რამდენიმე ათეული წელია, მკვლევარები მუშაობენ ხელოვნური ინტელექტის (ხი) შექმნაზე, რომელსაც შეუძლია დამოუკიდებლად გადაჭრას კონკრეტული პრობლემა.
თავდაპირველად მუშაობა წესებზე დაფუძნებულ სიმბოლურ ხელოვნურ ინტელექტზე მიმდინარეობს. მაგრამ ხელოვნური ინტელექტის ეს ფორმა მკაცრად შეზღუდულია. ის მხოლოდ შესაფერისია იმ სფეროებისთვის, სადაც მკაფიო წესები შეიძლება განისაზღვროს ყველა შესაძლო სიტუაციისთვის. 1980-იანი წლებიდან მოყოლებული, ძალიან დიდი პროგრესი იქნა მიღწეული თვითშესწავლის პროგრამების სფეროში.
მანქანათმცოდნეობა ნიშნავს, რომ კომპიუტერი მაგალითებიდან და გამოცდილებიდან სწავლობს გადაწყვეტილების მიღებას - კონკრეტული ამოცანის გადაჭრის პროგრამირების გარეშე. სპეციალური ალგორითმები სწავლობენ ნიმუშების მონაცემებს და ავითარებენ მოდელებს, რომლებიც შეიძლება გამოყენებულ იქნას ახალ, ამ დრომდე უცნობ მონაცემებზე. როდესაც თვითსწავლების მანქანები სწავლობენ მაგალითებს ძალიან დიდი რაოდენობით, ისინი დამოუკიდებლად ავითარებენ გადაწყვეტილების მიღების განზოგადებულ პროცესს. თუმცა, თუ როგორ იღებენ თვითსწავლების პროგრამები თავიანთ გადაწყვეტილებებს, როგორც წესი, თავად პროგრამისტებისთვისაც უცნობია. სირთულიდან გამომდინარე, განასხვავებენ მანქანათმცოდნეობის სხვადასხვა დონეს: ზედამხედველობითი სწავლება, ზედამხედველობის გარეშე სწავლება, განმტკიცების სწავლა და სიღრმისეული სწავლება.
„დღეს ჩვენ გვაქვს მანქანები, რომლებსაც უკვე შეუძლიათ შედარებით კარგად სწავლა, მაგრამ ჯერ არ გვაქვს მანქანები, რომლებსაც შეუძლიათ აზროვნება. ასეთი მანქანების შემუშავება მთავარი ამოცანაა“.
ბერნჰარდ შოლკოფი, მაქს პლანკის საზოგადოების ინტელექტუალური სისტემების ინსტიტუტის ტუბინგენში დირექტორი
როგორ სწავლობს ხელოვნური ინტელექტი?
წესებზე დაფუძნებული სწავლება
წესებზე დაფუძნებული სწავლება, რომელსაც ასევე უწოდებენ სიმბოლურ ხელოვნურ ინტელექტს, აგებულია ლოგიკურ მოდელებზე და ხშირად მოიხსენიება როგორც „კლასიკური“ ხელოვნური ინტელექტი. ის იღებს გადაწყვეტილებებს პროგრამის კოდში წინასწარ განსაზღვრული მკაფიო წესების შესაბამისად.
ხელოვნური ინტელექტის ამ ფორმის მაგალითია Deep Blue, კომპიუტერული პროგრამა, რომელმაც პირველად დაამარცხა მაშინდელი ჭადრაკის ჩემპიონი კასპაროვი 1996 წელს. ის მუშაობს სიმბოლური ხელოვნური ინტელექტის გამოყენებით და თავის სათამაშო ძალას ძირითადად დამუშავების სიმძლავრის მეშვეობით აღწევს. საჭადრაკო პროგრამა ითვლის საშუალოდ 126 მილიონ პოზიციას წამში. სინამდვილეში, Deep Blue არ არის ძალიან ჭკვიანი - მაგრამ არის ძალიან სწრაფი.
