Vrste sustava umjetne inteligencije

Od najranijih dana računala, istraživači su pokušavali stvoriti sustave koji oponašaju ljudsku inteligenciju. Dok je silikonski Einstein još uvijek daleka mogućnost, umjetna inteligencija ili AI nam je donijela telefone koji prepoznaju ljudski govor, automobile koji se sami voze i ekspertne sustave koji se natječu u televizijskim emisijama. Tijekom godina istraživanje umjetne inteligencije prošlo je kroz nekoliko evolucija i, kako je svaka tehnologija sazrijevala, postala je dio našeg svakodnevnog iskustva.

Strojno učenje

Rani istraživači borili su se s ograničenom procesorskom snagom i računalnom pohranom, ali su ipak postavili temelje umjetne inteligencije s programskim jezicima poput LISP-a i konceptima poput stabla odlučivanja i strojnog učenja. Programi napisani u LISP-u mogli bi lako analizirati igre poput šaha, mapirati sve moguće poteze za nekoliko poteza, a zatim odabrati najbolju alternativu. Ti bi programi također mogli modificirati njihovu logiku odlučivanja i učiti iz prethodnih pogrešaka, postajući s vremenom "pametniji". Sa snažnijim računalima i jeftinijom masovnom pohranom, ova grana umjetne inteligencije iznjedrila je industriju računalnih igara, kao i razne personalizirane tražilice i web stranice za online kupnju koje ne samo da pamte naše preferencije, već predviđaju i naše potrebe.

Ekspertni sustavi

Dok se prvi val istraživača umjetne inteligencije oslanjao na računalne cikluse kako bi simulirao ljudsko razmišljanje, sljedeći se pristup oslanjao na činjenice i podatke kako bi oponašao ljudsko iskustvo. Ekspertni sustavi skupljali su činjenice i pravila u bazu znanja, a zatim koristili računalne mehanizme zaključivanja za izvođenje novih činjenica ili odgovaranje na pitanja. Inženjeri znanja intervjuirali su stručnjake za medicinu, popravak automobila, industrijski dizajn ili druge profesije, a zatim sveli te nalaze u strojno čitljive činjenice i pravila. Te su baze znanja zatim koristili drugi za pomoć pri dijagnosticiranju problema ili odgovoru na pitanja. Kako je tehnologija sazrijevala, istraživači su pronalazili načine za automatiziranje razvoja baze znanja, unoseći hrpe tehničke literature ili dopuštajući softveru da indeksira web kako bi sam pronašao relevantne informacije.

Neuronske mreže

Druga skupina istraživača pokušala je reproducirati rad ljudskog mozga stvaranjem umjetnih mreža neurona i sinapsi. Uz obuku, ove neuronske mreže mogle su prepoznati obrasce iz nečega što je izgledalo kao nasumični podaci. Slike ili zvukovi šalju se na ulaznu stranu mreže, a točni odgovori šalju se na izlaznu stranu. S vremenom, mreže reorganiziraju svoju unutarnju strukturu tako da kada se unese sličan unos, mreža vraća točan odgovor. Neuronske mreže dobro rade kada reagiraju na ljudski govor ili kada skenirane slike prevode u tekst. Softver koji se oslanja na ovu tehnologiju može čitati knjige slijepim osobama ili prevoditi govor s jednog jezika na drugi.

Veliki podaci

Analiza podataka velikih razmjera, koja se često naziva "veliki podaci", koristi moć mnogih računala za otkrivanje činjenica i odnosa u podacima koje ljudski um ne može razumjeti. Trilijuni troškova kreditnih kartica ili milijarde odnosa na društvenim mrežama mogu se skenirati i povezati pomoću različitih statističkih metoda kako bi se otkrile korisne informacije. Tvrtke koje izdaju kreditne kartice mogu pronaći obrasce kupnje koji ukazuju na to da je kartica ukradena ili da je vlasnik kartice u financijskim poteškoćama. Maloprodajni trgovci mogu pronaći obrasce kupnje koji upućuju na to da je kupac trudna, čak i prije nego što ona sama to zna. Veliki podaci omogućuju računalima da razumiju svijet na način na koji mi ljudi nikada ne bismo mogli sami.