Ce este inteligența artificială

Inteligența artificială (A.I./I.A.) desemnează sisteme care efectuează sarcini asociate, în mod obișnuit, cu raționamentul, percepția, învățarea sau folosirea limbajului. Nu este o singură tehnologie. Sub aceeași denumire intră metode cu scopuri, date și cerințe de calcul foarte diferite.

Unele sisteme învață o regulă de decizie dintr-un set de date. Altele caută următoarea mutare într-un joc, interpretează imagini ori generează și prelucrează text. Un sistem real poate combina mai multe dintre aceste metode.

O familie de abordări, nu o ierarhie

Formele A.I./I.A. nu se așază pe o scară simplă, de la „mic” la „puternic”. Un model compact, specializat, poate fi alegerea potrivită pentru o sarcină bine definită. Un model lingvistic de scară largă poate acoperi sarcini variate în limbaj, dar are alte costuri și alte moduri de a greși.

Diferențele importante sunt date de întrebarea rezolvată, de datele disponibile, de nivelul de precizie necesar și de felul în care rezultatul este verificat.

Învățarea automată și știința datelor

Învățarea automată (machine learning) construiește modele care găsesc tipare în date. În știința datelor (data science), astfel de modele pot susține clasificarea, estimarea, detectarea anomaliilor sau prognoza.

De exemplu, un model poate estima cererea pentru un produs din vânzările anterioare, poate separa mesajele nedorite de cele obișnuite sau poate semnala o tranzacție neobișnuită. Pentru multe asemenea sarcini nu este necesar un model foarte mare. Un model compact, antrenat pe date relevante și evaluat corect, poate fi rapid, ieftin și ușor de integrat într-un proces existent.

Dimensiunea nu garantează calitatea. Un model trebuie testat pe date care reprezintă situațiile în care va fi folosit, iar rezultatele trebuie urmărite după punerea în funcțiune, deoarece datele se pot schimba în timp.

A.I./I.A. în jocuri

Jocurile au fost un domeniu important pentru A.I./I.A., deoarece definesc clar stări, acțiuni, reguli și obiective. Un adversar controlat de calculator poate folosi reguli scrise de dezvoltatori, căutare printre mutările posibile, planificare de traseu sau învățare prin întărire (reinforcement learning).

În jocurile de strategie, căutarea poate compara consecințele mai multor mutări. În jocurile cu lumi virtuale, planificarea de traseu poate găsi o rută pentru un personaj. Învățarea prin întărire permite unui agent să își îmbunătățească deciziile prin recompense primite în timpul interacțiunii cu mediul.

Aceste tehnici nu au nevoie, în mod obligatoriu, de limbaj natural. Ele rezolvă o problemă de decizie într-un mediu cu reguli, uneori mult mai precis decât ar fi necesar pentru o conversație.

Modele lingvistice de scară largă

Un model lingvistic de scară largă (large language model, LLM) este antrenat să prelucreze și să genereze secvențe de tokenuri. Prin această capacitate, un LLM poate rezuma texte, extrage informații, redacta cod, răspunde la întrebări sau transforma instrucțiuni formulate în limbaj natural.

Un LLM nu devine însă automat o sursă sigură de informații și nici nu cunoaște direct situația curentă. Poate produce răspunsuri plauzibile, dar greșite. Pentru sarcini în care exactitatea contează, răspunsul poate fi legat de documente verificate, de baze de date sau de unelte specializate, iar rezultatul trebuie evaluat.

Sisteme agentice

Un sistem agentic (agentic system) construiește în jurul unui model, adesea al unui LLM, un proces care poate parcurge mai multe etape ale unei sarcini. Sistemul poate descompune cererea, poate alege o unealtă, poate interpreta rezultatul acelei unelte și poate decide următorul pas.

De pildă, pentru o cerere de analiză, un sistem agentic poate căuta documentele relevante, poate interoga o bază de date, poate rula un program și poate reuni rezultatele într-un răspuns. Orchestrarea stabilește ordinea pașilor, datele care trec între ei, condițiile de oprire și verificările necesare. Nu înseamnă că sistemul se gestionează singur fără limite: permisiunile, costurile, erorile uneltelor și criteriile de validare trebuie definite explicit.

Capacitatea de a duce o sarcină de la cerere la rezultat vine, astfel, din combinația dintre model, unelte, memorie, reguli de control și evaluare, nu numai din mărimea modelului.

Cum se aleg metodele

Alegerea pornește de la problemă, nu de la popularitatea unei tehnologii. O regulă simplă sau un model compact poate fi suficient pentru o decizie repetitivă și măsurabilă. O metodă de căutare poate fi mai potrivită pentru un joc. Un LLM poate ajuta când intrarea și ieșirea sunt în limbaj natural, iar un sistem agentic devine util când sarcina are mai mulți pași și cere folosirea unor unelte.

În toate cazurile, rămân esențiale calitatea datelor, evaluarea pe exemple relevante, măsurile de siguranță și posibilitatea de a verifica rezultatul.