Արդեն մի քանի տասնամյակ հետազոտողներն աշխատում են արհեստական ինտելեկտի ստեղծման վրա, որը կարող է ինքնուրույն լուծել այս կամ այն խնդիրը:
Սկզբում աշխատանքը կատարվում է սիմվոլների և կանոնների վրա հիմնված: Բայց ԱԲ-ի այս ձևը խիստ սահմանափակ է: Այն հարմար է միայն այն տարածքների համար, որտեղ հստակ կանոններ կարող են սահմանվել բոլոր հնարավոր իրավիճակների համար: 1980-ական թվականներից շատ մեծ առաջընթաց է գրանցվել ինքնուսուցանվող ծրագրերի ոլորտում։
Մեքենայական ուսուցում նշանակում է, որ համակարգիչը սովորում է օրինակներից և փորձից՝ որոշումներ կայացնելու համար՝ առանց ծրագրավորման կոնկրետ խնդիր լուծելու համար: Հատուկ ալգորիթմները սովորում են ցուցադրական տվյալների վրա և զարգացնում են մոդելներ, որոնք այնուհետեւ կարող են օգտագործվել նոր, նախկինում չհանդիպած տվյալների համար: Երբ ինքնակառավարման ուսուցման մեքենաները սովորում են շատ մեծ թվով օրինակներից, նրանք ինքնուրույն զարգացնում են որոշումների կայացման ընդհանրացված գործընթացը: Այնուամենայնիվ, թե ինչպես են ինքնուրույն սովորող ծրագրերը հասնում իրենց լուծումներին, սովորաբար նույնիսկ իրենք՝ ծրագրավորողները չեն կարողանում հասկանալ: Կախված բարդությունից՝ տարբերվում են մեքենայական ուսուցման տարբեր մակարդակներ՝ վերահսկվող ուսուցում, չվերահսկվող ուսուցում, ամրապնդող ուսուցում և խորը ուսուցում:
<<Այսօր մենք ունենք մեքենաներ, որոնք արդեն կարող են համեմատաբար լավ սովորել, բայց դեռ չունենք մեքենաներ, որոնք կարող են մտածել: Նման մեքենաների մշակումը մեր հիմնական խնդիրն է>>։
Բերնհարդ Շոլկոպֆ, Տյուբինգենի Մաքս Պլանկի անվ․ միության ինտելեկտուալ համակարգերի ինստիտուտի տնօրեն
Ինչպե՞ս է ԱԲ-ն սովորում:
Կանոնների վրա հիմնված ուսուցում
Կանոնների վրա հիմնված ուսուցումը, որը նաև կոչվում է խորհրդանշական ԱԲ, կառուցված է տրամաբանական մոդելների վրա և հաճախ կոչվում է <<դասական>> ԱԲ: Այն որոշումներ է կայացնում ծրագրային կոդում նախապես սահմանված հստակ կանոնների համաձայն:
ԱԲ-ի այս ձևի օրինակ է Deep Blue համակարգչային ծրագիրը, որն առաջին անգամ հաղթել է 90-ականների շախմատի աշխարհի չեմպիոն Կասպարովին 1996 թվականին: Նա աշխատում է խորհրդանշական ԱԲ-ի հետ և իր խաղային հզորությանն է հասնում հիմնականում վերամշակող հզորության միջոցով: Շախմատի ծրագրային ապահովումը հաշվարկում է վայրկյանում միջինը 126 միլիոն դիրք: Իրականում, Deep Blue-ն այնքան էլ խելացի չէ, բայց չափից ավելի արագ է:
Վերահսկվող ուսուցում
Վերահսկվող ուսուցման ժամանակ մարդիկ գնահատում են ուսումնական և թեստային տվյալները և բաշխում դրանք ըստ խմբերի։ Դասընթացի ընթացքում ԱԲ-ն սովորում է ճիշտ անվանել կատուների պատկերները, օրինակ՝ <<կատու>>: Եթե շան և կատվի միջև ընտրության համար վարժեցված ալգորիթմին ցույց տան փղի լուսանկարը, ԱԲ-ն չի կարողանա լուծել այս խնդիրը: Այնուամենայնիվ, սահմանափակված նեղ տարածքով, այս ալգորիթմները շատ հուսալի և ճշգրիտ են, եթե վերապատրաստման տվյալները բավականաչափ մեծ են և լավ որակով:
Պատկերների վերլուծությունն՝ օգտագործելով ուսուցման մեթոդները, արդեն իսկ կարևոր դեր է խաղում պատկերների ախտորոշման մեջ: Մի քանի ուսումնասիրություններ ցույց են տալիս, որ արհեստական ինտելեկտը կարող է ավելի արագ և հաճախ ավելի ճշգրիտ ախտորոշել, քան շատ առողջապահական մասնագետներ, օրինակ՝ մաշկի քաղցկեղը գնահատելիս: Լավագույն արդյունքները ձեռք են բերվում մարդու և ԱԲ-ի համատեղ աշխատանքի ժամանակ. նախ ԱԲ-ն գնահատում է, թե արդյոք դա մաշկի քաղցկեղ է, թե մաշկի անվտանգ փոփոխություն: Դրանից հետո բուժումը որոշվում է մասնագետների կողմից։
Չվերահսկվող ուսուցում
Չվերահսկվող ուսուցումը կոչվում է այն դեպքում, երբ ալգորիթմը ստանում է չզտված, չմշակված տվյալներ: Ծրագիրը ինքնուրույն որոնում է տվյալների նմանություններն ու տարբերությունները: Նպատակն է բացահայտել հետաքրքրության օրինաչափությունները և համապատասխան օրինաչափությունները: Այնուամենայնիվ, դա երբեմն հանգեցնում է սխալների, երբ ԱԲ-ն ճանաչում է նմանություններ, հատկապես պատկերի ֆոնին, և, հետևաբար, սխալ արդյունքներ են գալիս: Օրինակ, եթե ԱԲ-ն ճանաչում է միայն, թե ինչ է գայլը, ձյան մեջ գտնվող գայլերի լուսանկարներից, նա նաև <<գայլ>> կանվանի ձյան մեջ գտնվող մեկ այլ կենդանու:
Ինքնուսուցող ցանցերի միջոցով պատկերների ճանաչումը կարող է օգնել հետազոտողներին տեսնել ավելին. կենդանի բջիջների ֆլուորեսցենտային մանրադիտությունը հաճախ պետք է իրականացվի թույլ լուսավորության դեպքում, քանի որ հակառակ դեպքում ուսումնասիրվող օրգանիզմները կվնասվեն: Ինքնուսուցվող պատկերների վերականգնման ծրագիրը վերլուծում է այս վատ լուսավորված, դժվար տեսանելի մանրադիտակային պատկերները, համեմատում դրանք հայտնի պատկերների նմուշների հետ և կարող է բացահայտել <<թաքնված>> պատկերի բովանդակությունը:
Ամրապնդող ուսուցում
Ուսուցման ամրապնդման ժամանակ ուսուցման համակարգը որոշումներ է կայացնում, որոնց համաձայն այն հետագայում գործում է: Յուրաքանչյուր գործողության համար համակարգը ստանում է դրական կամ բացասական արձագանք: Այսպիսով, ալգորիթմը գնալով ավելի ու ավելի լավ է ճանաչում, թե որքան հաջողակ են անհատական գործողությունները տարբեր իրավիճակներում: Խորը ուսուցումը արհեստական նեյրոնային ցանցերում ամրապնդման ուսուցման մեթոդ է, որը նմանակում է ուղեղի աշխատանքը: Այս նեյրոնային ցանցը բաղկացած է մի քանի շերտերից: Առանձին շերտերը կազմված են բազմաթիվ արհեստական նեյրոններից, որոնք կապված են միմյանց հետ և արձագանքում են համապատասխան նախորդ շերտի նեյրոններին։ Որքան մեծ է ցանցը, այնքան ավելի բարդ իրավիճակները կարող են կարգավորվել:
