ಬುದ್ಧಿವಂತ ಜೀವಿಗಳೊಂದಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಸಂಬಂಧಿಸಿದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಡಿಜಿಟಲ್ ಕಂಪ್ಯೂಟರ್ ಅಥವಾ ಕಂಪ್ಯೂಟರ್-ನಿಯಂತ್ರಿತ ರೋಬೋಟ್‌ನ ಸಾಮರ್ಥ್ಯ. ಮಾನವರ ವಿಶಿಷ್ಟವಾದ ಬೌದ್ಧಿಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಹೊಂದಿರುವ ಅಭಿವೃದ್ಧಿಶೀಲ ವ್ಯವಸ್ಥೆಗಳ ಯೋಜನೆಗೆ ಈ ಪದವನ್ನು ಆಗಾಗ್ಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ತಾರ್ಕಿಕ ಸಾಮರ್ಥ್ಯ, ಅರ್ಥವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು, ಸಾಮಾನ್ಯೀಕರಿಸುವುದು ಅಥವಾ ಹಿಂದಿನ ಅನುಭವದಿಂದ ಕಲಿಯುವ ಸಾಮರ್ಥ್ಯ. 1940 ರ ದಶಕದಲ್ಲಿ ಡಿಜಿಟಲ್ ಕಂಪ್ಯೂಟರ್‌ನ ಅಭಿವೃದ್ಧಿಯ ನಂತರ, ಕಂಪ್ಯೂಟರ್‌ಗಳು ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಕಾರ್ಯಗಳನ್ನು-ಉದಾಹರಣೆಗೆ, ಗಣಿತದ ಪ್ರಮೇಯಗಳಿಗೆ ಪುರಾವೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಅಥವಾ ಚೆಸ್ ಆಡುವುದು-ಅತ್ಯುತ್ತಮ ಪ್ರಾವೀಣ್ಯತೆಯೊಂದಿಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಬಹುದು ಎಂದು ನಿರೂಪಿಸಲಾಗಿದೆ.

ಇನ್ನೂ, ಕಂಪ್ಯೂಟರ್ ಸಂಸ್ಕರಣೆಯ ವೇಗ ಮತ್ತು ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ಮುಂದುವರಿದ ಪ್ರಗತಿಗಳ ಹೊರತಾಗಿಯೂ, ವ್ಯಾಪಕ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಅಥವಾ ಹೆಚ್ಚು ದೈನಂದಿನ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಮಾನವ ನಮ್ಯತೆಯನ್ನು ಹೊಂದಿಸುವ ಯಾವುದೇ ಪ್ರೋಗ್ರಾಂಗಳು ಇನ್ನೂ ಇಲ್ಲ. ಮತ್ತೊಂದೆಡೆ, ಕೆಲವು ಕಾರ್ಯಕ್ರಮಗಳು ಕೆಲವು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಮಾನವ ತಜ್ಞರು ಮತ್ತು ವೃತ್ತಿಪರರ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಟ್ಟವನ್ನು ಸಾಧಿಸಿವೆ, ಆದ್ದರಿಂದ ಈ ಸೀಮಿತ ಅರ್ಥದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯ, ಕಂಪ್ಯೂಟರ್ ಸರ್ಚ್ ಇಂಜಿನ್‌ಗಳು ಮತ್ತು ಧ್ವನಿ ಅಥವಾ ಕೈಬರಹದ ಗುರುತಿಸುವಿಕೆಯಂತಹ ವೈವಿಧ್ಯಮಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. .

ಬುದ್ಧಿವಂತಿಕೆ ಎಂದರೇನು?
ಸರಳವಾದ ಮಾನವ ನಡವಳಿಕೆಯನ್ನು ಹೊರತುಪಡಿಸಿ ಎಲ್ಲವನ್ನೂ ಬುದ್ಧಿವಂತಿಕೆಗೆ ಆರೋಪಿಸಲಾಗಿದೆ, ಆದರೆ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಕೀಟ ನಡವಳಿಕೆಯನ್ನು ಎಂದಿಗೂ ಬುದ್ಧಿವಂತಿಕೆಯ ಸೂಚನೆಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ. ವ್ಯತ್ಯಾಸವೇನು? ಡಿಗ್ಗರ್ ಕಣಜದ(ಕಡಿಜೀರಿಗೆ ಹುಳು) ನಡವಳಿಕೆಯನ್ನು ಪರಿಗಣಿಸಿ. ಹೆಣ್ಣು ಕಣಜವು(wasp) ಆಹಾರದೊಂದಿಗೆ ತನ್ನ ಬಿಲಕ್ಕೆ ಹಿಂತಿರುಗಿದಾಗ, ಅವಳು ಮೊದಲು ಅದನ್ನು ಹೊಸ್ತಿಲಲ್ಲಿ ಇಡುತ್ತಾಳೆ, ತನ್ನ ಬಿಲದೊಳಗೆ ಒಳನುಗ್ಗುವವರನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾಳೆ ಮತ್ತು ನಂತರ ಮಾತ್ರ, ಯಾರೂ ಇರದಿದ್ದರೇ ಮಾತ್ರ, ತನ್ನ ಆಹಾರವನ್ನು ಒಳಗೆ ಒಯ್ಯುತ್ತದೆ. ಕಣಜದ ಸಹಜ ನಡವಳಿಕೆಯ ನೈಜ ಸ್ವರೂಪವು ಆಹಾರವು ತನ್ನ ಬಿಲದ ಪ್ರವೇಶದ್ವಾರದಿಂದ ಕೆಲವು ಇಂಚುಗಳಷ್ಟು ದೂರಕ್ಕೆ ಸರಿಸಿದರೆ ಬಹಿರಂಗಗೊಳ್ಳುತ್ತದೆ: ಹೊರಹೊಮ್ಮಿದ ನಂತರ, ಆಹಾರವು ಸ್ಥಳಾಂತರಗೊಂಡಂತೆ ಅವಳು ಇಡೀ ವಿಧಾನವನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತಾಳೆ. ಸ್ಪೆಕ್ಸ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ ಗುಪ್ತಚರ-ಸ್ಪಷ್ಟವಾಗಿ ಇಲ್ಲದಿರುವುದು-ಹೊಸ ಸಂದರ್ಭಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಒಳಗೊಂಡಿರಬೇಕು.

ಮನೋವಿಜ್ಞಾನಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕೇವಲ ಒಂದು ಲಕ್ಷಣದಿಂದ ನಿರೂಪಿಸುವುದಿಲ್ಲ ಆದರೆ ಅನೇಕ ವೈವಿಧ್ಯಮಯ ಸಾಮರ್ಥ್ಯಗಳ ಸಂಯೋಜನೆಯಿಂದ ನಿರೂಪಿಸುತ್ತಾರೆ. AI ನಲ್ಲಿನ ಸಂಶೋಧನೆಯು ಮುಖ್ಯವಾಗಿ ಬುದ್ಧಿಮತ್ತೆಯ ಕೆಳಗಿನ ಅಂಶಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ: ಕಲಿಕೆ, ತಾರ್ಕಿಕತೆ, ಸಮಸ್ಯೆ ಪರಿಹಾರ, ಗ್ರಹಿಕೆ.

ಕಲಿಕೆ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಅನ್ವಯಿಸಿದಂತೆ ಹಲವಾರು ವಿಭಿನ್ನ ರೀತಿಯ ಕಲಿಕೆಗಳಿವೆ. ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದಿಂದ ಕಲಿಯುವುದು ಸರಳವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಮೇಟ್-ಇನ್-ಒನ್ ಚೆಸ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸರಳವಾದ ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂ ಸಂಗಾತಿಯನ್ನು ಕಂಡುಹಿಡಿಯುವವರೆಗೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಚಲಿಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು. ಪ್ರೋಗ್ರಾಂ ನಂತರ ಪರಿಹಾರವನ್ನು ಸ್ಥಾನದೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಬಹುದು ಆದ್ದರಿಂದ ಮುಂದಿನ ಬಾರಿ ಕಂಪ್ಯೂಟರ್ ಅದೇ ಸ್ಥಾನವನ್ನು ಎದುರಿಸಿದಾಗ ಅದು ಪರಿಹಾರವನ್ನು ಮರುಪಡೆಯುತ್ತದೆ. ವೈಯಕ್ತಿಕ ಐಟಂಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳ ಈ ಸರಳ ಕಂಠಪಾಠ-ರೋಟ್ ಲರ್ನಿಂಗ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ-ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು ತುಲನಾತ್ಮಕವಾಗಿ ಸುಲಭವಾಗಿದೆ. ಸಾಮಾನ್ಯೀಕರಣ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸಮಸ್ಯೆಯು ಹೆಚ್ಚು ಸವಾಲಾಗಿದೆ. ಸಾಮಾನ್ಯೀಕರಣವು ಹಿಂದಿನ ಅನುಭವವನ್ನು ಸದೃಶವಾದ ಹೊಸ ಸನ್ನಿವೇಶಗಳಿಗೆ ಅನ್ವಯಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನಿಯಮಿತ ಇಂಗ್ಲಿಷ್ ಕ್ರಿಯಾಪದಗಳ ಹಿಂದಿನ ಉದ್ವಿಗ್ನತೆಯನ್ನು ರೋಟ್ ಮೂಲಕ ಕಲಿಯುವ ಪ್ರೋಗ್ರಾಂ ಜಂಪ್‌ನಂತಹ ಪದದ ಹಿಂದಿನ ಉದ್ವಿಗ್ನತೆಯನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ, ಆದರೆ ಅದನ್ನು ಮೊದಲು ಜಂಪ್ಡ್‌ನೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸದಿದ್ದರೆ, ಸಾಮಾನ್ಯೀಕರಿಸಲು ಸಾಧ್ಯವಾಗುವ ಪ್ರೋಗ್ರಾಂ ಕಲಿಯಬಹುದು. “ಆಡ್ ಎಡ್” ನಿಯಮ ಮತ್ತು ಅದೇ ರೀತಿಯ ಕ್ರಿಯಾಪದಗಳೊಂದಿಗೆ ಅನುಭವದ ಆಧಾರದ ಮೇಲೆ ಜಂಪ್ನ ಹಿಂದಿನ ಉದ್ವಿಗ್ನತೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ.

