Η τεχνητή νοημοσύνη στην ελλαδα μπορει και αξιοποιεί υπολογιστές και μηχανές για να μιμηθεί τις ικανότητες επίλυσης προβλημάτων και λήψης αποφάσεων του ανθρώπινου μυαλού.
Τι είναι η τεχνητή νοημοσύνη;
Ενώ αρκετοί ορισμοί της τεχνητής νοημοσύνης (AI) έχουν εμφανιστεί τις τελευταίες δεκαετίες, ο John McCarthy προσφέρει τον ακόλουθο ορισμό σε έγγραφο του 2004 ,
“Είναι η επιστήμη και η μηχανική του κατασκευή ευφυών μηχανών, ιδιαίτερα ευφυών προγραμμάτων υπολογιστών.
Σχετίζεται με το παρόμοιο έργο της χρήσης υπολογιστών για την κατανόηση της ανθρώπινης νοημοσύνης, αλλά η τεχνητή νοημοσύνη δεν χρειάζεται να περιοριστεί σε μεθόδους που είναι βιολογικά παρατηρήσιμες».
Ωστόσο, δεκαετίες πριν από αυτόν τον ορισμό, η γέννηση της συνομιλίας τεχνητής νοημοσύνης υποδηλώθηκε από το θεμελιώδες έργο του Alan Turing, ” Υπολογιστική Μηχανή και Νοημοσύνη το οποίο δημοσιεύτηκε το 1950. Το paper, ο Turing, που συχνά αναφέρεται ως ο «πατέρας της επιστήμης των υπολογιστών», θέτει την ακόλουθη ερώτηση, «Μπορούν οι μηχανές να σκεφτούν;»
Από εκεί, προσφέρει ένα τεστ, γνωστό πλέον ως «Turing Test», όπου ένας ανθρώπινος παραγονυθα προσπαθούσε να διακρίνει μεταξύ μιας απάντησης σε υπολογιστή και ανθρώπινου κειμένου.
Αν και αυτό το τεστ έχει υποβληθεί σε μεγάλο έλεγχο από τη δημοσίευσή του, παραμένει ένα σημαντικό μέρος της ιστορίας της τεχνητής νοημοσύνης καθώς και μια συνεχής έννοια στη φιλοσοφία, καθώς χρησιμοποιεί ιδέες γύρω από τη γλωσσολογία.
Ο Stuart Russell και ο Peter Norvig προχώρησαν στη δημοσίευση του Artificial Intelligence: A Modern Approach και έγινε ένα από τα κορυφαία εγχειρίδια στη μελέτη της τεχνητής νοημοσύνης. Σε αυτό, εμβαθύνουν σε τέσσερις πιθανούς στόχους ή ορισμούς της τεχνητής νοημοσύνης, που διαφοροποιεί τα συστήματα υπολογιστών με βάση τον ορθολογισμό και τη σκέψη έναντι της δράσης:
Συστήματα που σκέφτονται σαν άνθρωποι
Συστήματα που λειτουργούν σαν άνθρωποι
Ιδανική προσέγγιση:
Συστήματα που σκέφτονται ορθολογικά – Συστήματα που ενεργούν ορθολογικά
Ο ορισμός του Alan Turing θα έπεφτε στην κατηγορία των «συστημάτων που ενεργούν σαν άνθρωποι».
Στην απλούστερη μορφή της, η τεχνητή νοημοσύνη είναι ένα πεδίο που συνδυάζει την επιστήμη των υπολογιστών και ισχυρά σύνολα δεδομένων, για να επιτρέψει την επίλυση προβλημάτων. Περιλαμβάνει επίσης υποπεδία της μηχανικής μάθησης και της βαθιάς μάθησης, τα οποία αναφέρονται συχνά σε συνδυασμό με την τεχνητή νοημοσύνη. Αυτοί οι κλάδοι αποτελούνται από αλγόριθμους τεχνητής νοημοσύνης που επιδιώκουν να δημιουργήσουν έμπειρα συστήματα που κάνουν προβλέψεις ή ταξινομήσεις βάσει δεδομένων εισόδου.
