Pirmosiomis dirbtinio intelekto dienomis kompiuterių mokslininkai bandė atkurti žmogaus proto aspektus kompiuteryje. Tai yra intelekto rūšis, kuri yra mokslinės fantastikos dalykas - mašinos, kurios daugiau ar mažiau mąsto kaip mes. Šis intelekto tipas, nenuostabu, vadinamas suprantamumu. Kompiuteris su suprantamumu gali būti naudojamas ištirti, kaip mes samprotaujame, mokomės, vertiname, suvokiame ir vykdome psichinius veiksmus.
Ankstyvieji suprantamumo tyrimai buvo nukreipti į realaus pasaulio ir proto dalių (iš pažintinių mokslininkų srities) modeliavimą kompiuteryje. Puiku, kai manote, kad šie eksperimentai vyko beveik prieš 60 metų.
Ankstyvieji intelekto modeliai buvo nukreipti į dedukcinį samprotavimą, kad būtų galima padaryti išvadas. Vienas ankstyviausių ir geriausiai žinomų A.I. tokio tipo programos buvo logikos teoretikas, parašytas 1956 m., siekiant imituoti žmogaus problemų sprendimo įgūdžius. Netrukus logikos teoretikas įrodė 38 iš 52 pirmųjų 52 skyriuje pateiktų teoremų Principia Mathematica, iš tikrųjų tobulindama vieną teoremą procese. Pirmą kartą buvo aiškiai pademonstruota, kad mašina gali atlikti užduotis, kurioms iki šio momento buvo laikoma, kad jos reikalauja intelekto ir kūrybiškumo.
Netrukus tyrimai pasuko kitokio mąstymo, indukcinio samprotavimo link. Induktyvus samprotavimas yra tai, ką mokslininkas naudoja nagrinėdamas duomenis ir bandydamas pateikti hipotezę, kad juos paaiškintų. Norėdami ištirti indukcinius samprotavimus, mokslininkai, remdamiesi NASA laboratorijoje dirbančiais mokslininkais, sukūrė kognityvinį modelį, padėdami jiems atpažinti organines molekules, naudodamiesi organinės chemijos žiniomis. „Dendral“ programa buvo pirmasis tikrasis antrojo dirbtinio intelekto bruožo pavyzdys, instrumentalumas, metodų ar algoritmų rinkinys indukcinio samprotavimo užduočiai atlikti, šiuo atveju - molekulės identifikavimui.
Dendralas buvo unikalus, nes jame buvo ir pirmoji žinių bazė, jei / tada taisyklių rinkinys, kuris užfiksavo mokslininkų žinias, kad būtų galima naudoti kartu su pažintiniu modeliu. Ši žinių forma vėliau būtų vadinamaekspertų sistema. Abiejų rūšių „intelekto“ turėjimas vienoje programoje leido informatikams paklausti: „Kuo kai kurie mokslininkai yra daug geresni už kitus? Ar jie turi geresnių pažinimo įgūdžių, ar turi daugiau žinių? “
1960-ųjų pabaigoje atsakymas buvo aiškus. „Dendral“ atlikimas beveik visiškai priklausė nuo ekspertų gautų žinių kiekio ir kokybės. Pažintinis modelis buvo silpnai susijęs su našumo pagerėjimu.
Šis suvokimas paskatino didelį paradigmos pasikeitimą dirbtinio intelekto bendruomenėje. Žinių inžinerija atsirado kaip disciplina, skirta modeliuoti konkrečias žmogaus kompetencijos sritis, naudojant ekspertų sistemas. Jų sukurtos ekspertų sistemos dažnai viršijo bet kurio žmogaus sprendimus priimančio asmens rezultatus. Ši nepaprasta sėkmė sukėlė didelį entuziazmą dėl dirbtinio intelekto bendruomenės, kariuomenės, pramonės, investuotojų ir populiarios spaudos ekspertų sistemų.