ತಾರ್ಕಿಕತೆ

ಕಾರಣವೆಂದರೆ ಪರಿಸ್ಥಿತಿಗೆ ಸೂಕ್ತವಾದ ತೀರ್ಮಾನಗಳನ್ನು ಸೆಳೆಯುವುದು. ತೀರ್ಮಾನಗಳನ್ನು ಅನುಮಾನಾತ್ಮಕ ಅಥವಾ ಅನುಗಮನ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗಿದೆ. ಮೊದಲಿನ ಉದಾಹರಣೆಯೆಂದರೆ, “ಫ್ರೆಡ್ ವಸ್ತುಸಂಗ್ರಹಾಲಯ ಅಥವಾ ಕೆಫೆಯಲ್ಲಿರಬೇಕು. ಅವನು ಕೆಫೆಯಲ್ಲಿ ಇಲ್ಲ; ಆದ್ದರಿಂದ ಅವರು ಮ್ಯೂಸಿಯಂನಲ್ಲಿದ್ದಾರೆ, ಮತ್ತು ಎರಡನೆಯದು, “ಈ ರೀತಿಯ ಹಿಂದಿನ ಅಪಘಾತಗಳು ಉಪಕರಣದ ವೈಫಲ್ಯದಿಂದ ಉಂಟಾದವು; ಆದ್ದರಿಂದ ಉಪಕರಣದ ವೈಫಲ್ಯದಿಂದ ಈ ಅಪಘಾತ ಸಂಭವಿಸಿದೆ. ಈ ರೀತಿಯ ತಾರ್ಕಿಕ ಪ್ರಕಾರಗಳ ನಡುವಿನ ಅತ್ಯಂತ ಮಹತ್ವದ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಅನುಮಾನಾತ್ಮಕ ಪ್ರಕರಣದಲ್ಲಿ ಆವರಣದ ಸತ್ಯವು ತೀರ್ಮಾನದ ಸತ್ಯವನ್ನು ಖಾತರಿಪಡಿಸುತ್ತದೆ, ಆದರೆ ಅನುಗಮನದ ಸಂದರ್ಭದಲ್ಲಿ ಪ್ರಮೇಯದ ಸತ್ಯವು ಸಂಪೂರ್ಣ ಭರವಸೆ ನೀಡದೆ ತೀರ್ಮಾನಕ್ಕೆ ಬೆಂಬಲವನ್ನು ನೀಡುತ್ತದೆ. ವಿಜ್ಞಾನದಲ್ಲಿ ಅನುಗಮನದ ತಾರ್ಕಿಕತೆಯು ಸಾಮಾನ್ಯವಾಗಿದೆ, ಅಲ್ಲಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯದ ನಡವಳಿಕೆಯನ್ನು ವಿವರಿಸಲು ಮತ್ತು ಊಹಿಸಲು ತಾತ್ಕಾಲಿಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತದೆ – ಅಸಂಗತ ಡೇಟಾದ ನೋಟವು ಮಾದರಿಯನ್ನು ಪರಿಷ್ಕರಿಸಲು ಒತ್ತಾಯಿಸುವವರೆಗೆ. ಲೆಕ್ಕಪರಿಶೋಧಕ ತಾರ್ಕಿಕತೆಯು ಗಣಿತ ಮತ್ತು ತರ್ಕಶಾಸ್ತ್ರದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿದೆ, ಅಲ್ಲಿ ನಿರಾಕರಿಸಲಾಗದ ಪ್ರಮೇಯಗಳ ವಿಸ್ತಾರವಾದ ರಚನೆಗಳನ್ನು ಮೂಲಭೂತ ಮೂಲತತ್ವಗಳು ಮತ್ತು ನಿಯಮಗಳ ಸಣ್ಣ ಗುಂಪಿನಿಂದ ನಿರ್ಮಿಸಲಾಗಿದೆ.

ಗಣಕಯಂತ್ರಗಳನ್ನು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾಡುವುದರ ಮೂಲಕ ನಿರ್ಣಯಗಳನ್ನು, ವಿಶೇಷವಾಗಿ ಅನುಮಾನಾತ್ಮಕ ತೀರ್ಮಾನಗಳನ್ನು ಸೆಳೆಯುವಲ್ಲಿ ಗಣನೀಯ ಯಶಸ್ಸು ಕಂಡುಬಂದಿದೆ. ಆದಾಗ್ಯೂ, ನಿಜವಾದ ತಾರ್ಕಿಕತೆಯು ಕೇವಲ ತೀರ್ಮಾನಗಳನ್ನು ಚಿತ್ರಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ; ಇದು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯ ಅಥವಾ ಸನ್ನಿವೇಶದ ಪರಿಹಾರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ತೀರ್ಮಾನಗಳನ್ನು ಸೆಳೆಯುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಇದು AI ಎದುರಿಸುತ್ತಿರುವ ಕಠಿಣ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

ಸಮಸ್ಯೆ ಪರಿಹರಿಸುವ ವಿಧಾನ

ನಿರ್ದಿಷ್ಟವಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವುದು, ಕೆಲವು ಪೂರ್ವನಿರ್ಧರಿತ ಗುರಿ ಅಥವಾ ಪರಿಹಾರವನ್ನು ತಲುಪಲು ಸಂಭವನೀಯ ಕ್ರಮಗಳ ವ್ಯಾಪ್ತಿಯ ಮೂಲಕ ವ್ಯವಸ್ಥಿತ ಹುಡುಕಾಟ ಎಂದು ನಿರೂಪಿಸಬಹುದು. ಸಮಸ್ಯೆ-ಪರಿಹರಿಸುವ ವಿಧಾನಗಳನ್ನು ವಿಶೇಷ ಉದ್ದೇಶ ಮತ್ತು ಸಾಮಾನ್ಯ ಉದ್ದೇಶಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ವಿಶೇಷ ಉದ್ದೇಶದ ವಿಧಾನವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗೆ ತಕ್ಕಂತೆ ತಯಾರಿಸಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಸಮಸ್ಯೆಯು ಹುದುಗಿರುವ ಪರಿಸ್ಥಿತಿಯ ನಿರ್ದಿಷ್ಟ ಲಕ್ಷಣಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ವಿಧಾನವು ವಿವಿಧ ರೀತಿಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. AI ಯಲ್ಲಿ ಬಳಸಲಾಗುವ ಒಂದು ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ತಂತ್ರವೆಂದರೆ ಅರ್ಥ-ಅಂತ್ಯ ವಿಶ್ಲೇಷಣೆ-ಇದು ಹಂತ-ಹಂತದ ಅಥವಾ ಹೆಚ್ಚುತ್ತಿರುವ, ಪ್ರಸ್ತುತ ಸ್ಥಿತಿ ಮತ್ತು ಅಂತಿಮ ಗುರಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಪ್ರೋಗ್ರಾಂ ಸಾಧನಗಳ ಪಟ್ಟಿಯಿಂದ ಕ್ರಿಯೆಗಳನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತದೆ-ಸರಳ ರೋಬೋಟ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ ಇದು ಪಿಕಪ್, ಪುಟ್‌ಡೌನ್, ಮೂವ್‌ಫಾರ್ವರ್ಡ್, ಮೂವ್‌ಬ್ಯಾಕ್, ಮೂವ್‌ಲೆಫ್ಟ್ ಮತ್ತು ಮೂವ್‌ರೈಟ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ-ಗುರಿಯನ್ನು ತಲುಪುವವರೆಗೆ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕಾರ್ಯಕ್ರಮಗಳಿಂದ ಅನೇಕ ವೈವಿಧ್ಯಮಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ. ಕೆಲವು ಉದಾಹರಣೆಗಳೆಂದರೆ ಬೋರ್ಡ್ ಆಟದಲ್ಲಿ ಗೆಲುವಿನ ಚಲನೆಯನ್ನು (ಅಥವಾ ಚಲನೆಗಳ ಅನುಕ್ರಮ) ಕಂಡುಹಿಡಿಯುವುದು, ಗಣಿತದ ಪುರಾವೆಗಳನ್ನು ರೂಪಿಸುವುದು ಮತ್ತು ಕಂಪ್ಯೂಟರ್-ರಚಿತ ಜಗತ್ತಿನಲ್ಲಿ “ವರ್ಚುವಲ್ ಆಬ್ಜೆಕ್ಟ್‌ಗಳನ್ನು” ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುವುದು.

