Sistem yang Diaktifkan Tinjauan Sistematis dari Interaksi Pengguna Penelitian IS dengan Sistem yang diaktifkan AI

Peningkatan kinerja kemampuan teknologi di bidang artificial kecerdasan (AI), termasuk visi komputer dan pemrosesan bahasa alami, membuatnya mungkin untuk meningkatkan yang sudah ada dan untuk mengembangkan jenis sistem informasi baru. ke sistem seperti sistem yang mendukung AI.Interaksi pengguna dengan sistem ini merupakantopik penting untuk penelitian sisteminformasi (SI) karena mereka seharusnyamembawatentang perubahan substansial bagi individu, organisasi, danmasyarakat. Sistem berkemampuan AI AI adalah disiplin penelitian yang mencakup aspek filsafat, matematika, ekonomi, ilmu saraf, psikologi, teknik komputer, sibernetika, dan linguistik (Russell dan Norvig 2010). Diantara itu yang mempelopori penelitian AI adalah Alan Turing (1950). Turing memperkenalkan pertanyaan apakah mesin bisa berpikir dan mengusulkan skenario untuk menguji pertanyaan ini, yang secara luas dikenal sebagai tes Turing. AI awal penelitian sebagian besar ditentukan untuk membangun kecerdasan seperti manusia secara umum, juga disebut sebagai AI yang kuat (Kurzweil 2005). Pendekatan dominan untuk membangun AI yang kuat adalah penalaran simbolis. Itu Ide dasar dari penalaran simbolik adalah bahwa para ahli manusia dapat mengkodekan pengetahuan menggunakan simbol dan itu sistem dapat memecahkan masalah dengan membuat kesimpulan berbasis aturan atas dasar pengetahuan itu. Sedangkan yang pertama langkah menuju AI yang kuat, seperti pemecah masalah umum oleh Newell dan Simon (1963), menunjukkan janji, kemajuan segera terhenti, dan masih belum pasti apakah dan kapan AI yang kuat dapat direalisasikan. Karena kurangnya kemajuan dalam meniru kecerdasan manusia, peneliti AI beralih ke pemecahan yang lebih spesifik masalah. Hal ini menyebabkan pengembangan system pakar (atau berbasis pengetahuan), yang menggunakan simbolik penalaran untuk memberikan dukungan keputusan dalam bidang keahlian yang ditentukan secara khusus (Davern et al. 2012). Lain pendekatan peneliti AI untuk memecahkan masalah yang didefinisikan secara sempit adalah pembelajaran mesin, yang Mitchell (1997, p. 2) mendefinisikan sebagai berikut: “Sebuah program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa kelas tugas T dan ukuran kinerja P, jika kinerjanya pada tugas di T, yang diukur dengan P, meningkat dengan mengalami E.” Pembelajaran mesin terdiri dari kelas algoritme dan metode statistik yang luas. Initeknik dapat dikategorikan sesuai dengan fungsi yang digunakan untuk mewakili pengetahuanyang diperoleh (mis.pohon keputusan, jaringan Bayesian, atau jaringan saraf tiruan), yang bervariasi dengan tugas sistem seharusnya tampil (Carbonell et al. 1983; Russell dan Norvig 2010). Teknik pembelajaran mesinlebih lanjut berbeda dalam strategi pembelajaran yang mendasarinya (yaitu cara program memperoleh pengalaman). Terkini kemajuan dalam pembelajaran mesin telah memungkinkan peningkatan yang cukup besar di berbagai bidang penelitian AI, seperti pengenalan suara atau visi komputer (LeCun et al. 2015)