Sztuczna inteligencja (AI)

menu icon

Sztuczna inteligencja (AI)

Sztuczna inteligencja pozwala komputerom i urządzeniom naśladować charakterystyczny dla ludzkiego umysłu sposób postrzegania, uczenia się, rozwiązywania problemów i podejmowania decyzji.

Czym jest sztuczna inteligencja?

W informatyce termin sztuczna inteligencja (AI) oznacza dowolny rodzaj inteligencji o ludzkim rysie, który wykazuje komputer, robot lub urządzenie. W powszechnym rozumieniu sztuczna inteligencja oznacza zdolność komputera lub maszyny do naśladowania pracy ludzkiego umysłu — uczenia się z przykładów i doświadczeń, rozpoznawania obiektów, rozumienia komunikatów językowych i reagowania na nie, podejmowania decyzji, rozwiązywania problemów — oraz łączenia potencjału wynikającego z tych umiejętności, aby realizować działania, które mógłby wykonać człowiek. Na przykład witanie gości hotelowych czy jazda samochodem.

Po dekadach funkcjonowania głównie w świecie fantastyki naukowej, dziś AI staje się częścią naszego życia. Gwałtowny rozwój sztucznej inteligencji umożliwiła nagła dostępność dużych ilości danych oraz rozwój i szeroka dostępność systemów komputerowych, które potrafią przetwarzać dane szybciej i precyzyjniej niż ludzie. AI uzupełnia ostatnie litery słów, które wpisujemy, przekazuje nam wskazówki podczas jazdy, pomaga odkurzać podłogi, a także doradza, co powinniśmy kupić albo jaki serial obejrzeć. Oprócz tego odpowiada za działanie aplikacji — na przykład do obrazowania medycznego — które pozwalają profesjonalistom szybciej i skuteczniej wykonywać istotną pracę.

Chociaż sztuczna inteligencja jest dzisiaj czymś powszechnym, zrozumienie AI oraz terminologii z nią związanej może być trudne, ponieważ wielu terminów używa się zamiennie i chociaż w niektórych przypadkach rzeczywiście jest to uprawione, to w innych już niekoniecznie. Jaka jest różnica pomiędzy sztuczną inteligencją a uczeniem maszynowym? Między uczeniem maszynowym a głębokim uczeniem? Między funkcją rozpoznawania mowy a przetwarzania języka naturalnego? Między słabą sztuczną inteligencją a silną sztuczną inteligencją? Ten artykuł pomoże Ci zrozumieć te terminy i podstawy działania sztucznej inteligencji.

Sztuczna inteligencja, uczenie maszynowe i głębokie uczenie

Oto najprostszy sposób, aby zrozumieć związek pomiędzy sztuczną inteligencją, uczeniem maszynowym i głębokim uczeniem:

  • O sztucznej inteligencji warto pomyśleć jak o wszystkich aspektach technologii obliczeniowej, które choć trochę przypominają ludzką inteligencję. Systemy AI mogą przybierać bardzo różne formy: od rozwiązań eksperckich — na przykład aplikacji naprawczej podejmującej decyzje na podstawie złożonych reguł lub logiki „jeśli... to...” — po wszystkie odpowiedniki robota Wall-E, fikcyjnej postaci stworzonej przez wytwórnię Pixar. Filmowy robocik miał procesor, który wykształcił inteligencję, wolną wolę i ludzkie emocje.  
  • Uczenie maszynowe jest podzbiorem aplikacji AI, które uczą się samodzielnie. W trakcie przetwarzania danych dokonuje przeprogramowania, które umożliwia wykonywanie zadań z coraz wyższą precyzją. 
  • Głębokie uczenie jest podzbiorem aplikacji uczenia maszynowego, które samodzielnie się uczą w celu wykonywania zadań z coraz większą precyzją oraz bez udziału człowieka.
Schemat przedstawiający związek pomiędzy sztuczną inteligencją, uczeniem maszynowym oraz głębokim uczeniem

Przyjrzyjmy się bliżej metodom uczenia maszynowego i głębokiego uczenia i sprawdźmy, czym się od siebie różnią.

Uczenie maszynowe

Aplikacje uczenia maszynowego (zwane również modelami uczenia maszynowego) są oparte na sieci neuronowej, która jest siecią obliczeń algorytmicznych próbujących naśladować postrzeganie i proces myślowy charakterystyczne dla ludzkiego mózgu. W najbardziej podstawowym wydaniu sieć neuronowa składa się z następujących warstw:

  • Warstwa wejściowa, w której dane trafiają do sieci.
  • Co najmniej jedna warstwa ukryta, gdzie algorytmy uczenia maszynowego  przetwarzają dane wejściowe i przypisują im wagę, odchylenia i progi.
  • Warstwa wyjściowa, w której pojawiają się różne wnioski, dla których sieć określa różne poziomy prawdopodobieństwa.
Schemat podstawowej sieci neuronowej.

Modele uczenia maszynowego, które nie są modelami głębokiego uczenia, bazują na sztucznych sieciach neuronowych z tylko jedną warstwą ukrytą. Do modeli tych wprowadzane są oznaczone dane, czyli dane uzupełnione znacznikami, które opisują ich cechy w sposób pozwalający modelowi identyfikować i rozumieć te dane. Potrafią one stosować uczenie nadzorowane (czyli uczenie wymagające ludzkiego nadzoru), w tym okresowo dostosowywać algorytmy w modelu.

Głębokie uczenie

Modele głębokiego uczenia są oparte na głębokich sieciach neuronowych, czyli sieciach z wieloma ukrytymi warstwami. W takim układzie każda kolejna warstwa uszczegóławia wnioski powstałe na poprzednim poziomie. Taki przepływ obliczeń przez warstwy ukryte do warstwy wyjściowej nazywa się propagacją w przód. Inny proces, nazywany propagacją wsteczną, pozwala identyfikować błędy w obliczeniach, przypisywać im wagi i przekazywać do poprzednich warstw w celu uszczegółowienia lub przeszkolenia modelu.

Schemat głębokiej sieci neuronowej.

Podczas gdy niektóre modele głębokiego uczenia działają z wykorzystaniem oznaczonych danych, wiele funkcjonuje na bazie ogromnych ilości danych nieoznaczonych. Modele głębokiego uczenia są też zdolne do uczenia nienadzorowanego — wykrywania cech i schematów danych przy minimalnym ludzkim nadzorze.

Prostym przykładem różnic pomiędzy uczeniem głębokim a innymi rodzajami uczenia maszynowego jest porównanie systemów Siri i Alexa, stworzonych kolejno przez firmy Apple i Amazon (które rozpoznają komendy głosowe bez szkolenia), z aplikacjami sprzed dekady przetwarzającymi mowę na tekst pisany, które wymagały od użytkowników „szkolenia” programu (i oznaczania danych) poprzez głosowe wprowadzanie słów do systemu przed ich wykorzystywaniem. Ale modele głębokiego uczenia są podstawą dużo bardziej skomplikowanych aplikacji, takich jak systemy rozpoznawania obrazu, które mogą identyfikować codzienne obiekty szybciej i precyzyjniej niż ludzie.

Aby dowiedzieć się więcej o niewielkich różnicach pomiędzy tymi technologiami, przeczytaj część „Sztuczna inteligencja, uczenie maszynowe, głębokie uczenie, sieci neuronowe: jaka jest różnica?

Rodzaje sztucznej inteligencji — słaba sztuczna inteligencja a silna sztuczna inteligencja

Słaba sztuczna inteligencja — nazywana też wąską AI lub wąską sztuczną inteligencją — jest przeszkolona i służy do wykonywania określonych zadań. Słaba AI obsługuje większość narzędzi AI, które nas dzisiaj otaczają. Słowo „wąska” precyzyjniej opisuje ten rodzaj sztucznej inteligencji, która w żadnym aspekcie nie jest słaba. Przecież odpowiada za działanie wielu imponujących aplikacji, takich jak Siri firmy Apple i Alexa firmy Amazon, superkomputer IBM Watson, który pokonał ludzkich rywali teleturnieju Jeopardy, a także auta autonomiczne.

Silna AI, nazywana również ogólną sztuczną inteligencją (AGI), to rodzaj sztucznej inteligencji, która w pełni odtwarza autonomię ludzkiego mózgu — jest to sztuczna inteligencja, która pozwala rozwiązywać wiele typów lub klas problemów, a nawet wybierać problemy do rozwiązania bez udziału ludzi. Silna AI wciąż pozostaje całkowicie teoretycznym tworem, który nie ma obecnie praktycznych zastosowań. Nie oznacza to jednak, że naukowcy zajmujący się AI nie badają (ostrożnie) możliwości superinteligencji (ASI), która przewyższa ludzką inteligencję i potencjał ludzi. Przykładem maszyny o superinteligencji może być HAL, asystent komputerowy o nadludzkich umiejętnościach (który ostatecznie okazał się czarnym charakterem) z filmu 2001: Odyseja kosmiczna.

Zastosowania sztucznej inteligencji

Jak zauważyliśmy wcześniej, sztuczna inteligencja jest dziś wszędzie, ale niektóre jej odsłony towarzyszą nam już zaskakująco długo. Oto raptem kilka najczęściej spotykanych przykładów:

  • Rozpoznawanie mowy: funkcja rozpoznawania mowy, nazywana również zamianą mowy na tekst (STT), to technologia AI pozwalająca rozpoznawać wypowiedziane słowa oraz zamieniać je w cyfrowy tekst. Rozpoznawanie mowy to funkcja wbudowana w oprogramowanie do dyktowania, piloty z funkcją poleceń głosowych, obsługiwane głosowo wiadomości tekstowe i urządzenia GPS, a także głosowe menu odpowiedzi telefonicznych.
  • Przetwarzanie języka naturalnego (NLP): NLP pozwala aplikacjom, komputerom i maszynom rozumieć, interpretować i generować tekst wprowadzany przez ludzi. NLP to technologia sztucznej inteligencji wykorzystywana przez asystentów cyfrowych (takich jak wspomniane wyżej Siri i Alexa), chatboty oraz inne bazujące na tekście narzędzia do pomocy wirtualnej. Niektóre narzędzia NLP wykorzystują technikę analizy odczuć, aby w wypowiadanych komunikatach językowych wykrywać nastroje, postawy oraz inne subiektywne czynniki.
  • Rozpoznawanie obrazów (przetwarzanie obrazów albo systemy wizyjne): jest to technologia AI pomagająca identyfikować i klasyfikować obiekty, ludzi, napisy, a nawet działania w obrębie nieruchomych lub przesuwających się obrazów. Rozpoznawanie obrazów, zazwyczaj oparte na głębokich sieciach neuronowych, jest używane w systemach identyfikacji za pomocą odcisków palców, aplikacjach kontroli mobilnej, do analizy nagrań i obrazów medycznych, w samochodach autonomicznych oraz do wielu innych zastosowań.
  • Rekomendacje generowane w czasie rzeczywistym: w witrynach sprzedaży detalicznej oraz rozrywkowych sieci neuronowe są wykorzystywane do sugerowania kolejnych zakupów lub komunikacji z klientami na podstawie historii ich aktywności, historii aktywności innych klientów oraz szeregu innych czynników, takich jak pora dnia czy pogoda. W badaniach stwierdzono, że sugestie online pomagają podnieść sprzedaż z poziomu 5% do 30%.
  • Zapobieganie wirusom i spamowi: oprogramowanie antywirusowe i przeciwspamowe, kiedyś oferowane w postaci specjalistycznych systemów opartych na regułach, dzisiaj wykorzystuje głębokie sieci neuronowe, które uczą się wykrywać nowe rodzaje wirusów i spamu z szybkością dorównującą kreatywności cyberprzestępców.
  • Zautomatyzowany handel akcjami: zaprojektowane z myślą o optymalizacji portfela akcji i zasilane algorytmami sztucznej inteligencji platformy handlu wysokiej częstotliwości automatycznie obsługują tysiące a nawet miliony transakcji dziennie.
  • Usługi transportu współdzielonego: Uber, Lyft oraz inne firmy oferujące usługi transportu współdzielonego wykorzystują sztuczną inteligencję, aby dobrze kojarzyć pasażerów z kierowcami, ponieważ dzięki temu mogą zminimalizować czas oczekiwania, wybierać krótsze trasy, podawać wiarygodny szacowany czas przyjazdu, a nawet eliminować konieczność naliczania wyższych cen podczas szczytu komunikacyjnego.
  • Roboty domowe: odkurzacz Roomba firmy iRobot wykorzystuje techniki sztucznej inteligencji, aby ustalać rozmiar pomieszczenia, identyfikować przeszkody i ich unikać oraz uczyć się wydajniejszych tras odkurzania. Podobne technologie stoją u podstaw zrobotyzowanych kosiarek do trawy i urządzeń do czyszczenia basenów.
  • Technologia autopilota: od dekad pomaga latać handlowymi i wojskowymi samolotami. Dzisiaj autopiloty działają dzięki kombinacji czujników, technologii GPS oraz funkcji rozpoznawania obrazu, unikania kolizji, robotyki i przetwarzania języka naturalnego. Wszystkie te komponenty pozwalają bezpiecznie nawigować samolot i zapewniają pilotom dostęp do aktualnych informacji. Według niektórych ekspertów współcześni piloci komercyjni poświęcają tylko trzy i pół minuty na ręczne sterowanie samolotem.

Historia sztucznej inteligencji: najważniejsze daty i nazwiska

Idea „maszyny, która myśli” sięga starożytnej Grecji. Ale od pojawienia się przetwarzania elektronicznego (i nawiązując do tematów omówionych w tym artykule) można wyróżnić następujące ważne wydarzenia i kamienie milowe w rozwoju sztucznej inteligencji:

  • 1950: Alan Turing opublikował artykuł „Computing Machinery and Intelligence” (Maszyny komputerowe i inteligencja). Turning, który zasłynął złamaniem szyfru ENIGMA podczas II wojny światowej, postawił w artykule hipotezę „Czy maszyny potrafią myśleć?” i zaproponował Test Turninga (odsyłacz prowadzi poza serwis IBM), który miał pomagać w ustalaniu, czy dany komputer potrafi myśleć jak człowiek (albo generować efekty na poziomie ludzkiej inteligencji). Od tamtego czasu wartość testu Turninga jest przedmiotem dyskusji.
  • 1956: John McCarthy, podczas zorganizowanej w Darthmouth College pierwszej w historii konferencji poświęconej AI, zaproponował termin „sztuczna inteligencja” (w późniejszych latach McCarthy stworzył język programowania LISP). Jeszcze w tym samym roku Allen Newell, J.C. Shaw oraz Herbert Simon stworzyli Logic Theorist, pierwsze w historii oprogramowanie ze sztuczną inteligencją.
  • 1967: Frank Rosenblatt skonstruował Mark 1 Perceptron, pierwszy komputer oparty na sieci neuronowej „uczącej się” na zasadzie prób i błędów. Zaledwie rok później Marvin Minsky i Seymour Papert opublikowali książkę pod tytułem „Perceptrons”, która okazała się przełomowym dziełem z dziedziny sieci neuronowych i przez pewien czas oferowała argumenty przeciwko przyszłym projektom badawczym związanym z sieciami neuronowymi.
  • Lata 80.: sieci neuronowe z propagacją wsteczną — algorytmy do szkolenia sieci — zaczęły być powszechnie stosowane w aplikacjach AI.
  • 1997: komputer IBM Deep Blue wygrał mecz szachowy z mistrzem świata Garrim Kasparowem (komputer pokonał człowieka również w rewanżu).
  • 2011: IBM Watson pokonał mistrzów Kena Jenningsa oraz Brada Ruttera w teleturnieju Jeopardy!
  • 2015: Superkomputer Baidu Minwa użył specjalnego rodzaju głębokiej sieci neuronowej o nazwie splątana sieć neuronowa do identyfikacji i skategoryzowania obrazów z wyższą dokładnością niż przeciętny człowiek.
  • 2016: program DeepMind AlphaGo, działający w oparciu o głęboką sieć neuronową, pokonał Lee Sedola, mistrza świata w grze Go, w meczu składającym się z pięciu partii. Zwycięstwo było imponujące, biorąc pod uwagę olbrzymią liczbę możliwych do wykonania ruchów w grze (ponad 14,5 miliarda już po czterech ruchach!). Po tym wydarzeniu firma Google wykupiła DeepMind, a transakcja rzekomo opiewała na 400 milionów dolarów.

Sztuczna inteligencja a IBM Cloud

IBM jest liderem zaawansowanych technologii AI dla przedsiębiorstw i pionierem w opracowywaniu przyszłościowych systemów uczenia maszynowego dla wielu branż. Dekady badań nad sztuczną inteligencją, lata doświadczeń wynikających ze współpracy z organizacjami o różnych rozmiarach oraz wnioski z ponad 30 000 instalacji IBM Watson pozwalają opracować drabinę AI, która ma pomagać w pomyślnym wdrażaniu sztucznej inteligencji:

  • Gromadzenie: uproszczenie gromadzenia danych i zapewnianie łatwiejszego dostępu.
  • Analiza: budowanie skalowalnych i wiarygodnych systemów opartych na AI.
  • Wdrażanie: integracja oraz optymalizacja systemów w całym środowisku biznesowym.
  • Modernizacja: instalowanie aplikacji i systemów AI w chmurze.

IBM Watson wyposaża przedsiębiorstwa w narzędzia AI, których potrzebują do modernizacji swoich systemów biznesowych i przepływów pracy, a przy tym w dużym stopniu poprawia proces automatyzacji i wydajność. Aby uzyskać więcej informacji na temat tego, jak IBM pomaga klientom we wdrażaniu sztucznej inteligencji, zapoznaj się z ofertą IBM dotyczącą zarządzanych usług i rozwiązań

Zarejestruj się, aby uzyskać identyfikator IBMid, i załóż konto w IBM Cloud.