Sztuczna inteligencja: Próba zdefiniowania i rozróżnienia
Rozwój sztucznej inteligencji można postrzegać jako ostatnią falę automatyzacji od czasu uprzemysłowienia. Podczas gdy pod koniec XIX i na początku XX wieku automatyzacja koncentrowała się głównie na zastąpieniu fizycznej pracy człowieka maszynami, sztuczna inteligencja jest próbą odtworzenia podobnych do ludzkich struktur percepcji i podejmowania decyzji (aby umożliwić maszynom wykonywanie określonych czynności ( poznawczych) równie dobrze, a nawet lepiej niż człowiek). Do dziś nie istnieje jednoznaczna definicja terminu sztuczna inteligencja. AI można zdefiniować w następujący sposób:
„Projektowanie i budowa inteligentnych agentów, którzy otrzymują percepty z otoczenia i podejmują działania, które wpływają na to środowisko”.(Russell i Norvig 1995)
Rozróżnia się silną i słabą sztuczną inteligencję. Słaba sztuczna inteligencja (AI) ma na celu rozwiązywanie konkretnych, jasno zdefiniowanych problemów aplikacyjnych. Odbywa się to w oparciu o metody matematyczne (algorytmy) specjalnie opracowane i zoptymalizowane pod kątem indywidualnych wymagań. Słaba sztuczna inteligencja ma za zadanie wspierać ludzi w określonej czynności. Są to systemy oparte na regułach, które są zaprojektowane przede wszystkim do wykonywania jasno określonych zadań bez zrozumienia rozwiązywania problemów. Ta forma sztucznej inteligencji jest już używana w wielu obszarach, takich jak charakter i rozpoznawanie wizerunku, indywidualna kontrola reklam, systemy eksperckie oparte na wiedzy czy systemy nawigacyjne. W przeciwieństwie do tego silna sztuczna inteligencja (znana również jako superinteligencja lub silna AI lub AGI (Artificial General Intelligence)) charakteryzuje się tym, że posiada takie same zdolności intelektualne jak ludzie, a nawet je przewyższa. Silna sztuczna inteligencja nie działa już tylko reaktywnie, ale także inteligentnie i elastycznie z własnej inicjatywy. Oprócz innych zdolności poznawczych sztuczna inteligencja powinna mieć możliwość uogólniania i abstrahowania. Do tej pory nie udało się jeszcze opracować tak silnej sztucznej inteligencji. Nie jest też jasne, czy kiedykolwiek uda się osiągnąć ten cel. Najstarszą powszechnie stosowaną definicją sztucznej inteligencji jest tzw. test Turinga. Zgodnie z tym testem sztuczną inteligencję można przypisać maszynie, jeśli osoba prowadząca rozmowę nie jest w stanie określić, czy druga osoba jest człowiekiem, istotą lub maszyną. Systemy sztucznej inteligencji różnią się również pod względem złożoności i możliwości. Proste systemy AI bazują na stałych kodach, na podstawie których często potrafią bardzo szybko i w nieskończoność rozwiązywać zadania. Przykładem tego jest oprogramowanie szachowe Deep Blue firmy IBM. Deep Blue był pierwszym programem komputerowym, który mógł pokonać aktualnego mistrza świata w szachach. Ten prosty typ sztucznej inteligencji jest ograniczony do obszarów o jasno określonych zasadach i rozwiązaniach wizualnych. Kolejnym poziomem systemów AI jest tzw. uczenie maszynowe. Opiera się na fakcie, że AI uczy się na podstawie dostępnych danych i wykorzystuje je do podejmowania decyzji. System może optymalizować i dostosowywać swoje algorytmy na podstawie doświadczenia. Na przykład dzięki uczeniu maszynowemu program komputerowy Watson był w stanie pokonać ludzkich uczestników teleturnieju Jeopardy (więcej informacji). Wyzwanie z Jeopardy! polega na tym, że odpowiedzi na najczęściej niejednoznacznie sformułowane pytania należy znaleźć w ciągu pięciu sekund. Watson wykorzystał kilka rodzajów uczenia maszynowego, takich jak analiza składni oparta na regułach, bazy wiedzy i regresja logistyczna, aby zinterpretować język naturalny, ocenić źródła danych, wygenerować jak najwięcej odpowiedzi, a następnie użyć metod statystycznych, aby wybrać najbardziej prawdopodobną. Inne znaczące osiągnięcia w tej dziedzinie to AlphaGo i DeepStack. Najbardziej obiecującą dyscypliną uczenia maszynowego są sztuczne sieci neuronowe, zwane też głębokim uczeniem. Obejmuje to analizę i ocenę ogromnych ilości danych, wyciąganie logicznych wniosków i wybieranie rozwiązań. Systemy oparte na Deep Learning mogą uczyć się na podstawie doświadczenia i rozumieć skomplikowane konteksty na świecie. Na przykład badacze raka z Uniwersytetu Kalifornijskiego zbudowali innowacyjny mikroskop do automatycznego wykrywania komórek nowotworowych, który dostarcza wielowymiarowych danych, które można wykorzystać aby wyszkolić aplikację do głębokiego uczenia, aby precyzyjnie identyfikować komórki nowotworowe.