Jump to content

Inteligjenca artificiale

Nga Wikipedia, enciklopedia e lirë
(Përcjellë nga Artificial Intelligence)

Inteligjenca artificiale (IA) i referohet aftësisë së një kompjuteri për të kryer funksione dhe arsyetime që aktualisht janë tipike vetëm të mendjes njerëzore. Shpesh termi i referohet edhe degës së shkencës kompjuterike që ka për qëllim krijimin e saj. Tekstet e librave përkufizojnë këtë fushë si "studimi dhe krijimi i agjentëve inteligjent " [1][2] ku një agjent inteligjent është një sistem që e percepton mjedisin e tij dhe merr masa për të maksimizuar shanset e tij për sukses .[3] John McCarthy, i cili përdori i pari këtë term më 1956,[4] e përkufizon si "shkenca dhe inxhinieria e bërjes së makinave inteligjente " .[5]

Teknologjia IA përdoret gjerësisht në të gjitha industritë, qeveritë dhe shkencë. Disa zbatime të profilit të lartë janë: motorët e përparuar të kërkimit në ueb (p.sh. Google Search ), sistemet e rekomandimeve (të përdorura nga YouTube, Amazon dhe Netflix ), të kuptuarit e të folurit njerëzor (si Siri dhe Alexa ), makina vetë-drejtuese (p.sh. Waymo ), mjete gjeneruese ose krijuese (Arti ChatGPT dhe IA ) dhe konkurrimi në nivelin më të lartë në lojërat strategjike (të tilla si shahu dhe Go). [6]

Fusha u themelua mbi pohimin se një veti qendrore e njerëzve, inteligjenca (urtësia e njeriut) mund të përshkruhet me hollësi të mjaftueshme sa të mund të simulohet nga një makinë .[7] Kjo ngre çështje filozofike për natyrën e mendjes dhe etikën e krijimit të qenieve artificiale, çështje të cilat janë trajtuar nga miti, trillimi dhe filozofia që në lashtësi.[8]

Në lashtësi, krijimi i makinave dhe qenieve artificiale janë paraqitur në mitet greke, si Talosi i Kretës, robotët e artë të Hefestit dhe Galatea e Pigmaljonit [9].

Mekanika është zhvilluar nga filozofët dhe matematikanët që në antikitet. Studimi i logjikës çoi direkt në shpikjen e kompjuterit dixhital , elektronik të programueshëm, bazuar në punën e matematikanit Alan Turing dhe të tjerë. Teoria e llogaritjes e Turing sugjeroi se një makinë që vepron mbi simbole të thjeshta si "0" dhe "1", mund të simulojnë çdo arsyetim të mundshëm matematikore[10].

Kjo, së bashku me zbulimet e rishta në neuroshkencë, teorinë e informacionit dhe kibernetikë, frymëzoi një grup të vogël studiuesish të fillojnë të marrin seriozisht mundësinë e ndërtimit të një truri elektronik [11].

Fusha e studimit për inteligjencë artificiale është themeluar në një konferencë në kampusin e Dartmouth College në verën e vitit 1956[12]. Të pranishmit, përfshirë John McCarthy, Marvin Minsky, Allen Newell dhe Herbert Simon, u bënë krerët e studimit në inteligjencë artificiale për disa dekada.[13] Ata dhe studentët e tyre shkruan programet që, për shumicën e njerëzve, ishin thjesht të mahnitshme:[14] kompjuterët zgjidhnin problema të algjebrës, duke vërtetuar teorema logjike dhe të duke folur anglisht[15]. Nga mesi i viteve 1960, hulumtimi në SHBA u financuar kryesisht nga Departamenti i Mbrojtjes[16] dhe laboratorët ishin të shpërndarë përreth globit[17]. Themeluesit e Inteligjencës artificiale ishin thellësisht optimistë për të ardhmen e fushës së re: Herbert Simon parashikoi se "makina do të jetë në gjendje, brenda njëzet vjetësh, të bëjë çfarëdo pune që mund të bëjë një njeri"[18] dhe Marvin Minsky e mbështeti, duke shkruar se «brenda një brezi [...] problemi i krijimit të “inteligjencës artificiale”, do të jetë zgjidhur në thelb.»[19].

Problemi i përgjithshëm i simulimit apo krijimit të një inteligjence, është i ndarë në disa nën-problemeve. Këto përbëhen nga tipare të veçanta ose aftësi që studiuesit do të donin të shfaqte një sistem inteligjent. Tiparet e përshkruara më poshtë kanë tërhequr më shumë vëmendje [20].

Përfundime, argumentime, zgjidhja e problemeve

[Redakto | Redakto nëpërmjet kodit]

Kërkuesit e hershëm të Inteligjencës Artificiale kanë zhvilluar algoritme që imitojnë hap-pas-hapi arsyeshmërinë që njerëzit e përdorin kur duan të zgjidhin mistere ose të japin përfundime logjike.[21] Në fund të viteve të 1980-ta dhe 1990-ta, hulumtuesit e IA zhvilluan po ashtu metoda të suksesshme për tu përballur me informacion të pakompletuar ose të pasigurt, duke vënë në punë koncepte nga probabiliteti dhe ekonomia.[22]

Për probleme të vështira, shumica e algoritmeve mund të kërkojnë burime të panumërta kompjuterike – përvoja me një “eksplodim kombinatorik”: një sasi e memories ose kohës së kërkuar të kompjuterit bëhet astronomike kur problemet shkojnë pas madhësisë së paracaktuar. Kërkimi për më shumë algoritme për zgjidhjen e problemeve është një prioritet i lartë për hulumtuesit e IA-ve.[23]

Qeniet njerëzore zgjidhin shumicën e problemeve të tyre duke përdorur gjykime të shpejta, intuitive më shumë se me ndërgjegje, përfundim hap-pas-hapi që hulumtuesit e hershëm të IA-ve ishin të gjendje të modelonin.[24] IA-të kanë shënuar progress në imitimin e këtij lloji të zgjidhjes së problemeve: agjetët e mishëruar theksojnë rëndësinë e aftësive sensorimotorike të arsyetimit të lartë; rrjeti nervor kërkon përpjekje për të simuluar strukturën brenda trurit që i jep rritje kësaj aftësia; qasjet statistikore të IA-ve imitojnë natyrën probabilistike të aftësive njerëzore për të menduar.

Paraqitja e njohurive

[Redakto | Redakto nëpërmjet kodit]
Një ontologji paraqet njohuritë si një grup i koncepteve brenda një fushe dhe marrëdhënie ndërmjet këtyre koncepteve.

Paraqitja e njohurive[25] dhe inxhinieria e njohurive[26] janë qendrore për kërkuesit e IA-ve. Shumë probleme të cilat pritet të zgjidhin makinat do të kërkojnë njohuri ekstensive mbi botën. Ndër gjërat e tjera që IA nevojitet t’i paraqes janë: objektet, vetitë, kategoritë dhe lidhjet ndërmjet objekteve;[27] situatat, ngjarjet, gjendjet dhe kohën;[28] shkaqet dhe efektet;[29] njohuri mbi njohurinë (çka ne dimë mbi atë që dinë njerëzit e tjerë);[30] dhe shumë të tjera, fusha më pak të hulumtuara. Një paraqitje e asaj se “çka ekziston” është një ontologji: një grup objektesh, lidhjesh, konceptesh dhe kështu me radhë që makina i di. Më të përgjithshmet quhen ontologji të larta, të cilat provojnë të sigurojnë një fondacion për gjitha njohuritë.[31]

Ndër problemet më të vështira në paraqitjen e njohurive janë:

Arsyetimi i paracaktuar dhe problemet e kualifikimit

Shumë gjëra që njerëzit i dinë marrin formën e “supozimeve punuese”. Për shembull, nëse bie fjala për një zog, njerëzit tipikish pikturojnë një kafshë që është sa një grusht, që këndon, dhe fluturon. Asnjë nga këto gjëra nuk janë të vërteta për të gjithë zogjtë. John McCarthy identifikoi këtë problem në vitin 1969[32] si problem i kualifikimit: për çfarëdo rregulle të kuptimit të njëjtë që hulumtuesit e IA-ve kujdesen ta paraqesin, ka një tendencë për tu bërë një numër i madhi i përjashtimeve. Pothuajse asgjë nuk është e vërtët ose e pavërtetë në mënyrën që e kërkon logjika abstrakte. Kërkuesit e IA-ve kanë eksploruar një numër zgjidhjesh të këtij problem.[33]

