Mengetahui Lebih Dalam Mengenai AI Atau Kecerdasan Buatan

Pernah dengar tentang kecerdasan buatan atau yang biasa di sebut AI? Nah, disini saya akan menjelaskan mengenai AI tersebut. Langsung saja lihat penjelasannya dibawah ini.

Pengertian

Kecerdasan buatan (AI, juga intelijen mesin, MI) adalah Intelijen yang ditampilkan oleh mesin, berbeda dengan kecerdasan alami (NI) yang ditampilkan oleh manusia dan hewan lainnya. Dalam ilmu komputer, penelitian AI didefinisikan sebagai studi tentang “agen cerdas“: perangkat apa pun yang merasakan lingkungannya dan melakukan tindakan yang memaksimalkan peluang keberhasilannya di beberapa sasaran. Bahasa sehari-hari, istilah “kecerdasan buatan” diterapkan saat sebuah mesin meniru fungsi “kognitif” yang diasosiasikan manusia dengan pikiran manusia lainnya, seperti “pembelajaran” dan “pemecahan masalah“.

Ruang lingkup AI diperdebatkan karena mesin menjadi semakin mumpuni, tugas yang dianggap membutuhkan “kecerdasan” sering kali dihapus dari definisi, sebuah fenomena yang dikenal sebagai efek AI, yang mengarah pada “AI adalah apa pun yang belum dilakukan. ” Misalnya, pengenalan karakter optik sering dikecualikan dari” kecerdasan buatan”, telah menjadi teknologi rutin.

Kemampuan yang umumnya diklasifikasikan sebagai AI pada tahun 2017 termasuk berhasil memahami ucapan manusia, bersaing pada tingkat tinggi dalam sistem permainan strategis (seperti catur dan Go), mobil otonom, perutean cerdas di jaringan pengiriman konten, simulasi militer, dan menafsirkan data kompleks, termasuk gambar dan video.

Kecerdasan buatan didirikan sebagai disiplin akademis pada tahun 1956, dan di tahun-tahun sejak telah mengalami beberapa gelombang optimisme, diikuti oleh kekecewaan dan hilangnya dana (dikenal sebagai “musim dingin AI”), diikuti oleh pendekatan baru, keberhasilan dan pendanaan baru. Untuk sebagian besar sejarahnya, penelitian AI terbagi dalam subbidang yang sering gagal berkomunikasi satu sama lain.

Masalah tradisional (atau tujuan) penelitian AI meliputi penalaran, pengetahuan, perencanaan, pembelajaran, pengolahan bahasa alami, persepsi dan kemampuan untuk bergerak dan memanipulasi objek. Kecerdasan umum adalah salah satu tujuan jangka panjang lapangan.

Pendekatan meliputi metode statistik, kecerdasan komputasi, dan AI simbolis tradisional. Banyak alat yang digunakan di AI, termasuk versi pencarian dan optimasi matematis, jaringan syaraf tiruan dan metode berdasarkan statistik, probabilitas dan ekonomi. Bidang AI mengacu pada ilmu komputer, matematika, psikologi, linguistik, filsafat, ilmu saraf, psikologi buatan dan banyak lainnya.

Lapangan itu didirikan atas klaim bahwa kecerdasan manusia “dapat digambarkan dengan tepat sehingga mesin dapat dibuat untuk mensimulasikannya”. Hal ini menimbulkan argumen filosofis tentang sifat pikiran dan etika menciptakan makhluk buatan yang dianugerahi kecerdasan mirip manusia, isu-isu yang telah dieksplorasi oleh mitos, fiksi dan filsafat sejak zaman purbakala. Beberapa orang juga menganggap AI berbahaya bagi kemanusiaan jika berkembang tanpa henti.

Pada abad kedua puluh satu, teknik AI telah mengalami kebangkitan setelah kemajuan bersamaan dalam kekuatan komputer, sejumlah besar data, dan pemahaman teoritis dan teknik AI telah menjadi bagian penting dari industri teknologi, membantu memecahkan banyak masalah menantang dalam ilmu komputer.

