W ciągu ostatniej dekady byliśmy świadkami stopniowego wzrostu zainteresowania tematami sztucznej inteligencji. Świadczyć o tym może nagroda Turinga wydana w 2018 w celu uhonorowania przełomowych metod w zakresie głębokich sieci neuronowych i to zaledwie 17 lat po tym jak pierwsze algorytmy rozpoznawania twarzy zaczęły się pojawiać! Obecnie z metod SI korzysta wiele przedsiębiorstw i start-upów. Jest wykorzystywana przez takie spółki jak Snapchat do rozpoznawania twarzy, Netflix do rekomendacji filmów czy Google do usprawnienia wyszukiwania oraz tłumaczenia języka.
W stosunku do ogromnej ilości danych generowanych i zbieranych za pośrednictwem tych dobrodziejstw odnosimy się najczęściej terminem Big Data. Żeby jednak dane te mogły zostać odpowiednio przetworzone konieczna okazała się ich analiza co doprowadziło do powstania młodej dziedziny o nazwie Data Science, co znaczy dosłownie tyle co nauka o danych. Osobę wykonującą tą pracę nazywamy Data Scientist, który jest zawodem pokrewnym do polskiego analityka danych.
Sztuczna inteligencja jest podzbiorem tzw. inteligencji obliczeniowej, która jest w stanie rozwiązać takie problemy jak proste przetwarzanie sygnałów z czujników, gra w kółko i krzyżyk, warcaby czy sterowanie robotem podczas jazdy przez labirynt. Są to zagadnienia łatwe do rozwiązania w sposób analityczny.
Poprzez pojęcie sztucznej inteligencji będziemy natomiast rozumieć wszystkie sposoby rozwiązania problemów, które nie są efektywnie algorytmizowalne w oparciu o matematyczne modelowanie wiedzy.
Są to najczęściej systemy uczące się, gdyż system uczący się to taki, któremu na wejściu podajemy odpowiednie dane, a on następnie, wykorzystując odpowiednie algorytmy uczenia się, aproksymuje je w sposób umożliwiający stworzenie wyidealizowanego wzorca, który stanowi ich reprezentację. Jest to przykład reprezentatywnego uczenia się, którego wyróżniamy cztery rodzaje: nadzorowane, pół-nadzorowane, nienadzorowane i ze wzmocnieniem.
Wyodrębnianie złożonych struktur i cech z analizowanego przez maszynę zagadnienia określamy mianem uczenia maszynowego, nazywanego często zapożyczonym zwrotem machine learning. Uczenie maszynowe służy do analizy danych, a następnie wykorzystuje je do klasyfikacji, rozpoznawania i przewidywania poszczególnych zjawisk. Jest więc przykładem zastosowania sztucznej inteligencji.
Podzbiorem uczenia maszynowego jest z kolei uczenie głębokie, tu również często pojawia się zapożyczony zwrot deep learning. Ten termin obejmuje swoim znaczeniem przede wszystkim głębokie sieci neuronowe oraz różne ich wariacje (konwolucyjne, rekurencyjne, rekurencyjne z komórkami LSTM), gdyż są niemal niezastąpione w ekstrakcji złożonych cech i powiązań.
Struktura takich sieci oparta jest na modelu hierachicznym zbudowanym z warstw, z których kolejne, idąc w głąb modelu, są odpowiedzialne za coraz to bardziej złożone cechy. I tak, analizując punkty na obrazie możemy uzyskać linię, mając wiele linii – zaookrągloną krawędź, z która jest fragmentem spirali, a ta z kolei może reprezentować małżowinę uszną itd. Dzieje się to mniej więcej w ten sposób i jest to jak dotąd przetwarzanie najbardziej zbliżone do sposobu działania ludzkiego mózgu.
O problemach takich jak np. rozpoznawanie obrazu, generowanie sposobu wypowiadania się człowieka możemy powiedzieć, że wymagają one pewnej zdolności poznawczej. Są to tzw. procesy kognitywne wysokiego poziomu, które ze względu na budowę mózgu ludziom przychodzą łatwo, natomiast komputerom już nie…
Tymi problemami w bardziej humanistyczny sposób zajmuje się z kolei kognitywistyka, czyli nauka o poznaniu (ang. cognitive science). Jest to dość interdyscyplinarna dziedzina, do której powstania przyczyniły się głównie filozofia umysłu i psychologia, a także językoznawstwo, antropologia i neurobiologia. Kognitywistyka wyjaśnia takie pojęcia jak: zmysły, umysł czy świadomość.
Komentarze
Prześlij komentarz