Umělá inteligence

Z Wikipedie, otevřené encyklopedie
Skočit na: Navigace, Hledání
Tato zvuková nahrávka byla pořízena z revize data 6. května 2017, a nereflektuje změny po tomto datu.
Více namluvených článkůNápověda
Tento článek je o oboru informatiky. Další významy jsou uvedeny na stránce Umělá inteligence (rozcestník).
Informatika
Obory informatiky
Programování
Matematická informatika
Teoretická informatika
Teorie složitosti
Umělá inteligence
Teorie grafů
Teorie informace
Informační technologie
Bioinformatika
Chemoinformatika
Geoinformatika
Lékařská informatika
Neuroinformatika
Sociální informatika
Informatici
Charles Babbage
Alan Turing
Donald Knuth
další...
Dějiny informatiky

Umělá inteligence (UI, anglicky Artificial intelligence, AI) je obor informatiky zabývající se tvorbou strojů vykazujících známky inteligentního chování. Definice pojmu „inteligentní chování“ je stále předmětem diskuse, nejčastěji se jako etalon inteligence užívá lidský rozum. S tímto pojmem poprvé přišel John McCarthy v roce 1955.[zdroj?]

Výzkum umělé inteligence je vysoce odborný a specializovaný, navíc je rozdělen do několika polí, které často nelze názorově spojit. Celý výzkum se rovněž dělí na několik technických problémů; některá podpole se zabývají řešením konkrétních problémů, některá zase například na použití konkrétních nástrojů či dosažení konkrétních aplikací. Otázka, je-li možné sestrojit umělou inteligenci je také úzce spjata s problémem vědomí, s otázkou výpočtů, které provádí lidský mozek sám nebo s otázkou evoluce kognitivních schopností. Podobnými dilematy se zabývá filosofie umělé inteligence.

Mezi hlavní problémy v rámci výzkumu umělé inteligence patří uvažování, znalosti, plánování, učení, zpracovávání přirozeného jazyka (komunikace), vnímání a schopnost se pohybovat či manipulovat s předměty. Dosažení obecné inteligence je stále jedním z hlavních cílů výzkumu v tomto oboru.

Z psychosociálního hlediska je umělá inteligence jednou z forem ne-lidské inteligence.[zdroj?]

Nástroje a meze[editovat | editovat zdroj]

Umělá inteligence si vytkla za cíl modelovat lidskou činnost považovanou za inteligentní, kdy je model tvořen počítačovým programem, tedy exaktním světem. Inteligentní lidská činnost je produktem procesů lidské psýchy, tedy procesů reálného světa. Modelují se jednak vnější projevy lidské inteligentní činnosti, druhak struktury lidského mozku, zatím omezené na neuronové sítě. Připomeňme, že exaktní svět je vymezen tak, že veškeré jeho entity jsou exaktně vytyčeny (tj. s nulovou vnitřní vágností), tedy tak, že každý s nimi seznámený odborník naprosto přesně, tedy bez jakýchkoli pochyb ví, co znamenají. Jejich exaktnost tedy spočívá v přesné a neomylné vazbě lidské psýchy s jejich významem. Umělá inteligence modeluje jevy reálného světa, ale i jevy exaktního světa. Jaké má k tomu nástroje a jaké v exaktním světě možnosti a meze?

Modelování exaktního světa exaktním světem

Do exaktního světa přiřazujeme: matematiku, exaktní vědu, exaktní hry, exaktní stroje (Turingův stroj). Úlohy, které v této oblasti umělá inteligence řeší, jsou (v příkladech a v odpovídajícím pořadí): odvozování teorémů, kognitivní robotika, šachová hra, inteligentní algoritmy. Jelikož se v tomto případě nepřekračují hranice exaktního světa, nenastávají zde prohřešky proti korektnosti přestupu do jiného světa. V případě použití výsledků exaktní vědy (dat a znalostí) v umělé inteligenci, ho již korektně vyřešila exaktní věda - přesunula je do exaktního světa.

Jak z reálného světa vstoupit do exaktního světa

Jediným mostem mezi reálným a exaktním světem je nástroj, kterému říkáme veličina. Je součástí exaktního světa, neboť je exaktně vytyčena (výše uvedeným způsobem) a zároveň je elementární, měřitelnou manifestací reálného světa, či sondou do něho. Jediným možným jazykem exaktního světa je umělý formální jazyk (matematika, formální logika, programovací jazyky), jehož příslušnost do exaktního světa je dána exaktní interpretací (tedy s nulovou vnitřní vágností) všech jeho jazykových konstrukcí i operací nad nimi. Veličiny umožňují poznávat reálný svět tak, že získané znalosti jsou součástí exaktního světa a umělý formální jazyk umožňuje tyto znalosti zapisovat (reprezentovat) jako vztahy (ty modelují rozpoznané zákonitosti reálného světa) mezi veličinami. Je to umělé exaktní (Newtonovo) poznání reálného světa, kdy daná část reálného světa je zastupována zvolenou množinou veličin matematicky popsaných vztahů mezi nimi. Množina zvolených veličin tvoří diskrétní filtr poznání reálného světa. [1] Veličiny a umělý formální jazyk jsou sice nástroje exaktní vědy, ale zároveň jediné nástroje, které má k dispozici i umělá inteligence, má-li být tvořený model součástí exaktního světa, tedy zobrazitelný a spustitelný na počítači. Plyne z toho, že znalosti použité v systému umělé inteligence musí být získány metodou exaktní vědy, tedy jako vztahy mezi veličinami reprezentované formálním jazykem (matematika, formální logika, programovací jazyky) např. v expertních systémech.

Je třeba si hlouběji všimnout cesty umělé inteligence, vedené modelováním činnosti neuronových sítí. Do ní se vkládají velké naděje, je však třeba vymezit, do jaké míry se tento model může přiblížit činnosti reálného lidského mozku. Lidské poznání používá jako filtr poznání vágnost a následné zpracování informace je touto vnitropsychickou (vnitřní) vágností neoddělitelně provázeno, je do značné míry subjektivní a emocionální. [2]. Jsou to principy propastně vzdálené principům, které může nabídnout exaktní svět. Z předchozího již víme, že exaktní svět musí používat jako filtr poznání (místo vágnosti) diskrétní filtr tvořený množinou veličin zvolených pro roli zástupců dané části reality. Dřívější názory uváděly, že model neuronové sítě bude dostatečně přesně modelovat reálný lidský mozek, až bude překonán problém nesmírné složitosti struktur lidského mozku, tedy na základě hlubšího poznání těchto struktur, bude k dispozici onen složitý popis. Tento názor vychází ze zkušenosti např. s modelováním fyzikálních procesů, kdy zvyšováním počtu veličin a vztahů mezi nimi, se obvykle zvyšuje přesnost shody modelu s realitou. U vnitropsychických procesů modelovaných pomocí modelů struktur lidského mozku tomu tak není. Zde je cílovým stavem model generující procesy zpracovávající informace prodchnuté vnitropsychickou vágností, subjektivitou a emocionalitou, tedy procesy s vlastnostmi nalézajícími se mimo exaktní svět. Připomeňme, že ať je popis modelovaných struktur mozku jakkoli složitý, stále se nalézá v exaktním světě a jím popisované (generované) procesy rovněž, a nemohou ho opustit. Jinými slovy, libovolné zvyšování počtu veličin a vztahů mezi nimi použitých pro popis struktur lidského mozku, nepřibližuje tento popis (model) reálnému mozku zpracovávajícímu informace inherentně postavené na vnitropsychické vágnosti, subjektivitě a emocionalitě. Je to neproveditelný přeskok z exaktního světa do reálného s inherentní vágností. [3]. Lze to říci i tak, že vnitropsychické procesy inherentně svázané s vnitropsychickou (vnitřní) vágností, nelze modelovat exaktním světem se zakázanou vnitřní vágností. Vnitropsychické procesy se svojí inherentní vazbou na vnitropsychickou vágnost odlišují od všech dosud známých procesů odehrávajících se v reálném světě např. fyziky, chemie, apod. Jinými slovy, tyto procesy nejsou uchopitelné metodou exaktní vědy, tedy nejsou modelovatelné exaktním světem. [4]. Exaktní svět je v tomto případě příliš slabý, neboť výše uvedený požadavek jeho exaktnosti je velice přísný a vzdaluje ho od principů reálného světa v případě, kdy vnitropsychické procesy stojí na inherentní vágnosti. Zde jsou meze možností exaktní vědy, tedy i matematiky a exaktního stroje-počítače. Jako hledání nové cesty se proto objevují pokusy použít živé mozkové struktury např. potkanů, místo počítačových modelů neuronových sítí, zapojené přes vhodný interface v umělých (počítačových) soustavách pro zpracování informace, součástí kognitivních robotů. [5]

Exaktní svět, který je tím nejsilnějším a nenahraditelným nástrojem vědeckého poznání, má nejen vnitřní trhliny popsané Gödelovými větami, použitím (ne zcela korektního) induktivního zpracování dat získaných v reálném světě pro tvorbu hypotéz o něm, ale i vnější meze dané zákazem vnitřní vágnosti. Diskrétní filtr poznání (a tak i exaktní svět) velice omezuje oblast poznání. Filtr vágnosti umožňuje vágně znát mnohé, diskrétní filtr umožňuje exaktně znát nemnohé, přesněji, jen nepatrnou část reálného světa. [6] Pro ilustraci je na obr. 1. uvedena hierarchie jazyků podle schopnosti jazyka (vyjadřovací síly) popisovat – reprezentovat jistou třídu znalostí, v závislosti na vágnosti. V obrázku jsou zahrnuty i hypotetické vnitropsychické jazyky (představový, pocitový, přirozený) mající nejvyšší míru vágnosti. Některé znalosti s úspěchem používané člověkem, zaznamenané ve vnitropsychických jazycích, nejsou převoditelné (nelze je formulovat) do přirozeného sdělovacího jazyka (nejsou sdělitelné). Nulovou vnitřní vágnost interpretace mají umělé formální jazyky.

Hierarchie jazyků

Obr. 1. Hierarchie jazyků – Vyjadřovací síla v závislosti na vágnosti.


Pokusy obejít principy exaktního světa

Buď z neznalosti, nebo snad ignorováním výše uvedených možnosti vstupu do exaktního světa, se již na počátku úvah o zrodu umělé inteligence objevily pokusy použít znalosti reprezentované přirozeným jazykem, získané přirozeným lidským poznáním. [7] Přirozené lidské poznání používá jako filtr poznání vágnost a následkem toho jsou takto získané znalosti inherentně vágní a přirozený lidský jazyk tuto vágnost modeluje především vnitřní vágností interpretace svých jazykových konstrukcí. [8] Tato interpretace je vágní, subjektivní, emocionálně zabarvená, měnící se od člověka k člověku, ale i u každého jedince navíc i v čase. Říkáme jí konotace. Pokusy o nelegální vstup do exaktního světa jsou tyto:

- Použije se nástroj pro popis vnější vágnosti např. fuzzy množiny (následně pro reprezentaci znalostí fuzzy logika ), míra důvěry, pravděpodobnost apod., v domnění, že vnitřní vágnost je převoditelná ve vnější vágnost, a uvedenými nástroji popsatelná. Tento převod možný není, nejen z principu (vnitřní vágnost je neuchopitelná, nekvantifikovatelná), ale i z dalšího důvodu, že v pozadí je vlastně pokus inherentně vágní znalosti převézt na znalosti získané metodou exaktní vědy postavené na použití veličin a používající umělý diskrétní filtr poznání, nikoli vágnost. Inherentně vágní znalost dodatečně převézt na znalost s nulovou vnitřní vágností z principu nelze, znamenalo by to dodatečně získat doplňující informaci ke zkvalitnění dané znalosti. [9] Taková informace je cestou vágního přirozeného poznání nedosažitelná. Znalost patřící do exaktního světa lze získat jen a jen použitím veličin a tak umělým poznáním exaktní vědy.

- Vkládat věty přirozeného jazyka do exaktního světa, tedy do struktur matematických výrazů nebo struktur programovacího jazyka. Pokud se toto provede, nemůže mít dotyčná věta přirozeného jazyka v exaktním světě svoji přirozenou vágní a emocionální interpretaci – konotaci. Větu je sice možno zpracovávat jako každý jiný řetězec symbolů, avšak v rámci exaktního světa bez použití jejího přirozeného konotativního významu. Konotativní význam v exaktním světě nemá místo, nemůže být v něm k ničemu použit, je to vlastnost z jiného světa, je to vlastnost lidské psýchy.

Turingův test[editovat | editovat zdroj]

Související informace naleznete také v článku Turingův test.

Na tomto srovnání spočívá také myšlenka Turingova testu, kterou vyjádřil informatik Alan Turing v roce 1950 ve svém článku „Computing machinery and intelligence“. Ve zkratce tvrdí, že za inteligentní můžeme stroj prohlásit, nerozeznáme-li jeho lingvistický výstup od lingvistického výstupu člověka.

Argument čínského pokoje je často pokládán za protiargument k Turingovu testu. Uvažuje, že by mohl existovat stroj, který by inteligentní chování simuloval připravenou sadou reakcí na všechny možné otázky, aniž by nad čímkoliv „přemýšlel“.

Historie[editovat | editovat zdroj]

Ve stejném článku, v jakém Alan Turing navrhl svůj slavný test (sám ho nazýval „imitační hra“) předpovídal, že za padesát let (tj. na přelomu milénií) budou mít počítače paměťovou kapacitu 109 bitů a rozhodčí imitační hry bude mít pouze 70% šanci, že správně pozná lidskou inteligenci. Zatímco se odhad paměťových schopností ukázal být neobyčejně přesným, neumí dnešní počítače pracovat s lidským jazykem zdaleka tak dobře, jak asi Turing doufal.[zdroj?]

Počáteční nadšení se totiž postupem času měnilo v hlubokou skepsi. Ukázalo se, že naprogramování úkolů, které lidem připadají triviální (např. rozpoznávání tvarů v obrazech) může být těžší, než vytvořit stroje řešící „klasické“ problémy umělé inteligence, jako je například hra šachů. Přesto se již daří vytvářet řešení v reálném či složitém prostředí, jako je například samořídící motorové vozidlo, počítačová hra,[10][11] odezírání řeči ze rtů,[12] ale i soudní rozhodnutí.[13] Podle odhadů expertů umělá inteligence pravděpodobně do 100 let předčí lidskou ve všech dílčích úlohách.[14] To některé lidi znepokojuje.[15][16]

V tomto smyslu je signifikantní vývoj v předmětu automatického překladu, který postupem času prošel obdobím nekritického nadšení i hluboké deziluze. Podobně se naděje vkládané do umělých neuronových sítí dostaly do konfliktů s realitou neúspěchů vytvořit sítě řešící jednoduché úkoly (např. neschopnost jednoho perceptronu simulovat funkci XOR byla mylně zobecněna na všechny neuronové sítě proto, že nebyl znám algoritmus pro jejich učení zbrzdil vývoj neuronových sítí na dlouhá léta. Přitom i dvouvrstvá síť tuto funkci aproximovat dokáže).

Kategorizace[editovat | editovat zdroj]

UI můžeme dělit na slabé a silné – ty slabé by sice měly projít Turingovým testem, ale nejsou v „pravém slova smyslu inteligentní“ (viz výše Argument čínského pokoje), na rozdíl od silných UI. Má-li toto dělení smysl je předmětem filosofických debat.

Přístupy k řešení[editovat | editovat zdroj]

Ačkoliv se vytvořit obecnou umělou inteligenci, která by byla srovnatelná s lidskou, ukázalo být nesmírně obtížné, vědci během posledních padesáti let vyvinuli sadu postupů, které dosahují dílčích úspěchů v jednotlivých problémech.

Neuronové sítě[editovat | editovat zdroj]

Související informace naleznete také v článku Neuronová síť.

Umělé neuronové sítě v umělé inteligenci mají za vzor chování odpovídajících biologických struktur. Skládají se z výpočetních modelů neuronů, které si navzájem předávají signály a transformují je pomocí funkce pro přenos k dalším „neuronům“.

Genetické programování[editovat | editovat zdroj]

Související informace naleznete také v článku Genetické programování.

Genetické programování striktně vzato není prostředek pro řešení problémů umělé inteligence, ale obecný programátorský postup, jenž namísto sepsání konkrétního algoritmu pro řešení úkolu hledá tento postup evolučními metodami.

Expertní systémy[editovat | editovat zdroj]

Související informace naleznete také v článku Expertní systém.

Expertní systém je počítačový program, který má za úkol poskytovat expertní rady, rozhodnutí nebo doporučit řešení v konkrétní situaci.

Expertní systémy jsou navrženy tak, aby mohly zpracovávat nenumerické a neurčité informace a řešit tak úlohy, které nejsou řešitelné tradičními algoritmickými postupy.

Prohledávání stavového prostoru[editovat | editovat zdroj]

Související informace naleznete také v článku Prohledávání stavového prostoru.

Zvláště při vytváření algoritmů na řešení klasických her (šachů, dámy) se jeví účelné zadefinovat si množinu stavů, do kterých se můžeme ve hře dostat, přípustné tahy neboli přechody mezi stavy a počáteční a koncové pozice. Hledáme pak cestu od počátečních stavů ke koncovým stavům, které znamenají náš úspěch.

Jelikož mohou být stavové prostory rozsáhlé (například ve hře go) a v některých případech i nekonečné, je třeba volit chytré metody ořezávání nevhodných cest a ohodnocování pozic.

Dobývání znalostí[editovat | editovat zdroj]

Související informace naleznete také v článku Data mining.

Velké soubory dat (často uložené v databázích) o nějakém systému nejsou použitelné a pochopitelné přímo, i když obsahují informace a vzory chování sledovaného systému. Metody dobývání znalostí převádí data do kompaktní a explicitní formy popisující systém, která je lépe použitelná.

V širokém smyslu nejde jen o zpracování elementárních dat (čísel, řetězců, kategoriálních dat), ale taky zpracování zvuku, obrázků (Digitální zpracování obrazu), videa, přirozeného jazyka (viz zpracování přirozeného jazyka, korpus) a bioinformatických dat (bioinformatika).

Výstupy jsou různé pro různé úlohy a závisí taky na tom, k čemu je chceme použít a co (a jak kvalitně) dokážeme vydolovat.

Strojové učení[editovat | editovat zdroj]

Související informace naleznete také v článku Strojové učení.

Úspěšné algoritmy[editovat | editovat zdroj]

Hry[editovat | editovat zdroj]

  • Chinook je program pro hraní anglické dámy, jehož tvůrci v červenci roku 2007 prohlásili, že nemůže prohrát. Již několik let předtím pravidelně porážel lidské oponenty. Tohoto výsledku bylo dosaženo kombinací hrubé síly při prohledávání pozic ve střední části hry a dobrou databází zahájení a koncovek.
  • Počítačové programy hrající go si často tak dobře nevedly. Je tomu tak zřejmě proto, že je goban (deska na go) je poměrně rozsáhlá a s každým dalším položeným kamenem stoupá komplexita rozhodování, kterou však mají lidé šanci zvládnout díky své vrozené schopnosti rozpoznávání tvarů. Ovšem nejlepší programy používající jak řešení hrubou silou (přesněji stromové prohledávání),[18] tak intuici, jsou schopné porážet (2016) i mistry.[19][20]

Další algoritmy[editovat | editovat zdroj]

Problematika[editovat | editovat zdroj]

Problémem je, že se AI chová jako černá skříňka.[26][27] Člověk musí výsledkům, které mohou být ve výsledku lepší (inteligentnější) než jeho, slepě věřit, protože jim nerozumí. Volá se proto po vysvětlitelné AI (XAI).[28][29]

AI může odstranit lidské kognitivní zkreslení.[30] Může ovšem zavést vlastní zkreslení.[31]

Umělá inteligence v kultuře[editovat | editovat zdroj]

Rozumné stroje jsou vděčné téma pro spisovatele vědecké fikce. Isaac Asimov věnoval značnou část své povídkové tvorby tématům robotické inteligence, jeho povídková sbírka Já, robot, stejně jako povídka Dvěstěletý člověk, byla zfilmována.

Polský autor Stanisław Lem se zabýval filosofickými aspekty inteligence u nelidí ve svých knihách Kyberiáda a Solaris (která byla opět zfilmována, dokonce dvakrát). Některé aspekty strojové inteligence rozebral i v knize Golem XIV.

Ostatně velká část publikací současného stylu scifi kyberpunku se neodmyslitelně váže stejně jako k pronikání vlastností lidského a strojového, tak k vyrovnávání se s myšlenkou inteligentního stroje. Jako příklad uveďme knihu Neuromancer Williama Gibsona.

Filmové publikum středního proudu na počátku století nejvíce ovlivnila trilogie Matrix, která vypráví o světě ovládaném umělou inteligencí původně vytvořenou člověkem. Mezi vlivná starší díla řadíme filmy Terminátor nebo Blade Runner.

Odkazy[editovat | editovat zdroj]

Reference[editovat | editovat zdroj]

  1. Křemen, J.: Modely a systémy ACADEMIA, Praha 2007.
  2. B. Russell: Vagueness (The Australasian Journal of Psychology and Philosophy 1, June 1923, pp. 84--92.)
  3. Křemen, J.: Modely a systémy ACADEMIA, Praha 2007.
  4. Křemen, J.: Modely a systémy ACADEMIA, Praha 2007.
  5. Martin Zeman. Umělá inteligence (Pátečníci 5. 8. 2016), začátek tématu v čase 1:17:50 h Dostupné online.
  6. Křemen, J.: Nový pohled na možnosti automatizovaného (počítačového) odvozování. Slaboproudý obzor. Roč. 68 (2013), č. 1., str. 7 – 11.
  7. Newell, Allen, J.C. Shaw, and H.A. Simon: "Report on a general problem-solving program." In Proceedings of the International Conference on Information Processing., pp. 256-264. UNESCO House, Paris, France, June 13-23, 1959.
  8. Křemen, J.: Nový pohled na možnosti automatizovaného (počítačového) odvozování. Slaboproudý obzor. Roč. 68 (2013), č. 1., str. 7 – 11.
  9. Křemen, J.: Nový pohled na možnosti automatizovaného (počítačového) odvozování. Slaboproudý obzor. Roč. 68 (2013), č. 1., str. 7 – 11.
  10. http://techxplore.com/news/2016-02-deepmind-ai-team-explores-powers.html - DeepMind's AI team explores navigation powers with 3-D maze
  11. https://techxplore.com/news/2017-06-microsoft-ai-ms-pac-man.html - Microsoft AI seriously at play with Ms. Pac-Man
  12. http://www.osel.cz/9117-umela-inteligence-deep-mind-odezira-ze-rtu-lepe-nez-profesionalove.html - Umělá inteligence Deep Mind odezírá ze rtů lépe než profesionálové
  13. http://phys.org/news/2016-10-ai-outcomes-human-rights-trials.html - AI predicts outcomes of human rights trials
  14. https://techxplore.com/news/2017-06-experts-ai-surpass-humans-tasks.html - Experts predict when AI will surpass humans in all tasks
  15. https://phys.org/news/2017-07-musk-zuckerberg-duel-artificial-intelligence.html - Musk, Zuckerberg duel over artificial intelligence
  16. [1] - Stephen Hawking thinks artificial intelligence is a bigger threat than climate change
  17. https://techxplore.com/news/2017-01-em-ai-world-poker-players.html - Know when to fold 'em: AI beats world's top poker players
  18. KASÍK, Pavel; LÁZŇOVSKÝ, Matouš. Bylo to jako hrát proti zdi: umělá inteligence nečekaně porazila mistra. http://www.idnes.cz [online]. 2016-02-01 [cit. 2016-03-13]. Dostupné online.  (česky) 
  19. http://phys.org/news/2016-01-chess-human-ancient-chinese-game.html - Game over? Computer beats human champ in ancient Chinese game
  20. http://phys.org/news/2016-03-game-series-champion.html - Game over! Computer wins series against Go champion (Update)
  21. http://www.osel.cz/8903-letecka-bojova-umela-inteligence-si-natrela-na-chleba-takticke-experty.html - Letecká bojová umělá inteligence si natřela na chleba taktické experty
  22. https://phys.org/news/2017-01-ai-world-humans.html - Making AI systems that see the world as humans do
  23. http://www.bbc.com/news/technology-19354994 - Robot learns to recognise itself in mirror
  24. https://medicalxpress.com/news/2017-04-ai-doctors-gauging-heart.html - AI systems found to be better than doctors at gauging heart attack risk
  25. http://www.svethardware.cz/lyrebird-umi-zkopirovat-hlas-kohokoliv-z-minutoveho-zaznamu/44325 - Lyrebird umí zkopírovat hlas kohokoliv z minutového záznamu
  26. http://www.nature.com/news/can-we-open-the-black-box-of-ai-1.20731 - Can we open the black box of AI?
  27. http://legalexecutiveinstitute.com/inside-ai-black-box-icail/ - Inside AI’s Black Box at ICAIL: Lawyers and Data Scientists Learning Each Other’s Languages
  28. https://www.cio.com/article/3204114/artificial-intelligence/the-hidden-risk-of-blind-trust-in-ai-s-black-box.html - The hidden risk of blind trust in AI’s ‘black box’
  29. https://www.darpa.mil/program/explainable-artificial-intelligence - Explainable Artificial Intelligence (XAI)
  30. https://www.cio.com/article/3203950/artificial-intelligence/ai-as-a-way-to-overcome-cognitive-bias-in-physicians.html - AI as a way to overcome cognitive bias in physicians
  31. https://techcrunch.com/2016/12/10/5-unexpected-sources-of-bias-in-artificial-intelligence/ - 5 unexpected sources of bias in artificial intelligence

Literatura[editovat | editovat zdroj]

Související články[editovat | editovat zdroj]

Externí odkazy[editovat | editovat zdroj]