Inteligjenca artificiale (IA) është aftësia e sistemeve llogaritëse për të kryer detyra që zakonisht shoqërohen me inteligjencën njerëzore, të tilla si të mësuarit, arsyetimi, zgjidhja e problemeve, perceptimi dhe vendimmarrja. Është një fushë kërkimore në inxhinieri, matematikë dhe shkencë kompjuterike që zhvillon dhe studion metoda dhe softuerë që u mundësojnë makinave të perceptojnë mjedisin e tyre dhe të përdorin të mësuarit dhe inteligjencën për të ndërmarrë veprime që maksimizojnë shanset e tyre për të arritur qëllime të përcaktuara.
Aplikimet e profilit të lartë të IA-së përfshijnë motorë të avancuar kërkimi në internet, chatbot-e, asistentë virtualë, automjete autonome, lojë dhe analizë në lojëra strategjike (p.sh., shah dhe Go) dhe gjenerim përmbajtjeje (p.sh. imazhe, audio dhe video).
Qëllimet tradicionale të kërkimit në IA përfshijnë të nxënit, arsyetimin, përfaqësimin e njohurive, planifikimin, përpunimin e gjuhës natyrore dhe perceptimin, si dhe mbështetjen për robotikën. Për të arritur këto qëllime, studiuesit e IA-së përdorin teknika duke përfshirë kërkimin në hapësirën e gjendjes dhe optimizimin matematik, logjikën formale, rrjetet nervore artificiale dhe metodat e bazuara në statistikë, kërkimin e operacioneve dhe ekonominë. IA gjithashtu mbështetet në psikologji, gjuhësi, filozofi, neuroshkencë dhe fusha të tjera. Disa kompani, të tilla si OpenAI, Google DeepMind dhe Meta, synojnë të krijojnë inteligjencë të përgjithshme artificiale (IAGJ) - IA që mund të kryejë pothuajse çdo detyrë njohëse të paktën po aq mirë sa një njeri.
Inteligjenca artificiale u themelua si një disiplinë akademike në vitin 1956. Fusha kaloi nëpër cikle të shumta optimizmi gjatë gjithë historisë së saj, të ndjekura nga periudha zhgënjimi dhe humbjeje të fondeve, të njohura si dimra të IA-së. Financimi dhe interesi u rritën ndjeshëm pas vitit 2012, kur njësitë e përpunimit grafik (GPU) filluan të përdoren për të përshpejtuar rrjetet nervore, dhe të mësuarit e thellë i tejkaloi teknikat e mëparshme të IA-së. Kjo rritje u përshpejtua më tej pas vitit 2017 me arkitekturën transformuese. Në vitet 2020, një bum i IA-së përkoi me përparimet në IA-në gjeneruese, e cila u përhap gjerësisht dhe lejoi krijimin dhe modifikimin e mediave. Përveç sigurisë së IA-së dhe pasojave dhe dëmeve të padëshiruara nga përdorimi i IA-së, shqetësimet etike, efektet afatgjata të IA-së, efektet mjedisore dhe rreziqet e mundshme ekzistenciale kanë nxitur diskutime mbi rregullimin e IA-së.
Golat
Problemi i përgjithshëm i simulimit (ose krijimit) të inteligjencës është ndarë në nënprobleme. Këto përbëhen nga tipare ose aftësi specifike që studiuesit presin që një sistem inteligjent të shfaqë. Tiparet e përshkruara më poshtë kanë marrë vëmendjen më të madhe dhe mbulojnë fushëveprimin e kërkimit të IA-së.
Arsyetimi dhe zgjidhja e problemeve
Studiuesit e hershëm zhvilluan algoritme që imitonin arsyetimin hap pas hapi që njerëzit përdorin kur zgjidhin enigma ose bëjnë deduksione logjike. Nga fundi i viteve 1980 dhe 1990, u zhvilluan metoda për t'u marrë me informacion të pasigurt ose të paplotë, duke përdorur koncepte nga probabiliteti dhe ekonomia.
Shumë nga këto algoritme ishin të pamjaftueshme për zgjidhjen e problemeve të mëdha të arsyetimit sepse përjetuan një "shpërthim kombinator", që do të thotë se ato bëhen në mënyrë eksponenciale më të ngadalta ndërsa problemet rriten. Edhe njerëzit rrallë përdorin deduksionin hap pas hapi që mund të modelonte hulumtimi i hershëm i inteligjencës artificiale. Njerëzit i zgjidhin shumicën e problemeve të tyre duke përdorur gjykime të shpejta dhe intuitive.
Modelet e arsyetimit, një lloj modeli i gjuhës së madhe (LLM) i trajnuar për të gjeneruar zinxhirë të ndërmjetëm mendimi, u shfaqën në vitin 2024 dhe lejuan performancë të përmirësuar në problemet komplekse në matematikë dhe kodim. Këto modele mund të prodhojnë rezultate të pasakta ose "halucinacione", ndryshe nga sistemet e arsyetimit simbolik.
Përfaqësimi i njohurive
Programet e inteligjencës artificiale përdorin njohuritë për t'iu përgjigjur pyetjeve në mënyrë inteligjente dhe për të nxjerrë përfundime rreth fakteve të botës reale.
Përfaqësimi formal i njohurive dhe inxhinieria e njohurive përdorin simbole për të përfaqësuar fjalë, koncepte dhe gjëra në botë. Një bazë njohurish është një trup njohurish i përfaqësuar në një formë që mund të përdoret nga një program. Një ontologji është bashkësia e objekteve, marrëdhënieve, koncepteve dhe vetive të përdorura nga një fushë e caktuar e njohurive. Njohuritë formale janë studiuar gjerësisht që nga vitet 1970 dhe studiuesit kanë zhvilluar formalisma për një gamë të gjerë fushash të vështira.
Qasja simbolike ka vështirësi me disa probleme: gjerësia e njohurive të bazuara në logjikën e shëndoshë (grupi i fakteve atomike që një person mesatar di është shumë i madh), forma nënsimbolike e shumicës së njohurive të bazuara në logjikën e shëndoshë (shumica e asaj që njerëzit dinë nuk përfaqësohet si "fakte" ose "deklarata" që ata mund t'i shprehin verbalisht) dhe përvetësimi i njohurive (problemi i përftimit të njohurive për aplikacionet e IA-së).
Modelet e mëdha gjuhësore (dhe disa programe të tjera të inteligjencës artificiale të zhvilluara që nga viti 2012) nuk kërkojnë njohuri të qarta dhe simbolike. Ato fitojnë njohuri duke u trajnuar mbi tekstin e kombinuar të miliona librave dhe miliarda faqeve të internetit. Inteligjenca artificiale moderne gjithashtu mund të mësojë rreth një fushe duke kryer eksperimente (si kur AlphaZero mëson strategjinë e lojës duke luajtur kundër vetes). Mësimi automatik zgjidh problemet e njohurive të përgjithshme, njohurive të bazuara në logjikën e shëndoshë dhe përvetësimit të njohurive, megjithatë, kjo qasje ka hasur vështirësi me kujtesën e saktë dhe arsyetimin e vlefshëm.
Planifikimi dhe vendimmarrja
Një "agjent" është çdo entitet (artificial ose jo) që percepton dhe ndërmerr veprime në botë. Një agjent racional ka qëllime ose preferenca dhe ndërmerr veprime për t'i bërë ato të ndodhin. Në planifikimin e automatizuar, agjenti ka një qëllim specifik. Në vendimmarrjen e automatizuar, agjenti ka preferenca - ka disa situata në të cilat do të preferonte të ishte dhe disa situata që përpiqet t'i shmangë. Agjenti vendimmarrës i cakton një numër secilës situatë (të quajtur "dobia" e saj) që mat se sa shumë agjenti e preferon atë. Për çdo veprim të mundshëm, ai mund të llogarisë "dobinë e pritur": dobinë e të gjitha rezultateve të mundshme të veprimit, të peshuara nga probabiliteti që rezultati të ndodhë. Pastaj mund të zgjedhë veprimin me dobinë maksimale të pritur.
Në planifikimin klasik, agjenti e di saktësisht se cili do të jetë efekti i çdo veprimi. Megjithatë, në shumicën e problemeve të botës reale, agjenti mund të mos jetë i sigurt për situatën në të cilën ndodhet (është "e panjohur" ose "e pavëzhgueshme") dhe mund të mos e dijë me siguri se çfarë do të ndodhë pas çdo veprimi të mundshëm (nuk është "determinist"). Ai duhet të zgjedhë një veprim duke bërë një hamendësim probabilistik dhe pastaj ta rivlerësojë situatën për të parë nëse veprimi funksionoi.
Krahas testimit dhe përmirësimit të plotë bazuar në vendimet e mëparshme, të kesh një shpjegim pse agjenti mori vendime të caktuara është një mënyrë për të ndërtuar besim, veçanërisht kur duhet të mbështetesh në vendime.
Në disa probleme, preferencat e agjentit mund të jenë të pasigurta, veçanërisht nëse përfshihen agjentë të tjerë ose njerëz. Këto preferenca mund të mësohen (p.sh., me të mësuarit me përforcim invers), ose agjenti mund të kërkojë informacion për t'i përmirësuar ato. Teoria e vlerës së informacionit mund të përdoret për të peshuar vlerën e veprimeve eksploruese ose eksperimentale. Hapësira e veprimeve dhe situatave të mundshme në të ardhmen është zakonisht tepër e madhe, kështu që agjentët duhet të ndërmarrin veprime dhe të vlerësojnë situatat ndërsa janë të pasigurt për rezultatin.
Një proces vendimmarrjeje Markov ka një model tranzicioni që përshkruan probabilitetin që një veprim i caktuar do ta ndryshojë gjendjen në një mënyrë të caktuar dhe një funksion shpërblimi që jep dobinë e secilës gjendje dhe koston e secilit veprim. Një politikë shoqëron një vendim me secilën gjendje të mundshme. Politika mund të llogaritet (p.sh., me anë të përsëritjes së politikës), të përcaktohet nga një heuristikë ose të mësohet.
