Sztuczna inteligencja (AI)

menu icon

Sztuczna inteligencja (AI)

Sztuczna inteligencja wykorzystuje komputery i maszyny do naśladowania charakterystycznych dla ludzkiego umysłu zdolności rozwiązywania problemów i podejmowania decyzji.

Czym jest sztuczna inteligencja?

Podczas gdy w ciągu ostatnich kilku dekad pojawiło się wiele definicji sztucznej inteligencji (AI), John McCarthy w artykule z 2004 r. (PDF, 106 kB) (odsyłacz prowadzi poza serwis IBM) proponuje następującą: „Jest to nauka i inżynieria tworzenia inteligentnych maszyn, zwłaszcza inteligentnych programów komputerowych. Jest ona związana z podobnym zadaniem wykorzystania komputerów do zrozumienia ludzkiej inteligencji, ale nie musi ograniczać się do metod, które są biologicznie obserwowalne”.

Jednak dekady wcześniej dyskusje na temat sztucznej inteligencji wywołała przełomowa praca Alana Turinga, „Computing Machinery and Intelligence” (PDF, 89,8 kB) (odsyłacz prowadzi poza serwis IBM), opublikowana w 1950 roku. W swojej pracy Turing, często nazywany „ojcem informatyki”, zadaje następujące pytanie: „Czy maszyny mogą myśleć?”. Odpowiadając na nie, proponuje test, obecnie znany jako „Test Turinga”, w którym osoba zadająca pytania próbuje odróżnić odpowiedzi tekstowe udzielone przez komputer od odpowiedzi udzielonych przez człowieka. Chociaż test ten wielokrotnie badano od czasu jego opublikowania, pozostaje on ważną częścią historii sztucznej inteligencji, jak również istniejącą koncepcją w filozofii, ponieważ wykorzystuje idee lingwistyki.

Stuart Russell i Peter Norvig opublikowali następnie książkę pt. Artificial Intelligence: A Modern Approach (odsyłacz prowadzi poza serwis IBM), która stała się jednym z czołowych podręczników do nauki o sztucznej inteligencji. Zagłębiają się w niej w cztery potencjalne cele (definicje) sztucznej inteligencji, które rozróżniają systemy komputerowe na podstawie racjonalności i myślenia w przeciwieństwie do działania:

Podejście ludzkie:

  • Systemy myślące jak ludzie
  • Systemy działające jak ludzie

Podejście idealne:

  • Systemy myślące racjonalnie
  • Systemy działające racjonalnie

Definicja Alana Turinga mieściłaby się w kategorii „systemów działających jak ludzie”.

W swojej najprostszej postaci sztuczna inteligencja jest dziedziną, która łączy informatykę i stabilne zbiory danych, aby umożliwić rozwiązywanie problemów. Obejmuje ona również poddziedziny uczenia maszynowego i głębokiego uczenia, które są często wymieniane w połączeniu ze sztuczną inteligencją. Dyscypliny te składają się z algorytmów sztucznej inteligencji, których celem jest stworzenie systemów eksperckich prognozujących lub klasyfikujących na podstawie danych wejściowych.

Dziś rozwój sztucznej inteligencji wciąż wywołuje wiele dyskusji, czego można się przecież spodziewać w przypadku każdej nowej technologii pojawiającej się na rynku. Jak zauważono w modelu Hype Cycle firmy Gartner (odsyłacz prowadzi poza serwis IBM), innowacje produktowe, takie jak samochody autonomiczne i asystenci osobiści, podążają za „typową progresją innowacji, od nadmiernego entuzjazmu, poprzez okres rozczarowania, aż do ostatecznego zrozumienia znaczenia i roli innowacji na rynku lub w danej dziedzinie”. Jak zauważa tutaj (odsyłacz prowadzi poza serwis IBM) Lex Fridman w wykładzie na uczelni MIT w 2019 roku, jesteśmy na szczycie rozdętych oczekiwań, zbliżamy się do dołu rozczarowań.