Sejarah

Sementara makhluk buatan yang tampan tampak sebagai alat penceritakan di zaman purbakala, gagasan untuk benar-benar mencoba membangun sebuah mesin untuk melakukan penalaran yang berguna mungkin telah dimulai dengan Ramon Llull (sekitar 1300 M).

Dengan ratiocinator Kalkulus, Gottfried Leibniz memperluas konsep mesin penghitung (Wilhelm Schickard merancang yang pertama sekitar 1623), berniat untuk melakukan operasi pada konsep dan bukan angka. Sejak abad ke-19, makhluk buatan biasa ditemukan dalam fiksi, seperti pada Mary Shelley’s Frankenstein atau Karel Čapek’s R.U.R. (Rossum’s Universal Robots).

Studi tentang penalaran mekanis atau “formal” dimulai dengan filsuf dan matematikawan di zaman purba. Studi tentang logika matematika mengarah langsung pada teori perhitungan Alan Turing, yang mengemukakan bahwa sebuah mesin, dengan mengocok simbol yang sederhana seperti “0” dan “1“, dapat mensimulasikan tindakan deduksi matematis yang mungkin.

Wawasan ini, bahwa komputer digital dapat mensimulasikan setiap proses penalaran formal, dikenal sebagai tesis Church-Turing. Seiring dengan penemuan bersamaan di bidang neurologi, teori informasi dan cybernetics, peneliti yang dipimpin ini mempertimbangkan kemungkinan membangun otak elektronik. Karya pertama yang sekarang dikenal sebagai AI adalah rancangan formal McCullouch dan Pitts ‘1943 untuk “neuron buatan” Turing yang lengkap.

Bidang penelitian AI lahir di sebuah lokakarya di Dartmouth College pada tahun 1956. Hadirin Allen Newell (CMU), Herbert Simon (CMU), John McCarthy (MIT), Marvin Minsky (MIT) dan Arthur Samuel (IBM) menjadi pendiri dan pemimpin penelitian AI. Mereka dan murid-murid mereka menghasilkan program yang oleh pers digambarkan sebagai “menakjubkan”: komputer menang di catur permainan, memecahkan masalah kata dalam aljabar, membuktikan teorema logis dan berbicara bahasa Inggris.

Pada pertengahan tahun 1960an, penelitian di A.S. didanai oleh Departemen Pertahanan dan laboratorium telah didirikan di seluruh dunia. Pendiri AI optimis tentang masa depan: Herbert Simon meramalkan, “mesin akan mampu, dalam waktu dua puluh tahun, melakukan pekerjaan yang bisa dilakukan seorang pria”. Marvin Minsky setuju, menulis, “dalam satu generasi masalah menciptakan ‘kecerdasan buatan‘ akan dipecahkan secara substansial.”

Mereka gagal mengenali kesulitan beberapa tugas yang tersisa. Kemajuan melambat dan pada tahun 1974, sebagai tanggapan atas kritik terhadap Sir James Lighthill dan tekanan yang terus berlanjut dari Kongres AS untuk mendanai proyek-proyek yang lebih produktif, pemerintah A.S. dan Inggris memotong penelitian eksploratif di AI. Beberapa tahun kemudian akan disebut “musim dingin AI”, suatu periode ketika mendapatkan dana untuk proyek AI sulit dilakukan.

Pada awal tahun 1980an, penelitian AI dihidupkan kembali oleh keberhasilan komersial dari sistem pakar, sebuah bentuk program AI yang mensimulasikan pengetahuan dan kemampuan analisis para ahli manusia. Pada tahun 1985 pasar untuk AI telah mencapai lebih dari satu miliar dolar.

