1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
4
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
Još od antičkog doba ljudi pokušavaju odgovoriti na pitanje što se događa u ljudskom mozgu. Kako
čovjek misli, prepoznaje objekte, donosi zaključke i odluke te povratno djeluje na svoju okolinu? Što
karakterizira taj dio njegovog ponašanja koji možemo nazivati inteligentno ponašanje? Što je u biti
inteligencija? Je li ona svojstvena samo čovjeku? Pitanja je puno, a odgovora još i više. Filozofi, psiholozi,
sociolozi, neurolozi, neuropsiholozi, svaki sa svog stajališta pokušavaju dati odgovore na ova pitanja. S
druge strane, još od antičkog doba postojala je i druga struja koju su činili praktičari, znanstvenici i
inženjeri područja koje danas nazivamo tehničke znanosti. Oni se nisu toliko opterećivali pitanjima
vezanim uz prirodu biološke inteligencije (engl. BI - Biological Intelligence), već ih je prije svega
zanimalo mogu li se te značajke biološke inteligencije prenijeti stroju. Može li se napraviti stroj koji će
pokazivati svojstva biološke inteligencije? Ako može, takvu bi inteligenciju trebali zvati nebiološka
inteligencija (engl. N-BI Non-Biological Intelligence).
Ova su istraživanja posebno potaknuta razvojem računala, tako da se krajem pedesetih godina
za ovaj tip istraživanja uvodi i formalni naziv umjetna inteligencija (engl. AI - Artificial Intelligence)
sa željom da on obuhvati sva istraživanja vezana uz problematiku prenošenja svojstava biološke
inteligencije stroju, prije svega računalu, s ciljem da tada takvo računalo bude u mogućnosti:
rješavati probleme, kompleksne zadatke koje najčešće nazivamo problemski zadaci koje
klasični programi ne mogu riješiti ili mogu riješiti, ali uz velike napore (dugo vrijeme trajanja
izvođenja programa, te veliki troškovi za pisanje i implementiranje programa).
Ovo je bio jedan od ciljeva projekta japanske pete generacije računala nazvanog Fifth
Generation Computer Systems [Present and Future] (FGCS) (hrv. peta generacija računalnih
sustava). Projekt najavljen u listopadu 1981. godine predviđao je temeljitu promjenu računarstva u drugoj
polovini 90-ih godina 20. stoljeća. Ideja je bila napraviti računalo koje s korisnikom komunicira prirodnim
govorom i slikovnim prikazom, a uz to ima i sposobnost učenja, zaključivanja i odlučivanja.
Iako se to ni do danas nije ostvarilo, ipak su dostignuća u ovom području znanosti i tehnologije
toliko odmakla da je nužno u postupku obrazovanja u području tehničkih znanosti steći osnovna znanja
iz teorije na kojoj se temelje ovakvi sustavi.
Vratimo li se malo u prošlost, zanimljivo je uočiti da je u vrijeme pojave računala (ranih pedesetih
godina 20. stoljeća) bilo nezamislivo da će računala ikada biti sposobna računati nešto više od balističke
putanje projektila. Čak je i John Von Neumann (1903. 1957.), otac računarstva, izjavio da računala
nikada neće dosegnuti ni jednu osobinu inteligencije.
Što je umjetna inteligencija? Definicija ima puno, a možda je najjednostavnija od njih ona
koja umjetnu inteligenciju definira kao „znanost kojoj je cilj napraviti stroj - računalo
sposobno obavljati postupke koje u ovom trenutku čovjek obavlja bolje“. Umjetna
inteligencija spada u područje nebiološke inteligencije ili
alfa-inteligencije koja osim
umjetne inteligencije uključuje i računsku inteligenciju i distribuiranu inteligenciju.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
5
Međutim, već krajem 1950-ih i početkom 1960-ih godina javljaju se prvi počeci nečega iz čega se
nešto kasnije razvila umjetna inteligencija. Radilo se o prvim pokušajima pisanja programa za igranje
šaha. Upravo je zbog toga šah bio dugo vremena školski primjer na kojem su se provjeravale metode i
postupci umjetne inteligencije. Danas, gotovo 60 godina kasnije, postoje programi koji pobjeđuju
velemajstore, ali se za njih može kazati da ilustriraju samo neke aspekte inteligentnog ponašanja. Dobar
igrač šaha je samo (ne više, ali ni manje) dobar igrač šaha, pa se područje umjetne inteligencije okrenulo
širim područjima koje obuhvaća sam pojam inteligencija.
1.1 Što je biološka inteligencija?
Što je to inteligencija? Koje su značajke inteligencije? Formalna definicija potpisana od strane 52
znanstvenika udružena 1994. godine u grupu Mainstream Science of Intelligence (hrv. Temeljna
znanost o inteligenciji) objavljena 13. prosinca 1994. godine u časopisu Wall Street Journal sažeto kaže:
Inteligencija je vrlo općenita mentalna sposobnost koja, između ostalog, uključuje sposobnost
zaključivanja, planiranja, rješavanja problema, apstraktno razmišljanje, razumijevanje kompleksnih
ideja, brzo učenje i učenje na temelju iskustva. Inteligencija ne obuhvaća samo učenje iz knjiga, usku
akademsku vještinu ili elegantno rješavanje testova. Prije od toga ona reflektira širu i dublju sposobnost
razumijevanja našeg okruženja opažanja, shvaćanja smisla u stvarima ili odlučivanja o tome što
napraviti.
Godine 1995. grupa od 11 istraživača imenovanih od strane Američke udruge psihologa u svom
izvještaju Intelligence: Knowns and Unknowns (hrv. Inteligencija: poznato i nepoznato) spomenula
je da je dvadesetak eminentnih teoretičara i istraživača na pitanje definiranja inteligencije dalo
dvadesetak različitih odgovora.
Iako postoje razilaženja u preciznom definiranju inteligencije, općenito je prihvaćen pristup
nazvan višestruka inteligencija (engl. multiple intelligence) koji smatra da postoje različiti tipovi
inteligencije. Čak i istraživači vezani uz dominantni faktor inteligencije nazvan g-faktor ili generalni
faktor, ne odbacuju tezu o višestrukim inteligencijama navodeći da g-faktor može biti matematička
(statistička) kombinacija različitih tipova inteligencije. Teoriju g-faktora ili generalne inteligencije
postavio je 1904. godine engleski psiholog Charles Edward Spearman (1863. 1945.) vjerujući da ljudi
koji u jednom području pokažu dobre mentalne rezultate, iste će vjerojatno ponoviti i u drugom području.
Uz pojam višestruke inteligencije u medijima se često spominju pojmovi kao što su motorička
inteligencija, emotivna inteligencije, socijalna inteligencija, logičko-matematička inteligencija pa čak i
seksualna inteligencija. Ovim se pojmovima nastoje istaknuti pojedini tipovi ljudske inteligencije. I
naravno, u jednoj jedinki ne trebaju biti prisutni baš svi. Vrsni sportaš, na primjer tenisač, sigurno ima
vrlo razvijenu motoričku inteligenciju, a u isto vrijeme ne mora imati baš jako razvijenu logičko-
matematičku inteligenciju. Višestruke inteligencije su posebno zanimljive za istraživanja vezana uz
umjetnu inteligenciju pa se na njih detaljnije osvrćemo.
Dva su psihologa postavila formalne teorije višestrukih inteligencija. To su Howard Gardner
(1943. ) sa Sveučilišta Harvard, koji je 1983. godine postavio teoriju višestrukih inteligencija, i Robert
Sternberg (1922. 2014.) koji je 1985. godine na Sveučilištu Tufts postavio trierarhijsku teoriju
inteligencije.
Gardnerova teorija višestruke inteligencije nastala je na temelju psiholoških istraživanja razvoja
inteligencije kod djece, nadarenih pojedinaca, ali i osoba povrijeđenog mozga. Najprije je 1985. godine
predložio sedam osnovnih tipova inteligencije koje je kasnije proširio za još dva dodatna. Osnovni tipovi
inteligencije po Gardneru su (slika 1-2):
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
6
Slika 1-2. Osnovni tipovi višestruke inteligencije prema Gardneru
1. Verbalno-lingvistička inteligencija vezana uz napisane ili izgovorene riječi. Iskazuje
sposobnost objašnjavanja, govora, podučavanja.
2. Logičko-matematička inteligencija vezana uz logiku, apstrakciju, induktivno i
deduktivno zaključivanje i baratanje brojevima.
3. Vizualno-prostorna inteligencija vezana uz osjet vida, orijentaciju, prosuđivanja i
apstrakciju prostora.
4. Tjelesno-kineziološka inteligencija vezana uz pokret i rad. Ovo bi trebala biti prije
spomenuta motorička inteligencija.
5. Muzičko-ritmička inteligencija vezana uz ritam, glazbu i osjet sluha.
6. Prirodoslovna inteligencija vezana uz prirodu, prehranu i klasifikaciju objekata u
našem okružju. Jedna je od dvije naknadno dodane kategorije, ali je i dan danas kritičari
osporavaju smatrajući da više iskazuje interese nego samu inteligenciju.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
7
7. Interpersonalna inteligencija vezana uz interakcije s ostalim ljudima i komunikaciju
s njima, a iskazuje sposobnost empatije i prepoznavanja tuđih osjećaja. Za ljude kod kojih
prevladava kažemo da su ekstrovertirani.
8. Intrapersonalna inteligencija vezana uz nas same. Ljudi kod kojih prevladava ovaj tip
inteligencije su introvertirani, okrenuti sebi, svjesni su sebe, svojih stanja i emocija, ali i
ciljeva i motivacija.
9. Egzistencijalna inteligencija ili kako je Gardner naziva inteligencija velikih pitanja,
također je jedna od naknadno dodanih inteligencija vezana uz filozofska pitanja poput
pitanja pojma vremena, života, smrti. To su velika pitanja o kojima malo ljudi može
razmišljati, a još manje raspravljati.
Testovi inteligencije kojima se mjeri ljudski IQ (engl. Intelligence Quotient) uglavnom se odnose
na logičko-matematičku, lingvističku i prostornu inteligenciju, a kako ćemo vidjeti i u ovom udžbeniku to
su i područja kojima se uglavnom bavi umjetna inteligencija. Sve ove tipove inteligencije možemo grubo
podijeliti u tri grupe: inteligencije vezane uz objekte (prostorna, logičko-matematička, tjelesno-
kineziološka i prirodoslovna inteligencija), inteligencije koje nisu direktno vezane uz objekte (lingvistička
i muzička inteligencija) i inteligencije koje su vezane uz kulturu i kulturološka shvaćanja
(interpersonalna, intrapersonalna i egzistencijalna inteligencija).
Zanimljivo je kako se u kontekstu Gardnerove teorije može promatrati razvoj društva koji se može
grubo podijeliti u poljoprivredno (agrarno), industrijsko i informacijsko društvo. U poljoprivrednom
društvu čovjek je koristio pretežno prirodoslovnu inteligenciju. Bio je usredotočen na proizvodnju hrane
koju su proizvodili radnici poljoprivrednici, koristeći vještinu proizašlu iz tjelesno-kineziološke
inteligencije. Pojavom poljoprivredne mehanizacije znatno je smanjena potreba za ovakvim tipom rada,
pa je društvo polako, preko određenih prijelaznih faza prešlo u industrijsko društvo. Industrijsko se
društvo temeljilo na prostornoj inteligenciji i bilo je koncentrirano na proizvodnju fizičkih umjetnih
tvorevina (artefakta) koje su proizvodili radnici koristeći svoju tjelesno-kineziološku inteligenciju.
Pojavom industrijskih strojeva i automatizacije, znatno je smanjena potreba za ovakvom vrstom rada.
Sljedeća faza u kojoj se sada nalazimo je informacijsko društvo koje se temelji na logičko-matematičkoj
inteligenciji. Koncentrirano je na proizvodnju reprezentacijskih umjetnih tvorevina koje stvaraju
činovnici i uredski radnici koristeći svoju logičko-matematičku i verbalno-lingvističku inteligenciju.
