Cum învață un sistem AI

Pe lângă Inteligența Artificială programată, există în acest moment alte trei metode prin
care un sistem AI poate să învețe lucruri noi.

1. Învățarea mecanică (Machine Learning)

Învățarea mecanică este o parte importantă a Inteligenței Artificiale. Este un tip de cercetare
prin care computerele primesc o cantitate uriașă de date pe care le analizează, din care învață
și în baza cărora (re)acționează, fără să aibă nevoie de programare specifică. Un exemplu în
acest sens sunt asistenții virtuali care pot înțelege comenzile vocale.

2. Învățarea profundă (Deep Learning)

Învățarea profundă este o metodă de învățare mecanică mult mai aprofundată, prin
intermediul cărora computerele învață să facă lucruri într-un fel foarte apropiat de cel uman: să
învețe din experiență.

Învățarea profundă este tehnologia-cheie din spatele autoturismelor autonome și ceea ce le

permite să identifice un semn de STOP sau să facă diferența dintre un pieton sau un stâlp de
iluminat. Pe scurt, învățarea profundă permite unui computer să învețe direct din sunet, text și
imagine.

3. Rețelele neurale
Rețelele neurale sunt nucleul Inteligenței Artificiale și sunt esențiale pentru învățarea
mecanică. Acestea sunt rețele interconectate de algoritmi, inspirate de rețelele neurale biologice,
existente în creierul uman. Aceste rețele fac schimb de date și pot fi programate pentru a
îndeplini anumite sarcini într-un mod complex care încearcă să imite gândirea omenească.

Aceste sisteme învață să îndeplinească obiective și procese analizând exemplele pe care le

primesc din afară, de obicei fără să fie programate să ducă la bun sfârșit o sarcină anume. Ideea
de Inteligență Artificială este legată de rețelele neurale, pentru că dezvoltarea acestora este
singura metodă actuală prin care se poate dezvolta AI-ul.

Metode de învățare mecanică

Așa cum spuneam, învățarea mecanică este un element-cheie al inteligenței artificiale și
este, în mod obișnuit, împărțită în două mari categorii: învățare mecanică asistată și învățare
mecanică neasistată.
Învățarea mecanică asistată
O metodă comună de „educare” a unui sistem AI este antrenarea lui cu ajutorul
unei cantități uriașe de date etichetate în prealabil. Aceste date sunt introduse în sistem,
iar inteligența artificială se folosește de ele pentru a analiza date noi. De exemplu, AI
primește o cantitate uriașă de fotografii cu pisici, marcate în acest sens. Odată ce
imaginile au fost procesate, inteligența artificială poate să decidă dacă o fotografie nou
încărcată în sistem conține sau nu o pisică.

Această metodă de învățare mecanică are nevoie de cantități uriașe de

informații. În cazul fotografiilor, unele sisteme AI au în baza de date milioane de imagini
pe care le verifică pentru a învăța cum să ducă la îndeplinire un task. De exemplu,
Open Images Dataset de la Google conține în jur de 9 milioane de imagini de referință,
toate catalogate.

Învățarea mecanică parțial asistată

Pe de altă parte, tehnologia este în continuă evoluție și, pe termen lung, accesul la baze
uriașe de date s-ar putea dovedi mai puțin eficient ca accesul la surse masive de putere de calcul.
În ultimii ani au apărut noi tehnologii care permit unui sistem de învățare mecanică să genereze o
cantitate uriașă de date noi folosind doar o cantitate redusă de informații de bază.

Învățarea mecanică neasistată

Spre deosebire de învățarea mecanică asistată, cea neasistată folosește o abordare diferită:
sistemul încearcă să identifice anumite tipare sau șabloane în informațiile pe care le primește și
abia apoi încearcă să le categorisească, folosind anumite similarități. Un exemplu este punerea în
aceeași categorie a unei liste de autoturisme cu motoare de aceeași capacitate.

Algoritmul care analizează tot setul de date nu este programat în avans să aleagă un
anumit tip de informații sau de particularități, ci caută date care pot fi grupate în funcție de detalii
comune. Un exemplu este modul în care funcționează Google News: grupează pe categorii, în
funcție de topicuri comune, toate știrile apărute în cursul unei zile.

Aplicații pentru Inteligența Artificială

Inteligența Artificială a intrat, sub mai multe forme, în viața noastră de zi cu zi. Există în
magazinele online și e folosită ca să facă recomandări pentru noi cumpărături în funcție de
achizițiile tale anterioare. E unul dintre motoarele inteligente din spatele unor platforme cum ar fi
Siri și Alexa. AI analizează și recunoaște cine sau ce apare într-o fotografie, detectează spamul
sau fraudele cu carduri bancare.
 Pe lângă toate aceste utilizări, iată câteva dintre cele mai importante aplicații pentru
inteligența artificială, unele dintre ele fiind deja comune în tehnologia de astăzi:

o în medicină
o în industria militară
o în finanțe
o în educație
o recunoaștere facială
o recunoaștere vocală
o manipulare foto și video
o creativitate artificială (scriere, compoziție muzicală etc.)
o procesarea limbajului natural
o recunoașterea scrisului de mână
o data mining
o realitatea virtuală
o procesarea imaginilor

Viitorul AI
În ziua de astăzi, perspectiva generală asupra AI este că mașinile inteligente și conștiente
sunt pe cale să devină o realitate. Sistemele AI existente înțeleg comenzi verbale, pot distinge
imagini, ne conduc autoturismele și au rezultate mai bune la jocuri, așa că e o chestiune de timp
până când vom putea avea o discuție aprinsă cu un robot.

Cu toate astea, sunt multe voci sceptice care susțin că, mai mult ca sigur, în următorii 20
de ani nu vor apărea sisteme AI care să dea dovadă de inteligență comparabilă sau care să o
depășească pe cea umană. În schimb, inteligența artificială va prelua tot mai multe atribuții și
sarcini de la oameni, pe care le va îndeplini cel puțin la fel de bine.

Rolul pe care îl vor avea în viitor sistemele AI și aplicațiile în care vor fi utilizate nu
poate decât să evolueze de la un an la altul, iar deschizătorii de drumuri – marile companii
mondiale care se specializează în această direcție, cum ar fi Google, Amazon, Apple sau chiar
giganți asiatici ca Baidu sau Alibaba – arată că interesul în AI nu este deloc unul efemer.