Σήμερα, πολλή διαφημιστική εκστρατεία εξακολουθεί να περιβάλλει την ανάπτυξη της τεχνητής νοημοσύνης, η οποία αναμένεται από κάθε νέα αναδυόμενη τεχνολογία στην αγορά. Όπως σημειώνεται στον κύκλο διαφημιστικής εκστρατείας της Gartner (ο σύνδεσμος βρίσκεται εκτός της IBM), καινοτομίες προϊόντων, όπως αυτοκίνητα αυτόματης οδήγησης και προσωπικοί βοηθοί, ακολουθούν «μια τυπική εξέλιξη της καινοτομίας, από τον υπερβολικό ενθουσιασμό σε μια περίοδο απογοήτευσης έως την τελική κατανόηση της συνάφειας και του ρόλου της καινοτομίας σε μια αγορά ή τομέα.” Όπως σημειώνει ο Lex Fridman εδώ (01:08:15) (ο σύνδεσμος βρίσκεται εκτός IBM) στη διάλεξή του στο MIT το 2019, βρισκόμαστε στην κορυφή των διογκωμένων προσδοκιών, πλησιάζοντας στο κατώτατο σημείο της απογοήτευσης.
Καθώς αναδύονται συζητήσεις γύρω από την ηθική της τεχνητής νοημοσύνης, μπορούμε να αρχίσουμε να βλέπουμε τις αρχικές αναλαμπές της κοιλάδας της απογοήτευσης. Για να διαβάσετε περισσότερα σχετικά με τη θέση της IBM στη συζήτηση σχετικά με την ηθική της τεχνητής νοημοσύνης , διαβάστε περισσότερα εδώ .
Τύποι τεχνητής νοημοσύνης—αδύναμο AI έναντι ισχυρού AI
Η αδύναμη τεχνητή νοημοσύνη —που ονομάζεται επίσης στενή τεχνητή νοημοσύνη ή τεχνητή στενή νοημοσύνη (ANI)— είναι εκπαιδευμένη και εστιασμένη στην τεχνητή νοημοσύνη για την εκτέλεση συγκεκριμένων εργασιών. Η αδύναμη τεχνητή νοημοσύνη οδηγεί το μεγαλύτερο μέρος της τεχνητής νοημοσύνης που μας περιβάλλει σήμερα. Το “Narrow” μπορεί να είναι πιο ακριβής περιγραφή για αυτόν τον τύπο τεχνητής νοημοσύνης, καθώς είναι κάθε άλλο παρά αδύναμο. Επιτρέπει ορισμένες πολύ ισχυρές εφαρμογές, όπως το Siri της Apple, το Alexa της Amazon, το IBM Watson και αυτόνομα οχήματα.
Το Strong AI αποτελείται από την Τεχνητή Γενική Νοημοσύνη (AGI) και την Τεχνητή Σούπερ Νοημοσύνη (ASI).
Η τεχνητή γενική νοημοσύνη (AGI), ή γενική τεχνητή νοημοσύνη, είναι μια θεωρητική μορφή τεχνητής νοημοσύνης όπου μια μηχανή θα έχει νοημοσύνη ίση με αυτή των ανθρώπων. θα είχε μια συνειδητή αυτογνωσία που έχει την ικανότητα να λύνει προβλήματα, να μαθαίνει και να σχεδιάζει το μέλλον.
Η Τεχνητή Σούπερ Νοημοσύνη (ASI)—γνωστή και ως υπερευφυΐα—θα ξεπερνούσε την ευφυΐα και την ικανότητα του ανθρώπινου εγκεφάλου. Ενώ η ισχυρή τεχνητή νοημοσύνη εξακολουθεί να είναι εντελώς θεωρητική χωρίς πρακτικά παραδείγματα που χρησιμοποιούνται σήμερα, αυτό δεν σημαίνει ότι οι ερευνητές της τεχνητής νοημοσύνης δεν εξερευνούν επίσης την ανάπτυξή της. Εν τω μεταξύ, τα καλύτερα παραδείγματα ASI μπορεί να είναι από επιστημονική φαντασία, όπως ο HAL, ο υπεράνθρωπος, απατεώνας βοηθός υπολογιστή στο 2001: A Space Odyssey.