მეთვალყურეობის ქვეშ სწავლა
ზედამხედველობითი სწავლებისას ადამიანები აფასებენ ტრენინგისა და ტესტირების მონაცემებს და ანაწილებენ ჯგუფებად. სასწავლო პერიოდის განმავლობაში, ხელოვნური ინტელექტი სწავლობს კატების სურათების სწორად დასახელებას, მაგალითად, „კატა“. თუ ძაღლსა და კატას შორის არჩევისთვის გაწვრთნილ ალგორითმს აჩვენებდნენ სპილოს ფოტოს, ხელოვნური ინტელექტი ვერ გადაჭრის პრობლემას. თუმცა, ვიწრო ზონით შემოიფარგლება, ეს ალგორითმები ძალიან საიმედო და ზუსტია, თუ ტრენინგის მონაცემები საკმარისად დიდი და კარგი ხარისხისაა. გამოსახულების ანალიზი სწავლების მეთოდების გამოყენებით უკვე მნიშვნელოვან როლს თამაშობს გამოსახულების დიაგნოსტიკაში. რამდენიმე კვლევა აჩვენებს, რომ ხელოვნურ ინტელექტს შეუძლია უფრო სწრაფი და ხშირად ზუსტი დიაგნოზის დასმა, ვიდრე ბევრ მედიცინის მუშაკს, მაგალითად, კანის კიბოს შეფასებისას. საუკეთესო შედეგები მიიღწევა, როდესაც ადამიანები და ხელოვნური ინტელექტი მუშაობენ ერთად: ხელოვნური ინტელექტი პირველ რიგში აფასებს არის ეს კანის კიბო ზოგადად, თუ კანის უვნებელი ცვლილება. ამის შემდეგ მკურნალობას განსაზღვრავენ სპეციალისტები.
უკონტროლო სწავლა
ზედამხედველობის გარეშე სწავლა ითვლება, როდესაც ალგორითმი იღებს გაუფილტრავ დაუმუშავებელ მონაცემებს. პროგრამა დამოუკიდებლად ეძებს მსგავსებებსა და განსხვავებებს მონაცემებში. მიზანი -ინტერესისა და შესაბამისი შაბლონების იდენტიფიცირება. თუმცა, ეს ზოგჯერ იწვევს შეცდომებს, როდესაც ხელოვნური ინტელექტი ამოიცნობს მსგავსებებს, განსაკუთრებით სურათის ფონზე და, შესაბამისად, არასწორ შედეგებამდე მიდის. მაგალითად, თუ ხელოვნური ინტელექტი მხოლოდ თოვლში მყოფი მგლების ფოტოებიდან გაიგებს, თუ რა არის მგელი, ის ასევე უწოდებს თოვლში მყოფ სხვა ცხოველს „მგელს“. შაბლონის ამოცნობა თვითსწავლის ქსელების გამოყენებით მკვლევარებს უფრო მეტის დანახვაში დაეხმარება: ცოცხალი უჯრედების ფლუორესცენტული მიკროსკოპია ხშირად საჭიროა დაბალი განათების პირობებში, წინააღმდეგ შემთხვევაში შესწავლილი ორგანიზმები დაზიანდება. თვითნასწავლი გამოსახულების აღდგენის პროგრამული უზრუნველყოფა აანალიზებს ამ ცუდად განათებულ, ძნელად დასანახ მიკროსკოპულ სურათებს, ადარებს მათი ცნობილი გამოსახულების ნიმუშებს და შეუძლია გამოავლინოს „დამალული“ გამოსახულების შინაარსი.
განმტკიცებით სწავლა
განმამტკიცებელი სწავლებისას სასწავლო სისტემა იღებს გადაწყვეტილებებს, რის მიხედვითაც იგი შემდგომში მოქმედებს. თითოეული მოქმედებისთვის სისტემა იღებს დადებით ან უარყოფით გამოხმაურებას. ამრიგად, ალგორითმი სულ უფრო და უფრო უკეთესად გაიგებს რამდენად წარმატებულია ინდივიდუალური ქმედებები სხვადასხვა სიტუაციებში. სიღრმისეული სწავლება არის გაძლიერებული სწავლის ტექნიკა ხელოვნურ ნერვულ ქსელებში, რომელიც ასახავს ტვინის მუშაობას. ასეთი ნერვული ქსელი შედგება რამდენიმე ფენისგან. ცალკეული ფენები შედგება მრავალი ხელოვნური ნეირონისგან, რომლებიც დაკავშირებულია ერთმანეთთან და პასუხობენ შესაბამისი წინა ფენის ნეირონებს. რაც უფრო დიდია ქსელი, მით უფრო რთული სიტუაციების მოგვარებაა შესაძლებელი.
