Člověk a jeho schopnosti řešení problémů jsou pro nás etalonem, kterého se snažíme dosáhnout. Za nedokonalý test inteligentních strojů můžeme považovat Turingův test. Budoucnost UI může být velmi zajímavá a může vést až k humanoidním (majícím znaky člověka) robotům, ale současnost je mnohem střízlivější. Stroje se nyní na základě svých nedokonalých senzorů s obtížemi učí chodit a udržet rovnováhu. Praktická aplikace UI je úspěšná v několika dílčích oblastech lidského konání. My se v tomto předmětu seznámíme s návrhem efektivních algoritmů v řešících úlohy v následujících oblastech:

Algoritmy pro prohledávání stavového prostoruhledají „inteligentně“ v prostoru daných stavů úlohy a ty prověřovat s ohledem na nalezení možného řešení. Typickou oblast představují ty problémy, kde lze snadno algoritmicky generovat jednotlivé možné stavy úlohy. Úlohu řešitelnou těmito algoritmy mohou představovat například šachy a další hry. Ale uplatňují se i v jiných oblastech UI, jako například dílčí algoritmy v expertních systémech.

Expertní systémy jsou představovány počítačovým programem, který má za úkol nahradit rozhodování lidského experta, poskytovat rady a doporučovat v konkrétních úlohách expertní postupy. Typickou úlohu může v jednodušší variantě představovat řízení nějakého stroje na základě vnějších vstupů, v komplikovanějším případě například pomocník v lékařské diagnostice. Řada expertních systémů je založena na databázi pravidel, na základě kterých expertní systém z dostupných informací (faktů) usuzuje.

Umělé neuronové sítě jsou reprezentovány řadou modelů, kde typické je pro ně, že jsou podobně jako lidský mozek složeny z velkého počtu propojených, komunikujících a relativně primitivních výpočetních jednotek, neuronů. Tyto jednotky mohou být uspořádány a propojeny v různých topologiích, vždy s ohledem na konkrétní úlohu. Nejčastěji používané jsou dopředné neuronové sítě – Perceptrony. Jejich použití v praxi je velmi univerzální s ohledem na to, že se dokáží učit pouze z předkládaných příkladů a nepožadují žádnou další informaci o řešeném problému.

Genetické algoritmy nalezly svoji inspiraci rovněž v biologii - genetice a evoluční teorii. Reprezentují třídu algoritmů, kde je počáteční řešení, respektive jejich skupina, představována jedincem, respektive jejich populací. Z této populace jsou následně vybrána řešení nejlepší, která jsou dále rozmnožena. Jedinci nové, lepší populace jsou prověřeni, zda nejsou hledaným řešením, případně jsou opět vybráni nejlepší z nich. Populace se tedy postupně vyvíjí ke svému optimu. Přesto, že se jedná spíše o obecný přístup k řešení problémů, než o samostatnou oblast, jsou genetické algoritmy do UI zahrnovány.

vytvořil Institut biostatistiky a analýz Lékařské fakulty Masarykovy univerzity