Βαθιά μάθηση έναντι μηχανικής μάθησης
Δεδομένου ότι η βαθιά μάθηση και η μηχανική μάθηση τείνουν να χρησιμοποιούνται εναλλακτικά, αξίζει να σημειωθούν οι αποχρώσεις μεταξύ των δύο. Όπως αναφέρθηκε παραπάνω, τόσο η βαθιά μάθηση όσο και η μηχανική μάθηση είναι υποπεδία της τεχνητής νοημοσύνης και η βαθιά μάθηση είναι στην πραγματικότητα ένα υποπεδίο της μηχανικής μάθησης.
Οπτική αναπαράσταση του τρόπου με τον οποίο το AI, ML και DL σχετίζονται μεταξύ τους
Η βαθιά μάθηση στην πραγματικότητα αποτελείται από νευρωνικά δίκτυα. Το “Deep” στη βαθιά μάθηση αναφέρεται σε ένα νευρωνικό δίκτυο που αποτελείται από περισσότερα από τρία επίπεδα – τα οποία θα περιλαμβάνουν τις εισόδους και τις εξόδους – μπορεί να θεωρηθεί αλγόριθμος βαθιάς μάθησης. Αυτό αναπαρίσταται γενικά χρησιμοποιώντας το ακόλουθο διάγραμμα:
Διάγραμμα Βαθύ Νευρωνικού Δικτύου
Ο τρόπος με τον οποίο η βαθιά μάθηση και η μηχανική μάθηση διαφέρουν είναι στο πώς μαθαίνει κάθε αλγόριθμος.
Η βαθιά εκμάθηση αυτοματοποιεί μεγάλο μέρος του τμήματος εξαγωγής χαρακτηριστικών της διαδικασίας, εξαλείφοντας μέρος της χειροκίνητης ανθρώπινης παρέμβασης που απαιτείται και επιτρέποντας τη χρήση μεγαλύτερων συνόλων δεδομένων. Μπορείτε να σκεφτείτε τη βαθιά μάθηση ως «κλιμακούμενη μηχανική μάθηση», όπως σημείωσε ο Lex Fridman στην ίδια διάλεξη του MIT από πάνω. Η κλασική ή «μη βαθιά» μηχανική μάθηση εξαρτάται περισσότερο από την ανθρώπινη παρέμβαση για μάθηση.
Οι ειδικοί στον άνθρωπο καθορίζουν την ιεραρχία των χαρακτηριστικών για να κατανοήσουν τις διαφορές μεταξύ των εισροών δεδομένων, που συνήθως απαιτούν περισσότερα δομημένα δεδομένα για την εκμάθηση.
Η “βαθιά” μηχανική εκμάθηση μπορεί να αξιοποιήσει επισημασμένα σύνολα δεδομένων, γνωστά και ως εποπτευόμενη μάθηση, για να ενημερώσει τον αλγόριθμό της, αλλά δεν απαιτεί απαραίτητα ένα επισημασμένο σύνολο δεδομένων.
Μπορεί να απορροφήσει μη δομημένα δεδομένα στην ακατέργαστη μορφή τους (π.χ. κείμενο, εικόνες) και μπορεί να καθορίσει αυτόματα την ιεραρχία των χαρακτηριστικών που διακρίνουν διαφορετικές κατηγορίες δεδομένων μεταξύ τους. Σε αντίθεση με τη μηχανική μάθηση, δεν απαιτείται ανθρώπινη παρέμβαση για την επεξεργασία δεδομένων, επιτρέποντάς μας να κλιμακώνουμε τη μηχανική μάθηση με πιο ενδιαφέροντες τρόπους.
