7.12.1. Algoritmi i modeli UI

Nedavno je u nekom časopisu bio članak o automobilu 'Tesla'. Na nekoj brzoj cesti došlo je do sudara dvaju automobila ispred Teslinog automobila. Prvi automobil nastavio je voziti dalje, ali drugome je oštećen motor i automobil se je smjesta počeo zaustavljati i prepriječio se preko ceste. Vozač 'Tesle' nije se odmah snašao te je algoritam za izbjegavanje sudara u 'Tesli' preuzeo kontrolu nad kretanjem automobila i zaobišao prepriječen automobil. Naime, prosječnom vozaču treba oko 0.75 sekundi da bi reagirao na uočeno stanje (vozaču F1 treba oko 0.15 sekundi), ali računalni sustav u 'Tesli' preko postojećih senzora reagira mnogo brže i primjenio je svoj algoritam kad je ustanovio da reakcije vozača nema. Na taj način izbjegnut je još jedan sudar. Mogao je vozač 'Tesle' zaspati ili mu je moglo doći zlo, ali 'Tesla' brine o tome da ne dođe do belaja. Lijepo! Dakle, itekako ima koristi od umjetne inteligencije.

Odnos između algoritama i modela u umjetnoj inteligenciji je da su algoritmi računalni postupci ili tehnike koje se koriste za treniranje ili implementaciju modela. Algoritmi pružaju upute korak po korak za obradu podataka, donošenje odluka i učenje iz primjera. Oni definiraju logiku i pravila koja upravljaju načinom na koji model uči, predviđa ili izvodi određeni zadatak. Različiti algoritmi mogu se primijeniti za treniranje ili optimiziranje modela na temelju specifičnog problema i dostupnih podataka.

S druge strane, modeli predstavljaju naučene ili implementirane reprezentacije znanja ili ponašanja. Oni su rezultat primjene algoritama na podatke za obuku i hvataju obrasce, odnose ili karakteristike podataka koji su relevantni za određeni zadatak. Modeli se mogu smatrati operativnim implementacijama algoritama koji mogu predviđati, klasificirati ulaze, generirati izlaze ili obavljati druge zadatke na temelju naučenog znanja.

U nekim slučajevima, pojmovi 'algoritam' i 'model' mogu se koristiti naizmjenično, ovisno o kontekstu. Međutim, korisno je razlikovati ih kako bismo razumjeli odnos. Algoritmi su temeljne računalne tehnike, dok su modeli specifične instance ili implementacije tih algoritama, uvježbane ili optimizirane za određeni zadatak ili problem. Na primjer, u kontekstu neuronskih mreža, algoritam se odnosi na algoritam učenja kao što je povratno širenje ili stohastički gradijentni spuštanje (SGD), koji definira kako mreža prilagođava svoje težine tijekom obuke. Model se, s druge strane, odnosi na specifičnu arhitekturu i parametre neuronske mreže, koji su određeni procesom obuke i definiraju kako mreža predviđa ili izvršava zadatke.

Algoritmi umjetne inteligencije (AI) računalni su postupci ili matematičke formule koje se koriste kako bi strojevima omogućili oponašanje ili simulaciju inteligentnog ponašanja. Postoji nekoliko osnovnih algoritama umjetne inteligencije (AI) koji se obično koriste u raznim aplikacijama. Evo nekoliko primjera:

• 1. Linearna regresija: Linearna regresija je nadzirani algoritam učenja koji se koristi za predviđanje kontinuiranih numeričkih vrijednosti. Pronalazi najbolji linearni odnos između ulaznih značajki i ciljane varijable minimiziranjem zbroja kvadrata razlika između predviđenih i stvarnih vrijednosti.
  
  
• 2. Logistička regresija: Logistička regresija je algoritam klasifikacije koji se koristi za predviđanje binarnih ili kategoričkih ishoda. Izračunava vjerojatnost događanja događaja na temelju ulaznih značajki i primjenjuje prag za predviđanje.
  
  
• 3. Algoritmi za učenje nadogradnjom: Ovi algoritmi uče kroz interakciju s okolinom. Dobivaju povratne informacije u obliku nagrada ili kazni i koriste ih kako bi poboljšali svoje odluke. Primjeri uključuju Q-učenje i algoritme dubinskog učenja s nadogradnjom kao što je 'Deep Q-Network' (DQN).
  
