Documente Academic
Documente Profesional
Documente Cultură
la oameni și animale. Informatica definește cercetarea IA ca studiu al „agenților inteligenți(d)”: orice dispozitiv
care își percepe mediul și efectuează acțiuni care maximizează șansa de a-și atinge cu succes obiectivele.[1]
[2]
Mai exact, Kaplan și Haenlein definesc IA ca fiind „capacitatea unui sistem de a interpreta corect datele
externe, de a învăța din astfel de date și de a folosi ceea ce a învățat pentru a-și atinge obiective și sarcini
specifice printr-o adaptare flexibilă”.[3] Termenul „inteligență artificială” este utilizat colocvial pentru a descrie
mașinile care imită funcțiile cognitive pe care le asociază oamenii cu alte minți umane, cum ar fi „învățarea” și
„rezolvarea problemelor”.[4][5] Inteligența artificială implică dezvoltarea de algoritmi și modele care permit
mașinilor să-și perceapă mediul, să își motiveze mediul și să facă acțiuni adecvate pentru a atinge obiective
specifice. Acești algoritmi folosesc volume mari de date și tehnici avansate, cum ar fi învățarea
automată, învățarea profundă, procesarea limbajului natural și viziunea computerizată.
Întrucât mașinile devin din ce în ce mai capabile, sarcinile considerate a necesita „inteligență” sunt deseori
eliminate din definiția IA, un fenomen cunoscut sub numele de efectul IA(d). O observație în teorema lui Tesler
spune că „IA este ceea ce nu a fost încă făcut”.[6] De exemplu, recunoașterea optică a caracterelor este adesea
exclusă din domeniul AI, după ce a devenit o tehnologie de rutină.[7] Capacitățile moderne ale mașinilor
clasificate în general ca IA includ înțelegerea vorbirii umane,[8] concurarea la cel mai înalt nivel a unor sisteme
de jocuri de strategie (cum ar fi șah și go),[9] autovehiculele autonome și rutarea inteligentă în rețelele de
distribuție a conținutului, și simulările militare(d).
Împrumutând din literatura de management, Kaplan și Haenlein clasifica inteligență artificială în trei tipuri
diferite de sisteme IA: inteligență artificială analitică, inspirată de om, și umanizată.[3] IA analitică are doar unele
caracteristici compatibile cu inteligența cognitivă; ea generează o reprezentare cognitivă a lumii și utilizează
învățarea bazată pe experiențe anterioare pentru a informa deciziile viitoare. IA inspirată de om are elemente
din inteligența cognitivă și emoțională; înțelegerea emoțiilor umane, în plus față de elementele cognitive, și
luarea în considerare a acestora în luarea deciziilor. IA umanizată prezintă caracteristicile tuturor tipurilor de
competențe (de exemplu, inteligența cognitivă, emoțională și socială(d)), este capabilă să fie conștientă de
sine atât ca atare, cât și în interacțiunile cu ceilalți.
Inteligența artificială a fost fondată ca disciplină academică în 1956, și de atunci a trecut mai multe valuri de
optimism,[10][11] urmate de dezamăgiri și pierderi de fonduri (cunoscute sub numele de „ierni ale IA”),[12][13] urmate
și ele de noi abordări, succes și reînnoirea finanțării.[11][14] Pentru cea mai mare parte a istoriei sale, cercetarea
IA a fost împărțită în subdomenii care adesea nu au reușit să comunice între ele.[15] Aceste subdomenii se
bazează pe considerații tehnice, cum ar fi obiective specifice (de exemplu, „robotica” sau „învățarea
automată”),[16] utilizarea unor anumite instrumente („logica” sau rețele neurale artificiale) sau pe diferențe
filosofice profunde.[17][18][19] Subdomeniile se bazau și pe factori sociali (anumite instituții sau activitatea anumitor
cercetători). [15]
Printre problemele (sau obiectivele) tradiționale ale cercetării IA se numără raționamentul(d), reprezentarea
cunoștințelor(d), planificarea(d), învățarea, prelucrarea limbajului natural, percepția(d) și capacitatea de a muta și
manipula obiecte.[16] Inteligența generală se numără printre obiectivele pe termen lung ale domeniului.
[20]
Abordările includ metode statistice, inteligență computațională și IA simbolică tradițională. În AI se folosesc
multe instrumente, între care versiuni de optimizare matematică și de căutare, rețele neurale
artificiale și metode bazate pe statistici, probabilități și economie. Domeniul IA se bazează
pe informatică, inginerie informațională(d), matematică, psihologie, lingvistică, filozofie și multe alte domenii.
