Skip to main content

Ikasketa
adimenduna

Arlo hau sistemak, algoritmoak eta ereduak ikertzera eta garatzera bideratuta dago, programazio espliziturik behar ez duten datuetan oinarrituta ordenagailuei ikasteko eta erabakiak hartzeko aukera emanez.

Ikuspuntu horren adibide argi bat, egun, adimen artifizialeko arloko hainbat aplikazio industrialen eta komertzialen oinarri den ikasketa sakona da.

Epe ertain eta luze batera, arlo honetako ikerketa-helburuetako bat, lehendik dauden algoritmoak hobetzeaz gain, aurrerapen disruptiboak izango diren algoritmo berriak sortzea ere bada, eta hori paradigma-aldaketa bat da, edo bioteknologia, medikuntza pertsonalizatua edo antzeko arlo konplexuetan bereziki erronkei aurre egiteko beharra.

AA azalgarria

AA sistema bat azalgarria izatea funtsezkoa da sistema horren gardentasuna eta fidagarritasuna areagotzeko.

Arlo honen ikerketak mediku-arreta bezalako aplikazioetan AA sistemek erabakiak nola hartzen dituzten ulertzeko eta erabiltzaileei azalpen ulergarriak emateko balioko du.

Neurozientzia
konputazionala

Neurozientzia konputazionalak eredu matematikoak eta konputazionalak erabiltzen ditu sistema nerbiosoaren garapena eta funtzionamendua ulertzeko.

Lan-arlo hori erabakigarria da garunaren printzipioak ulertu eta AAren arazo konplexuei ekiteko, hala nola ordenagailu bidezko ikusmena eta lengoaia naturalaren prozesamendua.

AA sistema
dinamikoetan

AA sistema dinamikoak hainbat modutan modelatzeko erabil daiteke, besteak beste, ekuazio diferentzialak ebazteko edo sistema konplexuak azaltzeko lengoaia automatikoa erabiltzeko.

Modelatzeko gaitasun hori ezinbestekoa da aplikazio sorta zabaleko sistema fisikoen ikerketan, diseinuan eta kontrolean, non AAn oinarritutako kontrolatzaileek sistemaren sarrerak etengabe egokitzen dituzten nahi den portaera lortzeko. Ikuspuntu hori oso erabilgarria da industria-prozesuen kontrolean, ibilgailu autonomoetan eta robotikan.

Reinforcement
Learning

Errefortzu bidezko ikasketa funtsezkoa da makinek erabaki autonomoak hartzeko eta ingurunearekin elkarreraginez ikasteko.

Robotikan, jokoetan, ibilbideen optimizazioan eta erabaki sekuentzialak hartu behar diren eta etengabe aldatzen den egoeretara egokitu behar den beste arlo batzuetan aplika daitezke.

AA modu anitza

AA modu anitza hainbat iturritako datuak, adibidez, testua, irudia eta ahotsa, ulertzera eta konbinatzera bideratzen da, modu osoago eta aberatsago batean ulertzeko.

Ikuspuntu horrek informazioaren ulermena hobe dezake hainbat informazio mota aplikatzea eskatzen denean, adibidez, iruzurrak hautemateko, itzulpen automatikoetan eta bezeroaren arreta-zerbitzuan.