AI-For-Beginners/translations/sr/lessons/1-Intro

Увод у вештачку интелигенцију

Цртеж направила Томоми Имура

Квиз пре предавања

Вештачка интелигенција је узбудљива научна дисциплина која проучава како можемо учинити да рачунари испољавају интелигентно понашање, односно да раде ствари у којима су људи добри.

Првобитно, рачунаре је изумео Чарлс Бебиџ како би обрађивали бројеве пратећи добро дефинисану процедуру – алгоритам. Савремени рачунари, иако знатно напреднији од оригиналног модела предложеног у 19. веку, и даље следе исту идеју контролисаних прорачуна. Стога је могуће програмирати рачунар да ради нешто ако знамо тачан низ корака који су потребни за постизање циља.

Фотографија: Вики Сошникова

✅ Одређивање старости особе на основу њене фотографије је задатак који се не може експлицитно програмирати, јер не знамо како долазимо до броја у својој глави када то радимо.

---

Међутим, постоје задаци за које не знамо експлицитно како да их решимо. Размотрите одређивање старости особе на основу њене фотографије. На неки начин учимо да то радимо, јер смо видели много примера људи различитих година, али не можемо експлицитно објаснити како то радимо, нити можемо програмирати рачунар да то ради. Управо овакви задаци су од интереса за вештачку интелигенцију (скраћено ВИ).

✅ Размислите о неким задацима које бисте могли препустити рачунару, а који би имали користи од ВИ. Размотрите области као што су финансије, медицина и уметност – како ове области данас имају користи од ВИ?

Слаба ВИ наспрам јаке ВИ

Слаба ВИ	Јака ВИ
Слаба ВИ се односи на системе ВИ који су дизајнирани и обучени за одређени задатак или уски скуп задатака.	Јака ВИ, или општа вештачка интелигенција (AGI), односи се на системе ВИ са интелигенцијом и разумевањем на нивоу људи.
Ови системи ВИ нису генерално интелигентни; изврсни су у обављању унапред дефинисаног задатка, али им недостаје право разумевање или свест.	Ови системи ВИ имају способност да обављају било који интелектуални задатак који човек може, да се прилагођавају различитим доменима и поседују облик свести или самосвести.
Примери слабе ВИ укључују виртуелне асистенте попут Сири или Алексе, алгоритме препорука које користе стриминг сервиси и чет-ботове дизајниране за специфичне задатке корисничке подршке.	Постизање јаке ВИ је дугорочни циљ истраживања ВИ и захтевало би развој система ВИ који могу резоновати, учити, разумети и прилагођавати се у широком спектру задатака и контекста.
Слаба ВИ је високо специјализована и не поседује когнитивне способности сличне људским или опште способности решавања проблема изван свог уског домена.	Јака ВИ је тренутно теоријски концепт и ниједан систем ВИ није достигао овај ниво опште интелигенције.

За више информација погледајте Општа вештачка интелигенција (AGI).

Дефиниција интелигенције и Тјурингов тест

Један од проблема када се бавимо термином интелигенција је тај што не постоји јасна дефиниција овог термина. Може се тврдити да је интелигенција повезана са апстрактним размишљањем или са самосвешћу, али не можемо је правилно дефинисати.

Фотографија од Амбер Кип са Unsplash-а

Да бисмо видели двосмисленост термина интелигенција, покушајте да одговорите на питање: „Да ли је мачка интелигентна?“. Различити људи имају различите одговоре на ово питање, јер не постоји универзално прихваћен тест који би доказао да је тврдња тачна или не. А ако мислите да постоји – покушајте да тестирате своју мачку на IQ тесту...

✅ Размислите минут о томе како дефинишете интелигенцију. Да ли је врана која може да реши лавиринт и дође до хране интелигентна? Да ли је дете интелигентно?

---

Када говоримо о AGI, потребно је да имамо неки начин да утврдимо да ли смо створили заиста интелигентан систем. Алан Тјуринг је предложио начин који се зове Тјурингов тест, који такође делује као дефиниција интелигенције. Тест упоређује дати систем са нечим што је суштински интелигентно – правим људским бићем, а пошто свака аутоматска поређења могу бити заобиђена рачунарским програмом, користимо људског испитивача. Дакле, ако људско биће није у стању да разликује праву особу од рачунарског система у текстуалном дијалогу – систем се сматра интелигентним.

Чет-бот под називом Јуџин Густман, развијен у Санкт Петербургу, приближио се полагању Тјуринговог теста 2014. године користећи паметан трик са личношћу. Унапред је најавио да је тринаестогодишњи украјински дечак, што би објаснило недостатак знања и неке недоследности у тексту. Бот је убедио 30% судија да је човек након петоминутног дијалога, метрика за коју је Тјуринг веровао да ће машина моћи да је пређе до 2000. године. Међутим, треба разумети да ово не указује на то да смо створили интелигентан систем или да је рачунарски систем преварио људског испитивача – систем није преварио људе, већ су то урадили креатори бота!

✅ Да ли вас је икада чет-бот преварио да мислите да разговарате са човеком? Како вас је убедио?

Различити приступи ВИ

Ако желимо да рачунар понаша као човек, морамо некако да моделирамо наш начин размишљања унутар рачунара. Сходно томе, морамо покушати да разумемо шта чини људско биће интелигентним.

Да бисмо могли да програмирамо интелигенцију у машину, морамо разумети како функционишу наши сопствени процеси доношења одлука. Ако мало размислите о себи, схватићете да постоје неки процеси који се дешавају подсвесно – нпр. можемо разликовати мачку од пса без размишљања о томе – док други укључују резоновање.

Постоје два могућа приступа овом проблему:

Приступ одозго надоле (симболичко резоновање)	Приступ одоздо нагоре (неуронске мреже)
Приступ одозго надоле моделира начин на који особа резонује да би решила проблем. Укључује извлачење знања од људског бића и његово представљање у облику који рачунар може да чита. Такође морамо развити начин за моделирање резоновања унутар рачунара.	Приступ одоздо нагоре моделира структуру људског мозга, која се састоји од огромног броја једноставних јединица које се зову неурони. Сваки неурон делује као пондерисани просек својих улаза, а мрежу неурона можемо обучити да решава корисне проблеме пружањем тренинг података.

Постоје и неки други могући приступи интелигенцији:

• Емергентни, синергетски или вишеагентни приступ заснован је на чињеници да се сложено интелигентно понашање може добити интеракцијом великог броја једноставних агената. Према еволуционој кибернетици, интелигенција може произилазити из једноставнијег, реактивног понашања у процесу метасистемске транзиције.

• Еволуциони приступ, или генетски алгоритам, је процес оптимизације заснован на принципима еволуције.

Ове приступе ћемо разматрати касније током курса, али тренутно ћемо се фокусирати на два главна правца: одозго надоле и одоздо нагоре.

Приступ одозго надоле

У приступу одозго надоле, покушавамо да моделирамо наше резоновање. Пошто можемо пратити своје мисли када резонујемо, можемо покушати да формализујемо овај процес и програмирамо га унутар рачунара. Ово се назива симболичко резоновање.

Људи обично имају нека правила у својој глави која воде њихове процесе доношења одлука. На пример, када лекар дијагностикује пацијента, може приметити да особа има температуру, и стога може постојати нека упала у телу. Применом великог скупа правила на одређени проблем, лекар може доћи до коначне дијагнозе.

Овај приступ се у великој мери ослања на репрезентацију знања и резоновање. Извлачење знања од људског стручњака може бити најтежи део, јер лекар у многим случајевима не би знао тачно зашто долази до одређене дијагнозе. Понекад решење једноставно искрсне у његовој или њеној глави без експлицитног размишљања. Неки задаци, као што је одређивање старости особе на основу фотографије, уопште се не могу свести на манипулацију знањем.

Приступ одоздо нагоре

Алтернативно, можемо покушати да моделирамо најједноставније елементе унутар нашег мозга – неурон. Можемо конструисати такозвану вештачку неуронску мрежу унутар рачунара, а затим покушати да је научимо да решава проблеме давањем примера. Овај процес је сличан начину на који новорођенче учи о својој околини посматрањем.

✅ Истражите како бебе уче. Који су основни елементи мозга бебе?

Шта је са машинским учењем?
Део вештачке интелигенције који се заснива на томе да рачунар учи да решава проблем на основу неких података назива се машинско учење. Нећемо разматрати класично машинско учење у овом курсу – упућујемо вас на посебан курс Машинско учење за почетнике.

Кратка историја ВИ

Вештачка интелигенција је започета као област средином двадесетог века. У почетку је симболичко резоновање било доминантан приступ и довело је до бројних важних успеха, као што су експертски системи – рачунарски програми који су могли да делују као стручњаци у неким ограниченим доменима проблема. Међутим, убрзо је постало јасно да такав приступ нема добру скалабилност. Извлачење знања од стручњака, његово представљање у рачунару и одржавање те базе знања тачном испоставило се као веома сложен задатак и превише скуп за практичну примену у многим случајевима. Ово је довело до такозване зиме ВИ 1970-их.

Слика: Дмитриј Сошников

Како је време пролазило, рачунарски ресурси су постали јефтинији, а више података је постало доступно, тако да су приступи засновани на неуронским мрежама почели да показују одличне перформансе у надметању са људима у многим областима, као што су рачунарски вид или разумевање говора. У последњој деценији, термин вештачка интелигенција се углавном користи као синоним за неуронске мреже, јер је већина успеха ВИ о којима чујемо заснована на њима.

Можемо посматрати како су се приступи мењали, на пример, у стварању рачунарског програма за играње шаха:

• Рани шаховски програми су се заснивали на претрази – програм је експлицитно покушавао да процени могуће потезе противника за одређени број наредних потеза и изабере оптималан потез на основу оптималне позиције која се може постићи у неколико потеза. Ово је довело до развоја такозваног алфа-бета сечења алгоритма претраге.
• Стратегије претраге добро функционишу при крају игре, где је простор претраге ограничен малим бројем могућих потеза. Међутим, на почетку игре, простор претраге је огроман, и алгоритам се може побољшати учењем из постојећих партија између људских играча. Накнадни експерименти су користили такозвано резоновање засновано на случајевима, где је програм тражио случајеве у бази знања веома сличне тренутној позицији у игри.
• Савремени програми који побеђују људске играче засновани су на неуронским мрежама и учењу појачањем, где програми уче да играју искључиво играјући дуго времена против себе и учећи из сопствених грешака – слично као што људи уче да играју шах. Међутим, рачунарски програм може одиграти много више партија за много мање времена, и стога може учити много брже.

✅ Истражите друге игре које је ВИ играла.

Слич

Слика Дмитрија Сошњикова, фотографија од Марине Абросимове, Unsplash

Недавна истраживања у области вештачке интелигенције

Велики раст истраживања неуронских мрежа започео је око 2010. године, када су велики јавни скупови података постали доступни. Огромна колекција слика под називом ImageNet, која садржи око 14 милиона аннотованих слика, дала је подстрек ImageNet Large Scale Visual Recognition Challenge.

Слика од Дмитрија Сошњикова

Године 2012, Конволуционе неуронске мреже су први пут коришћене за класификацију слика, што је довело до значајног пада грешака у класификацији (са скоро 30% на 16,4%). Године 2015, архитектура ResNet из Microsoft Research постигла је тачност на нивоу људског.

Од тада, неуронске мреже су показале веома успешне резултате у многим задацима:

---

Година	Постигнут паритет са људима
2015	Класификација слика
2016	Препознавање говорног језика
2018	Аутоматски машински превод (кинески-енглески)
2020	Генерисање описа слика

Током последњих неколико година сведоци смо великих успеха са моделима великог језичког обима, као што су BERT и GPT-3. Ово се углавном догодило због чињенице да постоји много општих текстуалних података који омогућавају да се модели обуче за разумевање структуре и значења текстова, да се претходно обуче на општим текстуалним колекцијама, а затим специјализују за конкретније задатке. Више ћемо научити о Обради природног језика касније у овом курсу.

🚀 Изазов

Истражите интернет да бисте утврдили где се, по вашем мишљењу, вештачка интелигенција најуспешније користи. Да ли је то у апликацији за мапирање, некој услузи за претварање говора у текст или видео игри? Истражите како је систем изграђен.

Квиз након предавања

Преглед и самостално учење

Прегледајте историју вештачке интелигенције и машинског учења читајући ову лекцију. Узмите један елемент из скетчноте на почетку те лекције или ове и истражите га детаљније како бисте разумели културни контекст који је утицао на његов развој.

Задатак: Game Jam

---

Одрицање од одговорности:
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције Co-op Translator. Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода.