literackie i mowę potoczną. Istnieją programy do automatycznego tłumaczenia, ale sprawdzają się one tylko w bardzo ograniczonym stopniu. Podstawową trudnością jest tu złożoność i niejasność języków naturalnych, a w szczególności brak zrozumienia przez program znaczenia tekstu.

Linki zewnętrzne

• Sztuczna inteligencja (materiały dydaktyczne MIMUW na studia informatyczne I stopnia)
• Obszerny zbiór odnośników w języku angielskim na stronie prof. Włodzisława Ducha
• Computational Philosophy of Science , Paul R. Thagard, MIT Press, 1993 ( ang. )