కృత్రిమ మేధ

వికీపీడియా నుండి
Jump to navigation Jump to search


కంప్యూటర్ సైన్స్ లో, కృత్రిమ మేధ (ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ - AI), లేదా యంత్ర మేధస్సు అనేది యంత్రాలచేత ప్రదర్శించబడ్ద మేధస్సు. ఇది మానవులు లేదా జంతువులలో కనిపించే మేధస్సు (సహజ మేధస్సు) కు విరుద్ధమైనది. ఇది ఒక్కొసారి సహజ మేధస్సుని పోలి వుండవచ్చు కాని కాదు. రస్సెల్, నొర్విగ్ రాసిన పాఠ్యపుస్తకం దీనిని "ఇంటెలిజెంట్ ఏజెంట్ల " అధ్యయనం అని నిర్వచించింది. ఈ నిర్వచనం ప్రకారం, ఇంటెలిజెంట్ ఏజెంటు అంటే ఏదైనా యంత్రం లేదా పరికరం, అది వున్న వాతావరణాన్ని గ్రహించి, తన లక్ష్యాలను విజయవంతంగా సాధించే అవకాశాన్ని పెంచే చర్యలను తీసుకోగల సామర్ధ్యం కలది. సాధారణంగా, "కృత్రిమ మేధస్సు"ని మానవులను అనుకరిచే యంత్రాలకు (లేదా కంప్యూటర్లు కు) అనుబంధిస్తాము. విషయాలను నేర్చుకోగలటం, సమస్యలకు పరిష్కారం కనుక్కొవటం లాంటివి మానవ లక్షణాలు. ఇటువంటి లక్షణాలను యంత్రాలు ప్రదర్సించకలిగితే వాటికి కృత్రిమ మేధ అంటినట్టుగా చెప్పుకొవచ్చును.

యంత్రాల యొక్క సామర్థ్యం పెరిగిపోతూ వుందటం తో, ఏది కృత్రిమ మేధ, ఏది కాదు అని చెప్పడం కష్టం. కొన్ని సంవత్సరాల క్రితం ఆప్టికల్ క్యారెక్టర్ రికగ్నిషన్ (ఓ సి ఆర్) తరచూ కృత్రిమ మేధ గా పరిగణించబడేది. ఇప్పుడు అనేక పరికరాలలో చాల మామూలుగా లభ్యం అవ్వడం వల్ల ఇప్పుడు ఓ సి ఆర్ "కృత్రిమ మేధస్సు" యొక్క నిర్వచనం నుండి తొలగించబడింది. మానవ ప్రసంగాన్ని విజయవంతంగా అర్థం చేసుకోవడం, వ్యూహాత్మక ఆటలలో ( చెస్, గో వంటివి ) అత్యధిక స్థాయిలో పోటీపడటం, స్వయంప్రతిపత్తితో పనిచేసే కార్లు, యంత్రానువాదలు మొదలైనవి కృత్రిమ మేధస్సుగా వర్గీకరించదగిన ఆధునిక యంత్ర సామర్థ్యాలు .

1955 లో కృత్రిమ మేధస్సు ఒక విద్యా విభాగంగా స్థాపించబడింది, తరువాత సంవత్సరాలలో ఇది అనేక ఆశలను రేపింది. అత్యంత తెలివి, విజ్ఞానం, సామర్ధ్యం కల యంత్రాలు అందుబాటులొకి వస్తాయి అనే ఆశాభావాలను రేపెత్తింది. అప్పడికి అందుబాట్లొ ఉన్న వనరులు ఈ ఆశలను, అంచనాలను అందుకోవడానికి సరిపోలేదు. చాల నిధుల నష్టం తర్వాత కృత్రిమ మేధ తాత్కాలికంగా ఆగి పొయింది. ఈ కాల వ్యవధిని "AI వింటర్ " అని పిలుస్తారు.

తరువాత కొత్త విధానాలు, విజయాలు, నిధులు కృత్రిమ మేధకు సంబంధించిన పరిశోధనలను పునరుద్ధరించాయి.

ఇరవై ఒకటవ శతాబ్దంలో, కంప్యూటర్ శక్తి, పెద్ద మొత్తంలో డేటా లభ్యం కావడం, సైద్ధాంతిక అవగాహనలో పురోగతి తరువాత కృత్రిమ మేధ పరిశోధనలు తిరిగి పుంజుకున్నాయి; కృత్రిమ మేధ టెక్నాలజీ పరిశ్రమలో ఒక ముఖ్యమైన భాగంగా మారింది, కంప్యూటర్ సైన్స్, సాఫ్ట్‌వేర్ ఇంజనీరింగ్, కార్యకలాపాల పరిశోధనలలో అనేక సవాలు సమస్యలను పరిష్కరించడంలో సహాయపడింది.

సెల్ఫ్ డ్రైవింగ్ కార్ సిస్టమ్ పాదచారులను కదిలే (కొంతవరకు)అనూహ్యమైన దీర్ఘచతురస్రాకార ప్రిజమ్‌లుగా గుర్తించి వారిని ఢికొనటం నివారిస్తాయి. [1] [2]
  1. Matti, D.; Ekenel, H. K.; Thiran, J. P. (2017). Combining LiDAR space clustering and convolutional neural networks for pedestrian detection. 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). pp. 1–6. arXiv:1710.06160. doi:10.1109/AVSS.2017.8078512. ISBN 978-1-5386-2939-0.
  2. Ferguson, Sarah; Luders, Brandon; Grande, Robert C.; How, Jonathan P. (2015). Real-Time Predictive Modeling and Robust Avoidance of Pedestrians with Uncertain, Changing Intentions. Algorithmic Foundations of Robotics XI. Springer Tracts in Advanced Robotics (ఆంగ్లం లో). 107. Springer, Cham. pp. 161–177. arXiv:1405.5581. doi:10.1007/978-3-319-16595-0_10. ISBN 978-3-319-16594-3.