Gdzie kończy się uczenie maszynowe a zaczyna AI?

Ze sztuczną inteligencją można spotkać się wszędzie. Często nieświadomie, jej zasoby wykorzystywane są nawet w codziennych czynnościach, jak wskazówki Siri czy system poleceń Netflix. Z uwagi na to, że AI staje się coraz bardziej powszechne, samo pojęcie sztucznej inteligencji zaczyna być rozmyte i nieprecyzyjne. Czym właściwie jest AI i co mieści się w jej ramach?

Marzymy o AGI, mamy ANI

Sztuczna inteligencja (ang. artificial intelligence, AI) służy do tworzenia systemów komputerowych zdolnych do wykonywania zadań, które standardowo wymagają inteligencji ludzkiej. Składa się ona z dwóch głównych gałęzi: ogólnej sztucznej inteligencji (AGI) i wąskiej sztucznej inteligencji (ANI). AGI odnosi się do systemów, które posiadają ogólną inteligencję, czyli zdolność do wykonywania dowolnego zadania typowo ludzkiego.

Można powiedzieć, że jest to wyidealizowany model AI, który posiada wiedzę z różnych dziedzin, jest kreatywny i elastyczny w podejmowaniu decyzji. Często jest przedstawiany jako cel, do którego dąży AI. To właśnie AGI ma przekroczyć granice wąskiej inteligencji i stworzyć prawdziwie inteligentne maszyny. ANI natomiast koncentruje się na tworzeniu systemów, które są wyspecjalizowane w wykonywaniu konkretnych zadań. Mają ograniczone zakresy działania i nie posiadają zdolności przystosowawczych lub podejmowania decyzji poza określonym obszarem. Przykładem ANI mogą być systemy do identyfikacji mowy, rozpoznawania obrazów czy autonomiczne samochody. Są one bardzo skuteczne w swojej dziedzinie, ale nie wykazują ogólnej inteligencji.

– Tak naprawdę, mówiąc o AI, większość z nas ma na myśli AGI, co możemy nazwać generalną sztuczną inteligencją. Jej istotą nie jest specjalizacja, ale maksymalna uniwersalność. Rozwiązania z zakresu AGI nie będą projektowane z myślą o realizacji konkretnych procesów. Powinny być zdolne do samouczenia się i w konsekwencji realizowania dowolnego zadania. AGI będzie więc najbardziej zbliżona do tego, z czym intuicyjnie kojarzymy AI, bo najbardziej przypomina naszą ludzką, uniwersalną inteligencję. Choć sama idea znana jest już od kilkudziesięciu lat, to nadal jesteśmy daleko od stworzenia choćby działającego prototypu – mówi Aneta Jarczyńska, dyrektor ds. rozwoju produktu i komercjalizacji w Symfonii.

Nie tylko AI

Machine learning (ML) jest z kolei jedną z kluczowych technik wykorzystywanych w AI, zarówno w AGI, jak i ANI. Jest to proces, w którym komputer jest trenowany na podstawie danych, aby wykrywać wzorce, uczyć się na ich podstawie i podejmować decyzje. Należy jednak pamiętać, że uczenie maszynowe może działać samodzielnie, poza obszarem sztucznej inteligencji.

– Celem uczenia maszynowego jest chociażby projektowanie prognoz, dlatego czasami nazywa się je również analizą predykcyjną. Odpowiednie algorytmy mają pozwolić oprogramowaniu na zautomatyzowanie procesu pozyskiwania i analizy danych. Prognozy kierują następnie milionami decyzji operacyjnych. Na przykład, przewidując, którzy klienci najprawdopodobniej zrezygnują ze świadczonych usług, firma może zachęcić ich do pozostania. Należy jednak pamiętać, że ML nie jest cyfrową kryształową kulą, z której można bezbłędnie wywróżyć przyszłość – dodaje Robert Zyskowski, dyrektor ds. technologii/Symfonia Group CTO.

Machine learning przynosi spektakularne wyniki w wielu dziedzinach, takich jak rozpoznawanie obrazów, przetwarzanie mowy i analiza danych. Te osiągnięcia są często prezentowane w mediach jako postęp w dziedzinie AI, co jeszcze bardziej wzmacnia myślenie, że sztuczna inteligencja i uczenie maszynowe to synonimy. W rezultacie, ML zdobyło popularność i stało się głównym aspektem publicznego zainteresowania z zakresu AI.