a artificială (AI) a fost studiată de zeci de ani ș i este încă unul dintre cele mai evazive subiecte din domeniul IT. Acest lucru se datorează în… [617687]

Ilina Alexandru

Grupa 206

Etică Profesională
ș
i Proprietate Intelectuală

​
Istoria AI si tehnologia

AI in prezent

Introducere

Inteligen
ț
a artificială (AI) a fost studiată de zeci de ani
ș
i este încă unul

dintre cele mai evazive subiecte din domeniul IT.

Acest lucru se datorează în parte datorită faptului ca domeniul AI este

foarte vast. AI variază de la ma
ș
ini cu adevărat capabile,

gândindu-se la algoritmi de căutare folosi
ț
i pentru a juca jocuri de societate.

Are aplica
ț
ii în aproape toate modurile în care folosim calculatoare

în societate.

Acest referat se referă la examinarea istoriei inteligen
ț
ei artificiale, de la

teorie la practică
ș
i de la ascensiunea sa până la cădere, eviden
ț
ierea

câtorva teme
ș
i avansuri majore.

Inteligen
ț
ă artificială

Termenul de inteligen
ț
ă artificială a fost inventat pentru prima dată de John

McCarthy în 1956, când a
ț
inut prima conferin
ț
ă academică pe această

temă. Dar călătoria pentru a în
ț
elege dacă ma
ș
inile pot gândi cu adevărat a

început cu mult înainte de asta. În

Lucrarea seminală a lui Vannevar Bush intitulată “As We Think Think”, a

propus un sistem care amplifică cunoa
ș
terea
ș
i în
ț
elegerea propriilor

persoane. Cinci ani mai târziu, Alan Turing a scris o lucrare despre

no
ț
iunea ca ma
ș
inile ar putea simula fiin
ț
ele umane
ș
i capacitatea de a face

lucruri inteligente, cum ar fi jocul de
ș
ah.

Nimeni nu poate respinge capacitatea unui computer de a procesa logica.

Dar pentru mul
ț
i e ambiguă informa
ț
ia dacă o ma
ș
ină poate gândi.

Definirea precisă a gândirii este importantă deoarece a existat o opozi
ț
ie

puternică cu privire la faptul dacă no
ț
iunea este chiar posibilă. De exemplu,

există a
ș
a-numitul argument „camera chineză”. Imaginează-
ț
i că cineva

este închis într-o cameră, unde li s-au transmis informa
ț
ii în chineză. Dacă

ar folosi o biblioteca întreaga de reguli
ș
i tabele de căutare, vor putea să

genereze răspunsuri valide în chineză, dar ar „în
ț
elege” cu adevărat limba?

Argumentul este că, întrucât computerele ar aplica întotdeauna răspunsuri

generice, nu ar putea „în
ț
elege” niciodată subiectul.

Acest argument a fost respins în mai multe moduri de către cercetători, dar

subminează credin
ț
a oamenilor în ma
ș
ini
ș
i a
ș
a-numitele sisteme expert

pentru aplica
ț
ii critice de via
ț
ă.

Teme de AI

Principalele progrese în ultimii
ș
aizeci de ani au fost avansările în algoritmi

de căutare, învă
ț
are automată, algoritmi
ș
i integrarea analizei statistice în

în
ț
elegerea lumii în ansamblu. Cu toate acestea, majoritatea descoperirilor

din AI nu sunt sesizate pentru majoritatea oamenilor. În loc să discute

ma
ș
ini folosite pentru pilotarea navelor spa
ț
iale în Jupiter, AI este utilizat în

moduri mai subtile, cum ar fi examinarea istoricilor de cumpărare
ș
i

influen
ț
a deciziilor de marketing.

Ceea ce consideră majoritatea oamenilor drept „adevăratul AI” nu a

înregistrat progrese rapide de-a lungul deceniilor. O temă comună în

domeniu a fost de a supraestima dificultatea problemelor fundamentale.

Avansuri semnificative ale AI au fost tot fost promise „în 10 ani”, pentru

ultimii 60 de ani. În plus, există tendin
ț
a de a redefini ceea ce înseamnă

„inteligent” după ce utilajele au stăpânit o zonă sau o problemă. Acest

a
ș
a-numit „efect AI” a contribuit la căderea cercetării AI bazată pe SUA în

anii 80.

În domeniul AI, a
ș
teptările par să depaseasca întotdeauna realitatea. După

zeci de ani de cercetare, niciun computer nu s-a apropiat de trecerea

testului Turing (un model pentru măsurarea „inteligen
ț
ei”). Sistemele de tip

expert au crescut, dar au cum sa devină la fel de populare ca exper
ț
ii

umani,
ș
i în timp ce am construit un software care poate bate oamenii la

unele jocuri, jocurile deschise sunt încă departe de stăpânirea

calculatoarelor. Problema este pur
ș
i simplu că nu ne-am concentrat

resurse suficiente pentru cercetarea de bază, a
ș
a cum se vede în

sec
ț
iunea AI de iarnă, sau complexitatea AI este cea pe care noi încă nu

am ajuns să o în
ț
elegem?

Această lucrare va aborda unele dintre aceste teme pentru a oferi o mai

bună în
ț
elegere pentru domeniul AI
ș
i modul în care aceasta s-a dezvoltat

de-a lungul anilor. E posibil să analizăm unele dintre domeniile cheie ale

activită
ț
ii AI
ș
i vom putem în
ț
elege mai bine evolu
ț
iile viitoare în domeniu.

Istoria AI aplicată
ș
ahului

Ș
ahul a fost mult timp considerat un joc de intelect
ș
i mul
ț
i pionieri ai

calculului au considerat că un sistem AI care sa joace
ș
ah ar fi semnul

identită
ț
ii inteligen
ț
ei artificiale adevărate. În timp ce Testul de Turing este o

mare provocare de constatat

inteligen
ț
a ma
ș
inii,
ș
ahul este, de asemenea, o cercetare bună, care din

fericire a fost „rezolvată” de cercetătorii AI producând programe care pot

rivaliza cu cei mai buni jucători de
ș
ah din lume. Cu toate acestea, chiar
ș
i

cele mai bune ma
ș
ini de jocuri încă

nu în
ț
eleg conceptele jocului
ș
i se bazează doar pe abordările de for
ț
ă

brută pentru a juca.

Originea
ș
ahului computerului

Ș
ahul
ș
i informa
ț
iile au fost întotdeauna legate, capacitatea de a juca
ș
ah a

fost folosită chiar ca o întrebare valabilă pentru a pune în timpul unui test în

lucrarea originală a lui Turing. Mul
ț
i oameni au conceput ca ma
ș
inile într-o

zi să fie capabile sa joace
Ș
ah, dar a fost Claude Shannon care a scris

pentru prima dată o lucrare despre dezvoltarea unui program de joc de
ș
ah.

Lucrarea lui Shannon a descris două abordări ale
ș
ahului computerului:

–
programe de tip A, care ar folosi brută pură, examinând mii de mi
ș
cări

ș
i folosind un algoritm de căutare min-max

–
Programe de tip B, programe care ar utiliza euristică specializată
ș
i AI

„strategică”, examinând doar câteva mi
ș
cări cheie ale candida
ț
ilor.

Ini
ț
ial, programele de tip B (strategice) au fost favorizate fa
ț
ă de tipul A

(for
ț
a brută), deoarece în anii 50
ș
i 60 calculatoarele erau atât de limitate.

Cu toate acestea, în 1973, dezvoltatorii seriei de programe „
Ș
ah” (care a

câ
ș
tigat Campionatul de
ș
ah al calculatorului ACM din 1970-72)
ș
i-a trecut

programul la Tip-A Noul program, poreclit

„
Ș
ah 4.0” a câ
ș
tigat o serie de viitoare titluri de
ș
ah pe computer ACM. *

WikiChess +. Această schimbare a fost o lovitură nefericită pentru cei care

speră să găsească o mai bună în
ț
elegere a jocului de
ș
ah prin intermediul

dezvoltarea programelor de tip B.

Au existat mai mul
ț
i factori importan
ț
i pentru a ne îndepărta de designul

probabil mai inteligent al unui tip B programul către un dumber tip-A. Primul

a fost simplitatea. Viteza unei ma
ș
ini are o corela
ț
ie directă cu un tip A,

abilitatea programului, astfel încât tendin
ț
a fiind ma
ș
inile din ce în ce mai

rapide în fiecare an, este mai u
ș
or să scrie
ț
i un puternic tip A care

programează
ș
i „îmbunătă
ț
e
ș
te” un program, oferindu-i mai multă putere

prin paralelizare sau hardware specializat.

Întrucât unui program de tip B ar trebui să i se înve
ț
e noi reguli
ș
i strategii –

indiferent de cât de multă putere i s-ar alimenta. De asemenea, a existat

no
ț
iunea de predictibilitate. Autorii „
Ș
ahului” au comentat stresul pe care

l-au sim
ț
it în timpul turneelor
​​
în care programul lor de tip B s-ar comporta în

mod eronat conform diferitelor reguli hardcodate.

Până în ziua de azi, programele de tip A (for
ț
ă brută) sunt cele mai

puternice aplica
ț
ii disponibile. Programe inteligente de tip B există, dar este

pur
ș
i simplu prea u
ș
or să scrii programe de tip A
ș
i să ob
ț
ii un joc

excep
ț
ional în favoarea vitezei computerului.

Programele de tip B la nivel de maestru încă nu s-au maturizat, deoarece

mai multe cercetări trebuie făcute pentru a în
ț
elege
ș
i abstractizarea jocului

de
ș
ah în (
ș
i mai multe) reguli
ș
i euristică.

Realizare

Poate cel mai cunoscut program de tip A este Deep Blue al IBM. În 1997

Deep Blue a contestat
ș
i a învins atunci campion mondial de
ș
ah Gary

Kasparov. Câ
ș
tigarea meciului cu 3.5 / 2.5 nu a fost o victorie decisivă, însă

cu cre
ș
terea continuă a puterii ma
ș
inilor, mul
ț
i consideră că meciul a fost

doar un un mic exemplu referitor la ce poten
ț
ial are AI-ul.

Pu
ț
ini surprin
ș
i de un computer care bate un campion mondial la
ș
ah.

Savantul David G Stoke a explicat această no
ț
iune de superioritatea

a
ș
teptată de computer cu: „În zilele noastre, pu
ț
ini dintre noi se simt

profund amenin
ț
a
ț
i de un computer care bate un

campion de
ș
ah – altceva decât noi cu o motocicletă bătând un sprinter

olimpic. " Cea mai mare parte a acestui sentiment este din cauza faptului

că Deep Blue este un program de tip A. Deep Blue a evaluat aproximativ

200 de milioane de pozi
ț
ii pe secundă.