Pada saat yang sama, proyek komputer generasi kelima Jepang mengilhami pemerintah A.S dan Inggris untuk mengembalikan pendanaan untuk penelitian akademis. Namun, dimulai dengan runtuhnya pasar Mesin Lisp pada tahun 1987, AI sekali lagi jatuh ke dalam keburukan, dan yang kedua, hiatus yang lebih lama dimulai.

Pada akhir 1990-an dan awal abad ke-21, AI mulai digunakan untuk logistik, data mining, diagnosis medis dan area lainnya. Kesuksesan itu karena meningkatnya kekuatan komputasi (lihat hukum Moore), penekanan lebih besar pada pemecahan masalah spesifik, hubungan baru antara AI dan bidang lainnya dan komitmen oleh peneliti terhadap metode matematis dan standar ilmiah. Deep Blue menjadi sistem catur komputer pertama yang mengalahkan juara dunia catur, Garry Kasparov pada tanggal 11 Mei 1997.

Teknik statistik tingkat lanjut (longgar dikenal sebagai deep learning), akses ke sejumlah besar data dan komputer yang lebih cepat memungkinkan kemajuan dalam pembelajaran dan persepsi mesin. Pada pertengahan tahun 2010, aplikasi pembelajaran mesin digunakan di seluruh dunia.

Dalam sebuah Jeopardy, pertandingan pertunjukkan kuis menunjukkan, sistem penjawab pertanyaan IBM, Watson, mengalahkan dua juara Jeopardy terbesar, Brad Rutter dan Ken Jennings, dengan selisih yang signifikan. Kinect, yang menyediakan antarmuka gerak tubuh 3D untuk Xbox 360 dan Xbox One menggunakan algoritma yang muncul dari penelitian AI yang panjang seperti halnya asisten pribadi cerdas di smartphone.

Pada bulan Maret 2016, AlphaGo memenangkan 4 dari 5 game Go dalam pertandingan dengan juara Go Lee Sedol, menjadi sistem Go-playing komputer pertama yang mengalahkan pemain Go profesional tanpa cacat. Pada 2017 Future Go Summit, AlphaGo memenangkan pertandingan tiga pertandingan dengan Ke Jie, yang pada saat itu terus memegang peringkat 1 dunia selama dua tahun. Ini menandai selesainya tonggak penting dalam pengembangan Artificial Intelligence as Go adalah permainan yang sangat kompleks, lebih dari sekedar Catur.

Menurut Bloomberg, Jack Clark, 2015 adalah tahun yang penting bagi kecerdasan buatan, dengan jumlah proyek perangkat lunak yang menggunakan AI di Google meningkat dari “penggunaan sporadis” pada tahun 2012 menjadi lebih dari 2.700 proyek. Clark juga menyajikan data faktual yang menunjukkan bahwa tingkat kesalahan dalam tugas pemrosesan gambar telah turun secara signifikan sejak 2011.

Dia menghubungkan hal ini dengan peningkatan jaringan saraf yang terjangkau, karena adanya peningkatan infrastruktur komputasi awan dan peningkatan alat penelitian dan dataset. Contoh lain yang dikutip termasuk pengembangan sistem Skype oleh Microsoft yang dapat menerjemahkan secara otomatis dari satu bahasa ke bahasa lain dan sistem Facebook yang dapat mendeskripsikan gambar kepada orang buta.

Paham Pemikiran

Secara garis besar, AI terbagi ke dalam dua paham pemikiran yaitu AI Konvensional dan Kecerdasan Komputasional (CI, Computational Intelligence). AI konvensional kebanyakan melibatkan metode-metode yang sekarang diklasifiksikan sebagai pembelajaran mesin, yang ditandai dengan formalisme dan analisis statistik. Dikenal juga sebagai AI simbolis, AI logis, AI murni dan AI cara lama (GOFAI, Good Old Fashioned Artificial Intelligence). Metode-metodenya meliputi:

  • Sistem pakar: menerapkan kapabilitas pertimbangan untuk mencapai kesimpulan. Sebuah sistem pakar dapat memproses sejumlah besar informasi yang diketahui dan menyediakan kesimpulan-kesimpulan berdasarkan pada informasi-informasi tersebut.
  • Petimbangan berdasar kasus
  • Jaringan Bayesian
  • AI berdasar tingkah laku: metode modular pada pembentukan sistem AI secara manual

Kecerdasan komputasional melibatkan pengembangan atau pembelajaran iteratif (misalnya penalaan parameter seperti dalam sistem koneksionis. Pembelajaran ini berdasarkan pada data empiris dan diasosiasikan dengan AI non-simbolis, AI yang tak teratur dan perhitungan lunak. Metode-metode pokoknya meliputi:

  • Jaringan Syaraf: sistem dengan kemampuan pengenalan pola yang sangat kuat
  • Sistem Fuzzy: teknik-teknik untuk pertimbangan di bawah ketidakpastian, telah digunakan secara meluas dalam industri modern dan sistem kendali produk konsumen.
  • Komputasi Evolusioner: menerapkan konsep-konsep yang terinspirasi secara biologis seperti populasi, mutasi dan “survival of the fittest” untuk menghasilkan pemecahan masalah yang lebih baik.

Metode-metode ini terutama dibagi menjadi algoritma evolusioner (misalnya algoritma genetik) dan kecerdasan berkelompok (misalnya algoritma semut).

Dengan sistem cerdas hibrid, percobaan-percobaan dibuat untuk menggabungkan kedua kelompok ini. Aturan inferensi pakar dapat dibangkitkan melalui jaringan syaraf atau aturan produksi dari pembelajaran statistik seperti dalam ACT-R. Sebuah pendekatan baru yang menjanjikan disebutkan bahwa penguatan kecerdasan mencoba untuk mencapai kecerdasan buatan dalam proses pengembangan evolusioner sebagai efek samping dari penguatan kecerdasan manusia melalui teknologi.

Tujuan

Tujuan penelitian keseluruhan dari kecerdasan buatan adalah untuk menciptakan teknologi yang memungkinkan komputer dan mesin berfungsi dengan cara yang cerdas. Masalah umum simulasi (atau penciptaan) kecerdasan telah dipecah menjadi sub-masalah. Ini terdiri dari sifat atau kemampuan tertentu yang diharapkan periset oleh sistem cerdas. Sifat-sifat yang dijelaskan di bawah ini mendapat banyak perhatian.

Erik Sandwell menekankan perencanaan dan pembelajaran yang relevan dan sesuai dengan situasi yang ada.

Penalaran, Pemecahan Masalah

Peneliti awal mengembangkan algoritma yang meniru penalaran selangkah demi selangkah yang digunakan manusia saat mereka memecahkan teka-teki atau membuat deduksi yang logis. Pada akhir 1980an dan 1990an, penelitian AI telah mengembangkan metode untuk menangani informasi yang tidak pasti atau tidak lengkap, menggunakan konsep dari probabilitas dan ekonomi.

Untuk masalah yang sulit, algoritma dapat memerlukan sumber komputasi yang sangat besar paling banyak mengalami ledakan “kombinatorial“: jumlah memori atau waktu komputer yang dibutuhkan menjadi astronomi untuk masalah dengan ukuran tertentu. Pencarian untuk algoritma pemecahan masalah yang lebih efisien adalah prioritas utama.

Manusia biasanya menggunakan penilaian yang cepat dan intuitif daripada pengurangan selangkah demi selangkah sehingga penelitian AI awal dapat dipodelkan. AI telah berkembang dengan menggunakan pemecahan masalah “sub-simbolis“: pendekatan agen yang diwujudkan menekankan pentingnya keterampilan sensorimotor terhadap penalaran yang lebih tinggi. Penelitian jaring saraf mencoba mensimulasikan struktur di dalam otak yang menghasilkan keterampilan ini; Pendekatan statistik terhadap AI meniru kemampuan manusia menebak.

Representasi Pengetahuan

Representasi pengetahuan dan teknik pengetahuan penting bagi penelitian AI. Banyak masalah yang diperkirakan akan dipecahkan akan memerlukan pengetahuan luas tentang dunia. Di antara hal-hal yang AI perlu wakili adalah: objek, properti, kategori dan hubungan antara objek; situasi, kejadian, keadaan dan waktu, sebab dan akibat, pengetahuan tentang pengetahuan (apa yang kita ketahui tentang apa orang lain tahu) dan banyak domain lain yang kurang diteliti dengan baik.

Representasi “apa yang ada” adalah ontologi: himpunan benda, relasi, konsep, dan sifat yang secara formal dideskripsikan sehingga agen perangkat lunak dapat menafsirkannya. Semantik ini ditangkap sebagai konsep logika deskripsi, peran, dan individu, dan biasanya diterapkan sebagai kelas, properti, dan individu dalam Ontologi Bahasa Web.

Ontologi yang paling umum disebut ontologi atas, yang berusaha memberikan landasan bagi semua pengetahuan lainnya dengan bertindak sebagai mediator antara ontologi domain yang mencakup pengetahuan spesifik tentang domain pengetahuan tertentu (bidang minat atau area perhatian).

Representasi pengetahuan formal semacam itu sesuai untuk pengindeksan dan pengambilan konten berbasis konten, interpretasi tontonan, dukungan keputusan klinis, penemuan pengetahuan melalui penalaran otomatis (menyimpulkan pernyataan baru berdasarkan pengetahuan yang dinyatakan secara eksplisit), dll Peristiwa video sering digambarkan sebagai peraturan SWRL, yang dapat digunakan, antara lain, untuk secara otomatis membuat sub judul untuk video yang dibatasi.

Salah satu masalah yang paling sulit dalam representasi pengetahuan adalah:

Alasan standar dan masalah kualifikasi

Banyak hal yang orang tahu berbentuk “asumsi kerja“. Misalnya, jika seekor burung muncul dalam percakapan, orang biasanya membayangkan binatang yang berukuran tinju, bernyanyi, dan lalat. Semua ini tidak benar tentang semua burung.

John McCarthy mengidentifikasi masalah ini pada tahun 1969 sebagai masalah kualifikasi: untuk setiap aturan akal sehat yang diharapkan oleh periset AI untuk mewakili, kemungkinan ada sejumlah pengecualian yang sangat besar. Hampir tidak ada yang benar atau salah dalam cara yang dibutuhkan logika abstrak. Penelitian AI telah mengeksplorasi sejumlah solusi untuk masalah ini.

Luasnya pengetahuan akal sehat

Jumlah fakta atom yang rata-rata diketahui orang sangat besar. Proyek penelitian yang mencoba membangun basis pengetahuan pengetahuan akal sehat yang lengkap (misalnya, Cyc) memerlukan sejumlah besar teknik ontologis yang sulit-mereka harus dibangun dengan satu konsep yang rumit sekaligus. Tujuan utama adalah untuk memiliki komputer yang cukup memahami konsep untuk dapat belajar dengan membaca dari sumber seperti Internet, dan dengan demikian dapat menambah ontologi sendiri.

Bentuk subseksbol dari beberapa pengetahuan akal sehat

Banyak dari apa yang orang tahu tidak diwakili sebagai “fakta” atau “pernyataan” yang bisa mereka ungkapkan secara verbal. Misalnya, master catur akan menghindari posisi catur tertentu karena “terasa terlalu terbuka” atau kritikus seni dapat melihat satu patung dan menyadari bahwa itu adalah palsu.

Ini adalah intuisi dan kecenderungan non-sadar dan sub-simbolis dalam otak manusia. Pengetahuan seperti ini menginformasikan, mendukung dan menyediakan konteks untuk pengetahuan simbolis dan sadar. Seperti halnya masalah penalaran sub-simbolis, diharapkan keberadaan AI, kecerdasan komputasi, atau statistik AI akan memberikan cara untuk mewakili pengetahuan semacam ini.

Perencanaan

Agen cerdas harus bisa menetapkan tujuan dan mencapainya. Mereka membutuhkan cara untuk memvisualisasikan masa depan representasi keadaan dunia dan dapat membuat prediksi tentang bagaimana tindakan mereka akan mengubahnya dan dapat membuat pilihan yang memaksimalkan utilitas (atau “nilai“) dari pilihan yang ada.

Dalam masalah perencanaan klasik, agen dapat mengasumsikan bahwa itu adalah satu-satunya sistem yang berlaku di dunia, yang memungkinkan agen tersebut untuk memastikan konsekuensi dari tindakannya. Namun, jika agen bukan satu-satunya aktor, maka itu mengharuskan agen tersebut dapat beralasan dalam ketidakpastian. Ini meminta agen yang tidak hanya dapat menilai lingkungannya dan membuat prediksi, tapi juga mengevaluasi prediksi dan menyesuaikannya berdasarkan penilaiannya.

Perencanaan multi-agen menggunakan kerja sama dan persaingan banyak agen untuk mencapai tujuan yang telah ditentukan. Perilaku darurat seperti ini digunakan oleh algoritma evolusioner dan kecerdasan swarm.

Pengetahuan

Pembelajaran mesin, konsep dasar penelitian AI sejak awal berdirinya, adalah studi algoritma komputer yang memperbaiki secara otomatis melalui pengalaman.

Pembelajaran yang tidak diawasi adalah kemampuan untuk menemukan pola dalam arus masukan. Pembelajaran yang diawasi meliputi klasifikasi dan regresi numerik. Klasifikasi digunakan untuk menentukan kategori apa sesuatu yang ada di dalamnya, setelah melihat sejumlah contoh hal dari beberapa kategori. Regresi adalah usaha untuk menghasilkan suatu fungsi yang menggambarkan hubungan antara input dan output dan memprediksi bagaimana output harus berubah saat input berubah.

Dalam pembelajaran penguatan agen diberi imbalan atas tanggapan yang baik dan dihukum karena kesalahan. Agen menggunakan urutan penghargaan dan hukuman ini untuk membentuk strategi untuk beroperasi di ruang masalahnya. Ketiga jenis pembelajaran ini dapat dianalisis dalam bentuk teori keputusan, dengan menggunakan konsep seperti utilitas. Analisis matematis algoritma pembelajaran mesin dan kinerjanya merupakan cabang ilmu komputer teoritis yang dikenal sebagai teori pembelajaran komputasi.

Dalam perkembangan robotika, pendekatan pembelajaran perkembangan dielaborasi untuk memungkinkan robot mengakumulasi repertoar keterampilan baru melalui eksplorasi diri otonom, interaksi sosial dengan guru manusia, dan penggunaan mekanisme panduan (pembelajaran aktif, pematangan, sinergi motor, dll).

Pengolahan Bahasa Alami

Pengolahan bahasa alami memberi mesin kemampuan untuk membaca dan memahami bahasa manusia. Sistem pemrosesan bahasa alami yang cukup kuat akan memungkinkan antarmuka pengguna bahasa alami dan perolehan pengetahuan langsung dari sumber tertulis manusia, seperti teks newswire. Beberapa aplikasi langsung pengolahan bahasa alami mencakup pencarian informasi, penambangan teks, penjawab pertanyaan dan terjemahan mesin.

Metode umum untuk memproses dan mengekstraksi makna dari bahasa alami adalah melalui pengindeksan semantik. Meskipun indeks ini memerlukan input pengguna dalam jumlah besar, diharapkan peningkatan kecepatan prosesor dan penurunan biaya penyimpanan data akan menghasilkan efisiensi yang lebih besar.

Persepsi

Persepsi mesin adalah kemampuan untuk menggunakan masukan dari sensor (seperti kamera, mikrofon, sensor taktil, sonar dan lainnya) untuk menyimpulkan aspek dunia. Computer vision adalah kemampuan untuk menganalisis input visual. Beberapa subproblem yang dipilih adalah pengenalan suara, pengenalan wajah dan pengenalan objek.

Gerak dan Manipulasi

Bidang robotika berhubungan erat dengan AI. Intelijen diperlukan bagi robot untuk menangani tugas seperti manipulasi objek dan navigasi, dengan sub-masalah seperti lokalisasi, pemetaan, dan perencanaan gerak. Sistem ini mengharuskan seorang agen mampu: secara spasial sadar akan lingkungannya, belajar dari dan membangun peta lingkungannya, mencari tahu bagaimana cara mendapatkan dari satu titik di tempat lain, dan melaksanakan gerakan itu (yang seringkali melibatkan gerak yang sesuai , sebuah proses dimana gerakan membutuhkan perawatan fisik dengan benda).

Kecerdasan sosial

Komputasi afektif adalah studi dan pengembangan sistem yang dapat mengenali, menafsirkan, memproses, dan mensimulasikan pengaruh manusia. Ini adalah bidang interdisipliner yang mencakup ilmu komputer, psikologi, dan ilmu kognitif.

Sementara asal usul lapangan dapat ditelusuri sejauh penyelidikan filosofis awal menjadi emosi, cabang ilmu komputer yang lebih modern berasal dari karya Rosalind Picard pada tahun 1995 tentang “komputasi afektif“. Motivasi untuk penelitian ini adalah kemampuan untuk mensimulasikan empati, di mana mesin tersebut dapat menafsirkan emosi manusia dan menyesuaikan tingkah lakunya untuk memberikan respons yang tepat terhadap emosi tersebut.

Emosi dan keterampilan sosial penting bagi agen cerdas karena dua alasan. Pertama, bisa memprediksi tindakan orang lain dengan memahami motif dan keadaan emosional mereka memungkinkan agen membuat keputusan yang lebih baik.

Konsep seperti teori permainan, teori keputusan, mengharuskan seorang agen untuk dapat mendeteksi dan memodelkan emosi manusia. Kedua, dalam upaya memfasilitasi interaksi manusia-komputer, mesin cerdas mungkin ingin menampilkan emosi (walaupun tidak mengalami emosi itu sendiri) agar tampil lebih peka terhadap dinamika emosional interaksi manusia.

Kreativitas

Sub-field AI menangani kreativitas secara teoritis (perspektif psikologis filosofis) dan secara praktis (implementasi spesifik dari sistem yang menghasilkan keluaran baru dan bermanfaat).

Kecerdasan Umum

Banyak peneliti berpikir bahwa pekerjaan mereka pada akhirnya akan digabungkan ke dalam mesin dengan kecerdasan umum buatan, menggabungkan semua keterampilan yang disebutkan di atas dan bahkan melebihi kemampuan manusia di sebagian besar atau seluruh area ini. Beberapa percaya bahwa fitur antropomorfik seperti kesadaran buatan atau otak buatan mungkin diperlukan untuk proyek semacam itu.

Banyak masalah di atas juga mengharuskan kecerdasan umum dipecahkan. Misalnya, bahkan tugas sederhana yang spesifik, seperti terjemahan mesin, mengharuskan mesin membaca dan menulis dalam kedua bahasa (NLP), mengikuti argumen penulis (alasan), tahu apa yang sedang dibicarakan (pengetahuan), dan dengan setia mereproduksi sumber asli penulis, niat (kecerdasan sosial). Masalah seperti terjemahan mesin dianggap “AI-complete“, namun semua masalah ini perlu dipecahkan secara bersamaan untuk mencapai kinerja mesin tingkat manusia.

Nah, itulah penjelasan mengenai AI atau kecerdasan buatan. Kurang lebihnya mohon di maklumi. Semoga bisa bermanfaat dan menambah wawasan Anda dibidang teknologi. Selamat membaca dan terima kasih.