Έξυπνη συμπεριφορά

Αναφέρεται στη δυνατότητα των μηχανών να «μαθαίνουν» από εμπειρίες και να εφαρμόζουν τη γνώση που αποκτούν από αυτές τις εμπειρίες, ώστε να διαχειρίζονται πολύπλοκες καταστάσεις, να επιλύουν προβλήματα στα οποία λείπουν σημαντικές πληροφορίες, να προσδιορίζουν τι είναι σημαντικό και να αντιδρούν γρήγορα και σωστά σε μια νέα κατάσταση, να κατανοούν οπτικό υλικό και εικόνες, να επεξεργάζονται και να διαχειρίζονται σύμβολα, να είναι δημιουργικές, να διαθέτουν φαντασία και να χρησιμοποιούν ευρετικές μεθόδους. Όλα τα παραπάνω συνιστούν την έξυπνη συμπεριφορά. ^[1]

Χαρακτηριστικά της έξυπνης συμπεριφοράς

Ορισμένα από τα χαρακτηριστικά της έξυπνης συμπεριφοράς συμπεριλαμβάνουν τα παρακάτω ^[2]:

Ικανότητα μάθησης μέσα από την εμπειρία και εφαρμογής της γνώσης που αποκτάται από την εμπειρία: Ο άνθρωπος μαθαίνει μέσα από τις εμπειρίες του και τα πιθανά λάθη και χρησιμοποιεί αυτές τις γνώσεις στη μετέπειτα ζωή του. Αυτό είναι βασικό στοιχείο έξυπνης συμπεριφοράς και αποτελεί φυσική ικανότητα των ανθρώπων. Ωστόσο για να κάνει το ίδιο και ένα υπολογιστικό σύστημα πρέπει να προγραμματιστεί σωστά.
Ικανότητα διαχείρισης πολύπλοκων καταστάσεων: Πολλές φορές ακόμα και οι ειδικοί, υψηλόβαθμα στελέχη και διευθυντές, όταν καλούνται να διαχειριστούν μια πολύπλοκη κατάσταση, κάνουν λάθη. Για να μπορέσει ένα σύστημα να διαχειριστεί τέτοιες καταστάσεις, βασική προϋπόθεση είναι να γίνει ένας πολύ καλά μελετημένος σχεδιασμός και προγραμματισμός.
Ικανότητα επίλυσης πολύπλοκων προβλημάτων όταν λείπουν σημαντικές πληροφορίες: Συχνά καλούμαστε να πάρουμε αποφάσεις μη έχοντας στη διάθεσή μας τις απαραίτητες πληροφορίες, είτε γιατί αυτό είναι αδύνατο είτε γιατί η συλλογή των πληροφοριών αυτών κοστίζει ακριβά. Σήμερα, παρόλο που έχουν αναπτυχθεί συστήματα που μπορούν να πάρουν αποφάσεις ακόμη κι όταν δεν έχουν όλες τις απαραίτητες πληροφορίες, πρέπει να επισημάνουμε ότι οι αποφάσεις που θα λάβει ένα σύστημα τεχνητής νοημοσύνης θα είναι τόσο καλές, όσο είναι τα δεδομένα που θα μπορέσει να έχει.
Ικανότητα προσδιορισμού του τι είναι σημαντικό: Ο άνθρωπος μπορεί πολύ εύκολα να διακρίνει τι είναι σημαντικό και τι όχι σε μια κατάσταση ή για παράδειγμα σε μια συλλογή δεδομένων. Ένα σύστημα υπολογιστών από μόνο του δεν μπορεί να το κάνει αυτό. Θα πρέπει να το προγραμματίσουμε σωστά για να μπορεί να προσδιορίζει το σημαντικό από το «άχρηστο». Για να μπορεί να απορρίψει, για παράδειγμα, μη ωφέλιμα ή εσφαλμένα δεδομένα και να κρατήσει μόνο αυτά που είναι ωφέλιμα, θα πρέπει να έχει τον αντίστοιχο προγραμματισμό.
Ικανότητα γρήγορης και σωστής αντίδρασης σε μια κατάσταση: Αν πάμε να διασχίσουμε τον δρόμο και δούμε ένα αυτοκίνητο να έρχεται, προφανώς θα σταματήσουμε και θα αποφασίσουμε να μην διασχίσουμε τον δρόμο εκείνη τη δεδομένη στιγμή. Αντιδρούμε γρήγορα και σωστά. Ένα ρομπότ δεν θα μπορέσει να αντιδράσει με τον ίδιο τρόπο αν δεν το προγραμματίσουμε εμείς να το κάνει.
Κατανόηση εικόνων: Η ερμηνεία των εικόνων είναι μια υπόθεση εξαιρετικά δύσκολη. Σε ένα περιβάλλον με πολλά οπτικά ερεθίσματα, η κατανόηση μπορεί να εύκολη για τους ανθρώπους, αλλά εξαιρετικά δύσκολη για μηχανές, ρομπότ και υπολογιστές. Τέτοιες μηχανές απαιτούν επέκταση της κατανόησης των οπτικών εικόνων, η οποία ονομάζεται σύστημα αντίληψης (perceptive system). Διαθέτοντας ένα σύστημα αντίληψης, μια μηχανή μπορεί να προσεγγίσει τον τρόπο με τον οποίο οι άνθρωποι βλέπουν, ακούν, αισθάνονται.
Επεξεργασία και διαχείριση συμβόλων: Οι τελευταίες εξελίξεις στην υπολογιστική όραση και στο λογισμικό και υλικό μηχανικής όρασης επιτρέπουν σε ορισμένους υπολογιστές να επεξεργάζονται και να διαχειρίζονται συγκεκριμένα σύμβολα. Η μηχανική όραση χρησιμοποιεί κάμερες για να βλέπει μια εικόνα, ενώ η υπολογιστική όραση χρησιμοποιεί προγραμματισμένους αλγόριθμους για να ερμηνεύει αυτές τις εικόνες.
Δημιουργικότητα και φαντασία: Η δημιουργικότητα και η φαντασία χαρακτηρίζει το ανθρώπινο είδος και αντανακλάται στην ανάπτυξη νέων προϊόντων και υπηρεσιών. Ένας υπολογιστής ή ένα ρομπότ δεν θα έχει καθόλου φαντασία ή δημιουργικότητα αν δεν προγραμματιστεί σωστά.
Χρήση ευρετικών μεθόδων: Ορισμένα υπολογιστικά συστήματα παράγουν καλές λύσεις σε πολύπλοκα προβλήματα χρησιμοποιώντας ευρετικές μεθόδους (heuristics), δηλαδή μεθόδους δοκιμής και σφαλμάτων, παρά προσπαθώντας να αναζητήσουν βέλτιστες λύσεις, κάτι που μπορεί να είναι τεχνικά δύσκολο ή χρονοβόρο.

Βιβλιογραφία

Stair Ralph, Reynolds George, Ταμπούρης Ευθύμιος (Επιστ. Επιμέλεια) "Κεφάλαιο 11 - Τεχνητή Νοημοσύνη και Αυτοματοποίηση", Αρχές Πληροφοριακών Συστημάτων, 14η Έκδοση, Εκδόσεις ΤΖΙΟΛΑ, 2022, pp. 429-431

Stair Ralph, Reynolds George, Ταμπούρης Ευθύμιος (Επιστ. Επιμέλεια) "Κεφάλαιο 11 - Τεχνητή Νοημοσύνη και Αυτοματοποίηση", Αρχές Πληροφοριακών Συστημάτων, 14η Έκδοση, Εκδόσεις ΤΖΙΟΛΑ, 2022, pp. 429
Stair Ralph, Reynolds George, Ταμπούρης Ευθύμιος (Επιστ. Επιμέλεια) "Κεφάλαιο 11 - Τεχνητή Νοημοσύνη και Αυτοματοποίηση", Αρχές Πληροφοριακών Συστημάτων, 14η Έκδοση, Εκδόσεις ΤΖΙΟΛΑ, 2022, pp. 430-431