...Svítí slunce a je v místnosti víc než 24°C? Stahni žaluzie na 50%.
Fouká vítr? Vytáhni žaluzie.
Není v budově pohyb a je po 17:00? Sniž teplotu...
To čo popisujete skutočne nie je umelá inteligencia, nie je to však ani hranica toho, čo je možné naprogramovať. Princípy umelej inteligencie príliš zjednodušujete, čím dostávate "neinteligentné" riešenia. Vidím pre to dva možné dôvody:
Buď nepoznáte princípy a algoritmy, ktoré sa označujú ako umelá inteligencia a to, čo je s nimi možné dosiahnuť - to vám nikto nemôže mať za zlé, ste odborník vo svojom obore a nemôžete poznať všetko - alebo tieto princípy poznáte a v tom prípade s vami nesúhlasím.
Aby som ozrejmil, čo považujem za umelú inteligenciu - sú to algoritmy, ktoré nie sú sekvenciou príkazov typu "ak je zima, zapni kúrenie, ak je teplo vypni kúrenie", ale algoritmy schopné napr. riešiť optimalizačné úlohy (nájsť riešenie ktoré je najvhodnejšie pre danú situáciu), plánovať (podľa daných podmienok zostaviť plán, ktorý bude optimálny), učiť sa (pomocou opakovaného riešenia úlohy pozmeňovať rozhodovací algoritmus tak, aby prinášal lepšie výsledky)...
Ak si myslíte, že takéto programy sú utópia, uvediem príklad
neurónových sietí - je to simulácia / výpočet, ktorý pomocou vzájomne prepojených výpočtových jednotiek (napr. podprogramov, nemyslí sa samostatná fyzická entita ako procesor alebo počítač) dokáže riešiť zložité úlohy a má schopnosť učiť sa.
Programátor neurónovej siete túto sieť zostaví (určí matematickú funkciu, ktorá bude predstavovať jeden neurón) a prepojenia v tejto sieti (často mriežkové alebo
náhodné). V tejto fáze nie je program špecializovaný na žiadnu konkrétnu úlohu, je univerzálny.
Následne programátor definuje vstupy a výstupy z neurónovej siete. V tejto fáze je program pripravený na zúžený počet úloh, obmedzený práve použitými vstupmi a výstupmi.
Nakoniec programátor neurónovú sieť naučí požadovanú funkciu - pomocou príkladov správnych vstupov a výstupov. Učenie prebieha tak, že v každom neuróne sa upravuje hodnota pamäťovej bunky tak, aby daný vstup dával požadovaný výstup. Neexistuje len jedno "správne" riešenie, ale dokonca sa často pridáva prvok náhodnosti - šum. Po natrénovaní siete je táto pripravená plniť danú úlohu, ale tu jej možnosti nekončia, učenie môže prebiehať počas celej životnosti programu a prispôsobovať sa novým potrebám.
(Toto bolo veľmi zjednodušené vysvetlenie, existujú rôzne varianty funkcie a učenia neur. siete, napríklad aj také kde nie je známy správny výsledok, ale len ohodnotenie, ktorý výsledok je "lepší" a podobne.)
Stále vám to pripadá na úrovni cvičenej opice?