Sejarah ringkas kecerdasan buatan

Pada masa awal kecerdasan buatan, saintis komputer berusaha mencipta semula aspek-aspek pemikiran manusia di dalam komputer. Inilah jenis kepintaran yang merupakan fiksyen sains - mesin yang berfikir, lebih kurang, seperti kita. Jenis kecerdasan ini disebut, tidak menghairankan, kefahaman. Komputer yang mempunyai kefahaman dapat digunakan untuk meneroka bagaimana kita membuat alasan, belajar, menilai, melihat, dan melakukan tindakan mental.

Penyelidikan awal mengenai pemahaman difokuskan pada pemodelan bahagian dunia nyata dan minda (dari bidang saintis kognitif) dalam komputer. Sungguh luar biasa apabila anda menganggap bahawa eksperimen ini berlaku hampir 60 tahun yang lalu.

Model kecerdasan awal tertumpu pada penaakulan deduktif untuk membuat kesimpulan. Salah satu program AI yang paling awal dan terkenal seperti ini adalah Logik Theorist, yang ditulis pada tahun 1956 untuk meniru kemahiran menyelesaikan masalah seorang manusia. The Logic Theorist segera membuktikan 38 daripada 52 teorema pertama dalam bab kedua Principia Mathematica , sebenarnya meningkatkan satu teorema dalam prosesnya. Untuk pertama kalinya, jelas ditunjukkan bahawa mesin dapat melakukan tugas yang, hingga saat ini, dianggap memerlukan kecerdasan dan kreativiti.

Segera penyelidikan beralih ke jenis pemikiran yang berbeza, penaakulan induktif. Penalaran induktif adalah apa yang digunakan saintis semasa meneliti data dan berusaha mengemukakan hipotesis untuk menerangkannya. Untuk mengkaji penaakulan induktif, para penyelidik membuat model kognitif berdasarkan para saintis yang bekerja di makmal NASA, membantu mereka mengenal pasti molekul organik menggunakan pengetahuan mereka tentang kimia organik. Program Dendral adalah contoh nyata pertama dari ciri kedua kecerdasan buatan, instrumen , satu set teknik atau algoritma untuk menyelesaikan tugas penaakulan induktif, dalam hal ini pengenalpastian molekul.

Dendral unik kerana ia juga merangkumi asas pengetahuan pertama, satu set peraturan jika / yang menangkap pengetahuan para saintis, untuk digunakan bersama dengan model kognitif. Bentuk pengetahuan ini kemudian disebut  sistem pakar . Dengan adanya kedua-dua jenis "kecerdasan" dalam satu program, para saintis komputer dapat bertanya, "Apa yang menjadikan saintis tertentu jauh lebih baik daripada yang lain? Adakah mereka mempunyai kemahiran kognitif yang unggul, atau pengetahuan yang lebih besar? "

Menjelang akhir tahun 1960-an jawapannya sudah jelas. Prestasi Dendral hampir sepenuhnya merupakan fungsi dari jumlah dan kualiti pengetahuan yang diperoleh dari para pakar. Model kognitif hanya berkaitan dengan peningkatan prestasi.

Kesedaran ini membawa kepada perubahan paradigma utama dalam komuniti kecerdasan buatan. Kejuruteraan pengetahuan muncul sebagai disiplin untuk memodelkan domain spesifik kepakaran manusia menggunakan sistem pakar. Dan sistem pakar yang mereka hasilkan sering melebihi prestasi mana-mana pembuat keputusan manusia. Kejayaan yang luar biasa ini menimbulkan semangat yang tinggi untuk sistem pakar dalam komuniti kecerdasan buatan, tentera, industri, pelabur, dan akhbar popular.

Ketika sistem pakar berjaya secara komersial, para penyelidik mengalihkan perhatian mereka pada teknik memodelkan sistem ini dan menjadikannya lebih fleksibel di seluruh domain masalah. Pada masa inilah reka bentuk berorientasi objek dan ontologi hierarki dikembangkan oleh komuniti AI dan diadopsi oleh bahagian lain dari komuniti komputer. Hari ini ontologi hierarki berada di tengah-tengah grafik pengetahuan, yang telah melihat kebangkitan dalam beberapa tahun kebelakangan ini.

Ketika para penyelidik memutuskan bentuk representasi pengetahuan yang dikenal sebagai "peraturan produksi", bentuk logika predikat pesanan pertama, mereka mendapati bahawa sistem dapat belajar secara automatik; iaitu, sistem boleh menulis atau menulis semula peraturan itu sendiri untuk meningkatkan prestasi berdasarkan data tambahan. Dendral diubahsuai dan diberi kemampuan untuk mempelajari peraturan spektrometri massa berdasarkan data empirikal dari eksperimen.

Sebaik baik sistem pakar ini, mereka memang mempunyai batasan. Mereka umumnya terbatas pada domain masalah tertentu, dan tidak dapat membedakan dari beberapa alternatif yang masuk akal atau menggunakan pengetahuan tentang struktur atau korelasi statistik. Untuk mengatasi beberapa masalah ini, para penyelidik menambahkan faktor kepastian - nilai berangka yang menunjukkan kemungkinan fakta tertentu berlaku.

Permulaan perubahan paradigma kedua dalam AI berlaku ketika para penyelidik menyedari bahawa faktor kepastian dapat dibungkus ke dalam model statistik. Statistik dan inferensi Bayesian dapat digunakan untuk memodelkan kepakaran domain dari data empirikal. Dari sudut ini, kecerdasan buatan semakin didominasi oleh pembelajaran mesin.

Walaupun begitu, ada masalah. Walaupun teknik pembelajaran mesin seperti hutan rawak, rangkaian neural, atau GBT (pokok peningkatan kecerunan) menghasilkan hasil yang tepat, mereka adalah kotak hitam yang hampir tidak dapat ditembus. Tanpa output yang dapat difahami, model pembelajaran mesin kurang berguna daripada model tradisional dalam beberapa aspek. Sebagai contoh, dengan model AI tradisional, seorang pengamal mungkin bertanya:

  • Mengapa model melakukan kesilapan ini?
  • Adakah model itu berat sebelah?
  • Bolehkah kita menunjukkan kepatuhan peraturan?
  • Mengapa model tidak bersetuju dengan pakar domain?

Kurangnya pemahaman juga mempunyai implikasi latihan. Apabila model pecah, dan tidak dapat menjelaskan sebabnya, menjadikannya lebih sukar untuk diperbaiki. Tambahkan lebih banyak contoh? Contoh apa? Walaupun ada beberapa pertukaran sederhana yang dapat kita buat sementara waktu, seperti menerima ramalan yang kurang tepat sebagai pertukaran untuk dimengerti, kemampuan untuk menjelaskan model pembelajaran mesin telah muncul sebagai salah satu tonggak besar berikutnya yang akan dicapai dalam AI.

Mereka mengatakan bahawa sejarah berulang. Penyelidikan AI awal, seperti yang dilakukan hari ini, menumpukan pada pemodelan penaakulan manusia dan model kognitif. Tiga masalah utama yang dihadapi oleh penyelidik AI awal - pengetahuan, penjelasan, dan fleksibiliti - juga tetap menjadi pusat perbincangan moden mengenai sistem pembelajaran mesin.

Pengetahuan sekarang berbentuk data, dan kebutuhan untuk fleksibilitas dapat dilihat pada kerapuhan jaringan saraf, di mana sedikit gangguan data menghasilkan hasil yang sangat berbeda. Penjelasan juga telah muncul sebagai keutamaan bagi penyelidik AI. Agak ironis bagaimana, 60 tahun kemudian, kita beralih dari berusaha meniru pemikiran manusia untuk bertanya kepada mesin bagaimana mereka berfikir.