Miesiąc: lipiec 2022

Sztuczna inteligencja może zautomatyzować powtarzalne uczenie się za pomocą zestawów danych. Jednak sztuczna inteligencja ma pewne podstawowe różnice w porównaniu z automatyzacją opartą na sprzęcie, ponieważ może niezawodnie wykonywać ciągłe zadania o dużej objętości. W przypadku takiej automatyzacji nadal wymagana jest interwencja człowieka w celu zainicjowania systemu. Automatykę, platformy komunikacyjne i maszyny można zintegrować z ogromnymi danymi, aby zastosować je w kilku nowych aplikacjach. Biorąc pod uwagę, że sztuczna inteligencja dodaje inteligencję do istniejących procesów, nie może być postrzegana jako niezależna aplikacja. Na przykład w produktach Apple nowej generacji Siri jest przydatną funkcją. AI wykorzystuje algorytmy progresywnego uczenia się, które umożliwiają programowanie danych. Potrafi znaleźć strukturę i nieprawidłowości w danych do wykorzystania w klasyfikacji i/lub prognozie. Na przykład program oparty na sztucznej inteligencji może nauczyć się gry w szachy, a także może być używany do polecania następnego produktu kupującym online. W ten sam sposób modele dostosowują się do nowych danych. Technika propagacji wstecznej pozwala algorytmowi udoskonalić się za pomocą danych uczących i nowych danych, jeśli przewidywane wyniki nie są dokładne. Sztuczna inteligencja może analizować duże dane z ukrytymi warstwami sieci neuronowych. Może uzyskać wyższą dokładność dzięki głębokim sieciom neuronowym (https://www.javatpoint.com). Modele DL wymagają trenowania Big Data, ponieważ uczą się bezpośrednio z zestawu danych. Im więcej danych jest wprowadzanych do modeli, tym dokładniej przewidują one wyniki. Na przykład Alexa, wyszukiwarka Google i Zdjęcia Google używają podejścia DL; im częściej je wykorzystujemy, tym dokładniejsze stają się. W medycynie można zastosować techniki DL oparte na sztucznej inteligencji, klasyfikację obrazów i techniki rozpoznawania obiektów, aby prawdopodobnie wykryć chorobę za pomocą rezonansu magnetycznego z prawie taką samą niezawodnością, jak w przypadku wyszkolonych radiologów. Sztuczna inteligencja nie zastąpi ludzi, ale uzupełnia ludzkie zdolności, dzięki czemu można je lepiej wykonywać. Ponieważ algorytmy sztucznej inteligencji uczą się zupełnie inaczej niż ludzie, powinny postrzegać rzeczy inaczej i mogą łatwo wizualizować relacje i wzorce, których ludzie nie mogą zobaczyć. W ten sposób partnerstwo człowiek-AI może zaoferować wiele możliwości:

(i) Może zapewnić dalsze wsparcie naszych istniejących zdolności i umożliwić lepszą percepcję i zrozumienie.

(ii) Może wprowadzić analitykę do branż, w których obecnie wykorzystywana jest sztuczna inteligencja.

(iii) Może być stosowany do ulepszania technologii analitycznych, takich jak widzenie komputerowe, analiza szeregów czasowych itp.

(iv) Może pokonać bariery ekonomiczne, językowe i tłumaczeniowe.

(v) Dostarcza know-how ML do wykorzystania do budowy modeli predykcyjnych dla sztucznej inteligencji.

(vi) Może nauczyć się, w jaki sposób oprogramowanie ma być wykorzystywane do przetwarzania, analizowania i wyprowadzania znaczeń z języka naturalnego.

(vii) Może przetwarzać obrazy i filmy dla kilku aplikacji czasu rzeczywistego.

(viii) Może budować inteligentne systemy zapewniające interaktywną komunikację między ludźmi a systemami SI.

Z teoretycznego punktu widzenia mamy teraz zadowalające rozwiązanie. Ale z obliczeniowego punktu widzenia musimy wiedzieć, jak zwięźle przedstawiać gry kooperacyjne i jak efektywnie obliczać koncepcje rozwiązania, takie jak rdzeń i wartość Shapleya. Oczywistą reprezentacją funkcji charakterystycznej byłaby tabela zawierająca wartość v(C) dla wszystkich 2ⁿ koalicji. Jest to niewykonalne dla dużych n Opracowano szereg podejść do zwięzłego przedstawiania gier kooperacyjnych, które można rozróżnić po tym, czy są kompletne. Kompletny schemat reprezentacji to taki, który jest w stanie przedstawić dowolną grę kooperacyjną. Wadą pełnych schematów reprezentacji jest to, że zawsze będą pewne gry, których nie można przedstawić w sposób zwięzły. Alternatywą jest użycie schematu reprezentacji, który gwarantuje zwięzłość, ale nie jest kompletny.

