- Meniu
Elementele de baza ale AI
O IA tipică își analizează mediul și efectuează acțiuni care îi maximizează șansele de succes. Funcția utilitate (sau obiectiv) dorită pentru o OA poate fi simplă („1 dacă IA câștigă jocul de go, 0 în caz contrar”) sau complexă („efectuează acțiuni matematic asemănătoare celor care au reușit în trecut”). Obiectivele pot fi definite explicit sau induse. Dacă IA este programată pentru „învățarea prin întărire(d)”, obiectivele pot fi induse implicit prin recompensarea unor tipuri de comportament sau prin pedepsirea altora.[a] Alternativ, un sistem evolutiv poate induce scopuri prin folosirea unei funcții de fitness(d) pentru a muta și replica în mod preferențial sistemele AI cu scoruri mari, similar cu modul în care animalele au evoluat pentru a-și dori în mod inerent anumite obiective, cum ar fi găsirea de alimente. Unele sisteme AI, cum ar fi cel mai apropiat vecin, în loc de rațiune prin analogie, aceste sisteme nu au scopuri generale, cu excepția cazului în care scopurile sunt implicite în datele lor de instruire. Astfel de sisteme pot fi încă evaluate, dacă sistemul non-goal este încadrat ca un sistem al cărui "scop" este de a-și îndeplini cu succes sarcina îngustă de clasificare.
IA gravitează adesea în jurul utilizării algoritmilor. Un algoritm este un set de instrucțiuni neechivoce pe care un calculator mecanic le poate executa.[b] Un algoritm complex este adesea construit pe baza altor algoritmi mai simpli. Un exemplu simplu al unui algoritm este următoarea rețetă (optimă pentru primul jucător) la jocul de X și 0:
Dacă cineva „amenință” (adică are două pe rând), ocupă pătratul rămas. In caz contrar,
dacă o mișcare „ramifică” pentru a crea două amenințări simultan, joacă această mișcare. În caz contrar,
ocupă pătratul central dacă acesta este liber. În caz contrar,
dacă adversarul a jucat într-un colț, ocupă colțul opus. În caz contrar,
ocupă un colț gol dacă există unul. În caz contrar,
ocupă orice pătrat gol.
Mulți algoritmi IA sunt capabili să învețe din date; se pot îmbunătăți prin învățarea unor noi euristici(d) (strategii sau „reguli generale”, care au funcționat bine în trecut) sau pot scrie alți algoritmi. Unii dintre „învățăceii” descriși mai jos, între care rețelele bayesiene, arborii de decizie și cel mai apropiat vecin, ar putea teoretic (dacă dispun de date, timp și memorie infinite) să învețe să aproximeze orice funcție, inclusiv combinația de funcții matematice care ar descrie cel mai bine lumea. Prin urmare, acești cursanți ar putea să obțină toate cunoștințele posibile, luând în considerare toate ipotezele posibile și potrivindu-le cu datele. În practică, aproape niciodată nu se poate lua în considerare orice posibilitate, din cauza fenomenului de „explozie combinatorică(d)”, în care timpul necesar pentru a rezolva o problemă crește exponențial. O mare parte din cercetarea de IA implică determinarea modului de identificare și de evitare a unei game largi de posibilități care sunt puțin probabil să fie benefice. De exemplu, atunci când se vizualizează o hartă și se caută pentru cel mai scurt drum care duce de la Denver la New York, în cele mai multe cazuri, se poate sări peste orice drum prin San Francisco sau alte zone aflate mult la vest; astfel, o IA care utilizează un algoritm de trasare a traiectoriei ca A*(d) poate evita explozia combinatorie care ar rezulta dacă ar trebui calculat fiecare traseu posibil în parte.
Cea mai veche abordare de IA a fost simbolismul (cum ar fi logica formală): „Dacă un adult altfel sănătos are febră, atunci poate să aibă gripă”. O a doua abordare, mai generală, este inferența bayesiană(d): „Dacă pacientul curent are febră, ajustează probabilitatea ca acesta să aibă gripă așa sau așa”. Cea de-a treia abordare majoră, extrem de populară în aplicațiile de IA de afaceri de rutină, sunt analogizatori precum SVM(d) și cel mai apropiat vecin(d): „După examinarea înregistrărilor despre pacienți cunoscuți din trecut, a căror temperatură, simptome, vârstă și alți factori se potrivesc cel mai mult cu pacientul actual, acei pacienți s-au dovedit a avea gripă”. O a patra abordare este mai greu de înțeles intuitiv, dar este inspirată de felul în care funcționează mecanismul creierului: abordarea cu rețele neurale artificiale folosește „neuroni” artificiali care pot învăța prin compararea cu rezultatul dorit și modificând punctele tari ale conexiunilor dintre neuronii săi interni pentru a „întări” conexiunile care par astfel utile. Aceste patru abordări principale se pot suprapune între ele și cu sisteme evolutive; de exemplu, rețelele neurale pot învăța să facă inferențe, să generalizeze și să facă analogii. Unele sisteme utilizează, implicit sau explicit, mai multe dintre aceste abordări, alături de mulți alți algoritmi de IA și non-IA; adesea, cea mai bună abordare diferă în funcție de problemă.