Mi az a mesterséges intelligencia és hogyan használjuk?
A mesterséges intelligencia (vagy rövid nevén AI, vagy MI), egy digitális számítógép vagy számítógép-vezérelt robot azon képessége, hogy olyan feladatokat végezzen, amelyeket általában intelligens lényekkel társítanak. A kifejezést gyakran alkalmazzák az olyan rendszerek fejlesztésére irányuló projektre, amelyek rendelkeznek az emberre jellemző intellektuális folyamatokkal. Például az érvelés, az értelem felfedezése, az általánosítás vagy a múltbeli tapasztalatokból való tanulás képessége.
A digitális számítógépek a 40-es évekbeli kifejlesztése óta bebizonyosodott, hogy a számítógépek programozhatók nagyon összetett feladatok nagy szakértelemmel történő elvégzésére. Például matematikai tételek bizonyításának felfedezése vagy sakkjáték. A számítógépek feldolgozási sebességének és memóriakapacitásának folyamatos fejlődése ellenére azonban még mindig nincsenek olyan programok, amelyek szélesebb területeken vagy a mindennapi tudást igénylő feladatokban teljes emberi rugalmasságot tudnának felmutatni.
Másrészt egyes programok bizonyos speciális feladatok elvégzésében elérték az emberi szakértők és szakemberek teljesítményszintjét. Így a mesterséges intelligencia ebben a korlátozott értelemben olyan különböző alkalmazásokban is megtalálható, mint az orvosi diagnosztika, a számítógépes keresőmotorok, a hang- vagy kézírásfelismerés és a chatbotok.
Mi az intelligencia?
A legegyszerűbb emberi viselkedés kivételével minden viselkedést intelligenciának tulajdonítanak, míg a rovarok legbonyolultabb viselkedését sem szokták intelligenciára utaló jelnek tekinteni.
A pszichológusok az emberi intelligenciát általában nem egyetlen tulajdonsággal, hanem sokféle képesség kombinációjával jellemzik. Az AI-val kapcsolatos kutatások elsősorban az intelligencia következő összetevőire összpontosítottak:
- tanulás
- gondolkodás
- problémamegoldás
- észlelés
- nyelvhasználat
A mesterséges intelligencia és a tanulás
A mesterséges intelligenciában alkalmazott tanulásnak számos különböző formája létezik. A legegyszerűbb a próbálgatással és tévedéssel történő tanulás. Például egy egyszerű sakkproblémák megoldására szolgáló számítógépes program addig próbálkozik véletlenszerű lépésekkel, amíg mattot nem talál.
A program ezután a megoldást a pozícióval együtt tárolhatja, hogy amikor a számítógép legközelebb ugyanezzel a pozícióval találkozik, a megoldást felidézze. Az egyes tételek és eljárások ilyen egyszerű memorizálása, amelyet bemagolásnak nevezünk, viszonylag könnyen megvalósítható a számítógépen.
Nagyobb kihívást jelent az úgynevezett általánosítás megvalósítása. Az általánosítás a múltbeli tapasztalatok analóg új helyzetekre való alkalmazását jelenti.
Érvelés
Érvelni annyit jelent, mint a helyzetnek megfelelő következtetéseket levonni. A következtetéseket deduktív vagy induktív következtetésekbe soroljuk. A leglényegesebb különbség e következtetési formák között az, hogy a deduktív esetben a premisszák igazsága garantálja a következtetés igazságát, míg az induktív esetben a premisszák igazsága támogatást nyújt a következtetésnek anélkül, hogy abszolút bizonyosságot adna.
Az induktív érvelés gyakori a tudományban, ahol adatokat gyűjtenek, és előzetes modelleket dolgoznak ki a jövőbeli viselkedés leírására és előrejelzésére egészen addig, amíg a rendellenes adatok megjelenése a modell felülvizsgálatára nem kényszeríti. A deduktív érvelés a matematikában és a logikában gyakori, ahol a megdönthetetlen tételek bonyolult struktúráit építik fel az alapaxiómák és szabályok kis halmazából.
Jelentős sikereket értek el a számítógépek következtetések levonására való programozásában. A valódi következtetés azonban több mint egyszerű következtetések levonása: az adott feladat vagy helyzet megoldása szempontjából releváns következtetések levonása. Ez a mesterséges intelligencia egyik legnehezebb problémája.
Mesterséges intelligencia és a problémamegoldás
A problémamegoldás, különösen a mesterséges intelligenciában, úgy jellemezhető, mint a lehetséges cselekvések egy sorának szisztematikus keresése valamilyen előre meghatározott cél vagy megoldás elérése érdekében. A problémamegoldó módszerek speciális és általános célú módszerekre oszlanak.
