Historický kontext a evoluce
Vývoj umělé inteligence (AI) není náhlým objevem moderní doby, ale výsledkem desetiletí výzkumu v oblasti matematické logiky a kybernetiky. Počátky lze vysledovat k práci Alana Turinga v 50. letech 20. století, kdy byly definovány teoretické základy strojového myšlení. V této éře dominovaly systémy založené na pravidlech, které vyžadovaly explicitní programování každého kroku rozhodovacího procesu.
Zlom nastal s přechodem od symbolické AI ke statistickým metodám. V 90. letech a na začátku 21. století umožnil nárůst výpočetního výkonu a dostupnost velkých datových sad rozvoj strojového učení. Tento posun znamenal přechod od systémů, které "vědí", k systémům, které se "učí" identifikovat vzorce v datech bez přímého programování pravidel.
Současná etapa, často označovaná jako éra hlubokého učení, využívá vícevrstvé neuronové sítě k řešení úloh, které byly dříve považovány za výhradně lidské domény, jako je rozpoznávání obrazu nebo syntéza přirozeného jazyka. Podrobnosti o tomto vývoji naleznete v sekci Evoluce výpočetních metod.
Základní technické definice
- Umělá inteligence (AI)
- Obor informatiky zabývající se tvorbou systémů schopných vykonávat úkoly vyžadující lidskou inteligenci, jako je vizuální vnímání, rozpoznávání řeči a rozhodování.
- Algoritmus
- Přesně definovaná posloupnost instrukcí pro řešení konkrétní třídy úloh nebo provádění výpočtů. V kontextu AI se algoritmy adaptují na základě vstupních dat.
- Neuronová síť
- Výpočetní model inspirovaný strukturou biologických neuronů v mozku, sestávající z propojených vrstev uzlů, které zpracovávají signály. Více informací naleznete na stránce Biologicky inspirované algoritmy.
Taxonomie moderních systémů
Úzká AI (ANI)
Specializované systémy navržené pro konkrétní úlohu, jako je doporučování obsahu nebo diagnostika z lékařských snímků. V současnosti představuje 100 % nasazených technologií.
Zobrazit aplikace →Generativní modely
Architektury schopné vytvářet nový obsah (text, kód, obraz) na základě naučených distribucí dat. Klíčovým prvkem je transformátorová architektura.
Studovat NLP →Klíčové pilíře infrastruktury
- Datová kvalita:
Přesnost a čistota vstupních dat určuje efektivitu prediktivních modelů. Více v sekci Datová infrastruktura.
- Výpočetní kapacita:
Využití GPU a specializovaných čipů (TPU) pro paralelní zpracování tenzorových operací.