Umělá inteligence (UI, – zkráceně AI) je obor informatiky zaměřený na vývoj systémů, které jsou schopny na základě velkých objemů dat vnímat okolí, učit se z něj, vyvozovat závěry a činit rozhodnutí nebo predikce za účelem dosažení stanovených cílů. Tyto systémy se uplatňují při řešení úloh, které by jinak vyžadovaly lidskou inteligenci, například při rozpoznávání obrazu, zpracování přirozeného jazyka, diagnostice, klasifikaci nebo plánování.

Úzká umělá inteligence ( – zkráceně NAI) označovaná také jako „slabá AI“, zahrnuje systémy navržené pro řešení konkrétních, úzce vymezených úloh. Patří sem například doporučovací systémy, detekce podvodů nebo virtuální asistenti jakou jsou Google Assistant nebo Siri. Obecná umělá inteligence ( – zkráceně AGI) někdy nazývaná „silná AI“, označuje hypotetické systémy schopné řešit širokou škálu úloh na úrovni srovnatelné s člověkem, včetně schopnosti přenášet znalosti mezi různými doménami a adaptovat se na nové situace. Takové systémy dosud nebyly vytvořeny. Někteří odborníci spatřují potenciální technologický základ pro AGI ve vývoji kvantových počítačů. Superinteligence ( – zkráceně ASI) označuje hypotetickou úroveň umělé inteligence, která by svými kognitivními schopnostmi výrazně překonala nejlepší lidské mozky ve všech oblastech, včetně vědecké tvořivosti, obecné moudrosti a sociálních dovedností. Tento koncept je úzce spojen s teorií technologické singularity – bodem, kdy by se systémy AI začaly samy překotně zdokonalovat, což by vedlo k inteligenci, jejíž fungování by bylo pro člověka nepochopitelné.

Umělá inteligence je již legislativně ukotvena v rámci aktu EU o umělé inteligenci. Přesto zůstává její přesná definice a výklad předmětem právních sporů, protože i jemné rozdíly v definici mohou mít zásadní dopady. V komerční sféře se termín AI používá jako buzzword – označení „AI“ je používáno i pro technologie, které nesplňují technické parametry skutečné umělé inteligence.

Oblasti umělé inteligence Strojové učení

Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy, které umožňují počítačovému systému „učit se“. Učením v daném kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí. Strojové učení má široké uplatnění. Jeho techniky se využívají pro rozpoznávání a kompresi obrazů či akustických (např. rozpoznávání řeči) nebo elektrických (např. EKG, EEG) signálů, klasifikaci či segmentaci dat, předvídání vývoje časových řad (např. burzovních indexů), k rozpoznávání psaného textu či k filtrování spamu. V lékařství slouží k diagnostice onemocnění a v řízení pro podporu rozhodování.

Neuronové sítě

Umělé neuronové sítě v umělé inteligenci jsou volně inspirovány odpovídajícími biologickými strukturami. Oproti nim jsou však značně zjednodušeny a používají jiné mechanismy učení, než jaké používá např. lidský mozek. Cílem totiž není věrně simulovat biologické struktury, ale především řešit praktické problémy. Jedná se o přístup ke strojovému učení, který se stal velmi úspěšným. Neuronové sítě se používají mimo jiné k rozpoznávání a kompresi obrazů či akustických (např. rozpoznávání řeči) nebo elektrických (např. EKG, EEG) signálů, klasifikaci či segmentaci dat, předvídání vývoje časových řad (např. burzovních indexů), k rozpoznávání psaného textu či k filtrování spamu. Tvorbou biologicky věrných modelů neuronů a neuronových sítí se zabývají výpočetní neurovědy, prohlubující znalosti o fungování informačních systémů (nervových soustav) živých organismů. Například Grossbergova neuronová síť vznikla původně jako simulace fyziologického modelu rozpoznávání vzorů na sítnici lidského oka.

Bayesovské sítě

Bayesovská síť je pravděpodobnostní model, který využívá grafovou reprezentaci pro zobrazení pravděpodobnostních vztahů mezi jednotlivými jevy. Využívá se pro určení pravděpodobnosti určitých jevů, přičemž vychází ze základu teorie pravděpodobnosti. Bayesovská síť je acyklický orientovaný graf, kde každý uzel odpovídá jedné náhodné veličině, přičemž každý graf typicky obsahuje několik veličin/uzlů. Všechny veličiny v grafu se vztahují k neznámému jevu, přičemž každá veličina je reprezentována jedním uzlem a větve (neboli vztahy) mezi uzly zobrazují pravděpodobnostní závislost mezi vybranými veličinami. Tyto závislosti se obvykle vypočítávají na základě statistických metod.

Expertní systémy

Expertní systém je počítačový program, který má za úkol poskytovat expertní rady, rozhodnutí nebo doporučit řešení v konkrétní situaci. Expertní systémy jsou navrženy tak, aby mohly zpracovávat nenumerické a neurčité informace a řešit tak úlohy, které nejsou řešitelné tradičními algoritmickými postupy. Expertní systém má dvě základní komponenty, které jsou na sobě relativně nezávislé. Řídící mechanismus pro odvozování závěrů a Bázi znalostí. V průběhu zpracovávání se k bázi znalostí přidávají dočasné informace o řešeném případu.

Dobývání znalostí

Data mining (dolování z dat či vytěžování dat) je analytická metodologie získávání netriviálních skrytých a potenciálně užitečných informací z dat. Někdy se chápe jako analytická součást dobývání znalostí z databází (Knowledge Discovery in Databases, KDD), jindy se tato dvě označení chápou jako souznačná. Často dochází také k překryvu s termínem data science, který bývá obvykle chápán šířeji než data mining. Data mining se používá v komerční sféře (například v marketingu při rozhodování, které klienty oslovit dopisem s nabídkou produktu), ve vědeckém výzkumu (například při analýze genetické informace) i v jiných oblastech (například při monitorování aktivit na internetu s cílem odhalit činnost potenciálních škůdců a teroristů).

Fuzzy logika

Fuzzy logika je podobor matematické logiky odvozený od teorie fuzzy množin, v němž se logické výroky ohodnocují mírou pravdivosti. Liší se tak od klasické výrokové logiky, která používá pouze dvě logické hodnoty – nepravdu a pravdu, tj. nulu a jedničku. Fuzzy logika může operovat se všemi hodnotami z intervalu ⟨0,1⟩, kterých je nekonečně mnoho. Fuzzy logika může být pro řadu reálných rozhodovacích úloh vhodnější než klasická logika, protože usnadňuje návrh složitých řídicích systémů.

Evoluční algoritmy

Evoluční algoritmy se užívají k nalezení dostatečně kvalitního řešení optimalizačních úloh v dostatečně krátkém čase. Mezi evoluční algoritmy inspirované přírodou se zahrnuje celé spektrum optimalizačních heuristických technik, např. genetické algoritmy či simulované žíhání. Heuristiky můžeme popsat jako zkratkovitý postup prohledávání prostoru řešení bez záruky správného výsledku, nicméně jsou zbaveny celé řady neduhů konvenčních optimalizačních metod, jako např. požadavek spojitosti či diferencovatelnosti objektivní resp. vazební funkce, respektování omezujících podmínek, uvíznutí v mělkém lokálním minimu atd. Na druhou stranu však je při jejich aplikaci zapotřebí nastavení jistých volných parametrů, které je nutné „naladit“ v závislosti na konkrétním optimalizačním problému.

Multiagentní systémy

Multiagentní systém je simulované prostředí se síťovým charakterem, v němž dochází k interakci (po větvi sítě) agentů (uzlů sítě) mezi sebou a / nebo s prostředím, ve kterém se nacházejí. Tito agenti řeší společně problémy, které přesahují znalosti každého z nich. Mezi multiagentní systémy se řadí např. strategie ptačího hejna (Particle Swarm Optimization (PSO)) či strategie mravenčí kolonie (Ant Colony Optimization (ACO)).

Prohledávání stavového prostoru

Zvláště při vytváření algoritmů na řešení klasických her (šachů, dámy) se jeví účelné zadefinovat si množinu stavů, do kterých se můžeme ve hře dostat, přípustné tahy neboli přechody mezi stavy a počáteční a koncové pozice. Hledáme pak cestu od počátečních stavů ke koncovým stavům, které znamenají náš úspěch. Jelikož mohou být stavové prostory rozsáhlé (např. ve hře go) a v některých případech i nekonečné, je třeba volit chytré metody ořezávání nevhodných cest a ohodnocování pozic.

Robotika

Robotika je věda o robotech, jejich designu, výrobě a aplikacích. Robot může buď pomáhat, nebo dělat lidskou práci, popř. zajišťovat i komfort společnosti. Robotika úzce souvisí s elektronikou, mechanikou a aplikovaným softwarem.

Počítačové vidění

Jde o vidění zobecněné: Zdaleka ne jen viditelným světlem, dokonce ani vůbec ne světlem, nýbrž třeba akusticky, obecně tedy echolokací. ve 2D: Detekce hran v obrazu, jejich aproximační prodloužení, ohodnocení významnosti detekovaných hran, odstranění vlivu různého jasu napříč obrazem. Optické rozpoznávání znaků pro rozpoznávání tištěného textu, rozpoznávání ručně psaného textu. Schopnost rozpoznávání předmětů pootočených, skloněných, jinak barevných či dokonce vzorovaných, neúplných oříznutím nebo zašuměním. Rozpoznávání tvarů a z nich usuzování na objekty reálného světa (dokonce i s určením pravděpodobnosti), typicky z fotografií. Realtime detekce tváře ve snímcích videa, nejsnáze podle předem zadaných bodů k hledání a jejich vzájemných vztahů: vzdáleností. Obecně detekce předepsaného vzoru v obraze. ve 3D: Odstranění paralaxy (zkreslení ubíháním rovnoběžek), například použitím maticové transformace, jejím autonomním nalezením. Rozpoznání identity s již viděným (známým) objektem, nyní však pozorovaným z jiného úhlu. Samostatné zorientování se v prostoru: určení směrů souřadnicového systému okolního prostoru. Uvědomění si vlastní polohy v okolním prostoru při (nedokonalém) sběru dat o okolí, vytváření vnitřního modelu o něm: typicky mapy. Klíčové pro autonomně se pohybující roboty: Nekonečná smyčka střídání kroků v prostoru / na mapě.

Zpracování přirozeného jazyka

Počítačové zpracování přirozeného jazyka (Natural Language Processing, NLP) se zabývá analýzou, transformací či generování textů nebo mluveného slova. Aplikacemi NLP jsou např. strojový překlad, automatické zodpovídání dotazů (pro chatboty a podobně), dolování z textu, výtah z textu (automatická sumarizace), automatická korektura textu, extrakce informací z korpusů textů, generování přirozeného jazyka, rozpoznávání řeči a její syntéza. Kolem roku 2010 toto pole v zásadě ovládly technologie založené na hlubokém učení, jež zpravidla vykazují vyšší kvalitu než starší technologie založené např. na lingvistické analýze textu.

Velké jazykové modely (LLM – large language model) využívají například aplikace ChatGPT od OpenAI, Claude od Anthropic, Grok od xAI, nebo Gemini od Google. Tyto programy excelují v memorování, ale mají problémy vyfiltrovat během komunikace s lidmi informace z šumu.

Úspěšné algoritmy Hry

Roku 1979 překonal počítač světového mistra ve hře vrhcáby. Královská hra šachy byla už od počátků informatiky předmětem analýz. Řešení problému bylo od počátku spojováno s inteligencí, avšak výhra nemusí znamenat větší inteligenci. V roce 1997 porazil systém Deep Blue od firmy IBM úřadujícího mistra světa Garriho Kasparova. Deep Blue však byl spíše hybridní systém s akcelerátory výpočtů. Šlo tak spíše o řešení hrubou silou. Současná AI již neprochází tolik pozic a přitom je úspěšnější. Chinook je program pro hraní anglické dámy, jehož tvůrci v červenci roku 2007 prohlásili, že nemůže prohrát. Již několik let předtím pravidelně porážel lidské oponenty. Tohoto výsledku bylo dosaženo kombinací hrubé síly při prohledávání pozic ve střední části hry a dobrou databází zahájení a koncovek. Počítačové programy hrající go si často tak dobře nevedly. Je tomu tak zřejmě proto, že je goban (deska na go) je poměrně rozsáhlá a s každým dalším položeným kamenem stoupá komplexita rozhodování, kterou však mají lidé šanci zvládnout díky své vrozené schopnosti rozpoznávání tvarů. Ovšem nejlepší programy používající jak řešení hrubou silou (přesněji stromové prohledávání do hloubky), tak intuici, jsou schopné porážet i mistry. Rubikova kostka může být také efektivně řešena pomocí AI. Karetní hra bridž.

Další algoritmy

AI dokáže vést letecké souboje lépe než lidští piloti.