სიტყვისა და ტექსტის ამოცნობა
სიღრმისეული სწავლება განსაკუთრებით გამოიყენება სიტყვისა და ტექსტის ამოცნობისთვის. მაგალითად, კიოლნში განვითარებული ონლაინ მთარგმნელობითი სერვისი DeepL და კარლსრუეს ტექნოლოგიური ინსტიტუტის ლექციების მთარგმნელი სინქრონული თარგმანის პროგრამა მუშაობს ხელოვნურ ნერვულ ქსელებთან.
პიროვნებების ამოცნობა
დღესდღეობით ხელოვნური ნერვული ქსელები ასევე გამოიყენება სახის ამოცნობისთვის. მხოლოდ დიდი ბრიტანეთის დედაქალაქ ლონდონში დამონტაჟდა 600 000-ზე მეტი კამერა, რომელთაგან ბევრი ასევე გამოიყენება სახის ამოცნობისთვის. ტექნოლოგია შექმნილია იმისთვის, რომ დაეხმაროს პოლიციას დანაშაულის ამოხსნაში ან თუნდაც თავიდან აცილებაში. მაგრამ რამდენად დიდია ასეთი კონტროლის საშიშროება? რამდენად თავსებადია ის დემოკრატიასთან და სამოქალაქო უფლებებთან?
ავტონომიური მართვა
ავტომობილების მწარმოებლები ათწლეულების განმავლობაში მუშაობდნენ ავტომობილის მართვის ავტომატიზირებაზე, მანქანების დამხმარე სისტემების მრავალფეროვნებით. ბევრი რამ უკვე რეალობად იქცა, როგორიცაა სიჩქარის ავტომატური ადაპტაცია ან პარკირების დახმარება. მთავარი მიზანი ავტონომიური მართვაა, როდესაც ხელოვნური ინტელექტით აღჭურვილი კომპიუტერული პროგრამები მთლიანად აკონტროლებენ მანქანას, ადამიანები კი მხოლოდ მგზავრები არიან. ერთის მხრივ, ეს თავიდან აიცილებდა ბევრ ავტოსაგზაო შემთხვევას, რადგან დღეს უამრავი ავარია ხდება ადამიანური ფაქტორის გამო. მაგრამ, მეორე მხრივ, ასევე არსებობს ფუნდამენტური კითხვები: ვინ არის პასუხისმგებელი მძღოლის გარეშე ავტომობილთან შეჯახების შემთხვევაში?
და ვინჩი დახვეწილი ელფერით
დღეს, ადამიანისა და მანქანის საერთო ინტერფეისები, პირველ რიგში, ორიენტირებულია სმენაზე ან მხედველობაზე. მაგრამ კეტრინ კუხენბეკერი და მისი გუნდი შტუტგარტის მაქს პლანკის ინსტიტუტში დარწმუნებულნი არიან, რომ მრავალი აპლიკაციისთვის რობოტებს სჭირდებათ უკეთესი ტაქტილური შესაძლებლობები და ასევე უმაღლესი სოციალური ინტელექტი. ამიტომ, მეცნიერები ასწავლიან რობოტებს გარემოს შეხებით აღქმას. ეს თანაბრად მნიშვნელოვანია ადამიანებთან მუშაობისას, მაგალითად, მოვლის საჭიროებისას და დისტანციურად მართვადი რობოტების გამოყენებისას. მაგალითად, კეტრინ კუხენბეკერი აგრძელებს და ვინჩის ქირურგიული რობოტის შემუშავებას, რომელიც ქირურგებს საშუალებას აძლევს განახორციელონ ოპერაციები დიდ დისტანციაზე. ამავდროულად, ხელოვნური ინტელექტის სისტემა გადასცემს დისტანციური სპეციალისტების მოძრაობებს რობოტზე. ახალი ფუნქციების წყალობით, ექიმებს უკვე შეუძლიათ არა მხოლოდ ეკრანზე ნახონ, არამედ პირდაპირ იგრძნონ რას აკეთებს რობოტი.