  
• 4. Stablo odlučivanja: Stabla odlučivanja su svestrani algoritmi koji se koriste za zadatke klasifikacije i regresije. Oni stvaraju model odluka u obliku stabla i njihovih mogućih posljedica na temelju značajki, omogućujući algoritmu da predviđa predviđanja obilazeći stablo.
  
  
• 5. Nasumične odluke: Nasumične odluke su skupna metoda učenja koja kombinira više stabala odlučivanja. Svako stablo skupnih odluka izgrađeno je na temelju nasumičnog podskupa podataka za obuku, a predviđanja se izrađuju zbrajanjem rezultata svih stabala.
  
  
• 6. Support Vector Machines (SVM): SVM je moćan algoritam za zadatke klasifikacije i regresije. Pronalazi hiperravninu u visokodimenzionalnom prostoru koji dijeli podatke u različite klase, maksimizirajući marginu između klasa.
  

Ovo je samo nekoliko primjera algoritama umjetne inteligencije, a područje se kontinuirano razvija s novim algoritmima i tehnikama koje se razvijaju za rješavanje raznih izazova u umjetnoj inteligenciji. Brzina algoritma može ovisiti o različitim čimbenicima, kao što su problem koji rješava, veličina ulaznih podataka, sklopovlje na kojem se izvršava i specifični detalji implementacije. Osim toga, algoritamska učinkovitost nije jedini faktor koji treba uzeti u obzir u scenarijima stvarnog svijeta. Drugi čimbenici poput korištenja memorije, skalabilnosti i jednostavnosti implementacije također mogu igrati ulogu u određivanju najboljeg algoritma za određenu situaciju.

U kontekstu umjetne inteligencije, modeli se odnose na specifične implementacije ili arhitekture koje uče iz podataka za obavljanje zadataka kao što su predviđanje, klasifikacija ili generiranje. Ovi se modeli mogu trenirati na različitim algoritmima i tehnikama. Modeli umjetne inteligencije koji su se razvijali tijekom godina. Evo nekoliko najčešće korištenih modela:

• 1. Ekspertni sustavi: Ekspertni sustavi dizajnirani su da oponašaju sposobnost donošenja odluka ljudskog stručnjaka u određenom području. Oni koriste bazu znanja pravila i činjenica i mehanizam za zaključivanje kako bi pružili rješenja ili donijeli odluke na temelju korisničkog unosa.
  
  
• 2. Neuronske mreže: Neuronske mreže su računalni modeli inspirirani strukturom i funkcijom ljudskog mozga. Sastoje se od međusobno povezanih čvorova, ili umjetnih neurona, organiziranih u slojeve. Neuronske mreže mogu se uvježbati korištenjem algoritama kao što je povratno širenje kako bi naučili obrasce i napravili predviđanja.
  
  
• 3. Genetski algoritmi: Genetski algoritmi su optimizacijski algoritmi temeljeni na principima prirodne selekcije i genetike. Oni uključuju održavanje populacije potencijalnih rješenja i korištenje operacija odabira, mutacije i križanja za razvoj i poboljšanje ovih rješenja kroz generacije.
  
  
• 4. Učenje s nadopunom: Učenje s nadopunom je pristup umjetnoj inteligenciji koji uključuje agenta koji uči iz interakcija s okolinom. Agent poduzima radnje, prima povratne informacije u obliku nagrada ili kazni i prilagođava svoje ponašanje kako bi povećao dugoročne nagrade. Koristi tehnike kao što su Markovljevi procesi odlučivanja i Q-učenje za optimizaciju svojih radnji.
  
  
• 5. Bayesove mreže: Bayesove mreže su probabilistički grafički modeli koji predstavljaju i razmišljaju o nesigurnom znanju pomoću Bayesovog zaključivanja. Oni koriste usmjerene acikličke grafove za modeliranje ovisnosti između varijabli i daju predviđanja ili izvode zaključivanje na temelju probabilističkih izračuna.
  