Reprezentacijski artefakti informacijskog društva prodaju se kao proizvod (razne komunikacijske usluge,
produkti industrije zabave, usluge koje se nude na internetu) ili služe u proizvodnji različitih fizičkih
proizvoda (tehnologije, recepture, postupci proizvodnje). U oba slučaja, kako bi se monopoliziralo
tržište, važna je zaštita intelektualnog vlasništva pa je zato u industrijskom i informacijskom društvu
poseban značaj patentne zaštite i copyrighta. Kao što su poljoprivredni i industrijski radnici postupno
zamjenjivani efikasnijim strojevima, pa na primjer jedan traktor napravi više posla u jednom danu nego
što je moglo napraviti stotine poljoprivrednih radnika, za očekivati je da će se i rad radnika informacijskog
društva postupno zamjenjivati efikasnijim sustavima obrade informacija. Toga smo svakodnevno i
svjedoci, spomenimo samo bar-kodni zapis koji se danas nalazi na svakom proizvodu i koji je zamijenio
rad tisuća radnika u sektoru prodaje.
Međutim, zamjena odgovarajućeg rada efikasnijim napravama nije i potpuna zamjena čovjeka.
Traktor još uvijek vozi čovjek, automatiziranim industrijskim strojevima upravljaju ljudi. Iako je ovim
strojevima zamijenjen rad velikog broja ljudi, za njih ne možemo reći da su inteligentni. Efikasnost i
učinkovitost rada, pa čak ako rade i potpuno samostalno, ne znači da su strojevi inteligentni, barem ne u
širokom smislu riječi inteligencija. Oni u pojedinim dijelovima mogu pokazivati pojedine značajke
inteligencije koje možemo svrstati u neke od tipova prije svega logičko-matematičke, verbalno-
lingvističke i vizualno-prostorne inteligencije.
Steinbergova trierarhijska teorija inteligencije (engl. Triarhic Theory of Intelligence)
razlikuje tri osnovna tipa inteligencije: analitičku, kreativnu i praktičnu (slika 1-3) i vezana je prije svega
uz način kako se čovjek prilagođava promjenama u svom okružju. Steinberg kaže da je inteligencija
mentalna aktivnost usmjerena prema namjernim, svrsishodnim promjenama, odabiru i oblikovanju
realnog okružja bitnog za život jedinke.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
8
1. Analitičko-komponentna inteligencija (engl. Analitic-Componential Intelligence)
uključuje procese koji se koriste kod rješavanja problema (kompleksnih problemskih
zadataka) i donošenja odluka. Steinberg ove procese naziva meta-komponente. Drugi dio
su komponente djelovanja, procesi koji provode akcije koje meta-komponente kreiraju.
Uključuju sve ono na temelju čega mi djelujemo kao što je uočavanje problema, uočavanje
odnosa između objekata i preslikavanje ovih relacija na druge skupove pojmova. Treći dio
analitičke inteligencije su komponente prikupljanja znanja koje koristimo kada
prikupljamo nove informacije. Uključuju selektiranje bitnih od nebitnih informacija, ali i
kombiniranje informacija dobivenih različitim osjetilima.
2. Kreativno-iskustvena (empirijska) inteligencija (engl. Creative-Experimental
Intelligence) vezana je uz vještinu provođenja određenih zadataka u odnosu na stupanj
njihovog poznavanje. Razlikuje se nova situacija koju pojedinac nikada do sada nije
iskusio i situacija za koju možemo kazati da u njenom rješavanju koristimo
automatizaciju."To"znači"da"smo"je"do"sada"ponovili"puno"puta,"pa"je"možem o"izvesti"bez"puno"
razmišljanja (na primjer serviranje u tenisu). Čovjek koji posjeduje određenu
automatiziranu vještinu ne mora biti uspješan kod snalaženja u novim situacijama.
3. Praktično-kontekstualna inteligencija (engl. Practical-Contextual Intelligence) je
najuže vezana uz ljudsko okružje i sposobnost prilagodbe tom okružju. Uključuje procese
prilagodbe, promjene i odabira, a cilj joj je uklopiti jedinku na najbolji mogući način u
okružje. Prilagodba je vezana uz vlastitu promjenu kako bi se što bolje uklopili u okružje,
promjena uključuje aktivnosti kojima mijenjamo okružje da bi nam ono što bolje
odgovaralo, a odabir je biranje između novih mogućnosti kojima zamjenjujemo postojeće
stanje kako bi što bolje ispunili vlastite ciljeve. Jedinka se može odlično uklapati u svoje
okružje a da pri tome ne posjeduje značajnu analitičku inteligenciju.
Slika 1-3. Osnovni tipovi višestruke inteligencije prema Steinbergu
Gardnerove i Steinbergove teorije višestrukih inteligencija međusobno se ne isključuju, već
nadopunjuju.
1.2 Što je nebiološka inteligencija?
Umjetna inteligencija spada u nebiološku inteligenciju koja se ponekad naziva i
a
I alfa
inteligencija ili apstraktna inteligencija (engl. Abstract Intelligence), no to nije jedina nebiološka
inteligencija. Uz nju se kao nebiološke inteligencije spominju i računska inteligencija (engl. CI -
Computational Intelligence) i raspodijeljena ili distribuirana umjetna inteligencija (engl. DAI -
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
9
Distributed Artificial Intelligence). Zajedno s biološkom inteligencijom, inteligencijom svojstvenom
živim bićima, ova tri tipa inteligencije čine tzv. A B C D inteligencije nastale prema engleskim riječima
Artificial - Biological - Computational - Distributed Artificial Intelligence.
Slika 1-4. Biološka i nebiološka inteligencija
U ovom se udžbeniku prvenstveno bavimo umjetnom inteligencijom, ali na više mjesta ćemo
spomenuti i računsku i distribuiranu inteligenciju s obzirom na to da i nije baš jednostavno napraviti
oštru podjelu između njih. Pregledno ih prikazuje slika 1-5.
Slika 1-5. Nebiološka ili apstraktna inteligencija (
a
I)
U čemu je razlika između osnovnih tipova nebiološke inteligencije?
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
10
Umjetna inteligencija usko je povezana s pojmom znanja, njegovim prikupljanjem, pohranom
u posebnim strukturama nazvanim baze znanja i primjenom tog znanja pri rješavanju kompleksnih
problemskih zadataka. U sustavima umjetne inteligencije znanje je konstantno prisutno tijekom rada
inteligentnog sustava i izdvojeno je od mehanizma pomoću kojega se ono primjenjuje pri rješavanju
zadataka u strukture koju obično nazivamo baza znanja. Ovakva se nebiološka inteligencija često
naziva i klasična ili uobičajena umjetna inteligencija (engl. Conventional Artificial Intelligence) ili
simbolička, čista ili logička umjetna inteligencija (engl. Symbolic, Neat, Logical Artificial
Intelligence). Također je poznata je i pod već spomenutom kraticom GOFAI Good Old Fashioned
Artificial Intelligence što bismo slobodno mogli prevesti kao dobra staromodna umjetna
inteligencija.
Naziv GOFAI uveo je John Haugeland 1985. godine u knjizi Artificial Intelligence: The Very
Idea u kojoj je razmatrao prvenstveno filozofske aspekte istraživanja u području umjetne inteligencije.
Haugeland također uvodi i pojam sintetička inteligencija (engl. Synthetic Intelligence) kao
alternativni naziv umjetne inteligencije kojim pokušava naglasiti da ovaj tip inteligencije nije imitacija
biološke inteligencije, a nije ni umjetna. Ona je stvarna forma inteligencije dobivena sintezom od
sastavnih dijelova.
Kako je Haugeland i kolokvijalno kazao, ona je verzija inteligencije koju je stvorio čovjek za
razliku od biološke inteligencije koja se razvijala prirodno. Postupci klasične umjetne inteligencije
uglavnom se uspješno koriste kod:
Stručnih (ekspertnih) sustava
(engl. Expert Systems) kod kojih se na temelju upita, baze
znanja i procesa zaključivanja donosi odgovor ili zaključak. Primjer su razni dijagnostički
sustavi kod kojih na temelju simptoma, pohranjenog znanja i mehanizma zaključivanja
zaključujemo na uzroke.
Zaključivanja na temelju slučajeva (engl. Case-base Reasoning) kod kojega se proces
rješavanja zadatka temelji na rješenjima sličnih zadataka u prošlosti. Što je veća baza znanja
prethodnih slučajeva to je veća vjerojatnost rješavanja i novog zadatka. Ovo je na neki način
umjetna realizacija inteligencije koju Steinberg naziva kreativna ili iskustvena inteligencija.
U klasičnu umjetnu inteligenciju najčešće se uključuju i:
Bayesove mreže (engl. Bayesian Networks) strukture zaključivanja temeljene na direktnim
acikličkim grafovima s pridruženim vjerojatnostima na temelju kojih se u pojedinim
situacijama donose zaključci.
U svim ovim slučajevima znanje je uvijek prisutno ili u obliku izdvojenih formalnih baza znanja,
u obliku baza slučajeva ili u obliku unaprijed određenih vjerojatnosti u Bayesovim mrežama. Neki autori
u klasičnu umjetnu inteligenciju uključuju i umjetnu inteligenciju temeljenu na ponašanju:
Umjetna inteligencija temeljena na ponašanju (engl. Behavior Based Artificial
Intelligence) kod koje se radi modularno raščlanjivanje inteligencije na osnovne tipove
ponašanja. Popularna je posebno u robotici, a primjer ove inteligencije je Brooksova
supsumcijska
4
(engl. Subsumption) arhitektura kod koje se složeno ponašanje razbija na više
slojeva, od jednostavnijih ponašanja na dnu do složenijih ponašanja na vrhu, koji se paralelno
izvode. U Brooksovoj supsumcijskoj arhitekturi znanje može i formalno biti prisutno u svakom
sloju, ali je u biti stvarna primjena znanja u raščlanjivanju tipova ponašanja i formiranju
pojedinih slojeva.
Računska inteligencija dolazi od riječi računati (engl. Compute), a ne računalo (engl.
Computer). Zato se i zove računska, a ne računalna inteligencija kako je ponekad pojedini autori pogrešno
nazivaju. Osnovna joj je značajka u tome da je znanje prisutno na početku kada se formira struktura
pomoću koje ćemo rješavati zadatke, ili eventualno tijekom iterativnog razvoja strukture, ali kada je
struktura jednom definirana, postupak rješavanja zadataka svodi se na čisto računanje. Poznata je i kao
nesimbolička umjetna inteligencija (engl. Non-symbolic Artificial Intelligence), a za postupke koji se
4
Značenje riječi supsumcijsko je podređivanje posebnog pod opće”.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
11
u okviru računske inteligencije upotrebljavaju koristi se i pojam meko računanje (engl. Soft
Computing). U računsku inteligenciju uglavnom spadaju četiri vrste sustava:
Umjetne neuronske!(živčeve)!mreže
5
(engl. ANN - Artificial Neural Networks) pomoću kojih
se nastoji kopirati sklopovski ustroj ljudskog mozga velikim brojem međusobno povezanih
računskih jedinki koje nazivamo umjetni neuroni. Na temelju ulaznog znanja i postupka
učenja formira se mreža, neke od veza između umjetnih neurona se prekidaju, a neke
uspostavljaju. Na kraju procesa učenja mreža je sposobna (sa više ili manje uspjeha) dati
odgovore i na upite koje nije imala tijekom procesa učenja. Danas se umjetne neuronske mreže
često koriste u različitim područjima.
Neizraziti sustavi (engl. FS - Fuzzy Systems) su razvijeni prije svega u svrhu zaključivanja
uz prisustvo nesigurnosti i nepreciznosti, na način da nastoje oponašati logički sustav ljudskog
mozga. Klasična umjetna inteligencija uglavnom se naslanja na klasičnu logiku i njena
proširenja, a to sigurno nije logika ljudskog mozga koja u najvećem broju slučajeva donosi
zaključak na temelju nesigurnih i nepreciznih ulaznih podataka. Tipičan primjer je vožnja
automobila. Čovjek sigurno ne donosi zaključak tijekom vožnje tipa:
Ako je brzina automobila 78,6 km/h i udaljenost od automobila ispred 3,.4 m, a automobil
vozi brzinom od 63,2 km/s treba stisnuti kočnicu silom od 56,8 N.
