Maksud A.I dan Fungsi Artificial Intelligence

Artificial Intelligence -Penjelasan Sejarah A.I

 "AI" bermaksud Artificial Intelligence atau dalam maksud lain iaitu kecerdasan buatan. Untuk kegunaan lain, lihat maksud dan penjelasan AI (nyahkekaburan) dan kecerdasan Buatan (nyahkekaburan).

Kecerdasan buatan

• Matlamat utama
• Pemikiran pengetahuan
• Perancangan
• Pembelajaran mesin
• Pemprosesan bahasa semulajadi
• Visi komputer
• Robotik
• Kecerdasan umum buatan

Pendekatan

• Simbolik
• Pembelajaran yang mendalam
• Rangkaian Bayesian
• Algoritma evolusi

Falsafah

• Etika
• Risiko eksistensial
• Ujian TuringMasalah kawalan
• Mesra AI

Sejarah

• Garis masa
• Kemajuan
• Musim sejuk AI

Teknologi

• Permohonan
• Projek-projek
• Bahasa pengaturcaraan

Dalam sains komputer, kecerdasan buatan (AI), kadang-kadang dipanggil kecerdasan mesin, adalah kecerdasan yang ditunjukkan oleh mesin, berbeza dengan kecerdasan semula jadi yang ditunjukkan oleh manusia. Buku teks utama AI mendefinisikan bidang sebagai kajian "agen pintar": mana-mana peranti yang menganggap persekitarannya dan mengambil tindakan yang memaksimumkan peluangnya untuk mencapai matlamatnya. Secara umum, istilah "kecerdasan buatan" sering digunakan untuk menggambarkan mesin (atau komputer) yang meniru fungsi "kognitif" yang mengaitkan manusia dengan minda manusia, seperti "belajar" dan "menyelesaikan masalah".

Apabila mesin menjadi semakin berkemampuan, tugas-tugas yang dianggap memerlukan "kecerdasan" sering dikeluarkan dari definisi AI, suatu fenomena yang dikenali sebagai kesan AI. A quip dalam Theorem Tesler berkata "AI adalah apa yang belum dilakukan." Sebagai contoh, pengiktirafan aksara optik sering dikecualikan daripada perkara yang dianggap AI, setelah menjadi teknologi rutin. Keupayaan mesin moden yang umumnya diklasifikasikan sebagai AI termasuk berjaya memahami pidato manusia, bersaing di peringkat tertinggi dalam sistem permainan strategik (seperti bermain catur), kereta beroperasi autentik, laluan pintar dalam rangkaian penghantaran kandungan, dan simulasi tentera.

Kecerdasan buatan diasaskan sebagai disiplin akademik pada tahun 1956, dan pada tahun-tahun sejak itu telah mengalami beberapa gelombang optimisme, diikuti dengan kekecewaan dan kehilangan pendanaan (dikenali sebagai "musim sejuk AI"), diikuti dengan pendekatan baru, kejayaan dan pendanaan diperbaharui . Bagi sebahagian besar sejarahnya, penyelidikan AI telah dibahagikan kepada subfield yang sering gagal berkomunikasi antara satu sama lain. Sub-bidang ini berdasarkan pertimbangan teknikal, seperti matlamat tertentu (mis. "Robotik" atau "pembelajaran mesin"), penggunaan alat tertentu ("logik" atau rangkaian neural buatan), atau perbezaan falsafah yang mendalam. Subfield juga berdasarkan kepada faktor sosial (institusi tertentu atau kerja penyelidik tertentu).

Masalah tradisional (atau matlamat) penyelidikan AI termasuk pemikiran, perwakilan pengetahuan, perancangan, pembelajaran, pemprosesan bahasa semulajadi, persepsi dan keupayaan untuk bergerak dan memanipulasi objek. Kecerdasan am adalah antara matlamat jangka panjang lapangan. Pendekatan termasuk kaedah statistik, kecerdasan pengkomputeran, dan AI simbolik tradisional. Banyak alat digunakan dalam AI, termasuk versi carian dan pengoptimuman matematik, rangkaian saraf buatan, dan kaedah berdasarkan statistik, kebarangkalian dan ekonomi. Bidang AI merangkumi sains komputer, kejuruteraan maklumat, matematik, psikologi, linguistik, falsafah, dan banyak bidang lain.

