Η εξέλιξη των συστημάτων ΑΙ είναι ραγδαία και πολυδιάστατη.
Η τεχνητή νοημοσύνη εξελίσσεται με τρομερή ταχύτητα αποκτά συνεχώς νέες μορφές από συστήματα αναγνώρισης προτύπων έως γενετική τεχνητή νοημοσύνη.
Υπάρχει και μια μορφή τεχνητής νοημοσύνης που επιχειρεί να ανταποκριθεί σχεδόν αμέσως σε δεδομένα του πραγματικού κόσμου η ιδέα της οποίας υπήρχε από τη δεκαετία του 1950 αλλά η σημερινή αλματώδης εξέλιξης της τεχνολογίας ΑΙ δίνει πλέον σάρκα και οστά σε αυτή την ιδέα.
Η αποκαλούμενη «συσσωματωμένη τεχνητή νοημοσύνης» συνδυάζει αισθητήρες με μηχανική μάθηση για να ανταποκρίνεται σε δεδομένα του πραγματικού κόσμου. Παραδείγματα περιλαμβάνουν αυτόνομα drones, αυτοοδηγούμενα αυτοκίνητα και εργοστασιακό αυτοματισμό. Οι ρομποτικές ηλεκτρικές σκούπες και τα χλοοκοπτικά χρησιμοποιούν μια απλοποιημένη μορφή συσσωματωμένης τεχνητή νοημοσύνης.
Αυτά τα αυτόνομα συστήματα χρησιμοποιούν την τεχνητή νοημοσύνη για να μάθουν να πλοηγούνται σε εμπόδια στον φυσικό κόσμο. Η συσσωματωμένη AI χρησιμοποιεί έναν αλγοριθμικά κωδικοποιημένο χάρτη που, από πολλές απόψεις, μοιάζει με τον νοητικό χάρτη του δαιδαλώδους δικτύου δρόμων και ορόσημων του Λονδίνου που χρησιμοποιούν οι οδηγοί ταξί της πόλης. Στην πραγματικότητα, η έρευνα σχετικά με το πώς οι οδηγοί ταξί του Λονδίνου καθορίζουν μια διαδρομή έχει χρησιμοποιηθεί για να ενημερώσει την ανάπτυξη τέτοιων συσσωματωμένων συστημάτων.
Μερικά από αυτά τα συστήματα ενσωματώνουν επίσης τον τύπο της συσσωματωμένη ομαδικής νοημοσύνης που βρίσκεται σε σμήνη εντόμων/πτηνών ή κοπάδια ζώων. Αυτές οι ομάδες συγχρονίζουν τις κινήσεις τους υποσυνείδητα. Η μίμηση αυτής της συμπεριφοράς είναι μια χρήσιμη στρατηγική για την ανάπτυξη ενός δικτύου drones ή οχημάτων αποθήκης που ελέγχονται από ένα σύστημα συσσωματωμένης τεχνητής νοημοσύνης.
Πώς λειτουργεί
Ο πυρήνας ενός συστήματος συσσωματωμένης τεχνητής νοημοσύνης είναι ένα ψηφιακό μοντέλο που έχει σχεδιαστεί για το περιβάλλον λειτουργίας του. Αυτό το μοντέλο είναι παρόμοιο με τη δική μας αντίληψη για το περιβάλλον. Το μοντέλο υποστηρίζεται από διαφορετικές προσεγγίσεις μάθησης. Ένα παράδειγμα είναι η ενισχυτική μάθηση, η οποία χρησιμοποιεί μια προσέγγιση βασισμένη σε πολιτικές για να προσδιορίσει μια διαδρομή — για παράδειγμα, με κανόνες όπως «πάντα να κάνεις X όταν συναντάς το Y».
Ένα άλλο είναι το ενεργό συμπέρασμα, το οποίο βασίζεται στο πώς λειτουργεί ο ανθρώπινος εγκέφαλος. Αυτά τα μοντέλα λαμβάνουν συνεχώς δεδομένα από το περιβάλλον και ενημερώνουν το μοντέλο με βάση αυτή τη ροή σε πραγματικό χρόνο – παρόμοια με το πώς αντιδρούμε με βάση αυτά που βλέπουμε και ακούμε. Αντίθετα, ορισμένα άλλα μοντέλα AI δεν εξελίσσονται σε πραγματικό χρόνο.
Το ενεργό συμπέρασμα ξεκινά με ένα βασικό επίπεδο κατανόησης του περιβάλλοντος, αλλά μπορεί να εξελιχθεί γρήγορα. Ως εκ τούτου, κάθε αυτόνομο όχημα που βασίζεται σε ενεργό συμπέρασμα χρειάζεται εκτενή εκπαίδευση για να αναπτυχθεί με ασφάλεια στους δρόμους.
Αν και τα συσσωματωμένα συστήματα τεχνητής νοημοσύνης βρίσκονται ακόμη στα αρχικά τους στάδια, η έρευνα εξελίσσεται με ταχείς ρυθμούς. Οι βελτιώσεις στη γενετική τεχνητή νοημοσύνη θα συμβάλουν φυσικά στην ανάπτυξη της συσσωματωμένη τεχνητή νοημοσύνης. Η τεχνολογία αυτή θα επωφεληθεί επίσης από βελτιώσεις στην ακρίβεια και τη διαθεσιμότητα των αισθητήρων που χρησιμοποιεί για τον προσδιορισμό του περιβάλλοντος χώρου.
Η συσσωματωμένη τεχνητή νοημοσύνη θα μπορούσε επίσης να βοηθήσει τα chatbot να παρέχουν καλύτερη εμπειρία στον πελάτη διαβάζοντας τη συναισθηματική κατάσταση ενός πελάτη και προσαρμόζοντας ανάλογα τις απαντήσεις του.
Πηγή: Naftemporiki.gr