W miarę jak pojawiają się rozmowy na temat etyki sztucznej inteligencji, możemy zacząć dostrzegać pierwsze przebłyski rozczarowań. Więcej o stanowisku IBM w dyskusji na temat etyki sztucznej inteligencji dowiesz się tutaj.

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 sztuczna inteligencja stanowi większość otaczającej nas dziś sztucznej inteligencji. „Wąska” może być bardziej trafnym określeniem dla tego typu sztucznej inteligencji, ponieważ faktycznie nie jest ona słaba. Znajduje niezwykle istotne zastosowania, na przykład w Siri firmy Apple, asystencie Alexa firmy Amazon, IBM Watson i pojazdach autonomicznych.

Silna sztuczna inteligencja składa się z ogólnej sztucznej inteligencji (Artificial General Intelligence, AGI) i sztucznej superinteligencji (Artificial Super Intelligence, ASI). Ogólna sztuczna inteligencja (AGI) jest teoretyczną formą sztucznej inteligencji, w której maszyna posiadałaby inteligencję równą ludzkiej: samoświadomość ze zdolnością rozwiązywania problemów, uczenia się i planowania przyszłości. Sztuczna superinteligencja (ASI) — zwana również superinteligencją — przewyższyłaby inteligencję i możliwości ludzkiego mózgu. Chociaż silna sztuczna inteligencja jest nadal całkowicie teoretyczna i nie ma obecnie praktycznych przykładów jej zastosowania, nie oznacza to, że naukowcy zajmujący się sztuczną inteligencją nie badają możliwości jej rozwoju. Najlepsze przykłady sztucznej superinteligencji można czerpać z science fiction. Przykładem jest HAL, zbuntowany asystent komputerowy z filmu 2001: Odyseja kosmiczna.

Głębokie uczenie a uczenie maszynowe

Ponieważ terminy „głębokie uczenie” i „uczenie maszynowe” są często używane zamiennie, warto zwrócić uwagę na niuanse między tymi pojęciami. Jak już wspomniano, zarówno głębokie uczenie, jak i uczenie maszynowe są poddziedzinami sztucznej inteligencji, a głębokie uczenie jest właściwie poddziedziną uczenia maszynowego.

Wizualna prezentacja wzajemnych relacji między sztuczną inteligencją, uczeniem maszynowym i głębokim uczeniem

 

Głębokie uczenie składa się z sieci neuronowych. Określenie „głębokie” w terminie głębokie uczenie odnoszące się do sieci neuronowej składającej się z więcej niż trzech warstw – obejmujących wejście i wyjście – można uznać za algorytm głębokiego uczenia. Zwykle przedstawia się to za pomocą następującego diagramu:

Diagram głębokiej sieci neuronowej

Głębokie uczenie i uczenie maszynowe różnią się od siebie sposobem, w jaki każdy z tych algorytmów się uczy. Głębokie uczenie automatyzuje znaczną część procesu wyodrębniania cech, eliminując część wymaganej interwencji człowieka i umożliwiając wykorzystanie większych zestawów danych. O głębokim uczeniu można myśleć jako o „skalowalnym uczeniu maszynowym”, jak zauważył Lex Fridman w tym samym wykładzie na uczelni MIT, o którym mowa powyżej. Klasyczne, tj. „niegłębokie”, uczenie maszynowe jest bardziej zależne od interwencji człowieka. Eksperci określają hierarchię cech, aby zrozumieć różnice pomiędzy danymi wejściowymi, co zwykle wymaga bardziej ustrukturyzowanych danych do nauki.

„Głębokie” uczenie maszynowe może wykorzystywać zestawy danych z etykietami (uczenie nadzorowane) na potrzeby informowania algorytmu, ale niekoniecznie wymaga zestawu danych z etykietami. Może ono importować dane nieustrukturyzowane w surowej postaci (np. tekst, obrazy) i automatycznie określać hierarchię cech odróżniających od siebie kategorie danych. W przeciwieństwie do uczenia maszynowego nie wymaga ono interwencji człowieka do przetwarzania danych, co pozwala skalować uczenie maszynowe w bardziej interesujący sposób.

