Nëse po lexoni këtë artikull, tashmë jeni të rrethuar nga teknologjia e fuqizuar nga AI më shumë sesa mund ta imagjinoni. Nga faqja e internetit që keni përpara deri tek leximi i skanimeve CT, aplikacionet e AI janë të pashmangshme.
Në përgjithësi, kur njerëzit dëgjojnë për AI, ata shpesh e barazojnë atë me Mësimin e Makinerisë dhe Mësimin e Thellë, por ato janë vetëm dy nga nëntemat e shumta në kërkimin e AI. Këto dy janë ndoshta temat më efektive në botën e sotme të AI, por ka shumë nënçështje të tjera që kanë fituar tërheqje të konsiderueshme në komunitetin e AI për aplikimet e tyre dhe potencialin e ardhshëm. Në këtë artikull do të diskutojmë disa nga nëntemat e nxehta në hulumtimin e AI, shumë nga këto tema janë të ndërlidhura dhe janë nën ombrellën e gjerë të inteligjencës artificiale:
- Mësimi i Makinerisë në shkallë të gjerë
Mësimi i Makinerisë (ML) është i shqetësuar për zhvillimin e sistemeve që përmirësojnë performancën e tyre me përvojë. Në dekadën e fundit, përparimi në AI mund t'i atribuohet lehtësisht përparimeve në ML. ML është aq popullor sa është bërë sinonim i AI. Studiuesit tani po përqendrohen në shkallëzimin e algoritmeve moderne të ML në grupe të dhënash të mëdha. Për më shumë informacion mbi ML lexoni këtë "blog hyrës". - Të mësuarit e thellë
Një nëngrup i ML, Deep Learning (DL) është riemërtimi i rrjeteve nervore - një klasë modelesh të frymëzuara nga neuronet biologjike në trurin tonë. DL ka qenë forca shtytëse për shumë aplikacione në AI si njohja e objekteve, të folurit, përkthimi i gjuhës, luajtja e lojërave kompjuterike dhe kontrolli i makinave që drejtojnë vetë. Për më shumë informacion mbi DL lexoni këtë blog hyrës. - Mësimi përforcues
Mësimi përforcues (RL) është forma e mbyllur e të mësuarit sipas mënyrës se si mëson një qenie njerëzore. Ai përbëhet nga një agjent inteligjent që ndërvepron me mjedisin e tij me zgjuarsi për të korrur një shpërblim numerik. Qëllimi i agjentit është të mësojë veprime të njëpasnjëshme në mënyrë që të maksimizojë shpërblimin e gjatë. Ashtu si një qenie njerëzore që mëson nga përvoja e tij me botën reale, vazhdon të eksplorojë gjëra të reja dhe të përditësojë vlerat dhe besimet e tij, agjentët e RL punojnë në të njëjtin parim për të maksimizuar shpërblimet e veta në planin afatgjatë. Në vitin 2017, programi kompjuterik AlphaGo i Google përdori RL për të mposhtur kampionin e botës në lojën Go. Për më shumë informacion mbi RL lexoni këtë blog. - Robotika
Teknikisht, Robotika është një degë më vete, por ka disa mbivendosje me AI. AI ka bërë të mundur navigimin e robotëve në një mjedis dinamik. Si të siguroheni që një makinë që drejton vetë të shkojë nga pika A në pikën B pa dëmtuar veten dhe dikë tjetër në kohën më të vogël? Përparimet në DL, RL ndoshta kanë përgjigje për pyetje të tilla në Robotikë. Për më shumë informacion mbi robotikën, lexoni këtë blog në "Robotics me fuqi AI" dhe shikoni këto video demonstruese: "1", "2", "3". - Vizioni kompjuterik
Nëse duam që makinat të mendojnë, ne duhet t'i mësojmë të shohin. Fei-Fei Li, Drejtor i laboratorit të inteligjencës artificiale në Stanford
