Mis on tehisintellekt?

From ICO wiki
Jump to navigationJump to search
The printable version is no longer supported and may have rendering errors. Please update your browser bookmarks and please use the default browser print function instead.

Ülevaade tehisintellektist

Tehisintellekti definitsioon

Nagu paljude väljendite ja kontseptsioonidega, ei ole tänaseni tehisintellekti definitsiooni osas ühest kokkulepet. Kuigi tehisintellektil on suhteliselt ühene definitsioon erinevate sõnastike kohaselt, on siiski ruumi erinevateks tõlgendusteks. Näiteks on nii Oxford’i sõnastiku kui ka Britannica entsüklopeedia kohaselt tehisintellekt arvutisüsteemide teooria ja arendus, kus arvutisüsteem on võimeline sooritama ülesandeid, mis tavapäraselt vajavad inimintelligentsi, tuues näideteks kõnetuvastuse, otsuste tegemise ja tõlketöö erinevate keelte vahel [1, 2].

Antud definitsioon on suhteliselt lai, kuna ei ole selge, mida täpsemalt mõeldakse inimintelligentsi all: ühest otsast võib tegu olla masinaga, mis suudab tuvastada inimeste tundeid ja empaatiliselt nende kurbuse rõõmuks muuta, teisest otsast võib tehisintellekt olla kõige lihtsam lauseehituse algoritm, mis otsustab, kas kogu lause on tõene, arvestades kõikide lause osade tõeväärtust. Antud arutelu intelligentsi ümber alustas Turing juba 1950. aastal, tõstatades küsimuse, et kas masinad suudavad ise mõelda (rohkem informatsiooni tehisintellekti ajaloo kohta leiab tehisintellekti ajaloo peatükist) [3]. Antud dilemmast ning laiapõhisest sõnastusest tingituna on tänapäeval levikul ka alternatiivseid limiteerivamaid definitsioone, nagu näiteks tingimuse lisamine, et tehisintellekt on adaptiivne, ehk suudab enda kogemustest õppida [4]. Sellisel juhul käsitletakse tehisintellekti vaid kui masinõppel põhinevat arvutisüsteemi.


Tehisintellekti kategooriad

Sarnaselt defineerimisele on ka tehisintellekti segmenteerimiseks erinevaid variante ja tavasid. Üks suhteliselt levinud meetod on tehisintellekt jagada nelja gruppi: reaktiivsed masinad, piiratud mäluga masinad, vaimuteooria ja iseendast teadlikud masinad [5]. Samas leidub ka variante, kus segmenteerimine toimub rohkematel tasanditel. Ühte sellist kasutab näiteks Tartu Ülikooli Tehisintellekti Algkursuse MOOC, kus laialdasema definitsiooni kohaselt jaotatakse tehisintellekt kolmeks: kitsas, üldine ja superintelligentsus. Kusjuures esimene neist eksisteerib juba praegu ning teised kaks on hetkel veel teoreetilises faasis. [6]

Eksiteeriv tehisintellekt - kitsas tehisintellekt

Kitsa tehisintellekti all mõeldakse arvutisüsteemi, mis suudab täita kindlaid etteantud ülesandeid. Kuigi kitsas intellekt oskab õppida enda kogemustest ja vastavalt sellele probleemi edukamalt lahendada, ei suuda see õppida, mis võiksid olla selle järgmised ülesanded ja probleemid. Targemad versioonid oskavad lahendada etteantud probleemi inimintelligentsiga samal tasemel, aga ei suuda mõelda üldiselt, abstraktselt ja kõikehõlmavalt nagu inimaju. [7] Kõike hetkel olemas olevat tehisintellekti võib nimetada kitsaks tehisintellektiks. Neid jagatakse omakorda reeglipõhisteks ning masinõppel baseeruvateks süsteemideks [6].

Reeglipõhine süsteem võib olla väga tark ning käituda inimmõistusele kohaselt ülesannet lahendades, kuid ei põhine rohkemal kui kindlatel juhistel, reeglitel ja algoritmidel. Erinevalt masinõppest reeglipõhine süsteem ei saa aja jooksul targemaks ning ei õpi kogemustest. [6] Rohkem informatsiooni reeglipõhiste süsteemide kohta leiab reeglipõhiste süsteemide peatükist.

Masinõppesüsteem on aga võimeline erinevaid andmeid kasutades õppima ning seejuures oma tõhusust suurendama. Nendeks andmeteks võivad olla kas näited, mida masinale antakse või süsteemi enda kogemused. Masin on nende andmete põhjal võimeline tegema järeldusi, kuidas on kõige parem etteantud ülesannet lahendada. Suur osa tänapäeval leiduvast tehisintellektist on ehitatud masinõpet kasutades. Vastavalt õppimismeetodile jaguneb masinõpe omakorda stiimulõppeks, juhendamata ja juhendatud masinõppeks. [6] Rohkem informatsiooni masinõppesüsteemide kohta leiab masinõppe peatükist.

Teoreetiline tehisintellekt - üldine tehisintellekt ja tehislik superintelligentsus

Nii üldine tehisintellekt kui ka tehislik superintelligentsus on miski, mida leidub küll määral filmides ja raamatutes, kuid millega tänapäeva tehnoloogia veel hakkama ei saa ning seega ei ole need leidnud aset praktikas. Üldise intelligentsuse all mõeldakse seda, et masin suudab mõelda täpselt samal tasemel, mis inimene. Mitte ainult ei suuda see lahendada kindlat probleemi inimmõistusele sarnasel viisil, vaid suudab ka leida uued probleemid, mida lahendada, luua seoseid erinevate ülesannete vahel ning sellel oleks ka teadvus. Põhimõtteliselt oleks tegemist tehisliku inimajuga. Superintelligentsus viib tehisintellekti aga veelgi kaugemale, kujutades endast masinat, mis on igas valdkonnas targem kui inimintelligents. Superintelligentsiga seoses on levinud ka hirm selle ohtlikkusest inimkonnale, kuid reaalsuses on praegu veel tegemist ulme ja kauge tulevikuga. [8] Rohkem informatsiooni üldise ja superintelligentse tehisintellekti kohta leiab üldise tehisintellekti ja superintellekti peatükkidest.

Tehisintellekti ajalugu

Juba antiikajast saati on räägitud tehislikest olenditest. Sealt edasi on neid ette kujutatud ulmefilmides- ja raamatutes. [9] Alan Turing avaldas 1950. aastal artikli „Computing Machinery and Intelligence“, kus ta mõtiskles selle üle, kas arvuti suudab mõelda ja tutvustas selle testimiseks jäljendusmängu, mida hakati hiljem kutsuma Turingi testiks [10, 11]. Testis küsib inimesest kohtunik küsimusi inimeselt ja arvutilt teadmata, kellega ta räägib. Kui kohtunik ei suuda etteantud aja jooksul teha vahet inimese ja arvuti vahel, siis on arvuti testi läbinud ja arvuti kohta võib öelda, et see on võimalik mõtlema nagu inimene. [12] Terminit „tehisintellekt“ kasutati esimest korda 1956. aastal John McCarthy poolt Darthmouthis toimunud konverentsil [13].

1950ndad aastad

1950. aasta märtsis avaldas Claude Shannon ajakirjas Philosophical Magazine artikli „Programming a Computer for Playing Chess“, mis oli esimene taoline teoreetiline artikkel, mis tutvustas kabet mängivat arvutiprogrammi [14]. Selle aasta oktoobris avaldas Alan Turing ajakirjas Mind oma artikli, mis on ka ülal mainitud. Seejuures ta ennustas, et aastaks 2000 on arvutil, mille mälumaht on 128 MB, võimalus test läbida vähemalt 70%. [15] Seda pole aga siiamaani juhtunud. 1952. aastal arendas Arthur Samuel esimese kabet mängiva arvutiprogrammi, mis suutis ise ära õppida mängu mängimise [16]. 1955. aasta septembris tegid John McCarthy, Marvin Minsky, Nathaniel Rochester ja Claude Shannoni kirjaliku ettepaneku teha järgmise aasta suvel konverents tehisintellekti teemadel, kus tutvustatakse esmakordselt sõna „tehisintellekt“ [15]. Samal aastal kirjutasid Allen Newell, Herbert A. Simon ja Cliff Shaw arvutiprogrammi nimega Logic Theorist, mida paljud peavad esimeseks tehisintellekti programmiks. Programm jäljendas inimeste probleemide lahendamise oskuseid ja tõestas ära 38 teoreemi 52st teosest „Principia Mathematica“, mille kirjutasid Bertrand Russell ja Alfred North Whitehead. 1956. aasta suvel toimus mainitud konverents, mis pani aluse tehisintellektile kui teadusele ja seal esitleti Logic Theorist arvutiprogrammi. [17] Kaks aastat hiljem arendas McCarthy tehisintellekti uurimiseks populaarse programmeerimiskeele Lisp. 1959. aastal toimus järjekordne oluline verstapost tehisintellekti ajaloos, kui Arthur Samuel kasutas sõna „masinõpe“, kui ta rääkis arvuti programmeerimisest nii, et see mängiks kabet paremini kui inimene, kes kirjutas selle programmi.

1960ndad aastad

1961. aastal alustas tööd esimene tööstusrobot UNIMATE, mille leiutas George Devol juba 1950ndatel aastatel. Robot võeti kasutusele firmas General Motors ning ta töötas konveierliinil. Robotit kasutati autotööstuses metallitöö ja keevitusprotsesside automatiseerimiseks. 1964. aastal püstitati järgmine oluline verstapost tehisintellekti (edaspidi TI) loomuliku keele töötlemises, kui loodi varajane TI programm nimega STUDENT, mis lahendas algebras tekstilisel kujul olevaid probleeme. Sellest järgmisel aastal tegi Joseph Weizenbaum varajase loomuliku keele töötlemise arvutiprogrammi nimega Eliza. Eliza on inglise keeles suhtlev interaktiivne programm inimestega suhtlemiseks ning Weizenbaum tahtis sellega demonstreerida, kui pealiskaudne on suhtlus inimese ja arvuti vahel. [16] 1966. aastal nägi ilmavalgust esimene üldotstarbeline mobiilne robot nimega Shakey. Ta oli võimeline tegema otsuseid oma ümbruskonda arutledes. Ta oli võimeline liikuma kaks meetrit tunnis. [18]

1970ndad aastad

1974 – 1980. aastatel valitses tehisintellekti maailmas periood, mida kutsutakse tehisintellekti talveks. Juba väga varakult, tehisintellekti algusaegadel, anti suuri lubadusi. Palju raha oli kulutatud, kuid väga vähe oli rahastajatele ette näidata. Areng jäi seisma, kuna polnud piisavalt võimekaid arvuteid. Rahastus uurimustöösse vähenes seetõttu ja raha vähesuse tõttu vähenes drastiliselt ka teaduslik ja ka turunduslik tegevus. [19] Enne raske perioodi saabumist, ehitati Jaapanis, Waseda ülikoolis, 1970. aastal esimene inimomadustega robot WABOT-1, millel olid liikuvad jäsemed, võime näha ja oskus vestelda [16]. TI talve ajal, täpsemalt 1975. aastal, arendati välja esimene mitmekihiline tehisnärvivõrk [20].

1980ndad aastad

1980ndatel hakkasid levima ekspertsüsteemid ja ülemaailmselt hakkasid korporatsioonid neid omaks võtma. 1980. aastal ehitati WABOT-2. Robot oli võimeline inimestega suhtlema ja lugema noote ning mängima muusikat elektroonilisel orelil. [16] 1981. aastal algatas Jaapani rahvusvahelise kaubanduse ja tööstuse ministeerium viienda põlvkonna arvutisüsteemide projekti ja investeeris sellesse palju raha. Projekti eesmärk oli arendada arvuteid, mis suudaksid vestelda, keeli tõlkida, pilte tõlgendada ja inimlikult arutleda. [19] 1987. aastal algas teine TI talv, mis kestis kuni 1993. aastani.

1990ndad aastad

1990ndatel aastatel tehti suuri edusamme kõikides TI valdkondades. 1990. aastal avaldas Rodney Brooks artikli nimega „Elephants Don’t Play Chess“. Ekspertsüsteemid ei olnud enam nii tõhusad ja ta aitas artikli avaldamisega kaasa tehisnärvisüsteemide tagasitulekule ja alt ülespoole suunatud lähenemisviisile tehisintellektis. 1997. aasta maikuus toimus ajalooline malemängu matš, kus IBMi kabeprogramm nimega Deep Blue võitis valitsevat maailmameistrit Garry Kasparov. See oli esimene kord, kui arvutiprogramm võitis inimest. Kuuest mängust kaks võitis Deep Blue, ühe Kasparov ja kolm mängu jäid viiki. [13] 1990ndatel hakati Interneti üle maailma laialdaselt kasutama ja seetõttu muutusid veebirobotid ja muut tehisintellekti põhised teabe väljavõtu programmid hädavajalikuks [22].

2000 – 2009

Tehisintellekti populaarsus oli kasvutrendis. Hakati looma üha rohkem tehislikke intelligentseid olendeid ja ka loomemeediat. 2002. aastal saadi hakkama suure saavutusega, kui tehti esimene robot, mis oli mõeldud kodus kasutamiseks. Firma nimega iRobot hakkas tootma iseseisvaid tolmuimejaid nimega Roomba, mis õpib iseseisvalt kodus navigeerima ja koristama. Roomba oli nagu sissejuhatus uude autonoomsete robotite ajastusse, mis keskenduvad konkreetsetele ülesannetele. 2008. aasta novembris tuli Google välja kõnetuvastusrakendusega, mis oli jällegi suur edusamm edasi, sest Google oli saavutanud 92% täpsuse, kui enne ei suudetud seda üle 80% saada. [23]

2010 - 2020

Tartu Ülikooli Tehisintellekti õpikus on välja toodud, et alates 2010. aastast on turule tekkinud intelligentsed seadmed kodumajapidamises, autojuhiabilised, diagnostikasüsteemid meditsiinis, portatiivsed masintõlgid, nägude tuvastamise süsteemid[13]. 2011. aastal võitis IBMi arvutiprogramm Watson Ameerika Kuldvillaku mängus endiseid meistreid Ken Jenningsit ja Brad Rutterit. Samal aastal tutvustas Apple virtuaalset assistenti Siri ja 2014. aastal tuli Amazon välja Alexaga. 2015. aastal kirjutasid 3000 inimest alla, nende seal näiteks Elon Musk, Stephen Hawking ja Steve Wozniak, avalikule kirjale, mis keelustas autonoomsete relvade väljatöötamise ja kasutamise. [16]

Kitsas tehisintellekt

Reeglipõhised süsteemid

Reeglipõhised süsteemid on kõige lihtsam versioon tehisintellektist. Need on eksisteerinud juba pikka aega ning on kasutusel ka praegugi. Reeglipõhine süsteem kujutab endast arvutisüsteemi, kuhu on sisse kirjutatud teatud reeglite kogumik, mida programm oskab kasutada, et teha järeldusi ja otsuseid, kuidas ette antud probleemi lahendada. Seda on võimalik teostada tavaliste tingimuslike algoritmidega: kui tingimus kehtib, toimi järgnevalt. Selline programm on vaid nii tark, kui inimene, kes selle lõi, kuna süsteem ei oska ise midagi juurde õppida. Seega on tegu masinaga, mis kopeerib eksperdi oskuseid kindlas valdkonnas. [24] Reeglipõhiseid süsteeme nimetatakse vahel ka reaktiivseteks masinateks [5]. Selle põhjuseks on sääraste masinate oskus reageerida maailmale või ülesannetele, kuid puudus nendest sügavamalt aru saada ning neist õppida [25].

