Osnovna podela veštačke inteligencije

Veštačka inteligencija se može podeliti na osnovu svojih sposobnosti i kompleksnosti:

a) Slaba veštačka inteligencija (Weak AI):

• Definicija: Takozvana "slaba AI" ili "usmerena AI" dizajnirana je za specifične zadatke, često sa ciljem automatizacije rutinskih ili repetitivnih aktivnosti.

• Primeri:

  • Prepoznavanje govora (npr. Siri, Alexa)

  • Prepoznavanje slike (npr. robotski vizioni sistemi za kontrolu kvaliteta u proizvodnji)

  • Autonomna vozila (kao što je Tesla autopilot)

• Primena u industriji: U industrijskoj robotici, slaba AI omogućava robotima da prepoznaju i reaguju na specifične zadatke, kao što je sortiranje objekata na proizvodnoj liniji prema veličini, boji, ili obliku. Robot može koristiti prepoznavanje slike za detekciju grešaka na proizvodima.

b) Snažna veštačka inteligencija (Strong AI):

• Definicija: Snažna AI, poznata i kao "opšta veštačka inteligencija", teži stvaranju sistema koji imaju sposobnost razmišljanja, rešavanja problema i donošenja odluka na nivou ljudske inteligencije.

• Primeri: Iako se još uvek ne primenjuje u praksi, ovo je AI koja bi mogla obavljati bilo koji intelektualni zadatak koji ljudski mozak može da uradi.

• Primena u industriji: Trenutno, snažna AI nije deo industrijske robotike, ali u budućnosti bi mogla doprineti razvoju robota sa sposobnostima samostalnog donošenja odluka, razmišljanja o etici, i rešavanja nepredviđenih problema.

Podela prema metodama i pristupima

a) Simbolička (pravila zasnovana) AI:

• Definicija: Ovaj pristup koristi logičke sisteme zasnovane na pravilima i simbolima, gde se znanje i odluke predstavljaju u obliku simbola i pravila. Ovaj pristup je tradicionalniji i koristi se kada je znanje precizno definisano.

• Primeri:

  • Expert sistemi: Sistemi zasnovani na pravilima koriste prethodno definisana pravila za donošenje odluka. Na primer, robot može koristiti set pravila da odluči kako da prepozna i razvrsta objekte na proizvodnoj liniji.

  • Automatizovani procesi: Automatizovani robotski sistemi u industriji često koriste simboličku AI za prepoznavanje i obrada sirovina ili poluproizvoda, kao što su kontrole u proizvodnji.

b) Veštačka inteligencija zasnovana na učenju:

i) Mašinsko učenje (Machine Learning):

• Definicija: Mašinsko učenje omogućava računarima da učestvuju u procesu učenja kroz analizu podataka i iskustava, bez potrebe za eksplicitnim programiranjem svakog pojedinačnog zadatka.

  Vrste mašinskog učenja:

  • Nadzirano učenje (Supervised Learning): Model se trenira pomoću označenih podataka, što znači da je učitelj prisutan tokom procesa. Na primer, robotski sistem može se naučiti kako da prepozna različite oblike na proizvodnoj liniji.

  • Nenadzirano učenje (Unsupervised Learning): Ovdje model uči iz nestrukturiranih podataka, bez prethodnih oznaka. Može se koristiti za prepoznavanje obrazaca i klasterizaciju, na primer, za analizu ponašanja radnog okruženja ili prepoznavanje anomalija u procesu.

  • Učenje uz pojačanje (Reinforcement Learning): Robot uči kroz trial-and-error metodu, sa povratnim informacijama u obliku nagrada ili kazni. Ovaj tip učenja može biti vrlo koristan u robotici za obavljanje složenih zadataka poput navigacije ili optimizacije proizvodnog procesa.

ii) Duboko učenje (Deep Learning):

• Definicija: Duboko učenje je specijalizovana grana mašinskog učenja koja koristi višeslojne neuronske mreže za rešavanje kompleksnih problema poput prepoznavanja slika, analize govora, ili obrade prirodnog jezika. Ima potencijal za prepoznavanje složenih obrazaca i donošenje odluka.

• Primer:

  • Prepoznavanje grešaka u proizvodnji: Robot sa dubokim učenjem može prepoznati vizuelne greške u proizvodima pomoću kamera i analiza slika.

  • Autonomni roboti: Duboko učenje se koristi u razvoju robota koji mogu donositi složene odluke u stvarnim okruženjima, kao što je kretanje kroz dinamične prostore ili interakcija sa ljudima.