Sfetcu, Nicolae (2024), Instrumente utilizate în dezvoltarea IA – Testul Turing, IT & C, 3:3, 3-10, DOI: 10.58679/IT18405, https://www.internetmobile.ro/instrumente-utilizate-in-dezvoltarea-ia-testul-turing/

Tools Used in AI Development – The Turing Test

Abstract

Artificial intelligence has become a cornerstone of modern technological innovation, propelling advances from self-driving to personalized medicine. Developing AI systems requires specialized tools and technologies, each tailored to facilitate different aspects of AI research and application. This essay provides an overview of the primary tools used and trends in AI development. Understanding these tools enriches our understanding of how AI solutions are created, refined and delivered across sectors.

Keywords: artificial intelligence, turing test, AI development, AI trends, machine learning, deep learning

Rezumat

Inteligența artificială a devenit o piatră de temelie a inovației tehnologice moderne, propulsând progresele de la conducerea automată la medicina personalizată. Dezvoltarea sistemelor AI necesită instrumente și tehnologii specializate, fiecare adaptată pentru a facilita diferite aspecte ale cercetării și aplicării AI. Acest eseu oferă o privire de ansamblu asupra instrumentelor primare utilizate și tendințelor în dezvoltarea AI. Înțelegerea acestor instrumente ne îmbogățește înțelegerea modului în care soluțiile AI sunt create, rafinate și livrate în diferite sectoare.

Cuvinte cheie: inteligența artificială, testul Turing, dezvoltarea IA, tendințe IA, învățarea automată, învățarea profundă

IT & C, Volumul 3, Numărul 3, Septembrie 2024, pp. 3-10
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT18405
URL: https://www.internetmobile.ro/instrumente-utilizate-in-dezvoltarea-ia-testul-turing/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

Instrumente utilizate în dezvoltarea IA – Testul Turing

Ing. fiz. Nicolae SFETCU[1], MPhil

nicolae@sfetcu.com

[1] Cercetător – Academia Română – Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), Divizia de Istoria Științei (DIS), ORCID: 0000-0002-0162-9973

Introducere

Inteligența artificială a devenit o piatră de temelie a inovației tehnologice moderne, propulsând progresele de la conducerea automată la medicina personalizată. Dezvoltarea sistemelor AI necesită instrumente și tehnologii specializate, fiecare adaptată pentru a facilita diferite aspecte ale cercetării și aplicării AI. Acest eseu oferă o privire de ansamblu asupra instrumentelor primare utilizate și tendințelor în dezvoltarea AI. Înțelegerea acestor instrumente ne îmbogățește înțelegerea modului în care soluțiile AI sunt create, rafinate și livrate în diferite sectoare.

Instrumente

Instrumente utilizate în dezvoltarea IA:

• Căutarea și optimizarea: Raționamentul poate fi redus la efectuarea unei căutări și aplicarea unor reguli de inferență. Euristica furnizează „cea mai bună presupunere” pentru calea pe care se află soluția. În anii 1990 s-a dezvoltat o căutare bazată pe teoria matematică a optimizării. Calculul evolutiv folosește, de asemenea o formă de căutare de optimizare(Russell și Norvig 2016).
• Logica: Folosită în special pentru reprezentarea cunoștințelor și rezolvarea de probleme, precum algoritmul satplan care folosește logica pentru planificare, sau programarea logică inductivă ca o metodă de învățare(Russell și Norvig 2016).
• Metode probabilistice pentru raționamentul incert: Există situații în care agentul trebuie să opereze cu informații incomplete sau incerte. Pentru a rezolva aceste probleme se folosesc metode din teoria probabilității și economie, precum rețelele bayesiene. Algoritmii probabilistici pot fi utilizați și în fluxurile de date, pentru analiza proceselor (de exemplu, modele Markov ascunse sau filtre Kalman) (Russell și Norvig 2016).
• Clasificatori și metode de învățare statistică: Aplicațiile IA pot fi împărțite în clasificatori (care clasifică) și controlere (care implică o acțiune). Clasificatorii utilizează potrivirea modelului pentru a determina cea mai apropiată potrivire. Un clasificator poate fi antrenat statistic sau prin învățarea automată, de ex. prin arborele de decizie care este cel mai simplu și mai utilizat algoritm simbolic de învățare automată, algoritmul K-al celui mai apropiat vecin, mașina vectorului suport (SVM) (Russell și Norvig 2016), clasificatorul naiv bayesian (Domingos 2015), rețelele neuronale (Russell și Norvig 2016), etc.
• Rețele neuronale artificiale: Inspirate de arhitectura neuronilor din creierul uman, antrenate prin diverse tehnici, precum algoritmul de retropropagare(Russell și Norvig 2016), învățarea Hebbian, GMDH sau învățarea competitivă (Luger și Stubblefield 1993). Cele mai folosite rețele neuronale sune cele aciclice (feedforward, unde semnalul trece într-o singură direcție, precum perceptronii, perceptronii multistrat și rețelele pe bază radială (Russell și Norvig 2016)) și rețelele neuronale recurente (care permit feedback și memorii pe termen scurt).
• Învățarea profundă: Folosește mai multe straturi de neuroni între intrările și ieșirile rețelei. Învățarea profundă a îmbunătățit performanța programelor în multe subdomenii IA(Ciregan, Meier, și Schmidhuber 2012, 3642–49), folosind rețele neuronale convoluționale unde un neuron primește input doar dintr-o zonă restrânsă a stratului anterior (Habibi Aghdam și Jahani Heravi 2017), și rețele neuronale recurente unde semnalul se va propaga printr-un strat de mai multe ori (Luger și Stubblefield 1993, 474–505).
• Limbaje și hardware specializate: Limbaje specializate pentru inteligența artificială, precum Lisp, Prolog, TensorFlow, etc., și hardware precum acceleratoare IA și calcul neuromorf.

Învățarea automată (ML), ca subdomeniu IA, include algoritmi care construiesc un model bazat pe date eșantion, cunoscut sub denumirea de „date de antrenament”. ML poate fi împărțită în următoarele categorii (Joint Research Centre (European Commission), Samoili, et al. 2020):

• Algoritmii de învățare supravegheată: mapează valorile de intrare la ieșire pe baza exemplelor etichetate de perechi intrare-ieșire. Are nevoie de cantități considerabile de date etichetate, adesea făcute de oameni.
• Algoritmii de învățare nesupravegheată: ajută la găsirea modelelor necunoscute anterior în seturile de date fără etichete preexistente, prin gruparea articolelor similare în „clustere”.
• Algoritmii de învățare semi-supravegheată: o categorie intermediară între învățarea supravegheată și nesupravegheată, în care datele conțin atât date etichetate, cât și neetichetate.
• Învățarea prin consolidare: agenții întreprind acțiuni într-un mediu pentru a maximiza o recompensă.

Tendințe

Învățarea profundă și rețele neuronale: Învățarea profundă, activată de rețelele neuronale, permite algoritmilor să învețe modele complexe din cantități mari de date, realizând sarcini care anterior erau considerate dincolo de sfera mașinilor. Viziunea computerizată a avansat odată cu utilizarea rețelelor neuronale convoluționale, care pot învăța să extragă caracteristici și modele din datele vizuale (Sfetcu 2023).

Procesarea limbajului natural (NLP): Aplicațiile procesării limbajului natural, cum ar fi chatbot, asistenți vocali, traducere automată, analiză a sentimentelor, rezumat text, analiza sentimentelor și multe altele, au făcut interacțiunile cu computerele mai naturale și mai eficiente. NLP s-a îmbunătățit odată cu utilizarea modelelor de învățare profundă, cum ar fi transformatoarele, care pot capta informațiile semantice și sintactice ale limbajului natural.

Învățarea prin consolidare și sisteme autonome: O tehnică puternică de instruire a agenților IA pentru a lua decizii în medii dinamice. S-a dezvoltat cu ajutorul rețelelor neuronale profunde, care pot învăța politici și strategii complexe din date cu dimensiuni mari. Rețele adverse generative sunt un tip de rețea neuronală care poate genera date realiste și noi, cum ar fi imagini, videoclipuri, text și audio.

Etica și explicabilitatea IA: Cercetătorii și factorii de decizie politică lucrează pentru a aborda problema ”cutiei negre” prin promovarea transparenței, a răspunderii și a dezvoltării de modele IA explicabile. Cadrele etice de inteligență artificială urmăresc să se asigure că tehnologiile de inteligență artificială sunt dezvoltate și utilizate în mod responsabil, respectând valorile și drepturile omului.

Edge IA și învățarea federată: Utilizarea edge computing prin rularea algoritmilor IA pe dispozitive locale, mai degrabă decât să se bazeze doar pe infrastructura bazată pe cloud. Învățarea federată, un subset al edge IA, permite mai multor dispozitive să antreneze în colaborare un model IA partajat fără a partaja date brute, păstrând confidențialitatea utilizatorilor.

IA în asistența medicală: IA a făcut progrese semnificative în sectorul asistenței medicale, asistând profesioniștii din domeniul medical în diagnosticare, planificare a tratamentului, descoperirea medicamentelor și monitorizarea pacienților. Modelele de învățare automată analizează imagini medicale, prezic progresia bolii și identifică modele în datele pacienților pentru a oferi soluții personalizate de asistență medical (Sfetcu 2023).

Roboți: Dennett et al. afirmă că este puțin probabil ca cineva să creeze vreodată un robot care să fie conștient exact așa cum sunt oamenii, apelând la următoarele argumente (Daniel C. Dennett et al. 1994):

• Roboții sunt lucruri pur materiale, iar conștiința necesită lucruri imateriale ale minții. (dualism tradițional)
• Roboții sunt anorganici (prin definiție), iar conștiința poate exista doar într-un creier organic.
• Roboții sunt artefacte, iar conștiința detestă un artefact; numai ceva natural, născut, nefabricat, ar putea prezenta o conștiință autentică.
• Roboții vor fi întotdeauna mult prea simpli pentru a fi conștienți.

Testul Turing

René Descartes a prefigurat aspecte ale testului Turing în Discursul său din 1637, când a scris:

”Câte automate diferite sau mașini în mișcare ar putea fi fabricate de industria umană… Căci putem înțelege cu ușurință apariția unei mașini astfel încât să poată rosti cuvinte și chiar să emită unele răspunsuri la acțiunile de natură corporală asupra ei, care aduce o schimbare în organele sale; de exemplu, dacă este atinsă într-o anumită parte, poate întreba ce dorim să-i spunem; într-o altă parte poate exclama că este rănită, și așa mai departe. Dar nu se întâmplă niciodată să-și aranjeze vorbirea în diferite feluri, pentru a răspunde adecvat la tot ce se poate spune în prezența ei, așa cum poate face și cel mai de jos tip de om.” (René Descartes 1996, 34–35)

Descartes consideră că ceea ce separă umanul de automat este insuficiența răspunsului lingvistic adecvat, dar ia în considerare posibilitatea ca viitoarele automate să poată depăși această problemă.

În 1936, Alfred Ayer a luat în considerare problema altor minți: de unde știm că alți oameni au aceleași experiențe conștiente ca și noi? În Language, Truth and Logic a sugerat un protocol pentru a distinge între un om conștient și o mașină inconștientă:

„Singurul temei pe care îl pot avea pentru a afirma că un obiect care pare a fi conștient nu este cu adevărat o ființă conștientă, ci doar o mașină, este că nu reușește să satisfacă unul dintre testele empirice prin care este determinată prezența sau absența conștiinței.” (Ayer 1936)

Testul Turing, numit inițial jocul de imitație de Alan Turing în 1950 (Turing 1950), este un test al capacității unei mașini de a prezenta un comportament inteligent echivalent cu cel al unui om, sau care nu se poate distinge de acesta. Lucrarea a fost dezvoltată pe baza ideii lui Kurt Godel, conform căreia există afirmații despre calculul numerelor care sunt adevărate, dar care nu pot fi dovedite (Huang și Smith 2006). În test, un evaluator uman asistă la conversațiile în limbaj natural între un om și o mașină, fără a-i vedea. Conversația este afișată ca text. Dacă evaluatorul nu poate deosebi net mașina de om, se spune că mașina a trecut testul.

Testul din cartea lui Turing începe cu cuvintele: „Îmi propun să luăm în considerare întrebarea „Pot mașinile să gândească?””, dar, deoarece „gândirea” este greu de definit, Turing înlocuiește „întrebarea cu alta, care este strâns legată de ea și este exprimată în cuvinte relativ lipsite de ambiguitate,” (Turing 1950, 433) „Există computere digitale imaginabile care s-ar descurca bine în jocul de imitație?” (Turing 1950, 442)

În 1952 Turing propune o nouă versiune, în care un juriu pune întrebări unui computer și rolul acestuia este de a face o parte semnificativă a juriului să creadă că este cu adevărat un om (Weizenbaum 1966, 42).

Există mai multe limitări ale testului: de stocare, obiecții teologice, contra-argumente matematice, capacitatea inovativă și emoțională a computerului, etc. Problemele potențiale ale testului Turing țin de întrebarea dacă imitarea unui om dovedește de fapt inteligență (inteligența este posibilă fără a trece testul Turing), și în ce măsură trecerea testului Turing este o condiție suficientă.

Practic, testul Turing nu testează în mod direct dacă computerul se comportă inteligent, doar dacă computerul se comportă ca o ființă umană. Deci, testul nu poate fi folosit pentru a construi sau evalua sisteme care sunt mai inteligente decât oamenii. Unii cercetători susțin că încercarea de a trece testul Turing este doar o distragere a atenției de la o cercetare mai fructuoasă (Traiger 2000).

Lucrarea lui John Searle din 1980 Minds, Brains, and Programs a propus experimentul de gândire „camera chinezească” și a susținut că testul Turing nu poate fi folosit pentru a determina dacă o mașină poate gândi (J. R. Searle 1980).

Testul Turing. Sursa: Juan Alberto Sánchez Margallo/Wikimedia Commons, licența CC BY 2.5

Unul din contra-argumente („argumentul din conștiință”) susține că doar imitarea unui om nu ar fi suficientă, deoarece nu implică toate caracteristicile specifice oamenilor. Un alt contra-argument este „obiecția lui Lady Lovelace” conform căreia, deoarece mașinile pot face doar ceea ce le spunem noi, ele nu pot genera nimic, în timp ce este clar că oamenii sunt capabili de noi concepte și idei (Oppy și Dowe 2021).

În timp au apărut multe alternative la testul Turing, precum Testul Feigenbaum (Feigenbaum și McCorduck 1983), testul propus de Nicholas Negroponte (Brand 1989), etc.

Alan Turing prognoza că testul va fi trecut de un computer până în anul 2000. Dar până în prezent niciun computer nu a reușit încă să treacă de testul Turing.

Concluzie

Dezvoltarea IA implică o suită complexă de instrumente care abordează diverse nevoi, de la programare și manipulare a datelor până la testare și implementare. Pe măsură ce domeniul IA continuă să evolueze, la fel vor evolua și instrumentele care îi susțin avansarea, conducând eficiența și noi capabilități în această disciplină dinamică. Selectarea instrumentelor adecvate este esențială pentru dezvoltarea de soluții IA eficiente, robuste, care să funcționeze la scară și să se adapteze în timp. Această înțelegere nu numai că echipează dezvoltatorii de inteligență artificială cu mijloacele necesare pentru a-și executa proiectele, ci îi dă și puterea să inoveze și să depășească limitele a ceea ce poate realiza inteligența artificială.

Bibliografie

• Ayer, Alfred J. T. 1936. „Language, Truth and Logic”. Nature 138 (3498): 823–823. https://doi.org/10.1038/138823a0.
• Brand, Stewart. 1989. The Media Lab: Inventing the Future at MIT. Penguin Books.
• Ciregan, Dan, Ueli Meier, și Jürgen Schmidhuber. 2012. „Multi-column deep neural networks for image classification”. În 2012 IEEE Conference on Computer Vision and Pattern Recognition, 3642–49. https://doi.org/10.1109/CVPR.2012.6248110.
• Dennett, Daniel C., F. Dretske, S. Shurville, A. Clark, I. Aleksander, și J. Cornwell. 1994. „The Practical Requirements for Making a Conscious Robot [and Discussion]”. Philosophical Transactions: Physical Sciences and Engineering 349 (1689): 133–46.
• Descartes, René. 1996. „Discourse on the Method and Meditations on First Philosophy”. Yale University Press (blog). 1996. https://yalebooks.yale.edu/9780300067736/discourse-on-the-method-and-meditations-on-first-philosophy.
• Domingos, Pedro. 2015. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Penguin Books Limited.
• Feigenbaum, Edward A., și Pamela McCorduck. 1983. The Fifth Generation: Artificial Intelligence and Japan’s Computer Challenge to the World. Addison-Wesley.
• Habibi Aghdam, Hamed, și Elnaz Jahani Heravi. 2017. „Guide to Convolutional Neural Networks: A Practical Application to Traffic-Sign Detection and Classification”. 2017. https://shop.harvard.com/book/9783319861906.
• Huang, Ting, și Christopher Smith. 2006. „The History of Artificial Intelligence”. În . https://www.semanticscholar.org/paper/The-History-of-Artificial-Intelligence-Huang-Smith/085599650ebfcfba0dcb434bc50b7c7c54fdbf05.
• Joint Research Centre (European Commission), S. Samoili, M. López Cobo, E. Gómez, G. De Prato, F. Martínez-Plumed, și B. Delipetrev. 2020. AI Watch: Defining Artificial Intelligence : Towards an Operational Definition and Taxonomy of Artificial Intelligence. Publications Office of the European Union. https://data.europa.eu/doi/10.2760/382730.
• Luger, George F., și William A. Stubblefield. 1993. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Benjamin/Cummings Publishing Company.
• Oppy, Graham, și David Dowe. 2021. „The Turing Test”. În The Stanford Encyclopedia of Philosophy, ediție de Edward N. Zalta, Winter 2021. Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/win2021/entriesuring-test/.
• Russell, Stuart, și Peter Norvig. 2016. „Artificial Intelligence: A Modern Approach, 4th US ed.” 2016. https://aima.cs.berkeley.edu/.
• Searle, John R. 1980. „Minds, Brains, and Programs”. Behavioral and Brain Sciences 3 (3): 417–24. https://doi.org/10.1017/S0140525X00005756.
• Sfetcu, Nicolae. 2023. „Provocări în inteligența artificială”. IT & C. 5 august 2023. https://www.internetmobile.ro/provocari-in-inteligenta-artificiala/.
• Traiger, Saul. 2000. „Making the Right Identification in the Turing Test1”. Minds and Machines 10 (4): 561–72. https://doi.org/10.1023/A:1011254505902.
• Turing, A. M. 1950. „Computing Machinery and Intelligence”. Mind LIX (236): 433–60. https://doi.org/10.1093/mind/LIX.236.433.
• Weizenbaum, Joseph. 1966. „ELIZA—a computer program for the study of natural language communication between man and machine”. Communications of the ACM 9 (1): 36–45. https://doi.org/10.1145/365153.365168.

Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).