Dirbtinis intelektas (DI) sparčiai žengia į priekį, keisdamas įvairias gyvenimo sritis. Nuo sudėtingų žaidimų iki savavaldžių automobilių, DI tampa vis labiau integruota į mūsų kasdienybę. Tačiau, kartu su galimybėmis, kyla ir iššūkiai, tokie kaip priklausomybė nuo technologijų ir etiniai klausimai, susiję su DI naudojimu. Šiame straipsnyje panagrinėsime DI raidą, pagrindines sritis, galimybes ir iššūkius, susijusius su šia sparčiai besivystančia sritimi, ypatingą dėmesį skiriant robotikos smegenims ir priklausomybei.
Dirbtinio Intelekto Samprata ir Raida
Dirbtinio intelekto sąvoka atsirado prieš 50-60 metų, tačiau tik per pastarąjį dešimtmetį terminas išpopuliarėjo dėl išaugusių duomenų kiekių ir kompiuterių pajėgumų. Vis dėlto, net tarp mokslininkų nėra vieningos nuomonės, kas iš tikrųjų yra dirbtinis intelektas. Todėl, saugiausia DI apibrėžti kaip tyrimų sritį, analizuojančią ir vystančią kompiuterių gebėjimą suvokti aplinką, siekti tikslo ir atkartoti žmogaus elgesį.
Svarbu atskirti, kokie kompiuterių atliekami veiksmai laikytini dirbtiniu intelektu, o kokie - paprastu automatizavimu. Net tokie įrankiai, kaip balsą atpažįstantys telefonų asistentai, kelia klausimų, ar tai tik programuotojo sukurtas taisyklių rinkinys, ar sudėtingų algoritmų rezultatas.
Šiandienos DI įrankiai dažniausiai priskiriami siauros paskirties DI (Artificial Narrow Intelligence; ANI) kategorijai. Tai reiškia, kad jie geriau už žmogų sprendžia konkrečius uždavinius iš anksto apibrėžtame kontekste. Ateityje tikimasi susidurti su bendrojo DI (Artificial General Intelligence; AGI) arba Super DI sistemomis, kurios demonstruos platų arba viršijantį žmogaus gebėjimų spektrą.
Pagrindinės Dirbtinio Intelekto Sritys
Kadangi dirbtinis intelektas yra plati tyrimų sritis, verta susipažinti su pagrindinėmis jo šakomis:
Taip pat skaitykite: Robotikos Akademijos Vadovas: Technologijų Priklausomybė
- Kompiuterio mokymas (Machine Learning): tai kompiuterių gebėjimas atpažinti dėsningumus duomenyse, pasitelkiant algoritmus ir matematiką. Populiarūs pavyzdžiai yra el. pašto „šlamšto“ gaudyklės, prekių rekomendacijų sistemos ir sukčiavimo atpažinimo įrankiai. Tokios sistemos apmokomos naudojant istorinius duomenis ir gali pateikti prognozes, susiedamos informaciją su labiausiai tikėtinais rezultatais.
- Gilusis mokymasis (Deep Learning): tai kompiuterių mokymas, grįstas giliaisiais neuroniniais tinklais. Ši sritis lėmė pastarųjų metų susidomėjimą dirbtiniu intelektu. Gilieji neuroniniai tinklai gali būti naudojami su vaizdais, tekstais, garsu ir atlikti tokias užduotis kaip balso atpažinimas, veido atpažinimas ir kt. Šiam tipui reikalingi didžiuliai resursai - laikas, specializuota kompiuterinė technika ir auganti prognozių kokybė didėjant duomenų kiekiui. Tačiau, abiejų technologijų rezultatai yra geri tiek, kiek kokybiški yra jų apmokymui naudojami duomenys.
- Skatinamasis mokymasis (Reinforcement Learning): šio tipo technologijos yra apmokomos sąveikauti su aplinka, imti duomenis iš „gyvos“ aplinkos ir siekti pageidaujamo rezultato. Sėkmingiausi pavyzdžiai yra sudėtingi žaidimai, robotika ir savavaldžiai automobiliai. Didžioji problema yra ilgas apmokymo laikas ir reprezentatyvios aplinkos poreikis.
- Optimizavimas: šio tipo programos siekia rasti optimalų sprendimą iš anksto suformuotam matematiniam uždaviniui. Tokie uždaviniai sprendžiami logistikos, transporto planavimo, telekomunikacijų ir kitose sferose. Optimizavimo metodais galime greitai rasti atsakymus geriausių sprendimų priėmimui, tačiau tai įmanoma tik iš anksto suformuotam uždaviniui.
Tikras Proveržis ir Ateities Perspektyvos
Nors dabartiniai DI sprendimai nepasižymi žmogaus protą primenančiu intelektu ir dažnai yra tik rinkodaros priemonė, jie vis tiek yra įdomūs ir perspektyvūs. Kompiuterio mokymo algoritmai, gilieji neuroniniai tinklai ir skatinamojo mokymo algoritmai sprendžia itin sudėtingus matematinius uždavinius.
Tikėtina, kad naujų proveržių dirbtinio intelekto srityje padės pasiekti turimų duomenų kiekio, kokybės, kompiuterių skaičiavimo pajėgumų ir naujų mokslinių metodų sintezė. Giliaisiais neuroniniais tinklais pagrįsti sprendimai jau dabar ribotai sugeba spręsti tokius žmogaus elgesį primenančius uždavinius kaip keleto temų palaikymas vienu pokalbio metu.
Vis dėlto, tebėra didelis skirtumas tarp to, kaip veikia kompiuteriai ir mūsų smegenys. Todėl, „tikrojo dirbtinio intelekto“ proveržio galima laukti visiškai naujos kartos kompiuterinės įrangos eroje, derinant ją su naujausiais algoritmų, matematikos, informatikos, duomenų mokslo ir kitų mokslo sričių pasiekimais.
Robotikos Smegenys ir Jų Panaudojimas
Robotikos smegenys yra dirbtinio intelekto sistema, kuri leidžia robotams atlikti įvairias užduotis autonomiškai. Jos apima jutiklių duomenų apdorojimą, aplinkos suvokimą, planavimą ir veiksmų vykdymą. Robotikos smegenys gali būti naudojamos įvairiose srityse, tokiose kaip gamyba, logistika, sveikatos priežiūra ir namų ūkis.
Vilniaus universiteto Matematikos ir informatikos fakulteto mokslininkas Adolfas Laimutis Telksnys prieš 50 metų išpranašavo išmaniųjų įrenginių atsiradimą, o pastaraisiais metais prognozavo, kad gyvensime su mums patarnaujančiais robotais. Jis teigė, kad dabar reikia mokinius mokyti ne tik kompiuterinio, bet ir robotinio raštingumo, kad jie mokėtų dirbti su tomis mašinomis, kurios ateis.
Taip pat skaitykite: Robotikos Akademija: Vadovavimas ir priklausomybė
Priklausomybė Nuo Technologijų ir Jos Pasekmės
Šiandien dauguma žmonių neįsivaizduoja gyvenimo be technologijų ir interneto. Tačiau, vis dažniau kalbama apie priklausomybę nuo jų. Tai gali sukelti įvairių problemų, tokių kaip sumažėjęs socialinis aktyvumas, miego sutrikimai, dėmesio koncentracijos problemos ir kt.
Neuroedukacija, jungianti edukaciją bei neuromokslus, siekia suprasti, kaip smegenys mokosi ir kaip galima turimą informaciją pritaikyti mokymosi proceso tobulinimui. Mokslininkai teigia, kad neuroedukacija gali padėti atsakyti į klausimus, kaip atsiranda priklausomybė nuo technologijų ir ką su tuo daryti, kodėl mokiniai nesugeba ilgesniam laikui sukoncentruoti dėmesio.
Lietuvių Kalbos Technologijos ir Jų Svarba
Ilgą laiką lietuvių kalba buvo neprieinama daugelyje kasdien naudojamų technologijų. Šiuo metu gautas finansavimas projektui „Didžiojo lietuvių kalbos garsyno sukūrimas“ (LIEPA-3), kuris yra reikšmingas žingsnis lietuvių kalbos technologijų srityje. LIEPA-3 suteiks naujų galimybių mūsų kalbai būti pritaikytai šiuolaikinėse išmaniosiose sistemose.
Projekto tikslas - sukurti 10 tūkst. valandų lietuvių kalbos anotuotą garsyną, kuris bus sudarytas pagal diktorių amžiaus, lyties, tarminio regiono kriterijus. Garsynas atspindės šnekos turinio fonetinę, morfologinę, sintaksinę, stiliaus ir tarminę įvairovę. Turėdami viešai prieinamą ir išsamų garsyną, mokslininkai galės plėtoti pažangias kalbos atpažinimo, sintezės ir natūralios kalbos apdorojimo metodikas, o tai atvers galimybes dirbtinio intelekto plėtojimui Lietuvoje.
Taip pat skaitykite: Depresijos gydymo galimybės
tags: #lrt #robotikos #smegenys #isskiria #priklausomybe