Written by

Šta je u stvari vještačka inteligencija?

m:ovo m:ono| Views: 73

Ukoliko bar donekle pratite dešavanja u nauci i tehnologiji onda ste na izraz vještačka inteligencija naišli nebrojeno mnogo puta. Vještačka inteligencija je predstavljena kao nešto što će nam u potpunosti promijeniti živote, ali prije nego što se to zaista desi važno je da znate šta u stvari jeste, a šta nije vještačka inteligencija.

Definisanje inteligencije kao takve može biti prilično nezgodno ali ključni atributi kojima bi je mogli opisati su svakako logika, rezonovanje, konceptualizacija, samosvijest, učenje, emocionalno znanje, planiranje, kreativnost, apstraktno razmišljanje te rješavanje problema. Od tih atributa prelazimo na ideju sebe, osjećaje i postojanje. Na osnovu ovoga dalo bi se zaključiti da je vještačka inteligencija mašina koja posjeduje jednu ili više navedenih karakteristika.

Bez obzira ne to kako to definišete, jedan od glavnih aspekata vještačke inteligencije (AI) je svakako učenje, jer da bi mašina pokazala bilo kakvu inteligenciju ona mora biti u stanju da nauči nešto ovo i to je ključ.

Kada većina kompanija koje se bave tehnologijom pričaju o AI oni u stvari govore mašinskom učenju, odnosno sposobnosti mašina da uče na osnovu prijašnjih iskustava da bi promijenili ishode nekih budućih odluka. To je ono kako bi ljudi trebalo da razmišljaju.  Na Univerzitetu Stanford, mašinsko učenje definišu kao nauku koja omogućava mašinama da djeluju iako nisu u potpunosti programirane.

Mašinsko učenje

U ovom kontekstu sva prijašnja iskustva su skupovi podataka, postojećih primjera koji se mogu koristiti kao platforme za obuku. Ovi skupvi podataka su različiti i mogu biti veoma obimni u zavisnosti od područja primjene. Na primjer, algoritam za učenje mašina se može hraniti velikom količinom fotografija u vezi pasa, a glavni cilj bi mogao biti da mašina nauči da raspoznaje različite pasmine.

Mašinsko učenje ima dvije odvojene faze: obuku i zaključak. Obuka oduzima mnogo više vremena i može biti resurs. Izvođenje zaključaka o ovim podacima je pak prilično jednostavno i predstavlja suštinsku tehnologiju koja se krije iza računarske vizije prepoznavanja glasa te zadataka obrade jezika. Danas se u svrhe mašinskog učenja najčešće koriste tehnike koje su poznate pod imenom duboke neuronske mreže.

 Duboke neuronske mreže

Tradicionalno, kompjuterski programi se grade pomoću logičkih izjava koje na neki način testiraju uslove (ako, i, ili…), ali neurosnke mreže su drugačije, one se grade obukama mreža neurona samo sa podacima. Njihov dizajn je veoma komplikovan, ali jednostavno rečeno, sastoji se od skupa brojeva između neurona u mreži.  Prije početka obuke, težina se postavi na skup malih brojeva. Tokom same obuke duboka neuronska mreža će prikazivati brojne primjere izlaza i ulaza, a finalne informacije bi trebalo da predstavljaju ono što je stvarno naučeno od strane mreže.

Cloud

Danas se većina DNN treninga i zaključaka dešava upravo na cloud-u. Na primjer, kada koristite glasovno prepoznavanje na vašem pametnom telefonu, vaš glas se snima na uređaj i šalje se na cloud da bi ga procesuirao server za mašinsko učenje. Kada se podaci obrade oni se vraćaju u vidu željenog odgovora.

Prednost korištenja cloud-a jeste da provajder usluge može jednostavno da apdejtuje nauralnu mrežu sa boljim modelima, ali postoji i nkeoliko nedostataka u ovom pristupu koji uključuje vremensku razliku, rizik po privatnosti još mnogo toga.