Silna sztuczna inteligencja - stan wiedzy, perspektywy rozwoju i problemy etyczne”
1 like1,925 views
Dr Piotr Bilski - LegalTech Polska #3 https://legaltechpolska.pl/
More Related Content
More from Tomasz Zalewski (13)
Silna sztuczna inteligencja - stan wiedzy, perspektywy rozwoju i problemy etyczne”
- 1. Sztuczna inteligencja – stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
- 2. Plan wystąpienia • Co to jest sztuczna inteligencja? • Pojęcie słabej i silnej sztucznej inteligencji • Stan zaawansowania prac nad sztuczną inteligencją • Aktualne problemy w zastosowaniach praktycznych
- 3. Definicja sztucznej inteligencji (Artificial Intelligence) • Dziedzina informatyki zajmująca się systemami inteligentymi (maszynami, komputerami itp.) • Istnieje od 1956 r. • Cel: stworzenie maszyn myślących na wzór człowieka (test Turinga) • Obecnie wykorzystywana do rozwiązywania problemów nauki i techniki
- 4. Badacze silnej sztucznej inteligencji • Isaac Asimov (prawa robotyki) • Ray Kurzweil (przewidywanie osobliwości) • John Searle (teoria umysłu, Chiński pokój) • John McCarthy (twórca pojęcia AI i cloud computing) • Alan Turing (twórca maszyny Turinga i testu Turinga)
- 5. Problemy silnej sztucznej inteligencji • Jak mierzyć (test Turinga)? • Próby odwzorowania myślenia człowieka – Systemy regułowe IF (przesłanki…) THEN (konkluzja) – Organizacja sieci neuronowych • Jak osiągnąć? • Inteligencja emocjonalna, gust, intuicja itp.
- 6. Słaba sztuczna inteligencja • Naśladowanie pewnych cech ludzkiego umysłu w celu rozwiązywania konkretnych problemów • Liczne zastosowania praktyczne • Problemy: złożoność obliczeniowa, generalizacja • Szeroka gama metod i algorytmów • Podstawowe zadania do rozwiązania: – Regresja – Klasyfikacja – Optymalizacja
- 7. Silna a słaba sztuczna inteligencja • Automatyczne przetwarzanie bodźców zewnętrznych i podejmowanie działań zgodnych z posiadanymi informacjami • Rozumienie swoich działań i ich znaczenia • Samoświadomość
- 8. Test Turinga • Rozmowa między człowiekiem i komputerem • Jeśli człowiek nie potrafi rozpoznać, czy rozmawia z maszyną, ta dostaje punkt • Test zdany, jeśli automat uzbiera powyżej 50 procent punktów (lub więcej punktów, niż człowiek w analogicznej sytuacji) • Czy to znaczy, że myśli? VS
- 10. Regresja • Odwzorowywanie obiektów na zbiór liczb rzeczywistych • Uczenie z nadzorem • Cel: utworzenie funkcji, która dla określonych danych wejściowych generuje odpowiednie wartości liczbowe • Przykład: aproksymacja funkcji wielu zmiennych
- 11. Klasyfikacja • Odwzorowywanie obiektów na zbiór liczb całkowitych • Uczenie z nadzorem lub bez nadzoru • Celem jest pogrupowanie obiektów podobnych do siebie lub określenie, czym różnią się obiekty należące do różnych kategorii • Przykład: podejmowanie decyzji podczas gry na giełdzie
- 12. Optymalizacja • Poszukiwanie najlepszego rozwiązania spośród wszystkich dostępnych • Tradycyjne metody: przeszukiwanie wyczerpujące, metody lokalne • Sprowadzanie problemu rzeczywistego do problemów podstawowych: komiwojażera (TSP), spełnialności formuł logicznych (SAT) itp.
- 13. Tworzenie wiedzy ze zbioru danych SUT model Wprowadzenie uszkodzenia 0 21 31 -32 Symulacja modelu Ekstrakcja symptomów z odpowiedzi IF U1 > 1.23V AND U3 < 4.56V THEN FS=21 … IF U2 > 5.32V AND U3 > 1.17V THEN FS=32 Generacja reguł
- 14. Przykład zastosowania – przetwarzanie języka naturalnego • Cel: nawiązanie konwersacji z człowiekiem • Problem: generacja zdań w odpowiedzi na zestaw słów kluczowych (ew. kontekst) • Rozwiązanie: drzewo przeszukiwania • Przykład: chatboty, wirtualni asystenci
- 15. Przykłady • Cleverbot – automat prowadzący rozmowy z ludźmi, uważa się, że przeszedł test Turinga (ok. 60% rozmówców sądziło, że rozmawia z człowiekiem) • Nigel Richards (Nowa Zelandia) zwyciężył w turnieju francuskojęzycznego Scrabble, pomimo iż nie zna tego języka!!
- 16. Przykład zastosowania – rozpoznawanie obrazu • Dopasowywanie wektora cech do przechowywanego wzorca • Biometria – analiza cech biologicznych z wykorzystaniem aparatu matematycznego • Przykłady: rozpoznawanie pisma w systemach bankowych, rozpoznawanie osób na lotniskach, sterowanie głosem w systemach komputerowych
- 17. Problem 1: Rozpoznawanie twarzy • Algorytm zastosowany w Google Photos pomylił ludzi z gorylami
- 18. Przykład zastosowania – autonomiczne sterowanie pojazdami • Problem: poprawne sterowanie w warunkach dużej liczby szczegółów (jazda w mieście!!) • Rozpoznawanie obrazu i dźwięku • Poprawne zachowanie w nietypowych sytuacjach
- 19. Problem 2: Błędy samochodu autonomicznego • Autopilot samochodu elektrycznego Tesla (Model S) nie zauważył ciężarówki na jezdni • W wyniku wypadku zginął kierowca, Joshua Brown
- 20. A co z etyką? • Prawa robotyki (Isaac Asimov, David Langfort, Mark Tilden) • Niebezpieczeństwo stworzenia: – nowego systemu niewolnictwa – maszyn „niemoralnych” • Teoria Eliezera Yudkovsky’ego – maszyny „dobre” i przyjaźnie nastawione do człowieka
- 21. Podsumowanie • Silna sztuczna inteligencja – aktualnie nieosiągalna • Słaba sztuczna inteligencja – użyteczna, jednak istotne problemy już widoczne • Najbliższa przyszłość: projektowanie i ulepszanie algorytmów sztucznej inteligencji • Opracowanie silnej sztucznej inteligencji prawdopodobnie niemożliwe bez intensywnych badań interdyscyplinarnych