Mākslīgā intelekta jēdziens

Kā skaidrots dažādos avotos, mākslīgais intelekts ir gan "zinātne par to, kā padarīt mašīnas gudras," gan arī "pētījums par inteliģentu aģentu izstrādi", aģents ir "tas, kas darbojas," piemēram, dators.¹ Mākslīgā intelekta jomā svarīga ir datu ieguve, lielo datu (large data) plūsmu pārvaldīšana un datu profilēšana atbilstoši Eiropas Parlamenta un Padomes 2016. gada 27. aprīļa Regulas (ES) Nr. 2016/679 par fizisku personu aizsardzību attiecībā uz personas datu apstrādi un šādu datu brīvu apriti un ar ko atceļ Direktīvu Nr. 95/46/EK (turpmāk – Vispārīgā datu aizsardzības regula) prasībām.

Nereti praksē vienkārša datu automatizācija tiek jaukta ar mākslīgo intelektu, uzņēmumiem vēloties automatizēt dažādus procesus. Tomēr, lai arī šie divi jēdzieni ir savstarpēji jānošķir, jāatzīst, ka mākslīgā intelekta sistēmas ir datu automatizācija – tikai augstākā pakāpē. Datu ieguve kā mašīnmācīšanās veids ir process, kurā no milzīgiem datu apjomiem tiek atklātas interesantas sakritības, savukārt profilēšana ietver automatizētu datu apstrādi, lai izstrādātu dažādu datu un to kopsakarību profilus, kurus var izmantot lēmumu pieņemšanai par cilvēkiem. Pamatā tiek izmantoti mašīnmācīšanās algoritmi – termins "algoritms" ir atvasināts no 9. gadsimta persiešu matemātiķa Muhameda ibn Mūsā al-Horezmī (Mohammed Ibn Musa Al-Kharizmi) vārda, un tas apzīmē konkrētu instrukciju problēmas risināšanai vai aprēķina veikšanai.

Mašīnmācīšanās ir viena no mākslīgā intelekta pielietotajām programmēšanas metodēm, datorprogrammatūrām mācoties no pieredzes. Mašīnmācīšanās algoritmi izmanto skaitļošanas metodes, lai savstarpējo korelāciju atklāšanas ceļā iegūtu informāciju no datiem tieši, nepaļaujoties uz iepriekš noteiktu programmēšanas vienādojumu kā modeli, šādi palielinoties pieejamo paraugu skaitam, algoritmi datu apstrādes ceļā uzlabo savu lēmumu vai noteiktu likumsakarību paredzēšanas spēju.

Dziļā mācīšanās ir specializēts mašīnmācīšanās veids – mašīnmācīšanās datu plūsmas apstrāde sākas ar noteiktu pazīmju iegūšanu no attēliem, audio vai teksta datiem – pēc tam šīs pazīmes tiek izmantotas, lai izveidotu programmatūras koda modeli, kas noteiktās datu grupās kategorizē attēlā esošos objektus. Izmantojot dziļo mācīšanos, attiecīgie raksturlielumi no attēliem tiek iegūti automātiski, turklāt dziļā mācīšanās veic tā dēvēto end to end jeb mācīšanos no vienas informācijas plūsmas gala līdz otram.