Agjentët inteligjentë duhet të jenë në gjendje të vendosin qëllime dhe t’i arrijnë ato.[34] Atyre iu nevojitet një mënyrë për të vizualizuar të ardhmen (ata duhet të kenë një paraqitje të gjendjes së botës dhe të jenë në gjendje të bëjnë parashikime se si veprimet e tyre do ta ndryshojë atë) dhe të jenë në gjendje të bëjnë zgjidhje që maksimizojnë dobinë (ose “vlerën”) e zgjidhjeve të mundshme.[35]

Në planifikimin klasik të problemeve, agjenti mund të supozojë se ajo është gjëja e veta që vepron në botë dhe mund të jetë i sigurt se cilat do të jenë konsekuencat e veprimeve të tij.[36] Sidoqoftë, nëse agjenti nuk është aktori i vetëm, ai duhet periodikisht të përcaktojë se kur bota përshtatet me parashikimet e tij dhe duhet të ndryshj ashtu si të jetë e nevojshme.[37]

Përpunimi i gjuhës së natyrës

[Redakto | Redakto nëpërmjet kodit]

Montimi dhe manipulimi

[Redakto | Redakto nëpërmjet kodit]

Logjika përdoret për tipet e njohurive mjaft të formalizuara dhe zgjidhjen e problemeve, por mund të zbatohet edhe tek fushat e tjera gjithashtu, megjithëse nuk është shumë efektive në rrethanat e jetës së vërtetë ku kërkohet arsyetimi më i shpejtë probabilist.

Kërkimi dhe optimizimi

[Redakto | Redakto nëpërmjet kodit]
Një algoritëm i pjesëzave të tufës duke kërkuar minimumin botëror

Qëllimi i mësimit, pra gjetja dhe zbatimi i zgjidhjeve të dobishme për një problem mund të arrihet duke kërkuar zgjuarsisht mes shumë zgjedhjeve të mundshme. Megjithatë për shkak se hapësira e kërkimit rritet shpejt në numra astronomikë, një kërkim i tillë nuk jep rezultat në kohë. Shpesh heuristika ose rregullat e gishtit nevojiten për tu dhënë përparësi zgjedhjeve në favor të atyre që mendohet se arrijnë më shpejt rezultat.

Një lloj shumë i ndryshëm kërkimi erdhi në dritë në vitet 1990, bazuar në teorinë matematike të optimizimit. Për shumë probleme, është e mundur të fillohet kërkimi me një hamendësim dhe më pas të rafinohet me pjesë derisa të mos jetë e mundur të rafinohet më. Këto algoritme mund të vizualizohen si ngjitja e verbër e kodrës: fillojmë kërkimin në një pikë të çfarëdoshme të peizazhit dhe pastaj me kërcime dhe hapa vazhdojmë të ecim me hamendësimin përpjetazi derisa të arrijmë majën.

Llogaritja evolucionare përdor një formë të kërkimit të optimizuar. Për shëmbull ato mund të fillojnë me një popullatë organizmash (hamendësimet) dhe pastaj i lejojnë ato tu nënshtrohen mutacioneve dhe të rikombinohen duke zgjedhur vetëm më të shëndetshmit për të mbijetuar çdo brez (rafinimi i hamendësimeve).

Në mënyrë alternative, proceset e shpërndara të kërkimit mund të koordinohem me anë të algoritmave të inteligjencës së tufës. Dy algoritma tufe popullorë të përdorur në kërkim janë optimizimi i pjesëzave të tufës dhe optimizmi i kolonisë së milingonave (i frymëzuar nga shtigjet e milingonave).