Puno bliži opis našeg ponašanja pri vožnji automobila je iskaz:
Ako je brzina automobila prevelika u odnosu na brzinu automobila ispred, a razmak je mali,
jako stisni kočnicu.
Neizraziti sustavi bave se upravo ovakvim izjavama. Kako napraviti sustav čije se
zaključivanje temelji na nepreciznim iskazima izraženim riječima i rečenicama prirodnog
jezika. Kako realizirati računanje s riječima (engl. CWW Computing With Words)? Ovim
dijelom računske inteligencije, a posebno zaključivanjem u duhu neizrazite logike, bavimo se
jednim dijelom i u ovom udžbeniku.
Slika 1-6. Jedan&od&prvih&primjera&primjene&neizrazitih&sustava&u&automatskom&vođenju&je&Sendai&Subway&1000
6
&
željeznica&iz&Japana&kod&koje&je&neizraziti&regulator&korišten&za&regulacije&brzine&vlaka.&Rezultat&njegove&primjene&je&&
udobnija&vožnja&i&10%&ušteda&energije.&
5
Umjetne neuronske mreže ponekad se u hrvatskoj varijanti pogrešno nazivaju umjetne neuralne mreže na temelju
pogrešnog prijevoda engleskog izraza Artificial Neural Networks. Engleski naziv stanice po kojoj su i dobile naziv
je Neural Cell koji je u hrvatskom prijevodu živac ili neuron, pa je ispravan hrvatski naziv umjetne neuronske
mreže” ili eventualno manje korišteni naziv umjetne živčeve mreže”.
6
Slika je s Web stranice https://en.wikipedia.org/wiki/Sendai_Subway_1000_series uz CC BY 3.0 licencu.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
12
Umjetni imunološki sustavi (engl. AIS - Artificial Immune Systems) temelje se na strojnom
učenju potpomognutom pravilima (engl. Rule-Based Machine Learning) inspiriranim
procesima imunološkog sustava kralježnjaka. Pojavili su se sredinom 1980-ih godina u
istraživanjima imunoloških mreža, ali tek polovinom 1990-ih godina postaje samostalno
istraživačko područje koje je predložilo niz algoritama inspiriranih imunološkim sustavima
kralježnjaka. Primjeri su algoritam klonske selekcije (engl. Clonal Selection Algorithm),
algoritam negativne selekcije (engl. Negative Selection Algorithm) i algoritmi
imunoloških mreža (engl. Immune Network Algorithms).
Evolucijsko računanje (engl. Evolutionary Compution) kod kojeg znanje na neki način i nije
direktno prisutno, osim kroz mjere procjene kvalitete rješenja. Inspiraciju je pronašlo u
evoluciji, a najpoznatiji postupak su genetski algoritmi (engl. GA Genetic Algorithms) kod
kojih se koriste pojmovi kao što su umjetni genom, populacija, mutacija, kros-korelacija,
adaptacija, preživljavanje najboljih, itd. Često se koriste u svrhu optimizacije, na primjer
optimizacija parametara regulatora, rješavanje zadataka traženja minimuma ili maksimuma
u kompleksnim situacijama i slično.
Računska inteligencija danas je područje koje ima najširu komercijalnu primjenu. Brojni su
uređaji široke potrošnje u kojima se nalaze neizraziti regulatori, a i primjena umjetnih neuronskih mreža
iz dana u dan sve je veća, posebno pojavom dubokih neuronskih mreža i dubokog učenja (engl. Deep
Learning). Uz duboko učenje, u posljednje se vrijeme pojavljuje i pojam utjelovljena inteligencija (engl.
Embodied Intelligence) nastala naglim razvojem računske inteligencije i robotike s ciljem ugradnje
inteligentnog ponašanja utjelovljenim agentima (različitim robotskim sustavima) kako bi mogli
samostalno djelovati u određenom okružju svjesni svoga okružja i svojih ograničenja. Ovo je sigurno
područje na kojem se u bliskoj budućnosti očekuju značajni doprinosi. Naglasimo još jednom da je znanje
kod sustava temeljenih na računskoj inteligenciji obično prisutno samo na početku dok se struktura ili
sustav formira, a nakon toga tijekom rada radi se o relativno jednostavnim računskim algoritmima.
Distribuirana umjetna inteligencija koju ponekad nazivaju i decentralizirana umjetna
inteligencija svoju inspiraciju nalazi u biološkim sustavima kolektivne inteligencije
(engl. Collective
Intelligence) koju još 1983. godine spominje Peter Russel u svojoj knjizi Globalni mozak (engl. The
Global Brain). Russel polazi od tzv. Gaia hipoteze, ekološke teorije postavljene 1960. godine od strane
Jamesa Lovelocka (1919. ) po kojem sva živa bića na zemlji čine jedinstveni kolektivni organizam, a
završava s idejom o socijalnom inteligentnom superorganizmu. Kasnije su se na ovu teoriju nadovezali
brojni autori, a osnovna je ideja da se inteligentno ponašanje može pojaviti kao rezultat interakcije velikog
broja jedinki po principima suradnje (kooperacije) ili suparništva (kompeticije). Pri tome pojedine
jedinke nemaju nikakva posebna svojstva inteligencije. Školski primjeri ovakvih sustava su kolonije
mrava ili rojevi pčela prikazani na slici 1-7.
Poznato je da je primjerice u termitnjacima sistem prirodnog provjetravanja toliko savršeno
izveden da se ima dojam da ga je projektiralo inteligentno biće, a u biti je nastao kao rezultat
kolektivnog rada vrlo primitivnih jedinki. To je i temeljno polazište distribuirane umjetne inteligencije
kod kojeg se jedinke realiziraju kao programski moduli ili kao robotski sustavi. Ponekad se ovaj tip
inteligencije naziva i inteligencija gomile (mnoštva) (engl. Swarm Intelligence), a neki je autori
smatraju dijelom računske inteligencije. U posljednje se vrijeme distribuirana umjetna inteligencija
naslanja i na područje agentskih (engl. Agent Systems) i višeagentskih (engl. Multi-Agent Systems)
sustava.
Tri su osnovna smjera istraživanja unutar distribuirane umjetne inteligencije:
Paralelno rješavanje zadataka sa ciljem prilagodbe koncepata razvijenih unutar umjetne
inteligencije pomoću sustava s više jezgri i pomoću klastera računala.
Distribuirano rješavanje zadataka u kojemu se pojedini dijelovi zadatka daju nezavisnim
entitetima (agentima) koji ih samostalno rješavaju, a sva pojedinačna rješenja doprinose
globalnom rješenju.
Višeagentske simulacije kod kojih se u simulacijama ne modeliraju skupine već pojedine
jedinke, na primjer ekološko modeliranje kod kojega se ribe ne modeliraju kao generalni
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
13
kolektivitet ribe koji u model ulazi kao jedna varijabla, već se svaka pojedina riba predstavlja
jednim entitetom (agentom) a cijeli se model temelji na interakciji milijuna takvih entiteta.
Najveća primjena ovakvih sustava je u računalnim igrama.
Slika 1-7. Ponašanja kolonije mrava bila su poticaj za istraživanja distribuirane inteligencije. Na slici je
primjer kooperacije mravi tijelima izgrade most kako bi došli do područja koja im nisu direktno
dohvatljiva
7
Na kraju naglasimo da distribuirana umjetna inteligencija ima poseban odnos u odnosu na
znanje. Znanje u sustavima distribuirane inteligencije nije nigdje posebno izdvojeno i pohranjeno kao kod
sustava umjetne inteligencije, niti je na temelju njega formirana nekakva struktura kao kod računske
inteligencije, već je znanje skriveno u zakonima interakcije između pojedinih jedinki.
Posebno područje distribuirane umjetne inteligencije su kolektiviteti inteligentnih jedinki
(inteligentni višeagentski sustavi) koji kao svoju prirodnu inspiraciju imaju civilizaciju. Civilizacija
nastaje kao rezultat kolektivnog rada inteligentnih jedinki (ljudi). U ovom slučaju znanje je pohranjeno i
u svakoj pojedinoj jedinki, ali i skriveno u interakcijama između tih inteligentnih jedinki
Spomenimo još i pojam umjetnog života (engl. ALife ili A-Life) koji je usko vezan uz agentske i
višeagentske sustave. Naziv uvodi 1986.g. teorijski biolog Christopher Langton (1948./49.-), iako su se
i prije njega brojni istraživači bavili ovom tematikom. Primjer je kibernetičar Valentino Breitenberg
(1926. 2011.) koji 1984.g. u svojoj knjizi o vozilima (engl. Breitenberg Vehicles) (Breitenberg, 1984.)
modelira životinjski svijet na jednostavan, minimalistički način koristeći samo reaktivno ponašanje. Od
tada do danas, brojni istraživači su se bavili ovom problematikom
8
. Osnovno ideja ovih istraživanja jest
da se prije inteligencije pojavio život, pa bi možda prvi korak u istraživanju umjetne inteligencije trebalo
biti proučavanje i realizacija virtualnih ili fizičkih (tehničkih) naprava sa značajkama života. Proučavaju
se značajke života vezane sa živim bićima na različitim stupnjevima razvoja, od virusa na granici živog i
neživog, pa do inteligentnih bića. Nastoje se replicirati osnovne značajke života, koje prije svega uključuju
sposobnost nutrifikacije (hranjenja), reprodukcije (razmnožavanja) i adaptacije (evolucijske
prilagodbe) koja je primjerice kod životinjama, za razliku od biljaka, razvila i mogućnost lokomocije
(kretanja) koja olakšava pronalaženje hrane i partnera za reprodukciju. Rezultati istraživanja umjetnog
života danas su posebno važni u filmskoj industriji i industriji računalnih igara.
7
Slika je s Web stranice https://www.jenal.org/2012/01/ uz CC BY-SA 3.0 licencu.
8
Za više detalja vidi stranice udruge International Society for Artificial Life - https://alife.org
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
14
U nastavku ovog udžbenika uglavnom se bavimo klasičnom (simboličkom) umjetnom
inteligencijom koja je povijesno najstarija i temelj je za razumijevanje ostalih postupaka, ali ćemo na
mnogim mjestima spominjati i računsku i distribuiranu umjetnu inteligenciju.
1.3 Formalne definicije umjetne inteligencije
Još uvijek ne postoji jedinstvena definicija umjetne inteligencije. Svaki je autor nastoji definirati
na svoj način, a neke od postavljenih definicija su:
Umjetna inteligencija je znanost čiji je cilj napraviti umjetnu tvorevinu - stroj sposoban
rješavati zadatke za čije rješenje je potrebna inteligencija ako ih rješava čovjek. (Marvin
Minsky, MIT)
Umjetna inteligencija nastoji oponašati ljudski način mišljenja i ljudske kognitivne procese,
kako bi riješila složene probleme. (Richard Stottler, Sttotler Henke Ass.)
Umjetna inteligencija proučava postupke računanja koji bi omogućili percepciju, zaključivanje
i djelovanje. (Patrick Winston, MIT)
Umjetna inteligencija je dio računalnih znanosti čiji je cilj istraživanje simboličkog,
nealgoritamskog procesa rezoniranja i prikazivanja simboličkog znanja te njihova primjena
inteligentnim strojevima. (Edward Feigenbaum, Stanford University)
Umjetna inteligencija je područje računarstva povezano s razumijevanjem prirode
inteligentnih postupaka i konstruiranjem umjetnog sustava sposobnog provoditi takve
postupke. (McGraw Hill Encyclopedia of Science & Technology)
Inteligencija (misli se na umjetnu inteligenciju) je sposobnost sustava da djeluje u nepoznatom
okružju u kojem je primjereno djelovanje ono koje povećava vjerojatnost uspjeha, a uspjeh je
postignuće pod-ciljeva koji potpomažu konačan cilj. (Alexander Meystel i James Albus,
Intelligent Systems Architecture, Design and Control, 2002.)
Umjetna inteligencija je znanost kojoj je cilj napraviti stroj - računalo sposobno obavljati
postupke koje u ovom trenutku čovjek obavlja bolje. (Elain Rich, University of Texas, Austin)
Ova posljednja definicija možda je najjednostavnija, ali i najprimjerenija. Sagledamo li područja
kojima se umjetna inteligencija bavi, zaključuje se da je osnovni cilj umjetne inteligencije napraviti stroj
koji će se ponašati kao čovjek. Pri tome nije bitno da se u potpunosti kopiraju načini na koje čovjek
pohranjuje i primjenjuje znanja, pristupa rješavanju zadataka i slično, već je bitno da konačan rezultat,
rješenje nekog zadatka, bude takvo kao da ga je riješio čovjek ili još bolje od čovjekovog rješenja.
Postoje dva različita motiva zbog kojih se umjetna inteligencija uopće razvija kao znanost. Kod
prvoga se kaže da se umjetna inteligencija treba razvijati kako bi se bolje razumjela ljudska inteligencija.
Kod drugoga umjetnu inteligenciju treba razvijati kako bi se jednostavnije rješavali određeni kompleksni
zadaci koji su sada teško rješivi i za čije je rješenje nužan čovjek. Ovaj zadnji motiv zbog kojeg se istražuje
umjetne inteligencije posebno ističemo i dodatno dorađujemo, na možda malo provokativan način kako
bismo istaknuli i vrijeme u kojem živimo u kojemu je često najvažnija stvar profit. Jedan od motiva za
istraživanja umjetne inteligencije, ali i svih ostalih inteligentnih tehnologija je svakako:
zamijeniti ljudsku inteligenciju na određenim zadacima, zato što je čovjek zahtijevan, skup i
nepouzdan.
Ima mnogo primjera koji su potpora ovoj tvrdnji. Tipičan primjer je klasični primjer uvođenja
inteligentnog neizrazitog vođenja kod vođenja rotacijske peći za proizvodnju cementa. Proizvodnja
cementa je kontinuiran proces koji traje 24 sata i toliko kompleksan da su svi pokušaji automatizacije
procesa uobičajenim postupcima automatskog vođenja ostali bez uspjeha. Rotacijsku peć vode tri
operatera u tri smjene, a svaki od njih nije jednako sposoban niti uvijek maksimalno koncentriran. Na
primjer kada u Dalmaciji zapuše jugo, koncentracija operatera automatski pada. Rezultat je taj da proces
proizvodnje cementa nije u svakom trenutku optimalan. Kvaliteta je obično unutar normi, ali često varira
potrošnja goriva. Čovjek operater je poslodavcu skup, troši više goriva negoli je to potrebno. Inteligentno
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
15
vođenje rotacijske peći neizrazitim regulatorom temeljilo se na izvlačenju znanja o vođenju peći najboljeg
operatera u trenucima maksimalne koncentracije. Efikasan postupak kodiranja jezičnih pravila vođenja
u matematički oblik koji je osigurala neizrazita logika rezultirao je inteligentnim regulatorom kojem jugo
nije smetalo. Rezultati primjene ovakvog regulatora bili su i do 10% manja prosječna potrošnja goriva što
se u cementnoj industriji mjeri velikim svotama novca. Autori su se hvalili da se investicija uložena u
razvoj inteligentnog vođenja rotacijske peći za proizvodnju cementa temeljenog na neizrazitoj logici
isplatila u par godina. Istina je da čovjek operater nije potpuno zamijenjen i uklonjen iz upravljačke sobe.
On je i dalje ostao spreman da intervenira kada nešto krene pogrešno. Maksimalno je koncentriran na
taj zadatak, a rutinsko vođenje prepušteno je inteligentnom računalnom sustavu. Zbog toga ćemo malo
ublažili prethodnu izjavu u kojoj smo naveli zbog čega se umjetna inteligencija izučava te kazati da se
umjetna inteligencija izučava kako bismo:
zamijeniti ljudsku inteligenciju i čovjeka na određenim zadacima koji su za čovjeka zamorni,
monotoni, teški ili opasni.
Kao i svaka druga suvremena znanost tako i umjetna inteligencija ima svoje protivnike i pristaše,
no bez obzira je li se netko svrstava u pristaše ili protivnike, osnovni se principi trebaju poznavati kako
bi se moglo argumentirano napadati ili braniti. Tipični komentar skeptika istraživanja inteligentnih
tehnologija je:
Pričali vi što pričali, ali računalo može napraviti samo ono što mu se kaže da napravi.
Ako je ova tvrdnja točna, kako se onda može očekivati inteligencija od stroja koji samo slijedi
instrukcije? Odgovor leži u interpretaciji tvrdnje. Računalo izvodi program korak po korak, ali u
programima umjetne inteligencije nije moguće predvidjeti kako će se program ponašati pod utjecajem
nekih od velikog broja mogućih uvjeta i stimulansa za koje se niti ne zna hoće li se pojaviti, kada će se
pojaviti i kakvi će biti. Situacija je slična odnosu učitelj učenik. Učitelj nastoji pripremiti učenika za sve
situacije u životu koje on može predvidjeti, ali kako će se učenik stvarno ponašati, a pogotovo u novoj
situaciji, to on ne može garantirati. Nadalje, programi obično imaju i mogućnost učenja i samokorekcije,
pa je ishod djelovanja inteligentnog sustava potpuno nepoznat u trenutku njegovog kreiranja.
Druga vrsta kritike koja se zna često čuti je:
Dobro, računalo može komponirati glazbu, ali usporedimo li tu glazbu s glazbom Mozarta, onda
ona nije dostojna ni slova M.”, ili
Računalo može dokazivati teoreme Euklidove geometrije, ali nikada ne može izmisliti Euklidovu
geometriju.
To je istina, kažu zagovornici umjetne inteligencije, ali koliko je u ljudskoj povijesti bilo
Euklida i Mozarta? Koliko je godina trebalo proći da se od početka Homo sapiensa rodi čovjek sposoban
izmisliti geometrijske teoreme? Usporedimo li to sa samo 60 godina prošlosti umjetne inteligencije, kako
se onda može tvrditi da nešto nikada neće biti moguće?
Što će biti, bit će. Nas u ovom trenutku umjetna inteligencija prvenstveno zanima kao inženjerska
disciplina, alat pomoću kojega ćemo biti u mogućnosti riješiti određene probleme u različitim područjima
ljudske djelatnosti koji su do sada jedino uspješno rješavali ljudi. Spomenimo još na kraju ovog uvodnog
poglavlja da postoje dva temeljna pristupa istraživanjima umjetne inteligencije. Prvi pristup je tzv. jaka
umjetna inteligencija (engl. Strong AI) ili kako se ponekad naziva generalna umjetna inteligencija
(engl. AGI Artificial General Intelligence) kojoj je cilj razviti stroj (umjetnu tvorevinu) koji će imati iste
intelektualne sposobnosti kao i čovjek. Drugi pristup je slaba umjetna inteligencija (engl. Weak AI) ili
uska umjetna inteligencija (engl. ANI Artificial Narrow Intelligence) koja se fokusira na jedan uski
zadatak koji nastoji riješiti na način kako ga rješavaju ljudi. U biti svi do sada realizirani sustavi umjetne
inteligencije spadaju u slabu umjetnu inteligenciju. MYCIN je bio ekspertni sustav usmjeren na
dijagnosticiranje bakterijskih infekcija i bolesti zgrušavanja krvi, a nije bio univerzalni dijagnostičar koji
detektira sve bolesti. Teoretičari se ne slažu je li jaku umjetnu inteligenciju uopće moguće realizirati, a
povezano s tim možemo spomenuti i tzv. argument znanja (engl. Knowledge Argument) poznat i pod
nazivom Marijina soba (engl. Mary's Room) (slika 1-8).
Radi se o filozofskom (misaonom) eksperimentu koji je 1982. godine uveo australski analitički
filozof Frank Cameron Jackson (1943. ). Ideja eksperimenta bila je pokušati pokazati da mentalna
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
16
stanja nemaju fizička svojstva. Priča ide ovako: Marija je neuroznanstvenica koja cijeli svoj život živi u
prostoriji bez boje nikada nije izravno iskusila boju u svom cijelom životu, iako je za to sposobna. Kroz
crno-bijele knjige i druge medije, ona se obrazuje o neuroznanosti do te mjere da postaje stručnjak za temu
boja. Marija zna sve što se može znati o percepciji boje u mozgu, kao i o fizikalnim modelima kaje povezuju
valne duljine i boju. Marija je svjesna svih fizikalnih činjenica o boji i percepciji boje. Jednog dana Marija
izlazi iz sobe i doživljava, po prvi put, izravnu percepciju boja. Prvi put vidi crvenu boju i sazna nešto novo
o tome kako crvena izgleda. Jackson je zaključio da pristup opisu svijeta nazvan fizikalizam, koji smatra
da nema ničega izvan i iznad fizičkoga, nije istinit jer bi Marija u tom slučaju trebala steći ukupno znanje
o percepciji boje samim skupljanjem znanja o fizikalnim događanjima vezanim s bojom i percepcijom boje.
Međutim, budući da je Marija nešto naučila o boji tek kada je napustila sobu i vidjela boju, onda
fizikalizam mora biti lažan.
Jacksonov eksperiment možemo poopćiti i na područja umjetne inteligencije. Sustav umjetne
inteligencije može prikupljati podatke o nečemu iz fizičkog svijeta na isti način kao i Marija, ali bez
stvarnog doživljaja fizičkog svijete, za što on nije sposoban, nema te dodatne dimenzije koju je Marija
spoznala kada je vidjela crvenu boju.
Slika 1-8. Ilustracija misaonog eksperimenta Marijina soba
9
Neki od znanstvenika ovo smatraju filozofskim argumentom protiv jake umjetne inteligencije, a
u korist slabe. Smatraju da se treba koncentrirati na pojedini manji zadatak i u okviru njega napraviti
nešto korisno, kao u primjeru Sendai željeznice kod koje pametni sustav vođenja regulira brzinu na isti
način kako bi to radio dobro obučen ljudski strojovođa. Pri tome nije nužno točno oponašati ono što
strojovođa radi, bitno je dobiti isti rezultat.
9
Slika je s https://commons.wikimedia.org/wiki/File:Mary_colour_scientist.png uz CC BY-SA 3.0 licencu.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
17
Spomenimo na kraju još pojam umjetne superinteligencije (engl. ASI Artificial Super
Intelligence) koji je, na našu sreću, sada još uvijek samo tema knjiga i filmova znanstvene fantastike.
Podrazumijeva umjetnu inteligenciju koja bi bila superiornija u odnosu na ljudsku inteligenciju, nešto
kao Terminatorkojeg je utjelovio Arnold Schwarzeneeger . Umjetna superinteligencija u knjigama i
filmovima na ovu temu uglavnom vodi prema izumiranju ljudskog roda. U ovom smo trenutku na našu"
sreću,"još daleko i od generalne umjetne inteligencije, pa će nas umjetna superinteligencija i dalje samo
zabavljati s filmskog platna.
1.4 Područja istraživanja umjetne inteligencije
Čime"se sve bavi umjetna inteligencija? Vratimo se opet malo u prošlost i početke istraživanja
umjetne inteligencije. Prvi problemi koje bismo mogli svrstati u probleme umjetne inteligencije su
problemi igranja igre i dokazivanja teorema. Godine 1963. napisana su dva programa. Jedan od njih ne
samo da je igrao igru, već je i poboljšavao svoje kvalitete tijekom igranja, a drugi je mogao dokazivati
osnovne teoreme iz knjige filozofa i matematičara Bertranda Russella Principia Matematica. Negdje
u isto vrijeme javljaju se i prvi pokušaji gradnje programa koji bi mogli na univerzalni način rješavati
zadatke, nešto kao univerzalni rješavač problema (engl. General Problem Solver). Početni zadaci bili
su dosta jednostavni i usmjereni prema problemima koje čovjek rješava svakog dana pri odlučivanju kako
ići na posao.
Kako su istraživanja napredovala tako su se razvijali i postupci za manipuliranje velikim
količinama znanja, jer, kako ćemo kasnije naglasiti, sakupljanje, prikazivanje, pohrana i manipuliranje
znanjem jedna je od osnovnih karakteristika sustava umjetne inteligencije. To se područje danas razvija
kao nezavisno područje poznato pod pojmom inženjerstvo znanja (engl. Knowledge Engineering).
Posebna područja unutar inženjerstva znanja odnose se na istraživanja (slika 1-9):
Slika 1-9. Osnovna područja inženjerstva znanja
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
18
percepcije koja uključuje prepoznavanje slike i objekata na njoj, govora, mirisa, okusa, itd.
razumijevanja i to posebno razumijevanje govora, slike, scene itd.
učenja koje može biti samostalno ili potpomognuto i
rješavanje zadataka za čije rješenje je potrebno znanje pa ga obično nazivamo ekspertno
rješavanje zadataka.
U okviru ovog udžbenika najprije ćemo se baviti upravo tom problematikom rješavanja zadataka
i to prije svega rješavanjem problemskih zadataka za čije je rješavanje potrebno znanje. U prvom dijelu
to će biti općenite, univerzalne metode rješavanja zadataka i prikazivanja znanja. U drugom dijelu
posvećujemo se temeljnim postupcima strojnog učenja koje je danas vrlo značajno prije svega zbog toga
što je pronašlo veliku komercijalnu primjenu. Percepcijom i razumijevanjem se u ovom udžbeniku ne
bavimo.
Unutar istraživanja povezanih s inteligentnim tehnologijama možemo definirati i nekoliko
kategorija u odnosu na moguće primjene. Uveli su ih 1983. godine Frederick Hayes-Roth, Donald
Waterman i Douglas Lenat (Hayes-Roth, Waterman i Lenat, 1983.):
Interpretacija (engl. Interpretation) zaključivanje o situaciji na osnovi informacija sa
osjetila (senzora), tj. kombinacija percepcije i razumijevanja. Na primjer, razumijevanje
govora, analiza slike, interpretacija signala, rekonstruiranje kemijske strukture.
Predviđanje (engl. Prediction) predviđanje mogućih posljedica na temelju dane situacije,
na primjer predviđanje vremena, demografska predviđanja, procjena uroda, vojna
predviđanja ishoda sukoba.
Dijagnostika (engl. Diagnosis) zaključivanje o mogućim greškama na temelju opažanja
(opservacija), na primjer medicinska dijagnostika, dijagnostika digitalnih sklopova,
dijagnostika mehaničkih sustava.
Projektiranje (engl. Design) konfiguriranje objekata uz prisustvo ograničenja, na primjer
projektiranje elektroničkih sklopova, projektiranje štampanih veza, urbanističko
projektiranje, investicijsko projektiranje.
Planiranje (engl. Planning) projektiranje aktivnosti i slijeda aktivnosti, na primjer
automatsko programiranje, planiranje vojne akcije, planiranje građevinskih radova.
Nadgledanje (engl. Monitoring) uspoređivanje opažanja (opservacija) s osjetljivošću
pogona, na primjer nadgledanje pogona, nadgledanje rada atomskih centrala, nadgledanje
zračnog prometa, nadgledanje širenja zarazne bolesti.
Otkrivanje grešaka (engl. Debugging) postupci pronalaženja grešaka, na primjer u
pisanom tekstu ili računalnom programu.
Održavanje (engl. Maintenence) izvršavanje plana provjere i povremene i preventivne
zamjene, na primjer održavanje računalnih sustava, održavanje plovila vozila i letjelica,
održavanje strojeva, održavanje zdravlja.
Podučavanje (engl. Instruction) prenošenje znanja ili vještina, dijagnosticiranje
primljenog i prihvaćenog znanja ili vještina, otkrivanje nedostataka (rupa”) i ispravljanje
tih nedostataka, na primjer u sustavu obrazovanja i obuke (inteligentni tutorski sustavi).
Vođenje (engl. Control) interpretiranje, predviđanje, nadgledanje i održavanje osmišljenog
suvislog ponašanja sustava, na primjer procesno vođenje, vođenje zadatka ili misije, vođenje
prometa, vođenje bitke.
Ovo su neki od osnovnih područja kod kojih se dosta primjenjuju inteligentni postupci i metode.
Sigurno ih ima još, a u budućnosti će ih sigurno biti još i više. Prije negoli krenemo na detaljnu razradu
postupaka i metoda koje koristi umjetna inteligencija i njoj srodne tehnologije, okrenut ćemo se malo
prošlosti i dati kratku povijest umjetne inteligencije i inteligentnih tehnologija. Nakon toga ćemo se
osvrnuti na problematiku kako utvrditi jesmo li postigli cilj i stvarno sagradili program ili uređaj koji ima
neko od svojstava inteligencije.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
19
1.5 Kratka povijest umjetne inteligencije
Umjetna je inteligencija relativno mlada znanstvena disciplina koja se naslanja na znanja do
kojih se došlo stoljetnim istraživanjima u područjima filozofije, matematike, psihologije, neurologije,
kibernetike i suvremenog računarstva. Složenost područja umjetne inteligencije je upravo u tome što je
multidisciplinarna i ujedinjuje znanja iz područja tehničkih, društvenih i bioloških znanosti.
Formalno rađanje umjetne inteligencije kao posebne znanstvene discipline i formiranje naziva AI
Artificial Intelligence koji prevodimo umjetna inteligencija dogodilo se 1956. godine na Dartmouth
Collegeu. John McCarthy (1927. 2011.) (koji je na tom koledžu i radio), Marvin Minsky (1927.
2016.), Claude Shannon (1916. 2001.) i Nathaniel Rochester (1919. 2001.) organizirali su
dvomjesečnu radionicu na kojoj se skupilo 10 ljudi koji su se bavili teorijom automata, neuronskim
mrežama i istraživanjem inteligencije (slika 1-10).
Slika 1-10. Deset sudionika radionice na Dartmouth Collegeu 1956. godine kada je, za tada
novu znanstvenu disciplinu, na prijedlog John McCarthya usvojeno ime AI - Artificial
Intelligence umjetna inteligencija
10
Na radionici su sudjelovali i Trenchard More sa Sveučilišta Princeton, Arthur Samuel (1901.
1990.) iz IBM-a, Ray Solomonoff (1926. 2009.) i Oliver Selfridge (1926. 2008.) s MIT-a te Allen
Newell (1927. 1992.) i Herbert Simon (1916. 2001.) s Carnegie Techa (danas Carnegie Mellon).
Sudionici radionice prihvatili su prijedlog Johna McCarthyja da se novo područje istraživanja nazove
umjetna inteligencija (engl. Artificial Intelligence) iako su smatrali da bi naziv računska
racionalnost (engl. Computational Rationality) možda bolje odgovarao.
Nekoliko važnijih događanja vezanih uz povijest umjetne inteligencije prikazano je na slici 1-11.
Da se ne vraćamo puno u povijest i mehaničke automate kojima su vrsni majstori pokušati
oponašati živa bića, suvremena umjetna inteligencija počinje 1950. godine s Alanom Turingom (1912.
1954.), pionirom računarstva koji te godine definira poznati Turingov test pomoću kojega se testira koji
je stupanj inteligencije postigao stroj (više o njemu na kraju ovog 1. poglavlja). Godinu dana kasnije, 1951.
godine, Marvin Minsky, jedan od sudionika ljetne škole na Dartmouth Collegeu, sagradio je SNARC
10
Slika je sa stranice https://www.slideshare.net/hys_enterprise/artificial-intelligence-in-software-testing
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
20
(Stochastic Neural Analog Reinforcement Calculator), prvo računalo temeljeno na umjetnim neuronskim
mrežama, prvi pionirski napor u području koje je dobilo ime umjetna inteligencija.
Slika 1-11. Važnija događanja u povijesti umjetne inteligencije
Stuard Russell i Peter Norvig u svojoj knjizi Artificial Intelligence A Modern Approach
(Russel, Norvig, 2009.), koja je sigurno jedan od najboljih udžbenika umjetne inteligencije, cijelu povijest
umjetne inteligencije dijele u sedam razdoblja:
1. faza ranog entuzijazma i velikih očekivanja (1950. 1969.)
2. faza realnosti (1966. 1973.)
3. faza sustava temeljenih na znanju (1969. 1979.)
4. faza kada umjetna inteligencija postaje industrija (1980. do danas)
5. faza povratka umjetnih neuronskih mreža ( 1986. do danas)
6. faza umjetne inteligencije kao znanosti (1987. danas)
7. faza inteligentnih agenata (1995. do danas).
U fazi ranog entuzijazma i velikih očekivanja postavljeni su brojni zadaci, do tada nerješivi,
za koje su istraživači (i to uglavnom oni koji su se sastali na radionici 1956. godine u Darthmouth koledžu)
smatrali da će ih umjetna inteligencija moći riješiti. Treba imati na umu da je to doba kada je i cijelo
računarstvo u svojim začecima. Do pojave istraživanja u području umjetne inteligencije smatralo se da je
računalo samo malo bolji stroj za zbrajanje. Spomenimo samo slavni sustav Newella i Simona za
univerzalno rješavanje zadataka General Problem Solver koji je od početka projektiran na način da
je kopirao ljudski postupak rješavanja zadataka. U IBM-u je Herbert Gelenter 1959. godine napisao
računalni program za dokazivanje geometrijskih teorema Geometry Theorem Prover. Možda najveći
napredak tog doba bilo je definiranje programskog jezika Lisp koji je razvio McCarthy 1958. godine kada
se prebacio s Dartmouth koledža na MIT. Lisp je postao dominantni jezik programiranja zadataka
umjetne inteligencije. Počinje se raditi i na prvim stručnim ili ekspertnim sustavima, primjerice početkom
60-ih godina počinje se razvijati poznati DENDRAL čiji je zadatak bio odrediti molekularnu strukturu
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
21
na temelju informacija dobivenih od spektrometra mase i znanja iz kemije. Pri tome se intenzivno
koristilo znanje pohranjeno u obliku velikog broja produkcijskih pravila oblika. Slijedio ga je 1972. godine
isto tako slavni MYCIN ekspertni sustav za dijagnostiku bakterijskih infekcija i preporuku antibiotika i
njegovog doziranja u ovisnosti o težini pacijenta. Temeljio se na 600 pravila, a rezultati su bili bolji od
rezultata dijagnostike koju bi dao mlađi doktor. Tu je i ELIZA razvijena na MIT-u, prvi program za
obradu prirodnog jezika koji je glumio psihoterapeuta. Lotfi Zadeh 1965. godine postavlja temelje
neizrazite logike, ali se u ovoj prvoj fazi još nije vidjelo koji će ona imati utjecaj na primjenu inteligentnih
tehnologija u svakodnevnom životu.
Tijekom početne entuzijastičke faze istraživanja istraživači su obećavali puno više negoli su
uspjeli napraviti. Poznata je izjava Simona da će za 10 godina računalo postati šahovski velemajstor. To
se međutim nije ostvarilo, ali se ostvarilo nakon 40 godina, tako da je nakon faze velikih očekivanja
slijedila faza realnosti u kojoj se nastavilo istraživati, ali možda ne više uz toliko spektakularne najave.
Formulirale su se metode rješavanja zadataka koje su nazvane slabe metode o kojima govorimo
u sljedećem poglavlju, a istraživači su postali svjesni činjenice da je ključan element sustava umjetne
inteligencije znanje (engl. Knowledge), ali isto tako da sustav koji ima pohranjeno znanje ne mora nužno
pokazivati sva svojstva inteligencije o kojem se govorilo u prvoj fazi razvoja. Uvodi se pojam sustava
temeljnih na znanju (engl. KBS Knowledge Based Systems) kao šire i općenitije kategorije, pa se
istraživanja šire na problematiku prikupljanja, formalne pohrane i pretraživanja znanja s ciljem
rješavanja određenog kompleksnog problema. Zbog toga se ova faza i zove faza sustava temeljenih na
znanju. Ovo je doba kada se intenzivno razvija i računalna lingvistika, a važna je i po tome što je 1975.
godine Minsky postavio ideju pohrane znanja u okvirima (engl. Frames), a 1970. godine Colmerauer i
njegovi suradnici sa Sveučilišta u Marseille-Aix uvode novi programski jezik nazvan PROLOG
(PROgraming in LOGic) koji vrlo brzo uz Lisp postaje temeljni jezik umjetne inteligencije. Na Queen
Mary College u Londonu 1975. godine Mamdani i Assilian realizirali su prvu praktičnu primjenu
neizrazite logike u automatskom vođenju (engl. Fuzzy Control) nakon čega slijedi intenzivni razvoj ovog
područja i masovna primjena.
Osamdesete su doba kada se umjetna inteligencija komercijalizira pa počinje faza kada
umjetna inteligencija postaje industrija koja traje do danas. Na tržištu je sve više komercijalnih
proizvoda često se ističe primjer tvrtke Digital Equipment Corporation koja je 1986. godine primijenila
stručni sustav na konfiguriranju novih računala i uštedjela (prema procjeni kompanije) više od 40
milijuna američkih dolara. Skoro svaka veća kompanija u Sjedinjenim državama osniva svoju grupu za
umjetnu inteligenciju, pa je primjerice Du Pont koristio preko 100 stručnih sustava (a razvijao 500 novih)
koji su mu godišnje donosili 10 milijuna američkih dolara uštede. Japanci najavljuju razvoj tzv. Pete
generacije računala koji bi trebali uključivati jezike umjetne inteligencije, a ekonomski stručnjaci
procjenjuju da je umjetna inteligencija kao industrija 1980. godine počela s godišnjim obrtom sredstava
u vrijednosti od nekoliko milijuna dolara, da bi već 1988. godine dosegla preko milijardu.
S jedne strane umjetna inteligencija postaje industrija, ali se otvaraju i brojna nova pitanja. Hans
Moravec (1948. ) s Instituta robotike Carnegie Mellon University 1980. godine otkrio je paradoks koji
se po njemu naziva Moravecov paradoks. Najkraće kazano sastoji se u tome da rasuđivanje na visokoj
razini zahtijeva malo računanja, a računanje na niskoj razini razumijevanja senzorskih poticaja i
djelovanja na izvršne uređaje (aktuatore) zahtijeva velike računalne resurse. Moravec je u jednom od
svojih radova (Moravec, 1988.) napisao: relativno je lako napraviti računala koja pokazuju performanse
na razini odraslih osoba na testovima inteligencije ili igranju dame, ali je teško ili gotovo nemoguće dati
im vještine jednogodišnjaka kada se radi o percepciji i mobilnosti. Ovo je pokrenulo potpuno novi pravac
u umjetnoj inteligenciji, umjetnu inteligenciju temeljenu na ponašanju, koju smo već spominjali, a
posebno u istraživanjima Rodneya Brooksa (1954. ) i njegove supsumcijske arhitekture. Ovaj se
smjer umjetne inteligencije zove Nouvelle AI, a kako je Brooks kazao (Brooks, 2002.): Nema spoznaje.
Samo osjećanje i djelovanje.(engl. No cognition. Just sensing and action.)
Koncem osamdesetih godina prošloga stoljeća vraća se interes za neuronske mreže te počinje faza
povratka umjetnih neuronskih mreža koja isto tako traje do danas. Umjetne neuronske mreže
intenzivno su se izučavale pedesetih godina 20. stoljeća. Prvi put ih spominju 1943. godine
neuroznanstvenici Warren S. McCulloch i logičar Walter Pitts, a popularnost im raste nakon što je
1949. godine Donald Hebb (1904. 1985.) postavio temeljni zakon učenja umjetnog neurona poznat kao
Hebbovo pravilo. Međutim, umjetne neuronske mreže se koncem 1980-ih godina ne vraćaju samo zbog
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
22
toga što ih sada računala mogu bolje pratiti (pa je sve više komercijalnih primjena neuronskih mreža) već
i zbog toga što Rumelhart i McClelland 1986. godine postavljaju tzv. konekcionistički (engl.
Connectionist) pristup inteligentnom sustavu koji se temelji na modelu memorije zasnovanom na
umjetnoj neuronskoj mreži. Ovo je bitno drugačiji pristup od pristupa inteligenciji simboličkim modelima
koji su zastupali Nowell i Simon ili logičkom pristupu inteligenciji McCarthya. Početkom 21. stoljeća
bilježi se povratak intenzivnih istraživanja umjetnih neuronskih mreža, posebno pojavom tzv. dubokih
neuronskih mreža (engl. Deep Neural Networks) (slika 1-12) najčešće vezanih uz strojno učenje i
poznatih po nazivu duboko učenje (engl. Deep Learning). Iza 2010. godine imamo industrijsku primjenu
dubokog učenja u zadacima prepoznavanja govora. Google 2010. godine uvodi Google Brain koji je 2012.
godine prepoznao sliku mačke, a 2014. godine opisao scenu na slici. 2012. godine pojavljuje se i
TensorFlow programska biblioteka otvorenog koda pogodna za strojno učenje.
Slika 1-12. Duboka neuronska mreža u zadatku prepoznavanja lica
To je i doba kada se razvijaju i novi pristupi pojedinim zadacima koje su postavili istraživači"
umjetne inteligencije na samim počecima, pa počinje faza znanosti umjetne inteligencije. U području
razumijevanja govora intenzivno se razvijaju skriveni Markovljevi modeli (engl. HMM Hidden
Markov Models), a vraća se značaj i strožih matematičkih pristupa postupcima umjetne inteligencije,
najviše teorije vjerojatnosti kroz širu primjenu Bayesovih mreža (engl. Bayesian Networks). Posebno je
uspješan bio razvoj igara dva igrača. IBM-ov DeepBlue je 1997. godine pobijedio svjetskog šahovskog
šampiona Garryja Kasparova, a 2016. godine Googleov program AlphaGO pobijedio je korejskog igrača
Go-a Leeja Sedola, u to vrijeme najboljeg svjetskog igrača Go-a s rezultatom 4 : 1 (više detalja iz
poglavlja 3). IBM-ov program za pronalaženje odgovora na pitanja iz domene općeg znanja IBM Watson
2011.g. pobjeđuje dva suparnika na kvizu Jeopardy! (više detalja iza poglavlja Predgovor).
I na kraju kao posljednja faza ističe se faza inteligentnih agenata koja započinje negdje
koncem devedesetih godina prošloga stoljeća i traje do danas. Definira se samostalni programski ili
sklopovski entitet nazvan agent koji samostalno djeluje u svom okružju koristeći pri tome različite
postupke umjetne inteligencije. Istraživanja se okreću i prema međudjelovanjima inteligentnih entiteta,
pa se intenzivno izučava problematika kooperacije, koordinacije i konkurencije. Formiraju se
inteligentni sustavi temeljeni na agentskoj tehnologiji koji sve češće nalaze primjenu i u komercijalnim
sustavima, od koordinacije računala povezanih u GRID arhitekturu, pa do inteligentnog sustava za rano
otkrivanje šumskog požara koji se od 2003. godina razvija na FESB-u (vidi sliku 2-5).
1.6 Rješavanje zadataka postupcima umjetne inteligencije
Umjetna inteligencija koristi se kod rješavanja zadataka koje nije moguće riješiti na uobičajeni,
algoritamski način. Algoritamski način rješavanja zadataka je izvođenje manje ili više složenih formula
koje na lijevoj strani ima nepoznanicu, a na desnoj poznate veličine povezane odgovarajućim
matematičkim operatorima, pa se rezultat dobije direktnim proračunom. Uobičajeno je ovakve metode
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
23
nazivati jake metode (engl. Hard Methods). Zadaci koje rješava umjetna inteligencija su najčešće
problemski zadaci koji se trebaju postaviti i prikazati na specifičan način, pogodan za rješavanje nekim
od postupaka umjetne inteligencije. Tipični postupci rješavanja zadataka koje umjetna inteligencija
koristi uključuju pretraživanje (engl. Search) i obično se zovu slabe metode (engl. Weak Methods) kako
bi se naglasila razlika između njih i uobičajenih algoritamskih metode klasičnih računalnih programa.
Neke od slabih metoda koje koristi umjetna inteligencija su:
Generiraj-i-testiraj (engl. Generate-and-test) moguća rješenja pretpostave se bez nekog
pravila i razloga, pa se nakon toga svako od njih testira kako bi se ustanovilo je li odgovara
rješenju. Ovo je sigurno najprimitivniji postupak, ali kako ćemo kasnije vidjeti teorijski je
dosta zanimljiv.
Heurističko pretraživanje (engl. Heuristic Search) serijom operacija nastoji se
konstruirati put od početne situacije do traženog rješenja koristeći pravila koja se ne mogu
dokazati.
Optimalno pretraživanje (engl. Optimal Search) pri odabiru sljedećeg koraka koristi se
mjera koja nam kaže koliko smo napredovali prema konačnom rješenju.
Planiranje apstrakcijom (engl. Planning-by-abstraction) zadatak se najprije
pojednostavi, prebaci u veću razinu apstrakcije, pa riješi na toj razini. Nakon toga se takvo
pojednostavljeno rješenje koristi kao vodič u rješavanju osnovnog problema.
Poklapanje (engl. Matching) sadašnje stanje preslikava se na željeno stanje kako bi se
ustanovila njihova korespondencija i u kojem smjeru se treba tražiti put od početnog rješenja
prema konačnom.
Da bi riješio postavljeni problemski zadatak metodama umjetne inteligencije, sustav umjetne
inteligencije treba imati dio koji nazivamo mehanizam zaključivanja (engl. Inference Engine) i
pohranjeno znanje u strukturi koju nazivamo baza znanja (engl. Knowledge Base). Pohranjeno znanje
posebnim je postupcima prikupljeno od stručnjaka ili eksperta koji je to znanje imao, formalno prikazano
na način da ga računalo može razumjeti i organizirano pohranjeno u bazu znanja kako bi mehanizam
zaključivanja do njega lako došao. Kako sve to nekome treba i kako sve to netko koristi, nezaobilazni dio
je i sučelje prema korisniku (engl. User Interface). Iako korisnik nema stručno znanje za rješavanje
određenog problemskog zadatka, on je sada u mogućnosti doći do rješenja na temelju znanja eksperta
koje je pohranjeno u bazu znanja. Strukturu sustava prikazuje slika 1-13.
Slika 1-13. Ilustracija postupka rješavanja zadataka metodama umjetne inteligencije. Korisnik
(nestručnjak) želi riješiti zadatak koji preko sučelja prenese mehanizmu za zaključivanje. Njegova je
uloga riješiti zadatak na temelju pohranjenog znanja eksperata (stručnjaka) koji ovakav zadatak znaju
riješiti, te rješenje vratiti korisniku
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
24
Pri tome ne zaboravimo da je kod sustava klasične umjetne inteligencije znanje u bazi znanja
stalno prisutno. Osnovna značajka postupka rješavanja zadatka metodama umjetne inteligencije je
traženje rješenja u prostoru parcijalnih rješenja koji nazivamo prostor pretraživanja (engl.
Search Space) ili prostor rješenja ili problemski prostor. Traženje je kombinacijsko i pod nadzorom
ga drži znanje koje kaže kako izabrati ili suziti opcije pri svakom koraku traženja. Zbog toga je jedan od
osnovnih problema umjetne inteligencije formalno predstavljanje znanja na način prilagođen pohrani u
memoriji računala. Pri tome se obično koristi matematička logika, od klasične predikatne logike, pa do
različitih nestandardnih logičkih sustava kao što su temporalne ili neizrazite logike.
Strukturalno, znanje se može prezentirati i pohraniti u obliku različitih struktura znanja.
Tipični su primjeri semantičke mreže, okviri, produkcijska pravila. Znanje se gradi na temelju
informacija, a postupak koji informacije pretvara u znanje naziva se učenje.
Postoje dvije osnovne kategorije znanja:
znanje o nečemu ili znanje da nešto jest, i
znanje o znanju ili znanje o tome kao nešto napraviti, učiniti ili kako postupiti.
U prvu kategoriju znanja spadaju primjerice tvrdnje, dok u drugu spajaju procedure i planovi,
pa se takvo znanje o znanju, ili znanje o postupanju znanjem obično naziva metaznanje.
Znanje može biti javno i privatno. Javno znanje je opće poznato, dostupno u javnim
dokumentima i knjigama, dok je privatno znanje osobno, najčešće heuristički temeljeno na vlastitom
iskustvu i intuiciji.
Zadaci prikupljanja, prikazivanja i korištenja znanja su u osnovi zadaci istraživanja povezani s
ekspertnim (stručnim) sustavima, područjem umjetne inteligencije koje je možda u današnjem stadiju
razvoja umjetne inteligencije dosta zanimljivo s komercijalne točke gledišta, pa ćemo se baviti i njima,
posebno vezano uz postupke zaključivanja.
1.7 Kriteriji uspjeha
Jedno od najvažnijih pitanja bilo kojeg znanstvenog ili istraživačkog projekta je
Kako ću znati jesam li uspio ili ipak nisam uspio?”.
Umjetna inteligencija u tome nije izuzetak.
Kako ćemo znati jesmo li napravili inteligentnu mašinu?
Ovo je pitanje jednako teško kao i pitanje Što je inteligencija?" i njime se bavilo dosta teoretičara
i praktičara umjetne inteligencije. Još 1950. godine Alan Turing (1912. 1954.), jedan od pionira
istraživanja umjetne inteligencije, odnosno točnije kazano problematike izgradnje inteligentnog stroja,
predložilo je postupak kojim se testira inteligencija stroja. Metoda je poznata pod nazivom Turingov test
(slika 1-14).
Za provođenje testa trebamo dvoje ljudi i stroj koji testiramo. Jedan od ljudi igra ulogu ispitivača
i nalazi se u posebnoj sobi (prednji plan), te s drugim čovjekom i strojem komunicira preko tastature.
Ispitivač postavlja pitanja, ali ne zna tko daje odgovor: stroj ili drugi čovjek. Cilj testa je da ispitivač
pokuša odgonetnuti koji odgovor daje osoba, a koji stroj. Cilj stroja je odgovorima zbuniti ispitivača kako
bi on vjerovao da se radi o ljudskoj osobi, a ne stroju. Ako u tome uspije, onda se za takav stroj može
kazati da se radi o stroju koji misli. Na primjer, ako ispitivač postavi pitanje:
Koliko je 12324 pomnoženo sa 73981? stroj može čekati nekoliko minuta i onda dati pogrešan
odgovor kako bi zbunio ispitivača s obzirom na to da običan čovjek teško u glavi može jednostavno
pomnožiti dva peteroznamenkasta broja.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
25
Slika 1-14. Ilustracija Turingovog testa. A je računalo koje testiramo, C je ispitivač, a B je ljudski
odgovaratelj. Računalo A je prošlo Turingov test ako ispitivač C ne može ustanoviti tko daje odgovore
stroj ili čovjek.
Turing je test postavio 1950. godine, a danas još uvijek ne postoji program koji bi ga prošao u
općem obliku. Postoje specijalizirani programi koji imaju domensko znanje u određenom području i vrlo
vješto programiran postupak konverzacije, ali ako se ispitivač makne iz tog područja, vrlo je lako
ustanoviti da se radi o stroju. Od 1990. do 2020. godine održavalo se natjecanje nazvano The Loebner
Prize
11
(slika 1-15) kojim su se nagrađivali programi koji su se najviše"približili prolasku Turingovog
testa.
Slika 1-15. Loebnerova medalja koja se od 1990. godine dodjeljuje programu koji se najviše približi
prolasku Turingovog testa
12
11
https://en.wikipedia.org/wiki/Loebner_Prize
12
Izvor slike http://www.paulmckevitt.com/loebner2013/ .
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
26
Generalnu nagradu u iznosu od 100 000 američkih dolara nitko nije osvojio, ali se svake godine
davala godišnja nagrada u iznosu od 2000 američkih dolara za program koji se najviše razvio u protekloj
godini.
Nedostatak Turingovog testa je što zahtijeva verbalnu komunikaciju prirodnim jezikom i što je
podložan tzv. ELIZA efektu. ELIZA efekt je primijećen još 1970-ih godina kada je napravljen
konverzacijski program ELIZA koji je trebao simulirati psihoterapeuta u duhu psihoterapije psihologa
Carla Rogersa nazvane PCT Person-Centered Therapy. ELIZA je preko konzole razgovarala s
čovjekom te postavljala zahtjeve tipa: Kaži mi više o svojoj obitelji, ako bi čovjek spomenuo oca, majku,
brata ili nekoga iz obitelji. Ovakvi su upiti stvarali kod čovjeka koji je razgovarao s ELIZOM podsvjesni
privid da se računalo stvarno ponaša kao čovjek i da ELIZA pokazuje interes za ono o čemu se govori,
iako je svjesno znanje govorilo da ona to ne može pokazivati zato što nije programirana da simulira
osjećaje. Više detalja o ELIZI u dodatku na kraju ovog poglavlja." Kod pisanja programa koji su se
podvrgavali Turingovom testu programeri su namjerno koristili ELIZA efekt, pa umjesto da nastoje
povećati stvarno znanje ugrađeno u program, koristili su konverzacijske doskočice kojima bi nastojali
zavarati ispitivača.
Zbog toga je 1996. godine Kanađanin Kennet Christopher McKinstry pokrenuo projekt
MISTIC Minimum Intelligent Signal Test Item Corpus
13
s idejom definiranja tzv. MIST testa
Minimum Intelligence Signal Test kod kojega odgovori na postavljeno pitanje mogu biti samo binarnog
oblika (da/ne ili istinito/lažno). Ideja je testa bila definirati kvantitativnu statističku mjeru strojne
inteligencije ili kako ju je McKinstry nazvao statističku kvantitativnu mjeru sličnosti čovjeku (engl.
Quantitative Statistical Measure of Humanness). Definirao je 80.000 tvrdnji oblika:
Je li Zemlja planet?
Je li Sunce veće od stopala?
Je li ljudi ponekad lažu?
koje je nazvao mindpixels što bismo mogli slobodno prevesti kao pikseli uma. Stroj odgovara na
slučajno odabrana pitanja te se na temelju usporedbe točnih odgovora i vjerojatnosti točnih odgovora uz
slučajno odgovaranje na pitanja na neki način mjeri stupanj razumijevanja i inteligencije. Na primjer,
stroju se postavi 20 pitanja i on točno odgovori na svih 20 pitanja, a vjerojatnost točnog odgovora na svih
20 pitanja je 1/2
20
= 1/1 048 576. Ako se test ponovi nekoliko puta, svaki put s novoodabranim pitanjima
koja nije poznavao prije odgovaranja, njegova bi se inteligencija mogla čak i kvantitativno izraziti.
McKinstry je 2000. godine pokrenuo projekt formiranja što veće baze mindpixela te je do 2004. godine
uspio skupiti preko 1,4 milijuna tvrdnji. Međutim projekt se prekida 2005. godine, a tragičnom smrću
McKinstryja 2006. godine postala je upitna i budućnost prikupljene baze mindpixela. U međuvremenu je
pokrenuto nekoliko sličnih projekata od kojih posebno ističemo Open Mind Common Sense Project
(OMCS)
14
pokrenut 1999. godine na MIT-u kao open source projekt koji je do danas prikupio preko milijun
činjenica i tvrdnji iskazanih rečenicama prirodnog engleskog jezika uz sudjelovanje više od 15.000 ljudi.
OMCS projekt kasnije je prerastao u ConceptNet
15
(logo na slici 1-16). ConceptNet je slobodno dostupna
semantička mrežu projektirana na način da računalima omogući shvaćanje riječi koje koriste ljudi.
Slika 1-16. Logo projekta ConceptNet slobodno dostupne semantičke mreže s riječima prirodnog jezika
Spomenimo i Cyc vezan sa zdravorazumskim znanjem koji smo spomenuli na kraju Predgovora.
13
https://en.wikipedia.org/wiki/Mindpixel
14
https://en.wikipedia.org/wiki/Open_Mind_Common_Sense
15
http://openmind.media.mit.edu
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
27
Problematikom umjetne inteligencije i njenog testiranja bavili su se brojni teoretičari i filozofi.
Neki od njih smatraju da stroj u biti nikada neće biti u mogućnosti razumjeti to što radi, a s tim da nikada
neće moći pokazati stvarna svojstva inteligencije. Često se spominje tzv. zamjerka kineske sobe (engl.
Chinese Room Objection) ilustrirane na slici 1-17 koju je postavio filozof John Searle (1932. ) i u kojoj
tvrdi da za računalni program nikada nećemo moći kazati da razumije i misli.
Slika 1-17. Zamjerka kineske sobe filozofa Johna Searlea ispitivač postavi pitanje na kineskom, a
odgovarač daje odgovor iako nema pojma kineski i ne razumije što ga se pita, već samo traži poklapanje
postavljenog pitanja s nekim od pitanja-odgovora iz dovoljno velike baze pitanja-odgovora
Dokaz se temelji na pretpostavci da se rad računala može usporediti s radom čovjeka koji koristi
papir i olovku. Na primjer, osnovna operacija računala je usporedba binarnih nizova smještenih u dvije
memorijske lokacije i zapisivanje jedinice u neku treću lokaciju ako se nizovi poklapaju. To isto može
raditi i čovjek s papirom i olovkom tako da na papir zapisuje binarne nizove, uspoređuje ih i na novi papir
napiše 1 ako se poklapaju. Čovjek to radi na discipliniran, ali neinteligentan način. Zapravo, ako se
čovjeku daju detaljna upute za nešto što treba učiniti, on to može učiniti i bez da razumije što točno radi.
Searle to ilustrira Turingovim testom koji se provodi korištenjem kineskog jezika, s tim da se u drugoj
prostoriji nalazi čovjek koji se zove Clerk i koji uopće ne zna kineski, ali ima vrlo precizne instrukcije što
napraviti s kineskim zapisom koji mu ispitivač gurne kroz vrata u sobu. On ga uzme i po instrukcijama
uspoređuje, te na kraju formira novi kineski zapis koji vrati ispitivaču, a da pri tome nije niti razumio o
čemu se radi, a još manje smislio odgovor.
Searle proširuje priču na način da se u sobi umjesto Clerka nalazi cijela ekipa ljudi koji su
specijalizirani pa svaki obrađuje jedan dio zapisa koji je ispitivač poslao, ali isto tako ni svi kao cjelina ne
razumiju što u biti rade, a još manje misle. Samo disciplinirano uspoređuju nizove i zapisuju jedinice ako
se oni poklapaju. Sa Searlovim razmišljanjem neki se slažu, neki ne, ali je činjenica da će proći još
vremena prije negoli će neki stroj proći globalni Turingov test.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
28
U užim domenama istraživanja postavlja se pitanje može li se uspjeh umjetne inteligencije mjeriti
unutar tih domena. Odgovor je potvrdan. Tipičan je primjer uspješnost programa za igranje šaha koji
može dobiti i rejting u odnosu na rejting igrača kojeg je pobijedio. Ili na primjer slučaj sa stručnim
sustavom DENDRAL koji smo spominjali. Teško je numerički mjeriti uspjeh DENDRAL-a u usporedbi s
čovjekom kemičarom, ali podatak da su neke analize DENDRAL-a publicirane kao originalni rezultati
istraživanja govori da ga možemo smatrati uspješnim u domeni u kojoj on djeluje. Uspješnost
inteligentnih sustava za prepoznavanje šumskog požara može se mjeriti postotkom prepoznatih,
postotkom neprepoznatih situacija šumskog požara u nastajanju, te postotkom lažnih alarma. U svakoj
domeni moguće je definirati određenu mjeru kojom možemo vrednovati uspješnosti pojedinih pristupa.
1.8 Cilj umjetne inteligencije (umjesto zaključka)
Smatramo li pod inteligentnom aktivnošću stroja postupke kojima se stroj približava
inteligentnom djelovanju čovjeka, postavlja se pitanje do koje mjere stroj može zamijeniti čovjeka. Danas
smo na razini kod koje se razmišlja da je uloga inteligentnog stroja da pomaže čovjeku kod
obavljanja rutinskih, jednostavnih i ponovljivih zadataka
inteligentnog asistiranja i savjetodavnog djelovanja i
da ga eventualno zamijeni u specifičnim aktivnostima.
