Slovník výrazov AI/Základy umelej inteligencie

Základy umelej inteligencie

umelá inteligencia

Anglický výraz artificial intelligence

základnéheslo č. 15 otázok a odpovedí2 odborné zdroje

Presná definícia

Čo znamená umelá inteligencia?

Umelá inteligencia (AI) je vedná a inžinierska oblasť, ktorá navrhuje a skúma výpočtových agentov schopných z vnemov, dát alebo znalostí odvodiť reprezentácie, učiť sa, uvažovať a voliť konanie vzhľadom na cieľ a obmedzenia. Nejde o jednu technológiu ani o vedomie: zahŕňa symbolické metódy, strojové učenie aj ich kombinácie.

Skúsenosť a kontext

Ako sa pojem používa v praxi

V praxi sa AI používa tam, kde treba zo zložitých vstupov vybrať alebo vytvoriť výstup: klasifikovať snímku, predpovedať dopyt, vyhľadať odpoveď, naplánovať trasu či riadiť robot. Dobré nasadenie začína presným cieľom, vstupmi, prípustnými výstupmi a metrikou úspechu. Nasleduje porovnanie s jednoduchším pravidlovým alebo štatistickým riešením, test na reprezentatívnych dátach a určenie ľudského dohľadu. Po nasadení sa sleduje kvalita, drift, chybové skupiny, bezpečnosť a reálny dopad; označenie „AI“ samo osebe negarantuje presnosť ani vhodnosť.

Overiteľnosť

Odborné zdroje

  1. NIST · definície AIcsrc.nist.gov
  2. Poole & Mackworth · AI 3eartint.info

Praktické odpovede

Často kladené otázky

Je každá automatizácia AI?

Nie. Program, ktorý iba vykonáva pevné ľudské pravidlá bez odvodzovania modelu alebo postupu zo vstupov, je spravidla bežná automatizácia; presná hranica závisí od použitej technickej či právnej definície.

Musí sa AI učiť z dát?

Nie. Symbolická AI môže používať explicitné pravidlá a reprezentácie znalostí; strojové učenie naopak odhaduje model z príkladov. Mnohé reálne systémy oba prístupy kombinujú.

Je OCR umelá inteligencia?

Moderné OCR často používa modely videnia a jazyka, preto áno. Jednoduché rozpoznanie znaku pevnou šablónou však môže byť skôr deterministické spracovanie obrazu.

Ako sa meria kvalita AI?

Podľa úlohy: presnosťou, citlivosťou, kalibráciou, chybovosťou, latenciou, robustnosťou a dopadom na používateľa. Jedna agregovaná metrika nestačí pre všetky skupiny a podmienky.

Aké sú typické riziká?

Nesprávne alebo vymyslené výstupy, skreslenie, únik dát, zraniteľnosť voči útokom, automatizačná zaujatosť a použitie mimo overených podmienok. Riziko závisí najmä od účelu a následkov chyby.