Domeniul a fost întemeiat pe afirmația că inteligența umană(d) „poate fi descrisă atât de precis încât poate fi
făcută o mașină pentru a o simula”.[21] Acest lucru ridică argumente filosofice cu privire la natura minții și la
etica creării de ființe artificiale dotate cu inteligență umană, care sunt chestiuni care au fost explorate
de mit(d), ficțiune(d) și filozofie(d) încă din Antichitate.[22] Unii oameni consideră și că IA ar fi un pericol pentru
omenire dacă progresează necontrolat.[23] Alții cred că, spre deosebire de revoluțiile tehnologice anterioare, IA
va crea un risc de șomaj în masă(d). [24]
În secolul al XXI-lea, tehnicile de IA au înregistrat o renaștere în urma unor progrese concomitente în puterea
de calcul(d), acumulării de cantități mari de date, și înțelegerii teoretice; iar tehnicile IA au devenit o parte
esențială a industriei tehnologice(d), ajutând la rezolvarea multor probleme dificile în domeniul
informaticii, ingineriei software și cercetării operaționale(d).[25][14]
1. Dacă cineva „amenință” (adică are două pe rând), ocupă pătratul rămas. In caz contrar,
2. dacă o mișcare „ramifică” pentru a crea două amenințări simultan, joacă această mișcare. În caz
contrar,
3. ocupă pătratul central dacă acesta este liber. În caz contrar,
4. dacă adversarul a jucat într-un colț, ocupă colțul opus. În caz contrar,
5. ocupă un colț gol dacă există unul. În caz contrar,
6. ocupă orice pătrat gol.
Mulți algoritmi IA sunt capabili să învețe din date; se pot îmbunătăți prin învățarea unor noi euristici(d) (strategii
sau „reguli generale”, care au funcționat bine în trecut) sau pot scrie alți algoritmi. Unii dintre „învățăceii”
descriși mai jos, între care rețelele bayesiene, arborii de decizie și cel mai apropiat vecin, ar putea teoretic
(dacă dispun de date, timp și memorie infinite) să învețe să aproximeze orice funcție, inclusiv combinația de
funcții matematice care ar descrie cel mai bine lumea. Prin urmare, acești cursanți ar putea să obțină toate
cunoștințele posibile, luând în considerare toate ipotezele posibile și potrivindu-le cu datele. În practică,
aproape niciodată nu se poate lua în considerare orice posibilitate, din cauza fenomenului de „explozie
combinatorică(d)”, în care timpul necesar pentru a rezolva o problemă crește exponențial. O mare parte din
cercetarea de IA implică determinarea modului de identificare și de evitare a unei game largi de posibilități care
sunt puțin probabil să fie benefice.[60][61] De exemplu, atunci când se vizualizează o hartă și se caută pentru cel
mai scurt drum care duce de la Denver la New York, în cele mai multe cazuri, se poate sări peste orice drum
prin San Francisco sau alte zone aflate mult la vest; astfel, o IA care utilizează un algoritm de trasare a
traiectoriei ca A*(d) poate evita explozia combinatorie care ar rezulta dacă ar trebui calculat fiecare traseu posibil
în parte.[62]
Cea mai veche abordare de IA a fost simbolismul (cum ar fi logica formală): „Dacă un adult altfel sănătos are
febră, atunci poate să aibă gripă”. O a doua abordare, mai generală, este inferența bayesiană: „Dacă pacientul
curent are febră, ajustează probabilitatea ca acesta să aibă gripă așa sau așa”. Cea de-a treia abordare
majoră, extrem de populară în aplicațiile de IA de afaceri de rutină, sunt analogizatori precum SVM(d) și cel mai
apropiat vecin(d): „După examinarea înregistrărilor despre pacienți cunoscuți din trecut, a căror temperatură,
simptome, vârstă și alți factori se potrivesc cel mai mult cu pacientul actual, acei pacienți s-au dovedit a avea
gripă”. O a patra abordare este mai greu de înțeles intuitiv, dar este inspirată de felul în care funcționează
mecanismul creierului: abordarea cu rețele neurale artificiale folosește „neuroni” artificiali care pot învăța prin
compararea cu rezultatul dorit și modificând punctele tari ale conexiunilor dintre neuronii săi interni pentru a
„întări” conexiunile care par astfel utile. Aceste patru abordări principale se pot suprapune între ele și cu
sisteme evolutive; de exemplu, rețelele neurale pot învăța să facă inferențe, să generalizeze și să facă analogii.
Unele sisteme utilizează, implicit sau explicit, mai multe dintre aceste abordări, alături de mulți alți algoritmi de
IA și non-IA; [63] adesea, cea mai bună abordare diferă în funcție de problemă.[64][65]