Oameni in schimb sunt capabili sa examineze aproape 50 de mi
ș
cări

diferite. Dacă Deep Blue ar fi un program de tip B, atunci poate că victoria

ar fi fost mai interesantă din punctul de vedere al conceptelor AI.

O altă implica
ț
ie interesantă a câ
ș
tigului Deep Blue a fost câ
ș
tigul financiar

al IBM de la meci. Estimările au pus valoarea castigata lui Deep Blue la o

suma de 500 de milioane de dolari în publicitate gratuită pentru super

computerele IBM.

Următoarea etapă

Ș
ahul computerului este dezvoltat în continuare pentru a crea ma
ș
ini mai

puternice cu un hardware mai pu
ț
in specializat, oricât de pu
ț
in interes este

pus pentru programele de tip B care încearcă să capteze cuno
ș
tin
ț
ele brute

despre
ș
ahul uman jucători. Cu
ș
ahul „rezolvat” pentru mul
ț
i, acum se

acordă aten
ț
ie
ș
i altor jocuri pe care calculatoarele nu au câ
ș
tigat în fa
ț
a

oamenilor – un joc în special se remarcă ca fiind următoarea etapă a

cercetării AI bazate pe jocuri: vechiul joc asiatic de Go.

Ceea ce diferen
ț
iază Go este incapacitatea de a corela puterea de calcul

cu numarul de op
ț
iuni. În timp ce
ș
ahul are o ramificare factor de

aproximativ 40 de mutări, Go are de obicei un factor de ramificare de 200

de mutări. (Numărul valid de mi
ș
cări pe care le poate face un jucător la

orice moment al timpului.)

În plus, nu există o condi
ț
ie clară de victorie. În cazul jocului de sah se

cauta o mutare de tip
ș
ah mat, determinarea câ
ș
tigătorului în Go necesită

acordul ambilor jucători, precum
ș
i o căutare extinsă pentru a în
ț
elege dacă

pozi
ț
ia tabelei este terminală. În ciuda anilor de cercetare, nu există încă un

algoritm clar pentru a determina dacă este sau nu un grup de pietre este

viu sau mort (un concept fundamental al jocului). Chiar
ș
i cu un premiu

oferit de 1.000.000 de dolari oricui poate crea un program capabil să

învingă un jucător Go amator puternic (premiul Ing), chiar
ș
i cele mai bune

programe nu sunt capabile să învingă un jucător slab la nivel de club.

Programele Go înregistrează progrese lent, cu toate acestea, în principal

pe tipul B. De exemplu, o ramură a imaginii procesata cunoscută sub

numele de morfologie matematică a ajutat calculatoarele să în
ț
eleagă rapid

tabla si pozi
ț
ii asemănătoare cu modul în care oamenii le prelucrează. De
ș
i,

poate, din păcate, oamenii încep să văda cum poate începe paralelizarea

masivă pentru a îmbunătă
ț
i marginal puterea computerului-Go.

Concluzie

În ciuda progreselor excelente în realizarea unor ma
ș
ini puternice de joc de

ș
ah, mul
ț
i găsesc dificultă
ț
i în numirea lor inteligente, din acelea
ș
i motive ca

„Argumentul camerei chineze”. Examinarea a miliarde de pozi
ț
ii ale tablei

de joc pentru a ajunge la o singură mi
ș
care poate să nu pară o abordare

extrem de inteligentă, dar rezultatul net este jocul solid. Sperăm că în anii

următori, jocurile mai dificile vor necesita noi abstractizări pentru

în
ț
elegerea logicii jocurilor, care ar avea o rela
ț
ie mai tangibilă cu

inteligen
ț
a artificială generală. opus algoritmilor de căutare specializa
ț
i.

Sistemele expert

Prezentare generală

Sistemele de expertiză sunt programe de calculator care vizează

modelarea expertizei umane într-una sau mai multe domenii de cunoa
ș
tere

specifice.

De obicei, constau din trei componente de bază: o bază de date de

cuno
ș
tin
ț
e cu fapte
ș
i reguli care reprezintă omul, cuno
ș
tin
ț
e
ș
i experien
ț
ă, o

consultare privind procesarea motorului inferen
ț
ial
ș
i stabilirea modului în

care sunt inferen
ț
ele făcute.
ș
i o interfa
ț
ă de intrare / ie
ș
ire pentru

interac
ț
iuni cu utilizatorul.

Conform K. S. Metaxiotis, sistemele de expertiză pot fi caracterizate de:

–
folosirea logicii simbolice, mai degrabă decât a calculelor numerice

–
procesarea este bazată pe date;

–
o bază de date de cuno
ș
tin
ț
e care con
ț
ine con
ț
inuturi explicite ale

anumitor domenii de cunoa
ș
tere

–
capacitatea de a interpreta concluziile sale într-un mod inteligibil

pentru utilizator.

Sistemele de exper
ț
i, ca subset de AI, au apărut pentru prima dată la

începutul anilor '50, când echipa Rand-Carnegie a dezvoltat un solu
ț
ionant

general de probleme pentru a face fa
ț
ă teoremelor, problemelor geometrice

ș
i jocului de
ș
ah. Cam în acela
ș
i timp, LISP, limbajul de programare

dominant mai târziu în AI
ș
i sisteme de exper
ț
i, a fost inventat de John

McCarthy în MIT .

În anii ’60 -’70, sistemele de exper
ț
i au fost utilizate tot mai mult în

aplica
ț
iile industriale.

