Вештачка интелигенција (, -{AI}-) је подобласт рачунарства која развија и проучава интелигентне машине. Вештачка интелигенција је интелигенција машина или софтвера, за разлику од интелигенције живих бића, првенствено људи. Циљ истраживања вештачке интелигенције је развијање програма (софтвера), који ће рачунарима омогућити да се понашају на начин који би се могао окарактерисати интелигентним. Прва истраживања се вежу за саме корене рачунарства. Идеја о стварању машина које ће бити способне да обављају различите задатке интелигентно, била је централна преокупација научника области рачунарства који су се определили за истраживање вештачке интелигенције, током целе друге половине 20. века. Савремена истраживања у вештачкој интелигенцији су оријентисана на експертске и преводилачке системе у ограниченим доменима, препознавање природног говора и писаног текста, аутоматске доказиваче теорема, као и константно интересовање за стварање генерално интелигентних аутономних агената. Вештачка интелигенција као појам у ширем смислу, означава капацитет једне вештачке творевине за реализовање функција које су карактеристика људског размишљања. Могућност развоја сличне творевине је будила интересовање људи још од античког доба; ипак, тек у другој половини 20. века таква могућност је добила прва оруђа (рачунаре), чиме се отворио пут за тај подухват. Потпомогнута напретком модерне науке, истраживања на пољу вештачке интелигенције се развијају у два основна смера: психолошка и физиолошка истраживања природе људског ума, и технолошки развој све сложенијих рачунарских система. У том смислу, појам вештачке интелигенције се првобитно приписао системима и рачунарским програмима са способностима реализовања сложених задатака, односно симулацијама функционисања људског размишљања, иако и дан данас, прилично далеко од циља. У тој сфери, најважније области истраживања су обрада података, препознавање модела различитих области знања, игре и примијењене области, као на пример медицина. Технологија вештачке интелигенције се широко користи у индустрији, влади и науци. Неке апликације високог профила су: напредни веб претраживачи (нпр. Гугл претрага), системи препорука (које користе Јутјуб, Амазон и Нетфликс), интеракција путем људског говора (нпр. Гугл асистант, Сири и Алекса), самостална вожња аутомобила (нпр. Вејмо), генеративни и креативни алати (нпр. ChatGPT и уметност вештачке интелигенције), и надљудска игру и анализа у стратешким играма (нпр. шах и го).
Неке области данашњих истраживања обрађивања података се концентришу на програме који настоје оспособити рачунар за разумевање писане и вербалне информације, стварање резимеа, давање одговара на одређена питања или редистрибуцију података корисницима заинтересованим за одређене делове тих информација. У тим програмима је од суштинског значаја капацитет система за конструисање граматички коректних реченица и успостављање везе између речи и идеја, односно идентификовање значења. Истраживања су показала да, док је проблеме структурне логике језика, односно његове синтаксе, могуће решити програмирањем одговарајућих алгоритама, проблем значења, или семантика, је много дубљи и иде у правцу аутентичне вештачке интелигенције. Основне тенденције данас, за развој система вештачке интелигенције представљају: развој експертских система и развој неуронских мрежа. Експертски системи покушавају репродуковати људско размишљање преко симбола. Неуронске мреже то раде више из биолошке перспективе (рекреирају структуру људског мозга уз помоћ генетских алгоритама). Упркос сложености оба система, резултати су веома далеко од стварног интелигентног размишљања. Многи научници су скептици према могућности развијања истинске вештачке интелигенције. Функционисање људског размишљања, још увек није дубље познато, из ког разлога ће информатички дизајн интелигентних система, још дужи временски период бити у суштини онеспособљен за представљање тих непознатих и сложених процеса. Истраживања вештачке интелигенције су фокусирана на следеће компоненте интелигенције: учење, размишљање, решавање проблема, перцепција и разумијевање природног језика.
Алан Тјуринг је био прва особа која је спровела значајна истраживања у области коју је назвао машинска интелигенција. Вештачка интелигенција је основана као академска дисциплина 1956. године. Поље је прошло кроз више циклуса оптимизма, праћених периодима разочарења и губитка финансирања, познатим као зима вештачке интелигенције. Финансирање и интересовање су се знатно повећали након 2012. када је дубоко учење надмашило све претходне технике вештачке интелигенције, и после 2017. са архитектуром трансформатора. Ово је довело до пролећа вештачке интелигенције почетком 2020-их, при чему су компаније, универзитети и лабораторије које су претежно са седиштем у Сједињеним Државама, остварили значајне пионирске напретке у вештачкој интелигенцији. Све већа употреба вештачке интелигенције у 21. веку утиче на друштвени и економски помак ка повећању аутоматизације, доношења одлука заснованих на подацима и интеграцији система вештачке интелигенције у различите економске секторе и области живота, утичући на тржишта рада, здравство, владу , индустрија и образовање. Ово поставља питања о етичким импликацијама и ризицима од вештачке интелигенције, што подстиче дискусије о регулаторним политикама како би се осигурала безбедност и предности технологије. Различите подобласти вештачке интелигенције су истраживања усредсређена на одређене циљеве и употребу специфичних алата. Традиционални циљеви истраживања вештачке интелигенције обухватају расуђивање, представљање знања, планирање, учење, обрада природног језика, перцепција и подршка роботици. Општа интелигенција (способност да се обави било који задатак који човек може да изврши) спада у дугорочне циљеве у овој области. Да би решили ове проблеме, истраживачи вештачке интелигенције су прилагодили и интегрисали широк спектар техника решавања проблема, укључујући претрагу и математичку оптимизацију, формалну логику, вештачке неуронске мреже и методе засноване на статистици, операционом истраживању и економији. Вештачка интелигенција се такође ослања на психологију, лингвистику, филозофију, неуронауку и друге области..
Циљеви
Општи проблем симулације (или стварања) интелигенције подељен је на подпроблеме. Они се састоје од одређених особина или способности које истраживачи очекују да интелигентни систем покаже. Испод описане особине су задобиле највише пажње и покривају обим истраживања вештачке интелигенције.
Основни циљеви истраживања на пољу вештачке интелигенције
Тренутно, када су у питању истраживања на пољу вештачке интелигенције, могуће је постићи два комплементарна циља, који респективно наглашавају два аспекта вештачке интелигенције, а то су теоријски и технолошки аспект.
Први циљ је студија људских когнитивних процеса уопште, што потврђује дефиницију Патрика Ј. Хејеса - „студија интелигенције као компутације“, чиме се вештачка интелигенција усмерава ка једној својеврсној студији интелигентног понашања код људи.
Вештачка интелигенција, као област информатике, бави се пројектовањем програмских решења за проблеме које настоји решити.
Размишљање и решавање проблема
Размишљање је процес извлачења закључака који одговарају датој ситуацији. Закључци се класификују као дедуктивни и индуктивни. Пример дедуктивног начина закључивања би могао бити, „Саво је или у музеју, или у кафићу. Није у кафићу; онда је сигурно у музеју“; и индуктивног, „Претходне несреће ове врсте су биле последица грешке у систему; стога је и ова несрећа узрокована грешком у систему“. Најзначајнија разлика између ова два начина закључивања је да, у случају дедуктивног размишљања, истинитост премисе гарантује истинитост закључка, док у случају индуктивног размишљања истинитост премисе даје подршку закључку без давања апсолутне сигурности његовој истинитости. Индуктивно закључивање је уобичајено у наукама у којима се сакупљају подаци и развијају провизиони модели за опис и предвиђање будућег понашања, све док се не појаве аномалије у моделу, који се тада реконструише. Дедуктивно размишљање је уобичајено у математици и логици, где детаљно обрађене структуре непобитних теорема настају од мањих скупова основних аксиома и правила. Постоје значајни успеси у програмирању рачунара за извлачење закључака, нарочито дедуктивне природе. Ипак, истинско размишљање се састоји од сложенијих аспеката; укључује закључивање на начин којим ће се решити одређени задатак, или ситуација. Ту се налази један од највећих проблема с којим се сусреће вештачка интелигенција.
Решавање проблема, нарочито у вештачкој интелигенцији, карактерише систематска претрага у рангу могућих акција с циљем изналажења неког раније дефинисаног решења. Методе решавања проблема се деле на оне посебне и оне опште намене. Метода посебне намене је тражење адаптираног решења за одређени проблем и садржи врло специфичне особине ситуација од којих се проблем састоји. Супротно томе, метод опште намене се може применити на шири спектар проблема. Техника опште намене која се користи у вештачкој интелигенцији је метод крајње анализе, део по део, или постепено додавање, односно редуковање различитости између тренутног стања и крајњег циља. Програм бира акције из листе метода - у случају једноставног робота кораци су следећи: -{PICKUP}-, -{PUTDOWN}-, -{MOVEFROWARD}-, -{MOVEBACK}-, -{MOVELEFT}- и -{MOVERIGHT}-, све док се циљ не постигне. Већи број различитих проблема су решени преко програма вештачке интелигенције. Неки од примера су тражење победничког потеза, или секвенце потеза у играма, сложени математички докази и манипулација виртуелних објеката у вештачким, односно синтетичким рачунарским световима.
Рани истраживачи су развили алгоритме који су имитирали размишљање корак по корак које људи користе када решавају загонетке или извођењу логичког закључка.Problem solving, puzzle solving, game playing and deduction:
(constraint satisfaction)
До касних 1980-их и 1990-их, развијене су методе за рад са несигурним или непотпуним информацијама, користећи концепте вероватноће и економије.Uncertain reasoning:
Многи од ових алгоритама су недовољни за решавање великих проблема резоновања, јер доживљавају „комбинаторијску експлозију“: они постају експоненцијално спорији како проблеми постају све већи..Intractability and efficiency and the combinatorial explosion:
Чак и људи ретко користе дедукцију корак по корак, коју би рано истраживање вештачке интелигенције могло да моделира. Они решавају већину својих проблема користећи брзе, интуитивне одлуке.Psychological evidence of the prevalence sub-symbolic reasoning and knowledge:
Тачно и ефикасно резоновање је нерешен проблем.
Репрезентација знања thumb|upright=1.2|Онтологија представља знање као скуп концепата унутар домена и односа између тих концепата.
Представљање знања и инжењеринг знањаKnowledge representation and knowledge engineering:
, омогућавају програмима вештачке интелигенције да интелигентно одговарају на питања и доносе закључке о чињеницама из стварног света. Формалне репрезентације знања се користе у индексирању и претрагама заснованим на садржају, тумачењу сцене, подршци при доношењу клиничких одлука, откривању знања (деривација „занимљивих“ и практичних закључака из великих база података) и другим областима.
База знања је тело знања представљено у облику који може да користи програм. Онтологија је скуп објеката, односа, концепата и својстава које користи одређени домен знања. Базе знања треба да представљају ствари као што су: објекти, својства, категорије и односи између објеката;Representing categories and relations: Semantic networks, description logics, inheritance (including frames and scripts):
, , , ситуације, догађаји, стања и време;Representing events and time:Situation calculus, event calculus, fluent calculus (including solving the frame problem): , , узроци и последице;Causal calculus: