Žinių bazė

Save mokančios sistemos (machine learning) , kaip dirbtinio intelekto dalis, apima labai plačią procesų sritį, kuriuos labai sunku aprašyti vienu apibrėžimu.

Galima sakyti, kad sistema išmoksta tai, kas keičia jos struktūrą, programą ar jos informaciją, tokiu būdu keičiant tikimasi pagerinti, patobulinti sistemos darbą ateityje. Kai kurie iš šių pakeitimų, tokie kaip papildomas įrašas duomenų bazėje, yra labai patogus disciplinų srityje ir nėra geriau būtinas suprasti mokymąsi kaip reikšmę. Bet pavyzdžiui, kai yra vykdomas kalbos atpažinimo (speech-recognition) sistemos tobulinimas, po kelių pavyzdžių klausymosi (samples), vieno žmogaus, iš dalies mes galime sakyti, kad sistema išmoko, įsiminė pavydžius.

Save mokančios sistemos yra dalis kompiuteriu mokslo, kuris susijęs su sistemomis galinčiomis mokytis iš joms pateikiamų duomenų, ar iš save mokančių sistemų atliktų veiksmų. Save mokančios sistema (Machine learning) atsakinga už DI galimumą automatiškai mokytis iš jau apdorotu žinių. Ši galimybė mokytis iš patirties, analizinis peržiūrėjimas, ir kita reiškia, kad sistema gali pradėti veikti labai veiksmingai ir naudingai, t.y. kad sistemos su šiuo mechanizmu yra žymiai pranašesnės nei sistemos be šio mechanizmo. Save mokančios sistemose dažniausiai kalbama apie susijusius pasikeitimus sistemoje, kalbant apie dirbtinį intelektą DI (artificial intelligence AI). Tai yra tokie užduočių veiksmai kaip atpažinimas, diagnozė, planavimas, robotu kontrolė (robot control) , pranašavimas. Penkios save mokančių sistemų pagrindinės sritys:

• Analytic learning methoods – analitiniai mokymosi metodai.
• Neural network - semantiniai tinklai.
• Genetic algorithms – genetiniai algoritmai.
• Clasifier systems - sistemos klasifikatorius.
• Desision trees – sprendimų medis.
• Case-based approaches learning – tikrinimu pagristas mokymasis.

Tai didis mokslinis klausimas. Esama įvairių nuomonių, tačiau norint tai padaryti reiktų radikaliai naujo metodo. XX amžius buvo mokslo ir technikos triumfo amžius. Buvo sukurta daug naujų neregėtų daiktų ir technologijų, kurie pakeitė iš esmės visų žmonių, pradedant turtuoliais ir baigiant paskutiniais vargšais, gyvenimą. Kartais yra gerokai įdomiau ne girtis dideliais pasiekimais, o bandyti paanalizuoti nesėkmių priežastis ir pasimokyti iš tų nesėkmių. Čia ir apžvelgsime tris nuo XX a. antros pusės puoselėtas svajones, kurių įgyvendinimui ir moksliniams tyrimams buvo metami dideli pinigai, bet kurios taip ir liko neįgyvendintos: valdoma termobranduolinė sintezė, kosminės kelionės ir dirbtinis intelektas.

1968-ųjų filme „2001 metai: kosminė odisėja“ buvo rodoma, kad 1992-aisiais bus sukurti robotai, kurie galės laisvai bendrauti su žmogumi ir valdyti kosminius laivus (filme išprotėjęs robotas HAL 9000 nužudo kosminės ekspedicijos dalyvius). Deja, realybėje sukurti robotai vargiai galėjo savo intelektu prilygti tarakonui. 1997 metais firmos IBM kompiuteris „Deep Blue“ aplošė šachmatais tuometinį pasaulio čempioną G. Kasparovą. Bet jis pademonstravo ne intelekto triumfą, o tik visų sukurtų DI sistemų primityvumą, nes sugebėdamas atlikti 11 milijardų operacijų per sekundę, jis tik primityviai analizuodavo visus galimus variantus. Aišku, kad logiškai mąstant buvo galima padaryti vienintelę išvadą: „Deep Blue“ nesugeba mąstyti.

Mokslininkai turėjo pripažinti, kad skaičiavimo greitis ir atminties apimtis nesukuria jokio intelekto. Matematikai suprato savo esminę klaidą, kurią jie padarė prieš 50 metų: smegenys nėra visa kuo panašios į skaitmeninį kompiuterį. Smegenys veikia visai kitaip: joms tinka Chebo (Donald O. Hebb) taisyklė – kiekvieną kartą, kai priimamas teisingas sprendimas, atitinkami ryšiai tarp neuronų sustiprėja, kiekvieną kartą, kai sėkmingai išsprendžiamas uždavinys, elektriniai ryšiai tarp jų suaktyvėja. Neuronų tinklai nuolat keičia ryšius (vienas neuronas gali turėti iki kelių dešimčių tūkstančių ryšių), todėl mokosi pagal seną, patikrintą bandymų ir klaidų metodą.

Artimiausia DI kūrimo perspektyva yra miglota: reikia kardinalaus ir labai novatoriško proveržio šioje srityje, kad galėtume sukurti tai, apie ką fantastai rašė nuo praėjusio amžiaus vidurio. Artimiausiu metu, matyt, bus tobulinamos tokios sistemos kaip „protingi namai“, asmeninis ligų diagnostas, automatizuotas slaugytojas, automobilis be vairuotojo ir panašiai. Tai yra naujai besivystančios informacinių technologijų atšakos – daiktų interneto (Internet of Things – sutrumpintai IoT) – tyrimų objektai. Tokios sistemos gali veikti pagal kompiuterinę logiką ir dabartinių telekomunikacijų sistemų įsisavintas galimybes. Tai, be abejo, palengvins mūsų gyvenimą ir sutaupys daug brangaus laiko.

Kaip sukurti dirbtinį arba sintetinį intelektą?

Šis klausimas kamuoja mokslininkus ne vieną dešimtmetį. Tačiau pirmiausiai reiktų pasiaiškinti kas tai yra ir kaip teisingai suvokti šį terminą. Išgirdę terminą dirbtinis intelektas (toliau DI) iškart puolame galvoti apie sudėtingas mechanines ir kompiuterines konstrukcijas, kurios savo gebėjimais prilygsta ar net labai smarkiai lenkia žmogų. Norint imituoti mūsų smegenų veiklą, pradžioje reikia susigaudyti, kaip jie veikia. Štai čia mūsų ir laukia problemos. Kaip paaiškėjo, kol kas mes tiksliai nežinome, kaip galvoje gimsta mintys.

Smegenys — toks sudėtingas mechanizmas, jog laikomos viena iš didžiausių Visatos paslapčių. Jų savybes tiria ir laužo galvas tūkstančiai psichologų, tačiau kol kas mes turime tiktai bendrą supratimą. Trumpai tariant - dirbtinis (skaitinis) intelektas, tai kompiuterio atmintyje veikiantys įvairūs algoritmai, kurių veikimo principas stengiasi būti panašus į biologinių struktūrų.

Mašiną sudaranti techninė sistema gaunama vienu ar kitu būdu sujungus jos elementus. Tų elementų sujungimo būdas ir nusako jos architektūrą. Tai taisyklių visuma, pagal kurią formuojamos mašinos ir aplinkos, bei pačios mašinos elementų jungtys.

Mašinos intelektas ir veikimo ypatumai priklauso nuo jos architektūros, kuri gali būti hierarchinė, tinklinė ir sluoksninė. Hierarchinėje architektūroje elementai vienas kitam yra „viršesni“ ar „paval-desni“. Kiekvienas viršesnis turi vieną ar kelis jam pavaldžius. Vienas iš elementų niekam nepavaldus. Žemiausią padėtį tokioje sistemoje užima elementai, kurie neturi pavaldžių elementų. Ji yra naudojama tada, kai reikia suprastinti didelę, sudėtingą sistemą. Būtent todėl tokia architektūra dažnai naudojama visuomenės organizacijose: kariuomenėje, katalikų bažnyčioje, gamyboje. paveiksle parodyta būdinga gamyklos hierarchinė struktūra. Be suvokimo, supratimo ir vykdymo posistemių intelektualiųjų mašinų siste-mose būna ir darbingumo palaikymo posistemės. Jos atlieka pagrindinių mašinos elementų veiklos stebėseną, kad iš anksto, ar tik atsitikus, nustatyti sutrikimą ar gedimą. Taip pat gali atlikti savaiminį remontą, pakeičiant mašinos konfigūraciją. Jau yra ir tokios, kurios gali nuosekliai gerinti mašinos veikimą. Mašinos darbingumo palaikymo pavyzdžiai: 

•  kai automobilio valdymo sistema nustato stabdžių kaladėlių sudilimą, ji sprendžia, kaip jį kompensuoti, ar signalizuoja vairuotojui, kad jas reikia keisti;
• spausdintuvas signalizuoja apie gedimą ir jį nusako;
• kosminis laivas pakeičia valdymo sistemos konfigūraciją, eliminuodamas sugedusį elementą.
• autonominis transporto vežimėlis, remdamasis patirtimi, nustato, kuris maršrutas konkrečiu darbo dienos laikotarpiu yra labiausiai apkrautas, ir pasirenka judėjimo trajektoriją į tai atsižvelgdamas.

Intelektualiosios mašinos yra analogiškos biologinėms sistemoms, galinčioms atlikti kokias nors intelektualiąsias funkcijas. Tačiau ne visada būtinas tokio lygio dirbtinis intelektas, kuris realizuojamas panaudojant galingus kompiuterius. Gamtoje be žmogaus egzistuoja ir kiti organizmai: gyvūnai, augalai, turintys tik tam tikrus intelekto požymius. Galima išvardinti kai kuriuos biologinių sistemų ir intelekto požymius:

• Pertekliškumas. Biologinės sistemos paprastai turi struktūrinį ir funkcinį pertekliš-kumą, kurie nepanaudojami normaliomis sąlygomis, tačiau padeda jiems išgyventi pasikeitus išorinės aplinkos sąlygoms, nes sudaro prielaidas pakeisti pirmines neefektyvias ar neveiksnias funkcijas ir struktūras kitomis. 
• Mitozė. Tai sugebėjimas savaime vystytis, keistis ir daugintis. 
• Savaiminis remontas. Ši biologinių sistemų savybė artima vystimosi ir dauginimosi funkcijoms, nes apima įvairius reiškinius, susijusius su gyvųjų substancijų ir organų sugebėjimu atsikurti. 
• Numatymas. Kai kurios biologinės sistemos gali numatyti ateitį, besimokydamos iš patirties, ir imtis veiksmų, besiremdamos gaunama informacija ir sukauptomis žiniomis.
•  Apsimokymas. Biologinių sistemų sugebėjimai numatyti yra glaudžiai susiję su jų sugebėjimu mokytis. Kai kurie jų yra įgimti, kiti išsivysto sukaupus pakankamą egzistavimo konkrečioje aplinkoje patirtį.
• Autonominė diagnozė. Sugebėjimas diagnozuoti būklę, nykimą, sutrikimus ir suvokimo klaidas palyginus dabartines funkcines charakteristikas ar aplinkybes su ankstesnėmis. Tai yra biologinių sistemų gyvybingumo stebėjimo elementas.

Labai dažnai dabartinėms techninėms problemoms spręsti pakanka, kad mašinos, mechanizmai ar mechaninės struktūros būtų pajėgios tik atlikti primityvias intelektualias funkcijas, analogiškas biologinėms sistemoms, susijusias su jutimu, informacijos įvertinimu, perdirbimu ir perdavimu ir mechaninių poveikių generavimu. Jų realizavimui gali neprireikti kompiuterių iš viso.