Koncepcja konstrukcji nieożywionych, które mogą działać niezależnie od ludzi, nie jest nowa; w rzeczywistości jest znany od czasów starożytnych. Przedstawiono greckiego boga Hefajstosa, który wykuwał ze złota sługi podobne do robotów. Nowoczesne komputery powstały na przełomie XIX i XX wieku. Wraz z pojawieniem się nowoczesnych, szybkich komputerów stało się możliwe rozwijanie i testowanie idei inteligencji maszynowej. Pionierski projekt powstał w latach 50. XX wieku. Od tego czasu każda branża stara się rozwijać i/lub wykorzystywać sztuczną inteligencję. Tabela podsumowuje systematyczny rozwój narzędzi i technologii AI.

Aktywność: Rok: Szczegóły

Pierwsze odkrycia związane z komputerami:

1836: Charles Babbage, matematyk z Cambridge University, i Augusta Ada Byron opracowali programowalną maszynę.

1923 : Sztuka Karela Čapka „Uniwersalne roboty Rossuma” została otwarta w Londynie, gdzie po raz pierwszy użyto słowa „robot”.

1940: John Von Neumann, matematyk z Princeton University, wymyślił architekturę komputera, która zawierała program i jego przetworzone dane, które mogą być przechowywane w pamięci komputera.

Dojrzewanie sztucznej inteligencji:

1943: Warren McCulloch i Walter Pits przeprowadzili pierwszą pracę, która jest obecnie znana jako AI. Zasugerowali model sztucznych neuronów. Położono fundament pod sieci neuronowe.

1945: Isaac Asimov, absolwent Columbia University, ukuł termin „robotyka”.

1949: Donald Hebb opracował nową zasadę, zwaną uczeniem Hebbowskim, do modyfikowania siły między neuronami.

1950 : Alan Turing, brytyjski matematyk, łamacz kodów z czasów II wojny światowej i pionier w uczeniu maszynowym, opublikował Computing Machinery and Intelligence. Wprowadził Test Turinga do oceny inteligentnego zachowania maszyn równoważnego ludzkiej inteligencji. Claude Shannon opublikował Szczegółową analizę gry w szachy.

Narodziny sztucznej inteligencji:

1955: Allen Newell i Herbert A. Simon opracowali pierwszy program sztucznej inteligencji, nazywając go „Teoretykiem logiki”. Program ten był w stanie udowodnić 38 z 52 twierdzeń matematycznych, a także opracować nowe dowody dla kilku problemów.

1956: Amerykański informatyk John McCarthy na konferencji Dartmouth College po raz pierwszy użył terminu „sztuczna inteligencja”. W tym czasie wynaleziono języki komputerowe, takie jak FORTRAN, LISP i COBOL. Demonstracja pierwszego uruchomionego programu AI została przeprowadzona na Uniwersytecie Carnegie Mellon. Przyciągnęła duże poparcie rządu i przemysłu.

Złote lata – wczesny entuzjazm:

1965: Wprowadzono kompletny algorytm logicznego rozumowania Robinsona.

1966: Opracowano algorytmy rozwiązywania problemów matematycznych. W tym samym roku Joseph Weizenbaum stworzył pierwszego chatbota o nazwie ELIZA, który położył podwaliny pod obecnie używane chatboty.

1969 : Shakey, robot posiadający zdolność poruszania się, percepcji i rozwiązywania problemów, został opracowany przez Instytut Badawczy Stanforda.

1972 : W Japonii zbudowano pierwszy inteligentny robot humanoidalny o nazwie WABOT-1.

1973 : Robot z Uniwersytetu w Edynburgu, zwany Freddy, może wykorzystywać technologię wizyjną do lokalizowania i składania modeli.

Pierwsza zima AI:

1974: Początek okresu, który trwał do końca dekady, podczas którego twórcy komputerów doświadczyli poważnego niedoboru funduszy rządowych na prace badawcze, co doprowadziło do spadku zainteresowania sztuczną inteligencją.

1979 : Powstaje Stanford Cart, pierwszy sterowany komputerowo pojazd autonomiczny.

Boom na sztuczną inteligencję:

1980: sztuczna inteligencja powróciła, używając nowych technik głębokiego uczenia, w tym systemów eksperckich Edwarda Feigenbauma, które replikowały zdolność podejmowania decyzji przez ekspertów. W tym samym roku Amerykańskie Stowarzyszenie Sztucznej Inteligencji zorganizowało swoją pierwszą krajową konferencję na Uniwersytecie Stanforda.

1985 : Aaron, program do rysowania, został stworzony przez Harolda Cohena.

1986 : Popularność sieci neuronowych.

Druga zima na temat sztucznej inteligencji:

1987: Prywatne inwestycje i rządowe fundusze na badania nad sztuczną inteligencją ponownie wysychają z powodu ogromnych kosztów i niewystarczającego zwrotu z inwestycji. Jednak XCON Expert System okazał się bardzo opłacalny.

1990 : Wprowadzono wiele postępów w sztucznej inteligencji, takich jak uczenie maszynowe, robot indeksujący, planowanie, eksploracja danych, planowanie wieloagentowe, rozumienie i tłumaczenie języka naturalnego, wnioskowanie oparte na przypadkach, gry, wizja i rzeczywistość wirtualna.

1991 : Program planowania i harmonogramowania logistyki AI, który obejmował do 50 000 pojazdów, ładunków i ludzi, został przyjęty przez siły USA podczas pierwszej wojny w Zatoce Perskiej.

Pojawienie się inteligentnych agentów:

1995: Pojawienie się inteligentnych agentów.

1997 : IBM Deep Blue pokonał mistrza świata w szachach Gary’ego Kasparowa, pierwszy komputer, który pokonał mistrza świata w szachach człowieka.

2000 : Opracowanie interaktywnych zwierząt domowych. Kismet, robot o twarzy zdolnej do wyrażania emocji, został opracowany przez naukowców z MIT. Inny robot, zwany Nomad, był używany do eksploracji odległych obszarów Antarktydy i znajdowania meteorytów.

2002 : Po raz pierwszy odkurzacz AI Roomba znalazł zastosowanie w domu.

2006 : sztuczna inteligencja wykorzystywana przez firmy biznesowe, takie jak Facebook, Twitter i Netflix.

Głębokie uczenie, duże zbiory danych i sztuczna inteligencja ogólna :

2011 : IBM Watson, program zdolny do rozumienia języka naturalnego i szybkiego rozwiązywania złożonych pytań, ostatecznie wygrał teleturniej Jeopardy.

2012 : Uruchomiono aplikację na Androida o nazwie Google, która może być używana jako narzędzie do przewidywania.

2014 : Chatbot Eugene Goostman wygrał konkurs w niesławnym teście Turinga.

2018 : Project Debater opracowany przez IBM może być używany do omawiania skomplikowanych tematów z dwoma głównymi dyskutantami i osiąga lepsze wyniki. Google opracował wirtualną asystentkę, Duplex, która zadzwoniła, aby zarezerwować wizytę u fryzjera, z ludzką recepcjonistką po drugiej stronie linii, nie zdając sobie sprawy, że rozmawia z programem komputerowym.

Obecnie :

Zwiększona moc obliczeniowa i objętość dostępnych danych zwiększyły wykorzystanie AI pod koniec lat 90., a tendencja ta przyspiesza. Sztuczna inteligencja zwiększyła wykorzystanie przetwarzania języka naturalnego, wizji komputerowej, robotyki, uczenia maszynowego, głębokiego uczenia itp. Sztuczna inteligencja jest przydatna w kontrolowaniu pojazdów, diagnozowaniu chorób i przewidywaniu zachowań. Niedawno 18-krotna historyczna porażka mistrza World Go Lee Sedola przez AlphaGo firmy Google DeepMind dowiodła możliwości inteligentnych maszyn.

Podstawowym założeniem teorii gier kooperacyjnych jest to, że gracze będą podejmować strategiczne decyzje dotyczące tego, z kim będą współpracować. Intuicyjnie gracze nie będą chcieli pracować z nieproduktywnymi graczami — będą naturalnie szukać graczy, którzy wspólnie zapewniają wysoką wartość koalicyjną. Ale ci poszukiwani gracze będą prowadzić własne rozumowanie strategiczne. Zanim będziemy mogli opisać to rozumowanie, potrzebujemy kilku dalszych definicji. Imputacja dla gry kooperacyjnej (N,v) to wektor wypłaty, który spełnia dwa następujące warunki:

Pierwszy warunek mówi, że przypisanie musi rozdzielić całkowitą wartość wielkiej koalicji; drugi warunek, zwany racjonalnością indywidualną, mówi, że każdy gracz ma się przynajmniej tak dobrze, jakby działał sam. Biorąc pod uwagę przypisanie x = (x₁,…x_n) i koalicję C ⊆  N, definiujemy x(C) jako sumę Σ_{i C} x_i – całkowitą kwotę wypłaconą C przez przypisanie x. Następnie definiujemy rdzeń gry (N,v) jako zbiór wszystkich imputacji x spełniających warunek x(C) ≥ v(C) dla każdej możliwej koalicji C ⊂ N. Tak więc, jeśli imputacja x nie jest w rdzeniu, to istnieje jakaś koalicja C ⊂ N taka, że ​​v(C) > x(C). Gracze w C odmówiliby przyłączenia się do wielkiej koalicji, ponieważ lepiej byłoby, gdyby trzymali się C. Rdzeń gry składa się zatem ze wszystkich możliwych wektorów wypłat, którym żadna koalicja nie mogłaby się sprzeciwić, ponieważ mogliby sobie radzić lepiej, nie przystąpienie do wielkiej koalicji. Tak więc, jeśli rdzeń jest pusty, to wielka koalicja nie może się utworzyć, ponieważ niezależnie od tego, jak wielka koalicja podzieliłaby swoje wypłaty, jakaś mniejsza koalicja odmówiłaby przystąpienia. Główne pytania obliczeniowe wokół rdzenia dotyczą tego, czy jest pusta, oraz czy dany rozkład wypłat znajduje się w rdzeniu. Definicja rdzenia w naturalny sposób prowadzi do układu nierówności liniowych, jak następuje (niewiadomymi są zmienne x₁,…,x_n, a wartości nv(C) są stałymi):

Każde rozwiązanie tych nierówności zdefiniuje przypisanie w rdzeniu. Możemy sformułować nierówności jako program liniowy, używając fikcyjnej funkcji celu (na przykład maksymalizując

która pozwoli nam obliczyć wielomiany w czasie w liczbie nierówności. Trudność polega na tym, że daje to wykładniczą liczbę nierówności (po jednej na każdą z 2ⁿ możliwych koalicji). W ten sposób podejście to daje algorytm sprawdzania braku pustego rdzenia, który działa w czasie wykładniczym. To, czy możemy zrobić coś lepszego, zależy od badanej gry: dla wielu klas gry kooperacyjnej problem sprawdzania niepustości rdzenia jest współ-NP-zupełny. Poniżej podajemy przykład. Zanim przejdziemy dalej, zobaczmy przykład gry superaddytywnej z pustym rdzeniem. Gra ma trzech graczy N = {1,2,3} i ma charakterystyczną funkcję określoną w następujący sposób:

Rozważmy teraz wszelkie przypisania (x₁,x₂,x₃) dla tej gry. Ponieważ v(N) = 1, musi być tak, że co najmniej jeden gracz i ma x_i > 0, a pozostali dwaj uzyskują całkowitą wypłatę mniejszą niż 1. Ci dwaj mogliby zyskać tworząc koalicję bez gracza i i dzieląc się wartość 1 między sobą. Ale ponieważ dotyczy to wszystkich imputacji, rdzeń musi być pusty. Rdzeń formalizuje ideę, że wielka koalicja jest stabilna, w tym sensie, że żadna koalicja nie może z niej z zyskiem odejść. Jednak rdzeń może zawierać nieuzasadnione imputacje w tym sensie, że jeden lub więcej graczy może uważać, że są niesprawiedliwi. Załóżmy, że N = {1,2} i mamy funkcję charakterystyczną n zdefiniowaną następująco:

Tutaj współpraca daje nadwyżkę 10 w stosunku do tego, co gracze mogliby uzyskać pracując w izolacji, więc intuicyjnie współpraca będzie miała sens w tym scenariuszu. Teraz łatwo zauważyć, że przypisanie (6;14) jest rdzeniem tej gry: żaden z graczy nie może odejść, aby uzyskać wyższą użyteczność. Ale z punktu widzenia gracza 1 może się to wydawać nierozsądne, ponieważ daje 9/10 nadwyżki graczowi 2. Zatem pojęcie rdzenia mówi nam, kiedy może powstać wielka koalicja, ale nie mówi nam jak rozłożyć wypłatę. Wartość Shapleya jest elegancką propozycją podziału wartości v(N) pomiędzy graczy, biorąc pod uwagę, że powstała wielka koalicja N. Sformułowana przez laureata Nagrody Nobla Lloyda Shapleya na początku lat pięćdziesiątych, wartość Shapleya ma być systemem sprawiedliwej dystrybucji. Co oznacza uczciwy? Rozkładanie v(N) na podstawie koloru oczu graczy, ich płci lub koloru skóry byłoby niesprawiedliwe. Studenci często sugerują, że wartość v(N) powinna być podzielona równo, co wydaje się być sprawiedliwe, dopóki nie uznamy, że dałoby to taką samą nagrodę graczom, którzy wnoszą duży wkład i graczom, którzy nie wnoszą nic. Spostrzeżenia Shapleya sugerowały, że jedynym sprawiedliwym sposobem podzielenia wartości v(N) było zrobienie tego w zależności od tego, ile każdy gracz przyczynił się do stworzenia wartości v(N). Najpierw musimy zdefiniować pojęcie marginalnego wkładu gracza. Krańcowy wkład gracza i do koalicji C to wartość, którą dodałbym (lub odjął), gdybym dołączył do koalicji C. Formalnie marginalny wkład gracza i do koalicji C jest oznaczony przez mc_i(C):

Teraz pierwszą próbą zdefiniowania schematu podziału wypłat zgodnie z sugestią Shapleya, że gracze powinni być nagradzani zgodnie z ich wkładem, byłaby zapłacenie każdemu graczowi wartości, którą dodaliby do koalicji zawierającej wszystkich innych graczy:

mc_i(N-{1})

• Problem polega na tym, że zakłada się domyślnie, że gracz i jest ostatnim graczem, który wchodzi do koalicji. Tak więc, zasugerował Shapley, musimy rozważyć wszystkie możliwe sposoby, w jakie mogłaby utworzyć się wielka koalicja, to znaczy wszystkie możliwe porządki graczy N, i wziąć pod uwagę wartość, jaką i dodaje do poprzednich graczy w kolejności. Następnie gracz powinien zostać nagrodzony poprzez otrzymanie średniego marginalnego wkładu, jaki wnosi gracz i, we wszystkich możliwych kolejnościach graczy, do zestawu graczy poprzedzających i w kolejności. Niech P oznacza wszystkie możliwe permutacje (np. uporządkowania) graczy N, a członków P przez p, p’,…, itd. Gdzie p ∈ P oraz i ∈ N, przez p_i oznaczamy zbiór graczy poprzedzających i w porządku p. Wtedy wartość Shapleya dla gry G to imputacja φ(G) = (φ₁(G),…, φ_n(G)) zdefiniowana w następujący sposób:

To powinno Cię przekonać, że wartość Shapleya jest rozsądną propozycją. Ale niezwykłym faktem jest to, że jest to unikalne rozwiązanie zestawu aksjomatów charakteryzujących „sprawiedliwy” schemat dystrybucji wypłat. Potrzebujemy więcej definicji przed zdefiniowaniem aksjomatów. Wirtualnego gracza definiujemy jako gracza i, który nigdy nie dodaje żadnej wartości do koalicji — to znaczy, mc_i(C) = 0 dla wszystkich C ⊆ N – 1. Powiemy, że dwaj gracze i oraz j są graczami symetrycznymi, jeśli zawsze wnoszą identyczny wkład do koalicji – czyli mc_i(C) = mc_j(C) dla wszystkich C ⊆  N – {i,j}. Wreszcie, gdzie G = (N, v) i G’ = (N,v’) są grami z tym samym zestawem graczy, gra G+G’ jest  grą z tym samym zestawem graczy i charakterystyczną funkcją v’’ określoną przez v’’(C) = n(C)+n’(C). Biorąc pod uwagę te definicje, możemy zdefiniować aksjomaty uczciwości spełnione przez wartość Shapleya:

• Sprawność:  (Cała wartość powinna być rozdzielona).

• Wirtualny gracz: Jeśli i jest fikcyjnym graczem w G, wtedy φ_i(G) = 0. (Gracze, którzy nigdy nic nie wnoszą, nigdy nie powinni niczego otrzymywać).
• Symetria: Jeśli i oraz j są symetryczne w G, to φ_i(G) = φ_j(G). (Gracze, którzy wnoszą identyczne wkłady, powinni otrzymać identyczne wypłaty.)
• Addytywność: Wartość jest addytywna w stosunku do gier: dla wszystkich gier G=(N,v) i G’ =(N,v’) oraz dla wszystkich graczy i N mamy φ_i(G+G’) = φ_i(G)+φ_i(G’).

Aksjomat addytywności jest wprawdzie dość techniczny. Jeśli jednak przyjmiemy to jako wymóg, możemy ustalić następującą kluczową właściwość: wartość Shapleya jest jedynym sposobem dystrybucji wartości koalicyjnej J, aby spełnić te aksjomaty sprawiedliwości.

Według ojca AI, Johna McCarthy’ego, sztuczna inteligencja to „nauka i inżynieria tworzenia inteligentnych maszyn, zwłaszcza inteligentnych programów komputerowych”. Innymi słowy, sztuczną inteligencję można zdefiniować jako „gałąź informatyki, dzięki której tworzymy inteligentne maszyny, które mogą myśleć jak człowiek, działać jak człowiek i podejmować decyzje jak człowiek” . Sztuczna inteligencja w pewnym sensie to symulacja/replikacja procesów inteligencji przez systemy komputerowe, które mogą myśleć i działać racjonalnie w sposób podobny do ludzi. W literaturze na temat sztucznej inteligencji dostępnych jest wiele definicji i wyjaśnień, które podsumowano poniżej :

Różne definicje sztucznej inteligencji

1: Bellman (1978): „Automatyzacja czynności, które kojarzymy z ludzkim myśleniem, czynnościami takimi jak podejmowanie decyzji, rozwiązywanie problemów, uczenie się”.

2: Charniak i McDermott (1985): „Badanie zdolności umysłowych za pomocą modeli obliczeniowych”.

3: Haugeland (1985): „Ekscytujący nowy wysiłek, aby komputery myślały o maszynach za pomocą umysłów, w pełnym i dosłownym tego słowa znaczeniu”.

4: Schalkoff (1990): „Dziedzina badań, która ma na celu wyjaśnienie i naśladowanie inteligentnych zachowań w zakresie procesów obliczeniowych”.

5: Kurzweil (1990): „Sztuka tworzenia maszyn, które wykonują funkcje wymagające inteligencji, gdy są wykonywane przez ludzi”.

6: Rich i Knight (1991): „Badanie, jak sprawić, by komputery robiły rzeczy, w których ludzie są w tej chwili lepsi”.

7: Winston (1992): „Badanie obliczeń, które umożliwiają postrzeganie, rozumowanie i działanie”.

8: Luger i Stubblefield (1993): „Gałąź informatyki zajmująca się automatyzacją inteligentnych zachowań”.

9: Dean i inni (1995): „Projektowanie i badanie programów komputerowych, które zachowują się inteligentnie. Programy te są skonstruowane tak, aby działały tak, jak ludzie lub zwierzęta, których zachowanie uważamy za inteligentne.

10 : Nilsson (1998): „Wiele ludzkich czynności umysłowych, takich jak pisanie programów komputerowych, wykonywanie matematyki, angażowanie się w zdroworozsądkowe rozumowanie, rozumienie języka, a nawet prowadzenie samochodu, wymaga inteligencji. Można powiedzieć, że (te systemy) wykazują sztuczną inteligencję.”

Konwencjonalnie określa się podzbiór graczy C jako koalicję. W codziennym użyciu termin „koalicja” oznacza zbiór ludzi o wspólnej sprawie (takiej jak Koalicja na rzecz Stop Gun Violence), ale każdy podzbiór graczy będziemy nazywać koalicją. Zestaw wszystkich graczy N jest znany jako wielka koalicja. W naszym modelu każdy gracz musi wybrać dołączenie dokładnie do jednej koalicji (która może być koalicją tylko jednego gracza). W ten sposób koalicje tworzą podział zbioru graczy. Rozbiór nazywamy strukturą koalicyjną. Formalnie struktura koalicji nad zbiorem graczy N jest zbiorem koalicji {C₁,…,C_k} takie, że:

Na przykład, jeśli mamy N = {1,2,3}, to istnieje siedem możliwych koalicji:

{1}, {2}, {3}, {1,2},  {2,3} , {3,1}, i {1,2.3}

oraz pięć możliwych struktur koalicyjnych:

{{1}, {2}, {3}} , {{1}, {2,3}} , {{2}, {1,3}} , {{3}, {1,2}} , i {{1,2,3}}:

Używamy notacji CS(N) do oznaczenia zbioru wszystkich struktur koalicyjnych nad zbiorem gracza N, a CS(i) do oznaczenia koalicji, do której należy gracz i. Wynik gry jest określony przez wybory, jakich dokonują gracze, decydując, które koalicje mają utworzyć, oraz wybierając sposób podziału wartości v(C), którą otrzymuje każda koalicja. Formalnie, biorąc pod uwagę grę kooperacyjną określoną przez (N,v), wynikiem jest para (CS,x) składająca się ze struktury koalicyjnej i wektora wypłaty x = (x₁,…,x_n) gdzie x_i jest wartością trafia do gracza I. Wypłata musi spełniać warunek, zgodnie z którym każda koalicja C dzieli całą swoją wartość v(C) między swoich członków:

Na przykład, biorąc pod uwagę grę ({1,2,3},v), gdzie v({1})=4 i v({2,3})=10, możliwym wynikiem jest:

({{1} ,{2,3}} , (4;5;5)):

Oznacza to, że gracz 1 zostaje sam i akceptuje wartość 4, podczas gdy gracze 2 i 3 łączą siły, aby otrzymać wartość 10, którą wybierają równo. Niektóre gry kooperacyjne mają tę cechę, że gdy dwie koalicje łączą się ze sobą, nie radzą sobie gorzej, niż gdyby pozostały rozdzielone. Ta właściwość nazywana jest superaddytywnością. Formalnie gra jest superaddytywna, jeśli jej charakterystyczna funkcja spełnia następujący warunek:

Jeśli gra jest superaddytywna, wielka koalicja otrzymuje wartość co najmniej tak wysoką lub wyższą niż suma otrzymana przez jakąkolwiek inną strukturę koalicji. Jednak, jak wkrótce zobaczymy, gry superaddytywne nie zawsze kończą się wielką koalicją, z tego samego powodu, z którego gracze nie zawsze osiągają zbiorowo pożądany, optymalny w sensie Pareto wynik w dylemacie więźnia.

Od czasu wynalezienia komputerów ludzie opracowują różne podejścia do zwiększania szybkości działania i zmniejszania rozmiaru fizycznego w różnych typach sprzętu i aplikacji. Rozszerzając zastosowania systemów komputerowych, ludzie byli zainteresowani zbadaniem, czy maszyna może myśleć, pracować i zachowywać się jak człowiek. Ta ciekawość dała początek rozwojowi sztucznej inteligencji (AI), tworzącej sterowane komputerowo maszyny (np. robot) niemal tak inteligentne jak ludzie. AI można zdefiniować jako „naukę i zestaw technik obliczeniowych inspirowanych sposobem, w jaki ludzie używają swojego układu nerwowego i ciała do odczuwania, uczenia się, rozumowania i działania”. Sztuczna inteligencja składa się z dwóch słów: „sztuczna” i „inteligencja”, gdzie „sztuczny” oznacza „stworzony przez człowieka”, a „inteligencja” oznacza „moc myślenia”. Innymi słowy, sztuczna inteligencja to „obiekt stworzony przez człowieka z mocą myślenia”. Inteligencja jest niematerialna, którą można opisać jako „zdolność systemu do obliczania, rozumowania, dostrzegania relacji i analogii, uczenia się na doświadczeniach, przechowywania i wyszukiwania informacji z pamięci, rozwiązywania problemów, rozumienia złożonych idei, płynnego posługiwania się językiem naturalnym, klasyfikowania, generalizować i dostosowywać nowe sytuacje” . Sztuczna inteligencja pozwala maszynom lub komputerom działać w inteligentny sposób. Aby sztuczna inteligencja działała, kluczem jest dostępność „danych”. Ludzie potrzebują jakiegoś urządzenia lub oprogramowania, które może przetwarzać i obsługiwać duże ilości danych przy minimalnym wysiłku i szybkości. Takie postępowanie z danymi i przetwarzanie jest znane jako nauka o danych. Naukę o danych można zdefiniować jako „naukowe badanie danych, które przechowuje, rejestruje i analizuje dane z korzyścią dla społeczeństwa”. Ludzie mogą uczyć się szybciej i szybciej przetwarzać pewne rzeczy, nawet przy ograniczonej ilości danych, ale systemy oparte na sztucznej inteligencji potrzebują ogromnych ilości danych, aby wygenerować przydatne wnioski. Odpowiedzi znajdują się w danych, które można uzyskać, stosując sztuczną inteligencję do ich wydobycia. Techniki AI przyspieszają realizację złożonych programów. Sztuczna inteligencja jest obecnie stosowana w różnych dziedzinach, od gry w szachy i muzyki po podejmowanie złożonych decyzji, tworzenie modeli, przewidywanie wzorców, a nawet samojezdnych samochodów

Przypomnij sobie, że gry kooperacyjne rejestrują scenariusze podejmowania decyzji, w których agenci mogą zawierać ze sobą wiążące umowy o współpracy. Mogą wtedy czerpać korzyści z otrzymania dodatkowej wartości w porównaniu z tym, co otrzymaliby działając w pojedynkę. Zaczynamy od wprowadzenia modelu klasy gier kooperacyjnych. Formalnie gry te nazywane są „grami kooperacyjnymi o użyteczności zbywalnej w postaci charakterystycznej funkcji”. Ideą modelu jest to, że gdy grupa agentów współpracuje, grupa jako całość uzyskuje pewną wartość użytkową, którą można następnie podzielić między członków grupy. Model nie mówi, jakie działania podejmą agenci, ani sama struktura gry nie określa, w jaki sposób uzyskana wartość zostanie podzielona (co nastąpi później). Formalnie używamy wzoru G = (N,v), aby powiedzieć, że gra kooperacyjna G jest zdefiniowana przez zbiór graczy N = {1,…,n} oraz funkcję charakterystyczną n, która dla każdego podzbioru graczy C  N podaje wartość, jaką grupa graczy mogłaby uzyskać, gdyby postanowili współpracować. Zazwyczaj zakładamy, że pusty zestaw graczy nic nie osiąga (v{} = 0) i że funkcja jest nieujemna (v(C) ≥ 0 dla wszystkich C). W niektórych grach przyjmujemy dalsze założenie, że gracze niczego nie osiągają pracując w pojedynkę: n({i} = 0 dla wszystkich i  N.

Zaczynamy przegląd podstawowej koncepcji narzędzi sztucznej inteligencji od tła historycznego do domen aplikacji czasu rzeczywistego, powiązanych technologii i ich możliwych rozwiązań, aby sprostać przyszłym wyzwaniom. Oferujemy szczegółowe opisy z praktycznymi pomysłami wykorzystania AI do radzenia sobie z dynamiką, ekosystemem i wyzwaniami związanymi z przekraczaniem zróżnicowanej dziedziny, przetwarzania obrazu, komunikacji, integralności i aspektów bezpieczeństwa. Sztuczna inteligencja, w połączeniu ze scenariuszami zewnętrznymi i wewnętrznymi, okazała się najbardziej korzystna dla firm i organizacji, aby skutecznie monitorować i kontrolować ich codzienne procesy, takie jak projektowanie, produkcja, transport, konserwacja, wdrażanie i dystrybucja ich produktów… 🙂

Czy podobały Ci się pomysły i spostrzeżenia, z którymi się spotkałeś do tej pory? Ostatnią rekomendacją, którą chciałbym zaoferować, jest po prostu opracowanie własnego planu sztucznej inteligencji i podjęcie działań! Pomyśl o przedstawionych pomysłach na temat tego, jak sztuczna inteligencja zmieni naszą przyszłość. Które osobiście uważasz za najbardziej fascynujące i odpowiednie dla twojej pracy lub życia osobistego? Wybierz trzy kluczowe pomysły i utwórz plan, aby dowiedzieć się więcej o nich lub rozpocząć ich wdrażanie. Zachęcam również do rozważenia tej mądrej rekomendacji od Gerda Leonharda: “Zastosuj technologię, ale nie stawaj się nią”. Wspaniale jest uczyć się nowych sposobów wdrażania sztucznej inteligencji i innych technologii w swoim życiu lub pracy, ale jednocześnie jeszcze ważniejsza jest praca nad sobą, koncentracja na stawaniu się lepszym, silniejszym i zdrowszym człowiekiem istota. Ważne jest również, aby nie popadać w skrajności, jak całkowite unikanie sztucznej inteligencji lub nadmierne poleganie na niej. Podobnie jak w przypadku większości rzeczy w życiu, umiar jest kluczowy. Pozwól, aby sztuczna inteligencja pomogła ci w życiu, ale nie pozwól, by przejęła ona swoje życie. Nie trać z oczu znaczenia doceniania cudów ludzkiego doświadczenia. Nigdy nie powinniśmy przestać się uczyć, rozwijać i doskonalić siebie. Powinniśmy również zawsze ciężko pracować nad cechami, które mogą poprawić ludzkie doświadczenie, takimi jak inteligencja społeczna i emocjonalna, kreatywność i ogólne samopoczucie. Pamiętaj, że spotkasz wielu ludzi, którzy mogą potrzebować pomocy w rozpoznawaniu zastosowań i zalet nowych technologii. Chętnie podziel się tym, co wiesz! Na koniec podejmuj działania i sprawdź, jak daleko możesz się posunąć!