Üheks tuntuimaks reeglipõhiseks süsteemiks peetakse IBM’i poolt arendatud süsteemi Deep Blue. Olgugi et tegemist oli tehisintellektiga, mis baseerus vaid tavalistel arvutustel ning milles puudus masinõpe, nagu ka mainitud ajaloo peatükis, oli see esimene programm, mis suutis alistada males maailma tippu Garry Kasparovit [26]. Kuigi Deep Blue oli definitsiooni kohaselt sama tark kui selle looja, kuna järgis etteantud reegleid, näitas see, et tänu arvutite meeletule arvutusjõule võib ka justkui tavaline reeglipõhine tehisintellekt näiliselt inimintelligentsist targem olla. Mõned arvamusliidrid on väitnud, et Deep Blue’d ei saa käsitleda tehisintellektina, kuna tegemist on vaid väga võimeka kalkulaatoriga, mis tänu suurele arvutusvõimele suutis Kasparovit võita [27]. Eksperdid ja teadlased on samas pigem arvamusel, et Deep Blue on ikkagi tehisintellekt [28]. Antud arutelu demonstreerib veel kord dilemmat teemal, mis on ja mis ei ole tehisintellekt.

Kuigi reeglipõhiseid süsteeme on väga palju ning need kasutavad erinevaid põhimõtteid ja struktuure, üldistatakse neil olevat neli põhikomponenti. Esimene ning kõige olulisem neist on reeglitekogu, mis on see, mille põhjal programm oskab teha järeldusi. Teiseks komponendiks nimetatakse järeldusmasinat, mis on justkui süsteemi protsessor: kasutades reeglitekogu leiab see küsimusele vastuse ning vastavalt tulemusele võtab ette järgmised sammud, olgu siis selleks uue reegli järele pärimine või lõpliku otsuse tegemine. Kolmandaks on reeglipõhisel süsteemil ka tavaliselt töömälu, mida järeldusmasin kasutab vahetulemuste hoidmiseks. Viimaseks süsteemi komponendiks peetakse kasutajaliidest, mis võib suurel määral erineda süsteemiti, kuid üldjoontes võimaldab kasutajal lisada või muuta reegleid ja sisendandmeid ning küsida programmi väljundit. [29]

Põhjuseid, miks reeglipõhiseid süsteeme kasutatakse on peamiselt kaks: võime protsesse, mida muidu peaksid inimesed tegema, automatiseerida ning arvutite arvutusvõime kasutamine raskete probleemide puhul. Esimese puhul võib tuua näiteks sorteerimismasinad, mida kasutatakse tehastes või ladudes. Masin saab sisendiks toote unikaalse koodi ning vastavalt koodi kujule tuvastab toote kategooria ning otsustab kuhu liinile selle edasi peaks suunama. Kõik reeglid antud protsessi jaoks on eelnevalt seadistaja poolt defineeritud. Teist kasutusvaldkonda leiab näiteks teaduses. Erinevad vedelikuvõrrandid ja -mudelid on niivõrd keerulised, et kuigi inimene suudaks neid lahendada, võtab reeglipõhisel masinal see tuhandetes kordades vähem aega.

Võrreldes masinõppega on reeglipõhised süsteemid suhteliselt lihtsad ning otsekohesed arendada. Lisaks on need usaldusväärsemad ja toovad endaga kaasa madalama riski, kuna korduvate sisendite puhul on tulemus alati sama ning ei muutu ajas. Samas on reeglipõhiste süsteemide peamiseks puuduseks just nende jäikus ja suutmatus kogemustest õppida, olles mitte võimeline jätma kõrvale ebatõhusaid meetodeid ning keskenduma kõige efektiivsematele moodustele probleemi lahendamisel. [30]



Masinõpe

Masinõpe on piiratud mäluga tehisintellekti (limited memory AI) osa. Viimane on tehisintellekti võime salvestada andmeid ja nende põhjal tehtud ennustusi, samuti jätta meelde eelnevaid kogemusi ja sündmuste toimumist. Piiratud mälu on võimeline mineviku põhjal õppima, analüüsides tegevusi ja talle esitatud andmeid, ei pea ennustuste tegemiseks (väljundite saamiseks) olema valmis konkreetset programmi, vaid algoritm ise loob sellise programmi. [31] Salvestatud andmetest uute teadmiste saamine ja nende rakendamine on masinõppe eesmärk [32]. Masinõpe jaotatakse tavaliselt kolmeks. Siia alla käivad juhendatud ja juhendamata õpe ning stiimulõpe. [33]


Juhendatud õpe

Enamik praktikas kasutatavast masinõppest kasutab seda. See vajab alguses mingeid andmeid, kuna juhendatud õpe toimub eeskuju/näite alusel. Andmed koosnevad andmepunktidest ja tunnustest. Iga andmepunkt on esindab konkreetset objekti. Näiteks võrdleme loomi ja tahame nende kohta mingeid ennustusi teha. Iga loom on andmepunkt ja tal on omased tunnused. Jänes on nelja jalaga, karvane, väike - seal jänes on andmepunkt ja nelja jalaga, karvane, väike on tunnused. Enamasti on sellised andmed kirjas tabelis - iga rida on andmepunkt ja tulpades on tunnused. Juhendatud õppes tehakse andmepunktide kohta nende tunnuste põhjal mingeid ennustusi - näiteks saab üritada jänese kohta tema tunnuste põhjal ennustada tema värvi. Juhendatud õppe eesmärk on siis luua ette antud andmete põhjal programm, mis meile vajaolevat infot andmepunktidele ennustaks. [34]

Protsess toimub nii, et esmalt antakse ette hunnik sisendandmeid ja neile antakse ka väljund(id). Selle põhjal saab luua seoseid, milliste sisendandmetega tuleb milline väljund - n-ö kaardistatakse kõik andmed ja seosed. Selle põhjal üritatataksegi masinõppes luua uus programm, mis suudab juba ise neid väljundeid ennustada. [35] Seda nimetatakse juhendatud õppeks just seetõttu, et algsete etteantud sisendite ja väljundite uurimine, nende kaardistamine ja seoste õppimine on justkui õpetajaks edasise programmi loomisel. Algseid andmeid kasutatakse programmi luues nii, et programm võtab need sisendid ja üritab ise ennustusi teha väljundite kohta. Seejärel see n-ö õpetaja parandab tekkinud vigu, kuna algsetel andmetel on ka väljundid teada. Seejärel programmi parandatakse kuni vigade tekkimine on minimaalne. [33] Kõige lihtsamalt kirjutatakse juhendatud õppe algoritmi nii:

Y = f(x)



Seal on Y ennustatav väljund, mis on kindlaks määratud kaardistamise abil, x on sisend, mille kohta ennustust tehakse. Funktsioon f, mis ennustusi teeb, luuakse treeningu ehk õppimise käigus. [35]

Juhendatud õppe lahendatavad probleemid jaotatakse klassifitseerimiseks (nt kas on haige või mitte, kas on sinine või kollane jne) ja regressiooniks (leitakse reaalset väärtust, nt teatud asja kaalu või väärtust konkreetses rahaühikus) [33].

Klassifikatsiooni jaoks antakse algoritmile õppimise käigus andmepunktid koos tunnustega ja neile antakse väljundiks erinevad kategooriad. Klassifikatsiooni algoritm peab siis võtma sisendid ja määrama neile väljundiks ühe neist kategooriatest või klassifikatsioonidest. Üks sellise juhendatud õppe levinumaid näiteid on e-mailis otsustamine, kas kiri kuulub rämpsposti või oluliste meilide hulka. Selline ülesanne on binaarne klassifikatsiooni probleem, kuna klasse on täpselt kaks - kiri kas on spämm või ei ole. Treeningus antakse algoritmile suur hulk meile, millest osa on rämpspost ja osa mitte. Algoritmi eesmärk on leida meilide juures tunnused, mis ütleks ära, kas tegemist on spämmiga või tavameiliga. Selle põhjal loob ta eelpool mainitud funktsiooni Y = f(x). Seejärel saabki kasutada seda mudelit uute tundmatute meilide puhul klassifikatsiooni kindlakstegemiseks. Klassifikatsiooni üheks näiteks on K-lähima naabri klassifikatsioon (KNN). [35]

KNN on mudel, mis klassifitseerib andmepunktid punktide põhjal, mis on sellega kõige sarnasemad. Testandmete põhjal teeb see “haritud” oletuse selle kohta, milleks klassifitseerimata punkt tuleks liigitada. [54]

Eelised:

  • lihtne kasutada;
  • kiire arvutusaeg;
  • ei tee andmete kohta oletusi [54].

Puudused:

  • täpsus sõltub andmete kvaliteedist;
  • peab leidma optimaalse k-väärtuse (lähimate naabrite arvu);
  • toimib kehvasti andmepunktide klassifitseerimise piiril, kus neid saab liigitada ühel või teisel viisil [54].



KNN-i kasutatakse sageli lihtsates soovitussüsteemides, pildituvastustehnoloogias ja otsustusmudelites. Firmad nagu Netflix või Amazon kasutavad seda algoritmi selleks, et soovitada erinevaid filme või raamatuid. Netflix käivitas isegi Netflix Prize võistluse, määrates miljon dollarit meeskonnale, kes lõi kõige täpsema soovituste algoritmi. Need ettevõtted rakendavad KNN-i oma veebisaidil vaadatud filmide või ostetud raamatute kohta kogutud andmekogumile. [54]

Olemasolevad kliendiandmed sisestatakse ning neid võrreldakse teiste klientidega, kes on vaadanud sarnaseid filme või ostnud sarnaseid raamatuid. Seejärel liigitatakse see andmepunkt KNN-i abil nende mineviku põhjal teatud profiiliks. Soovitatavad filmid ja raamatud sõltuvad siis sellest, kuidas algoritm selle andmepunkti liigitab. [54]

Regressioon on juhendatud õppe teine liik, mis on rohkem ennustav statistiline protsess. Regressiooni algoritmi eesmärk on ennustada mingit pidevat suurust. Lihtne regressiooni funktsiooni kujutus on selline: [35]

y = wx + b


Joonis 1. Juhendatud õppe lineaarse regressiooni skeem [35]

Seal on y sama, mis eelpool mainitud Y, x on andmepunkti tunnus, w ja b on treeningu jooksul loodud parameetrid. Selline on lineaarse regressiooni mudel, mida kirjeldab hästi Joonis 1. õpilase kontrolltööde hinnete (Test Grade) ja õpitud tundide (Hours Studied) seosest. [35]

Kui tahta ennustada tunnuse õpitud tunnid põhjal õpilase kontrolltöö hinnet, siis sellise graafiku alusel saaksime trendijoont kasutades tõenäoliselt üsna täpse ennustuse teha. Sarnaselt töötabki regressioon. [35]

Juhendatud õpet peetakse kõige lihtsamaks masinõppe alamkategooriaks. See on ühtlasi oma lihtsuse (muidugi lihtsus siinkohal suhtelises mõistes) tõttu kõige enam kasutatud masinõppe liik ning paljudes kohtades tavakasutaja tõenäoliselt ei ole sellest teadlik, et antud tegevust viib läbi just juhendatud õppe algoritm. [35]


Juhendamata õpe

Juhendamata õpe erineb juhendatud õppest kõige enam just selle poolest, et seal on olemas vaid sisend, väljund aga puudub (nii ette antud infos kui siis ka hiljem kasutatades). See tähendabki, et konkreetset muutujat (väljundit) ei üritata ennustada. Selle asemel on juhendamata õppe eesmärgiks andmetest leida üles mingi struktuur, selleks, et andmete kohta lihtsalt rohkem infot saada ja nendest rohkem õppida. [34]

Selle nimetus tuleneb sellest, et juhendamata õppel pole kindlat õiget vastust ja seega puudub ka õpetaja. Algoritm peab ise uurima sisestatud andmeid ja sealt leidma üles mingeid uusi struktuure ja mustreid, mida inimene ei pruugi peale vaadates märgata. [37] Seejärel peab algoritm neid leitud mustreid esitlema. Andmete struktureerimine tähendab, et tuleb leida vastused küsimustele, mis on levinud / esineb harva; kas andmepunkte on võimalik jaotada gruppidesse; kas on võimalik mingit peidetud struktuuri leida. [34]

Esimese küsimuse juures vaadatakse, kuidas andmepunktid on jaotunud. Selle põhjal saab tuvastada, kas esineb anomaaliaid. Sellist tehnikat kasutatakse näiteks küberrünnakute tuvastamisel. Kui on teada veebilehe tavaline külastajaskond, siis saab anomaalia tuvastamisel anda märku potentsiaalsest ohust (enamasti sellisel puhul siiski algoritm ise midagi muud ei tee, kui ainult annab info edasi ja seejärel saab inimene kontrollida info üle ning otsustada, milline tegevus on parim). [34]

Teise esitatud küsimuse puhul on tegemist clustering meetodiga (eesti keeles öeldaksegi klasterdamine, mis on sarnane rühmitamisele ja grupeerimisele). Klasterdamine on üks lihtsamaid ja enim kasutatud juhendamata õppemeetoditest. Selle eesmärk on leida andmepunktidest klastreid, kus iga grupi sees on kõik andmepunktid teineteisele võimalikult sarnased ja samas igast mõnes teises klastris olevast punktist võimalikult erinevad. Klasterdamist liigitatakse omakorda kaheks: eraldav ja hierarhiline klasterdamine. [37]

Joonis 2. Juhendamata õppe klasterdamise liigid [37]

Eraldavas saab iga andmepunkt kuuluda ainult ühte kindlasse klastrisse. Hierarhilises leitakse gruppe tasemete kaupa. Seal võib iga andmepunkt kuuluda mitmesse kogumikku ja ühe grupi sees võib sisalduda omakorda väiksemaid klastreid. Seda võib kujutada ette ka hulkadega sarnaselt, kus üks hulk võib kuuluda teise ning kõik selle hulga elemendid kuuluvad samuti ka sellesse teise hulka, samas kui selles teises hulgas eraldi olevad elemendid sellesse esimesena mainitud väiksemasse hulka ei kuulu. Joonis 2. illustreerib hästi kahte erinevat klasterdamise liiki. [37]

Kolmas küsimus, millele vastuse otsimisest juttu oli (kas on võimalik peidetud struktuure leida?), uurib enamasti paljude tunnustega andmeid ning üritab neid andmeid teisendada nii, et lõpuks oleks tunnuseid juba hoomatav hulk. See aitab visualiseerida muidu hoomamatu hulga tunnustega andmeid. [34]

Joonis 3. Juhendamata ja juhendatud õppe võrdlus [36]

Juhendatud ja juhendamata õppe võrdlemiseks sobib hästi Joonis 3.

Stiimulõpe

Mis on stiimulõpe?

Stiimulõpe on masinõppemudelite treenimine tegemaks järjestikuseid otsused. Tehisintellekt õpib saavutama eesmärke ebastabiilses ja keerulises keskkonnas ning seisab silmitsi mängulaadsete olukordadega. Probleeme lahendab TI katse-eksituse meetodi abil. Et panna masin tegema seda, mida programmeerija tahab, saab TI vastavalt oma tegudele kas preemiaid või karistusi. Masina eesmärk on maksimeerida preemiate saamist. Siit tulenebki masinõppe valdkonna nimetus stiimul, mis oma tähenduselt on saavutusele suunav tõukejõud/ajend. [38]

Kuigi arendaja seab tasustamise poliitika (mängureeglid), ei anna ta TI-le ühtegi vihjet ega nõuannet, kuidas mängu lahendada. TI ülesanne on välja selgitada, kuidas ülesannet täita nii, et tasu oleks maksimaalne, alustades täiesti juhuslikest katsetest ning lõpetades keeruka taktika ja üliinimlike oskustega. Erinevalt inimestest, võib TI saada kogemusi tuhandetelt paralleelsetelt mängudelt kui stiimulõppe algoritm käivitatakse piisavalt võimsas arvuti infrastruktuuris. [38]

Näited stiimulõppest

Vanasti piiras stiimulõppe rakendusi nõrk arvuti infrastruktuur. Sellegipoolest, nagu Gerard Tesauro poolt 90-ndatel välja töötatud TI-st triktraki (backammoni) supermängija näitab, toimus areng siiski [38]. Antud varajane areng on võimsate arvutustehnoloogiate abil kiiresti muutumas, mis avab tee täiesti uutele innovaatilistele rakendustele.

Autonoomseid autosid kontrollivate mudelite arendamine on suurepärane näide stiimulõppe võimalikust rakendamisest. Ideaalses olukorras ei peaks arvuti auto juhtimiseks ühtegi instruktsiooni saama. Programmeerija väldiks ülesandega seonduvat juhtimist ja lubaks masinal oma vigadest õppida. [38]

  • Näiteks nõuaksime tavapärastes tingimustes isesõitvalt masinalt ohutuse esikohale seadmist, minimeeriksime sõiduaega, vähendaksime reostust, pakuksime reisijatele mugavust ning järgiksime seaduspäraseid norme.
  • Autonoomse võidusõiduauto puhul rõhutaksime seevastu kiirust palju rohkem kui juhi mugavust.
  • Programmeerija ei suuda kõike, mis teel võib juhtuda, ette ennustada. Pikkade “if-then” juhiste loomise asemel valmistab programmeerija stiimulõppe mudeli ette nii, et see oleks võimeline õppima preemiate ja karistuste süsteemis.

Stiimulõppe väljakutsed

  1. Simulatsioonikeskkonna ettevalmistamine: peamine väljakutse stiimulõppe puhul seisneb simulatsioonikeskkonna ettevalmistamises, mis sõltub suuresti täidetavast ülesandest. Kui masin peab males, Go-s või Atari mängudes üliinimeseks muutuma, on simulatsioonikeskkonna ettevalmistamine suhteliselt lihtne. Kui aga tulla mudeli juurde, mis oleks võimeline isesõitvat autot juhtima, on realistliku simulaatori loomine väga oluline, enne kui lasta auto liiklusesse. Mudel peab välja mõtlema kuidas pidurdada või vältida kokkupõrget turvalises keskkonnas. Asjad lähevad keeruliseks siis, kui mudel viiakse treeningukeskkonnast reaalsesse liiklusesse. [38]
  2. Närvivõrgu skaleerimine ja muutmine: järgmine väljakutse on TI-d juhtiva närvivõrgu skaleerimine ja muutmine. Võrgustikuga ei saa suhelda muul viisil kui preemiate ja karistuste süsteemi kaudu. Eelkõige võib see viia katastroofilise unustamiseni, kus uute teadmiste omandamine põhjustab mõnede vanade teadmiste võrgustikust kustutamist. [38]
  3. Optimumini jõudmine: veel üks väljakutse on kohaliku optimumini jõudmine - mudel täidab ülesannet nii nagu see on, kuid mitte optimaalselt või nõutaval viisil. Hea näide on “hüppajast”, kes hüppab känguru moodi, selle asemel, et teha seda, mida temalt oodati - kõndida. [38]
  4. Ülesannet ei täideta: on ka mudeleid, kes optimeerivad auhinda, aga ei täida ülesannet, mille jaoks see mõeldud oli (mudel õpib koguma preemijaid, aga ei vii ülesannet lõpuni) [38].

Stiimulõppe tüübid

On olemas kaks tüüpi stiimulõpet:

  1. Positiivne: positiivne stiimulõpe on defineeritud kui olukord, mis toimub konkreetse käitumise tõttu, suurendab käitumise tugevust ja sagedust. Teiste sõnadega, sellel on käitumisele positiivne mõju. [39]
    • Eelised:
      • maksimeerib jõudlust;
      • säilitab muutused pikaks ajaks.
    • Puudused:
        liialt stiimulõpet võib viia seisundite ülekoormuseni, mis omakorda võib vähendada tulemusi.
  2. Negatiivne: negatiivne stiimulõpe on defineeritud kui käitumise tugevdamine, kuna negatiivne seisund peatatakse või seda välditakse. [39]
    • Eelised:
      • suurendab käitumist;
      • kindlustab miinimumtulemuste järgimist.
    • Puudused:
      • annab endast vaid nii palju, et täita minimaalset käitumist.

Stiimulõppe praktilised rakendused

Kuna stiimulõpe nõuab palju andmeid, on see seetõttu kõige paremini rakendatav valdkondades, kus simuleeritud andmed on hõlpsasti kättesaadavad, näiteks mängimine ja robootika. [40]

Stiimulõpet kasutatakse üsna laialdaselt TI ehitamiseks, et mängida arvutimänge. AlphaGo Zero on üks esimesi arvutiprogramme, mis alistas maailmameistri iidses Hiina mängus Go. Teiste hulka kuuluvad Atari mängud, triktrak jne. [40]

Robootikas ja tööstusautomaatikas kasutatakse stiimulõpet, et robot saaks endale luua tõhusa ja adaptiivse juhtimissüsteemi, mis õpib tema enda kogemustest ja käitumisest. [40]

Muud stiimulõppe rakendused hõlmavad teksti kokkuvõtte mootoreid; dialoogi mudelid (tekst, kõne), mis õpivad kasutaja interaktsioonidest ning paranevad ajaga; mudelid, mis õpivad tervishoius optimaalset ravipoliitikat ning stiimulõppe põhiseid mudeleid veebipõhiste aktsiatega kauplemiseks. [40]

Üldine tehisintellekt

Tehisintelligentsi valdkonnast kipub välja arenema väiksemaid valdkondi, mis hakkavad keskenduma rohkem enda praktilisele poolele ega seo end enam eriti selle valdkonna ulmelise poolega. Näitena võib tuua isesõitvad autod, mida saab võtta juba eraldi kategooriana. Teisest küljest on osa programme, nagu üldine intelligents, mis ei oma veel selgelt arusaadavat praktilist otstarvet, kuid mida saab võtta enamana kui tehisintellekti alamliiki.

Üldise intellekti eesmärk on simuleerida inimest nii, et keegi ei teeks masinal ega inimesel vahet. Seesugune soov on eksisteerinud enne tehisintellekti tekkimist. Kui mõelda ulmekirjandusele ja filmidele, siis peaaegu iga intelligentse masina puhul on tegu üldise intelligentsiga. See võib olla osaliselt seetõttu, et taoliseid roboteid on kõige lihtsam inimese mõistusel haarata kuid loomulikult peab ka arvestama, et inimene ei ole võimeline haarama kellegi tegusid, kes on temast lõputult kordi targem. Tänu meediale ongi üldine intellekt jäänud inimeste mällu kinni; inimese simuleerimine võib tunduda justkui tehisintellekti tipp kuhu jõuda võib, kuid see on puhtalt seesugune tipp, mida me mõõta suudame. Kuna enamus masinaid on tänapäeval kasvõi teoreetiliselt võimalik luua, siis on üldine intellekt üks viimaseid puuduseid mis eristab ulmet reaalsetest.[41]

Täpselt nagu osad arenenumad tehisintelligentsiga masinad on üldine intelligents õppimisvõimeline. Peamine, mis seesugustele programmidele läbi statistikate ja andmebaaside õpetatakse on inimene olemine. Umbes nagu alla aastane beebi, kes veel kõndida ei oska, aga roomab, õpivad ka üldised intelligentsed masinad rääkima, käituma ja reageerima nagu inimesed nende ümber. Täpselt nagu beebi ei kõnni, aga liigub, suudavad enamus üldiseid intelligentse vestlust hoida vaatamata sellele, et see pole samasugune kui teise inimesega. Programmid küll õpivad lauseehitust ja teemasid päris inimestelt, aga taktitundlikkust ja loogikat sama lihtsalt selgeks ei saa. Peale kõnevõime peab üldine intellekt tajuma maailma tema ümber kui ka seda, kes ja mis ta täpselt on. Teadlaste sõnul ei suuda nad olemasolevaid probleeme lähitulevikul lahendada, sest aju on lihtsalt niivõrd raske jäljendada. See, mida aju suudab sekundiga, suudab masin 40 minutiga. [42]

Vaatamata tänapäeva saavutustele ei suudeta inimese aju ikkagi simuleerida. Üldine intellekt suudab küll reageerida ja käituda inimesele sarnaselt, kuid seda võib võtta kui papagoid, kes kordab inimese sõnu. Osad targemad loomad suudavad inimest ahvida (juba see sõna viitab sellele) kuid nad ei suuda tihtipeale vahet teha heal ja halval. Esimesed üldised intellektid, kes õppisid rahvalt ja proovisid jäljendada inimeste käitumist muutusid kiirelt radikaalseteks. Kui inimene oskab oma käitumist piirata ja olukorda lugeda, siis masinad selleks veel võimelised ei ole. Üks kiire lahendus on teema vahetus peale millegi poliitiliselt ebakorrektse mainimist, kuid see tekitab pikas perspektiivis rohkem halba kui head. Osad veebilehed kasutavad tehisintellekti reklaamide soovitamiseks: kui on juttu näiteks nõudepesuvahendist siis miks mitte lisada sinna nõudepesu reklaam. Samas ei meeldi nõudepesu firmadele end reklaamida artikli juures, kus keegi laps end pesupulbrit süües haigeks jäi. Täpselt nagu seesugustel programmidel on keeruline mõista mis on sobilik ja mis mitte, ei suuda tihtipeale ka üldine intelligents mõista, mis on radikaalne ja mis mitte. Hetkeline lahendus, keelata kõik ebasobilik, on küll mõistlik, kuid see ka piirab osaliselt inimlikkust, mida luua proovitakse. [43]


Superintellekt

Superintellektist võib mõelda kui kõikide tehisintellektide terviklikust kombinatsioon. Sellist asja hetkel reaalses maailmas ei eksisteeri, kuid see on juba aastakümneid olnud ulmekirjanduses ja kunstis üks peamiseid tunnuseid tuleviku-maailmast. Tänapäeval peavad eksperdid superintellekti realiseerimist kõigest aja küsimuseks. See ei juhtu arvatavasti veel nii pea, kuid kui see kunagi realiseerub, siis muudab see elu rohkem, kui keegi suudab ette kujutada. [44]

Superintellekti peamine tunnus on see, et see on kõikidest inimestest targem. Sellest võib järeldada, et kõik inimesi nõudvad töökohad kaovad. Selliselt elades peab olema riikide poolt määratud igale inimeselt elamiseks vaba raha. See oleks justkui taskuraha, mida saavad kõik kodanikud võrdselt. Selliseid süsteeme pooldavad suurte tehnikafirmade omanikud, ning osad väiksemad poliitikud on juba seda ideed avalikult väljapakkunud. See ei ole küll ainus lahendus, aga kui probleemi ei lahendata, siis tekib olukord, kus kõike eluks vajalikku on külluses, aga enamusel ei ole mitte millelegi ligipääsu. Rikastes riikides nagu Qatar, kus enamus töid teevad ära immigrandid, on kõikidele kohalikele suured riigitoetused, mis garanteerib neile mugava elu ka siis, kui nad üldse tööl ei käiks. Midagi sarnast oleks vaja implementeerida ülemaailmselt, kui tööd lihtsalt ei ole enam pakkuda. [45]

James Barrat on öelnud, et superintellekt on viimane leiutis, mille inimene leiutab. Peale seda ei ole inimene enam maailmas kõige targem, ning kõik muu leiutatakse juba masinate poolt. Teoreetiliselt on see võimalik, et peale superintellekti teket lahenduvad kõik maailma probleemid, kuid reaalsust ei suuda keegi ette teada. Täpselt nagu papagoi ei mõista, miks inimene vihmametsa hävitab, ei mõistaks ka inimene, mida iganes temast arenenumad masinad korda saadaksid. On teada vaid see, et maailm muutub kas kordades paremaks või kordades halvemaks. Seesugune masin oleks ohtlikum kui tuumapomm, nii et arvatavasti hakatakse sellele ligipääsu piirama ja tootlust reguleerima. Arengut pole aga võimalik äkitselt peatada, nii et parim, mida riigid ja mõjuvõimsad inimesed teha saavad, on igaks võimalikuks olukorraks end ette valmistada ja loota, et maailma lõpp ei tule veel niipea. [46]

Ulmekirjanduses on superintellekti tihtipeale kujutatud kui Frankensteini koletist, kellele antakse elu, kuid kes põhjustab ainult probleeme. Klassikaline näide oleks A. C. Clarke romaan „2001 kosmoseodüsseia” kus arenenud masin pöördub inimeste vastu ja hakkab tegema seda, mida tema peab õigeks. Sedasorti hirmu on esile toodud ka F. Herberti romaanis „Düün“ kus kõrge intellektiga masinad on keelatud ja hävitatud. Hirm robotite ülestõusu vastu ei ole enam väljamõeldis, vaid käega katsutav tulevik, kui me ei ole ettevaatlikud. Stephen Hawkingsi sõnul on see inimkonnale suurim oht, mille pärast me muretsema peaksime. Kui inimesest targem superintellekt peaks tekkima, siis ei saaks me seda niisama lihtsalt peatada kui A. C. Clarke romaanis. Teoreetiliselt saaks me kõik elektroonilised seadmed hävitada, kuid seesugune masin on targem kui kõik inimesed kokku ja saaks hävitada kogu elu palju lihtsamini kui inimesed teda. [47, 48]

Kokkuvõte

Intellektuaalseteks eluvormideks loetakse harilikult inimesi kui ka teisi arenenud loomaliike, kes on võimelised seoseid looma ning asjadest aru saama. Tehisintellektiks võib seega pidada programme, mis proovivad jäljendada samasugust mõtlemist, nagu inimesed seda teevad. Peamine otstarve ongi olla inimestest parem ja teha ülesandeid nende eest, muutes elu paremaks ja lihtsamaks kõikide jaoks.

Tehisintelligentsid ei ole kõik samasugused, ega pruugi olla omavahel võrreldavadki. Nendest võib mõelda kui professionaalsetest töötajatest, kellel on väga konkreetne tööülesanne. Täpselt nagu pagar, kes küpsetab vaarikakooke, ei oma ühiseid oskuseid elukutselise maadlejaga, ei oma isesõitev auto ühiseid omadusi parima malemängu programmiga. Isemõtlevad masinad on loodud väga konkreetseteks ametikohtadeks, sest täpselt nagu spetsialiseerinud pagaril pole vaja maadelda, ei ole vaja ühel ainsal programmil mitut keerukat tööd teha. Samas on olemas programme, mis on võimelised õppima ja jäljendama lihtsamaid ülesandeid, mida nendele ette näidatakse. See on ilmselge edasiliikumine harilikkudest spetsialiseerunud masinatest, kuid kaugeltki mitte superintellekti sarnane, mida tulevikuks ennustatakse. [49]

Peamine viis, kuidas tehisintellekt erineb algelistematest masinast on see, et seda pole välja arendanud mitte inimesed, vaid masin ise. Õppimisvõimelised masinad saavad targemaks tänu vigade analüüsimisele. Kui seesugusele masinale anda ülesandeks kurgipurgi avamine ja kolm võimalust selle saavutamiseks, siis analüüsib ta parimat tulemust ja sooritab uued katsed lähtudes sellest. Inimene ise ei tea tihtipeale, kuidas masin täpselt mõtleb, kuid hinnates töö tulemust saab programm tagasisidet ja proovib end katseeksitusmeetoditel parandada. Kui kujutada sellist stsenaariumit ette inimese kujul oleks see koolis käimata arvutama õppimine, kuni katse eksitus meetodil saadakse matemaatika eksamis maksimaalsed punktid. Ilmselgelt võtaks see määramatult kaua aega, aga olles masin toimub selline protsess kordades kiiremini. [50]

Tehisintelligents on valmistanud paljudele inimestele pahameelt, sest see asendab neid, võttes nende töökohad. Peamine vaidluspunkt on see, et masinad on loonud inimestele uusi töökohti. Tööstusrevolutsiooni ajal tulid õmblusmasinad ja paljud õmblejad jäid tööta, aga siis tulid uued ametid, mis tegelesid õmblusmasinate hoolduse, arendamise ja parandamisega. See on tõsi, et uued ametid tulevad peale ja töökohtade valik laieneb. Vastuargumendiks sellele ei asenda uued ametid nende arvu, mida masinad üle võtsid. Vaatamata tehnika arengule on kõige suurema nõudlusega ametid jäänud aasta-kümneid samaks. Ametid nagu autojuhid, advokaadid ja arstid ei ole arvutite tulekuga programmeerijatele maha jäänud. Kui isesõitvad autod, andmete töötlejad ja meditsiini analüüsivad programmid peaksid kasvõi pooleldi asendama nende alade inimtööjõudu, siis ei ole professionaalsetel töötajatel enam mingeid ühiskonnale kasulikke oskuseid. [45]

Tänaseks päevaks on tehisintelligents maailmas väga suureks ja oluliseks teemaks, seega on sellega tegelevad programmid viimaste aastatega aina rohkem rahastust saanud. Peamine rahastaja on olnud Ameerika Ühendriigid, kuid viimasel ajal on Hiina ja USA sama palju kõiksuguseid tehisintelligentsi programme toetanud. Mõte on selles: kes kontrollib paremat tehisintellekti ja selle arengut, omab edu kõiges, milleks need masinad võimelised on. Lääneriikide suur eelis on see, et siin on rohkem maailma parimaid professionaale, kes on võimelised kergemalt programme arendama ja läbimurdeid teha. Hiina suur eelis on tema populatsioon. Tehisintelligents vajab suures koguses infot, et õigeid järeldusi teha ja end arendada. Hiinal, kui suure rahvaarvuga riigil, on võimalus programmidele rohkem statistilisi andmeid anda kui Ameerika Ühendriigid selleks võimelised on. [51]

Isegi kui me ei pruugi seda esmasel pilgul näha on tehisintellekt igal pool meie elus. Lugedes tihti ajakirjandust oleme me tõenäoliselt silmanud mõnda artiklit, mille on kirjutanud masin mitte inimene. Programmid on selles juba piisavalt head, et nende avaldatud töid ei osata inimeste omadest eristada. Masinintellektid suudavad ka kunsti luua ja on kirjutanud juba tuhandeid meloodiaid. Kui isegi loovus pole midagi, mida masin teha ei suudaks, siis jääbki inimest nõudvaid töökohti aina vähemaks. Kui masinad saavad juba hakkama lihtsate ametitega nagu kassapidaja olemisega iseteenindus kassadena või siis haiguste diagnoosimisega, asendades perearste, siis on kõigest ajaküsimus, millal ei ole enam ühtegi ametit, mis inimest nõuaksid. Kohati just see ongi see, milleni jõuda proovitakse. Kui esimene tööstusrevolutsioon lükkas inimesed põldudelt tehastesse ja teine tööstusrevolutsioon lükkas inimesed tehastest teenindussektorisse, siis tehisintellekt on see, mis asendab inimeste töid täpselt samamoodi, nagu autod asendasid hobuste töid. [52, 53]


Kasutatud materjalid

[1] „Overview: Artificial Intelligence.“ Oxford Reference. https://www.oxfordreference.com/view/10.1093/oi/authority.20110803095426960 (vaadatud 25. nov, 2020)
[2] B. J. Copeland. „Artificial Intelligence.“ Britannica. https://www.britannica.com/technology/artificial-intelligence (vaadatud 25. nov, 2020)
[3] A. M. Turing, „Computing Machinery and Intelligence”, Mind, vol. LIX, no. 236, pp. 433-460, okt 1950, doi:10.1093/mind/LIX.236.433.
[4] „Kuidas defineerida tehisintellekti?“ Elements of AI. https://course.elementsofai.com/ee/1/1 (vaadatud 25. nov, 2020)
[5] J. Johnson. „4 Types of Artificial Intelligence.“ BMC Blogs. https://www.bmc.com/blogs/artificial-intelligence-types/(vaadatud 25. nov, 2020)
[6] E. Sügis. „Mis on tehisintellekt?“ Tartu Ülikooli Arvutiteaduste Instituut. https://courses.cs.ut.ee/2020/Tehisintellekti_algkursus/spring/Main/PARTITehisint (vaadatud 25. nov, 2020)
[7] B. Dickson. „What is artificial narrow intelligence (Narrow AI)?“ TechTalks. https://bdtechtalks.com/2020/04/09/what-is-narrow-artificial-intelligence-ani/ (vaadatud 25. nov, 2020)
[8] „Types of AI: distinguishing between weak, strong, and super AI.“ ThinkAutomation. https://www.thinkautomation.com/bots-and-ai/types-of-ai-distinguishing-between-weak-strong-and-super-ai/ (vaadatud 25. nov, 2020)
[9] A. Shashkevich. “Stanford researcher examines earliest concepts of artificial intelligence, robots in ancient myths” Stanford News. https://news.stanford.edu/2019/02/28/ancient-myths-reveal-early-fantasies-artificial-life/ (vaadatud 9. dets, 2020).
[10] M. Koit. “Tehisintellekt – mis oli, mis on uus ja mis tuleb?” Sirp. https://www.sirp.ee/s1-artiklid/c21-teadus/tehisintellekt-mis-oli-mis-on-uus-ja-mis-tuleb/ (vaadatud 9. dets, 2020).
[11] “Tehisintellekti filosoofia.” Elements of AI. https://course.elementsofai.com/ee/1/3 (vaadatud 9. dets, 2020).
[12] B. J. Copeland. „Artificial Intelligence.“ Britannica. https://www.britannica.com/technology/artificial-intelligence/The-Turing-test#ref219092 (vaadatud 9. dets, 2020).
[13] M. Koit and T. Roosmaa, Tehisintellekt. Tartu: Tartu Ülikooli Kirjastus, 2011. [E-book]. Loetud aadressil: https://dspace.ut.ee/bitstream/handle/10062/28296/tehisintellekt.pdf?sequence=2&isAllowed=y (vaadatud 9. dets, 2020).
[14] “Shannon Issues the First Technical Paper on Computer Chess.” Historyofinformation.org https://www.historyofinformation.com/detail.php?id=73 (vaadatud 9. dets, 2020).
[15] R. Brooks. “[For&AI] The Origins of “Artificial Intelligence””. https://rodneybrooks.com/forai-the-origins-of-artificial-intelligence/ (vaadatud 9. dets, 2020).
[16] R. Reynoso. “A Complete History of Artificial Intelligence.” G2. https://learn.g2.com/history-of-artificial-intelligence (vaadatud 9. dets, 2020).
[17] R. Anyoha. “The History of Artificial Intelligence.” Science in the News. http://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/ (vaadatud 9. dets, 2020).
[18] “Timeline of Computer History.” Computerhistory.org. https://www.computerhistory.org/timeline/ai-robotics/ (vaadatud 9. dets, 2020).
[19] C. Smith, B. McGuire, T. Huang and G. Yang. The History of Artificial Intelligence. (2006, December). CSEP 590A. University of Washington https://courses.cs.washington.edu/courses/csep590/06au/projects/history-ai.pdf (vaadatud 9. dets, 2020).
[20] “History: The 1940's to the 1970's.” Cs.stanford.edu. https://cs.stanford.edu/people/eroberts/courses/soco/projects/neural-networks/History/history1.html (vaadatud 9. dets, 2020).
[21] „Deep Blue.“ IBM. https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/ (vaadatud 9. dets, 2020).
[22] “A Brief History of AI.” Aitopics.org. https://aitopics.org/misc/brief-history (vaadatud 9. dets, 2020).
[23] “Timeline of AI Art.” Aiartists.org. https://aiartists.org/ai-timeline-art (vaadatud 9. dets, 2020).
[24] A. Abraham and C. Grosan, „Rule-Based Expert Systems“, Intelligent Systems, vol. 17, pp. 149-185, 2011, doi: 10.1007/978-3-642-21004-4_7.
[25] A. Hintze. „Understanding the Four Types of Artificial Intelligence.“ Government Technology. https://www.govtech.com/computing/Understanding-the-Four-Types-of-Artificial-Intelligence.html (vaadatud 26. nov, 2020).
[26] „Deep Blue.“ IBM. https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/ (vaadatud 26. nov, 2020).
[27] G. Press. „The Brute Force Of IBM Deep Blue And Google DeepMind.“ Forbes. https://www.forbes.com/sites/gilpress/2018/02/07/the-brute-force-of-deep-blue-and-deep-learning/ (vaadatud 26. nov, 2020).
[28] R. E. Korf, „Does Deep Blue use Artificial Intelligence?“, ICGA Journal, vol. 20, no. 4, pp. 243-245, 1997, doi: 10.3233/ICG-1997-20404.
[29] „Rule Based System.“ DeepAI. https://deepai.org/machine-learning-glossary-and-terms/rule-based-system(vaadatud 26. nov, 2020).
[30] E. Krasner. „How to choose between rule-based AI and machine learning.“ https://bdtechtalks.com/2020/06/05/rule-based-ai-vs-machine-learning/ (vaadatud 26. nov, 2020).
[31] “What is limited memory AI?” Sintelly https://sintelly.com/articles/what-is-limited-memory-ai (vaadatud 26. nov, 2020).
[32] “What is Machine Learning? A definition.” ExpertAI https://www.expert.ai/blog/machine-learning-definition/ (vaadatud 26. nov, 2020).
[33] J. Brownlee “Supervised and Unsupervised Machine Learning Algorithms” Machine Learning Mastery https://machinelearningmastery.com/supervised-and-unsupervised-machine-learning-algorithms/ (vaadatud 26. nov, 2020).
[34] T. Pungas “Masinõpe: mittetehniline ülevaade” Pungas https://pungas.ee/masinope-mittetehniline-ulevaade/(vaadatud 26. nov, 2020).
[35] A. Wilson “A Brief Introduction to Supervised Learning” Towards Data Science https://towardsdatascience.com/a-brief-introduction-to-supervised-learning-54a3e3932590 (vaadatud 26. nov, 2020).
[36] R. Iriondo “Machine Learning (ML) vs. Artificial Intelligence (AI) - Crucial Differences” Medium https://medium.com/towards-artificial-intelligence/differences-between-ai-and-machine-learning-and-why-it-matters-1255b182fc6 (vaadatud 26. nov, 2020).
[37] A. Wilson “A Brief Introduction to Supervised Learning” https://a-i-dan.github.io/intro_unsupervised (vaadatud 26. nov, 2020).
[38] B. Osiński ja K. Budek “What is reinforcement learning? The complete guide” DeepsenseAI https://deepsense.ai/what-is-reinforcement-learning-the-complete-guide/ (vaadatud 26. nov, 2020).
[39] P. Bajaj “Reinforcement learning” GeeksforGeeks https://www.geeksforgeeks.org/what-is-reinforcement-learning/ (vaadatud 26. nov, 2020).
[40] S. Bhatt “5 Things You Need to Know about Reinforcement Learning” KDnuggets https://www.kdnuggets.com/2018/03/5-things-reinforcement-learning.html (vaadatud 26. nov, 2020).
[41] Jane Wakefield. “Intelligent Machines: The truth behind AI fiction”. https://www.bbc.com/news/technology-33629465 (vaadatud 26. nov, 2020).
[42] Federico Berruti, Pieter Nel, and Rob Whiteman. “An executive primer on artificial general intelligence”. https://www.mckinsey.com/business-functions/operations/our-insights/an-executive-primer-on-artificial-general-intelligence# (vaadatud 26. nov, 2020).
[43] Aya Burstein Ben- Aharon. “Is AI doomed to be racist and sexist?”. https://uxdesign.cc/is-ai-doomed-to-be-racist-and-sexist-97ee4024e39d (vaadatud 26. nov, 2020).
[44] Geeksforgeeks. “What is Artificial Super Intelligence (ASI)?”. https://www.geeksforgeeks.org/what-is-artificial-super-intelligence-asi/ (vaadatud 26. nov, 2020).
[45] Sam Shead. “Elon Musk says DeepMind is his ‘top concern’ when it comes to A.I”. https://www.cnbc.com/2020/07/29/elon-musk-deepmind-ai.html (vaadatud 26. nov, 2020).
[46] James Barrat. “Our Final Invention: Artificial Intelligence and the End of the Human Era”. https://www.nyjournalofbooks.com/book-review/our-final-invention (vaadatud 26. nov, 2020).
[47] Ronald Bailey. “Will Superintelligent Machines Destroy Humanity?”. https://reason.com/2014/09/12/will-superintelligent-machines-destroy-h/ (vaadatud 26. nov, 2020).
[48] Rory Cellan-Jones. “Stephen Hawking warns artificial intelligence could end mankind”. https://www.bbc.com/news/technology-30290540 (vaadatud 26. nov, 2020).
[49] The Robot Report Staff. ”Everyday Robot Project at X to push general-purpose robot development”. https://www.therobotreport.com/everyday-robot-project-x-pushes-general-purpose-robot-development/ (vaadatud 26. nov, 2020).
[50] Jakob Bogan. “Out of the Loop”. https:/4/slate.com/technology/2017/08/machine-learning-hobbyist-janelle-shane-talks-about-her-wacky-neural-nets.html (vaadatud 26. nov, 2020).
[51] Yasmin Dadjdeh. “China Threatens U.S. Primacy in Artificial Intelligence (UPDATED)”. https://www.nationaldefensemagazine.org/articles/2020/10/30/china-threatens-us-primacy-in-artificial-intelligence (vaadatud 26. nov, 2020).
[52] Bernard Marr. “10 Wonderful Examples Of Using Artificial Intelligence (AI) For Good”. https://www.forbes.com/sites/bernardmarr/2020/06/22/10-wonderful-examples-of-using-artificial-intelligence-ai-for-good/?sh=3a5407882f95 (vaadatud 26. nov, 2020).
[53] European Parliament. “What is artificial intelligence and how is it used?”. https://www.europarl.europa.eu/news/en/headlines/society/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used (vaadatud 26. nov, 2020).
[54] M. Schott “K-Nearest Neighbors (KNN) Algorithm for Machine Learning” Medium https://medium.com/capital-one-tech/k-nearest-neighbors-knn-algorithm-for-machine-learning-e883219c8f26 (vaadatud 26. nov, 2020).