Bidang ini diasaskan atas andaian bahawa kecerdasan manusia "boleh dijelaskan dengan tepat bahawa mesin boleh dibuat untuk mensimulasinya". Ini menimbulkan hujah-hujah filosofis mengenai sifat fikiran dan etika untuk mewujudkan makhluk-makhluk tiruan yang dikurniakan dengan kecerdasan seperti manusia. Isu-isu ini telah diterokai oleh mitos, fiksyen dan falsafah sejak zaman dahulu. Sesetengah orang juga menganggap AI menjadi bahaya kepada manusia jika ia terus berkembang. Yang lain percaya bahawa AI, tidak seperti revolusi teknologi sebelumnya, akan mewujudkan risiko pengangguran secara besar-besaran.

Pada abad kedua puluh satu, teknik AI telah mengalami kebangkitan semula berikutan kemajuan serentak dalam kuasa komputer, jumlah data yang banyak, dan pemahaman teoritis; dan teknik AI telah menjadi sebahagian penting dalam industri teknologi, membantu menyelesaikan banyak masalah yang mencabar dalam sains komputer, kejuruteraan perisian dan penyelidikan operasi.

Cabaran AI
Keupayaan kognitif arsitektur semasa adalah sangat terhad, hanya menggunakan versi yang mudah tentang kecerdasan apa yang sebenarnya mampu. Sebagai contoh, minda manusia telah menghasilkan cara-cara untuk menimbulkan penjelasan dan penjelasan logik kepada kejadian yang berlainan dalam kehidupan. Apa yang sememangnya mudah, masalah yang sama beratnya mungkin mencabar untuk menyelesaikan perhitungan berbanding dengan menggunakan minda manusia. Ini menimbulkan dua kelas model: structuralist dan functionalist. Model struktur bertujuan untuk meniru operasi kecerdasan asas minda seperti pemikiran dan logik. Model fungsional merujuk kepada data yang berkaitan dengan rakan niaga yang dikira.

Matlamat penyelidikan keseluruhan kecerdasan buatan adalah untuk mewujudkan teknologi yang membolehkan komputer dan mesin berfungsi dengan bijak. Masalah umum meniru (atau mencipta) kecerdasan telah dipecah menjadi sub-masalah. Ini terdiri daripada ciri-ciri atau keupayaan tertentu yang diharapkan oleh para penyelidik sistem pintar. Ciri-ciri yang diterangkan di bawah telah mendapat perhatian yang paling.

Sebab-sebab, penyelesaian masalah  
Penyelidik awal mengembangkan algoritma yang meniru penalaran langkah demi langkah yang digunakan manusia apabila mereka menyelesaikan teka-teki atau membuat potongan logik. Menjelang akhir 1980-an dan 1990-an, penyelidikan AI telah membangunkan kaedah untuk menangani maklumat yang tidak menentu atau tidak lengkap, menggunakan konsep dari kebarangkalian dan ekonomi.

Algoritma ini terbukti tidak mencukupi untuk menyelesaikan masalah penalaran besar, kerana mereka mengalami "letupan kombinatorial": mereka menjadi lebih pesat sebagai masalah semakin besar. Malah, manusia juga jarang menggunakan potongan langkah demi langkah bahawa penyelidikan awal AI mampu untuk model. Mereka menyelesaikan kebanyakan masalah mereka dengan menggunakan pertimbangan yang cepat dan intuitif.

Wakil Konsep Pengetahuan
Ontologi mewakili pengetahuan sebagai satu set konsep dalam domain dan hubungan antara konsep-konsep tersebut. Artikel utama: Perwakilan pengetahuan dan pengetahuan Commonsense.

Perwakilan pengetahuan dan kejuruteraan pengetahuan adalah pusat penyelidikan AI klasik. Sesetengah "sistem pakar" cuba mengumpulkan pengetahuan eksplisit yang dimiliki oleh pakar dalam beberapa domain yang sempit. Di samping itu, beberapa projek cuba mengumpul "pengetahuan pengertian" yang dikenali kepada orang biasa ke dalam pangkalan data yang mengandungi pengetahuan luas mengenai dunia. Di antara perkara-perkara yang asas pengetahuan pengetahuan yang komprehensif akan mengandungi: objek, sifat, kategori dan hubungan antara objek; situasi, peristiwa, negeri dan masa; sebab dan kesan; pengetahuan mengenai pengetahuan (apa yang kita tahu tentang apa yang orang tahu); dan banyak lagi, domain yang kurang dipelajari.

