7.2 Примене вештачке интелигенције¶
Упознали смо се са појмом вештачке интелигенције и сада мало боље разумемо на шта се ова област рачунарства односи. Поменули смо примере програма који се убрајају у вештачку интелигеницију, као и оних који ту не спадају. Погледајмо сада зашто је ова област толико важна, где се све примењује и које све гране људске делатности унапређује.
Роботика
Први роботи су коришћени у индустрији и били у стању само да механички понављају једну радњу, за коју су у том тренутку били подешени. Човек је морао да води рачуна о томе да се предмет обраде заиста налази тамо где га робот очекује, да је прецизно позициониран и окренут како треба. Према томе, процес производње је и поред употребе робота и даље стално зависио од људи, тј. од њихове обучености, спретности, концентрације итд.
Данашњи роботи су поред осталог опремљени камерама и интелигентним софтвером, који им омогућава да функционишу много самосталније него њихови претходници. Тако сада индустријски роботи могу да се без интервенције човека врло прецизно позиционирају у односу на предмет обраде. Захваљујући томе, процес производње је постао бржи, рад прецизнији, а производи квалитетнији.
Роботи се више не користе само у индустрији. Има их и у истраживачким лабораторијама, болницама, ресторанима, па и по кућама и становима. Већина тих робота се креће, па је често потребно да тачно знају где је њихово одредиште, како да до њега дођу и како да препознају да су до њега стигли. Роботи који се крећу међу људима треба додатно да пазе да им не препречују пут и не сударају се са њима. Уз све то, основни посао тих робота често подразумева да су у стању да самостално узму неки предмет, да га понесу и оставе на задатом месту. Ништа од тога не би било могуће без вештачке интелигенције.
Саобраћај
Вероватно сте чули за аутомобиле који умеју сами да се паркирају, а можда сте имали прилике и да их видите на делу. У неким деловима света се већ користе камиони који се самостално крећу међуградским путевима, а има и градова који су дозволили самостално кретање аутомобила на својим улицама. Може се очекивати да самостални аутомобили и друга превозна средства у не тако далекој будућности почну знатно масовније да се користе и смање потребу за возачима. Ово је повезано са развојем брзих интернет мрежа, доношењем одговарајућих закона и стварањем других услова, који нису у директној вези са развојем вештачке интелигенције.
Поред развоја самосталних превозних средстава, велики напредак се постиже у организацији градског саобраћаја. У многим градовима возила јавног превоза имају опрему помоћу које стално јављају свој положај. Захваљујући томе, путници могу на својим мобилним телефонима и другим уређајима да виде када ће до њихове станице стићи аутобус или трамвај који им је потребан.
У неким градовима се користе системи који помажу возачима да брже и лакше нађу слободна паркинг места дуж улица. Постоје и системи који мере густину саобраћаја тако што региструју пролазак сваког возила кроз раскрсницу. Ови подаци се користе за подешавање трајања сигнала на семафорима, чиме се смањује саобраћајна гужва. На неким местима је чак постигнуто да паметни семафори комуницирају са паметним аутомобилима и обавештавају их колико времена има до зеленог светла. На основу такве информације паметан аутомобил може привремено да искључи мотор да би смањио загађење и уштедео енергију, а када протекне најављено време, може самостално и да покрене мотор.
За градове у којима се користе поменута решења за побољшање саобраћаја кажемо да су то паметни градови. Паметни градови и на друге начине побољшавају услове живота људи који у њима живе.
Многа решења која се користе у паметним градовима, ослањају се на технологију која се зове интернет ствари (енгл. Internet of things, скраћено IoT). Интернет ствари се састоји од мноштва разноврсних уређаја (ствари), који комуницирају преко интернета. Ови уређаји су често опремљени различитим сензорима, преко којих прикупљају податке и шаљу их центру са којим су повезани. Примери таквих сензора су они који региструју присуство или одсуство аутомобила на паркинг местима, или пролазак аутомобила дуж улице. У наставку ћемо поменути и друге примере.
Пољопривреда
Један од проблема са којима се сусрећу пољопривредници је наводњавање. Чак и када се поставе системи за аутоматско наводњавање, корисно је да се уведе и неки систем за регулацију, који би самостално, у оптималном тренутку укључивао, односно искључивао наводњавање. За то могу да се употребе сензори који мере ниво влаге у земљишту, као и додатно знање о оптималној количини влаге у одређеним фазама узгоја, зависно од узгајане културе, састава земњљишта и др.
Сензори за мерење температуре могу да се употребе на пластеницима ради њеног регулисања, односно постизања оптималне температуре за гајење одређене биљне културе. Систем може да буде аутоматизован и да самостално нпр. отвори једну страну пластеника када је у њему претопло, или да само пошаље одговарајући сигнал и тиме скрене пажњу пољопривредника на насталу ситуацију.
Састав земљишта може да се побољша одговарајућом врстом ђубрива, али је за оптималну употребу ђубрива пожељно да се зна који састојци недостају у земљишту, на којим местима и у којој количини. За ово такође могу да се користе различити сензори који мере присуство одређених супстанци у земљишту и јављају га путем интернета ствари, а користе се и специјални сателитски снимци на којима може да се прочита састав земљишта.
Ако вас интересује примена интернета ствари и сродних технологија у ратарству, препоручујемо вам ову ТВ емисију, из које ћете стећи известан увид у могућности које су доступне и у нашој земљи.
Здравство
Дијагнозе здравственог стања пацијената се често врше на основу разних снимака и записа добијених са уређаја попут ултразвука, рентгена, ЕКГ, ЕЕГ, магнетне резонанце и других. Ове снимке по правилу тумаче лекари специјалисти, али могу да их тумаче и интелигентне машине. Машине могу да разврставају снимке према степену обољења или поремећаја на који се сумња, од оних где није примећен никакав проблем, па све до најтежих случајева. Конкретне категорије у које се снимци разврставају зависе од орагана који се снима, врсте снимка, уобичајених дијагноза које лекари дају у тој области итд.
Овде се ради о још једном примеру разврставања слика и других сигнала према њиховом садржају, слично као код препознавања људских лица или саобраћајних знакова. У свим таквим случајевима, машине се оспособљавају да разврстају слике у одређене групе. То се постиже кроз процес који називамо машинско учење (енгл. machine learning).
Машинско учење је подобласт вештачке интелигенције, чији је циљ стварање рачунарских система способних да уче на унапред датим примерима.
Напредни системи машинског учења могу и да се прилагођавају новонасталим ситуацијама, односно да уче и на примерима на које наилазе током употребе.
У случају разврставања слика, ово значи да се систему за машинско учење даје на располагање велики број слика за које је неко већ одредио којој категорији припадају (нпр. која дијагноза им одговара, или који саобраћајни знак је приказан на слици). Систем на основу тих примера гради алгоритам по коме ће будуће слике моћи да разврстава у дате категорије.
Како рачунар учи на примерима
Објаснићемо поједностављено како би могао да функционише систем за машинско учење на примеру препознавања оболелог (или оштећеног) органа на медицинским снимцима. Систем има на располагању велики број слика здравих органа и слика оболелих органа као дате примере, раздвојене у две групе. Систем на овим примерима испробава разна питања о осветљености пиксела и издваја она питања, код којих се одговори у великом броју случајева слажу са одговором на питање да ли се на слици налази здрав или оболео орган. На тај начин, систем је у стању да научи да изабере комбинацију корисних питања о пикселима слика, тако да по одговорима на та питања може да изведе закључак о постојању или непостојању обољења.
Ово је један од начина на који може да се оствари учење на примерима. Сличан поступак може да се спроведе када год је потребно да се подаци који пристижу, сврстају (класификују) у неку од унапред одређених група (класа, категорија). Ево неких примера:
слику неког људског органа систем класификује као слику здравог или слику оболелог органа.
слику терена испред робота систем класификује као проходан или непроходан терен.
слику једне цифре систем класификује у неку од 10 група, према томе која цифра се налази на слици.
текст поруке добијене имејлом систем класификује као жељену поруку или нежељену поруку (спам).
Напоменимо да се машинско учење не ограничава на задатке разврставања података у дате групе, али смо се овде задржали само на таквим примерима да текст не би постао сувише обиман и тежак за праћење.
Употреба интернета
Од самог настанка интернета врло брзо смо се навикли на интернет претраживаче, помоћу којих проналазимо садржаје на интернету који нас интересују. Примери претраживача су Гугл (Google), Бинг (Bing), Јаху (Yahoo), дак-дак-го (duckduckgo) и други. Сви ови претраживачи стално прегледају цео интернет и у неком за њих погодном облику складиште информације о томе шта су све видели. На тај начин, они могу да на наше упите одговоре веома брзо, јер већ имају информације о садржајима који постоје на интернету. Међутим, важан корак у функционисању претраживача је да на основу свега неколико речи које уносимо као појам за претрагу, они могу великом брзином и са високом поузданошћу да закључе који од свих могућих садржаја на интернету су за нас најрелевантнији, да би могли да нам их понуде на врху листе. За ово је такође неопходна вештачка интелигенција, помоћу које се релевантни садржаји проналазе и рангирају.
Други пример примене вештачке интелигенције је филтрирање нежељене поште. Ако користите електронску пошту, вероатно знате да у сваком таквом систему постоји посебан одељак за нежељену пошту (енгл. spam). Иза ове услуге се поново налази вештачка интелигенција и неки систем машинског учења, који је истрениран тако да уме да разврстава пристигле поруке на оне које желимо да примамо и остале (рекламе, покушаје преваре и друге нежељене поруке).
Када читамо или слушамо неки текст на страном језику, догађа се да наиђе реч, фраза, или реченица коју не разумемо. У том случају је довољно да посетимо веб страницу неког сервиса за аутоматско превођење текста са једног језика на други и унесемо текст који не разумемо, а превод се аутоматски појављује. Најпознатији такав сервис је Гугл преводилац (Google translate). Као што смо и раније истицали, програми који су у стању да пружају овакве услуге, убрајају се у вештачку интелигеницију.
Резимирајмо:
Вештачка интелигениција (скраћено ВИ) се примењује у многим областима људске делатности.
Применом ВИ у роботици, роботи постају самосталнији, па посао обављају брже и квалитетније.
Применом ВИ у паметним градовима смањују се саобраћајне гужве, бука и загађење, а грађани губе мање времена на чекање јавног превоза, тражење паркинга и друге свакодневне активности.
Применом ВИ у пољопривреди могу да се побољшају услови за раст биљака, укључујући температуру, влагу и састав земљишта.
Применом ВИ у здравству лекари могу (између осталог) да се растерете код постављања дијагноза, тако да имају више времена за остале послове при лечењу пацијената.
ВИ користимо практично свакодневно и на интернету, како за лакше проналажење садржаја који нас интересују, избегавање нежељене поште, добијање превода са једног језика на други, тако и за многе друге услуге.