notatki:ai_wstep

AI: Wstęp

Co to jest AI?

Dziedzina nauki modelująca zachowania wymagające inteligencji ludzkiej
AI = obliczenia umożliwiające rozumienie, wnioskowanie, działanie
Brak jednolitej definicji → różne perspektywy i interpretacje

Kierunki AI

Poznawczy: analiza procesów myślenia, świadomość, kognitywistyka
Techniczny: budowa maszyn/algorytmów naśladujących inteligencję

Obszary i dyscypliny wspierające AI

Filozofia, matematyka, psychologia, ekonomia, neurobiologia, informatyka, cybernetyka, lingwistyka
Heurystyka jako kluczowa technika

Kryteria AI

Symulacja procesów naturalnych (Test Turinga)
Inteligentne czynności (np. gry, dowodzenie twierdzeń)
Racjonalne sprawstwo: celowe, dostosowane do środowiska działania

Przykłady zastosowań

Chatboty, asystenci AI: klasyfikacja problemów, analiza danych
Inteligentny sprzęt AGD, mieszkania, roboty, systemy ekspertowe
Rozpoznawanie obrazu/mowy, tłumaczenie, sterowanie, łaziki kosmiczne

Metody matematyczne

Teoria optymalizacji, metody numeryczne, teoria grafów i gier
Logika (predykatów, pierwszego rzędu), probabilistyka (sieci Bayesa, Markowa)
Teoria sterowania, programowanie dynamiczne, gramatyki formalne

Cele nauczania

Rozpoznawanie i ocena problemów dla AI
Analiza i porównanie technik AI
Praktyczne umiejętności: reprezentacja wiedzy, sieci neuronowe, uczenie maszynowe

Literatura

Russell, Norvig: Artificial Intelligence: A Modern Approach (2020)
Luger: Artificial Intelligence (2009)
Flasiński: Wstęp do sztucznej inteligencji (2011/2018)

Historia sztucznej inteligencji

Korzenie i inspiracje

Filozofia, matematyka, ekonomia, psychologia, neurobiologia, lingwistyka, teoria sterowania

Prehistoria AI

XIII w. – Ramon Llull: „Ars magna” – system logiczny kalkulemus
XVII–XVIII w. – G.F. Leibniz: maszyna dwójkowa, kalkul filozoficzny
XIX w. – Charles Babbage: maszyna różnicowa i analityczna
1943 – McCulloch & Pitts: pierwszy model sztucznego neuronu
1945 – von Neumann: architektura uniwersalnego komputera

Etapy rozwoju AI

I. Początki (1943–1956)
1. 1950: Turing, test Turinga
2. 1952: Newell & Simon, Logic Theorist; Samuel, program do warcab
3. 1956: McCarthy, termin „Artificial Intelligence” (Dartmouth)
II. Wczesny entuzjazm (1956–1966)
1. Język LISP, AdviseTalker; GPS (General Problem Solver)
2. 1965: algorytm rezolucji Robina
III. Czas refleksji (1966–1970)
1. Pierwszy „zimny okres”: problemy złożoności obliczeniowej, spadek entuzjazmu
IV. Systemy z bazą wiedzy (1969–1979)
1. DENDRAL, MYCIN; LUNAR; ramy, sieci semantyczne
V. Lata komercjalizacji (1980–1987)
1. Ekspertowe systemy produkcyjne; inżynieria wiedzy; japoński projekt V generacji
VI. AI jako specjalność naukowa (od 1987)
1. Rozwój sieci neuronowych, algorytmy ewolucyjne, zbiory rozmyte
2. 1995: koncepcja agentów inteligentnych

Wielkie projekty i inicjatywy

CYC – zdrowy rozsądek
Japoński projekt V generacji
Projekty hybrydowe CI, inteligencja rozproszona

Przełomy i kamienie milowe

1997: Deep Blue vs Kasparow
2016: AlphaGo
2020: AlphaFold 2 – przewidywanie struktur białek
2020+: Boston Dynamics – parkour robotów; autonomiczne pojazdy
Generowanie obrazów (GAN), zaawansowane modele językowe (BERT, GPT)

Zastosowania współczesne

Rozpoznawanie mowy i obrazu
Systemy rekomendacyjne, personalizacja treści
AI w opiece zdrowotnej, finansach, przemyśle, logistyce

Kierunki rozwoju sztucznej inteligencji

Zadania AI

Przeszukiwanie i optymalizacja (np. problem komiwojażera, algorytmy genetyczne)
Wnioskowanie logiczne, dowodzenie twierdzeń
Uczenie maszynowe i głębokie, uczenie nienadzorowane
Rozpoznawanie obrazów, NLP, robotyka

Podejścia i paradygmaty

Symboliczna AI (GOFAI)
1. Symulacja kognitywna: przestrzeń stanów, heurystyki, analiza cel-środek
2. Logiczne wnioskowanie: programowanie logiczne (Prolog), paradygmat deklaratywny
3. Reprezentacja regułowa: produkcje IF-THEN, systemy ekspertowe
4. Strukturalna: ramy (frames), sieci semantyczne, skrypty
5. Gramatyki generatywne w NLP
Inteligencja obliczeniowa (CI)
1. Sieci neuronowe: perceptron, wielowarstwowe z BP
2. Logika rozmyta, sieci bayesowskie
3. Algorytmy ewolucyjne, algorytmy rojowe
Podejście konekcjonistyczne i trzecia fala
1. Głębokie sieci, transformacje wielowarstwowe, GAN

Przykłady implementacji

Prolog: definicja grafu, rekurencyjna trasa, przykład rozwiązania zadania arytmetycznego
Algorytm genetyczny: kodowanie chromosomów, krzyżowanie, mutacja, selekcja

Kluczowe trendy i wyzwania

Dostępność dużych danych i mocy obliczeniowej (chmura)
Interpretowalność modeli AI, odpowiedzialność i etyka
Integracja AI w aplikacjach biznesowych i społeczeństwie
Rozwój agentów autonomicznych i systemów wieloagentowych

Narzędzia i ekosystem

Języki i systemy: LISP, Prolog, Python + biblioteki ML
Platformy chmurowe: AWS, Azure, Google Cloud AI
Konsorcja i inicjatywy badawcze: EU Human Brain Project, AI4Media, AIDA

notatki/ai_wstep.txt · ostatnio zmienione: 2025/05/23 09:58 przez administrator