Perwakilan "apa yang wujud" adalah ontologi: set objek, hubungan, konsep, dan sifat yang secara rasmi digambarkan supaya agen perisian dapat menafsirkannya. Semantik ini ditangkap sebagai konsep logik, peranan dan individu logik, dan biasanya dilaksanakan sebagai kelas, sifat, dan individu dalam Bahasa Ontologi Web. Ontologi yang paling umum dipanggil ontologies atas, yang cuba menyediakan asas bagi semua pengetahuan lain dengan bertindak sebagai mediator antara domain ontologi yang meliputi pengetahuan khusus tentang domain pengetahuan tertentu (bidang minat atau bidang keprihatinan). Perwakilan pengetahuan formal seperti itu boleh digunakan dalam pengindeksan berasaskan kandungan dan pengambilan, tafsiran adegan, sokongan keputusan klinikal, penemuan pengetahuan (perlombongan "menarik" dan kesimpulan yang boleh diambil dari pangkalan data besar), dan kawasan lain. Antara masalah yang paling sukar dalam perwakilan pengetahuan ialah:

Pemikiran dan masalah kelayakan
Banyak perkara yang diketahui orang mengambil bentuk "andaian kerja". Sebagai contoh, jika burung muncul dalam perbualan, orang biasanya memaparkan haiwan yang bersaiz, menyanyi, dan lalat. Tak satu pun daripada perkara ini benar tentang semua burung. John McCarthy mengenal pasti masalah ini pada tahun 1969 sebagai masalah kelayakan: untuk apa-apa peraturan yang sopan bahawa penyelidik AI peduli untuk mewakili, terdapat cenderung untuk menjadi sejumlah besar pengecualian. Hampir tidak semestinya benar atau palsu dalam cara yang memerlukan logik abstrak. Penyelidikan AI telah meneroka beberapa penyelesaian untuk masalah ini.


Kelebihan ilmu pengetahuan
Bilangan fakta atom yang diketahui oleh orang biasa adalah sangat besar. Projek-projek penyelidikan yang cuba membina asas ilmu pengetahuan yang lengkap tentang pengetahuan umum (mis., Cyc) memerlukan sejumlah besar kejuruteraan ontologi yang susah-mereka harus dibina, dengan satu konsep rumit pada satu masa.


Bentuk subsymbolic dari beberapa ilmu pengetahuan 
Kebanyakan orang yang dikenali tidak diwakili sebagai "fakta" atau "kenyataan" yang mereka boleh menyatakan secara lisan. Sebagai contoh, tuan catur akan mengelakkan kedudukan catur tertentu kerana ia "terasa terlalu terdedah" atau pengkritik seni dapat melihat salah satu patung dan menyadari ia palsu. Ini adalah intuisi atau kecenderungan yang tidak sedar dan sub-simbol dalam otak manusia. Pengetahuan seperti ini memberitahu, menyokong dan menyediakan konteks untuk pengetahuan simbolik, sedar. Seperti halnya masalah penolakan sub-simbolik, diharapkan AI, kecerdasan pengkomputeran atau AI statistik akan menyediakan cara untuk mewakili pengetahuan seperti ini.

Perancangan
Sistem kawalan hierarki adalah satu bentuk sistem kawalan di mana satu set peranti dan perisian pentadbiran diatur dalam hierarki. Artikel utama: Perancangan dan penjadualan automatik.

Agen pintar mesti dapat menetapkan matlamat dan mencapainya. Mereka memerlukan cara untuk memvisualisasikan masa depan-perwakilan keadaan dunia dan dapat membuat ramalan tentang bagaimana tindakan mereka akan mengubahnya-dan dapat membuat pilihan yang memaksimumkan utiliti (atau "nilai") pilihan yang tersedia.

Dalam masalah perancangan klasik, ejen boleh menganggap bahawa ia adalah satu-satunya sistem yang bertindak di dunia, yang membolehkan ejen itu menentu akibat tindakannya. Walau bagaimanapun, jika ejen itu bukan satu-satunya pelakon, maka ia memerlukan ejen boleh membuat alasan di bawah ketidakpastian. Ini memerlukan ejen yang bukan sahaja dapat menilai persekitarannya dan membuat ramalan, tetapi juga menilai ramalannya dan menyesuaikan diri berdasarkan penilaiannya.

Perancangan pelbagai ejen menggunakan kerjasama dan persaingan dari banyak agen untuk mencapai matlamat yang diberikan. Tingkah laku yang memuaskan hati dan menyenangkan seperti ini digunakan oleh algoritma evolusi dan kepintaran dan keberanian.