Kako deluje umetna inteligenca?

1. Predstavitev modula

Cilji modula so:

•     Razumevanje razlik med različnimi vrstami umetne inteligence.
•     Preizkus delovanja strojnega učenja in nevronskih mrež.
•     Opredelitev ključnega mesta podatkov in pomen ustrezno pripravljenih podatkovnih nizov, zlasti za izobraževalna orodja, ki temeljijo na umetni inteligenci.

2. Okrepljeno z umetno inteligenco!

Videoposnetek vsebuje pregled različnih možnosti uporabe umetne inteligence, od katerih so nekatere precej nepričakovane. To gradivo se lahko uporablja tudi v razredu kot splošni pristop s humornim tonom.

3. Vrste umetne inteligence

V literaturi je mogoče zaslediti številne vrste umetne inteligence. Več o delitvah umetne inteligence preberite v naslednjih poglavjih.

3.1. Šibka ali močna umetna inteligenca?

 Šibka umetna inteligenca
To je umetna inteligenca, ki jo poznamo danes: gre za algoritem, ki se "uči" tako, da svoje parametre prilagaja učnim podatkom in ni obdarjen z umskimi in kognitivnimi sposobnostmi, vendar lahko določeno nalogo včasih opravi veliko učinkoviteje kot človek.

 Močna umetna inteligenca
Umetna inteligenca, ki bi bila sposobna kopirati človeške sposobnosti (učenje, razumevanje, dojemanje, sklepanje, odločanje, vest, čustva itd.) Tako imenovana "močna" umetna inteligenca, ki bi bila sposobna samostojnosti in vsestranskosti v nepričakovanih situacijah, je znanstveni cilj. Vendar pa trenutno obstajajo rezultati, ki kažejo, da je ta idealni cilj močne umetne inteligence (zaenkrat) tehnično nemogoč. Do danes močna umetna inteligenca še ne obstaja.

3.2. Simbolni pristop ali pristop strojnega učenja?

Na kaj se v okviru šibke umetne inteligence nanašata simbolni pristop ali pristop strojnega učenja?

 Simbolni pristop k umetni inteligenci
Znan tudi kot "na pravilih temelječa" ali "klasična" umetna inteligenca, ki temelji na logiki in apriornem znanju, ki ga zagotavljajo človeški strokovnjaki. Zgodovinsko gledano je simbolni pristop starejši, ustreza ekspertnim sistemom, v zadnjem času pa tako imenovanemu semantičnemu spletu.

Pristop strojnega učenja (ali digitalni pristop)
Znan tudi kot "digitalni" pristop, temelji na podatkih in učenju. Numerični pristop ali pristop strojnega učenja (ML) vključuje umetne nevronske mreže in globoko učenje, kadar je več plasti takšnih računalniških enot¹. Učinkovit je postal v zadnjem času in prav ta pristop nam omogoča samodejno prepisovanje besedil, ki jih narekujemo, ali prepoznavanje predmetov na slikah. Zahteva veliko podatkov in temelji na statističnih pristopih.

Odnos med umetno inteligenco, nevronskimi mrežami in globokim učenjem.

Prirejeno po: AI and education: Guidance for policy-makers, UNESCO, 2021

___________________

1. AI and education: Guidance for policy-makers - Miao Fengchun, Holmes Wayne, Ronghuai Huang, Hui Zhang - ISBN: 978-92-3-100447-6 - UNESCO, 2021 ↩

3.3. Pristop nadzorovanega ali nenadzorovanega učenja?

V okviru pristopov strojnega učenja se sistemi umetne inteligence delijo na dve različici, odvisno od načina uporabe podatkov za njihovo usposabljanje²:

Nadzorovano učenje

"Nadzorovano učenje se nanaša na uporabo označenih podatkov (na primer slik, na katerih je navedeno, ali so na njih mačke ali ne, kot smo to spoznali v vaji https://pixees.fr/classcodeiai/app/tuto1/?lang=en ) za usposabljanje algoritmov. Ti pristopi oblikujejo lastne metode za napovedovanje, kako naj bodo slike označene."

Nenadzorovano učenje
 "Nenadzorovano učenje se lahko uporablja, kadar ni na voljo kakovostnih označenih podatkov. Odlikuje jih iskanje novih grozdov in povezav v podatkih, ki jih ljudje sicer ne bi prepoznali ali označili. Ker so oznake pogosto nepopolne ali nenatančne, številne aplikacije, kot so sistemi za priporočanje vsebine, združujejo tako nadzorovane kot nenadzorovane pristope strojnega učenja."

Primer:
Veliko mehanizmov umetne inteligence danes deluje z nadzorovanim učenjem. Da bi opisali, kako deluje, si predstavljajmo, da želimo umetno inteligenco naučiti prepoznati mačko na sliki.

V ta namen bomo zagotovili veliko podatkov, in sicer veliko slik, na katerih je mogoče videti mačko, in veliko slik, na katerih mačke ni mogoče videti, tako da izračun prilagodi svoje parametre, da bi dal izhodno vrednost, ki ustreza prisotnosti ali odsotnosti mačke. Vse te slike so vhodni podatki, pričakovani rezultat, ali je na sliki mačka ali ne, pa izhodni podatki. Ti "vhodni" in "izhodni" podatki so edine informacije, ki so na voljo za njegovo usposabljanje.

Izračunski mehanizem mora zato prilagoditi notranje parametre (kot so krmilni gumbi fotoaparata), da ugotovi, ali je na sliki mačka ali ne. Prvič bo na voljo naključen in zato najverjetneje napačen rezultat, nato pa bo mehanizem postopoma opazil napake in z zaporednimi poskusi prilagodil parametre, da bi jih zmanjšal. Ta proces je znan kot strojno učenje.

Pravzaprav veliko aplikacij umetne inteligence uporablja strojno učenje in skoraj vedno nekaj simbolne umetne inteligence v ozadju. Na primer, številne aplikacije klepetalnih robotov so vnaprej programirane s pravili, ki jih je določil človek, o tem, kako odgovoriti na predvidena vprašanja. Aktualna tema raziskav je ugotoviti, kako združiti simbolični pristop in pristop strojnega učenja.

______________________

2. Artificial intelligence: How does it work, why does it matter, and what can we do about it? - Philip Boucher, Scientific Foresight Unit (STOA) - ISBN: 978-92-846-6770-3 - European Union, 2020 ↩

3.4. Preveri razumevanje

V naslednji dejavnosti morate prepoznati različne vrste umetne inteligence in razmerja med njimi.

3.5. Kaj zmore strojno razumevanje?

Izberite pravilne odgovore!

3.6. Katere so značilnosti simbolne umetne inteligence?

Izberite pravilne trdive!