Προγραμματισμός

Μια σύντομη ιστορία της τεχνητής νοημοσύνης

Στις πρώτες μέρες της τεχνητής νοημοσύνης, οι επιστήμονες υπολογιστών προσπάθησαν να αναδημιουργήσουν πτυχές του ανθρώπινου μυαλού στον υπολογιστή. Αυτός είναι ο τύπος της νοημοσύνης που είναι η ουσία της επιστημονικής φαντασίας - μηχανές που σκέφτονται, λίγο πολύ, σαν εμάς. Αυτός ο τύπος νοημοσύνης ονομάζεται, αναπάντεχα, κατανόηση. Ένας υπολογιστής με κατανόηση μπορεί να χρησιμοποιηθεί για να διερευνήσει τον τρόπο με τον οποίο συλλογίζουμε, μαθαίνουμε, κρίνουμε, αντιλαμβανόμαστε και εκτελούμε ψυχικές ενέργειες.

Η πρώιμη έρευνα για την κατανόηση επικεντρώθηκε στη μοντελοποίηση τμημάτων του πραγματικού κόσμου και του νου (από τη σφαίρα των γνωστικών επιστημόνων) στον υπολογιστή. Είναι αξιοσημείωτο όταν θεωρείτε ότι αυτά τα πειράματα πραγματοποιήθηκαν πριν από σχεδόν 60 χρόνια.

Τα πρώτα μοντέλα νοημοσύνης επικεντρώθηκαν στην αφαιρετική λογική για να καταλήξουν σε συμπεράσματα. Ένα από τα πρώτα και πιο γνωστά A.I. Προγράμματα αυτού του τύπου ήταν η Λογική Θεωρητική, που γράφτηκε το 1956 για να μιμηθεί τις δεξιότητες επίλυσης προβλημάτων ενός ανθρώπου. Ο Λογικός Θεωρητής απέδειξε σύντομα 38 από τα πρώτα 52 θεωρήματα στο δεύτερο κεφάλαιο του Principia Mathematica, βελτιώνοντας πραγματικά ένα θεώρημα στη διαδικασία. Για πρώτη φορά, αποδείχθηκε σαφώς ότι ένα μηχάνημα μπορούσε να εκτελέσει εργασίες που, μέχρι αυτό το σημείο, θεωρούνταν ότι απαιτούν νοημοσύνη και δημιουργικότητα.

Σύντομα η έρευνα στράφηκε προς έναν διαφορετικό τύπο σκέψης, επαγωγική συλλογιστική. Η επαγωγική συλλογιστική είναι αυτό που ένας επιστήμονας χρησιμοποιεί όταν εξετάζει δεδομένα και προσπαθεί να καταλήξει σε μια υπόθεση για να τα εξηγήσει. Για να μελετήσουν την επαγωγική συλλογιστική, οι ερευνητές δημιούργησαν ένα γνωστικό μοντέλο που βασίζεται στους επιστήμονες που εργάζονται σε ένα εργαστήριο της NASA, βοηθώντας τους να εντοπίσουν οργανικά μόρια χρησιμοποιώντας τις γνώσεις τους για την οργανική χημεία. Το πρόγραμμα Dendral ήταν το πρώτο πραγματικό παράδειγμα του δεύτερου χαρακτηριστικού της τεχνητής νοημοσύνης, όργανο, ένα σύνολο τεχνικών ή αλγορίθμων για την ολοκλήρωση μιας επαγωγικής συλλογιστικής εργασίας, στην περίπτωση αυτή ταυτοποίησης μορίων.