PerInteligjencaciale

[Redakto | Redakto nëpërmjet kodit]

Zbulime të përgjithshme

[Redakto | Redakto nëpërmjet kodit]
  1. ^ Poole, Mackworth & Goebel 1998, p. 1 (who use the term "computational intelligence" as a synonym for artificial intelligence). Other textbooks that define AI this way include Nilsson (1998), and Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field" (Russell & Norvig 2003, p. 55)
  2. ^ Andreas Kaplan; Artificial Intelligence, Business and Civilization - Our Fate Made in Machines, 2022, Routledge
  3. ^ This definition, in terms of goals, actions, perception and environment, is due to Russell & Norvig (2003). Other definitions also include knowledge and learning as additional criteria.
  4. ^ Although there is some controversy on this point (see Crevier 1993, p. 50), McCarthy states unequivocally "I came up with the term" in a c|net interview. (See Getting Machines to Think Like Us.)
  5. ^ See John McCarthy, What is Artificial Intelligence? Arkivuar 18 nëntor 2015 tek Wayback Machine
  6. ^ Google (2016).
  7. ^ See the Dartmouth proposal, under Philosophy, below.
  8. ^ Kjo është një ide qendrore e Pamela McCorduck 'Makina që mendojn. Ajo shkruan: "Më pëlqen të mendoj inteligjencën artificiale, si apoteozë shkencore e një tradite të respektuar kulturore. "(McCorduck 2004, p. 34) "Artificial intelligence in one form or another is an idea that has pervaded Western intellectual history, a dream in urgent need of being realized." (McCorduck 2004, p. xviii) "Our history is full of attempts—nutty, eerie, comical, earnest, legendary and real—to make artificial intelligences, to reproduce what is the essential us—bypassing the ordinary means. Back and forth between myth and reality, our imaginations supplying what our workshops couldn't, we have engaged for a long time in this odd form of self-reproduction." (McCorduck 2004, p. 3) She traces the desire back to its Hellenistic roots and calls it the urge to "forge the Gods." (McCorduck 2004, p. 340-400)
  9. ^ AI in Myth:
  10. ^ This insight, that digital computers can simulate any process of formal reasoning, is known as the Church-Turing thesis.
  11. ^ AI's immediate precursors: See also Stampa:See section. Among the researchers who laid the foundations of AI were Alan Turing, John Von Neumann, Norbert Weiner, Claude Shannon, Warren McCullough, Walter Pitts and Donald Hebb.
  12. ^ Dartmouth conference:
    • McCorduck 2004, pp. 111–136
    • Crevier 1993, pp. 47–49, who writes "the conference is generally recognized as the official birthdate of the new science."
    • Russell & Norvig 2003, p. 17, who call the conference "the birth of artifcial intelligence."
    • NRC 1999, pp. 200–201
  13. ^ Hegemony of the Dartmouth conference attendees:
  14. ^ Russell and Norvig write "it was astonishing whenever a computer did anything kind of smartish." Russell & Norvig 2003, p. 18
  15. ^ "Golden years" of AI (successful symbolic reasoning programs 1956-1973): The programs described are Daniel Bobrow's STUDENT, Newell and Simon's Logic Theorist and Terry Winograd's SHRDLU.
  16. ^ DARPA pours money into undirected pure research into AI during the 1960s:
  17. ^ AI in England:
  18. ^ Simon 1965, p. 96 quoted in Crevier 1993, p. 109
  19. ^ Minsky 1967, p. 2 quoted in Crevier 1993, p. 109.
  20. ^ This list of intelligent traits is based on the topics covered by the major AI textbooks, including:
  21. ^ Problem solving, puzzle solving, game playing and deduction:
  22. ^ Uncertain reasoning:
  23. ^ Intractability and efficiency and the combinatorial explosion:
  24. ^ Psychological evidence of sub-symbolic reasoning:
  25. ^ Knowledge representation:
  26. ^ Knowledge engineering:
  27. ^ Representing categories and relations: Semantic networks, description logics, inheritance (including frames and scripts):
  28. ^ Representing events and time:Situation calculus, event calculus, fluent calculus (including solving the frame problem):
  29. ^ Causal calculus:
  30. ^ Representing knowledge about knowledge: Belief calculus, modal logics:
  31. ^ Ontology:
  32. ^ Qualification problem: While McCarthy was primarily concerned with issues in the logical representation of actions, Russell & Norvig 2003 apply the term to the more general issue of default reasoning in the vast network of assumptions underlying all our commonsense knowledge.
  33. ^ Default reasoning and default logic, non-monotonic logics, circumscription, closed world assumption, abduction (Poole et al. places abduction under "default reasoning". Luger et al. places this under "uncertain reasoning"):
  34. ^ Planning:
  35. ^ Information value theory:
  36. ^ Classical planning:
  37. ^ Planning and acting in non-deterministic domains: conditional planning, execution monitoring, replanning and continuous planning: