What is Artificial Intelligence?

A subfield of data science called artificial intelligence is associated with creating

intelligent computers that can carry out various tasks that often call for human
intelligence and perception. These sophisticated machines can learn from previous
errors and historical data, analyze the surrounding circumstances, and decide on
the necessary measures.

AI is an integrated field that draws on ideas and methods from many other
disciplines, including computational science, cognitive sciences, language studies,
neuroscience, psychology, and mathematics.

The machine is capable of self-learning, self-analysis, and self-improvement, and

while processing, it requires minimal or almost no human effort.

It is utilized in practically every business, including the media industry, the

healthcare industry, graphics and animation, and more, to help technologies
replicate human action based on their behavior.
What is Human Intelligence?

Human intelligence refers to a person’s intellectual capacity, which enables them

to reason, understand a variety of expressions, comprehend challenging concepts,
solve mathematical problems, adapt to changing circumstances, use knowledge to
control their environment and communicate with others.

Ready to start your data science journey?

Master 23+ tools & learn with guided projects with the Certified AI & ML
BlackBelt Plus Program

Enroll Now
Source: Clickworker

It may offer information on matters about a specific skill set and body of
knowledge, which may relate to a different human being or, in the particular
instance of intelligence agents and locators, diplomatic information they had to
access. Additionally, it might offer details about social networks and personal
connections.

Human intelligence and behavior have their roots in a person’s distinctive

admixture of genetics, childhood development, and experience with diverse events
and surroundings. Furthermore, it entirely relies on the individual’s ability to use
their newly acquired knowledge to transform their surroundings.

Artificial Intelligence vs. Human Intelligence

Here is an elaborated difference between human intelligence and artificial
intelligence:

Parameter Human Intelligence Artificial Intelligence

Origin Humans are born with the capacity to AI is an innovation created by human
reason, think, assess, and perform insights; Norbert Wiener is associated
other cognitive tasks. with helping to progress the field by
theorizing about the mechanisms of
criticism.
Learning Human intelligence can pick up new Using statistical models and algorithms,
Capabilities information via observations, AI can learn from enormous amounts of
experience, and educating oneself data. They cannot build a uniquely
and put it into novel scenarios. human analytical style; they can only
learn through data and regular training.
Creativity Using innovative thinking and AI can create novel approaches using
creativity, human intelligence can existing trends and data but lacks inherent
generate fresh concepts, literature, innovation and originality.
music, and art.
Decision Human decisions can be subject to AI interprets according to completely
Making subjective factors not based solely on collected data, which makes it strongly
data. objective in decision-making.
Nature Human intelligence is analogous. Artificial intelligence uses digital
machines.
Energy Use The human brain uses around 25 Modern-day computers use around 2
watts of energy. watts of energy.
Social Skills The capacity to comprehend abstract Artificial intelligence is still developing
concepts, the degree of self- the capability to read and recognize
awareness, and sensitivity to the relevant interpersonal and passionate
sentiments of others distinguish signals.
humans from other social animals.

What AI Cannot Do without – The “Human” Factor

The artificial intelligence vs. human intelligence debate is incomplete without

considering the human factor. While AI is intended to replace laborious processes
with a more efficient and convenient method of accomplishing the job, it cannot
replace the requirement for human involvement in the workplace. However,
without human assistance, technology cannot advance. Engineers must create and
test artificial intelligence systems as a prerequisite for their application to advance.
AI wouldn’t work without humans, so humans and AI cannot be substituted.
 People show their emotions and have the ability to interpret the facial expressions
and moods of others, but artificially intelligent machines are not trained to do that.
Although AI-enabled machines can mimic human speech, they lack human touch
since they cannot express empathy and other emotions.

AI is based on codes that restrict it from finding creative answers to new

challenges. They operate as intended, which limits their capacity to understand the
context and devise sophisticated solutions.

While AI can learn extremely fast, it lacks logical thinking and is, therefore, unable
to reason and challenge the facts to the same extent humans can.

In-demand Machine Learning Skills

There are certain machine learning skills that are currently in demand for the
artificial intelligence industry:

 Programming languages such as Python, C++, R, etc.

 Applied mathematics
 Natural language processing
 Data Science
 Communication and data visualization skills
 Statistics and probability

Artificial Intelligence vs. Human Intelligence: What Future

Holds?

Digital existence is enhancing human abilities while challenging long-standing

human activity. Code-driven technologies have reached more than half of the
world’s population regarding ambient data and connection, providing previously
unthinkable potential and significant risks.
Artificial intelligence is transforming the employment landscape by automating
earlier labor-intensive processes. The rapid advancement in technology has brought
about the rise of new disciplines of study and employment. AI can automate many
repetitive activities, but it also opens up new career paths for those who need
human abilities like innovative thinking, critical thinking, and behavioral
intelligence.

AI can provide incredible advantages to organizations that implement it

effectively, increasing efficiency and cooperation. Businesses can explore new
possibilities for growth and creativity by using AI. This can increase demand for
products and services, promoting economic expansion and enhancing living
standards.

When the discussion of AI vs. humans comes into action, we look at a bright
coexisting future. The next generation will be raised in an era where human beings
and humanoids coexist, with humanoids functioning to assist humans.

Also Read: This is How Experts Predict the Future of AI

Best Machine Learning and AI Courses Online

Here are the top 5 online courses that can help individuals intrigued about artificial
intelligence progress in the field:

Getting Started with Decision Trees

Before starting with machine learning, every individual should learn about the
most widely used ML algorithms and decision trees. This course has an intrinsic
curriculum that helps students learn to use decision trees from the basics to the
advanced levels. The course has interesting real-life projects and lessons
explaining the decision trees implementation in Python.

Checkout the course here!

Machine Learning Certification for Beginners

This free certification course is the perfect start for the machine learning journey.
The course comprises basics of ML, the introduction of Python to data science,
using tools like NumPy, sci-kit- learn and more, real-life, hands-on projects,
concepts of feature engineering and more. It is a short course that requires only 8-
10 hours per week.

Checkout the course here!

Loan Prediction Practice Problem Using Python

A short and interesting free course designed for people who want to learn how to
implement machine learning and data science in their real-life monotonous
problems. The course majorly focuses on the use of classification. It includes a
practical problem that will be solved using classification and other approaches that
can be implemented in machine learning.

Checkout the course here!

Support Vector Machine (SVM) in Python and R

If an individual wants to learn about what is SVM? How to use SVM in machine
learning? Applications of SVM and more, this free course will answer many other
questions. The course design includes the basics of SVM and an understanding of
how to implement SVM in Python and R.
Checkout the course here!

Evaluation Metrics for Machine Learning Models

Evaluation metrics form the core of various ML models. This course will perfectly
guide you on how to use evaluation metrics in machine learning, the ways to
enhance your models and several other concepts that would help you build
interesting models. The course also elaborates on the types of evaluation metrics
and evaluation using classification and other methods.

Checkout the course here!

Conclusion

Artificial intelligence has transformed from an aspect of science fiction to reality,

and there is little doubt that it is reshaping every sector and advancing humanity.
Scientists and experimenters are still baffled by how humans think. As a result, the
logical premise in the rising discussion of AI vs. human intelligence continues to
be that AI will complement rather than substitute human intelligence. Stay tuned
to Analytics Vidhya blogs to keep up with the latest advancements in the world of
AI!

Frequently Asked Questions

Q1. Which is better: human intelligence or artificial intelligence?

A. Human intelligence and artificial intelligence go hand-in-hand. AI can handle

repetitive, data-driven tasks and give data-based results. Human intelligence can
work on creative, emotional and critically complex tasks.

Q2. Can AI have human intelligence?

A. AI can not completely have human intelligence. AI-driven technologies need

human touch to work effectively.
Q3. Can AI replace human intelligence?

A. Regardless of how well AI can perform tasks or respond to human requests, AI

can not replace human intelligence.

Q4. Why can AI replace humans?

A. AI can only replace humans in repetitive and data-driven tasks. AI will always
need human intelligence to upgrade and enhance its codes and algorithms.
Related

AGI Revolution is Comparable to the Invention of the Wheel: AI Godfather Geoffrey Hinton

Artificial General Intelligence: Definition, Scope, and ChatGPT as an Early AGI

Zomato Embarks on Groundbreaking Artificial Intelligence

 AI vs HIArtificial IntelligenceGenerative AIHuman Intelligence

Recommended For You

 Become a full stack data scientist

 AGI Revolution is Comparable to the Invention of the Wheel: AI Godfather Geoffrey
Hinton
 Artificial General Intelligence: Definition, Scope, and ChatGPT as an Early AGI
 Zomato Embarks on Groundbreaking Artificial Intelligence
 What is Artificial General Intelligence (AGI)?
 What is Artificial Narrow Intelligence (ANI)?
 Directing the Digital: Generative AI in Film and Entertainment

About the Author

avcontentteam

Our Top Authors










view more
DownloadAnalytics Vidhya App for the Latest blog/Article

Previous PostThe
Success Story of Microsoft’s Senior Data Scientist
Next PostNVIDIA’s AI to Save the Planet from Climate Change

Top Resources
10 Best AI Image Generator Tools to Use in 2023

avcontentteam - AUG 17, 2023

Artificial Intelligence and the Aesthetics of Image Generation

Ananya Manjunath - SEP 14, 2023

Skewness and Kurtosis: Quick Guide (Updated 2023)

Suvarna Gawali - MAY 02, 2021

Everything you need to Know about Linear Regression!

KAVITA MALI - OCT 04, 2021

Download App
 Artipisyal na katalinuhan
145 wika

 Artikulo
 Usapan
 Basahin
 Baguhin
 Baguhin ang wikitext
 Tingnan ang kasaysayan

Mga kagamitan
















Mula sa Wikipedia, ang malayang ensiklopedya

Ang intelihensiyang artipisyal o artipisyal na katalinuhan (Ingles: artificial

intelligence o AI) ay ang katalinuhan ng mga makina at sangay ng agham
pangkompyuter na naglalayong lumikha nito. Nagmula ang salita bilang isang paksa
ng Kumperensiya sa Dartmouth noong 1956 ni John McCarthy.[1] Inilarawan ito ni
McCarthy bilang isang agham at inhinyeriya ng paggawa ng intelihenteng mga
makina.[2]

Mga problemang nilulutas[baguhin | baguhin ang wikitext]

"Maaari bang ang isang makina ay kumilos ng intelihente?" ang tanong na isa pa
ring bukas na problema at maraming mga mananaliksik ang nagtatangkang lumikha
ng ganoong makina. Ang pangkalahatang problema ng paggaya (o paglikha) ng
katalinuhan ay nahahati sa bilang ng mga spesipikong sangay na problema. Ang
mga ito ay binubuo ng mga partikular na katangian o kakayahang ninanais ng mga
mananaliksik ng AI na ipamalas ng isang sistemang intelihente. Ang mga
sumusunod na mga katangian ang nakatanggap ng labis na pansin sa kommunidad
ng AI.
Deduksiyon, pangangatwiran at paglutas ng
problema[baguhin | baguhin ang wikitext]
Ang mga unang mananaliksik ng AI ay lumikha ng mga algoritmo na gumagaya sa
sunod sunod na hakbang ng pangangatwiran na ginagamit ng mga tao upang lutasin
ang mga puzzle at gumawa ng mga deduksiyong lohikal. Sa huling bahagi ng 1980s
at '90s, ang mga mananaliksik ng AI ay lumikha ng paglutas sa mga hindi tiyak at
hindi kumpletong impormasyon na gumagamit ng mga konseptong hango
sa probabilidad at ekonomika. Para sa mga mahihirap na problema, karamihan ng
mga algoritmong ito ay nangangailangan ng napakalaking mga komputasyonal na
mapagkukunan dahil sa ang karamihan ay nakakaranas "kombinatoryal na
pagsabog" (combinatorial explosion): ang halaga ng memorya o panahon na
iginugugol ng kompyuter upang lutasin ang isang problema ay tumataas kapag ang
isang sukat ng isang problema ay lumagpas na sa isang itinakdang sukat. Ang
paghahanap ng mga mas epektibong algoritmo na makakalutas sa ganitong
problema ay isang mataas na prioridad sa pananaliksik AI. Ang tao ay lumulutas ng
karamihan sa kanilang mga problema gamit ang mga mabilis, intuitibong desisyon
imbes na sa sunod sunod na hakbang na deduksiyong modelo na nilikha sa unang
yugto ng pananaliksik AI. Ang AI ay nakasulong sa panggagaya ng ganitong uri ng
"sub-simbolkong" paglutas ng problema: ang modelong kinatawang ahente ay
nagbibigay diin sa kahalagahan ng mga kakayahang sensorimotor hanggang sa mas
mataas na pangangatwiran; Ang pananaliksik neural net ay nagtatangka upang
gayahin ang istraktura sa loob ng utak ng mga tao at hayop na nagbibigay sa mga
kakayahang ito.
Pagkakatawan ng kaalaman[baguhin | baguhin ang wikitext]
Ang pagkakatawan ng kaalaman at pag-iinhinyerya ng kaalaman ay sentral sa
pananaliksik AI. Marami sa mga problema ng makina na inaasahang malutas ay
nangangailangan ng malawak na kaalaman tungkol sa mundo. Kabilang sa mga
bagay ikatawan ng AI ay: mga bagay, mga katangian, mga kategorya at mga
relasyon sa pagitan ng mga bagay; mga sitwasyon, mga pangyayari, mga estado at
panahon; mga sanhi at mga epekto; kaalaman tungkol sa kaalaman (kung ano alam
ko tungkol sa kung ano alam ng iba); at maraming iba pang hindi sinasaliksik na
sangay. Ang isang representasyon ng "kung ano ang umiiral" ay isang ontolohiya
(paghiram ng isang salita mula sa tradisyonal na pilosopiya), kung saan ang pinaka-
pangkalahatan ay tinatawag na mataas na mga ontolohiya. Ang ilan sa
pinakamahirap na mga problema sa representasyon ng kaalaman ay:
Default na pangangatwiran at ang problema ng kwalipikasyon [baguhin | baguhin ang
wikitext]
Marami sa mga bagay na alam ng mga tao ay nasa anyong "gumaganang mga
palagay". Halimbawa, kung ang isang ibon ay pumasok sa isang usapan, ang mga
karaniwang larawang naiisip ng mga taong nag uusap ay isang bagay na kasinglaki
ng kamao, umaawit, at lumilipad. Hindi lahat ng mga bagay na ito ay totoo sa lahat
ng mga ibon. Ang problemang ito ay tinawag ni John McCarthy noong 1969 na
kwalipikasyon ng problema: para sa anumang mga batas ng sentido komon na nais
ikatawan ng mga mananaliksik ng AI, meron malaking bilang ng mga esksepsiyon.
Halos lahat ay hindi lamang totoo o hindi sa paraang pagkakatawan ng abstraktong
lohika. Ang pananaliksik AI ay naghanap ng ilang mga solusyon sa problemang ito.
Ang lawak ng kaalamang sentido komon[baguhin | baguhin ang wikitext]
Ang bilang ng mga atomikong katotohanan na alam ng isang karaniwang tao ay
astronomikal (sobrang taas na bilang). Ang mga proyekto na nagtatangkang lumikha
ng base (koleksiyon ng mga data) sa kaalaman ng sentido komon (halimbawa, Cyc)
ay nangangailangan ng napakalaking paggawa sa pag-iinhinyeryanng ontolohikal -
dapat ito ay binubuo, sa pamamagitan ng kamay ang mga komplikadong konsepto
ng isa isa. Ang isang pangunahing layunin ay upang maintindihan ng kompyuter ang
sapat na mga konsepto sa pamamagitan ng pagbabasa mula sa mga pinagkukunan
tulad ng internet, at samakatuwid ay magagawang idagdag sa kanyang sariling
ontolohiya.
Ang subsimbolikong anyo ng ilang mga kaalamang sentido komon [baguhin | baguhin
ang wikitext]
Karamihan sa alam ng mga tao ay hindi maaaring ikatawan bilang mga
"katotohanan" o "pangungusap" na maaaring ihayag ng berbal. Halimbawa, ang
isang dalubhasa ng chess ay umiiwas sa isang partikular na posisyon ng chess dahil
ito "ay masyadong nakalantad" o ang isang kritiko ng sining ay maaaring tumingin ng
isang beses sa isang estatwa at matatanto agad nito na ito ay isang peke. Ito ang
mga kutob o kakayahan na kinakatawan sa utak na walang kamalayan at
subsimbolikal. Ang kaalaman tulad nito ay nagbibigay alam, sumusuporta at
nagbibigay ng isang konteksto para sa simboliko at kaalaman na pangkamalayan.
Tulad ng kaugnay na problema ng mga subsimbolikong pangangatwiran, ang
intelihensiyang komputasyonal ay nagbibigay ng mga paraan upang kumatawan ng
ganitong uri ng kaalaman.
Pagpaplano[baguhin | baguhin ang wikitext]
Ang isang intelihenteng ahente ay dapat may kakayahang magtakda ng mga layunin
at makamit ang mga ito. Kailangan nito ang isang paraan upang maisalarawan ang
hinaharap (dapat itong magkaroon ng representasyon ng estado ng mundo at
magkaroon ng kakayahang matukoy kung paanong ang kanilang mga aksiyon ay
mababago ito) at magkaroon ng kakayahan na hanapin ang pinakamabuting utilidad
(o "halaga") ng mga magagamit na pagpipilian.
Sa mga klasikal na mga problema ng pagpaplano, ang ahente ay maaaring
magpalagay na ito lamang ang tanging bagay na gumagalaw sa mundo at tumiyak
kung ano ang mga kahihinatnan ng mga aksiyong gagawin nito. Gayunpaman, kung
ito ay hindi totoo, dapat nitong paulit ulit na tignan kung ang mundo ay tumutugma
sa mga prediksiyon at dapat nitong baguhin ang plano kung ito ay kinakailangan, na
nagaatas sa isang ahente na mangatwiran sa mga sitwasyon na walang katiyakan.
Ang isang pagpaplano ng maraming ahente ay gumagamit ng kooperasyon at
kumpetisyon ng maraming mga ahente upang makamit ang isang ibinigay na
layunin. Ang isang lumilitaw na pag-aasal tulad nito ay gumagamit ng
ebolusyonaryong algoritmo at intelihensiya ng kuyog.
Pagkatuto[baguhin | baguhin ang wikitext]
Ang pagkatuto ng makina (machine learning) ay sentral sa pananaliksik AI mula pa
sa simula. Noong 1956, sa orihinal na tag-init na kumperensiya ng Dartmouth, ang
mananaliksik na si Ray Solomonoff ay sumulat ng isang ulat tungkol sa "di
pinapatnubayang probabalistikong pagkatuto ng makina". Ang Hindi
pinapatnubayang pagkatuto (unsupervised learning) ay ang kakayahan upang
mahanap ang mga paterno sa isang daloy na input. Ang pinapatnubayang
pagkatuto (supervised learning) ay kinabibilangan ng klasipikasyon at regresyong
numerikal. Ang klasipikasyon ay ginagamit upang matukoy kung anong kategorya
ang isang bagay ay nabibilang, pagkatapos makita ang isang bilang ng mga
halimbawa mula sa ilang mga kategorya. Ang regresyong analisis ay kumukuha ng
isang hanay ng mga numerikal na input/output ng mga halimbawa at nagtatangkang
tuklasin ang isang patuloy na punsiyon na lilikha ng mga output mula sa mga input.
Sa pagpapapalakas na pagkatuto (reinforcement learning), ang ahente ay
ginagantimpalaan ayon sa mabuting tugon nito at pinaparusahan sa mga maling
tugon nito. Ang mga ito ay maaaring suriin ayon sa mga tuntunin ng teoriya ng
desisyon, gamit ang mga konseptong tulad ng utilidad. Ang matematikal na
pagsusuri ng algoritmo ng pagkatuto ng makina at ang kanilang pagganap ay isang
sangay ng teoretikal na agham pangkompyuter na kilala bilang komputasyonal na
teorya ng pagkatuto.
Natural na pagpoproseso ng wika[baguhin | baguhin ang wikitext]
Ang natural na pagpoproseso ng wika ay nagbibigay sa makina ng kakayahan
upang basahin at maunawaan ang mga wika na sinasalita ng mga tao. Ang
maraming mga mananaliksik ng AI ay umaasa na ang isang sapat at
makapangyarihang sistema ng natural na pagpoproseso ng wika ay magkaroon ng
kakayahang magkamit ng kaalaman sa kanyang sarili, sa pamamagitan ng
pagbabasa ng mga umiiral na teksto na makukuha sa internet. Ilan sa mga direktang
aplikasyon ng natural pagpoproseso ng wika ay ang pagkuha ng impormasyon (o
text mining) at pagsasalin ng wika.
Mosyon at manipulasyon[baguhin | baguhin ang wikitext]
Ang larangang ng robotika ay malapit na kaugnay ng AI. Ang intelihensiya ay
kinakailangan upang ang mga robot ay magkaroon ng kakayahan gawin ang mga
gawain tulad ng manipulasyon ng mga bagay at nabigasyon, sa mga sub-problema
ng lokalisasyon (alam kung saan ito), pag-mamapa (pag-aaral kung ano ang nasa
paligid ito) at pagpaplano ng paggalaw (pagtukoy kung paano makarating sa isang
lugar).
Persepsiyon[baguhin | baguhin ang wikitext]
Ang persepsiyon ng makina ay ang kakayahan gumamit ng input mula sa mga
sensor (tulad ng mga kamera, mikropono, sonar at iba pa) upang matukoy ang mga
aspeto ng mundo. Ang paningin ng kompyuter ay ang kakayahan upang masuri ang
input na biswal. Ang ilang sa mga subproblema nito ay pagsasalita, pagkilala ng
mukha, at pagkilala ng bagay.

Mga kasangkapan[baguhin | baguhin ang wikitext]

Sa loob ng 50 taon ng pananaliksik, ang AI ay nakabuo ng malaking bilang ng mga
kasangkapan upang malutas ang mga pinakamahirap na mga problema sa agham
pangkompyter. Ang ilan sa mga pangkalahatang pamamaraan na ito ay ang
sumusunod:
Paghahanap at optimisasyon[baguhin | baguhin ang wikitext]
Maraming mga problema sa AI ay malulutas sa teoriya sa pamamagitan ng
matalinong paghahanap ng maraming mga posibleng solusyon: Ang pangangatwiran
ay maaaring paliitin sa pamamagitan ng pagsasagawa ng isang paghahanap.
Halimbawa, ang lohikal na papapatunay ay maaaring maunawaan bilang
paghahanap para sa isang landas mula sa premisa hanggang sa
mga konklusyon kung saan ang bawat hakbang ay paglalapat ng batas inperensiya.
Ang algoritmong pagpapaplano ay paghahanap sa mga puno ng layunin at pang-
ilalim na layunin upang mahanap ang landas ng layuning pakay na isang prosesong
tinatawag na "means-ends analysis". Sa algoritmong robotiko ang paggalaw ng mga
braso at paghawak ng mga bagay ng isang robot ay gumagamit ng lokal na
paghahanap sa konpigurasyong espasyo. Maraming algoritmo ng pagkatuto ay
gumagamit ng mga algoritmong paghahanap batay sa optimisasyon.
Ang simpleng lubusang paghahanap ay bihirang sapat para sa mga pinaka-tunay na
mga problema ng mundo: ang espasyo ng paghahanap (ang bilang ng mga lugar
upang maghanap) ay mabilis na lumalaki sa astronomikal na bilang. Ang resulta nito
ay isang paghahanap na masyadong mabagal o hindi natatapos. Ang solusyon para
sa maraming mga problema ay paggamit ng mga "heuristika" upang alisin ang mga
pagpipilian na hindi hahantong sa layunin (na tinatawag na "pagtatabas ng
hinahanap na puno"). Ang heuristika ay nagbibigay sa programa ng isang
"pinakamahusay na paghula" kung saang landas sa puno (tree) matatagpuan ang
solusyon.
Isang kakaibang uri ng paghahanap ang tumanyag noong 1990s, batay sa
matematikal na teoriya ng optimisasyon. Para sa maraming mga problema, ang
paghahanap ay posibleng simulan ng ilang anyo ng paghuhula at pagkatapos ay
pagpipino ng paghuhula ng paunti unti hanggang sa wala ng pagpipinong maaaring
gawin. Ang mga algoritmong ito ay maaaring ilarawan tulad ng pag akyat sa isang
bundok: ang paghahanap ay maaaring simulan sa kahit anong lokasyon sa paanan
ng bundok at pagkatapos ay umakyat ng unti unti hanggang sa maabot ang tuktok
ng bundok. Ang iba pang mga algoritmong optimisasyon ay simuladong
annealing (ginayang pag- iinit at paglalamig ng isang metal), sinag
paghahanap at randomang optimisasyon (walang direksiyong optimisasyon).
Ang pagkukwentang ebolusyonaryo ay gumagamit ng isang anyo ng optimisasyong
paghahanap. Halimbawa, maaaring sila ay magsimula sa isang populasyon ng mga
organismo (ang mga hula) at pagkatapos ay payagan silang mag-mutado at muli
itong pagsamahin, na piliin lamang ang magtatagumpay na mabuhay sa bawat
henerasyon (pagpipino ng mga hula). Ang mga anyo ng pagkukuwentang
ebolusyonaryo ay kinabibilangan ng algoritmong intelihensiyang kuyog (tulad ng
mga kolonya ng langgam) at mga ebolusyonaryong algoritmo (tulad ng algoritmong
henetiko at pagpoprogramang henetiko).
Lohika[baguhin | baguhin ang wikitext]
Ang lohika ay ginagamit para ikatawan ang kaalaman at problemang paglutas,
ngunit ito ay maaaring gamitin sa iba pang mga problema. Halimbawa, ang
algoritmong satplan ay gumagamit ng lohika para sa pagpaplano at pasaklaw na
lohikang pagpoprograma na isang paraan ng pagkatuto.
Maraming iba't ibang anyo ng lohika ang ginagamit sa AI. Ang proposisyonal o
sentensiyal na lohika ang lohika ng mga pahayag na maaaring totoo o hindi.
Ang unang order na lohika ay gumagamit din ng mga pambilang at panguri na
maaaring maghayag ng mga katotohanan ng mga bagay, ang kanilang mga
katangian at mga ugnayan sa isa't isa. Ang lohikang hindi malinaw (fuzzy logic) ay
isang bersiyon ng unang order na lohika na pumapayag na ang katotohanan ng
isang pahayag ay maaaring ikatawan bilang halaga sa pagitan ng 0 at 1 imbis na
totoo at hindi totoo lamang. Ito ay maaaring gamitin sa isang hindi tiyak na
pangangatwiran at ito'y malawak na ginagamit sa modernong industriyal at mga
sistemang kontrol ng mga produktong pang konsumer. Ang subhektibong lohika ay
nagmomodelo ng kawalang katiyakan sa kakaiba at tahasang paraan kesa
sa lohikang hindi malinaw: isang ibinigay na dalawang opinyon ay sumasapat sa
paniniwala + kawalang-paniwala + aalinlangan = 1 sa loob ng isang distribusyong
Beta. Sa pamamagitan ng paraang ito, ang kamangmangan ay maaaring matukoy
mula sa mga probabilistikong pahayag na nililikha ng isang ahente ng may mataas
na kumpiyansa.
Ang lohikang default, lohikang hindi monotoniko at sirkumpskripsiyon ay mga anyo
ng lohika na dinisenyo upang makatulong sa pangangatwiran ng default na
pangangatwiran at ang problema ng kwalipikasyon. Maraming ekstensiyon ng lohika
ay dinisenyo upang humawak ng mga spesipikong sinasakupang ng kaalaman gaya
ng: lohikong paglalarawan; sitwasyong kalkulo, kalkulo ng pangyayari, kalkulo na
fluent (para sa pagkakatawan ng mga kaganapan at oras); kalkulong pananahilan;
paniniwalang kalkulo ; at modal na lohika.
Mga pamamaraang probabilistiko sa hindi tiyak na
pangagatwiran[baguhin | baguhin ang wikitext]
Maraming mga problema sa AI (sa pangangatwiran, pagpaplano, pagkatuto,
persepsiyon at robotiko) ay nag-aatas sa isang ahente na kumilos sa hindi kumpleto
o hindi tiyak na impormasyon. Ang mga mananaliksik ng AI ay lumikha ng ilang
makapangyarihang kasangkapan upang lutasin ang mga problemang ito sa
pamamagitan ng paggamit ng mga pamamaraan mula sa teoriya ng
probabilidad at ekonomika.
Ang Bayesian network ay isang pangkalahatang kasangkapan na maaaring gamitin
sa isang malaking bilang ng mga problema: pangangatwiran (gamit ang algoritmong
Bayesian na inperensiya), pagkatuto (gamit ang algoritmong inaasahan-
maksimisasyon) (expected-maximization), pagpaplano (gamit ang desisyon na
network) at persepsiyon (gamit ang mga dinamikong Bayesian network). Ang mga
algoritmong probabilistiko ay maaari ring gamitin para sa pagsasala (filtering),
prediksiyon, pagkikinis at paghahanap ng mga paliwanag para sa mga daloy ng mga
data na tumutulong sa mga sistemang persepsiyon upang suriin ang mga proseso
na nangyari sa paglipas ng panahon gaya ng nakatagong modelong Markov (hidden
markov model) o panalang Kalman (Kalman filter).
Ang isang mahalagang konsepto mula sa agham ng ekonomika ang "utilidad": isang
sukatan kung gaano kahalaga ang isang bagay sa isang intelihenteng ahente. Ang
mga tiyak na kasangkapang matematikal ay nilikha upang suriin kung paanong ang
isang ahente ay gumagawa ng mga pagpipilian at mga plano gamit ang teoriya ng
desisyon, analisis ng desisyon, at teorya ng impormasyong halaga. Kabilang sa mga
kasangkapang ito ang mga modelo tulad ng mga prosesong desisyong
Markov, dinamiko na desisyong network, teorya ng laro at mekanismong disenyo.
Mga taga-uri at mga paraang estadistikal na
pagkatuto[baguhin | baguhin ang wikitext]
Ang mga aplikasyong AI ay maaaring mahati sa dalawang uri: taga-uri/classifier
(halimbawa "kung ang isang bagay ay makintab, sa gayun ito ay isang brilyante") at
mga kontroler (halimbawa "kung ang isang bagay ay makintab, sa gayun ito ay
pupulutin"). Gayunpaman, ang mga kontroler ay nag-uuri ng mga kondisyon bago
maghinuha ng mga aksiyon, samakatuwid ang mga anyong klasipikasyon ay sentral
na bahagi ng maraming mga sistema ng AI. Ang mga taga-uri ay mga punsiyon na
gumagamit ng pagtutugma ng mga paterno (pattern) upang matukoy ang isang
pinakamalapit na katugma. Maaari nilang itong isaayos ayon sa mga halimbawa na
nagdudulot sa kanilang maging aakit-akit para sa paggamit sa AI. Ang mga
halimbawa na ito ay kilala bilang mga obserbasyon o mga pattern. Sa
isang pinapatnubayang pagkatuto (supervised learning) ang bawat paterno ay
nabibilang sa isang tiyak na paunang-natukoy na klase. Ang isang klase ay
maaaring maunawaan bilang isang desisyon na nililikha. Lahat ng mga obserbasyon
na pinagsama kasama ang kanilang tatak na klase ay kilala bilang isang hanay ng
data. Kapag ang isang bagong obserbasyon ay natanggap, ang obserbasyon ito ay
inuuri base sa nakaraang karanasan.
Ang mga taga-uri ay maaaring sanayin sa pamamagitan ng iba't ibang paraan gaya
ng maraming mga estatistikal at pamamaraan ng pagkatuto ng makina. Ang pinaka-
malawak na ginagamit na taga-uri ay network na neural, mga pamamaraang
kernel tulad ng suportang bektor na makina (support vector machine), k-
pinakamalapit na kapitbahay (k-nearest neighbor), modelong pinaghalong
Gaussian (mixed Gaussian model), taga-uri na walang muwang na Bayes (naive
bayes classifier), at desisyong puno (decision tree). Ang pagganap ng mga taga-uri
ay kinumpara sa hanay ng iba't ibang mga gawain. Ang pagganap ng taga-uri ay
depende sa mga katangian ng data na uuriin. Walang iisang taga-uri na
pinakamahusay na gumagana sa lahat ng mga ibinigay na problema. Ito ay tinutukoy
din bilang teorema na "walang libreng tanghalian". Ang pagtukoy ng isang angkop
na taga-uri para sa isang naibigay na problema ay itinuturing pa ring isang sining
kesa agham.
Neural na network[baguhin | baguhin ang wikitext]
Ang pag-aaral ng mga artipisyal na neural network ay nagsimula sa dekada bago
ang sangay na pananaliksik sa AI ay itinatag, sa mga ginawa ni Walter
Pitts at Warren McCullough. Ang iba pang pang mahalagang mga naunang
mananaliksik ay sina Frank Rosenblatt, na nagimbento ng perceptron at Paul
Werbos na lumikha ng algoritmong backpropagation.
Ang mga pangunahing kategorya ng mga network ay asikliko (acyclic) o feedforward
na neural network (kung saan ang mga signal ay ipinapasa lamang sa isa
direksiyon) at pabalik-balik na neural network (na gumagamit ng feedback). Kabilang
sa mga pinaka-popular na feedforward network ang perceptron, ang pang
maramihang patong na perceptron at radyal na batayan network. Sa pabalik-balik na
network, ang pinaka-tanyag ay ang Hopfield net, ang isang anyo ng attractor
network, na unang inilarawan ni John Hopfield noong 1982. Ang neural network ay
maaaring ilapat sa problema ng intelihenteng kontrol (para sa robotika) o pagkatuto,
gamit ang teknikong pagkatutong Hebbian at kompetetibong pagkatuto.
Ang hierarkikal na temporal na memorya ay isang paraan na nagmomodelo ng ilan
sa mga istraktural at algoritmikong katangian ng neocortex.
Teorya ng kontrol[baguhin | baguhin ang wikitext]
Ang teoriya ng kontrol ay supling ng sibernetika at maraming mahahalagang
paglalapatan lalo na sa robotika.
Mga lengguwaheng pang intelehensiyang
artipisyal[baguhin | baguhin ang wikitext]
Ang mga mananaliksik ng AI ay lumikha ng ilang partikular na mga lengguwaheng
ginagamit sa AI kabilang ang LISP, Python, C++, Java, at Prolog.

Pilosopiya[baguhin | baguhin ang wikitext]

Ang pilosopiya ng intelehensiyang artipisyal sa pag-aangkin na magawang muling
malikha ang mga kakayahan ng isip ng tao ay parehong hamon at inspirasyon para
sa pilosopiya. May mga limitasyon ba sa kung gaanong katalino ang makina? Ang
intelihensiya ba ng tao at intelihensiya ng makina ay pareho? Ang makina ba ay
maaaring magkaroon ng isipan at kamalayan? Ang ilan sa mga pinaka-
maimpluwensiya (influential) na sagot sa mga tanong na ito ay ang sumusunod: Ang
magalang na konbensiyon ng siyentipiko ng kompyuter na si Alan Turing: "Hindi
natin kailangan pagpasyahan kung ang isang makina ay "makapag-iisip"; kailangan
lang nating pagpasyahan kung ang isang makina ay makapag-aasal na kasing talino
ng isang tao". Ang pakikitungong ito sa mga pilosopikal na problemang kaugnay ng
intelihensiyang artipisyal ang bumubuo ng basehan ng pagsubok na Turing na
iminungkahi sa papel na "Computing machinery and intelligence" (Mind, Oktubre
1950). Ang pagsubok na Turing ang naging batayan sa agham
pangkompyuter upang matukoy kung ang isang makina ay nagpapamalas ng
katalinuhan. Ayon sa pagsubok na Turing, ang isang makina ay maituturing na
matalino kung hindi matukoy ng isang taong nagtatanong dito kung ang kanyang
tinatanong ay isang makina o isang tao. Sa papel ding ito, iminungkahi ni Turing na
imbes gumawa ng mga programang gumagaya sa pag-iisip ng isang matandang tao,
mas mabuting gumawa ng mas simpleng makina na gumagaya sa isip ng isang bata
at ito'y isailalim sa pagkatuto. Ang Ang hipotesis na sistemang pisikal na simbolo
nina Newell at Simon: "Ang isang sistemang pisikal na simbolo ay may
kinakailangan at sapat na mga paraan ng pangkalahatang intelihenteng pag-aasal."
Nangatwiran sina Newell at Simon na ang mga intelihensiya ay binubuo ng mga
pormal na operasyon sa mga simbolo. Salungat na ikinatwiran ni Hubert Dreyfus na
ang kadulabhasaan ng tao ay nakabatay sa walang kamalayang kutob kesa sa
manipulasyon ng kamalayang simbolo at sa pagkakaroon ng "pakiramdam" para sa
sitwasyon kesa sa hayagang simbolikong kaalaman. Ayon sa teorema ng pagiging
hindi kompleto ni Gödel, "Ang isang sistemang pormal (gaya ng isang programa ng
kompyuter) ay hindi makapagpapatunay ng lahat ng mga totoong pangungusap".
Ang teorema ni Gödel ay inaangkin ng ilan na naglilimita sa kung ano ang
magagawa ng mga makina. Ang malakas na AI hipotesis ni John Searle: "Ang
angkop na pinogramang kompyuter na may mga tamang input at output ay sa
gayong paraan magkakaroon ng isipan sa eksaktong parehong kahulugan sa mga
tao". Kinontra ni John Searle ang asersiyong ito sa kanyang argumentong kwartong
Tsino na humihiling sa ating tumingin sa loob ng kompyuter at subukang hanapin
kung saan ang "isipan" ay maaari. Ang argumentong artipisyal na utak: "Ang utak ay
magagaya". Sina Hans Moravec, Ray Kurzweill at iba pa ay nangatwirang
teknolohikal na magagawang kopyahin ng direkta ang utak sa hardwer at sopwer at
ang gayong simulasyon ay likas na katulad ng sa orihinal.
Nilinaw umano ng guro na bagaman "dumapo" ang kamay niya sa mukha ng
nasawing 14-anyos na grade 5 pupil, hindi naman daw ito malakas, ayon sa Antipolo
police.

Sa panayam nitong Martes ng GTV "Balita Ko," sinabi ni Police Executive Master
Sergeant Divina Rafael, hepe ng Antipolo City Police Women's and Children's Desk,
na nakausap niya ang inaakusahang guro na nanampal sa biktimang si Francis Jay
Gumikib.

Pumanaw nitong Lunes si Francis sa ospital, 11 araw matapos siyang isugod doon
makaraang dumaing ng pagkahilo.

Ayon sa ospital, nagkaroon ng pagdurugo sa utak ng biktima.

Hinihinala ng pamilya na may kaugnayan ito sa ginawang pagsampal umano ng guro

kay Francis na nangyari noong September 20.

Dinala sa ospital ang bata noong September 26, at kinalaunan ay binawian ng buhay.

Ayon kay Rafael, nagtungo siya sa eskuwelahan nitong Lunes, at nasa kustodiya
umano ng principal ang guro kung saan nakausap niya ito.

"Paliwanag po niya although yung kamay niya ay dumapo sa mukha ng bata, ang sabi
niya po hindi naman daw po malakas yung pangyayari," kuwento ni Rafael.

Sinabi ng opisyal na hihintayin nila ang opisyal na resulta sa isasagawang awtopsiya

sa bangkay ng biktima upang malaman ang tunay na dahilan ng pagkamatay nito.

Posible umanong maharap ang guro sa reklamong homicide at paglabag sa Republic

Act 7610, o Anti-child abuse law.

Ayon kay Rafael, desidido ang mga magulang ng biktima na magsampa ng reklamo
laban sa guro.
Sa hiwalay na ulat ng Super Radyo dzBB, sinabi naman umano ng principal ng
paaralan na itinanggi rin ng guro na sinampal niya ang biktima at sa halip ay "tinapik"
lang umano nito ang pisngi ng bata.

Bumuo naman ng fact-finding investigation team ang Department of Education-

Antipolo, para alamin ang pangyayari.

Sa isang pahayag, nagpa-abot ng pakikiramay ang DepEd- Antipolo sa nauling

pamilya ni Francis na grade 5 student mula sa Peñafrancia Elementary School.

“As the Disciplining Authority, the Office of the Regional Director has issued an
Order designating a Fact-Finding Investigation Team and directing the committee to
conduct immediate, cautious, and comprehensive fact-finding investigation in
recognition of the right of both parties to be heard as part of due process,” ayon sa
inilabas nitong pahayag.

“We are saddened by the death of our dear learner and we express our deepest
condolences and prayers to the bereaved family. Rest assured that the Department
recognizes the best interests of our learners as primordial consideration,” dagdag nito.
--FRJ, GMA Integrated News
Slapped’ student died of brain
swelling, but expert says abuse
may be ruled out as cause of death
Cristina Chi - Philstar.com
October 5, 2023 | 12:40pm

5
Parents accompany their children to Peñafrancia Elementary School in Antipolo on Tuesday.
Department of Education (DepEd) officials visited the said school for investigation following the
death of a Grade 5 student days after he was reportedly slapped by his teacher.

Michael Varcas / The Philippine STAR

MANILA, Philippines — A Grade 5 student who was slapped by his teacher

died from the swelling of his brain, according to his death certificate, but a
forensic expert says an autopsy is still needed to confirm if the teacher’s
slap caused the brain condition.

Released Wednesday by the Amang Rodriguez Memorial Medical Center,

the death certificate of 14-year-old Francis Jay Gumikib shows he died of
global brain edema, according to a News5 Frontline Pilipinas report.
The death certificate also stated that “suspected presumptive pulmonary
tuberculosis” and “child physical abuse” were significant contributing
conditions to Gumikib’s demise.

But further review is still needed to determine if the teacher’s slap led to the
student’s death as his symptoms are also “consistent with infection from
inflammation of the brain,” forensic expert Raquel Fortun said in an
interview with CNN Philippines.

Fortun pointed out that the death certificate did not contain an important
detail — the actual cause of the brain hemorrhage under "underlying cause
of death.”

The "manner of death" section was also left blank, which usually implies a
natural or disease-related cause, Fortun explained.

Even the CT scan conducted during the student’s hospitalization that

showed images of a brain hemmorhage should also be reviewed, Fortun
said.

"How can you tell that was hemorrhage? We should conduct an autopsy
because in an autopsy, you get a three-dimensional examination. It's not
just imaging," Fortun said in a mix of English and Filipino.

Given that the student experienced ear pain, Fortun said that
meningoencephalitis — a rare and life-threatening condition where one has
meningitis and encephalitis at the same time — remains a possibility.

“What struck me is, initially, there was ear pain. It's speculative, but it's
common for ear infections to spread to the brain,” the forensic expert said.
With the death certificate also pointing to “presumptive pulmonary
tuberculosis,” Fortun said that this could also mean that the child may have
had tuberculous meningoencephalitis.

“How did they consider TB? What did the X-ray show?” Fortun said.

“There are many questions,” Fortun added.

Gumikib’s parents have insisted that their child did not have any health
condition prior to his death.

‘Slapped’ during a test

Gumikib's mother, Elena Minggoy said in an interview with Radyo 630 on
Tuesday that her son complained of maltreatment from his teacher after
coming home from school on September 20.

Based on the account of her son, the 14-year-old was reportedly slapped
by his teacher after being scolded for the noise being made by his
classmates during a test.

The Peñafrancia Spring Valley Elementary School teacher had allegedly

pulled on his collar, pulled his hair and slapped him.

“My son told me that after he was slapped, he temporarily went deaf from
the slap,” Minggoy said in Filipino.

Gumikib was hospitalized three days later and fell into a coma. He died on
Monday.

Antipolo City Mayor Jun Ynares said that "there were lapses in the school's
protocols” after it took two weeks for the school to report the incident to the
Department of Education Division of Antipolo and the city's police force,
according to his interview with “One Balita Pilipinas” on One PH on
Wednesday.

The teacher is now on "official leave" as the Antipolo Schools Division

Office conducts an investigation into the incident, according to DepEd
Assistant Secretary Francis Cesar Bringas.

Gumikib's body was brought to Camp Crame in Quezon City on

Wednesday for an autopsy.

DepEd has implemented a zero-tolerance policy for all acts of child abuse,
exploitation, violence, discrimination bullying and other forms of abuse
since 2012.
Specifically, DepEd Order No. 40 or the Child Protection Policy forbids
teachers from using corporal punishment to discipline a student, which
refers to any disciplinary act involving "physical, humiliating, or degrading
punishment."