Εφαρμογές τεχνητής νοημοσύνης
Υπάρχουν πολλές, πραγματικές εφαρμογές συστημάτων τεχνητής νοημοσύνης σήμερα. Παρακάτω είναι μερικά από τα πιο κοινά παραδείγματα:
Αναγνώριση ομιλίας: Είναι επίσης γνωστή ως αυτόματη αναγνώριση ομιλίας (ASR), αναγνώριση ομιλίας υπολογιστή ή ομιλία σε κείμενο και είναι μια δυνατότητα που χρησιμοποιεί την επεξεργασία φυσικής γλώσσας (NLP) για την επεξεργασία της ανθρώπινης ομιλίας σε γραπτή μορφή. Πολλές κινητές συσκευές ενσωματώνουν αναγνώριση ομιλίας στα συστήματά τους για τη διεξαγωγή φωνητικής αναζήτησης—π.χ. Siri—ή παρέχουν μεγαλύτερη προσβασιμότητα σχετικά με την αποστολή γραπτών μηνυμάτων.
Εξυπηρέτηση πελατών: Οι διαδικτυακοί εικονικοί πράκτορες αντικαθιστούν τους ανθρώπινους πράκτορες κατά τη διάρκεια της διαδρομής των πελατών.
Απαντούν σε συχνές ερωτήσεις (FAQ) γύρω από θέματα, όπως η αποστολή, ή παρέχουν εξατομικευμένες συμβουλές, διασταυρούμενες πωλήσεις προϊόντων ή προτείνουν μεγέθη στους χρήστες, αλλάζοντας τον τρόπο με τον οποίο σκεφτόμαστε την αφοσίωση των πελατών σε ιστότοπους και πλατφόρμες μέσων κοινωνικής δικτύωσης.
Παραδείγματα περιλαμβάνουν bots ανταλλαγής μηνυμάτων σε ιστότοπους ηλεκτρονικού εμπορίου με εικονικούς πράκτορες , εφαρμογές ανταλλαγής μηνυμάτων, όπως το Slack και το Facebook Messenger, και εργασίες που συνήθως εκτελούνται από εικονικούς βοηθούς και βοηθούς φωνής .
Computer vision: Αυτή η τεχνολογία AI επιτρέπει σε υπολογιστές και συστήματα να αντλούν σημαντικές πληροφορίες από ψηφιακές εικόνες, βίντεο και άλλες οπτικές εισόδους και με βάση αυτές τις εισόδους, μπορεί να αναλάβει δράση. Αυτή η ικανότητα παροχής συστάσεων το διακρίνει από τις εργασίες αναγνώρισης εικόνων.
Με την υποστήριξη συνελικτικών νευρωνικών δικτύων, η όραση υπολογιστή έχει εφαρμογές για την προσθήκη ετικετών φωτογραφιών στα μέσα κοινωνικής δικτύωσης, την ακτινολογική απεικόνιση στην υγειονομική περίθαλψη και τα αυτοοδηγούμενα αυτοκίνητα στην αυτοκινητοβιομηχανία.
Μηχανές συστάσεων: Χρησιμοποιώντας δεδομένα συμπεριφοράς προηγούμενης κατανάλωσης, οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να βοηθήσουν στην ανακάλυψη τάσεων δεδομένων που μπορούν να χρησιμοποιηθούν για την ανάπτυξη πιο αποτελεσματικών στρατηγικών cross-selling.
Αυτό χρησιμοποιείται για την παροχή σχετικών συστάσεων πρόσθετων στους πελάτες κατά τη διαδικασία ολοκλήρωσης αγοράς για διαδικτυακούς λιανοπωλητές.
Αυτοματοποιημένες συναλλαγές μετοχών: Σχεδιασμένες για να βελτιστοποιούν τα χαρτοφυλάκια μετοχών, οι πλατφόρμες συναλλαγών υψηλής συχνότητας που βασίζονται σε τεχνητή νοημοσύνη πραγματοποιούν χιλιάδες ή και εκατομμύρια συναλλαγές την ημέρα χωρίς ανθρώπινη παρέμβαση.
