Zpočátku se pracovalo na umělé inteligenci založené na pravidlech a symbolech. Tato forma UI je však velmi limitovaná. Je vhodná jen pro oblasti, ve kterých lze nastavit jasná pravidla pro všechny myslitelné situace. Značných pokroků bylo v 80. letech 20. století dosaženo v segmentu učících se programů.

Strojové učení znamená, že počítač se z příkladů a zkušeností naučí, jaké rozhodnutí je třeba učinit, a to aniž by byl naprogramován na řešení určitého problému. Speciální algoritmy se učí z dat vzorových příkladů a vyvíjejí si modely, které pak umějí použít i na nová data, se kterými se do té doby nesetkaly. Pokud jsou učící se stroje trénovány na velkém množství příkladů, samy si vytvoří proces rozhodování, který si zobecní. Jak se ale učící se stroje ke svým rozhodnutím dopracují, to většinou nejsou schopni vysledovat ani jejich programátoři. Podle komplexnosti rozlišujeme několik rovin strojového učení: učení s učitelem, učení bez učitele, zpětnovazebné učení a hluboké učení (Deep Learning).

„Dnes již máme stroje, které se umějí relativně dobře učit, ale ještě nemáme stroje, které by uměly myslet. Vyvinout takovéto stroje je největší výzva.“
Bernhard Schölkopf, ředitel tübingenského Ústavu Maxe Plancka pro inteligentní systémy

Jak se UI učí?

Učení založené na pravidlech
Učení založené na pravidlech, kterému se také říká symbolická umělá inteligence, vychází z logických modelů a často bývá označováno jako „klasická“ UI. Rozhoduje se podle jasných, programátorsky předem zakódovaných pravidel.
Příkladem tohoto druhu umělé inteligence je počítačový program Deep Blue, který v roce 1996 jako první porazil tehdejšího šachového velmistra Kasparova. Program pracuje se symbolickou UI a své herní výkonnosti dosahuje především díky své obří výpočetní kapacitě. Šachový software vypočítá v průměru 126 milionů pozic za sekundu. Deep Blue vlastně ve skutečnosti není inteligentní – ale je velmi, velmi rychlý.

Učení s učitelem
Při učení s učitelem jsou data z tréninků a testů vyhodnocována a klasifikována lidmi. Během tréninkové doby se UI učí např. obrázky koček správně označovat slovem „kočka“. Jestliže algoritmu trénovanému na rozlišování mezi psem a kočkou předložíme obrázek slona, úloha je pro UI neřešitelná. V rámci úzce vymezené oblasti jsou však tyto algoritmy velice spolehlivé a přesné, pokud byla tréninková data dostatečně obsáhlá a kvalitní.
Analýza fotografií s využitím učících se metod hraje již dnes důležitou roli v oboru zobrazovací diagnostiky. Několik studií ukázalo, že umělá inteligence dokáže například rakovinu kůže diagnostikovat rychleji a často i přesněji než lékař. Nejlepších výsledků však dosahují lidé a umělá inteligence společně: UI nejprve posoudí, zda se jedná skutečně o rakovinu, nebo o benigní změnu na kůži, a léčbu pak určí lékaři specialisté.

Učení bez učitele
O učení bez učitele mluvíme v případě, že algoritmus dostává nefiltrovaná surová data. Program v nich samostatně vyhledává podobnosti a rozdíly. Cílem je rozpoznat zajímavé a vhodné vzory. Zpočátku zde však dochází k chybám, např. když UI identifikuje podobnosti na pozadí obrázku, a dojde proto k nesprávnému výsledku. Pokud se UI učí, co je to „vlk“, ale vychází pouze z obrázků vlků ve sněhu, pak vyhodnotí jako „vlka“ i jiné zvíře vyobrazené na sněhu.

Rozpoznávání vzorů prostřednictvím učících se sítí může vědcům pomoci k tomu, aby viděli více: Fluorescenční mikroskopii živých buněk je často nutné provádět jen se slabým světlem, protože by jinak došlo k poškození zkoumaných organismů. Učící se software na restaurování fotografií dokáže tyto nedostatečně osvětlené a těžko rozpoznatelné mikroskopické snímky analyzovat, porovnat se vzory ze známých snímků a tak vlastně zviditelnit „skryté“ obrazy.

Zpětnovazebné učení
Při zpětnovazebném učení sytém činí rozhodnutí, podle nichž posléze i jedná. Za každou akci systém obdrží pozitivní, nebo negativní zpětnou vazbu. Tím se algoritmus učí stále lépe vyhodnocovat, jakou úspěšnost mají konkrétní kroky v různých situacích. Hluboké učení (Deep Learning) je metoda zpětnovazebného učení v umělých neuronových sítích, které imitují mozek. Takováto neuronová síť má několik vrstev. Jednotlivé vrstvy se skládají z mnoha umělých neuronů, které jsou navzájem propojené a reagují na neurony předchozí vrstvy. Čím větší je síť, tím složitější skutečnosti dokáže systém zpracovat.

Rozpoznávání řeči a textu
Deep Learning se mimo jiné používá k rozpoznávání řeči a textu. S umělými neuronovými sítěmi pracuje např. online překladatelská služba DeepL, vyvíjená v Kolíně nad Rýnem, nebo program na simultánní překlad Lecture Translator, jenž vznikl v Technologickém institutu v Karlsruhe.

Rozpoznávání obličeje
Umělé neuronové sítě se dnes používají také pro rozpoznávání obličeje. Jen v britském hlavním městě Londýně je nainstalováno přes 600.000 kamer, z nichž mnohé mají i funkci rozpoznávání obličeje. Tato technologie má pomáhat policii při rozkrývání trestné činnosti, někdy dokonce pomůže zločinu zabránit. Jaká jsou však rizika takovéhoto sledování? Je ještě slučitelné s demokracií a lidskými právy?

Autonomní řízení
Výrobci automobilů již po desetiletí pracují na automatizaci řízení pomocí různých asistenčních systémů. Mnohé z nich už se staly běžnou realitou, např. automatická regulace rychlosti nebo parkovací asistent. Velký cíl představuje autonomní řízení, při němž kontrolu nad vozidlem zcela převezmou počítačové programy s umělou inteligencí a lidé se stanou pouhými pasažéry. Tímto způsobem by se jistě zabránilo nejedné nehodě, neboť častou příčinou dopravních nehod bývá lidská chyba. Na druhé straně zde však vyvstávají zcela zásadní otázky: Kdo ponese odpovědnost za případnou srážku vozidel bez řidiče?
 

Příklady z výzkumu UI

Pojď se mnou zkoumat
Malý čtyřnohý robot SOLO 8, který pozdraví i návštěvníky této výstavy v rámci tématu UI, je produktem robotických laboratoří Ústavů Maxe Plancka pro inteligentní systémy se sídlem v Tübingenu a Stuttgartu. Tento výzkumný robot je open source projekt, návod na sestavení a dokumentace na GitHubu jsou veřejně dostupné. Většina dílů byla vytvořena na 3D tiskárně, ostatní lze snadno dokoupit. To znamená, že vědci na celém světě si mohou snadno a levně robot SOLO 8 sestavit a rozvíjet jej dál. Myšlenkou projektu je, aby každá laboratoř pro výzkum robotiky mohla tuto technologii využívat a aby tak vznikla celosvětová jednotná výzkumná platforma. Protože když bude mnoho vědců provádět své experimenty na stejné platformě, budou k dispozici srovnatelná data. To umožní rychlý pokrok v oblasti robotiky.
.
  © Mobillikni ta’minlash uchun Bosch kompaniyasining yechimlari
Dokonalá souhra
Pro velké filmové trhy, jakým je i Německo, se filmy a seriály dabují. Překladatelé pro dabing musí nejen správně vystihnout obsah toho, co bylo řečeno. Nový text se musí také hodit k pohybu rtů a k mimice herců. Ale to by se mohlo změnit: V Ústavu Maxe Plancka pro informatiku byla vytvořena technika umělé inteligence s názvem „Deep Video Portraits“, která naopak umožňuje upravit výraz obličeje a mimiku herců podle nejlepšího překladu. Funguje to tak, že se nasnímají pohyby obličeje a postavení hlavy dabérů a systém je přenese na herce ve filmu. Ve výsledku pak mimika, pohled, držení hlavy, a dokonce i mrkání očí dokonale ladí s mluveným slovem. Podobné techniky však umožňují také „Deepfake“, tedy falšování mediálních obsahů. Politikům a političkám lze vložit do úst jakékoli prohlášení, byť by bylo sebenesmyslnější. Musíme si zvyknout na to, že i na zdánlivě objektivní důkazy je třeba hledět kriticky.
  © Maks Plank Jamiyati Informatika instituti, Saarbyuken
Studium jazyků s UI
Online jazykových kurzů je „jako písku v moři“. Jejich nabídky se však mohou navzájem velmi lišit, kvalitou i cenou. Velkou úspěšnost slibují kurzy, při nichž účastníci dostávají intenzivní zpětnou vazbu od vyučujících. Tyto kurzy jsou ale drahé. Weizenbaumův institut – výzkumný projekt v Berlíně a Braniborsku – pracuje společně s Goethe-Institutem na vývoji umělé inteligence, která by umožňovala co nejefektivnější využívání času vyučujících s tím, že by se koncentrovali na určité oblasti, jako je např. psaní vlastních textů a výuka správné výslovnosti. Naopak program může ve volně formulovaných textech třeba kontrolovat nová slovíčka nebo správné používání nově naučené gramatiky. Dokáže dokonce rozpoznat, zda studenti přeložili text sami, nebo zda švindlovali a pomohli si překladačem. Umělá inteligence zkrátka může za vyučující převzít rutinní činnosti.

Da Vinci s citem v prstech
Dnes již běžná rozhraní člověk-stroj jsou většinou orientována na zrak a sluch. Katherine Kuchenbecker a její tým při Ústavu Maxe Plancka ve Stuttgartu jsou přesvědčeni o tom, že v mnoha oblastech použití robotů je zapotřebí, aby měli lepší schopnost haptické interakce a  vyšší sociální inteligenci. Proto vědci roboty učí, aby své okolí zkoumali hmatem. Je to důležité jak při kontaktu s lidmi, například při poskytování ošetřovatelské péče, tak i při používání dálkově ovládaných robotů. Katherine Kuchenbecker pracuje na dalším vývoji operačního robota „da Vinci“, s jehož pomocí mohou chirurgové operovat i z velké vzdálenosti. Systém umělé inteligence posílá robotovi pohyby specialistů i z velmi vzdáleného pracoviště. Díky nové funkci mohou nyní lékaři práci robota nejen sledovat na obrazovce, ale i přímo cítit, co robot dělá.

© Maks Plank Jamiyati Intellektual tizimlar instituti, Shtutgart „Pomocí umělé inteligence můžeme z dobrých chirurgů udělat velmi dobré chirurgy.“
Katherine Kuchenbecker, ředitelka stuttgartského Ústavu Maxe Plancka pro inteligentní systémy