Vizioni kompjuterik (CV) merret me mënyrën se si kompjuteri e percepton vizualisht botën përreth tij. Ironikisht, kompjuterët janë të mirë në kryerjen e detyrave të mëdha si gjetja e rrënjës së dhjetë të një numri 100 shifror, por luftojnë në detyra të thjeshta si njohja dhe diferencimi i objekteve. Përparimet e fundit në DL dhe disponueshmëria e grupeve të të dhënave të etiketuara dhe fuqia e lartë llogaritëse kanë bërë të mundur që sistemet CV të tejkalojnë homologët e tyre njerëzorë për disa nga detyrat e përcaktuara ngushtë si klasifikimi i objekteve vizuale. Për më shumë informacion mbi CV-në lexoni këtë blog. - Përpunimi i gjuhës natyrore
Përpunimi i gjuhës natyrore (NLP) ka të bëjë me sistemet që janë në gjendje të perceptojnë dhe kuptojnë gjuhën e folur njerëzore. Ai përbëhet nga nën-detyra si njohja e të folurit, të kuptuarit e gjuhës natyrore, gjenerimi dhe përkthimi. Me shumë gjuhë të përdorura në të gjithë globin, sistemet NLP mund të jenë një ndryshim i vërtetë. Hulumtimi aktual NLP përfshin zhvillimin e robotëve të bisedës që mund të ndërveprojnë në mënyrë dinamike me njerëzit. Për më shumë informacion mbi NLP, lexoni këtë blog hyrës. - Sistemet Rekomanduese
Nga çfarë të lexoni, çfarë të blini, kujt deri më sot, Sistemet Rekomanduese (RS) janë kudo dhe kanë zëvendësuar plotësisht shitësin e bezdisshëm në botën virtuale. Kompanitë si Netflix dhe Amazon mbështeten shumë në RS. Një RS merr parasysh preferencat e kaluara të një përdoruesi, preferencat e kolegëve të tij dhe tendencat për të bërë një rekomandim efektiv. Për më shumë informacion mbi RS lexoni artikujt e mëposhtëm: 1, 2. - Teoria algoritmike e lojës dhe dizajni i mekanizmit llogaritës
Teoria algoritmike e lojës merr në konsideratë sistemet me agjentë të shumtë nga këndvështrimi i ekonomisë dhe shkencave sociale. Ai sheh se si këta agjentë bëjnë zgjedhje në një mjedis të bazuar në nxitje. Këto sisteme me shumë agjentë mund të përfshijnë anëtarë njerëzorë me interesa personale së bashku me agjentë inteligjentë që konkurrojnë së bashku në një mjedis me burime të kufizuara. Për më shumë informacion mbi këtë temë mund të ndiqni shkrimet e profesorit David Parkes. Kjo lidhje është gjithashtu një burim i mirë. - Interneti i Gjërave
Interneti i Gjërave (IoT) është një koncept që pajisjet fizike të përdorimit të përditshëm janë të lidhura me internetin dhe mund të komunikojnë me njëra-tjetrën nëpërmjet shkëmbimit të të dhënave. Të dhënat e mbledhura mund të përpunohen në mënyrë inteligjente për t'i bërë pajisjet më të zgjuara. Ky artik shpjegon se si AI mund të përdoret për të bërë ndërtesa më të zgjuara. - Informatikë neuromorfike
Me rritjen e të mësuarit të thellë që mbështetet në modelet e bazuara në neurone, studiuesit kanë zhvilluar çipa harduerësh që mund të zbatojnë drejtpërdrejt arkitekturën e rrjetit nervor. Këto çipa janë krijuar për të imituar trurin në nivelin e harduerit. Në një çip të zakonshëm, të dhënat kërkohet të transferohen midis njësisë qendrore të përpunimit dhe blloqeve të ruajtjes, gjë që rezulton në shpenzime të përgjithshme kohore dhe konsum të energjisë. Në një çip neuromorfik, të dhënat përpunohen dhe ruhen në çip në një mënyrë analoge dhe mund të gjenerojnë sinapse kur kërkohet, duke kursyer kohë dhe energji. Për më shumë informacion mbi zhvillimin e këtyre çipave mendjemprehtë, lexoni këto dy artikuj: 1, 2.
Artikuj të tjerë që detajojnë tendencat në kërkimin e AI: 0, 1, 2, 3.
Referencat:
Stone, Peter, et al. “Inteligjenca artificiale dhe jeta në vitin 2030”. Studim njëqindvjeçar mbi inteligjencën artificiale: Raporti i panelit studimor 2015–2016 (2016)
