A legutóbbi cikkben megpróbáltuk megérteni, mi is pontosan a mesterséges intelligencia. Mivel a mesterséges intelligencia olyan technológia, amelynek célja az emberi viselkedés utánzása, nyugodtan mondhatjuk, hogy a mesterséges intelligencia ágai azokból az entitásokból fognak állni, amelyek megkülönböztetnek minket a gépektől. Röviden ismertessük tehát a mesterséges intelligencia ágait, és próbáljuk meg összefüggésbe hozni őket az emberi tevékenységekkel!
1.Gépi tanulás: Ez az a technika, amely lehetővé teszi a számítógép számára, hogy elegendő adatot szolgáltatva magától tanuljon. Az emberekhez hasonlóan a gépi tanulás is betanít egy rendszert arra, hogy a múltbeli tapasztalatok felhasználásával megjósoljon egy eredményt. Egy gépi tanuló algoritmus felismeri a mintákat az adott adatokban, betanít egy modellt, és megjósolja az eredményt anélkül, hogy kifejezetten be kellene programozni ugyanerre.
Az egyik professzorom egy figyelemre méltó példával támasztotta alá, hogy a gépi tanulás olyan, mint amikor egy csecsemőt betanítunk arra, hogy szembenézzen a világgal. Egy csecsemő odamegy egy gyertya közelébe, megégeti az ujját, és most megsérült! Nem tudta pusztán érvelni, hogy mi történt. Társítsuk ezt egy algoritmus betanításával. Amikor a gyertya másodszor is megégeti az ujját, a baba most már óvatos, és tudja, mi okozhatta az égést. Ez így mehet egy darabig, amíg a baba végül rájön, hogy a gyertya lángja az oka annak, hogy az ujja megégett. Most, hogy a “modellünk” felépült, teszteljük le. Amikor a baba legközelebb gyertya közelébe kerül, tudja, hogy a láng árthat neki, és teljesen elkerüli azt. Nyugodtan mondhatjuk, hogy a modellünket sikeresen betanítottuk! Pontosan így zajlik a gépi tanulás.
2. Neurális hálózatok: Tekintettel arra, hogy már egy ideje divatos szó, a neurális hálózat néhányunk számára bonyolult kifejezésnek tűnhet. Higgye el, ha a matematikát félretéve egy neurális hálózat meglehetősen egyszerűen érthető. Mindössze annyit kell tennie, hogy a modellt az első rétegben bemenetekkel táplálja, meghatározza a rejtett rétegeket, és a kimenet lenne az utolsó réteg. A rejtett rétegek feladata, hogy a megadott bemenetből fontos információkat vonjanak ki, hogy megjósolják az eredményt. A rejtett rétegek számát tetszőlegesen megválaszthatjuk, de óvatosnak kell lennünk, mert ez túlillesztéshez vezethet, ami viszont megzavarhatja a modellünk pontosságát.
Ha ismeri a neuron biológiáját, a neurális hálózatok talán könnyebben megérthetők. A bemeneti réteg, mint a dendrit, a receptor, amely befogadja a bemenetet, a neuron feldolgozza az információt, mint a rejtett rétegek, az axon pedig továbbítja a feldolgozott jeleket, és úgy viselkedik, mint a kimeneti réteg.
3. Robotika: A robotika azért érdekes, mert a gépészet, az elektrotechnika, az informatika és számos más tudományterület összeolvadása. A robotok tervezésével, gyártásával és működtetésével foglalkozik, hogy elvégezzék azokat a feladatokat, amelyekre építették.
A robotok egy intelligens rendszer “teste”, a programmal és annak eredményeivel összehangolva egy adott funkciót lát el, egészen hasonlóan az emberi test csont- és izomrendszeréhez, nem? Elképesztő látni, hogy a robotokat hogyan lehet olyan élethűen megépíteni, mint Szófiát, nem messze a nap, amikor nekünk, embereknek végre lehet egy robot a barátunk!
4.Szakértői rendszer: Most már tudjuk, hogyan lehet egy gépet úgy programozni, hogy úgy tanuljon, mint egy ember, de elgondolkodtunk már azon, hogyan lehet egy gépet úgy gondolkodni, mint egy ember? Nos, itt jönnek a képbe a szakértői rendszerek. A szakértői rendszer egy olyan alkalmazás, amely lehetővé teszi, hogy a számítógép utánozza az emberek döntéshozatali képességét. A szakértői rendszer három összetevője a felhasználói felület, a következtetőmotor és a tudásbázis.
A felhasználói felület a szemünkhöz hasonlóan fogadja a felhasználó lekérdezését, és továbbítja azt a következtetőmotornak. A következtetési motor olyan, mint az agyunk, a probléma megoldásához meghatározott szabálysorozattal rendelkezik, és a tudásbázisra hivatkozik az érveléshez. A tudásbázis olyan, mint a memóriánk, az adott terület szakértőitől szerzett információk hatalmas tárháza. Ezért egy szakértői rendszer sikere nagymértékben függ a tudás pontosságától.
5. Fuzzy logika: Mi, emberek nagymértékben ki vagyunk téve annak, hogy dilemma elé kerülünk, ezért csak az lenne igazságos, ha az általunk tervezett rendszereket is az ilyen helyzetekre képeznénk ki. A fuzzy logika olyan technika, amely a bizonytalansággal rendelkező problémák megoldásával foglalkozik. Képzeljük el, hogy felnézünk az égre, és egy szép napsütéses napon néhány sötétszürke felhőt látunk. Zavaró, igaz?
Meg tudnád határozni, hogy esni fog-e vagy sem? Meg tudnád mondani, hogy “határozott igen” vagy “határozott nem”? Itt a fuzzy logika segít neked! A Boole-algebrától eltérően a fuzzy logika nem igényli az ‘Igaz’ vagy ‘Hamis’ abszolút értékeket. Sőt, a fuzzy logikában olyan köztes értékek is lehetnek, mint a “részben igaz” vagy a “részben hamis”. A fuzzy architektúra négy összetevőből áll: a szabálybázisból, a fuzzyifikációból, a következtető motorból és a defuzzifikációból. A szabálybázis a szakértők által a döntéshozatalhoz megadott szabályok és ha-akkor feltételek halmazából áll. A fuzzifikációt arra használják, hogy az éles bemeneteket (a rendszerbe feldolgozásra átadott értékeket) fuzzy halmazokká alakítsák át. A következtetési rendszer ezután meghatározza az egyes szabályok megfelelési fokát, és ennek megfelelően eldönti, hogy mely szabályokat kell használni. Az elsütött bemenetek ezután kombinálódnak a vezérlési műveletek kialakításához. A defuzzifikáció a következtető rendszerből kapott fuzzy halmazokat éles értékekké alakítja, majd kimenetként továbbítja.
6. Természetes nyelvi feldolgozás: Próbált már kommunikálni valakivel, aki nem beszéli az Ön nyelvét, és nem értette Önt? Elég nagy kihívás, igaz? Most képzelje el, hogy megpróbál kommunikálni egy számítógéppel, nem még nagyobb kihívás? Mit jelentenek a szavak és mondatok egy olyan számítógép számára, amely csak a nullák és egyesek nyelvét érti? Talán nem tűnik könnyű feladatnak megtanítani a gépeket arra, hogy megértsék a kommunikációnkat. Nos, igen és nem.
Azt a folyamatot, amelynek során egy gép olvasni, megfejteni, megérteni és értelmet adni az emberi kommunikációnak, természetes nyelvi feldolgozásnak nevezzük. Dióhéjban a természetes nyelvi rendszer a következőképpen működik- Az ember mond valamit a gépnek, a gép rögzíti a hangot, és a hangot szöveggé alakítja. Az NLP rendszer ezután elemzi a szöveget összetevőkre, megérti a beszélgetés kontextusát és a személy szándékát. Az eredmények alapján a gép meghatározza, hogy melyik parancsot kell végrehajtani. Az emberek pontosan így kommunikálnak, meghallgatjuk, hogy mit mond a másik, megpróbáljuk megérteni a beszédének jelentését, majd ugyanabban a kontextusban megfelelő választ adunk. Igaz?
Azt hiszem, nyugodtan kijelenthetjük, hogy a mesterséges intelligencia még szórakoztatóbb, ha megpróbáljuk összefüggésbe hozni az emberi tevékenységekkel. Nem értesz egyet? Nos, ennyit erről a cikkről. A következőben a mesterséges intelligencia néhány alkalmazásáról fogok beszámolni, maradjatok velünk!