»Odvisno od tega, koga vprašate, a umetna inteligenca je lahko največji človekov izum od odkritja ognja ali pa tehnologija, ki bo človeka izrinila iz sistema« je dejal izvršni direktor Googla na Googlovem I/O 2017 osrednjem govoru. Nesporno je, da so velika podjetja sprejela umetno inteligenco, kot da je to eno najpomembnejših odkritij, kar jih je bilo kdaj izumljeno. V ZDA so Amazon, Apple, Microsoft, Facebook, IBM, SAS in Adobe vsi v svoje delovanje vključili AI in strojno učenje, medtem ko se na Kitajskem veliki štirje – Baidu, Alibaba, Tencent, Xiaomi – usklajujejo z vlado in vsi delajo na edinstvenih in skoraj zaprtih pobudah AI.

Anjali UJ v svojem članku Understanding Three Types of Artificial Intelligence pojasnjuje: »Izraz AI je leta 1956 skoval John McCarthy, ameriški računalniški znanstvenik.« Anjali govori o naslednjih treh vrstah AI, vključno z:

  1. Ozka umetna inteligenca: AI, ki je bil usposobljen za ozko nalogo.
  2. Umetna splošna inteligenca: umetna inteligenca, ki vsebuje splošne kognitivne sposobnosti, ki razumejo in razmišljajo o okolju tako kot ljudje.
  3. Umetna super inteligenca: AI, ki presega človeško inteligenco in omogoča strojem posnemanje človeške misli.

Nevronske mreže

AI temelji na umetnih nevronskih mrežah (ANN) ali samo »nevronskih mrežah«, ki so nelinearna orodja za modeliranje statističnih podatkov, ki se uporabljajo, ko prava narava razmerja med vhodom in izhodom ni znana. Jim Gao v svojem članku Applications Machine Learning Applications for Data Center Optimization opisuje nevronske mreže kot “razred algoritmov strojnega učenja, ki posnemajo kognitivno vedenje prek interakcij med umetnimi nevroni.” Nevronske mreže iščejo vzorce in interakcije, da samodejno ustvarijo najboljši model.

Od uporabnika ne zahtevajo, da vnaprej določi interakcije funkcij modela. Prepoznavanje govora, obdelava slik, klepetalni roboti, sistemi priporočil in avtonomni programski agenti so običajni primeri strojnega učenja. V nevronskih mrežah obstajajo tri vrste usposabljanja; nadzorovano, ki je najpogostejše, pa tudi nenadzorovano usposabljanje in utrjevalno učenje. AI lahko razdelimo na tri področja:

  • Umetna inteligenca (ang. Artificial Intelligence, AI); program, ki razmišlja, zaznava, deluje in se prilagaja.
  • Strojno učenje (ang. Machine Learning, ML); algoritmi, katerim se učinkovitost izboljša ob daljši izpostavljenosti večim podatkom.
  • Globoko učenje (ang. Deep Learning); podmnožica strojnega učenja, kjer se večplastna nevtralna omrežja učijo od množice podatkov.

Strojno učenje

Strojno učenje kot veja računalništva raziskuje sestavo in uporabo algoritmov, ki se učijo iz podatkov. Ti algoritmi gradijo modele na podlagi vnosov in uporabljajo te rezultate za predvidevanje ali določanje dejanj in rezultatov, namesto da sledijo strogim navodilom.

Cilj nadzorovanega učenja je naučiti se splošnega pravila, ki preslika vhode v izhode, računalnik pa ima primere vhodov in želene izhode. Pri nenadzorovanem učenju pa označeni podatki niso posredovani učnemu algoritmu in mora sam najti strukturo vnosa. Pri učenju z okrepitvijo računalnik za rešitev problema uporablja poskuse in napake. Tako kot Pavlovov pes je tudi računalnik pozitivno nagrajen za dobra dejanja, ki jih izvede, cilj programa pa je maksimirati nagrado.

Globoko učenje

Globoko učenje, kot podmnožica strojnega učenja, uporablja večplastne nevronske mreže za izvajanje klasifikacijskih nalog neposredno iz slikovnih, besedilnih in/ali zvočnih podatkov. V nekaterih primerih modeli globokega učenja že presegajo zmogljivost na človeški ravni. Zmožnost Google Meeta za prepis človeškega glasu med konferenčnim klicem v živo je primer impresivnih zmogljivosti globokega učenja.

Strojno in globoko učenje sta med drugim uporabna za personalizacijsko trženje, priporočila strankam, filtriranje neželene pošte, odkrivanje goljufij, varnost omrežja, optično prepoznavanje znakov (OCR), računalniški vid, prepoznavanje glasu, napovedno vzdrževanje sredstev, analizo občutkov, jezikovne prevode in spletno iskanje.

Sedem AI vzorcev

V svojem Forbesovem članku Sedem vzorcev umetne inteligence Kathleen Walch postavlja teorijo, da obstaja sedem skupnih značilnosti vseh aplikacij umetne inteligence, ne glede na uporabo umetne inteligence. Te so:

  • hiperpersonalizacija,
  • avtonomni sistemi,
  • napovedna analitika in podpora pri odločanju,
  • pogovorne/človeške interakcije,
  • vzorci in anomalije,
  • sistemi za prepoznavanje ter
  • ciljno usmerjeni sistemi.

Walch dodaja, da čeprav lahko umetna inteligenca zahteva lastno programiranje in prepoznavanje vzorcev, je vsako vrsto mogoče kombinirati z drugimi, vendar vsi sledijo svojemu precej standardnemu nizu pravil.

Vzorec hiperpersonalizacije lahko skrčimo v idejo, da je potrebno vsako stranko obravnavati kot posameznika. Avtonomni sistemi bodo zmanjšali potrebo po ročnem delu. Prediktivna analitika napoveduje »neko prihodnjo vrednost za podatke, napovedovanje vedenja, napovedovanje neuspeha, pomoč pri reševanju problemov, prepoznavanje in izbiranje najboljšega prileganja, prepoznavanje ujemanj v podatkih, dejavnosti optimizacije, dajanje nasvetov in inteligentno navigacijo,« pravi Walch. Pogovorna interakcija pa vključuje klepetalne robote, ki ljudem omogočajo komunikacijo s stroji prek glasu, besedila ali slike.

Vzorci in anomalije uporabljajo strojno učenje za razločevanje vzorcev v podatkih in poskuša odkriti povezave višjega reda med podatkovnimi točkami, pojasnjuje Walch. Vzorec za prepoznavanje pomaga identificirati in določiti predmete znotraj slikovnih, videoposnetkov, zvoka, besedila ali drugih zelo nestrukturiranih podatkovnih opomb Walch. Ciljno vodeni sistemi uporabljajo moč okrepljenega učenja, da pomagajo računalnikom premagati ljudi v nekaterih najbolj zapletenih igrah, ki si jih lahko zamislite, vključno z Go in Dota 2, zapleteno spletno video igro bojne arene za več igralcev.

Zaključek

Pred nekaj leti je navdušenje nad umetno inteligenco doseglo takšno dimenzijo, da so morala podjetja svojim predstavitvam preprosto dodati »AI«, »ML« ali »Deep Learning« in sredstva so prišla skozi vrata. Vendar pa podjetja vlagajo v rešitve, ki temeljijo na umetni inteligenci, kot je AIOps, da zmanjšajo stroške operacij IT. Danes so vlagatelji malo modrejši glede dejstva, da ni vse zlato, kar se sveti, in veliko podjetij, ki so se predstavila kot strokovnjaki za umetno inteligenco, res ni poznalo razlike med nevronsko mrežo in algoritmom k-means.

Skok na glavo v AI je recept za katastrofo. Le »1 od 3 projektov AI je uspešen in traja več kot 6 mesecev, da preidejo od koncepta do proizvodnje, pri čemer velik del njih nikoli ne pride do proizvodnje – kar ustvarja dilemo AI za organizacije,« pravi Databricks. Ne samo, da je AI včasih zastarela, ampak je tudi težko implementirati tehnologijo. Vsakdo, ki se ukvarja z umetno inteligenco, mora dobro razumeti tehnologijo, kaj je, od kod prihaja, katere omejitve jo lahko zadržujejo, tako da čeprav je umetna inteligenca izjemna tehnologija, je izzivov še veliko. Še zdaleč ni zdravilo, kot trdijo mnoga podjetja, ki se ukvarjajo s programsko opremo.