Unele dintre celebrele aplica
ț
ii din această perioadă au fost DENDRAL (un

analizator de structuri chimice), XCON (un hardware computer sistem de

configurare), MYCIN (un sistem de diagnostic medical)
ș
i ACE (sistemul de

între
ț
inere a cablurilor AT&T).

Ca o alternativă la LISP în programarea logică, a fost creat în 1972
ș
i

conceput pentru a gestiona calculul lingvistic, în special prelucrarea

limbajului natural. La acel moment, pentru că au fost luate în considerare

sistemele de exper
ț
i, solu
ț
iile revolu
ț
ionare capabile să rezolve probleme în

orice domenii ale activită
ț
ii umane, AI a fost percepută ca o amenin
ț
are

directă pentru oameni. Era o percep
ț
ie care avea să ducă mai târziu un

inevitabil atac sceptic.

Succesul acestor sisteme a stimulat o fascina
ț
ie aproape magică cu

aplica
ț
iile inteligente. Sisteme de exper
ț
i au fost în mare parte considerate

instrumente competitive pentru sus
ț
inerea avantajelor tehnologice de către

industrie. Până la sfâr
ș
itul anilor 1980, peste jumătate din companiile

Fortune 500 au fost implicate în dezvoltarea sau între
ț
inerea sistemelor de

expertiză.

Utilizarea sistemelor expert a crescut cu o rată de 30% pe an. Companii

precum DEC, TI, IBM, Xerox
ș
i HP
ș
i universită
ț
i precum MIT, Stanford,

Carnegie-Mellon, Rutgers
ș
i altele au participat la urmărirea de exper
ț
i

tehnologia sistemului
ș
i dezvoltarea aplica
ț
iilor practice. În zilele noastre,

sistemele de exper
ț
i s-au extins în multe

sectoare ale societă
ț
ii noastre
ș
i pot fi găsite într-un spectru larg de arii

precum îngrijirea sănătă
ț
ii, analiza chimică, management financiar,

planificare corporativă, prospectare de petrol
ș
i minerale, inginerie

genetică, proiectarea
ș
i fabricarea automobilelor
ș
i controlul traficului

aerian.

După cum a subliniat K. S. Metaxiotis
ș
i colegii, sistemele de expertiză sunt

din ce în ce mai importante atât pentru suport de decizie care oferă op
ț
iuni

ș
i probleme pentru factorii de decizie, cât
ș
i luarea deciziilor în cazul în care

oamenii pot lua decizii peste nivelul lor de cuno
ș
tin
ț
e
ș
i experien
ț
ă. Au

avantaje distincte fa
ț
ă de programe tradi
ț
ionale de calculator. Spre

deosebire de oameni, sistemele de expertiză pot asigura depozitare

permanentă pentru cuno
ș
tin
ț
e
ș
i expertiză, oferă un nivel constant de

consultare odată ce sunt programate pentru a le solicita
ș
i utiliza in factori

de produc
ț
ie,
ș
i să servească ca depozitar al cuno
ș
tin
ț
elor din surse

poten
ț
ial nelimitate de exper
ț
i
ș
i prin aceasta furnizând sprijin complet

pentru decizii.

Probleme cheie tehnologice

Există multe probleme tehnologice nerezolvate
ș
i limitări de performan
ț
ă

care afectează grav dezvoltarea
ș
i implementarea sistemelor de exper
ț
i.

Cea mai critică pentru aceste sisteme sunt probleme cu care se confruntă

corpora
ț
iile
ș
i institu
ț
iile
ș
i solu
ț
iile acestora vor fi examinate în această

sec
ț
iune.

Problemele tehnologice cheie cu care se confruntă sistemele exper
ț
ilor se

află în domeniile standardelor
ș
i metodologiei software, dobândirea

cuno
ș
tin
ț
elor, gestionarea incertitudinii
ș
i validarea.

Standarde software
ș
i interoperabilitate

Nu există standarde generale în software-ul sistemului de expertiză
ș
i

metodologia de dezvoltare. Nici în mod obi
ș
nuit nu există protocoale
ș
i

sisteme de expertiză adoptate. Sistemele de cunoa
ș
tere sunt deseori

dezvoltate în mod unic cu pu
ț
ină considera
ț
ie pentru interoperabilitate.

Eforturile recente în definirea standardelor de sistem ale exper
ț
ilor au fost

urmărite în mod activ de o coali
ț
ie a americanilor

Asocia
ț
ia de Inteligen
ț
ă Artificială (AAAI), Societatea de Calculatoare IEEE,

DARPA
ș
i guvernul SUA.

Complexitatea, costurile
ș
i riscurile de dezvoltare ar putea fi reduse mult

odată cu stabilirea unor standarde pe scară largă
ș
i o nouă genera
ț
ie de

instrumente de sistem expert este în vigoare.

Achizi
ț
ionarea
ș
i analiza cuno
ș
tin
ț
elor

Achizi
ț
ia de cuno
ș
tin
ț
e este de obicei considerată ca o modalitate de a

descoperi fapte statice ale lumii
ș
i rela
ț
iile dintre

diverse evenimente pe care omul le folose
ș
te în rezolvarea problemelor din

via
ț
a reală. Abilită
ț
ile de rezolvare a problemelor la oameni sunt de multe

ori

mult mai complicate
ș
i mai complexe decât ceea ce poate realiza

colectarea de cuno
ș
tin
ț
e. De exemplu, oamenii înva
ț
ă cum să meargă la o

vârstă fragedă prin practică
ș
i uneori experien
ț
ă dureroasă. Acest tip de

know-how de încercare
ș
i eroare nu este accesibil sub formă de fapte
ș
i

reguli. Dacă oamenilor li se cere să articuleze un set de reguli bazate pe

know-how-ul lor, mai des, nu va reflecta cu exactitate abilitatea lor. Mai

mult, sistemul de cunoa
ș
tere nu înva
ț
ă din experien
ț
a sa.

Teoria ra
ț
ionamentului bazat pe cazuri (CBR) care se concentrează pe

rezolvarea de noi probleme pe baza unor solu
ț
ii similare din trecut ce pare

să poată elimina sarcina complexă de men
ț
inere a regulilor
ș
i faptelor prin

utilizarea adaptivelor

dobândirea tehnicilor de rezolvare a problemelor. Proiectul CYC dezvoltat

de Cycorp Inc. î
ș
i propune să asambleze
ș
i procesarea cuno
ș
tin
ț
elor de

ordin comun pe care CBR nu le face fa
ț
ă. Viitoarele sisteme de expertiză ar

putea integra cuno
ș
tin
ț
e obi
ș
nuite din proiectul CYC cu module specifice

aplica
ț
iei capturate de la CBR pentru a le îmbunătă
ț
i

procesul de achizi
ț
ie
ș
i analiză a cuno
ș
tin
ț
elor.

Tratarea situa
ț
iei incerte

Capacitatea sistemului expert de a ob
ț
ine rezultate corecte este adesea

compromisă de lipsa de precizie a regulilor
ș
i intrări noi. Motorul este bazat

pe algoritmi care manipulează cuno
ș
tin
ț
ele sub forma arborelui decizional

care nu este conceput pentru a face fa
ț
ă incertitudinii.

Unele sisteme expert în domenii precum controlul liniar
ș
i neliniar,

recunoa
ș
terea modelului, sisteme financiare
ș
i date analiza încorporează

logica fuzzy pentru a face fa
ț
ă regulilor
ș
i intrărilor impuse. Logica fuzzy în

astfel de sisteme, de obicei

folose
ș
te etichete prestabilite pentru a clasifica intrările în timp real
ș
i

folose
ș
te inferen
ț
a brusc pentru a calcula concluziile numerice din reguli

imprecise.

Integrare sisteme

Baza de date de cuno
ș
tin
ț
e nu este u
ș
or accesibilă. Instrumentele de

sistem expert sunt deseori bazate pe LISP, ceea ce nu are capacitatea de

a se integra cu alte aplica
ț
ii scrise în limbi tradi
ț
ionale. Cele mai multe

sisteme nu sunt încă portabile datorită unui hardware diferit. Toate aceste

probleme de integrare a sistemului pot contribui la cre
ș
terea costurilor
ș
i a

riscurilor. Sisteme noi arhitecturale sunt necesare pentru a integra complet

sistemele externe
ș
i baze de date de cuno
ș
tin
ț
e.

Validare

Calitatea sistemelor de expertiză este adesea măsurată prin compararea

rezultatelor cu cele derivate de la exper
ț
ii umani.

Cu toate acestea, nu există specifica
ț
ii clare în tehnicile de validare sau

verificare. Cum să evalua
ț
i în mod adecvat un sistem de exper
ț
i rămâne o

întrebare deschisă, de
ș
i s-au făcut încercări de utilizare a testelor

prestabilite dezvoltat de exper
ț
i independen
ț
i pentru a verifica performan
ț
a

ș
i fiabilitatea sistemelor.

Provocări manageriale
ș
i organiza
ț
ionale

Succesul în sensul tehnic sau economic al unui sistem de expertiză nu

garantează un nivel ridicat al ratei de adop
ț
ie sau utilizare pe termen lung

în afaceri. T. Grandon Gill a examinat sisteme de exper
ț
i construite la

începutul
ș
i la mijlocul anilor 1980. Dintre toate sistemele examinate,

rezultatele cheie au fost următoarele:

–
aproximativ o treime au fost utilizate
ș
i între
ț
inute în mod activ

–
aproximativ o
ș
esime erau încă disponibile pentru utilizatori, dar nu

erau men
ț
inute

–
aproximativ o jumătate fusese abandonată.

Sondajul a indicat, de asemenea, că problemele suferite de unele dintre

aceste ma
ș
ini care au căzut în uz, nu au avut nici o bază tehnică
ș
i

economică.

Alinierea tehnologiei
ș
i a strategiei de afaceri

Construirea sistemelor de expertiză implică o cantitate substan
ț
ială de

investi
ț
ii
ș
i eforturi. Incoeren
ț
a dintre strategia
ș
i tehnologia de afaceri a

organiza
ț
iei ar putea în final să strice astfel de bani
ș
i eforturi.

Costul de între
ț
inere a sistemelor expert

Costul de între
ț
inere ar putea fi ridicat, deoarece sistemele de exper
ț
i sunt

complicate
ș
i ar putea necesita cuno
ș
tin
ț
e extinse atât domeniului aplica
ț
iei,

cât
ș
i a instrumentelor de dezvoltare la persoanele care dezvoltă
ș
i între
ț
in

sistemul. O pierdere de cheie

personalul ar putea duce la o reorganizare a unei por
ț
iuni întregi a

proiectului. Dacă proiectele pot fi abandonate sau întârziate dacă

vulnerabilită
ț
ile din cifra de afaceri a personalului nu sunt rezolvate.

Sistemele de expertiză fac gre
ș
eli

Preocupările legale cu privire la „sistemul expert face gre
ș
eli” ar putea

îndepărta investitorii
ș
i dezvoltatorii. După cum se men
ț
ionează

anterior, există prea pu
ț
in consens asupra testării necesare pentru

evaluarea validită
ț
ii, fiabilită
ț
ii unui sistem expert
ș
i performan
ț
ă. Nu există

autorită
ț
i legale care să certifice
ș
i să valideze sistemele. Poten
ț
ialul juridic

ș
i financiar au obliga
ț
iile în cazul în care astfel de sisteme ar trebui să

meargă gre
ș
it, în special în sistemele critice pentru via
ț
ă, precum

diagnosticul medical
ș
i traficul aerian, controlul ar putea fi inactiv
ș
i

astronomic.

Rezisten
ț
a utilizatorilor

Spre deosebire de programele computerizate tradi
ț
ionale, sistemele de

expertiză îndeplinesc sarcini pe care un expert le îndepline
ș
te. Acest lucru

ar putea declan
ș
a

o opozi
ț
ie puternică
ș
i rezisten
ț
ă puternică a unei astfel de tehnologii din

partea utilizatorilor, cu îngrijorări cu privire la sistemele de exper
ț
i luându-
ș
i

slujbele.

Aceste provocări manageriale
ș
i organiza
ț
ionale par a fi foarte importante

pentru sistemele de exper
ț
i. E
ș
ecul de a putea efectua îngrijirea unor astfel

de probleme ar putea duce la abandonarea sau anularea sistemului.

Este vreodată posibil ca masina sa “Gandeasca”

Oamenii de
ș
tiin
ț
ă au visat de mult la sisteme autonome de „gândire” care

nu sunt influen
ț
ate de om. În ciuda a 50 de ani de cercetare, inteligen
ț
a

intuitivă a fiin
ț
elor umane pare să fie dincolo de capacită
ț
ile "Ra
ț
ionament"

ma
ș
ini". În timp ce unii oameni consideră că inven
ț
ia unei „ma
ș
ini de

gândire” este un efort periculos este în cele din urmă sortit e
ș
ecului, al
ț
ii

sunt mai optimi
ș
ti. În special, Jeff Hawkins a prezis în prima sa carte

despre inteligen
ț
ă că ma
ș
ina “minte” poate veni pe lume în termen de 10

ani. El a motivat: „A durat cincizeci de ani pentru a merge de la

calculatoare de dimensiuni de cameră la cele care se potrivesc în buzunar.

Dar pentru că pornim de la o pozi
ț
ie tehnologică avansată, aceea
ș
i tranzi
ț
ie

pentru ma
ș
ini inteligente ar trebui să meargă mult mai repede”.

Pentru a explora poten
ț
ialul de dezvoltare al sistemelor de expertiză, este

necesar să se compare diferen
ț
ele dintre „gândirea” umană
ș
i ma
ș
ină
ș
i

discuta
ț
i posibilită
ț
ile pentru viitor.

Competen
ț
a umană
ș
i inteligen
ț
a intuitivă

După cum am men
ț
ionat anterior, oamenii au învă
ț
at cum să meargă prin

încercare
ș
i practică. Acest tip de abilitate este numit „knowhow”. Oamenii

dobândesc astfel de abilită
ț
i prin instruc
ț
iuni
ș
i experien
ț
ă. Învă
ț
area umană

este un proces treptat,
ș
i acolo

pare să nu facă un salt brusc înainte de la cuno
ș
tin
ț
e bazate pe reguli către

cuno
ș
tin
ț
e bazate pe experien
ț
ă.Novicii urmează regulile
ș
i instruc
ț
iunile în

timp ce utilizatorii mai competen
ț
i iau în considerare elementele situa
ț
iei,

cum ar fi detectarea slăbiciunii adversarului în jocul de
ș
ah. Utilizatorii

competen
ț
i amintesc, de asemenea, solu
ț
ii din experien
ț
a similară trecută
ș
i

le poate aplica intuitiv în prezent fără a le sorta mai întâi după reguli sau a

trece prin reguli ale deliberării. Un alt aspect legat de inteligen
ț
a umană

este acela că atunci când exper
ț
ii umani lucrează în mod con
ș
tient la

rezolvarea

probleme, au o mentalitate diferită. Luând joc de
ș
ah ca exemplu, maestrii

nu se văd singuri ca piese de manipulare de pe bord, mai degrabă se

consideră profund implicate în lumea oportunită
ț
ilor, amenin
ț
ărilor, puncte

forte, slăbiciuni, temeri
ș
i speran
ț
e. Acest nivel de implicare ajută expertul

uman să gândească diferit
ș
i pentru a veni cu solu
ț
ii inovatoare.

Mintea umană

Creierul uman are multe proprietă
ț
i interesante. Raj Reddy a speculat că

există aproximativ o sută de miliarde de celulele neuronale din creierul

uman
ș
i creier ar putea efectua 200 de miliarde de opera
ț
ii pe secundă,

dacă nu mai rapid decât atât. În domenii cu probleme cum ar fi procesele

de viziune, vorbire
ș
i motorie, „este mai puternic decât 1.000

supercalculatoare, cu toate acestea, pentru sarcini simple, cum ar fi

înmul
ț
irea, este mai pu
ț
in puternic decât un microprocesor pe patru bi
ț
i ”.

Aceste evenimente de procesare care au loc în creier necesită un efort

con
ș
tient mic
ș
i

con
ș
tientizare din partea oamenilor
ș
i le este extrem de dificil să imite

ma
ș
inile. În schimb, ma
ș
inile poate excela în unele procese care sunt

dificile, sau nu imposibile pentru o fiin
ț
ă umană. Reddy a continuat să

argumenteze aceasta Inteligen
ț
a bazată pe siliciu, dacă este realizată

vreodată, poate avea doar atribute diferite până la urmă.

Hubert Dreyfus
ș
i colegii săi au pus la îndoială dacă mintea umană poate fi

materializată într-o procesare a informa
ț
iei ma
ș
inărie. De exemplu, „dacă

oamenii
ș
tiu că o cutie mică se sprijină pe o cutie mare, î
ș
i pot imagina ce

ar face

se întâmplă dacă caseta mare a fost eliminată ”. Cu toate acestea, un

computer „trebuie să primească o listă de date despre cutii, cum ar fi

ca mărime, greutate
ș
i coeficien
ț
i de frecare, precum
ș
i informa
ț
ii despre

modul în care fiecare este afectată de diverse tipuri a mi
ș
cărilor ”. Fiin
ț
ele

umane gândesc cu imagini. Ei folosesc imagini, nu descrieri, pentru a

în
ț
elege
ș
i răspunde la situa
ț
ii. Este total diferit de ra
ț
ionamentul explicit,

pas cu pas, pe care îl efectuează ma
ș
ina logică.

Ce ne rezerva viitorul

Gândul de a face o ma
ș
ină „gândire” ar putea fi interesant, controversat
ș
i,

de asemenea, intimidant. Ray Kurzweil a detaliat in cartea sa

Singularitatea este aproape: Când oamenii transcend Biologie au oferit

câteva gânduri intrigante ale viitorului

cum ar fi nanobotii, care sunt agen
ț
i submicro injecta
ț
i în fluxul sanguin

uman. Ar putea fi obi
ș
nui
ț
i pentru a monitoriza
ș
i men
ț
ine echilibrele

chimice
ș
i biologice. În plus, ace
ș
ti nanoboti ar putea fi de asemenea

specializa
ț
i in patrularea creierului
ș
i descărcarea fiecărui model neuronal

stocat
ș
i conexiuni sinaptice de la celulele creierului la un

sistem de supercomputere. La rândul său, un astfel de sistem ar recrea o

versiune software a min
ț
ii umane, inclusiv memorie, emo
ț
ii, instincte
ș
i

gânduri. Mai mult, programul ar putea fi portat
ș
i la alte ma
ș
ini la fel ca orice

alt software, care gânde
ș
te
ș
i ac
ț
ionează ca „tine însu
ț
i” cu nemurirea!

În mod clar, func
ț
ionarea interioară a min
ț
ii umane este complicată
ș
i

provocarea de a crea ma
ș
ini care ar putea simula abilită
ț
ile intelectuale

umane este descurajant. Mai mult, posibilitatea dotării cu sisteme

informatice, inteligen
ț
a asemănătoare omului rămâne încă discutabilă.

Controversa se extinde dincolo de faptul dacă ma
ș
inile pot „gândi” ca

oamenii. Ma
ș
ina „gândirii”, dacă devine o realitate, ar avea, fără îndoială,

implica
ț
ii sociale profunde
ș
i ar provoca schimbări irevocabile fundamentale

ale societă
ț
ii noastre. Cu toate acestea, succesul continuu al sistemelor de

exper
ț
i, a
ș
a cum este descris în sec
ț
iunile anterioare, pare asigurat.

Implica
ț
ii sociale ale sistemelor de exper
ț
i

Utilizarea puterii cerebrale a exper
ț
ilor, astfel încât să poată fi transmisă

pentru a ajuta pe ceilal
ț
i a fost întotdeauna principala for
ț
ă motrice în

spatele dezvoltării sistemelor de exper
ț
i. Este unul dintre cele mai pozitive

poten
ț
iale ale AI. La fel cum Reddy a men
ț
ionat că „împărtă
ș
irea

cuno
ș
tin
ț
elor
ș
i a cuno
ș
tin
ț
elor sub formă de produse informa
ț
ionale este

singura cale pentru a reduce acest decalaj din ce în ce mai mare între a

avea
ș
i a nu avea ”. Sistemele de expertiză ar putea fi un mijloc de

partajare pentru bogă
ț
ia de cuno
ș
tin
ț
e, cea mai importantă bogă
ț
ie de

împărtă
ș
it cu defavoriza
ț
ii. Pe măsură ce se înregistrează progrese

dezvoltând aplica
ț
ii inteligente de AI, am putea fi pe cale să „ajutăm pe cei

săraci, analfabe
ț
i unde se afla o
ț
ară dezavantajată de na
ț
iunea noastră
ș
i

de lume ”.

De
ș
i utilizarea sistemelor de exper
ț
i este cu siguran
ț
ă benefică vie
ț
ii

noastre sociale, există, de asemenea, poten
ț
iale neajunsuri
ș
i detrimen
ț
i

care ar putea duce la dileme juridice
ș
i etice dificile. În timp ce este în mod

evident periculos
ș
i nebun implementarea ma
ș
ini logice pentru a fi la

comanda unui câmp de luptă,
ș
i despre sistemul de control al traficului

aerian unde se orientează avioane care transportă mii de pasageri sau

sisteme de diagnosticare medicală care ar putea ajuta medicii în situa
ț
ii de

via
ț
ă? Ce se întâmplă dacă aceste sisteme dau sfaturi gre
ș
ite? Cine ar

trebui să fie tras la răspundere? Si daca aceste sisteme pot gândi autonom

ș
i să fie con
ș
tiente de propria lor existen
ț
ă, ar putea fi sfaturile incorecte

inten
ț
ionate? În cazul în care sistemul juridic ar fi extins pentru a face fa
ț
ă

ma
ș
inilor în viitor, cum ar fi „Cele trei legi ale Robotici” în fic
ț
iunea lui Isaac

Asimov?

Dezvoltarea sistemelor de expertiză ridică, de asemenea, problema cine

trebuie să de
ț
ină cuno
ș
tin
ț
ele. Richard L Dunn a prezentat o listă de

întrebări pe această temă: „E
ș
ti tu sau angajatorul tău?
Ș
i dacă apare un

inginer de cuno
ș
tin
ț
e la

biroul tău, cât trebuie să împărtă
ș
e
ș
ti cu el? Dacă „î
ț
i scurge creierul”, e
ș
ti

mai mult sau mai pu
ț
in valoros pentru o companie? Poate compania dvs.

să ia acea informa
ț
ie
ș
i să o dea sau să o vândă altora fără a vă

compensa? "

Cu siguran
ț
ă, legile privind dreptul de autor
ș
i proprietatea intelectuală sunt

bine stabilite. Angajatorii au dreptul să de
ț
ină produse brevetabile
ș
i

materiale cu drept de autor elaborate pe parcursul angajării. Dar cu privire

la cuno
ș
tin
ț
ele
ș
i experien
ț
a pe care le-a
ț
i acumulat prin munca dvs., sunt

ele supuse aceluia
ș
i regulament? Dupa toate acestea, cuno
ș
tin
ț
ele
ș
i

experien
ț
a personală sunt mărfuri comercializabile. Acesta este motivul

pentru care angajatorul dvs. vă angajează. In orice caz, presupunând că

cuno
ș
tin
ț
ele sau experien
ț
a ar putea fi cumva capturate
ș
i stocate într-un

sistem informatic controlat de dvs. sau că sistemul informatic a dobândit

cuno
ș
tin
ț
e
ș
i experien
ț
ă de la cineva sau un grup de persoane care au

aceea
ș
i expertiză ca tine, compania va mai avea nevoie să te angajeze?

Este mai bine să fii pregătit pentru toate aceste întrebări înainte de a fi prea

târziu să le răspunzi

Concluzii

În fiecare dintre sec
ț
iunile de mai sus am abordat diferite fire din istoria AI

care poartă teme similare.

În general, vedem un câmp trase în două direc
ț
ii – una spre aplica
ț
ii

practice pe termen scurt
ș
i cealaltă spre problemele mai mari, care se

revarsă în însă
ș
i defini
ț
ia a ceea ce înseamnă să fii inteligent.

Dintr-o perspectivă, am înregistrat progrese deosebite – AI este un domeniu

destul de bine definit, care a crescut în ultimii 50 de ani
ș
i a ajutat la

rezolvarea multor probleme, fie că este vorba de blocarea adaptivă a

spam-ului, recunoa
ș
terea imaginii / vocii, ridicată sau căutarea

performan
ț
ei. Pe de altă parte, lucrurile la care au început ini
ț
iatorii AI ca

Turing
ș
i McCarthy mi se par la fel de departe acum ca pe atunci.

În AI, problemele grele nu au fost rezolvate, iar progresul a fost lent, fie că

este vorba de o pierdere a finan
ț
ării, din lipsa interesului cercetătorilor sau

realizarea faptului că problemele devin mai dificile, cu atât mai bine

deslusind în
ț
elesul lor. Însă
ș
i aceste dificultă
ț
i ar fi putut ajuta la crearea

scenariului de iarnă AI – de ce să deranjeze aruncarea banilor la cercetare

atunci când există mai multe aplica
ț
ii practice care a
ș
teaptă resurse. Deci,

după 50 de ani sau muncă, nu există un computer care să poată trece

testul Turing, nu a fost înlocuit în masă exper
ț
ii cu software

sistemele
ș
i computerele nu pot bate oamenii la unele jocuri simple, dar

strategice, precum Go.

Desigur, aceasta nu înseamnă că renun
ț
ăm la gândire
ș
i încercare, ci doar

că ne perfec
ț
ionăm abordarea. Peste ani de zile am aflat că o bază de

cuno
ș
tin
ț
e masive nu este suficientă
ș
i nici un milion de inferen
ț
e logice.

Problema grea în domeniul AI este găsirea unei modalită
ț
i de a învă
ț
a o

ma
ș
ină să gândească, dar pentru a articula

„Gândirea” într-un mod în care computerele actuale pot în
ț
elege, trebuie

mai întâi să în
ț
elegem gândirea
ș
i inteligen
ț
a pe noi în
ș
ine.

Până atunci, vom continua să creăm programe de
ș
ah care se bazează pe

for
ț
a brută, sisteme de exper
ț
i care nu reu
ș
esc să observe ce este evident

ș
i conversa
ț
ii cu programe care pur
ș
i simplu nu sunt atât de interesante de

discutat.