Inteligența artificială (AI) este o tehnologie care permite computerelor și mașinilor să simuleze învățarea, înțelegerea, rezolvarea problemelor, luarea deciziilor, creativitatea și autonomia omului.
Aplicațiile și dispozitivele echipate cu AI pot vedea și identifica obiectele, pot înțelege și răspunde la limbajul omului, pot învăța de pe urma noilor informații și experiențe, pot face recomandări detaliate utilizatorilor și experților, pot acționa în mod independent, înlocuind nevoia inteligenței sau intervenției umane (un exemplu clasic sunt vehiculele autonome).
Însă în prezent, majoritatea cercetătorilor și experților în AI se concentrează pe inteligența artificială generativă (generative AI), o tehnologie care poate crea text, imagini, videouri și alt conținut originale. Pentru a înțelege mai bine AI generativă este important să înțelegem tehnologiile pe care aceasta este construită: învățarea automată (machine learning) și învățarea profundă (deep learning).
Învățarea automată (machine learning)
Cel mai simplu mod de a privi inteligența artificială este ca pe o serie de concepte imbricate (suprapuse parțial) care au părut de-a lungul a peste 70 de ani: anii 1950 – inteligența artificială; anii 1980 – învățarea automată; anii 2010 – învățarea profundă; anii 2020 – inteligența generativă.
Imediat sub inteligența artificială este poziționată învățarea automată, care implică crearea de modele prin antrenarea unui algoritm pentru a face predicții sau a lua decizii pe baza unor date. Învățarea automată înglobează o gamă largă de tehnici ce permit computerelor să învețe și să facă deducții pe baza datelor, fără a fi programate în prealabil să efectueze sarcini specifice.
Există o multitudine de tehnici sau algoritmi de învățare automată, ca de exemplu regresia liniară, regresia logistică, arbori de decizie, păduri aleatorii, mașini cu vectori de suport (SVM), clustering, KNN (k-nearest neighbor) și altele. Fiecare dintre aceste abordări este potrivită pentru anumite tipuri de probleme și date.
Însă cel mai popular algoritm de învățare automată este denumit rețea neurală (sau rețea neurală artificială). Rețelele neurale sunt modelate după structura și funcționarea creierului omului. O rețea neurală constă din straturi de noduri interconectate (analoage cu neuronii din creier) care lucrează împreună pentru a procesa și analiza seturi complexe de date. Rețelele neurale sunt forate potrivite pentru sarcinile ce implică identificarea unor tipare și relații complexe în cadrul seturi imense de date.
Cea mai simplă formă de învățarea automată este învățarea supervizată, care implică utilizarea unor seturi de date etichetate pentru a instrui algoritmi să clasifice datele sau să prezică rezultatele cu precizie. Scopul este ca modelul să învețe legătura dintre intrări și ieșiri în datele de instruire, pentru ca apoi să poată prezice etichetele datelor noi, nevăzute.
Învățarea profundă (deep learning)
Învățarea profundă este un subset al învățării autonome ce utilizează rețele neurale multistratificate, denumite rețele neurale profunde (deep neural networks), care simulează mai îndeaproape complexa putere de luarea a deciziilor a creierului omului.
Rețelele neurale profunde includ un nivel de intrare (input layer), cel puțin trei, dar adesea sute de niveluri ascunse (hidden layers) și un nivel de ieșire (output layer), spre deosebire de rețelele neurale utilizate în învățarea automată clasică, în care există doar 1-2 niveluri ascunse.
Aceste niveluri (straturi) multiple permit învățarea nesupervizată: pot automatiza extragerea caracteristicilor din seturi de date mari, neetichetate și nestructurate, și pot face propriile predicții despre ceea ce reprezintă datele.
Deoarece învățarea profundă nu necesită intervenția omului, ea permite învățarea automată la o scară enormă. Este foarte potrivită pentru procesarea limbajului naturale (natural language processing – NLP), vederea artificială și alte sarcini care implică identificarea rapidă și precisă a tiparelor și relațiilor din seturi mari de date. O formă de învățare profundă stă la baza majorității aplicațiilor de inteligență artificială de astăzi.
Inteligența artificială generativă (generative AI)
Inteligența artificială generativă (generative AI) se referă la modele de învățare profundă care pot crea conținut original complex, sub formă de text, imagini, videoclipuri realiste etc., la solicitarea utilizatorului. La nivel înalt, modelele generative codifică o reprezentare simplificată a datelor lor de instruire și apoi utilizează această reprezentare pentru a crea lucruri noi, similare, dar nu identice, cu datele originale.
Modelele generative sunt utilizate de ani de zile în statistică pentru analizarea datelor numerice. Însă în ultimul deceniu, ele au evoluat pentru a analiza și genera tipuri de date mai complexe. Această evoluție a coincis cu apariția a trei tipuri sofisticate de modele de învățare profundă:
- autoencodere variaționale (variational autoencoders – VAE), care au fost introduse în anul 2013 și au permis apariția modelelor ce pot genera variații multiple de conținut care răspuns la o solicitare primită de la utilizator;
- modele de difuzie, apărute în anul 2014, care adaugă „zgomot” imaginilor până când ele nu mai pot fi recunoscute, apoi înlătură zgomotul pentru a genera imagini originale;
- transformere (modele de transformare), care sunt antrenate pe date secvențiale pentru a genera secvențe de conținut extinse (cum sunt cuvintele dintr-o propoziție, formele dintr-o imagine, cadrele unui videoclip etc.). Transformerele stau la baza celor mai populare instrumente de AI de astăzi, ca de exemplu ChatGPT și GPT-4, Copilot, BERT, Bard și Midjourney.
Beneficiile inteligenței artificiale
Inteligența artificială oferă numeroase beneficii în multiple domenii. Cele mai importante sunt: automatizarea sarcinilor repetitive, analiza mai rapidă și mai detaliată a datelor, îmbunătățirea luării deciziilor, mai puține erori umane, disponibilitatea permanentă, reducerea riscurilor fizice.
AI poate automatiza sarcini de rutină, repetitive și adesea plictisitoare, inclusiv sarcini digitale precum colectarea, introducerea și preprocesarea datelor, și sarcini fizice precum selectarea stocurilor din depozit și procesele de fabricație. Această automatizare permite lucrul la activități mai creative și cu valoare adăugată mai mare.
Indiferent dacă este utilizată pentru asistență decizională sau pentru luarea deciziilor complet automatizate, inteligența artificială permite predicții mai rapide și mai precise și decizii fiabile, bazate pe date. Combinată cu automatizarea, inteligența artificială permite companiilor să acționeze asupra oportunităților și să răspundă crizelor pe măsură ce acestea apar, în timp real și fără intervenție umană.
AI poate reduce erorile umane în diverse moduri, de la ghidarea oamenilor prin etapele corecte ale unui proces, la semnalarea erorilor potențiale înainte ca acestea să apară și automatizarea completă a proceselor fără intervenție umană. Acest lucru este deosebit de important în industrii precum cea medicală, unde, de exemplu, robotica chirurgicală ghidată de inteligența artificială permite o precizie constantă.
AI este mereu activă, disponibilă non-stop și oferă performanțe constante de fiecare dată. Instrumente precum chatboții AI sau asistenții virtuali pot reduce cerințele de personal pentru servicii sau asistență clienți. În alte aplicații, cum ar fi procesarea materialelor sau liniile de producție, AI poate ajuta la menținerea unei calități constante a muncii și a unor niveluri de randament atunci când este utilizată pentru a finaliza sarcini repetitive sau plictisitoare.
Prin automatizarea muncilor periculoase, cum ar fi controlul animalelor, manipularea explozibililor, efectuarea de sarcini în apele oceanice adânci, la altitudini mari sau în spațiul cosmic, inteligența artificială poate elimina necesitatea de a expune lucrătorii umani la riscul de rănire sau chiar mai rău. Deși încă nu au fost perfecționate, mașinile autonome și alte vehicule oferă potențialul de a reduce riscul de rănire a pasagerilor.
Sursa: IBM