Umělá inteligence, kterou v poslední době využívá stále více strojů a zařízení, funguje na základě různých metod analýzy dat. Tyto metody se postupně posouvají od zpracování symbolů k vytvoření flexibility, kterou dosahuje lidský mozek. A v tom hrají významnou rolu umělé neuronové sítě.
Všechny formy umělé inteligence nejsou stejné, existují různé přístupy, jak mohou systémy mapovat své znalosti. Rozlišují se především dvě metody: neuronové sítě a umělá inteligence založená na práci se symboly.
Znalosti reprezentované symboly
Konvenční umělá inteligence je především o logické analýze a plánování úkolů. Umělá inteligence založená na symbolech, nebo pravidlech, je původní metoda vyvinutá v padesátých letech minulého století. Tato metoda se pokouší simulovat lidskou inteligenci zpracováním abstraktních symbolů a pomocí formální logiky. To znamená, že fakta, události nebo akce jsou reprezentovány konkrétními a jednoznačnými symboly. Na základě těchto symbolů lze definovat matematické operace, jako je programovací paradigma „pokud X, pak Y, jinak Z“. Znalosti, tj. součet všech symbolů, jsou uloženy ve velkých databázích, s nimiž jsou porovnávány jednotlivé vstupy. Tato databáze musí být předem vytvořena lidmi. Klasické aplikace umělé inteligence založené na symbolech zahrnují například zpracování textu či rozpoznávání hlasu. Pravděpodobně nejznámějším příkladem umělé inteligence založené na symbolech je DeepBlue, šachový počítač IBM, který v roce 1997 porazil šachového mistra světa Garryho Kasparova.
S nárůstem výkonnosti počítačů roste i schopnosti umělé inteligence založené na symbolech řešit stále složitější úlohy. Nicméně funguje stále na základě pevně nastavených pravidel. Aby stroj či zařízení fungoval i mimo nastavená pravidla, potřebuje mnohem flexibilnější umělou inteligenci, která by byla schopna zvládat i nepředvídatelné situace a zpracovávat nové zkušenosti.
Neuronové sítě
Tuto flexibilitu umožňují umělé neuronové sítě simulující funkce lidského mozku, které jsou v současnosti předmětem několika výzkumných aktivit. Umělé neuronové sítě se skládají z umělých neuronů neboli základních výpočetních jednotek, jejichž předobrazem je biologický neuron. Tyto neurony dostávají informace ze svého prostředí nebo z jiných neuronů a předávají je v modifikované podobě jiným neuronům nebo zpět do prostředí (jako výstup). Existují tři různé typy těchto výpočetních jednotek.
Vstupní jednotky přijímají různé druhy informací z okolního světa jako například naměřená data nebo obrazové informace. Data, jako je třeba fotografie zvířete, se analyzují ve více vrstvách skrytými jednotkami. Na konci celého procesu jsou potom výstupní jednotky, které prezentují výsledek vnějšímu světu: „Fotografie ukazuje psa.“ Analýza je založena na síle vazeb, kterou jsou jednotlivé neurony vzájemně propojeny. Čím silnější vazba je, tím více jednotka ovlivňuje další jednotky. Znalosti jsou tedy ukládány především prostřednictvím síly vazeb mezi jednotlivými neurony. Proces učení se obvykle provádí změnou síly vazby; jak a kdy jsou v pravidlech učení definovány změny síly vazby. To znamená, že nežli může být neuronová síť použita v praxi, musí se nejprve naučit těmto pravidlům učení. Pak jsou neuronové sítě schopny aplikovat svůj algoritmus učení a samostatně se učit a autonomně růst. To je to, co umožňuje neuronové umělé inteligenci fungovat dynamicky a přizpůsobovat se situacím, ve kterých umělá inteligence založená na symbolech selhává.
Kognitivní procesy
Další novou formu umělé inteligence vyvinuli počítačový vědci na University of Tübingen. Jejich počítačový program „Brain Control“ simuluje 2D svět a virtuální postavy – agenty, kteří v něm působí, spolupracují a samostatně se učí. Cílem této simulace je převést nejmodernější teorie z oblasti kognitivních procesů do modelu a zkoumat nové varianty umělé inteligence. Program Brain Control nevyužívá neurální sítě ani symboly. Základní myšlenkou, z níž program vychází, je teorie kognitivní psychologie, podle které jsou kognitivní procesy v podstatě předvídatelné, protože jsou založeny na chování v určitých akcích či procesech.
Podle této teorie vytváří akce, jako je třeba uchopení pera či sekvence úkonů při sbalení věcí na konci pracovní doby, základní stavební kameny poznání, prostřednictvím kterého jsou interakce a sekvence interakcí se světem vybírány a řízeny cíleně. Tato hypotéza je využívána v programu Brain Control, virtuální postavy plánují a rozhodují se na základě simulace akcí a jejich sekvencování, a jsou tak schopny provádět poměrně složité sledy úkonů. Virtuální postavy mohou takto také spolupracovat a vzájemně si pomáhat. Modelování kognitivních systémů, jako je Brain Control, nabízí do budoucna i další zajímavé možnosti, nicméně jeho hlavním cílem je co nejvíce vylepšit umělou inteligenci.
Zdroj: EBV Elektronik