  
• 6. Maskirani Markovljevi modeli: Maskirani (Hidden) Markovljevi modeli (HMM) su statistički modeli koji se koriste za modeliranje sekvencijalnih podataka. Sastoje se od skupa skrivenih stanja i vidljivih izlaza, s prijelazima između stanja kojima upravljaju vjerojatnosti. HMM se obično koriste za zadatke kao što su prepoznavanje govora i obrada prirodnog jezika.
  

Ovo je samo nekoliko primjera osnovnih modela umjetne inteligencije. Svaki model ima svoje prednosti, ograničenja i područja primjene. Istraživanja umjetne inteligencije nastavljaju istraživati i razvijati nove modele za rješavanje složenih problema i poboljšanje sposobnosti sustava umjetne inteligencije.

Ukratko, algoritmi pružaju računalne tehnike i postupke koji se koriste za obuku ili implementaciju modela, dok modeli predstavljaju naučeno ili implementirano znanje ili ponašanje koje omogućuje strojevima da obavljaju određene zadatke. Opća struktura prediktivnog modela koji se temelji na učenju umjetne inteligencije uzimajući u obzir i fazu obuke i provjere, kao što je prikazano na sljedećoj slici.

Slika 7.12.4. Opća struktura učenja umjetne inteligencije.

Postoje dvije glavne vrste učenja u AI sustavu: Strojno učenje i Dubinsko učenje. Sljedeća slika prikazuje opće osobine dubinskog učenja u odnosu na strojno učenje s obzirom na sve veću količinu podataka. Međutim, može varirati ovisno o karakteristikama podataka i postavkama eksperimenta.

Slika 7.12.5. Performanse strojnog učenja i dubinskog učenja.

Strojno učenje i dubinsko učenje potpodručja su umjetne inteligencije (AI) koja uključuju algoritme za obuku za učenje iz podataka i donošenje predviđanja ili odluka. Iako su povezani, postoje neke ključne razlike između njih dvoje.

Strojno učenje je šire područje koje se fokusira na algoritme i tehnike koje omogućuju računalima da uče iz podataka i donose predviđanja ili odluke. Obuhvaća različite pristupe poput nadziranog, nenadziranog učenja i učenja s potkrepljenjem. Nadzirano učenje obično je zadatak strojnog učenja da nauči funkciju koja preslikava ulaz u izlaz na temelju uzorka ulazno-izlaznih parova. Učenje bez nadzora analizira neoznačene skupove podataka bez potrebe za ljudskim uplitanjem, tj. proces vođen podacima. Učenje s pojačanjem vrsta je algoritma strojnog učenja koji omogućuje softverskim agentima i strojevima da automatski procijene optimalno ponašanje u određenom kontekstu ili okruženju kako bi poboljšali njegovu učinkovitost, tj. pristup vođen okruženjem.

Dubinsko učenje podskup je strojnog učenja koje koristi umjetne neuronske mreže inspirirane ljudskim mozgom. Ističe se u učenju složenih obrazaca i odnosa u podacima automatskim izdvajanjem hijerarhijskih prikaza. Postigao je izvanredan uspjeh u područjima kao što su računalni vid i obrada prirodnog jezika.

Ukratko, strojno učenje je opći pojam, dok je dubinsko učenje specifičan pristup unutar strojnog učenja koji koristi neuronske mreže za složene zadatke.

SAŽETAK:

Ima li straha od razvoja umjetne inteligencije ili nema?

• NEMA - Ako se umjetna inteligencija pridržava navedenih zakona robotike opisanih u uvodnom poglavlju, nema nikakvih problema.
  
  
• IMA - Ako se dostignuća umjetne inteligencije koriste za ratna oružja u svrhu eliminacije neprijateljske žive sile, onda smo najebali.
  

Tko može vojsci nešto zabraniti ili ograničiti ih u onome što rade? Nitko! Pokuštajte zamisliti što su u stanju napravit 'vojni stručnjaci' s letjelicom tipa kao na slici 9.1. Korištenje umjetne inteligencije u vojne svrhe isto je kao izrada interkontinentalnih raketa s nuklearnim bojevim glavama. Potom će se vojskovođe na kojekakvim samitima 'dogovarati' o ograničavanju naoružavanja?

Što se može, od pamtivijeka u prirodi čovjeka je da ubija i ratuje. Zašto bi sada bilo drugačije?