Prvu grupu zadataka mogu obavljati postojeća računala, a korištenjem specijalnih jezika umjetne
inteligencije (npr. Lisp) moguće je postići i zavidni stupanj složenosti ovakvih zadataka.
Druga grupa zadataka također je u središtu današnjeg interesa i o računalu se govori kao o
sredstvu kojim se povećavaju ljudske sposobnosti. Računala služe kao pojačala znanja. Cilj nam je
inteligentnim sustavom povećati sposobnosti pojedinca i kvalitetu njegovog djelovanja dajući mu na
raspolaganje i sposobnosti cijelog niza stručnjaka ili eksperata. Ovo je područje stručnih sustava, možda
danas jedno od najzanimljivija s komercijalne strane gledišta. Uobičajeni postupci pri razvoju sustava sa
znanjem stručnjaka ili eksperata uključuje nekoliko grupa ljudi s različitim tipovima obuke. Prije svega
treba nam hardverski i softverski inženjer koji je spona između stručnjaka koji najčešće nema nikakvo ili
slabo znanje o računalima i samog računala u kojem će to znanje biti pohranjeno. Kako stručnjak često
ne može precizno objasniti razloge svojih postupaka, jednostavne metode prenošenja njegovog znanja
programeru softverskom inženjeru pokazale su se neadekvatnim pa je došlo do potrebe uvođenja
potpuno nove struke ljudi, tzv. inženjera znanja, koji imaju i vrlo specifično obrazovanje nastalo
kombinacijom znanja iz računarstva, ali i znanja sociologije, eksperimentalne i kognitivne psihologije.
Zadatak inženjera znanja je na odgovarajući način izvući znanje iz stručnjaka, pripremiti ga u neki od
formalnih oblika za pohranu znanja te primijeniti pri samostalnom djelovanju stručnog sustava. U okviru
ovog udžbenika mi se prvenstveno bavimo samo tim matematičko-tehničkim dijelom pohranom i
primjenom znanja.
O trećoj grupi zadataka do sada se razmišljalo prvenstveno u situacijama koje su izuzetno opasne
za čovjeka. Primjeri su inteligentni samohodni robot za otkrivanje i neutraliziranje eksploziva, robot za
inspekciju dijelova nuklearne elektrane u kojoj je povećan stupanj radijacije, ili najpoznatiji od svih Mars
Rover samohodno vozilo robot za istraživanje površine planeta Mars (slika 1-18), ali se u posljednjih
par godina javljaju i primjeri samostalnih robotskih vozila koji ne trebaju vozača ili samostalnih robotskih
brodova koji sami, bez posade, prevoze teret preko oceana, a kapetan sjedi u virtualnoj upravljačkoj sobi
na kopnu.
Ovakvih će primjera biti sve više pa se otvaraju i etička pitanja suživota ljudi i sustava umjetne
inteligencije. Ovo je prepoznala i Europska unija, pa je 8. travnja 2019. godine prezentirala dokument
Etič ke smjernice za pouzdanu umjetnu inteligenciju (engl. Ethics guidelines for trustworthy AI)
16
(slika 1-19).
16
https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
29
Slika 1-18. Robotska vozila projekta Mars rover. Naprijed lijevo je Sojourner iz 1997. godine (dug 65
cm), iza lijevo je Mars Exploration Rovers (MER) iz 2004. (dug 1,6 m kopija vozila Spirit i
Opportunity), a desno je Curiosity iz 2012. godine (dug 3 m)
17
U ožujku 2021.g. na Mars je sletio novi
rover Perseverance, iste dužine&kao&i&Curiosity,&ali&nešto&teži,&koji ujedno nosi i mali robotski helikopter
Ingenuity
18
Dokument je pripremila Stručna skupina na visokoj razini o umjetnoj inteligenciji (AI-HLEG)
koju je sačinjavao 51 eminentni stručnjak s različitih sveučilišta, instituta i tvrtki. Nastao je na temelju
prijedloga objavljenog u prosincu 2018. godine i više od 500 komentara koji su primljeni tijekom procesa
otvorene konzultacije. Prema dokumentu (citat iz hrvatske verzije dokumenta sa str. 6, stavke 15 i 16
19
):
(15) Pouzdana umjetna inteligencija ima tri sastavnice, koje trebaju biti ispunjene tijekom
cijelog životnog ciklusa sustava:
trebala bi biti zakonita i osigurati poštovanje svih primjenjivih zakona i propisa;
trebala bi biti etična i osigurati poštovanje etičkih načela i vrijednosti; i
trebala bi biti otporna i iz tehničke i iz socijalne perspektive jer sustavi umjetne inteligencije, čak
i s dobrim
!
namjerama, mogu uzrokovati nenamjernu štetu.
(16) Svaka je sastavnica nužna, ali sama po sebi nije dovoljna za postizanje pouzdane umjetne
inteligencije. U idealnom su slučaju sve tri sastavnice usklađene i preklapaju se u svojem djelovanju.
Međutim, u praksi mogu postojati napetosti među tim elementima (npr. ponekad područje primjene i
sadržaj postojećeg zakona nisu usklađeni s etičkim normama). Naša pojedinačna i zajednička odgovornost
kao društva jest surađivati kako bismo osigurali da sve tri sastavnice pomognu u postizanju pouzdane
umjetne inteligencije.
17
Slika je s https://en.wikipedia.org/wiki/Curiosity_(rover) uz Public Domain licencu.
18
Više detalja na https://mars.nasa.gov/mars2020/11
19
https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60428
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
30
Slika 1-19. Preporuke EU-a za projektiranje pouzdanih sustava umjetne inteligencije
Dokument vrlo detaljno opisuje što se smatra pod zakonitom (engl. Lawful), etičnom (engl.
Ethical) i otpornom (engl. Robust) umjetnom inteligencijom i nastoji pružiti općenite upute za primjenu
umjetne inteligencije. Smjernice su prikazane u tri razine apstrakcije, od prve najapstraktnije koje daju
temelje pouzdane umjetne inteligencije koja treba osiguravati:
zadovoljavanje poštovanja ljudske autonomije
sprječavanje nastanka štete
pravednost i
objašnjivost,
preko druge razine koja razmatra ostvarenje pouzdane umjetne inteligencije kroz:
ljudsko djelovanje i nadzor
tehničku otpornost i sigurnost
privatnost i upravljanje podacima
transparentnost
raznolikost, nediskriminacija i pravednost
dobrobit društva i okoliša i
odgovornost,
do treće, najkonkretnije razine koja se bavi procjenom pouzdane umjetne inteligencije.
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
31
Smjernice imaju ukupno 48 stranica i trebale bi biti obvezno štivo za sve koji se bave razvojem i
primjenom umjetne inteligencije, a takvih će u budućnosti biti sve više. Sustavi umjetne inteligencije
djeluju tu oko nas, sudjeluju u našem svakodnevnom životu i sigurno će tu i ostati.
Nakon ovog dokumenta slijedio je i niz drugih dokumenata koji su na kraju objedinjeni u
platformu: Povjerenje i izvrsnost za umjetnu inteligenciju
20
(slika 1-20) kojoj je cilj promocija istraživanja
umjetne inteligencije na EU razini u skladu s etičkim smjernicama za pouzdanu umjetnu inteligenciju.
Doneseni su i brojni dokumenti i planovi koji bi trebali u sljedećem razdoblju EU dovesti u novo digitalno
doba, jednim dijelom temeljeno i na umjetnoj inteligenciji. EU će do 2030. g. godišnje ulagati 1 milijardu
u istraživanje i primjenu pouzdane umjetne inteligencije u okviru programa Digitalna Europa i Obzor
Europe, te privući više od 20 milijardi ulaganja kroz Mehanizam za oporavak i otpornost.
Slika 1-20. Portal EU Povjerenje i izvrsnost za umjetnu inteligenciju
Naglasimo na kraju i osnovne razlike između tradicionalnih tehnika programiranja i
programiranja za potrebe umjetne inteligencije.
Kod tradicionalnog programiranja programer piše seriju instrukcija u jasnoj liniji od
definiranja problema, pa do njegovog rješenja. Svako grananje u slijedu mora biti precizno analizirano i
definirano unaprijed. Napredak tradicionalne računarske znanosti očituje se prvenstveno u brzini
proračuna i programskim okružjima koja olakšavaju programiranje i testiranje programa.
20
https://ec.europa.eu/info/strategy/priorities-2019-2024/europe-fit-digital-age/excellence-trust-artificial-
intelligence_hr#eu-i-umjetna-inteligencija
1 INTELIGENCIJA I UMJETNA INTELIGENCIJA
32
Umjetna inteligencija uglavnom barata sa simbolima. Simboli predstavljaju veličine iz realnog
svijeta, ali, umjesto direktnog računanja kao kod tradicionalnog programa, u ovom slučaju manipulira se
simbolima i odnosima među njima. Pri tome se provode manipulacije, a da se u stvari niti ne zna kome
će koji simboli biti pridruženi. To se radi u zadnji trenutak nakon pronalaženja funkcionalnog rješenja
na razini simbola. Prema tome, kod sustava umjetne inteligencije nije dovoljno samo spremiti podatke ili
činjenice kao kod baza podataka već je potrebno znati i značenje tih činjenica te odnose između
pojedinih činjenica. U ovom slučaju govorimo o znanju i njegovoj pohrani u bazama znanja. Ne smijemo
zaboraviti da sve to skupa radimo kako bismo mogli rješavati zadatke za koje je potrebno određeno znanje.
Zbog toga se najprije bavimo problemom postavljanja i analize postavljenog zadatka, da bismo nakon toga
razmatrali kojim postupcima zadatke pokušava riješiti umjetna inteligencija.
................................................
" "
Dodatak: Jedna od prvih praktičnih primjena umjetne inteligencije bio je konverzacijski program
temeljen na analizi teksta nazvan ELIZA. Razvijao ga je od 1964.g. do 1966.g. u MIT Laboratoriju za
umjetnu inteligenciju Joseph Weizenbaum (1923. 2008.) na slici desno
21
. ELIZA se temeljila na
postupku podudaranju uzoraka (engl. Pattern Matching) dajući iluziju da razumije postavljena
pitanja. Temeljila se na skriptama (engl. Scripts) napisanih u programskom jeziku za procesiranje lista
SLIP (Symmetric LIst Processor) koji je 1960.g. također razvio Weizenbaum. Jedna od najpoznatijih
skripti ELIZE bila je skripta DOCTOR virtualni psihoterapeut prema školi Rogerianske psihoterapije
psihologa Karla Rodgersa (1902.-1987.). Rogersov pristup terapije usmjerene na pacijenta (engl. PCT
Person-Centered Therapy) u velikoj mjeri temeljio na tome da psihoterapeut pacijentu odgovori koristeći
ono što je on sam izgovorio. Weizenbaum je skriptu napravio kao parodiju, a odgovori ELIZE su često
zbunjivali korisnike, ostavljajući im dojam da ELIZA stvarno daje inteligentne odgovore.
ELIZA je bila začetnik cijelog jednog područja u umjetnoj inteligenciji vezanog s Turingovim testom.
Nakon nje su slijedili brojni konverzacijski programi simulacije razgovora s ljudskim korisnikom
prirodnim jezikom koji su se od 1990. do 2020. natjecali za Loebnerovu nagradu (str.26). Danas su
poznatiji pod pojmom chatbot. Chatbotovi su postali sastavni dio brojnih Internet usluga prema
korisnicima. Indijska vlada je 2020.g. lansirala chatbot MyGov Corona Helpdesk koji odgovarao na
pitanja o pandemiji Corona virusa. Sastavni su dio i brojnih računalnih platformi (Apple Siri, Amazon
Alexa, Microsoft Cortana) a zadatak im je glasovna komunikacija s korisnikom i izvršavanje naredbi
zadanih izgovorenom porukom. Predviđa se da će ovakvi sustavi glasovne komunikacije čovjeka korisnika
i računala uskoro biti i sastavni dio brojnih uređaja kojima uobičajeno dodajemo naziv „inteligentni, na
primjer inteligentni kućanski aparati, inteligentne kuće, inteligentna (autonomna) vozila, itd."
21
Slike je po CC BY-SA 3.0 licenci sa https://en.wikipedia.org .