Universitatea babeş-bolyai cluj-napoca

Capitolul 1. Inteligența artificială și învățarea automată

În acest capitol se vor descrie pe scurt conceptele de inteligență artificială și învățare automată. Se vor da definițiile noțiunilor de bază în studiul conceptelor respective și se vor puncta principalele descoperiri în acest domeniu din ultimele decenii. De asemenea, capitolul include și tendințe actuale în cercetările efectuate.

1.1.Inteligența artificială

1.1.1.Ce este inteligența artificială?

Termenul de inteligență artificială, sau IA, a fost pentru prima dată folosit în anul 1955 de John McCarthy. Acesta definea IA drept “știința și ingineria construirii mașinilor inteligente.” De-a lungul timpului, oamenii de știință au dat definiții diferite noțiunii de IA. Dar toate aceste definiții pot fi împărtițe în patru clase, în funcție de cum e înțeleasă inteligența [1]:

1. 
   Sisteme care gândesc la fel ca oamenii.
   

Ca să putem spune dacă un program gândește ca un om, trebuie să determinăm cum gândesc oamenii și să formalizăm modul în care gândesc. Acest lucru poate fi facut prin introspecție sau prin experimente psihologice. Dacă avem o teorie destul de precisă care să descrie mintea omului, atunci se pot exprima formalitățile din spatele teoriei respective într-un program.

Un criteriu posibil de a stabili dacă un sistem gândește la fel ca oamenii ar fi următorul: Dacă datele de intrare și cele de ieșire ale programului și timpii de răspuns coincid cu cele ale omului, aceasta poate constitui o dovadă a faptului ca o parte din mecanismele din spatele sistemului ar putea fi găsite și în modul în care gândesc oamenii.

Această definiție pentru IA are și numele de abordarea modelării cognitive.

2. 
   Sisteme care se comportă la fel ca oamenii.
   

Această definiție este strâns legată de testul Turing, propus de renumitul Alan Turing în 1950. Un program trece testul Turing dacă acesta primește întrebări de la o persoană aflată într-o altă cameră și, în urma răspunsurilor primite, persoana respectivă nu ar putea să răspundă clar dacă interacționează cu un calculator sau cu o altă persoană.

Pentru a trece testul Turing, un calculator ar trebui să posede următoarele capacități: procesarea limbajului natural, reprezentarea cunoștințelor, deducția automată a răspunsurilor, învățare automată.

Din acest motiv, definiția de mai sus se numește și abordarea testului Turing.

3. 
   Sisteme care gândesc rațional.
   

Această definiție se referă la procesele de deducție și la logica formală. Astfel, ideea constă în construirea unor programe care primesc ca date de intrare un set de afirmații, reprezentând caracteristici ale entităților cercetate și relații dintre acestea, și care deduc valoarea de adevăr a altor afirmații.

4. 
   Sisteme care se comportă rațional.
   

Un program este considerat că se comportă rațional dacă este capabil să perceapă, să raţioneze şi să acţioneze în conformitate cu un anumit scop. Aceasta definiție are la bază conceptul de agent – o entitate care percepe mediul din jurul ei și reacționează la acesta, pentru a-și atinge obiectivul. Din această cauză, definiția este numită abordarea agentului rațional.

1.1.2.Ramuri ale inteligenței artificiale

Scopurile de bază ale cercetării în IA sunt evidențiate de subdomeniile acesteia. În continuare, se vor descrie cele mai importante ramuri ale IA.

Prelucrările simbolice (symbolic processing) reprezintă componenta cu preocupări de programare a domeniului. Ea a dus la dezvoltarea unor limbaje specializate în prelucrarea simbolurilor, cel mai cunoscut dintre ele fiind Lisp. Fără a neglija aspectele clasice ale programării, cum ar fi utilizarea numerelor în calcule, în toate aceste limbaje se pune un accent deosebit pe manipularea simbolurilor. Un limbaj adecvat prelucrărilor simbolice găzduieşte cu uşurintă reprezentarea şi manipularea simbolurilor de orice natură, nu numai numerice. Pentru că inteligența artificială se bazează în mare măsură pe manipularea simbolurilor, Lisp este considerat limbajul de casă (sau nativ) al inteligenței artificiale. Un tip particular de prelucrări simbolice sunt confruntările de şabloane (pattern matching). Şabloanele sunt obiecte abstracte formate din părți definite riguros şi altele doar schițate. Şabloanele sunt utilizate pentru regăsirea de obiecte ce satisfac anumite constrângeri în mulțimi de obiecte asemănătoare [2].

Procesare simbolică şi limbaje de procesare simbolică. În general se acceptă că sistemele inteligente din natură prelucrează două tipuri de informații: de natură simbolică sau concentrată şi de natură difuză, distribuită. Calculatoarele noastre, prin proiectare, sunt destinate a manipula numere şi caractere, având compartimente special proiectate pentru realizarea performantă de calcule numerice. Lucrul cu simboluri (şiruri de caractere, imagini sau sunete) deşi realizabil pe calculatoarele clasice, necesită tehnici speciale mulate pe natura digitală a aparatului de calcul. Maşina uzuală pe care o avem la dispoziție nu are cablate disponibilități de a opera cu simboluri, de a realiza regăsiri simbolice pe bază de asociații, ori de a forma alte simboluri prin compunere. Manipularea simbolurilor necesită un aparat logic şi un suport adecvat de calcul (o maşinărie). Aparatul logic este dat de logica simbolică care reprezintă atât un model de formalizare a cunoştintelor cât şi o metodă de raționament. Maşinăria este asigurată de limbajele de procesare simbolică capabile a simula un comportament adecvat prelucrărilor simbolice mulat pe natura slab simbolică a maşinii. Dintre acestea, putem identifica: Lisp – în paradigma funcțională, Prolog – în paradigma logică şi Clips – în paradigma bazată pe reguli [2].

Reprezentarea cunoaşterii (knowledge representation). Putem interacționa cu mediul înconjurător pentru că, pe de o parte, datorită simțurilor, intrăm în legătură cu ea, iar pe de altă parte o "înțelegem" aşa cum este. Ca să înțelegem realitatea avem însă nevoie de a o "proiecta" în mintea noastră. Această proiecție este o reprezentare a realității. Fără a avea o reprezentare asupra unei entități nu putem emite judecăți asupra ei. Reprezentarea implică, în principiu, trei componente: o notație, o denotație şi un calcul. Notația este un desen, sau o structură de date, care respectă anumite convenții (date de obicei de o sintaxă). Conotația, sau semantica, este interpretarea pe care o dăm notației, din nou pe baza unui sistem de convenții. Fără aceste reguli de interpretare notația este superfluă. În sfârşit, o reprezentare trebuie să includă un model computațional care să facă posibilă operarea cu obiectele şi relațiile dintre obiecte ce compun reprezentarea. Datorită modelului de calcul entitățile modelate prind viață, putându-se studia astfel comportamentul lor în condiții ce simulează de aproape realitatea [2].

Raționament automat şi demonstrarea teoremelor (theorem proving, problem solving). Cea mai veche ramură a IA şi cea mai teoretică dintre ele, utilizează logica ca sistem formal de găsire a demonstrațiilor şi de generare a inferențelor automate. Foarte multe probleme pot fi formalizate ca probleme de matematică sau logică, rezolvarea lor reducându-se la o demonstrare a unei teoreme, plecând de la un sistem de axiome şi utilizând un mecanism de deducție logică. Ca şi în alte cazuri, dificultățile rezidă în numărul extrem de mare de posibilități ce pot apare. Pentru controlul exploziei de posibilități în căutarea unei soluții se utilizează de multe ori soluții euristice, care deşi nu garantează soluția optimă, pot în general duce la găsirea uneia, cel puțin [2].

Procesarea limbajului natural (natural language processing). Este de mult acceptat că utilizarea limbajului este o caracteristică definitorie a inteligenței. Deşi nouă ne vine atât de uşor să comunicăm prin limbaj, o încercare de explicitare a mecanismelor care stau la baza înțelegerii textelor ori a limbajului vorbit se dovedeşte deosebit de dificilă. În domeniul înțelegerii limbajului natural trebuie întâi stabilită o distincție între a întelege un mesaj comunicat prin voce şi a întelege un mesaj scris. De prima chestiune se ocupă domeniul de cercetare al interpretării vorbirii (speech processing). Problema înțelegerii limbajului în varianta scrisă face obiectul a două tipuri de preocupări. Lingvistica computațională pe de o parte, ca domeniu pur academic, pune în discuție modele computaționale ale limbajului natural cu scopul de a investiga şi descoperi natura însuşi a limbajului şi a abilităților cognitive umane. Ingineria Lingvistică, pe de altă parte, este preocupată de a dezvolta aplicații care se bazează pe utilizarea limbajului natural, orientate spre industrie, comerț, sfera socialului sau cea educațională [2].

Vederea artificială (computer vision). Cinci simțuri (vederea, auzul, simțul tactil, mirosul şi gustul) ne stau la dispoziție pentru a interacționa cu mediul, pentru a lua cunoştintă de ceea ce se află în afara corpului nostru, în imediata noastră vecinătate. Modelarea acestor simțuri pe sisteme automate reprezintă cu certitudine, o preocupare de mare însemnătate a domeniului IA. Dintre cele cinci, vederea ocupă un loc privilegiat. Sistemele de vedere artificială încearcă să descifreze mecanismele vederii şi ale interpretării imaginilor statice şi în mişcare [2].

Robotică (robotics). Sistemele inteligente vii au abilitatea de a găsi soluții de deplasare în spațiu în vederea atingerii unor obiective sau de mutare a unor obiecte folosind brațele. Căutarea unui drum pe un teren accidentat (lunar, de exemplu, sau pe fundul oceanelor) sau într-un spațiu cu obstacole (cum este o cameră) nu este o problemă simplă, nu în ultimul rând datorită numărului mare de posibilități de alegere la fiecare pas, complexitate ce face imposibilă tentativa căutării exhaustive. Încercând a modela procesele cognitive care se desfăşoară în sistemele vii, planificarea roboților este un câmp de cercetare care urmăreşte a îmbunătăți comportamentul roboților atunci când ei sunt programați a executa diferite sarcini [2].

Învățare automată (machine learning). Un sistem înzestrat cu inteligență este capabil să învețe pentru a-şi îmbunătăți interacțiunea cu mediul. El poate învăța fie din greşeli, prin auto-perfecționare, fie ghidat de un profesor, fie generalizând, fie prin analogie, sau din exemple pozitive şi negative. Domeniul învățării automate formalizează aceste metode şi caută aplicarea lor la sistemele automate [2].

Sisteme expert (expert systems). Puterea stă în cunoaştere. Aplicarea acestui truism în sisteme artificiale înseamnă dotarea lor cu abilitatea de a se servi de cunoaştere specifică (cunoaştere expert). Un medic este bun în găsirea unui diagnostic pentru că are un bagaj de cunoştințe generale dar şi specifice despre boli şi bolnavi. Parțial această cunoaştere a deprins-o din cărți, parțial în cursul anilor de experiență clinică, prin atâtea cazuri în care s-a implicat. Achiziționarea, formalizarea şi includerea cunoaşterii expert în sistemele artificiale reprezintă scopul domeniului sistemelor expert [2].