Kecerdasan Buatan (AI) ialah bidang pengajian yang luas dan pelbagai disiplin, yang bertujuan untuk mencipta mesin yang meniru kecerdasan manusia. Ia adalah bidang dalam sains komputer yang menekankan penciptaan dan aplikasi mesin pintar yang berfungsi dan bertindak balas seperti manusia. Sistem AI boleh melaksanakan tugas seperti pembelajaran, perancangan, pemahaman bahasa, mengenali corak dan penyelesaian masalah \u2013 proses yang sebelum ini dianggap memerlukan kecerdasan manusia.<\/p>\n
Konsep kecerdasan buatan mempunyai sejarah yang kaya dan pelbagai, sejak dunia purba di mana kisah-kisah makhluk buatan yang dikurniakan kecerdasan atau kesedaran ditemui dalam mitologi. Walau bagaimanapun, penubuhan rasmi AI sebagai disiplin saintifik berlaku pada persidangan di Kolej Dartmouth pada tahun 1956. Peserta seperti Allen Newell, Herbert Simon, John McCarthy, Marvin Minsky, dan Arthur Samuel secara optimis disemai dengan kepercayaan bahawa mesin yang pintar seperti seorang manusia boleh dibina dalam satu generasi.<\/p>\n
Istilah 'Kecerdasan Buatan' sendiri telah dicipta pada persidangan ini, dan ia ditakrifkan sebagai sains dan kejuruteraan membuat mesin pintar. Selama bertahun-tahun, AI telah menyaksikan beberapa tempoh keyakinan, diikuti dengan kekecewaan dan kehilangan pembiayaan, yang dikenali sebagai 'musim sejuk AI', dan minat yang diperbaharui.<\/p>\n
AI ialah bidang yang luas, merangkumi pelbagai bidang, seperti robotik, pembelajaran mesin, pemprosesan bahasa semula jadi, penyelesaian masalah dan perwakilan pengetahuan. Matlamat menyeluruh adalah untuk mencipta sistem yang mampu melaksanakan tugas yang, apabila dilakukan oleh manusia, dikatakan melibatkan kecerdasan. Tugas-tugas ini termasuk belajar daripada pengalaman, memahami bahasa manusia, mengecam objek dan bunyi, dan membuat pertimbangan.<\/p>\n
AI dikategorikan kepada dua jenis: AI sempit, yang direka untuk melaksanakan tugas yang sempit (seperti pengecaman muka atau carian internet), dan AI Umum, yang boleh melaksanakan apa-apa tugas intelektual yang boleh dilakukan oleh manusia.<\/p>\n
Pembelajaran mesin (ML) ialah subset AI yang menyediakan sistem keupayaan untuk belajar secara automatik dan menambah baik daripada pengalaman tanpa diprogramkan secara eksplisit. Pembelajaran mendalam ialah subbidang pembelajaran mesin yang mencipta algoritma, dipanggil rangkaian saraf tiruan, dimodelkan mengikut otak manusia.<\/p>\n
AI beroperasi melalui gabungan sejumlah besar data dan pemprosesan yang cepat dan berulang. Algoritma dalam AI membolehkan perisian belajar secara automatik daripada corak dan ciri dalam data.<\/p>\n
Pembelajaran mesin, bahagian teras AI, menggunakan rangkaian saraf dengan banyak lapisan (juga dikenali sebagai pembelajaran mendalam) untuk menjalankan proses kecerdasan mesin. Rangkaian saraf ini ialah satu siri algoritma yang mengiktiraf hubungan asas dalam set data melalui proses yang meniru operasi otak manusia.<\/p>\n
Analisis AI biasa mengikuti proses pengumpulan data, prapemprosesan data, latihan model, pengesahan, dan akhirnya penggunaan dan pemantauan yang lebih kurang berurutan.<\/p>\n
Ciri utama AI termasuk keupayaan untuk berinteraksi secara semula jadi dengan manusia (melalui suara atau teks), keupayaan pembelajaran (melalui pembelajaran mesin dan pembelajaran mendalam), automasi pembelajaran berulang dan analisis data, keupayaan untuk menyesuaikan diri dengan input baharu dan ketepatan yang tinggi dicapai melalui rangkaian neural yang mendalam.<\/p>\n
Satu lagi ciri penting AI ialah keupayaan ramalannya. Ia boleh meramal berdasarkan corak data masa lalu dan membantu organisasi membuat keputusan masa hadapan.<\/p>\n
AI boleh dikelaskan dalam beberapa cara, termasuk:<\/p>\n
Berdasarkan Keupayaan:<\/p>\n
Berdasarkan Kefungsian:<\/p>\n
AI mempunyai pelbagai aplikasi, daripada penggunaan peribadi (rumah pintar, pembantu maya) kepada penggunaan profesional (perisikan perniagaan, bot perkhidmatan pelanggan) dan seterusnya (kereta autonomi, diagnosis penjagaan kesihatan).<\/p>\n
Walau bagaimanapun, seiring dengan penggunaan yang meluas, cabaran berterusan. Ini termasuk kebimbangan tentang penggantian kerja disebabkan automasi, kelegapan model pembelajaran mesin (juga dikenali sebagai masalah kotak hitam), dan kebimbangan etika yang berkaitan dengan autonomi AI dan membuat keputusan.<\/p>\n
Penyelesaian kepada cabaran ini adalah kompleks dan melibatkan aspek penggubalan dasar, inovasi teknologi dan pertimbangan etika. Ketelusan dalam AI, peraturan privasi dan kerjasama antara disiplin adalah beberapa penyelesaian yang sedang diterokai.<\/p>\n