Το Dendral ήταν μοναδικό επειδή περιλάμβανε επίσης την πρώτη βάση γνώσεων, ένα σύνολο κανόνων εάν / μετά που συνέλαβαν τη γνώση των επιστημόνων, για χρήση παράλληλα με το γνωστικό μοντέλο. Αυτή η μορφή γνώσης θα ονομάζεται αργότεραειδικό σύστημα. Έχοντας διαθέσιμα και τα δύο είδη «νοημοσύνης» σε ένα μόνο πρόγραμμα, οι επιστήμονες υπολογιστών μπορούσαν να ρωτήσουν: «Τι κάνει ορισμένους επιστήμονες πολύ καλύτερους από άλλους; Έχουν ανώτερες γνωστικές δεξιότητες ή μεγαλύτερη γνώση; "

Στα τέλη της δεκαετίας του 1960 η απάντηση ήταν σαφής. Η απόδοση του Dendral ήταν σχεδόν εντελώς συνάρτηση του όγκου και της ποιότητας των γνώσεων που αποκτήθηκαν από τους ειδικούς. Το γνωστικό μοντέλο συσχετίστηκε μόνο ασθενώς με βελτιώσεις στην απόδοση.

Αυτή η συνειδητοποίηση οδήγησε σε μια σημαντική αλλαγή στην κοινότητα της τεχνητής νοημοσύνης. Η γνώση της μηχανικής προέκυψε ως κλάδος για τη μοντελοποίηση συγκεκριμένων τομέων της ανθρώπινης εμπειρογνωμοσύνης με τη χρήση ειδικών συστημάτων. Και τα συστήματα εμπειρογνωμόνων που δημιούργησαν συχνά υπερέβαιναν την απόδοση οποιουδήποτε μεμονωμένου υπευθύνου λήψης αποφάσεων. Αυτή η αξιοσημείωτη επιτυχία προκάλεσε μεγάλο ενθουσιασμό για συστήματα εμπειρογνωμόνων εντός της κοινότητας τεχνητής νοημοσύνης, του στρατού, της βιομηχανίας, των επενδυτών και του δημοφιλούς τύπου.

Καθώς τα συστήματα εμπειρογνωμόνων έγιναν εμπορικά επιτυχημένα, οι ερευνητές έστρεψαν την προσοχή τους σε τεχνικές μοντελοποίησης αυτών των συστημάτων και καθιστώντας τα πιο ευέλικτα σε διάφορους τομείς. Κατά τη διάρκεια αυτής της περιόδου ο αντικειμενοστρεφής σχεδιασμός και οι ιεραρχικές οντολογίες αναπτύχθηκαν από την κοινότητα AI και υιοθετήθηκαν από άλλα μέρη της κοινότητας υπολογιστών. Σήμερα οι ιεραρχικές οντολογίες βρίσκονται στο επίκεντρο των γραφημάτων γνώσης, τα οποία έχουν δει μια ανάκαμψη τα τελευταία χρόνια.

Καθώς οι ερευνητές εγκαταστάθηκαν σε μια μορφή αναπαράστασης της γνώσης που είναι γνωστή ως «κανόνες παραγωγής», μια μορφή λογικής κατηγορίας πρώτης τάξης, ανακάλυψαν ότι τα συστήματα θα μπορούσαν να μάθουν αυτόματα. δηλαδή, τα συστήματα μπορούν να γράψουν ή να ξαναγράψουν τους ίδιους τους κανόνες για να βελτιώσουν την απόδοση βάσει πρόσθετων δεδομένων. Το Dendral τροποποιήθηκε και του δόθηκε η ικανότητα να μάθει τους κανόνες της φασματομετρίας μάζας με βάση τα εμπειρικά δεδομένα από πειράματα.

Όσο καλά ήταν αυτά τα συστήματα εμπειρογνωμόνων, είχαν περιορισμούς. Γενικά περιορίστηκαν σε ένα συγκεκριμένο πρόβλημα, και δεν μπορούσαν να κάνουν διάκριση από πολλές πιθανές εναλλακτικές λύσεις ή να χρησιμοποιήσουν γνώσεις σχετικά με τη δομή ή τη στατιστική συσχέτιση. Για την αντιμετώπιση ορισμένων από αυτά τα ζητήματα, οι ερευνητές πρόσθεσαν παράγοντες βεβαιότητας - αριθμητικές τιμές που έδειξαν πόσο πιθανό είναι αληθινό ένα συγκεκριμένο γεγονός.

Η έναρξη της δεύτερης μετατόπισης του παραδείγματος στο AI έγινε όταν οι ερευνητές συνειδητοποίησαν ότι οι παράγοντες βεβαιότητας θα μπορούσαν να τυλιχτούν σε στατιστικά μοντέλα. Στατιστικά και συμπεράσματα Bayesian θα μπορούσαν να χρησιμοποιηθούν για τη μοντελοποίηση εμπειρογνωμοσύνης τομέα από τα εμπειρικά δεδομένα. Από εδώ και πέρα, η τεχνητή νοημοσύνη κυριαρχεί όλο και περισσότερο από τη μηχανική μάθηση.

Υπάρχει όμως ένα πρόβλημα. Παρόλο που οι τεχνικές μηχανικής μάθησης όπως τυχαία δάση, νευρωνικά δίκτυα ή GBTs (δέντρα που ενισχύονται με κλίση) παράγουν ακριβή αποτελέσματα, είναι σχεδόν αδιαπέραστα μαύρα κουτιά. Χωρίς κατανοητή έξοδο, τα μοντέλα μηχανικής μάθησης είναι λιγότερο χρήσιμα από τα παραδοσιακά μοντέλα από πολλές απόψεις. Για παράδειγμα, με ένα παραδοσιακό μοντέλο AI, ένας επαγγελματίας μπορεί να ρωτήσει:

  • Γιατί το μοντέλο έκανε αυτό το λάθος;
  • Είναι το μοντέλο μεροληπτικό;
  • Μπορούμε να αποδείξουμε τη συμμόρφωση με τους κανονισμούς;
  • Γιατί το μοντέλο διαφωνεί με έναν ειδικό τομέα;

Η έλλειψη κατανόησης έχει επίσης επιπτώσεις στην εκπαίδευση. Όταν ένα μοντέλο σπάει και δεν μπορεί να εξηγήσει γιατί, καθιστά πιο δύσκολο να διορθωθεί. Προσθήκη περισσότερων παραδειγμάτων; Τι είδους παραδείγματα; Παρόλο που υπάρχουν μερικές απλές αντισταθμίσεις που μπορούμε να κάνουμε εν τω μεταξύ, όπως η αποδοχή λιγότερο ακριβών προβλέψεων σε αντάλλαγμα για την κατανόηση, η ικανότητα εξήγησης μοντέλων μηχανικής μάθησης έχει αναδειχθεί ως ένα από τα επόμενα μεγάλα ορόσημα που πρέπει να επιτευχθούν στο AI.

Λένε ότι η ιστορία επαναλαμβάνεται. Η πρώιμη έρευνα για την τεχνητή νοημοσύνη, όπως αυτή του σήμερα, επικεντρώθηκε στη μοντελοποίηση της ανθρώπινης συλλογιστικής και των γνωστικών μοντέλων. Τα τρία βασικά ζητήματα που αντιμετωπίζουν οι πρώτοι ερευνητές της τεχνητής νοημοσύνης - γνώση, εξήγηση και ευελιξία - παραμένουν επίσης κεντρικά στις σύγχρονες συζητήσεις για συστήματα μηχανικής μάθησης.

Η γνώση παίρνει τώρα τη μορφή δεδομένων και η ανάγκη για ευελιξία μπορεί να φανεί στην ευθραυστότητα των νευρικών δικτύων, όπου οι μικρές διαταραχές των δεδομένων παράγουν δραματικά διαφορετικά αποτελέσματα. Η επεξήγηση έχει επίσης αναδειχθεί ως κορυφαία προτεραιότητα για τους ερευνητές της AI. Είναι κάπως ειρωνικό πώς, 60 χρόνια αργότερα, προχωρήσαμε από την προσπάθεια αναπαραγωγής της ανθρώπινης σκέψης, ζητώντας από τις μηχανές πώς σκέφτονται.