Циљеви вештачке интелигенције¶
У претходном делу смо видели да су најчешћа средства којима се вештачка интелигенција служи у остваривању својих циљева претраживање, оптимизација, дедуктивно закључивање (засновано на логици) и индуктивно закључивање (засновано на статистици). Уз та средства смо поменули и неке циљеве, као што су решавање проблема, аутоматско резоновање и учење.
У наставку ћемо поменути још неке важне циљеве, који су се током времена издвојили и уобличили као подобласти којима се бави вештачка интелигенција.
Представљање знања¶
Ова дисциплина проучава начине складиштења знања у облику који омогућава брзо проналажење релевантних информација и ефикасне „рачунске операције над знањем“. То је својеврсна основа, која омогућава програмима да интелигентно одговарају на питања и доносе закључке о чињеницама из стварног света.
За представљање знања програмски кôд није најпогоднији облик, па се користе посебни језици за формално представљање знања. Исказна логика и предикатски рачун (логика првог реда) су најважнији примери таквих језика, мада се користе и други, као што су логика вишег реда, фази логика (расплинута логика) модална логика, темпорална логика и други.
У истраживању формалног представљања знања дошло се до основних концепата као што су објекти, својства објеката, категорије објеката (припадност објекта категорији) и односи између објеката. Знање које може да се представи помоћу ових концепата називамо декларативно знање. Насупрот томе, појмови као што је стање објекта, догађај (промена стања), ситуација и слични, служе за описивање такозваног процедуралног знања.
Да би систем испољио висок ниво интелигенције, потребно је да укључи здраворазумско знање (енгл. common sense knowledge), што је посебан изазов, јер је број атомичних (неразложивих) чињеница које просечна особа зна огроман. Други велики проблем је то што највећи део здраворазумског знања до сада није представљен вербално, а тиме ни симболички, тј. налази се у тзв. под-симболичком облику.
Планирање¶
Интелигентан агент способан за планирање формално представља стања свог окружења, предвиђа како ће његове акције да промене то стање и доноси изборе који максимизирају корисност доступних избора. У класичним проблемима планирања, агент претпоставља да је он једини актер који делује у окружењу, што му дозвољава да буде сигуран у последице својих акција. У сложенијем моделу, који не претпоставља да је агент једини актер, потребно је да агент узме у обзир неизвесност, и стално изнова процењује своје окружење и прилагођава се. Планирање са више агената користи сарадњу и конкуренцију многих агената за постизање задатог циља. Овакво прилагодљиво понашање користе еволуциони алгоритми и тзв. интелигенција роја (видети и: роботика роја).
Обрада природног језика¶
Обрада природног језика (енгл. natural language processing, скр. NLP) омогућава машинама да читају и разумеју људски језик. У ову сврху се користе различите технике, засноване на статистици, структури језика, формалним граматикама итд.
Важне примене обраде природног језика обухватају проналажење информација (користећи индексирање, кључне речи и слично), одговарање на питања (нпр. подршка корисницима), машинско превођење и друге. Релативно једноставан систем за обраду природног језика је, на пример, у стању да генерише смислен и употребљив сажетак дугачког текста. Напредан систем за обраду природног језика би могао да стиче знање директно из извора писаних на обичном говорном језику (текстови намењени људима).
Машинско опажање¶
Машинско опажање је способност да се користи улаз са сензора као што су камере, микрофони, сензори додира, сонари, радари, лидари, и други, да би се извели закључци о особинама окружења. Примене обухватају детекцију и препознавање говора (нпр. разумевање говорних команди), лица и објеката (нпр. саобраћајни знакови), као и рачунарски вид уопште.
Кретање и руковање¶
Вештачка интелигенција се увелико користи и у роботици. Један од важних проблема роботике је локализација, што подразумева способност робота да одреди сопствени положај и мапира окружење.
Планирање кретања је процес разлагања задатка кретања на тзв. примитиве, као што су појединачни покрети зглобова. Такво кретање често укључује усаглашене покрете, процес у коме кретање захтева одржавање физичког контакта са објектом. Роботи могу да науче из искуства како да се ефикасно крећу упркос разним сметњама.