Խոսքի և տեքստի ճանաչում
Խորը ուսուցումն օգտագործվում է հատկապես խոսքի և տեքստի ճանաչման համար: Օրինակ, Քյոլնում մշակված DeepL առցանց թարգմանության ծառայությունը և Կարլսրուեի տեխնոլոգիական ինստիտուտի Lecture Translator համաժամանակյա թարգմանության ծրագիրը աշխատում են արհեստական նեյրոնային ցանցերի հետ։
Դեմքի ճանաչում
Ներկայումս արհեստական նեյրոնային ցանցերը նույնպես օգտագործվում են դեմքի ճանաչման համար։ Միայն Մեծ Բրիտանիայի մայրաքաղաք Լոնդոնում ավելի քան 600 հազար տեսախցիկ է տեղադրվել, որոնցից շատերն օգտագործվում են նաև դեմքերի ճանաչման համար։ Տեխնոլոգիան նախատեսված է ոստիկանությանն օգնելու հանցագործությունները բացահայտելու կամ նույնիսկ կանխելու համար: Բայց որքա՞ն մեծ է նման վերահսկողության վտանգը։ Որքանո՞վ է այն համատեղելի ժողովրդավարության և քաղաքացիական իրավունքների հետ։
Ինքնավար վարում
Ավտոարտադրողները արդեն տասնամյակներ շարունակ աշխատում են մեքենա վարելու ավտոմատացման վրա մեքենաների կառավարման տարբեր համակարգերի միջոցով: Շատ բաներ արդեն իրականություն են դարձել, օրինակ՝ արագության ավտոմատ հարմարեցումը կամ կայանման օգնությունը: Հիմնական նպատակը ինքնավար վարելն է, երբ ԱԲ-ով համակարգչային ծրագրերն ամբողջությամբ կառավարում են մեքենան, իսկ մարդիկ միայն ուղևորներ են։ Մի կողմից, դա թույլ կտա կանխել բազմաթիվ ճանապարհային պատահարներ, քանի որ այսօր շատ վթարներ տեղի են ունենում մարդկային գործոնի պատճառով։ Բայց, մյուս կողմից, կան նաև սկզբունքային հարցեր. Ով է պատասխանատվություն կրում առանց վարորդի ավտոմեքենայի հետ բախման դեպքում։
Սուր ընկալմամբ da Vinci
Այսօր տարածված մարդ-մեքենայական ինտերֆեյսները հիմնականում ուղղված են լսողությանը կամ տեսողությանը վրա։ Բայց Կատերինե Կուխենբեկերը և Շտուտգարտի Մաքս Պլանկի ինստիտուտի նրա թիմը համոզված են, որ շատ ոլորտներում ռոբոտների կիրառման համար անհրաժեշտ են շոշափելի փոխգործակցության ավելի կատարյալ հնարավորություններ, ինչպես նաև ավելի բարձր սոցիալական ինտելեկտ: Ուստի գիտնականները ռոբոտներին սովորեցնում են ընկալել իրենց միջավայրը հպումով։ Սա հավասարապես կարևոր է, երբ աշխատում եք մարդկանց հետ, օրինակ, ովքեր խնամքի կարիք ունեն, և երբ օգտագործում եք հեռակառավարվող ռոբոտներ: Այսպես, Կատերինե Կուխենբեկերը շարունակում է "da Vinci" վիրաբուժական ռոբոտի մշակումը, որը վիրաբույժներին թույլ է տալիս մեծ հեռավորության վրա վիրահատություններ կատարել: Միևնույն ժամանակ, ԱԲ համակարգը ռոբոտին է փոխանցում հեռահար մասնագետների շարժումները։ Նոր գործառույթների շնորհիվ բժիշկները այժմ կարող են ոչ միայն տեսնել էկրանին, այլև անմիջականորեն զգալ, թե ինչ է անում ռոբոտը: