La început inteligenţa artificială părea a fi doar un subiect desprins din literatura science-fiction: mașini care pot vorbi, mașini care pot gândi, mașini care pot simți.
Cu toate acestea, în ultimul timp oamenii de știință au înregistrat, cu siguranţă, progrese importante în acest domeniu de cercetare din informatică.
De-a lungul anilor s-a vorbit mult despre inteligenţa artificială, învățare maşină și învățarea profundă. Ce diferenţă există între acești trei termeni destul de greu de
înțeles și care este legătura dintre ei?
Inteligența artificială (IA) este o ramură a informaticii cu ajutorul căreia se încearcă construirea de maşini inteligente şi modelarea inteligenţei umane.
Termenul de „inteligenţă artificială” a apărut în anul 1959 şi aşa cum a afirmat Raymond Kurzweil, un pionier în domeniul inteligenței artificiale, inteligenta artificială este „arta de a crea mașini care să îndeplinească funcții care ar necesita inteligență dacă ar fi îndeplinite de oameni”. Progresele înregistrate în acest domeniu al informaticii au generat dezbateri aprinse cu privire la ameninţarea pe care inteligenţa artificială o reprezintă la adresă omenirii, indiferent că vorbim de o ameninţare fizică (există voci care susţin că omenirea poate fi exterminată de roboţii înzestraţi cu inteligenţă artificială) sau economică (pentru prevenirea acestui pericol s-a propus venitul universal de bază, care în prezent este în curs de testare în anumite țări).
Masini ce gandesc si fiinte artificiale apar in miturile grecesti, cum ar fi Thalos din Creta, robotii de aur ai lui Hefaistos si Galatea lui Pygmalion. Fenomenul de antropomorfizare apare in toate civilizatiile, incepand cu statuile sacre venerate in Egipt si in Grecia, si continuand cu masinariile lui Yan Shi, ale lui Heron din Alexandria, Al-Jazari sau Wolfgang von Kempelen. Era raspandita credinta conform careia fiinte artificiale ar fi fost creeate de catre Geber, Judah Loew si Paracelsus. Povestirile despre aceste creaturi si a lor soarta pun in discutie aceleasi sperante, temeri si probleme etice comune I.A.-ului.
Primele algoritme realizate de cercetatori, imitau pas cu pas gandirea umana atunci cand avea de rezolvat un puzzle sau avea de facut o deductie logica.
Prin anii 80-90, erau deja dezvoltate metode eficiente care ii permiteau I.A. sa se descurce cu informatii nesigure sau incomplete, pornind de la concepte ce provin
din statistica si economie.
Pentru problemele mai dificile, o mare parte din acesti algoritmi necesita o putere imensa de calcul – cele mai multe masini de calcul au parte de o „explozie de combinatii”:
atunci memoria sau timpul necesar calcularii devin astronomice, deoarece problema depaseste o anumita marime. Cautarea unui algoritm eficient e o prioritate in
producerea A.I-ului.
Oamenii isi rezolva o mare parte din probleme, folosind evaluari rapide si intuitive de situatie, ci nu deductii constiente, ce au loc pas cu pas, asa cum faceau
primele I.A.-uri. Cercetarile din domeniul retelelor neuronale incearca sa simuleze structurile din interiorul creierului uman si animal, care sunt responsabile
de aceste abilitati.
Reprezentarea cunostintelor si ingineria lor sunt esentiale pentru I.A. Multe dintre problemele pe care le dorim rezolvate de masini necesita cunostinte detaliate
despre lume. Printre lucrurile pe care I.A. trebuie sa sa fie capabila sa si le reprezinte, se numara: obiecte, proprietati, categorii si relatiile dintre obiecte,
situatii, evenimente, cauze si efecte, si alte domenii mai putin cercetate. Aceasta reprezentare completa a „ceea ce exista” se numeste ontologie.
Multe din lucrurile pe care oamenii le stiu, provin din presupuneri. John McCarthy a identificat problema in 1969, pentru orice regula generala pe care cercetatorii
incercau sa o schiteze I.A.-ului, exista un numar urias de exceptii. Aproape nimic nu este doar fals sau doar adevarat, in modalitatea necesara logicii abstracte.
Numarul de cunostinte generale despre lume, pe care o persoana normala le cunoaste e astronomic. Cercetatorii care incearca sa creeze I.A.-ului o baza de date
generala despre lume, au nevoie de un numar enorm de procedee ontologice complicate, ei trebuie sa introduca manual cate un concept odata.
Deoarece funcţionalităţile IA s-au transformat în operaţiuni mainstream la nivel enterprise, se dezvoltă un nou concept: inteligenţă adaptivă. Aplicaţiile de inteligenţă adaptivă ajută organizaţiile să ia decizii de afaceri mai bune, combinând puterea datelor interne şi externe în timp real cu ştiinţa decizională şi cu infrastructura de calcul extrem de scalabilă. Aceste aplicaţii fac în esenţă afacerea dvs. mai inteligentă. Acest lucru vă permite să oferiţi clienţilor dvs. produse, recomandări şi servicii mai bune – toate acestea producând rezultate mai bune în afaceri.
Nu se poate renunţa la transformarea IA. Pentru a rămâne competitivă, fiecare organizaţie trebuie să îmbrăţişeze IA şi să construiască un ecosistem IA. Companiile care nu reuşesc să adopte IA în anumite condiţii, în următorii 10 ani, vor rămâne în urmă. Deşi compania dvs. ar putea fi excepţia, majoritatea companiilor nu dispun de talentul şi expertiza interne pentru a dezvolta tipul de ecosistem şi soluţiile care pot maximiza capacităţile IA. Dacă aveţi nevoie de ajutor pentru a dezvolta strategia potrivită şi a accesa instrumentele potrivite, pentru a reuşi în călătoria dvs. de transformare a IA, ar trebui să căutaţi un partener inovator, cu expertiză profundă în domeniu şi cu un portofoliu cuprinzător IA.
În ciuda promisiunii IA, multe companii nu realizează întregul potenţial oferit de machine learning şi de alte funcţii ale IA. De ce? În mod ironic, se pare că problema constă, în mare parte...în oameni. Fluxurile de lucru ineficiente pot încetini companiile în obţinerea valorii complete a implementărilor IA. De exemplu, experţii în date pot întâmpina dificultăţi la obţinerea resurselor şi datelor de care au nevoie pentru a construi modele de machine learning. Ar putea avea probleme privind colaborarea cu colegii de echipă. Și au multe instrumente open source diferite pentru gestionare, în timp ce dezvoltatorii de aplicaţii trebuie uneori să codeze din nou în întregime modele pe care experţii în date le dezvoltă, înainte ca aceştia să le poată încorpora în aplicaţiile lor. Cu o listă crescândă de instrumente open source IA, sectorul IT sfârşeşte prin a petrece mai mult timp sprijinind echipele de ştiinţă a datelor, actualizând continuu mediile acestora de lucru. Această problemă este amplificată de o standardizare limitată în ceea ce priveşte modul în care echipele de ştiinţă a datelor doresc să lucreze. În cele din urmă, este posibil ca directorii executivi să nu aibă imaginea de ansamblu asupra întregului potenţial deţinut de investiţiile în IA ale companiei. În consecinţă, acestea nu oferă suficiente garanţii şi resurse pentru crearea unui ecosistem interactiv şi integrat, necesar pentru ca IA să aibă succes.
