Dirbtinis intelektas (DI) – tai kompiuterio programos arba mašinos gebėjimas atlikti užduotis, kurios tradiciškai reikalautų žmogaus mąstymo: mokytis, generuoti sprendimus, atpažinti vaizdus ar kalbą ir prisitaikyti prie naujų situacijų. Tai taip pat mokslo sritis, kurioje siekiama kurti sistemas, galinčias elgtis „protingai“ ir veikti savarankiškai, neapsiribojant griežtai užkoduotomis komandomis. Pavadinimą „dirbtinis intelektas“ 1955 m. sugalvojo Johnas McCarthy. DI apima tiek teorinius tyrimus, tiek praktines programas ir technologijas, kurios jau dabar keičia įvairias pramonės šakas ir kasdienį gyvenimą.

Kas tai reiškia praktikoje?

Apskritai sąvoka „dirbtinis intelektas“ reiškia sistemą arba programą, kuri imituoja žmogaus pažinimą tam tikrais aspektais. Tai gali būti mokymasis, problemų sprendimas, kalbos supratimas ar vaizdų atpažinimas. Kaip rašo Andreasas Kaplanas ir Michaelis Haenleinas, DI galima apibrėžti kaip sistemos gebėjimą teisingai interpretuoti išorinius duomenis, mokytis iš jų ir, lanksčiai prisitaikant, panaudoti įgytas žinias konkretiems tikslams pasiekti. Tai apima ir gebėjimą prognozuoti, priimti sprendimus bei imtis veiksmų, atsižvelgiant į aplinkos sąlygas.

Kaip veikia DI: pagrindiniai metodai

Šiuolaikiniuose DI sprendimuose dažnai naudojami tokie metodai:

  • Mokymasis prižiūrint (supervised learning) – modeliai mokomi pagal žinomus įėjimo–išėjimo duomenis.
  • Mokymasis be priežiūros (unsupervised learning) – algoritmai atpažįsta struktūras ar grupes duomenyse be iš anksto pažymėtų rezultatų.
  • Reinforcement learning (stiprinamasis mokymasis) – agentas mokosi per bandymus ir klaidas, gaudamas atlygius už gerus veiksmus.
  • Giluminis mokymasis (deep learning) – daugiasluoksnės dirbtinių neuroninių tinklų architektūros, labai efektyvios apdorojant vaizdus, garso signalus ir natūralią kalbą.
  • Klasikinės AI metodikos – simbolinis programavimas, žinių pagrindai, logika ir taisyklių sistemos.

Tokie metodai leidžia spręsti uždavinius, kuriems reikalingas didelių duomenų aptarnavimas, modelių generavimas ir adaptacija.

Tipai ir klasifikacijos

Dirbtinio intelekto sistemų tipai gali būti skirstomi keliais būdais. Vienas plačiai žinomas skirstymas – pagal gebėjimų plotį:

  • Siauros (narrow) DI – specializuotos sistemos, gerai veikiančios vienoje konkrečioje užduotyje (pvz., veidų atpažinimas, kalbos vertimas ar rekomendacijų varikliai).
  • Bendrasis (AGI – artificial general intelligence) – hipotetinė sistema, kuri galėtų atlikti daugybę skirtingų užduočių, panašiai kaip žmogus.
  • Superintelektas – teorinė DI forma, kurią gerokai pranoktų žmogaus intelektą daugelyje sričių.

Kaplanas ir Haenleinas pateikė kitą, vadybos literatūros įkvėptą skirstymą, kuris aptariamas ir pradiniame tekste: analitinis, žmogaus įkvėptas ir humanizuotas DI.

  • Analitinis DI – turi tik pažintinio (kognityvinio) intelekto savybes: generuoja kognityvinį pasaulio atvaizdavimą ir remiasi ankstesne patirtimi bei mokymu priimant sprendimus. (Susiję su sąvoka kognityvinis intelektas.)
  • Žmogaus įkvėptas DI – jungia pažintinius elementus su emocinio intelekto komponentais: bando suprasti žmogaus emocijas ir jas įtraukti į sprendimų priėmimą.
  • Humanizuotas DI – siekia kombinuoti pažintinį, emocinį ir socialinį intelektą, taip pat gebėjimą būti sąmoningam ar suvokti save (t. y. turėti savimonę). Tokia forma kol kas išlieka labiau teorinė nei praktinė.

Pagrindinės DI sritys ir taikymai

Dirbtinis intelektas apima daugybę sričių, įtraukiant informatiką, matematiką, lingvistiką, psichologiją, neuromokslus ir filosofiją. Praktinėse taikymo srityse galime išskirti:

  • Transportas – savavaldžiai automobiliai ir transporto valdymo sistemos, kurios naudoja vaizdo atpažinimą, jutiklius ir sprendimų priėmimo algoritmus.
  • Sveikatos priežiūra – diagnostika, ligų prognozavimas, vaistų atranka ir asmeninė medicina remiantis didžiųjų duomenų analize.
  • Finansai – rizikos vertinimas, sukčiavimo aptikimas, automatizuotos prekybos sistemos.
  • Pramonė ir automatizacija – robotika, gamybos procesų optimizavimas, prevencinė priežiūra.
  • Kalbos ir komunikacija – automatizuoti pokalbių agentai, vertimo sistemos, žmogaus kalbos supratimas ir teksto analizė.
  • Žaidimai ir strategija – aukšto lygio žaidimų sistemos (pvz., šachmatų, “Go”) parodė DI gebėjimus spręsti sudėtingas, ilgalaikes strategines užduotis.
  • Duomenų analizė ir mokslas – sudėtingų duomenų interpretavimas, naujų dėsningumų atradimas.

Ribotumai ir saugumo klausimai

Nors DI spartusis vystymasis suteikia daug galimybių, jis kelia ir iššūkių. Kai kurie pagrindiniai aspektai:

  • Šališkumas – modeliai gali perimti ir sustiprinti šališkumus iš mokymo duomenų.
  • Paaiškinamumas (explainability) – ypač giluminiai modeliai dažnai būna „juodosios dėžės“, todėl sunku suprasti, kodėl jie priima tam tikrus sprendimus.
  • Saugumas – autonominės sistemos turi būti patikimos ir saugios, kad nekeltų pavojų žmonėms (pvz., savavaldžių automobilių atveju).
  • Privatumas – didelių duomenų rinkiniai gali kelti pavojų asmens duomenų apsaugai.
  • Darbo rinkos poveikis – automatizacija gali pakeisti darbo vietas, todėl svarstomi persikvalifikavimo ir socialinės apsaugos mechanizmai.
  • Egzistenciniai rizikos scenarijai – kai kurie specialistai įspėja, kad labai pažangus DI gali kelti egzistencinius pavojus, jei jo plėtra nebus deramai reguliuojama.

Etika, reguliavimas ir visuomenės vaidmuo

DI plėtra reikalauja etinių gaires, skaidrumo ir reguliavimo. Svarbios temos – atsakomybė už DI sprendimus, algoritminio šališkumo mažinimas, duomenų apsauga ir užtikrinimas, kad technologijos būtų kuriamos ir diegiamos sąžiningai bei visuomenei naudingai. Daugelis šalių ir tarptautinių organizacijų rengia rekomendacijas ir teisės aktus, skirtus DI saugai ir atsakomybei užtikrinti.

Ateities kryptys

Mokslininkai siekia toliau tobulinti mokymąsi, didinti modelių patikimumą, paaiškinamumą ir gebėjimą dirbti su mažesniais, privatumo saugančiais duomenų rinkiniais. Taip pat vykdomi tyrimai link „bendrojo dirbtinio intelekto“, kūrybiškų ir emocionalių DI formų bei DI, gebančio geriau suprasti ir bendradarbiauti su žmonėmis. Išliks svarbu derinti techninį pažangumą su etinėmis ir socialinėmis normomis, kad DI vystytųsi saugiai ir visuomenei naudingai.

Apibendrinant: DI nėra vien tik viena technologija – tai plati mokslinė ir inžinerinė sritis, apimanti įvairius metodus ir taikymus. Nors kai kurių ankstesnių užduočių (pvz., optinio ženklų atpažinimo) automatizavimas tapo rutina, daug sudėtingesni uždaviniai, susiję su „aplinkos suvokimu“ ir plataus spektrų sprendimais, vis dar išlieka aktyvių tyrimų objektu. Kai kurie žmonės taip pat mano, kad DI kelia pavojų žmonijai, jei technologijų plėtra ir diegimas bus neatsakingi — todėl diskusijos apie saugą, etiką ir reguliavimą yra itin svarbios.