A speciális célú módszer egy adott problémára van szabva, és gyakran kihasználja annak a helyzetnek a nagyon speciális jellemzőit, amelybe a probléma beágyazódik. Ezzel szemben az általános célú módszer a problémák széles körére alkalmazható. A mesterséges intelligenciában használt egyik általános célú technika az eszköz-vég elemzés – a jelenlegi állapot és a végső cél közötti különbség lépésről-lépésre vagy inkrementálisan történő csökkentése.
Sokféle problémát oldottak már meg mesterséges intelligencia programok. Néhány példa: a győztes lépés vagy lépéssorozat megtalálása egy társasjátékban, matematikai bizonyítások kidolgozása, és „virtuális tárgyak” manipulálása egy számítógép által generált világban.
Észlelések az AI-ban
Az észlelés során a környezetet különböző érzékszervek valódi, vagy mesterséges segítségével pásztázzuk. Majd a jelenetet különböző térbeli kapcsolatokban lévő különálló objektumokra bontjuk. Az elemzést nehezíti, hogy egy tárgy különbözőképpen jelenhet meg attól függően, hogy milyen szögből nézzük, milyen irányú és intenzitású a megvilágítás a jelenetben, és mennyire kontrasztos a tárgy a környező mezővel.
Jelenleg a mesterséges érzékelés eléggé fejlett ahhoz, hogy az optikai érzékelők segítségével egyéneket lehessen azonosítani, az autonóm járművek pedig mérsékelt sebességgel tudjanak közlekedni a nyílt úton.
A nyelv olyan jelek rendszere, amelyeknek egyezményes jelentése van
Ebben az értelemben a nyelvnek nem kell a beszélt szóra korlátozódnia. A nyelvek sajátossága, hogy a nyelvi egységek konvenció alapján rendelkeznek jelentéssel, és a nyelvi jelentés nagyban különbözik attól, amit természetes jelentésnek nevezünk. A teljes értékű emberi nyelvek fontos jellemzője a produktivitásuk. Egy produktív nyelv korlátlan számú mondatot képes megfogalmazni.
A ChatGPT-hez hasonló nagy nyelvi modellek képesek emberi nyelven folyékonyan válaszolni a kérdésekre és kijelentésekre. Bár az ilyen modellek valójában nem úgy értik a nyelvet, mint az emberek, hanem csupán kiválasztják azokat a szavakat, amelyek valószínűbbek, mint mások, mégis eljutottak arra a pontra, hogy nyelvtudásuk megkülönböztethetetlen egy normális emberétől.
Mi tehát a valódi megértés lényege, ha még egy olyan számítógépnek sem ismerik el, hogy úgy használja a nyelvet, mint egy emberi anyanyelvi beszélő? Erre a nehéz kérdésre nincs általánosan elfogadott válasz.
Módszerek és célok a mesterséges intelligenciában
A mesterséges intelligencia kutatása két különböző és bizonyos mértékig egymással versengő módszert követ:
- A szimbolikus (vagy „felülről lefelé” irányuló) megközelítést – A felülről lefelé irányuló megközelítés az intelligencia megismétlésére törekszik azáltal, hogy a megismerést az agy biológiai szerkezetétől függetlenül, a szimbólumok feldolgozásának szempontjából elemzi, innen a szimbolikus elnevezés.
- A konnekcionista (vagy „alulról felfelé” irányuló) megközelítést. Az alulról felfelé irányuló megközelítés ezzel szemben mesterséges neurális hálózatokat hoz létre az agy szerkezetét utánozva – innen a konnekcionista elnevezés.
A két megközelítés közötti különbség illusztrálására tekintsük egy olyan rendszer létrehozását, amely egy optikai szkennerrel felszerelve felismeri az ábécé betűit. Az alulról felfelé építkező megközelítés jellemzően egy mesterséges neurális hálózat betűk egyenkénti bemutatásával történő betanítását jelenti, és a hálózat „hangolásával” fokozatosan javítja a teljesítményt. A hangolás a különböző idegpályák különböző ingerekre való érzékenységét állítja be.
Ezzel szemben a felülről lefelé irányuló megközelítés jellemzően egy olyan számítógépes program megírását jelenti, amely az egyes betűket geometriai leírásokkal hasonlítja össze. Egyszerűen fogalmazva, az alulról felfelé irányuló megközelítés alapja az idegi aktivitás, míg a felülről lefelé irányuló megközelítésé a szimbolikus leírások.
Edward Thorndike, a New York-i Columbia Egyetem pszichológusa…
…A tanulás alapjai – Edward Thorndike (1932) című könyvében először vetette fel, hogy az emberi tanulás az agy neuronjai közötti kapcsolatok valamilyen ismeretlen tulajdonságából áll. A The Organization of Behavior (1949) című könyvében Donald Hebb, a montreali McGill Egyetem pszichológusa felvetette, hogy a tanulás konkrétan az idegi aktivitás bizonyos mintázatainak megerősítését jelenti, a kapcsolódó kapcsolatok közötti indukált idegsejt-tüzelés valószínűségének növelésével. A súlyozott kapcsolatok fogalmát egy későbbi fejezetben, a konnekcionizmusban ismertetjük.
