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

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

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. 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

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

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

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 (

U čemu je razlika između osnovnih tipova nebiološke inteligencije?

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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

(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

Značenje riječi „supsumcijsko” je „podređivanje posebnog pod opće”.

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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

(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

željeznica&iz&Japana&kod&koje&je&neizraziti&regulator&korišten&za&regulacije&brzine&vlaka.&Rezultat&njegove&primjene&je&&

udobnija&vožnja&i&10%&ušteda&energije.&

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”.

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

•

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

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

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

. 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.

Slika je s Web stranice https://www.jenal.org/2012/01/ uz CC BY-SA 3.0 licencu.

Za više detalja vidi stranice udruge International Society for Artificial Life - https://alife.org

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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

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

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

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.

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

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 „Terminator” kojeg 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

• 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

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

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

Slika je sa stranice https://www.slideshare.net/hys_enterprise/artificial-intelligence-in-software-testing

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

(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

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

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

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

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

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

(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

https://en.wikipedia.org/wiki/Loebner_Prize

Izvor slike http://www.paulmckevitt.com/loebner2013/ .

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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

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

= 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)

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

(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.

https://en.wikipedia.org/wiki/Mindpixel

https://en.wikipedia.org/wiki/Open_Mind_Common_Sense

http://openmind.media.mit.edu

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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

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)

(slika 1-19).

https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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)

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

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

„(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.”

Slika je s https://en.wikipedia.org/wiki/Curiosity_(rover) uz Public Domain licencu.

Više detalja na https://mars.nasa.gov/mars2020/11

https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60428

1 INTELIGENCIJA I UMJETNA INTELIGENCIJA

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

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

(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.

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

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

. 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."

Slike je po CC BY-SA 3.0 licenci sa https://en.wikipedia.org .