Zastosowania sztucznej inteligencji

Obecnie istnieje wiele realnych zastosowań systemów sztucznej inteligencji. Poniżej przedstawiamy kilka najczęstszych przykładów:

  • Rozpoznawanie mowy: nazywane również automatycznym rozpoznawaniem mowy (ASR), komputerowym rozpoznawaniem mowy i technologią przetwarzania mowy na tekst. Jest to funkcja wykorzystująca przetwarzanie języka naturalnego (NLP) do przetwarzania ludzkiej mowy na format pisemny. Wiele urządzeń przenośnych zawiera w swoich systemach funkcję rozpoznawanie mowy na potrzeby przeprowadzenia wyszukiwania głosowego, np. Siri, lub zapewnienia większej dostępności usług wiadomości tekstowych.
  • Obsługa klienta: internetowe chatboty zastępują ludzi w kontakcie z klientem. Odpowiadają na często zadawane pytania dotyczące wielu tematów, takich jak wysyłka, lub udzielają spersonalizowanych porad, prowadząc sprzedaż wiązaną produktów lub sugerując rozmiary dla użytkowników. Zmieniają sposób myślenia o zaangażowaniu klientów w serwisach WWW i na platformach mediów społecznościowych. Przykłady obejmują boty do obsługi przesyłania wiadomości w serwisach handlu elektronicznego z wirtualnymi agentami, aplikacje do obsługi wiadomości, takie jak Slack i Facebook Messenger, oraz zadania zwykle wykonywane przez asystentów wirtualnych i głosowych.
  • Widzenie komputerowe: ta technologia sztucznej inteligencji umożliwia komputerom i systemom uzyskiwanie istotnych informacji z cyfrowych obrazów, filmów i innych wizualnych danych wejściowych, a także podejmowanie działań na podstawie tych danych. Ta zdolność do dostarczania rekomendacji odróżnia tę technologię od systemu rozpoznawania obrazów. Dzięki zastosowaniu sieci neuronowych widzenie komputerowe znajduje zastosowanie w znakowaniu zdjęć w mediach społecznościowych, obrazowaniu radiologicznym w służbie zdrowia i pojazdach autonomicznych w przemyśle motoryzacyjnym.
  • Mechanizmy rekomendacji: wykorzystując historyczne dane o zachowaniach konsumpcyjnych, algorytmy sztucznej inteligencji pomagają w odkryciu trendów, co można wykorzystać do opracowania bardziej efektywnych strategii sprzedaży wiązanej. Sprzedawcy internetowi wykorzystują to do rekomendowania klientom odpowiednich towarów dodatkowych podczas dokonywania zakupów.
  • Zautomatyzowany handel akcjami: zaprojektowane w celu optymalizacji portfeli akcji, wykorzystujące sztuczną inteligencję platformy transakcyjne o wysokiej częstotliwości obsługi transakcji wykonują tysiące, a nawet miliony transakcji dziennie bez interwencji człowieka.

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 — znany ze złamania nazistowskiego kodu Enigmy podczas II wojny światowej — publikuje artykuł pt. Computing Machinery and Intelligence, w którym proponuje odpowiedź na pytanie „czy maszyny mogą myśleć?” i wprowadza test Turinga, aby określić, czy komputer może wykazać taką samą inteligencję (lub wyniki o takiej samej inteligencji) jak człowiek. 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, które używają algorytmu wstecznej propagacji do trenowania samych siebie, są szeroko stosowane w aplikacjach wykorzystujących sztuczną inteligencję.
  • 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.
  • Organizowanie: tworzenie platformy analitycznej gotowej do wykorzystania biznesowego.
  • Analiza: budowanie skalowalnych i sprawdzonych systemów opartych na sztucznej inteligencji.
  • Wdrażanie: integracja oraz optymalizacja systemów w całym środowisku biznesowym.
  • Modernizacja: wykorzystywanie mechanizmów i systemów sztucznej inteligencji 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.