ಗ್ರಹಿಕೆ

ಗ್ರಹಿಕೆಯಲ್ಲಿ ಪರಿಸರವನ್ನು ನೈಜ ಅಥವಾ ಕೃತಕವಾದ ವಿವಿಧ ಸಂವೇದನಾ ಅಂಗಗಳ ಮೂಲಕ ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ದೃಶ್ಯವು ವಿವಿಧ ಪ್ರಾದೇಶಿಕ ಸಂಬಂಧಗಳಲ್ಲಿ ಪ್ರತ್ಯೇಕ ವಸ್ತುಗಳಾಗಿ ವಿಭಜನೆಯಾಗುತ್ತದೆ. ಒಂದು ವಸ್ತುವು ಅದನ್ನು ನೋಡುವ ಕೋನ, ದೃಶ್ಯದಲ್ಲಿನ ಪ್ರಕಾಶದ ದಿಕ್ಕು ಮತ್ತು ತೀವ್ರತೆ ಮತ್ತು ಸುತ್ತಮುತ್ತಲಿನ ಕ್ಷೇತ್ರದೊಂದಿಗೆ ವಸ್ತುವು ಎಷ್ಟು ವ್ಯತಿರಿಕ್ತವಾಗಿದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ವಿಭಿನ್ನವಾಗಿ ಕಾಣಿಸಬಹುದು ಎಂಬ ಅಂಶದಿಂದ ವಿಶ್ಲೇಷಣೆ ಸಂಕೀರ್ಣವಾಗಿದೆ.

ಪ್ರಸ್ತುತ, ಕೃತಕ ಗ್ರಹಿಕೆಯು ವ್ಯಕ್ತಿಗಳನ್ನು ಗುರುತಿಸಲು ಆಪ್ಟಿಕಲ್ ಸಂವೇದಕಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ಸಾಕಷ್ಟು ಉತ್ತಮವಾಗಿದೆ, ಸ್ವಾಯತ್ತ ವಾಹನಗಳು ತೆರೆದ ರಸ್ತೆಯಲ್ಲಿ ಮಧ್ಯಮ ವೇಗದಲ್ಲಿ ಓಡಿಸಲು ಮತ್ತು ರೋಬೋಟ್‌ಗಳು ಖಾಲಿ ಸೋಡಾ ಕ್ಯಾನ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಕಟ್ಟಡಗಳ ಮೂಲಕ ಸಂಚರಿಸಲು. 1966-73 ರ ಅವಧಿಯಲ್ಲಿ ಡೊನಾಲ್ಡ್ ಮಿಚಿ ಅವರ ನಿರ್ದೇಶನದ ಅಡಿಯಲ್ಲಿ ಸ್ಕಾಟ್ಲೆಂಡ್‌ನ ಎಡಿನ್‌ಬರ್ಗ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ನಿರ್ಮಿಸಲಾದ ಚಲಿಸುವ ದೂರದರ್ಶನ ಕಣ್ಣು ಮತ್ತು ಪಿನ್ಸರ್ ಕೈ ಹೊಂದಿರುವ ಸ್ಥಿರ ರೋಬೋಟ್ ಫ್ರೆಡ್ಡಿ ಗ್ರಹಿಕೆ ಮತ್ತು ಕ್ರಿಯೆಯನ್ನು ಸಂಯೋಜಿಸುವ ಆರಂಭಿಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಫ್ರಿಡಿ ಅವರು ವಿವಿಧ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಲು ಸಮರ್ಥರಾಗಿದ್ದರು ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಅಂಶಗಳ ರಾಶಿಯಿಂದ ಆಟಿಕೆ ಕಾರಿನಂತಹ ಸರಳ ಕಲಾಕೃತಿಗಳನ್ನು ಜೋಡಿಸಲು ಸೂಚಿಸಬಹುದು.