PTSC 4.4

Nama: Muhammad Millenia Arya P

Kelas: 3KA20

NPM: 14117121

Cara Penguncian Dengan Menggunakan Meotode Touring Test Pada Sistem Cerdas

akalah Turing mengklaim bahwa komputer digital terprogram yang sesuai secara umum akan diterima sebagai pemikiran sekitar tahun 2000, mencapai status itu dengan berhasil menanggapi pertanyaan manusia dengan cara yang mirip manusia. Dalam mempersiapkan pembacanya untuk menerima ide ini, ia menjelaskan apa itu komputer digital, menyajikannya sebagai kasus khusus dari "mesin negara diskrit"; dia menawarkan penjelasan kapsul tentang apa yang dimaksud "pemrograman" mesin seperti itu; dan dia menyangkal - setidaknya untuk kepuasannya sendiri - sembilan argumen menentang tesisnya bahwa mesin seperti itu bisa dikatakan berpikir. (Semua dasar ini diperlukan pada tahun 1950, ketika beberapa orang bahkan pernah mendengar tentang komputer.) Tetapi, bagian-bagian dari makalah ini tidak menjadikannya penting secara historis. Bagian yang telah menangkap imajinasi kita, sampai pada titik di mana ribuan orang yang belum pernah melihat makalah itu dengan jelas mengingatnya, adalah tes yang diajukan Turing untuk menentukan apakah sebuah komputer sedang berpikir - sebuah eksperimen yang ia sebut Permainan Imitasi, tetapi yang sekarang dikenal sebagai Tes Turing.

Tes meminta seorang interogator untuk mempertanyakan entitas tersembunyi, yang merupakan komputer atau manusia lain. Penanya kemudian harus memutuskan, hanya berdasarkan jawaban entitas tersembunyi, apakah ia telah menginterogasi seorang pria atau mesin. Jika interogator tidak dapat membedakan komputer dari manusia lebih baik daripada dia dapat membedakan, katakanlah, pria dari wanita dengan cara interogasi yang sama, maka kita tidak memiliki alasan yang baik untuk menyangkal bahwa komputer yang menipu dia sedang berpikir. Dan satu-satunya cara komputer bisa meniru manusia yang berhasil, Turing menyiratkan, akan benar-benar berpikir seperti manusia.

Eksperimen pemikiran Turing sederhana dan kuat, tetapi bermasalah sejak awal. Turing tidak memperdebatkan premis bahwa kemampuan untuk meyakinkan sejumlah pengamat yang tidak ditentukan, kualifikasi yang tidak ditentukan, untuk jangka waktu yang tidak ditentukan, dan pada sejumlah kesempatan yang tidak ditentukan, akan membenarkan kesimpulan bahwa komputer berpikir - ia hanya menegaskan Itu. Beberapa pembela nya telah mencoba untuk memberikan dasar yang Turing sendiri tampaknya berpikir tidak perlu dengan berdebat bahwa Tes hanya meminta kita untuk menilai entitas yang tidak terlihat dengan cara yang sama kita secara teratur menilai sesama manusia: jika mereka menjawab pertanyaan kita dengan cara yang masuk akal, kami katakan mereka berpikir. Mengapa tidak menerapkan kriteria yang sama pada entitas non-manusia lain yang mungkin juga berpikir?

Tetapi pembelaan ini gagal, karena kita tidak benar-benar menilai sesama manusia sebagai makhluk berpikir berdasarkan pada bagaimana mereka menjawab pertanyaan kita - kita umumnya menerima manusia mana pun yang terlihat dan tanpa pertanyaan sebagai makhluk yang berpikir, sama seperti kita membedakan seorang pria dari seorang wanita. dalam pengelihatan. Suatu percakapan mungkin memungkinkan kita untuk menilai kualitas atau kedalaman pemikiran orang lain, tetapi tidak apakah ia benar-benar berpikir; Keanggotaannya dalam spesies Homo sapiens menjawab pertanyaan itu - atau lebih tepatnya, mencegahnya muncul. Jika kata-kata orang seperti itu tidak jelas, kami mungkin menilai dia bodoh, terluka, mabuk, atau mabuk. Jika tanggapannya sepertinya tidak lebih dari perombakan dan gema dari kata-kata yang telah kami tujukan kepadanya, atau jika mereka tampaknya menangkis atau menghindari pertanyaan kami alih-alih mengatasinya, kita mungkin menyimpulkan bahwa dia tidak bertindak dengan itikad baik, atau bahwa dia Otaknya rusak parah dan dengan demikian secara tidak sengaja kehilangan hak kesulungannya untuk berpikir.

Mungkin atribusi otomatis kemampuan berpikir kita kepada siapa pun yang tampak manusia itu dangkal, tidak memiliki ketelitian filosofis atau ilmiah. Tetapi untuk yang lebih baik atau lebih buruk, itulah yang kita lakukan, dan konsep kita tentang makhluk terikat erat, pertama, dengan penampilan manusia, dan kemudian dengan koherensi respons. Jika kita ingin menghargai entitas non-manusia dengan pemikiran, entitas itu sebaiknya merespons dengan cara yang membuat kita melihatnya, di mata pikiran kita, sebagai manusia. Dan Turing, atas pujiannya, menerima kriteria itu.

Turing menyatakan penilaiannya bahwa komputer dapat berpikir dalam bentuk prediksi: yaitu, bahwa masyarakat umum lima puluh tahun karenanya tidak akan memiliki keraguan untuk menggunakan "berpikir" untuk menggambarkan apa yang dilakukan komputer.

Pertanyaan aslinya, “Bisakah mesin berpikir?” Saya percaya terlalu tidak berarti untuk didiskusikan. Namun demikian saya percaya bahwa pada akhir abad ini, penggunaan kata-kata dan pendapat umum yang berpendidikan akan sangat banyak berubah sehingga orang akan dapat berbicara tentang mesin yang berpikir tanpa berharap akan dipertentangkan.

Perhatikan bahwa Turing mendasarkan prediksi itu bukan pada harapan bahwa komputer akan melakukan prestasi matematika, ilmiah, atau logis yang penting, seperti bermain catur tingkat grandmaster atau membuktikan teorema matematika, tetapi dengan harapan bahwa itu akan mampu, dalam dua generasi atau lebih, untuk melakukan pertukaran tanya-jawab yang berkelanjutan dengan cukup baik sehingga sebagian besar orang, pada umumnya, tidak dapat membedakannya dari manusia.

Dan apa yang dipahami Turing lebih baik daripada sebagian besar pengikutnya adalah bahwa tanda karakteristik dari kemampuan untuk berpikir adalah tidak memberikan jawaban yang benar, tetapi jawaban responsif - balasan yang menunjukkan pemahaman tentang komentar yang mendorong mereka. Jika kita menganggap lawan bicara sebagai makhluk berpikir, responsnya perlu otonom; berpikir adalah berpikir untuk diri sendiri. Keyakinan bahwa entitas tersembunyi sedang berpikir sangat bergantung pada kata-kata yang dia sampaikan kepada kita bahwa tidak mengulangi kata-kata yang baru saja kita katakan kepadanya, tetapi kata-kata yang tidak kita gunakan atau pikirkan tentang diri kita sendiri - kata-kata yang bukan turunan tetapi asli. Dengan kriteria ini, tidak ada komputer, betapapun canggihnya, yang mendekati pemikiran nyata.

Fakta-fakta ini telah membuat Tes sangat bermasalah bagi para penggemar AI, yang ingin menjadikan Turing sebagai ayah spiritual dan pelindung filosofis mereka. Sementara mereka telah memprogram komputer untuk melakukan hal-hal yang mungkin mengejutkan bahkan dia, programmer saat ini tidak dapat melakukan apa yang dia yakini akan mereka lakukan - mereka tidak dapat lulus ujiannya. Jadi, hubungan komunitas AI dengan Turing sangat mirip dengan remaja terhadap orang tua mereka: ketergantungan yang hina berganti-ganti dengan penolakan yang memalukan. Untuk pekerja AI, dapat menampilkan diri mereka sebagai "Pria Turing" sangat berharga; statusnya adalah von Neumann, Fermi, atau Gell-Mann, hanya satu langkah di bawah yang abadi seperti Newton dan Einstein. Dia adalah seorang jenius yang tidak diragukan lagi yang namanya dikaitkan dengan proyek AI (meskipun statusnya sebagai seorang jenius tidak didasarkan pada pekerjaan di AI). Penghargaan tertinggi yang diberikan oleh Association for Computing Machinery adalah Turing Award, dan konsep komputernya sebagai contoh dari apa yang sekarang kita sebut Mesin Turing merupakan hal mendasar bagi semua ilmu komputer teoretis. Ketika anggota komunitas AI membutuhkan beberapa leluhur terkenal untuk memberikan martabat pada posisi mereka, nama Turing secara teratur dipanggil, dan makalahnya disebut sebagai tulisan suci. Tetapi ketika spesifik makalah itu diangkat, dan ketika kritik bertanya mengapa Tes belum berhasil dilakukan, ia disingkirkan sebagai penggemar awal dan agak tidak canggih. Ide-idenya, kita kemudian diberitahu, bukan lagi dasar dari pekerjaan AI, dan makalahnya dapat dengan aman dipindahkan ke rak tempat klasik yang belum terbaca mengumpulkan debu, bahkan ketika kita diminta untuk membayar pengarangnya rasa hormat yang paling dalam kepada penulisnya. Turing adalah nama untuk disulap, dan itulah yang dilakukan sebagian besar pekerja AI.

Belum Tertipu

Turing memberikan contoh terperinci tentang apa yang diinginkannya dan yang diharapkan dilakukan oleh programmer. Setelah memperkenalkan gagasan umum Tes, ia kemudian menawarkan sebuah fragmen perwakilan yang mungkin mewakili dialog yang akan terjadi antara entitas tersembunyi dan interogatornya. Mungkin kunci keberhasilan diskriminasi antara komputer yang diprogram dan manusia adalah dengan bertanya pada entitas yang tak terlihat, pertanyaan-pertanyaan yang menurut manusia mudah dijawab (tidak harus dengan benar), tetapi bahwa seorang programmer AI akan menemukan mustahil untuk diprediksi dan ditangani, dan untuk menggunakan pertanyaan semacam itu untuk membuka kedok jawaban yang mengelak dan hanya kata-juggling. Pertimbangkan garis pertanyaan Turing yang disarankan dengan strategi itu dalam benak:

T: Tolong tuliskan saya soneta tentang masalah Forth Bridge.

A: Hitung saya yang ini. Saya tidak pernah bisa menulis puisi.

T: Tambahkan 34957 hingga 70764.

A: (Diam sekitar 30 detik lalu berikan jawaban) 105621.

T: Apakah Anda bermain catur?

A: Ya.

T: [menjelaskan posisi endgame, lalu bertanya] Apa yang Anda mainkan?

A: (Setelah jeda 15 detik) pasangan R-R8.

Pertanyaan pertama tidak memiliki nilai sebagai pembeda, karena sebagian besar manusia tidak akan mampu seperti komputer untuk memproduksi soneta dalam waktu singkat, jika pernah. Turing memiliki komputer yang menyatakan tidak hanya ketidakmampuan untuk menulis soneta pada subjek yang ditugaskan, tetapi ketidakmampuan untuk menulis puisi dalam bentuk apa pun tentang subjek apa pun. Beberapa pertanyaan lanjutan tentang hal ini mungkin telah diungkapkan, bahkan menentukan untuk tujuan Tes. Tetapi interogator imajiner Turing tidak pernah menindaklanjuti jawaban yang menarik, alih-alih beralih ke topik lain sama sekali.

Pertanyaan kedua juga tanpa nilai diskriminatif, karena baik manusia maupun mesin tidak akan mengalami kesulitan dengan tugas aritmatika ini, diberikan waktu 30 detik untuk melakukannya; tetapi sekali lagi, komputer diasumsikan memahami sesuatu yang belum disebutkan oleh penanya - dalam hal ini, bahwa tidak hanya menambahkan dua angka, tetapi untuk melaporkan jumlah mereka kepada interogator.

Pertukaran pertanyaan-jawaban ketiga dapat diabaikan, tetapi yang keempat, seperti dua yang pertama, menimbulkan masalah. Pertama, itu gagal sebagai diskriminator, karena tidak ada orang yang benar-benar bermain catur akan bingung dengan permainan-akhir yang begitu sederhana sehingga tersedia pasangan; kedua, memperkenalkan asumsi yang tidak dapat secara otomatis diizinkan: yaitu, bahwa komputer bermain untuk menang. Mungkin terlihat agak berlebihan untuk menarik perhatian, dan menolak, asumsi sederhana ini; setelah semua, mereka berjumlah tidak lebih dari akal sehat biasa. Persis. Dialog sampel Turing menghadiahkan komputer hanya properti yang tidak pernah bisa diberikan oleh programmer kepada komputer mereka: akal sehat. Pertanyaan yang diajukan Turing di mulut interogator tampaknya sengaja dirancang untuk mencegahnya memahami apa yang ia hadapi, dan Turing memberi komputer kecerdasan yang cukup untuk menipu si interogator selamanya.

Tetapi jika interogator imajiner Turing tertipu, kebanyakan dari kita tidak. Dan jika kita membacanya dengan hati-hati, kita perhatikan juga kontradiksi yang mencolok dalam posisi Turing: bahwa antara penolakan awalnya untuk menghormati pemahaman umum tentang kata-kata dan konsep-konsep kunci, dan seruannya pada kesimpulan dari argumennya untuk penggunaan umum seperti itu. Di awal makalahnya, Turing mengatakan:

Jika makna kata "mesin" dan "berpikir" dapat ditemukan dengan memeriksa bagaimana mereka biasa digunakan, sulit untuk lolos dari kesimpulan bahwa makna dan jawaban untuk pertanyaan, 'Dapatkah mesin berpikir?' Adalah menjadi dicari dalam survei statistik seperti jajak pendapat Gallup. Tapi ini tidak masuk akal.

Tetapi kemudian ia menyarankan, seperti dikutip di atas, bahwa pada akhir abad kedua puluh pemeriksaan "penggunaan kata-kata dan pendapat umum yang berpendidikan" akan menunjukkan bahwa masyarakat sekarang menerima bahwa komputer dapat berpikir, dan bahwa perubahan sikap ini penting. . Penolakan awal Turing atas penggunaan umum (sekitar tahun 1950) dilupakan begitu ia membayangkan suatu era (sekitar tahun 2000) di mana penggunaan umum mendukung tesisnya.

Namun pemahaman kita tentang berpikir jelas tidak berubah dalam cara yang diprediksi Turing. Jika ada, pemikiran terdidik tampaknya bergerak ke arah yang berlawanan: sementara kami terus merasa nyaman untuk berbicara tentang komputer sebagai "mencoba" untuk melakukan ini atau "ingin" untuk melakukan itu, sama seperti kita mempersonifikasikan semua jenis non-komputer. kekuatan dan entitas manusia dalam pembicaraan informal, semakin banyak dari kita yang sadar bahwa kita berbicara secara kiasan. Tidak seorang pun yang diberitahu bahwa reservasi hotelnya telah hilang karena "komputer yang keliru" cenderung menggunakan istilah "mesin berpikir" kecuali dengan sarkastik. Dan kebanyakan orang di zaman komputer memahami perbedaan antara kecerdasan yang hidup dan alat yang dibuat manusia untuk membantu kecerdasan - alat yang menjaga buah dari kecerdasan manusia yang digunakan untuk membangunnya, tetapi yang sama sekali tidak cerdas sendiri. Bayangan Panjang Turing

Namun Tes tetap menjadi masalah hidup di hampir semua diskusi tentang AI, jika hanya karena Turing memberikan tujuan konkret untuk pekerja AI. Terlepas dari Test-nya, tidak ada yang mengusulkan alternatif menarik untuk menilai keberhasilan atau kegagalan AI, meninggalkan lapangan dalam keadaan kebingungan total. Pelopor komputer Maurice V. Wilkes, yang juga seorang pemenang Penghargaan Turing, menyatakan hal itu pada tahun 1992, dalam sebuah pernyataan yang benar hari ini seperti pada saat itu:

Awalnya, istilah AI digunakan secara eksklusif dalam arti mimpi Turing bahwa komputer mungkin diprogram untuk berperilaku seperti manusia yang cerdas. Namun, dalam beberapa tahun terakhir, AI telah lebih banyak digunakan sebagai label untuk program-program yang, jika tidak muncul dari komunitas AI, mungkin telah dianggap sebagai buah alami dari pekerjaan dengan bahasa seperti COMIT dan SNOBOL, dan dari karya tersebut. dari ET Setrika pada kompiler diarahkan sintaksis perintis. Saya merujuk pada sistem pakar .... Sistem pakar memang merupakan hadiah berharga yang telah dibuat oleh komunitas AI kepada dunia pada umumnya, tetapi mereka tidak ada hubungannya dengan mimpi Turing .... Memang, sulit untuk menghindari kesimpulan bahwa, dalam 40 tahun yang telah berlalu sejak 1950, tidak ada kemajuan nyata yang dicapai dalam mewujudkan kecerdasan mesin dalam arti yang telah dibayangkan Turing.

Tentu saja sangat sedikit pekerja AI yang menerima penilaian negatif atas kemajuan mereka. Pengamatan Wilkes membangkitkan beberapa surat penolakan, termasuk satu dari Patrick J. Hayes, yang saat itu presiden American Association for Artificial Intelligence. Tetapi seperti tradisional dalam hal-hal seperti itu, surat-surat ini kuat pada kemarahan dan lemah dalam mengutip prestasi spesifik yang menunjukkan mengapa Wilkes salah. Hayes bahkan tidak menyebut Tes sebagai tujuan bagi pekerja AI, tetapi menyimpulkan dengan kutipan penuh hormat dari Turing, dengan demikian mencontohkan sikap ganda terhadap tuan: abaikan proposal spesifiknya bahkan ketika mengenakan mantelnya untuk menutupi ketelanjangan Anda sendiri.

Dengan tidak adanya tujuan alternatif yang diterima secara umum, praktis tidak mungkin untuk mengatakan apa itu AI dan apa yang bukan. Setiap perangkat lunak baru yang keluar dari lembaga dengan "AI" dalam judulnya, atau yang dikembangkan oleh mahasiswa pascasarjana yang penasihat tesisnya mengajarkan kursus dengan "AI" dalam judulnya, biasanya disebut AI ketika pertama kali muncul - dan siapa dapat bertentangan dengan klaim seperti itu? Tetapi "perkembangan menarik" dan "terobosan" ini selalu diturunkan ke aplikasi lama yang sederhana ketika kebaruannya telah hilang. Hasilnya, seperti yang sering dikeluhkan oleh pekerja AI, adalah bahwa tesis AI yang kuat gagal mendapatkan manfaat dari apa pun yang mereka lakukan - semua kemenangan mereka segera dianggap hanya sebagai lebih banyak perangkat lunak. "Ini posisi gila untuk berada di sini," keluh Martha Pollack, profesor di Laboratorium AI Universitas Michigan dan editor eksekutif Journal of Artificial Intelligence Research. "Segera setelah kami memecahkan masalah, alih-alih melihat solusi sebagai AI, kami melihatnya sebagai sistem komputer lain," katanya kepada Wired News. Namun sejauh ini, tidak ada yang muncul dari laboratorium AI yang benar-benar layak disebut "kecerdasan buatan".

Hubungan rumit antara bidang AI dan warisan Turing kembali ke awal. Profesor Marvin Minsky dari M.I.T. dan John McCarthy dari Stanford dianggap sebagai pendiri Intelegensi Buatan sebagai disiplin formal atau program penelitian, dan keduanya masih aktif pada tulisan ini. Dalam sebuah artikel survei dalam Prosiding IRE pada tahun 1961, Minsky membela gagasan bahwa komputer mungkin berpikir dengan mengatakan bahwa “kita tidak dapat memberikan semua kredit kepada programmer-nya jika operasi suatu sistem muncul untuk mengungkapkan struktur yang tidak dapat dikenali atau tidak diantisipasi oleh programmer, ”menyiratkan bahwa setidaknya beberapa bagian dari hasil yang mengejutkan harus disebabkan oleh pemikiran oleh mesin. Dia menutup argumennya dengan kata-kata: "Turing memberikan diskusi yang sangat luas tentang hal-hal seperti itu." Tetapi pada tahun 2003, Minsky menyatakan kekecewaan dan frustrasinya pada kurangnya kemajuan yang dibuat oleh AI untuk mencapai tujuan Turing: “AI telah mati otak sejak tahun 1970-an .... Untuk setiap jenis masalah yang berbeda, pembangunan sistem pakar memiliki untuk memulai dari awal lagi, karena mereka tidak mengumpulkan pengetahuan yang masuk akal .... Mahasiswa pascasarjana menyia-nyiakan tiga tahun hidupnya menyolder dan memperbaiki robot, bukannya membuat mereka pintar. Ini sangat mengejutkan. "

Raj Reddy, pemenang lain dari Penghargaan Turing dan mantan presiden Asosiasi Amerika untuk Kecerdasan Buatan, mengambil pandangan yang jauh lebih menarik tentang masalah ini. Dalam sebuah makalah tahun 1996, Reddy memulai dengan haluan biasa untuk Turing, kemudian berkata, "Sejak awal, AI telah membuat kemajuan yang stabil." Sebagai ilustrasi, ia menyebutkan berbagai prestasi, seperti bermain catur tingkat tinggi, membimbing sebuah mobil di jalan, dan memungkinkan "buku elektronik." Tapi dia tidak menyebutkan upaya untuk lulus Tes atau melakukan apa pun yang seperti itu. Sebagai gantinya, ia menyerang mereka yang meminimalkan pencapaian AI, seperti Hubert Dreyfus, penulis buku What Computers Can'tt Do:

Masalah dengan orang-orang yang berpikir bahwa kecerdasan komputer di masa depan adalah bahwa mereka tidak pernah melakukan penelitian yang serius tentang kecerdasan manusia. Haruskah kita menulis buku tentang 'Apa yang Tidak Dapat Manusia Lakukan'? Setidaknya akan sepanjang buku Dreyfus.

Pernyataan meremehkan ini adalah contoh kecenderungan lain yang ditunjukkan oleh pembela AI: ketika mereka menemukan "kecerdasan komputer" dibandingkan dengan kecerdasan manusia, mereka kadang-kadang mencoba untuk mempromosikan kecerdasan komputer dengan merendahkan bahwa manusia. Dengan kata lain, jika mereka tidak dapat membuat komputer lebih pintar, mereka dapat mencoba meningkatkan rasio dengan membuat orang tampak bodoh. Seperti yang dikatakan Jaron Lanier kepada New York Times: "Turing berasumsi bahwa komputer dalam kasus ini [yaitu, setelah lulus Tes] telah menjadi lebih pintar atau lebih mirip manusia, tetapi kesimpulan yang kemungkinannya sama adalah bahwa orang tersebut menjadi lebih bodoh dan lebih seperti komputer."

Satu juara AI, Yorick Wilks, melangkah lebih jauh: dia telah mempertanyakan bagaimana kita bahkan dapat yakin bahwa manusia lain berpikir, dan menyarankan bahwa sesuatu seperti Tes adalah apa yang sebenarnya kita, jika secara tidak sadar, gunakan untuk meyakinkan diri kita sendiri bahwa mereka melakukannya. Wilks (jangan dikelirukan dengan Maurice Wilkes, yang dikutip sebelumnya) menawarkan kepada kami di sini reductio ad absurdum: Tes Turing meminta kami untuk mengevaluasi entitas yang tidak dikenal dengan membandingkan kinerjanya, setidaknya secara implisit, dengan kuantitas yang diketahui, manusia. . Tetapi jika Wilks harus dipercaya, kita memiliki yang tidak diketahui di kedua sisi perbandingan; dengan apa kita membandingkan manusia untuk belajar jika dia berpikir?

Untuk Raj Reddy, pertanyaan tentang mendefinisikan kecerdasan telah dijawab oleh almarhum Herbert Simon, dan dia menggunakan definisi Simon sebagai dasar untuk klaimnya yang luas tentang keberhasilan AI:

Bisakah komputer menunjukkan kecerdasan sebenarnya? Simon memberikan jawaban yang tajam: "Saya tahu hanya satu makna operasional untuk 'kecerdasan.' Suatu tindakan (mental) atau serangkaian tindakan adalah cerdas jika itu mencapai sesuatu yang, jika dicapai oleh manusia, akan disebut kecerdasan. Saya tahu teman saya cerdas karena dia bermain catur yang cukup bagus (dapat menjaga mobil di jalan, dapat mendiagnosis gejala penyakit, dapat memecahkan masalah para Misionaris dan Kanibal, dll.). Saya tahu bahwa komputer A cerdas karena dapat memainkan catur yang sangat baik (lebih baik dari semua kecuali sekitar 200 manusia di seluruh dunia). Saya tahu bahwa Navlab cerdas karena dapat tetap di jalan, dll, dll ... Mari kita berhenti menggunakan bentuk masa depan ketika berbicara tentang kecerdasan komputer. "

Namun, dengan definisi ini, mesin, alat, atau alat apa pun yang melakukan fungsi yang cukup kompleks - fungsi yang akan disebut cerdas jika dilakukan oleh manusia - harus dianggap cerdas. Itu membela klaim AI untuk sukses dengan secara radikal menurunkan bilah.

Salah satu pekerja AI yang percaya bahwa ia telah menghindari masalah yang ditimbulkan oleh Tes adalah Douglas Lenat, seorang mantan profesor ilmu komputer di Stanford, dan pendiri dan presiden Cycorp. "Tes Turing adalah herring merah," ia menyatakan pada tahun 2001. "Antropomorfisasi program komputer bukanlah tujuan yang berguna." Lenat didedikasikan untuk membangun sistem komputasi dengan fakta-fakta yang cukup tentang dunia, dan kekuatan yang cukup menarik kesimpulan dari fakta-fakta itu, untuk dapat sampai pada kesimpulan yang masuk akal tentang hal-hal yang belum diinformasikan secara eksplisit. Namun tujuan ini menunjukkan bahwa proyeknya, bahkan lebih dari Turing, secara tepat digambarkan sebagai "antropomorfisasi" komputer. Lenat berbeda dari Turing hanya karena tujuannya bukan untuk membuat komputer menipu seorang interogator untuk berpikir bahwa itu adalah manusia; dia ingin itu benar-benar memiliki akal sehat bahwa komputer Turing hanya berpura-pura memilikinya.

Yang lain lagi akan menghindari masalah yang ditimbulkan oleh Tes - atau kriteria alternatif apa pun - dengan mengambil pandangan praktis yang menyegarkan daripada teoretis tentang masalah tersebut. Pada tahun 1987, Peter Wegner, seorang ilmuwan komputer di Brown University, menyatakan dengan keterbukaan:

Intinya adalah bahwa kita dapat menjawab pertanyaan [apakah komputer mengerti] atau tidak, tergantung pada interpretasi kita terhadap istilah "pemahaman." Tetapi posisi afirmatif tampaknya jauh lebih menarik sebagai titik awal untuk penelitian konstruktif daripada posisi negatif. Jadi kami memilih posisi afirmatif untuk alasan pragmatis daripada karena itu dapat dibuktikan secara logis. Tes Turing harus dipandang sebagai tantangan pragmatis daripada sebagai pernyataan metafisik tentang sifat pemikiran atau pemahaman. Dalam menjawab pertanyaan metafisik seperti "Can Machines Think?", Lebih penting untuk menjawabnya dengan cara yang berguna daripada menyulap makna konsep fuzzy untuk membuktikan kebenaran atau kepalsuannya.

Argumen ini mengesampingkan Turing dan para pengritiknya: Pendekatan operasional Turing terhadap AI diperlakukan hanya sebagai penggambaran wol metafisik yang berpikiran fuzzy, dan para pengkritiknya ditolak karena, benar atau salah, kenegatifan mereka mengurangi antusiasme pekerja AI , dan dengan demikian menghambat kemajuan ilmu komputer. Bagi Wegner, tujuan utamanya bukan untuk memutuskan apa sebenarnya pemikiran itu; itu untuk membuat anak laki-laki di lab bahagia dan produktif.

Tetapi pendekatan manipulatif semacam ini jarang berhasil, paling tidak ketika dipaksakan pada orang secerdas manipulator. Para pekerja AI yang masih berharap untuk menciptakan kecerdasan mesin melakukannya karena mereka percaya bahwa pencapaian ambisius seperti itu mungkin dalam arti penuh "kecerdasan." Jika mereka percaya bahwa doktrin yang dapat dipikirkan mesin hanyalah wortel yang digantungkan pada di depan mereka untuk membuat mereka menarik kereta, dan bahwa bahkan jika mereka lulus Tes wortel akan tetap di luar jangkauan - yaitu, tidak akan secara umum diberikan bahwa mereka telah mencapai pemahaman mesin - mereka mungkin merasa bahwa mereka telah telah dibohongi, dan bereaksi dengan cara yang salah dari sudut pandang "pragmatis" Wegner. Jika Anda akan memberi pasien plasebo, Anda tidak memberi tahu dia bahwa Anda melakukannya, dan jika Anda akan mengambil posisi yang tidak benar-benar Anda percayai, berharap itu akan memotivasi orang lain, Anda tidak menerbitkan surat yang mengumumkan rencana Anda.

Akhirnya, banyak pekerja AI meminta Tes tanpa menyadarinya, dengan fokus pada kejutan sebagai pertimbangan yang menentukan dalam menentukan apakah sebuah komputer berpikir. Berkali-kali, juara AI menunjukkan bahwa komputer telah melakukan sesuatu yang tidak terduga, dan bahwa karena melakukannya, kita hampir tidak dapat menyangkal apa yang dipikirkan. Untuk mengajukan klaim ini hanya dengan menjalankan Tes tanpa menyebutkannya. Kejutan pengamat ketika mengetahui bahwa lawan bicaranya yang ia pikir manusia sebenarnya adalah komputer, atau keterkejutannya ketika mengetahui bahwa komputer telah melakukan sesuatu yang menurutnya hanya dapat dilakukan manusia, adalah inti dari Tes ini. Pengaruhnya begitu meresap sehingga banyak orang yang belum pernah membaca Turing, dan berpikir mereka bekerja dengan cara pemikiran yang sama sekali berbeda dan orisinal, tetap merupakan epigone-nya.

Kamar China

Pada tahun 1980, John Searle, profesor filsafat di UC Berkeley, menerbitkan sebuah makalah di mana ia berusaha untuk mendiskreditkan tidak hanya Tes tetapi seluruh program yang ia sebut "AI yang kuat" - gagasan bahwa benda yang memanipulasi simbol seperti komputer dapat pernah dikatakan berpikir. Dia merangkum argumennya dalam eksperimen pemikiran berikut ini: Bayangkan sebuah ruangan yang disegel kecuali untuk celah-celah di mana secarik kertas dapat dibagikan masuk dan keluar. Penghuni satu-satunya di ruangan ini adalah seorang pria yang berbicara dan tidak membaca bahasa Cina, dan yang disediakan dengan leksikon sepenuhnya dalam bahasa Cina. Dia telah diberitahu (dalam bahasa Inggris) bahwa secarik kertas bertuliskan karakter Cina akan diteruskan melalui slot, dan diinstruksikan untuk menemukan karakter tersebut dalam leksikonnya. Ketika dia menemukan mereka, dia akan menemukan beberapa karakter China lain yang terkait dengannya yang akan dia salin ke selembar kertas lain, dan pingsan melalui slot. Karakter pada setiap slip yang diterimanya merupakan, tanpa sepengetahuannya, sebuah pertanyaan; karakter yang ia salin dari leksikon dan diteruskan ke orang-orang di luar ruangan, juga tanpa sepengetahuannya, jawaban untuk pertanyaan itu.

Untuk pengamat yang tidak tahu apa-apa tentang apa yang terjadi di dalam kotak hitam yaitu Kamar Cina, tampaknya ruangan itu harus berisi seseorang yang mengerti bahasa Cina. Tapi kita tahu dengan hipotesis bahwa pria di ruangan itu tidak mengenal orang Cina. Eksperimen pemikiran ini menunjukkan, klaim Searle, bahwa kemampuan untuk mengganti satu rangkaian simbol dengan simbol lain, betapapun bermakna dan responsifnya keluaran itu bagi pengamat manusia, dapat dilakukan tanpa memahami simbol-simbol itu. Implikasi untuk Tes Turing jelas: Kemampuan untuk memberikan jawaban yang baik untuk pertanyaan manusia tidak selalu menyiratkan bahwa penyedia jawaban itu berpikir; lulus Tes bukanlah bukti kecerdasan aktif.

Kamar China

Pada tahun 1980, John Searle, profesor filsafat di UC Berkeley, menerbitkan sebuah makalah di mana ia berusaha untuk mendiskreditkan tidak hanya Tes tetapi seluruh program yang ia sebut "AI yang kuat" - gagasan bahwa benda yang memanipulasi simbol seperti komputer dapat pernah dikatakan berpikir. Dia merangkum argumennya dalam eksperimen pemikiran berikut ini: Bayangkan sebuah ruangan yang disegel kecuali untuk celah-celah di mana secarik kertas dapat dibagikan masuk dan keluar. Penghuni satu-satunya di ruangan ini adalah seorang pria yang berbicara dan tidak membaca bahasa Cina, dan yang disediakan dengan leksikon sepenuhnya dalam bahasa Cina. Dia telah diberitahu (dalam bahasa Inggris) bahwa secarik kertas bertuliskan karakter Cina akan diteruskan melalui slot, dan diinstruksikan untuk menemukan karakter tersebut dalam leksikonnya. Ketika dia menemukan mereka, dia akan menemukan beberapa karakter China lain yang terkait dengannya yang akan dia salin ke selembar kertas lain, dan pingsan melalui slot. Karakter pada setiap slip yang diterimanya merupakan, tanpa sepengetahuannya, sebuah pertanyaan; karakter yang ia salin dari leksikon dan diteruskan ke orang-orang di luar ruangan, juga tanpa sepengetahuannya, jawaban untuk pertanyaan itu.

Untuk pengamat yang tidak tahu apa-apa tentang apa yang terjadi di dalam kotak hitam yaitu Kamar Cina, tampaknya ruangan itu harus berisi seseorang yang mengerti bahasa Cina. Tapi kita tahu dengan hipotesis bahwa pria di ruangan itu tidak mengenal orang Cina. Eksperimen pemikiran ini menunjukkan, klaim Searle, bahwa kemampuan untuk mengganti satu rangkaian simbol dengan simbol lain, betapapun bermakna dan responsifnya keluaran itu bagi pengamat manusia, dapat dilakukan tanpa memahami simbol-simbol itu. Implikasi untuk Tes Turing jelas: Kemampuan untuk memberikan jawaban yang baik untuk pertanyaan manusia tidak selalu menyiratkan bahwa penyedia jawaban itu berpikir; lulus Tes bukanlah bukti kecerdasan aktif.

Ruang Cina telah mengilhami banyak kritik, elaborasi, dan argumen, tetapi sangat sedikit yang mengklarifikasi masalah yang terlibat, atau menyebabkan perbedaan pendapat. Beberapa debat ini, memang, hanya berhasil mengaburkan titik eksperimen pemikiran Searle yang nyaris tidak dapat dikenali. Misalnya, kritikus Searle - dan yang mengejutkan, kadang-kadang Searle sendiri - memperkenalkan kepribadian lebih lanjut ke dalam Ruang Cina: mereka berpendapat bahwa penghuni ruangan itu adalah seorang wanita (tanpa alasan yang diberikan); bahwa ada karakter lain ("setan") yang selalu - lagi, tanpa alasan yang jelas - laki-laki; bahwa seluruh Kamar Cina harus diletakkan di dalam robot; dan, agak lebih serius, bahwa kumpulan unsur-unsur dalam eksperimen pemikiran (ruangan, penghuninya, lembaran kertas di mana simbol-simbol diserahkan dan dikeluarkan, dll.) merupakan suatu "sistem" dengan sifat-sifat yang tidak dimiliki oleh semua properti. elemen. Bagi mereka yang mencurigai bahwa saya mengada-ada, inilah contoh yang representatif dari Douglas Hofstadter, yang ditemukan di buku The Mind's I milik Daniel Dennett miliknya:

Mari kita tambahkan sedikit warna pada percobaan menjemukan ini dan mengatakan bahwa penutur bahasa Mandarin yang disimulasikan yang terlibat adalah wanita dan bahwa setan (jika bernyawa) selalu laki-laki. Sekarang kita memiliki pilihan antara tampilan mata-iblis dan tampilan mata-sistem. Ingat bahwa dengan hipotesis, baik iblis maupun perempuan yang disimulasikan sama-sama mampu mengartikulasikan pandangan mereka tentang apakah mereka memahami atau tidak, dan pada apa yang mereka alami. Searle bersikeras bahwa kami memandang eksperimen ini hanya dari sudut pandang iblis .... Klaim Searle sama dengan anggapan bahwa itu hanya satu sudut pandang, bukan dua.

Hofstadter tidak menawarkan alasan mengapa kita harus mengikutinya dalam menugaskan fitur dan properti yang sepenuhnya serampangan ke Kamar Cina. Dalam eksperimen pemikiran bahkan lebih daripada di sebagian besar konstruksi intelektual, entitas tidak boleh dikalikan tanpa keharusan, tetapi Hofstadter menunjukkan tidak ada kebutuhan seperti itu. Dan jika kita harus mengakui pemain baru yang dia panggil, mengapa berhenti di situ? Mengapa tidak memperkenalkan seluruh pasukan Latvia, Radio City Music Hall Rockettes, dan Worshipful Company of Fishmongers? Lalu dia bisa mengklaim bahwa Searle bersikeras bahwa kita mengabaikan pandangan ribuan orang, bukan hanya satu.

Dan Searle sendiri sering tampak senang memainkan game ini, menyarankan variasi yang lebih jauh; pada satu titik dalam menyiapkan eksperimen pemikirannya, dia berkata, "Sekarang hanya untuk sedikit menyulitkan cerita, bayangkan itu ...." Dia cukup terbawa oleh roh curah pendapat, dan cukup ceroboh dengan fakta bahwa kekuatan dari eksperimen pemikiran aslinya dilarutkan oleh setiap variasi dan elaborasi yang dia hibur. Apa yang dibutuhkan adalah eksperimen pemikiran paling sederhana yang akan menetapkan proposisi dasarnya: yaitu, bahwa beberapa hasil biasanya diperoleh hanya dengan latihan pemikiran dan pemahaman dapat diperoleh tanpa mereka. Proposisi ini valid, tetapi Kamar Cina berpikir eksperimen bukan kendaraan yang ideal untuk itu; unsur-unsurnya yang eksotis - seorang lelaki yang terkurung di ruang terkunci, pesan-pesan dalam bahasa yang hanya sedikit dari kita yang tahu - cocok untuk romantisasi, dan banyak komentar yang dibawanya sekarang mungkin telah mengkompromikannya sehingga tidak berguna.

Pertimbangkan contoh lain: anggaplah bahwa tabel fungsi sinus pertama baru saja dikembangkan dan hanya ada satu salinan. Pria yang diam-diam memiliki satu-satunya salinan itu, meskipun dirinya sendiri sepenuhnya tidak matematis, dapat membuat kehidupan yang tampan dengan menjual nilai-nilai sinus instan kepada semua orang yang membutuhkannya. Klien-kliennya, yang tidak sadar memiliki meja, akan menganggapnya sebagai ahli matematika, jika bukan pesulap positif.

Pria di Kamar Cina itu seperti pria yang baru saja dijelaskan. Tabelnya tidak mengandung sudut dan nilai sinus yang sesuai, tetapi deretan grafik lainnya - sebut saja tabel Chinese-questions / Chinese-Answers, atau hanya tabel input-grafik / output-grafik. Fakta bahwa mereka adalah karakter Cina tidak ada artinya bagi pria di Kamar Cina. Dan sama seperti seorang pria memperoleh reputasi yang tidak patut sebagai ahli matematika dengan menanggapi secara instan setiap permintaan nilai sinus, maka yang lain akan dipandang sebagai seorang Sinolog yang brilian dengan menjawab dalam bahasa Mandarin yang sempurna untuk pertanyaan-pertanyaan berbahasa Cina - dengan asumsi, tentu saja, bahwa leksikonnya adalah karya seorang jenius daripada orang gila atau buta huruf. Untuk kinerja orang yang tidak mengerti bahasa Cina hanya sebaik mereka yang mengerti bahasa Mandarin dengan baik untuk menciptakan leksikon pada awalnya, dan dengan demikian menciptakan ilusi pemahaman di Ruang Cina.

Beberapa partisan AI telah berusaha untuk membantah eksperimen Kamar Cina dengan berargumen bahwa meskipun tidak ada bagian dari ruang Cina yang mengerti bahasa Cina, keseluruhan - atau "sistem" - yang melakukannya. Para pengguna argumen "sistem" mencoba untuk mendukungnya dengan analogi: tidak ada satu bagian pun dari otak manusia yang menunjukkan pemikiran, hanya otak sebagai keseluruhan yang melakukannya. Demikian juga, mereka mengklaim, bagian-bagian ruangan Cina mungkin tidak ada artinya, tetapi keseluruhan berpikir. Tetapi ada elemen penting yang hilang dari analogi otak, yang mengungkapkan masalah dengan seluruh garis argumen ini. Kita tahu bahwa otak adalah organ fisik pikiran; satu-satunya pertanyaan adalah apakah ia menghasilkan pemikiran dalam beberapa bagian terbatas - suatu "departemen pemikiran" khusus - atau tindakan en blok. Ini membuatnya sah untuk menyimpulkan, jika pencarian yang lengkap tidak mengungkapkan bagian seperti itu, bahwa seluruh otak terlibat dalam berpikir. Tetapi kita tidak dapat menyimpulkan dengan analogi bahwa seluruh Kamar Cina sedang berpikir, karena pertanyaan apakah pikiran terlibat sama sekali dalam "sistem" itu adalah persis apa yang dipertanyakan. Ini bukan untuk mengatakan bahwa pemikiran tidak pernah terlibat dalam sejarah Kamar Cina (mungkin penulis leksikon bisa berpikir), hanya pemikiran aktif sudah selesai sebelum Ruang Cina terbuka untuk bisnis. Yang tersisa adalah produk pemikiran acar atau beku, yang hanya cukup untuk menghasilkan efek pemikir (atau programmer) yang dimaksudkan.

Dalam pembelaannya atas pencapaian AI, yang dikutip di atas, Raj Reddy mengatakan bahwa, "Masalah dengan orang-orang yang berpikir bahwa kecerdasan komputer di masa depan adalah bahwa mereka tidak pernah melakukan penelitian yang serius tentang kecerdasan manusia .... Mari kita berhenti menggunakan masa depan tegang ketika berbicara tentang kecerdasan komputer. "Mereka yang mengatakan bahwa kecerdasan mesin ada di masa depan memang memiliki kesalahan tegang, tetapi tidak dengan cara yang Reddy sarankan: Kecerdasan mesin benar-benar di masa lalu; ketika sebuah mesin melakukan sesuatu yang "cerdas," itu karena beberapa orang atau orang-orang yang luar biasa brilian, kadang-kadang di masa lalu, menemukan cara untuk melestarikan beberapa fragmen tindakan cerdas dalam bentuk artefak. Komputer adalah pelaksana algoritma untuk tujuan umum, dan aktivitas cerdas mereka yang tampak jelas hanyalah ilusi yang diderita oleh mereka yang tidak sepenuhnya menghargai cara algoritma menangkap dan melestarikan bukan kecerdasan itu sendiri, tetapi buah dari kecerdasan.

Dalam hal ini, mereka yang mengklaim bahwa "sistem" Kamar Cina memahami bahasa Cina meskipun tidak ada elemen yang terlihat, benar. Tetapi mereka sangat meremehkan ukuran sistem, meninggalkan semua bagian yang tidak terlihat, yang jauh melebihi yang terlihat. Apa yang terjadi di Kamar Cina atau di ruang penjualan fungsi sinus pada akhirnya tergantung pada kejeniusan asli, linguistik atau matematika, yang darinya kita adalah pewarisnya. Begitu diperbesar, sistem dapat dikatakan “mengerti,” tetapi ini hampir tidak membantu para penggemar AI. Bagaimanapun, tidak seorang pun akan terkesan dengan diyakinkan bahwa bahkan jika tidak ada bagian dari "mesin cerdas" yang benar-benar memahami apa yang dilakukannya, sistem yang lengkap, yang mencakup semua ahli logika dan ahli matematika sejauh orang Babilonia, mengerti. Dan nampaknya mesin yang paling mengesankan sekalipun tidak akan pernah mendapatkan kemerdekaan sejati dari kejeniusan pencipta mereka - dan kemandirian seperti itu adalah syarat utama untuk menang dan pantas diberi label "cerdas."

Kompetisi Loebner

Mungkin absurditas mencoba membuat komputer yang dapat "berpikir" paling baik ditunjukkan dengan meninjau serangkaian upaya untuk melakukan hal itu - dengan bertujuan secara eksplisit untuk lulus tes Turing. Pada tahun 1991, seorang pengusaha New Jersey bernama Hugh Loebner mendirikan dan mensubsidi kompetisi tahunan, Kompetisi Hadiah Loebner dalam Kecerdasan Buatan, untuk mengidentifikasi dan menghargai program komputer yang paling mendekati kecerdasan buatan sebagaimana didefinisikan oleh Turing. Beberapa Kompetisi pertama diadakan di Boston di bawah naungan Pusat Studi Perilaku Cambridge; sejak itu mereka telah diadakan di berbagai lokasi akademik dan semi-akademik. Tetapi hanya yang pertama, yang diadakan pada tahun 1991, yang didokumentasikan dengan baik dan dilaporkan secara luas di media, menjadikan acara perdana itu sebagai studi kasus terbaik kami.

Para pejabat yang memimpin kompetisi harus menyelesaikan sejumlah detail yang diabaikan dalam makalah Turing, seperti seberapa sering hakim harus menebak bahwa komputer adalah manusia sebelum kita menerima hasilnya sebagai hal yang penting, dan berapa lama seorang hakim dapat berinteraksi dengan entitas tersembunyi. sebelum dia harus memutuskan. Untuk kompetisi awal, tuan rumah menyelesaikan pertanyaan seperti itu dengan keputusan yang sewenang-wenang - termasuk jumlah hakim, metode pemilihan mereka, dan instruksi yang diberikan.

PTSC 4.3

Nama: Muhammad Millenia Arya P

Kelas: 3KA20

NPM: 14117121

Pemrosesan Simbolik Dalam Sistem Pakar

Penelitian tentang apa yang disebut pembelajaran satu langkah dapat mengatasi kelaparan data pembelajaran yang dalam, sementara pembelajaran simbolis yang mendalam, atau memungkinkan jaringan saraf yang dalam untuk memanipulasi, menghasilkan, dan jika tidak, hidup bersama dengan konsep-konsep yang diekspresikan dalam rangkaian karakter, dapat membantu memecahkan keterjelasan, karena, bagaimanapun juga , manusia berkomunikasi dengan tanda dan simbol, dan itulah yang kami inginkan dari mesin.2 Karya terbaru oleh MIT, DeepMind dan IBM telah menunjukkan kekuatan menggabungkan teknik koneksionis seperti jaringan saraf yang dalam dengan penalaran simbolik.

Tanda, Simbol, Penanda dan Signifieds

Kata-kata tanda dan simbol masing-masing berasal dari kata-kata Latin dan Yunani, yang berarti tanda atau token, seperti dalam "ambil mawar ini sebagai tanda harga saya." ”

Sesuatu yang lain bisa berupa objek fisik, ide, peristiwa, sebut saja. Untuk tujuan kita, tanda atau simbol adalah pola visual, katakan karakter atau serangkaian karakter, di mana makna tertanam, dan tanda atau simbol itu menunjuk pada sesuatu yang lain. Itu bisa menjadi variabel x, menunjuk pada jumlah yang tidak diketahui, atau bisa juga kata rose, yang menunjuk pada kelopak bunga merah yang melengkung satu di atas yang lain dalam spiral yang rapat di ujung tangkai duri.

Penanda menunjukkan yang ditandai, seperti jari yang menunjuk ke bulan.4 Simbol memampatkan data sensorik dengan cara yang memungkinkan manusia, primata besar dengan bandwidth terbatas, untuk berbagi informasi satu sama lain.5 Anda bisa mengatakan bahwa mereka diperlukan untuk mengatasi biologis chokepoint dalam throughput. Sejauh komputer menderita dari chokepoints yang sama, pembangun mereka mengandalkan peretasan yang terlalu manusiawi seperti simbol untuk menghindari batas pemrosesan, penyimpanan, dan I / O. Dengan bertambahnya kapasitas komputasi, cara kami mendigitalkan dan memproses realitas analog kami juga dapat berkembang, hingga kami menyulap milyaran parameter bermeteror alih-alih string tujuh karakter.

Simbol juga berfungsi untuk mentransfer pembelajaran dalam arti lain, bukan dari satu manusia ke manusia lain, tetapi dari satu situasi ke situasi lain, selama kehidupan satu individu. Yaitu, simbol menawarkan tingkat abstraksi di atas detail konkret dan granular dari pengalaman indera kita, abstraksi yang memungkinkan kita mentransfer apa yang telah kita pelajari di satu tempat ke masalah yang mungkin kita temui di tempat lain. Mengingat bahwa sinyal hadiah jarang dalam kehidupan nyata, dan sulit untuk terhubung dengan penyebabnya (beberapa alasan Anda tidak bahagia mungkin harus dilakukan dengan tindakan yang Anda lakukan bertahun-tahun yang lalu - dapatkah Anda menebak yang mana?), Simbol adalah cara untuk memberikan sinyal hadiah yang dipelajari dalam satu situasi, ketika menghadapi skenario lain tanpa imbalan yang jelas. Dalam arti tertentu, setiap kategori abstrak, seperti kursi, menegaskan analogi antara semua benda berbeda yang disebut kursi, dan kami mentransfer pengetahuan kami tentang satu kursi ke kursi lain dengan bantuan simbol.

Kombinasi simbol-simbol yang mengekspresikan keterkaitan mereka bisa disebut penalaran, dan ketika kita manusia merangkai sekelompok tanda untuk mengekspresikan pemikiran, seperti yang saya lakukan sekarang, Anda mungkin menyebutnya manipulasi simbolis. Kadang-kadang hubungan simbolis itu diperlukan dan deduktif, seperti rumus matematika murni atau kesimpulan yang Anda dapat ambil dari silogisme logis seperti berangan Romawi kuno ini:

All men are mortal; Caius is a man; therefore Caius is mortal.

Other times the symbols express lessons we derive inductively from our experiences of the world, as in: “the baby seems to prefer the pea-flavored goop (so for godssake let’s make sure we keep some in the fridge),” or E = mc2.

Pada hari-hari ketika Sussman adalah seorang pemula, Minsky pernah datang kepadanya ketika ia duduk meretas di PDP-6.

Masalah dengan Symbolic AI (GOFAI)

Salah satu batu sandungan utama AI simbolik, atau GOFAI, adalah kesulitan merevisi kepercayaan begitu mereka dikodekan dalam mesin aturan. Sistem pakar bersifat monoton; yaitu, semakin banyak aturan yang Anda tambahkan, semakin banyak pengetahuan dikodekan dalam sistem, tetapi aturan tambahan tidak dapat membatalkan pengetahuan lama. Monotonik pada dasarnya berarti satu arah; yaitu ketika satu hal naik, hal lain naik. Karena algoritma pembelajaran mesin dapat dilatih ulang pada data baru, dan akan merevisi parameter mereka berdasarkan data baru itu, mereka lebih baik dalam menyandikan pengetahuan sementara yang dapat ditarik kembali nanti jika perlu; yaitu jika mereka perlu mempelajari sesuatu yang baru, seperti ketika data non-stasioner.

Kelemahan kedua dalam penalaran simbolik adalah bahwa komputer itu sendiri tidak tahu apa arti simbol; yaitu mereka tidak selalu terkait dengan representasi dunia lainnya dengan cara yang tidak simbolis. Sekali lagi, ini sangat kontras dengan jaring saraf, yang dapat menghubungkan simbol dengan representasi data yang di-vektor-kan, yang pada gilirannya hanyalah terjemahan dari data sensorik mentah. Jadi tantangan utama, ketika kita berpikir tentang GOFAI dan jaring saraf, adalah bagaimana membumikan simbol, atau menghubungkannya dengan bentuk makna lain yang akan memungkinkan komputer untuk memetakan sensasi mentah yang berubah dari dunia menjadi simbol dan kemudian mempertimbangkannya.

Satu pertanyaan yang kemudian muncul secara logis adalah: untuk siapa simbol itu? Apakah mereka berguna untuk mesin sama sekali? Jika simbol memungkinkan homo sapiens untuk berbagi dan memanipulasi informasi berdasarkan kendala fisiologis mendasar, bagus, tetapi mengapa mesin harus menggunakannya? Mengapa mesin tidak boleh hanya berbicara satu sama lain dalam vektor atau bahasa lumba-lumba dan mesin faks? Mari kita bertaruh: Ketika mesin mulai berbicara satu sama lain dengan cerdas, itu akan menjadi bahasa yang tidak bisa dipahami manusia. Mungkin kata-kata bandwidth terlalu rendah untuk mesin bandwidth tinggi. Mungkin mereka membutuhkan lebih banyak dimensi untuk mengekspresikan diri secara jelas. Bahasa hanyalah lubang kunci di pintu yang telah dilewati mesin.6 Paling-paling, bahasa alami bisa menjadi API yang ditawarkan AI kepada manusia sehingga mereka bisa menggunakan coattailnya; paling buruk, itu bisa menjadi gangguan dari apa yang merupakan kecerdasan mesin sejati. Tetapi kami telah mengacaukannya dengan puncak pencapaian, karena bahasa alami adalah bagaimana kami menunjukkan bahwa kami cerdas.

Menggabungkan Jaring Neural Jauh dan Penalaran Simbolik

Bagaimana kita bisa memadukan kemampuan jaring saraf dalam untuk mempelajari korelasi probabilistik dari awal bersama konsep abstrak dan tingkat tinggi, yang berguna dalam mengompresi data dan menggabungkannya dengan cara baru? Bagaimana kita dapat belajar untuk melampirkan makna baru pada konsep, dan menggunakan konsep atom sebagai elemen dalam pemikiran yang lebih kompleks dan dapat disusun seperti bahasa memungkinkan kita untuk mengekspresikan semua plastisitas alaminya?

Menggabungkan penalaran simbolik dengan jaringan saraf yang dalam dan pembelajaran penguatan dapat membantu kita mengatasi tantangan mendasar dari penalaran, representasi hierarkis, pembelajaran transfer, kekokohan dalam menghadapi contoh permusuhan, dan kemampuan interpretasi (atau kekuatan penjelas).

Supervised Learning: A Basic Hybrid AI

Mari kita telusuri bagaimana mereka saat ini tumpang tindih dan bagaimana mereka mungkin. Pertama-tama, setiap jaring saraf yang dalam dilatih oleh pembelajaran yang diawasi menggabungkan pembelajaran yang dalam dan manipulasi simbolik, setidaknya dalam arti yang belum sempurna. Karena penalaran simbolik mengkode pengetahuan dalam simbol dan rangkaian karakter. Dalam pembelajaran terawasi, rangkaian karakter tersebut disebut label, kategori yang kami gunakan untuk mengklasifikasikan input data menggunakan model statistik. Output dari classifier (katakanlah kita sedang berurusan dengan algoritma pengenalan gambar yang memberitahu kita apakah kita sedang melihat pejalan kaki, tanda berhenti, jalur jalur lalu lintas atau truk semi bergerak), dapat memicu logika bisnis yang bereaksi terhadap setiap klasifikasi. Logika bisnis itu adalah salah satu bentuk penalaran simbolik.

Simbolik AI

Inteligensi buatan simbolis, juga dikenal sebagai AI Baik, Kuno (GOFAI), adalah paradigma dominan dalam komunitas AI dari era pasca-Perang hingga akhir 1980-an.

Implementasi penalaran simbolik disebut mesin aturan atau sistem pakar atau grafik pengetahuan. Lihat Cyc untuk salah satu contoh yang berjalan lebih lama. Google membuat yang besar juga, yang memberikan informasi di kotak paling atas di bawah permintaan Anda ketika Anda mencari sesuatu yang mudah seperti ibu kota Jerman. Sistem ini pada dasarnya adalah kumpulan pernyataan if-then bersarang yang menarik kesimpulan tentang entitas (konsep yang dapat dibaca manusia) dan hubungan mereka (dinyatakan dalam semantik yang dipahami dengan baik seperti X is-a man atau X live-in Acapulco).

Bayangkan bagaimana Turbotax mengelola untuk mencerminkan kode pajak AS - Anda memberi tahu itu berapa banyak yang Anda peroleh dan berapa banyak tanggungan yang Anda miliki dan kemungkinan lainnya, dan menghitung pajak yang Anda bayar berdasarkan hukum - itu adalah sistem pakar.

Konsep eksternal ditambahkan ke sistem oleh pembuat programmer-nya, dan itu lebih penting daripada kedengarannya ...

Salah satu perbedaan utama antara pembelajaran mesin dan penalaran simbolik tradisional adalah di mana pembelajaran terjadi. Dalam pembelajaran mesin dan dalam, algoritma mempelajari aturan saat membangun korelasi antara input dan output. Dalam penalaran simbolis, aturan dibuat melalui intervensi manusia. Yaitu, untuk membangun sistem penalaran simbolis, manusia pertama harus mempelajari aturan-aturan yang menghubungkan dua fenomena, dan kemudian meng-hard-code hubungan-hubungan itu menjadi program statis. Perbedaan ini adalah subjek dari koan peretas terkenal:

Sistem Pakar dan Kecerdasan Buatan Terapan

11.1 Apa itu Kecerdasan Buatan?

Bidang kecerdasan buatan (AI) berkaitan dengan metode pengembangan sistem yang menampilkan aspek perilaku cerdas. Sistem ini dirancang untuk meniru kemampuan berpikir dan merasakan manusia.

Karakteristik Sistem AI

Karakteristik sistem AI meliputi:

1. Pemrosesan Simbolik

Dalam aplikasi AI, komputer memproses simbol daripada angka atau huruf. Aplikasi AI memproses serangkaian karakter yang mewakili entitas atau konsep dunia nyata. Simbol dapat diatur dalam struktur seperti daftar, hierarki, atau jaringan. Struktur ini menunjukkan bagaimana simbol saling berhubungan satu sama lain.

2. Pemrosesan Nonalgoritmik

Program komputer di luar domain AI adalah algoritma yang diprogram; yaitu, prosedur langkah-demi-langkah yang ditentukan sepenuhnya yang menentukan solusi untuk masalah tersebut. Tindakan sistem AI berbasis pengetahuan tergantung pada tingkat yang jauh lebih besar pada situasi di mana ia digunakan.

Bidang AI

Kecerdasan buatan adalah ilmu dan teknologi yang didasarkan pada disiplin ilmu seperti ilmu komputer, biologi, psikologi, linguistik, matematika, dan teknik. Tujuan AI adalah mengembangkan komputer yang dapat berpikir, melihat, mendengar, berjalan, berbicara, dan merasakan. Dorongan utama AI adalah pengembangan fungsi komputer yang biasanya terkait dengan kecerdasan manusia, seperti penalaran, pembelajaran, dan pemecahan masalah.

Bagaimana Medan AI Berkembang [Gambar 11.2]

1950 Uji Turing - mesin melakukan dengan cerdas jika seorang interogator yang menggunakan terminal jarak jauh tidak dapat membedakan responsnya dari tanggapan manusia.

Hasil: Metode pemecahan masalah umum

1960 AI didirikan sebagai bidang penelitian.

Hasil: Sistem pakar berbasis pengetahuan

1970 komersialisasi AI dimulai

Hasil: Pemrosesan transaksi dan sistem pendukung keputusan menggunakan AI.

1980 Jaringan saraf tiruan

Hasil: Menyerupai struktur saraf yang saling berhubungan di otak manusia

1990 Agen cerdas

Hasil: Perangkat lunak yang melakukan tugas yang ditugaskan atas nama pengguna

11.2 Kemampuan Sistem Pakar: Pandangan Umum

Area terapan yang paling penting dari AI adalah bidang sistem pakar. Sistem pakar (ES) adalah sistem berbasis pengetahuan yang menggunakan pengetahuan tentang domain aplikasinya dan menggunakan prosedur menyimpulkan (alasan) untuk menyelesaikan masalah yang membutuhkan kompetensi manusia atau keahlian. Kekuatan sistem pakar terutama berasal dari pengetahuan khusus tentang domain sempit yang disimpan dalam basis pengetahuan sistem pakar.

Penting untuk menekankan kepada siswa bahwa sistem pakar adalah asisten bagi pembuat keputusan dan bukan pengganti bagi mereka. Sistem pakar tidak memiliki kemampuan manusia. Mereka menggunakan basis pengetahuan dari domain tertentu dan membawa pengetahuan itu untuk menanggung fakta dari situasi tertentu yang ada. Basis pengetahuan ES juga mengandung pengetahuan heuristik - aturan praktis yang digunakan oleh para ahli manusia yang bekerja di domain.

11.3 Aplikasi Sistem Pakar

Tes ini menguraikan beberapa ilustrasi ilustrasi dari aplikasi sistem pakar. Ini termasuk bidang-bidang seperti keputusan kredit berisiko tinggi, pengambilan keputusan iklan, dan keputusan manufaktur.

Kategori Umum Aplikasi Sistem Pakar

Tabel 11.1 menguraikan area umum aplikasi ES di mana ES dapat diterapkan. Area aplikasi termasuk klasifikasi, diagnosis, pemantauan, kontrol proses, desain, penjadwalan dan perencanaan, dan pembuatan opsi.

Klasifikasi - mengidentifikasi objek berdasarkan karakteristik yang dinyatakan

Sistem Diagnosis - simpulkan gangguan atau penyakit dari data yang dapat diobservasi

Pemantauan - membandingkan data dari sistem yang terus diamati untuk menentukan perilaku

Kontrol Proses - mengontrol proses fisik berdasarkan pemantauan

Desain - konfigurasikan sistem sesuai dengan spesifikasi

Penjadwalan & Perencanaan - kembangkan atau modifikasi rencana tindakan

Generation of Options - menghasilkan solusi alternatif untuk suatu masalah

11.4 Bagaimana Sistem Pakar Bekerja

Kekuatan ES berasal dari basis pengetahuannya - kumpulan fakta dan heuristik yang terorganisir tentang domain sistem. ES dibangun dalam proses yang dikenal sebagai rekayasa pengetahuan, di mana pengetahuan tentang domain diperoleh dari pakar manusia dan sumber lainnya oleh insinyur pengetahuan.

Akumulasi pengetahuan dalam basis pengetahuan, dari mana kesimpulan harus ditarik oleh mesin inferensi, adalah ciri khas dari sistem pakar.

Representasi Pengetahuan dan Basis Pengetahuan

Basis pengetahuan ES mengandung pengetahuan faktual dan heuristik. Representasi pengetahuan adalah metode yang digunakan untuk mengatur pengetahuan dalam basis pengetahuan. Basis pengetahuan harus mewakili gagasan sebagai tindakan yang harus diambil dalam keadaan, hubungan sebab akibat, waktu, ketergantungan, tujuan, dan konsep tingkat tinggi lainnya.

Beberapa metode representasi pengetahuan dapat digunakan. Dua metode ini meliputi:

1. Sistem berbasis bingkai

- Dipekerjakan untuk membangun ES yang sangat kuat. Bingkai menentukan atribut dari objek yang kompleks dan bingkai untuk berbagai jenis objek telah menentukan hubungan.

2. Aturan produksi

- adalah metode representasi pengetahuan yang paling umum digunakan dalam bisnis. Sistem pakar berbasis aturan adalah sistem pakar di mana pengetahuan diwakili oleh aturan produksi.

Aturan produksi, atau hanya aturan, terdiri dari bagian IF (kondisi atau premis) dan THEN bagian (tindakan atau kesimpulan). JIKA kondisi MAKA tindakan (kesimpulan).

Fasilitas penjelasan menjelaskan bagaimana sistem sampai pada rekomendasi. Bergantung pada alat yang digunakan untuk menerapkan sistem pakar, penjelasannya bisa dalam bahasa alami atau hanya daftar nomor aturan.

Mesin inferensi:

1. Menggabungkan fakta-fakta dari kasus tertentu dengan pengetahuan yang terkandung dalam basis pengetahuan untuk menghasilkan rekomendasi. Dalam sistem pakar berbasis aturan, mesin inferensi mengontrol urutan penerapan aturan produksi (Afired @) dan menyelesaikan konflik jika lebih dari satu aturan berlaku pada waktu tertentu. Ini adalah jumlah Areasoning @ dalam sistem berbasis aturan.

2. Mengarahkan antarmuka pengguna untuk menanyakan informasi yang dibutuhkan pengguna untuk membuat kesimpulan lebih lanjut.

Fakta-fakta dari kasus yang diberikan dimasukkan ke dalam memori yang berfungsi, yang bertindak sebagai papan tulis, mengumpulkan pengetahuan tentang kasus yang ada. Mesin inferensi berulang kali menerapkan aturan ke memori yang berfungsi, menambahkan informasi baru (diperoleh dari kesimpulan aturan) ke dalamnya, hingga status tujuan dibuat atau dikonfirmasi.

Gambar 11.5 Salah satu dari beberapa strategi dapat digunakan oleh mesin inferensi untuk mencapai kesimpulan. Mesin inferensi untuk sistem berbasis aturan umumnya bekerja dengan memajukan aturan ke depan atau ke belakang. Dua strategi adalah:

1. Forward chaining

- adalah strategi berbasis data. Proses menyimpulkan bergerak dari fakta-fakta kasus ke tujuan (kesimpulan). Karena itu, strategi ini didorong oleh fakta-fakta yang tersedia dalam memori kerja dan oleh premis-premis yang dapat dipenuhi. Mesin inferensi berusaha mencocokkan bagian kondisi (IF) dari setiap aturan dalam basis pengetahuan dengan fakta-fakta yang saat ini tersedia dalam memori yang berfungsi. Jika beberapa aturan cocok, prosedur penyelesaian konflik dipanggil; misalnya, aturan bernomor terendah yang menambahkan informasi baru ke memori yang aktif dikeluarkan. Kesimpulan dari aturan menembak ditambahkan ke memori yang bekerja.

Sistem forward-chaining umumnya digunakan untuk memecahkan masalah desain atau perencanaan yang lebih terbuka, seperti, misalnya, membangun konfigurasi produk yang kompleks.

2. Rantai mundur

- mesin inferensi berusaha untuk mencocokkan kesimpulan yang diasumsikan (dihipotesiskan) - tujuan atau keadaan subgoal - dengan kesimpulan (LALU) bagian dari aturan. Jika aturan seperti itu ditemukan, premisnya menjadi sub-tujuan baru. Dalam ES dengan beberapa kemungkinan tujuan, ini adalah strategi yang baik untuk dikejar.

Jika keadaan tujuan yang dihipotesiskan tidak dapat didukung oleh tempat, sistem akan berusaha untuk membuktikan keadaan tujuan yang lain. Dengan demikian, kesimpulan yang mungkin ditinjau sampai keadaan tujuan yang dapat didukung oleh tempat ditemui.

Backward chaining paling cocok untuk aplikasi yang kemungkinan kesimpulannya terbatas dan didefinisikan dengan baik. Klasifikasi atau sistem tipe diagnosis, di mana masing-masing dari beberapa kesimpulan yang mungkin dapat diperiksa untuk melihat apakah didukung oleh data, adalah aplikasi khas.

Ketidakpastian dan Logika Fuzzy

Logika fuzzy adalah metode penalaran yang menyerupai penalaran manusia karena memungkinkan untuk perkiraan nilai dan kesimpulan dan data yang tidak lengkap atau ambigu (data fuzzy). Logika fuzzy adalah metode pilihan untuk menangani ketidakpastian dalam beberapa sistem pakar.

Sistem pakar dengan kemampuan logika fuzzy memungkinkan penanganan masalah yang lebih fleksibel dan kreatif. Sistem ini digunakan, misalnya, untuk mengontrol proses manufaktur.

11.5 Teknologi Sistem Pakar [Gambar 11.6]

Ada beberapa tingkatan teknologi ES yang tersedia. Dua hal penting yang perlu diingat ketika memilih alat ES meliputi:

1. Alat yang dipilih untuk proyek harus sesuai dengan kemampuan dan kecanggihan ES yang diproyeksikan, khususnya, kebutuhan untuk mengintegrasikannya dengan subsistem lain seperti database dan komponen lain dari sistem informasi yang lebih besar.

2. Alat ini juga harus sesuai dengan kualifikasi tim proyek.

Teknologi sistem pakar meliputi:

1. Sistem pakar khusus

- Sistem pakar ini sebenarnya memberikan rekomendasi dalam domain tugas tertentu.

PTSC 4.2

Nama: Muhammad Millenia Arya P

Kelas: 3KA20

NPM: 14117121

Sistem Cerdas Dalam Rekayasa Power

Kapan Masa Depan Akan Tiba?

Dilangsir dari World Economic Forum Technology, titik perubahan dan dampak sosial dalam revolusi industri dan teknologi yang terjadi pada tahun 2025 dan yang terjadi adalah;

10% pakaian yang manusia gunakan terhubung ke Internet

Apoteker robot pertama di AS

Mobil cetak 3D pertama dalam produksi

5% dari produk konsumen dicetak dalam 3D

90% dari populasi dengan akses reguler ke Internet

Mobil tanpa pengemudi populasinya 8% dari semua mobil di di dunia

Transplantasi pertama dari hati yang dicetak 3D

Lebih dari 50% lalu lintas Internet ke rumah untuk peralatan dan perangkat

Akan ada kota pertama dengan lebih dari 50.000 orang dan tidak ada lampu lalu lintas

Mesin AI pertama pada dewan direksi perusahaan

Apa yang ada di masa depan?

Ketika Revolusi Industri 4  telah terjadi, inovasi apa yang harus ada dalam bisnis Anda?

Kemajuan dalam daya komputasi, kecerdasan buatan, robotik, dan ilmu material dapat mempercepat pergeseran menuju produk yang lebih ramah lingkungan dari semua jenis. Teknik fabrikasi digital, termasuk pencetakan 3D, dapat membawa manufaktur lebih dekat ke pelanggan dan membuat perawatan suku cadang lebih mudah dan lebih murah.

Terobosan dalam bioteknologi dapat memungkinkan penggantian tulang dan organ yang dapat ditransplantasikan untuk ditumbuhkan dari sel induk pasien yang dicetak 3D. Ketika penemuan mengungkap tentang fungsi otak manusia, kita dapat melihat ke arah implan saraf dan antarmuka otak-mesin yang mengatasi penyakit kognitif dan berpotensi meningkatkan kecerdasan manusia.

Teknologi energi baru dapat menciptakan sumber daya yang murah, berlimpah, dan berkelanjutan dan penyimpanan daya  untuk mengurangi ketergantungan planet ini dari bahan bakar fosil pertama. atau Artificial intelligence (AI) dapat menangani pekerjaan rumah tangga, membantu perawat, dan dan hal-hal yang tidak pernah Anda pikiran sebelumnya

Skala dan luasnya inovasi teknologi merevolusi cara kita berbisnis. Selanjutnya, Anda harus mengeksplorasi bagaimana Revolusi Industri 4.0 dapat memengaruhi individu dan masyarakat. Namun Anda bisa melakukan langkah awal terlebih dahulu untuk menciptakan perubahan yang besar pada bisnis Anda. Contohnya adalah penggunaan aplikasi pencatatan keuangan yang efisien dan sudah teruji.

Accurate online adalah pilihan yang tepat, software akuntansi berbasis cloud ini sudah dipakai mulai dari UKM sampai enttitas bisnis yang besar. Kini Anda bisa melakkukan pemantauan stok dan mengecek transaksi dimana saja dan kapan saja. Lakukan perubahan yang lebih baik pada bisnis Anda, sesuai dengan revolusi industri yang terjasi saat ini.

PTSC 4.1

Nama: Muhammad Millenia Arya P

Kelas: 3KA20

NPM: 14117121

Pemahaman Bahasa Alami,Pembangkitan Bahasa Alami,Pemrosesan di Sistem Pakar

Salah satu keluhan terbesar saya tentang terminologi di industri adalah klaim bahwa data dari percakapan adalah "data tidak terstruktur". Itu omong kosong. Lagi pula, bagaimana orang berkomunikasi, baik dengan suara atau dalam bahasa tertulis, jika tidak ada struktur yang membantu makna? Sintaksis adalah struktur bahasa, dan jelas membantu dalam mendefinisikan semantik, atau makna komunikasi. Untuk memahami bagaimana komputer meningkat dengan cepat, penting untuk melihat bagaimana bahasa alami berbeda dari apa yang sebelumnya diproses oleh komputer.

Dari model penyimpanan data sekuensial flat file ke database relasional (RDBMS), ada sejarah panjang dekade data terstruktur secara kaku. Bagi orang-orang yang terbiasa dengan format seperti itu, bahasa tampaknya sangat tidak terstruktur, yang menyebabkan penggunaan istilah yang salah. Pesatnya pertumbuhan berbasis cloud, teks dan suara, membuat banyak orang bingung dalam dunia basis data tradisional. Namun, sudah saatnya untuk berhenti merujuk ke data yang tidak terstruktur. Frasa lain yang lebih akurat adalah informasi yang terstruktur secara longgar (atau data, jika orang ingin menjadi kurang akurat tetapi lebih nyaman).

Sebagai perbandingan, kecerdasan buatan (AI) telah difokuskan pada meniru pemikiran manusia, komunikasi, dan tindakan. Hampir sejak awal disiplin AI, para peneliti telah tertarik pada bagaimana manusia berkomunikasi. Itu telah menyebabkan dua disiplin ilmu tumpang tindih pemrosesan bahasa alami (NLP) dan generasi bahasa alami (NLG).

Sintaks dan Semantik

Keterbatasan teknologi komputasi sebelumnya berarti bahwa banyak pekerjaan asli dalam AI pada bahasa dilakukan melalui sistem pakar. Tugasnya adalah memahami bahasa dengan mendefinisikan aturan yang dieksekusi oleh sistem. Masalahnya adalah bahwa aturan-aturan itu difokuskan hampir hanya pada sintaks. Sementara itu bisa menyelesaikan banyak masalah, bahasa yang cair dan makna semantik tidak selalu ditemukan dalam sintaksis, dan terkadang sintaksis lebih sulit untuk dideteksi daripada yang diharapkan. Salah satu contoh paling lucu namun relevan dari perpaduan antara sintaksis dan semantik adalah dalam membantu komputer memahami makna yang berbeda dari dua kalimat berikut:

Today In: Inovasi

Waktu berlalu seperti dan panah.

Buah terbang seperti pisang.

Dipromosikan

BRANDVOICE Jepang

 | Program berbayar

Bagaimana Kyoto Membangun Kembali Sendiri Sebagai Pembangkit Tenaga Nanotek Dan Regeneratif

BRANDVOICE Civic Nation

 | Program berbayar

Membangun Hubungan, Menjelajahi Peluang, Mempersiapkan Diri untuk Sukses: Pekerjaan Konselor Sekolah Hari Ini

BRANDVOICE UNICEF USA

 | Program berbayar

Bagi Haiti, Kemenangan Adalah Berjuang Dalam Berjuang Melawan Kolera

Semakin banyaknya aturan memperlambat sistem dan tidak mencapai tingkat akurasi yang dibutuhkan dalam percakapan.

Teknologi pada saat itu juga berarti bahwa fokus bahasa adalah bahasa tertulis. Selain itu, lebih mudah untuk membuat output yang benar secara sintaksis daripada membaca cara kita menulis, jadi fokusnya adalah pada kompleksitas NLP sementara NLG sering dibuat sangat sederhana. Itulah sebabnya mengapa mudah untuk mendapatkan sistem pakar untuk gagal dalam Tes Turing, karena cara orang dapat memutarbalikkan bahasa untuk membingungkan sistem dan kaku, respons mesin dasar berarti mudah untuk mengatakan bahwa percakapan itu dengan sistem pakar dan tidak seorang manusia.

Jaringan Saraf Tiruan Memajukan Bahasa Alami

Kemajuan yang dibawa komputasi awan juga membantu pekerjaan bahasa alami. Kekuatan pemrosesan dari cluster komputer dan prosesor berarti bahwa analisis yang lebih kompleks dapat dilakukan jauh lebih cepat. Itu membawa jaringan syaraf tiruan (JST) ke depan dunia pembelajaran mesin. ANN tidak harus secara eksplisit mendefinisikan semua aturan sintaksis dan menautkannya dengan semantik. Dengan membuat lapisan jaringan yang berbeda untuk menganalisis komponen bahasa yang lebih mendasar, programmer kemudian dapat membiarkan sistem belajar dengan contoh, menggunakan volume besar teks dan ucapan. Hal itu menghasilkan NLP dan NLG yang lebih cepat dan lebih akurat.

Di sisi pemrosesan bahasa alami, yang memungkinkan sistem untuk menganalisis data teks dalam jumlah besar dengan lebih cepat. Itu telah menyebabkan kemajuan dalam kapasitas pencarian internet, analisis sentimen layanan pelanggan, dan di berbagai bidang lainnya. Salah satu contohnya adalah dalam perdagangan. Ada sejumlah besar informasi di infrastruktur teknologi pengecer besar mana pun. Berharap mendapatkan ratusan agen merchandising untuk belajar cara menggunakan antarmuka business intelligence (BI) yang kompleks atau semuanya menjadi ahli di pivot tables bukanlah hal yang baru. Perangkat lunak menjadi, sebagaimana dimaksud pada hari-hari di tempat, sebagai perangkat rak - perangkat lunak dibayar tetapi tidak digunakan.

“Merchandiser dapat mengetik permintaan ad-hoc karena mereka memikirkan pertanyaan itu penting untuk kesuksesan bisnis mereka," kata Doug Bordonaro, Kepala Penginjil Data untuk ThoughtSpot. "Pemrosesan bahasa alami sangat penting untuk membantu merchandiser non-teknis menjadi merchandiser daripada Programmer. Salah satu klien Fortune 100 kami sekarang menjalankan lebih dari 10.000 pencarian setiap minggu dan mendapatkan wawasan harian tentang tren penjualan, bermacam-macam keranjang pasar, dan profitabilitas produk. "

Kemajuan juga membantu dalam audio, dalam pengenalan dan respons suara. Bicara lebih informal daripada menulis. Selain itu, perubahan volume dan aksen dapat memiliki efek yang kuat pada pemahaman. Sementara dekade ini telah melihat keuntungan besar dalam memahami suara-suara yang Silicon Valley tahu (terutama, laki-laki Amerika), basis data baru sekarang diperluas untuk memahami variasi bahasa lisan yang lebih luas.

JST juga membantu di bidang generasi bahasa. Walaupun ini terutama kinerja sistem yang memungkinkan respons lebih cepat terhadap bahasa lisan, NLG juga dibantu oleh struktur jaringan saraf yang lebih fleksibel. Gaya bicara yang dihasilkan tidak terbatas pada aturan yang kaku, didorong oleh sintaks, memberikan pengalaman pelanggan yang lebih alami.

Komponen Sistem Pakar    
1. Subsistem Penambah Pengetahuan
2. Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk kleksi,organisasi dan pengambilan pengetahuan terkomputerisasi.
3. Mesin Inferensi
Mesin inferensi merupakan elemen inti dari sistem intelejensia buatan
4. BlackBoard
Blackboard adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
5. Interface
6. Subsistem Penjelasan
Subsistem Penjelasan adalah kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna , misalnya:

·                “Mengapa pertanyaan tersebut anda tanyakan?”

·                “Seberapa yakin kesimpulan tersebut diambil?”

·                “Mengapa alternatif tersebut ditolak?”

·                “Apa yang akan dilakukan untuk mengambil suatu kesimpulan?”

·                “Fakta apalagi yang diperlukan untuk mengambil kesimpulan akhir?”

7.   Subsistem Penyaring Pengetahuan         
Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan serta memperbaiki basis pengetahuannya.