1957-ben a szimbolikus mesterséges intelligencia két erőteljes szószólója – Allen Newell, a RAND Corporation (Santa Monica, Kalifornia) kutatója és Herbert Simon, a Carnegie Mellon University (Pittsburgh, Pennsylvania) pszichológusa és informatikusa – a felülről lefelé irányuló megközelítést az általuk fizikai szimbólumrendszer-hipotézisnek nevezett megközelítésben foglalta össze.
Ez a hipotézis azt állítja, hogy a szimbólumok struktúráinak feldolgozása elvileg elegendő ahhoz, hogy egy digitális számítógépben mesterséges intelligenciát hozzunk létre, sőt, az emberi intelligencia is ugyanilyen típusú szimbolikus manipulációk eredménye.
Az 1950-es és 60-as években a felülről lefelé és az alulról felfelé irányuló megközelítést egyszerre alkalmazták, és mindkettő figyelemre méltó, ha korlátozott eredményeket ért el. Az 1970-es években azonban az alulról felfelé irányuló mesterséges intelligenciát elhanyagolták, és csak az 1980-as években vált ismét előtérbe ez a megközelítés.
Napjainkban mindkét megközelítést követik, és mindkettő elismerten nehézségekkel küzd. A szimbolikus technikák egyszerűsített területeken működnek, de jellemzően összeomlanak, amikor a valós világgal szembesülnek. Eközben az alulról felfelé irányuló kutatók még a legegyszerűbb élőlények idegrendszerét sem tudták lemásolni.
Mesterséges általános intelligencia, alkalmazott mesterséges intelligencia és kognitív szimuláció
A fent vázolt módszerek alkalmazásával a mesterséges intelligencia-kutatás három cél egyikét próbálja elérni: mesterséges általános intelligencia (vagy AGI), alkalmazott mesterséges intelligencia vagy kognitív szimuláció. Az AGI más néven erős mesterséges intelligencia célja, hogy gondolkodó gépeket építsen.
Az AGI végső célja, hogy olyan gépet hozzon létre, amelynek általános szellemi képességei megkülönböztethetetlenek az emberétől. A mai napig az előrelépés csekély. Egyes kritikusok kételkednek abban, hogy a kutatások belátható időn belül akár egy hangya általános értelmi képességével rendelkező rendszert is létrehoznak. Sőt, a mesterséges intelligencia másik két ágában dolgozó kutatók egy része úgy véli, hogy az AGI-t nem érdemes folytatni.
Az alkalmazott mesterséges intelligencia, más néven fejlett információfeldolgozás célja, hogy kereskedelmi szempontból életképes „intelligens” rendszereket hozzon létre – például „szakértői” orvosi diagnosztikai rendszereket és tőzsdei kereskedési rendszereket. Az alkalmazott mesterséges intelligencia jelentős sikereket ért el.
A kognitív szimulációban a számítógépeket arra használják, hogy teszteljék az emberi elme működésével kapcsolatos elméleteket – például az arra vonatkozó elméleteket, hogy az emberek hogyan ismerik fel az arcokat vagy idézik fel az emlékeket. A kognitív szimuláció már ma is hatékony eszköz az idegtudományokban és a kognitív pszichológiában.
Reméljük ez a cikk kellő információval látott el a mesterséges intelligencia alapjait tekintve!
EZ IS ÉRDEKELHET:
- Kriptovaluta jelentése: A digitális pénz új korszaka
- Kripto árfolyam elemzése és értelmezése
- Útmutató a kriptovaluta befektetés világához
- Kriptovaluta vélemények: az új gazdaság forradalma vagy átverés?
- Kriptovaluta vásárlás a gyakorlatban
- Kriptovaluta árfolyam – Így navigálj az ingadozó digitális pénzek világában
- A kriptovaluta kereskedés alapjainak részletes bemutatása
- Mire jó a kriptovaluta és milyen lehet kripto a jövője?
- Hogyan működik a kriptobányászat? Légy hatékony és profitábilis!
- Megbízható kripto hirek forrása: merre keresgélj?
- Hogy működik a kriptovaluta a blokklánc technológián keresztül?
- Kriptovaluta kezdőknek – fontos tudnivalók
- Az ingyen kriptovaluta lehetőségek és az adatbiztonság
- 30 passzív jövedelem módszer
- Mi az a passzív pénzkereseti lehetőség pontosan?
- Melyek az online passzív jövedelem alternatívái?