Kai ekspertų sistemos tapo komerciškai sėkmingos, tyrėjai atkreipė dėmesį į šių sistemų modeliavimo metodus ir padarydami juos lankstesnius probleminėse srityse. Šiuo laikotarpiu dirbtinio intelekto bendruomenė sukūrė į objektą orientuotą dizainą ir hierarchines ontologijas, kurias pritaikė kitos kompiuterių bendruomenės dalys. Šiandien hierarchinės ontologijos yra žinių grafikų, kurie pastaraisiais metais atgimė, centre.
Tyrinėtojai, apsisprendę apie žinių pateikimo formą, vadinamą „gamybos taisyklėmis“, yra pirmos eilės predikatinės logikos forma, jie atrado, kad sistemos gali mokytis automatiškai; y., sistemos pačios rašo arba perrašo taisykles, kad pagerintų našumą, remiantis papildomais duomenimis. Dendralas buvo modifikuotas ir jam buvo suteikta galimybė išmokti masių spektrometrijos taisyklių, remiantis eksperimentų empiriniais duomenimis.
Kad ir kokios geros buvo šios ekspertų sistemos, jos turėjo apribojimų. Jie paprastai apsiribojo tam tikra problemine sritimi ir negalėjo atskirti nuo kelių patikimų alternatyvų ar panaudoti žinių apie struktūrą ar statistinę koreliaciją. Norėdami išspręsti kai kurias iš šių problemų, tyrėjai pridėjo tikrumo veiksnius - skaitines reikšmes, rodančias, kiek tikimasi konkretus faktas.
Antrojo paradigmos AI pasikeitimas prasidėjo tada, kai mokslininkai suprato, kad tikrumo veiksnius galima įtraukti į statistinius modelius. Statistika ir Bajeso išvada gali būti naudojama modeliuojant srities žinias iš empirinių duomenų. Nuo šio momento dirbtiniame intelekte vis labiau dominuos mašininis mokymasis.
Vis dėlto yra problema. Nors mašininio mokymosi metodai, tokie kaip atsitiktiniai miškai, neuroniniai tinklai ar GBT (gradientu pakelti medžiai), duoda tikslius rezultatus, jie yra beveik nepraeinamos juodosios dėžės. Neturėdami suprantamos išvesties, mašininio mokymosi modeliai yra mažiau naudingi nei tradiciniai modeliai keliais aspektais. Pavyzdžiui, naudodamas tradicinį PG modelį, praktikas gali paklausti:
- Kodėl modelis padarė šią klaidą?
- Ar modelis yra šališkas?
- Ar galime įrodyti, kad laikomasi teisės aktų?
- Kodėl modelis nesutaria su domeno ekspertu?
Supratimo trūkumas taip pat turi įtakos mokymui. Kai modelis sugenda ir negali paaiškinti, kodėl, jį apsunkinti. Pridėti daugiau pavyzdžių? Kokie pavyzdžiai? Nors yra keletas paprastų kompromisų, kuriuos galime padaryti laikinai, pavyzdžiui, priimant mažiau tikslias prognozes mainais už suprantamumą, gebėjimas paaiškinti mašininio mokymosi modelius pasirodė kaip vienas iš kitų didelių etapų, kurį reikia pasiekti dirbtinio intelekto srityje.
Jie sako, kad istorija kartojasi. Ankstyvieji dirbtinio intelekto tyrimai, kaip ir šiandien, buvo skirti žmogaus samprotavimų ir kognityvinių modelių modeliavimui. Trys pagrindinės problemos, su kuriomis susiduria ankstyvieji PG tyrėjai - žinios, paaiškinimas ir lankstumas, taip pat išlieka pagrindinės šiuolaikinės diskusijos apie mašininio mokymosi sistemas.
Dabar žinios įgyja duomenų pavidalą, o lankstumo poreikis gali būti matomas dėl nervinių tinklų trapumo, kai nedideli duomenų sutrikimai duoda dramatiškai skirtingus rezultatus. Paaiškinimas taip pat tapo svarbiausiu AI mokslininkų prioritetu. Šiek tiek ironiška, kaip po 60 metų mes bandėme atkartoti žmogaus mąstymą ir klausėme mašinų, kaip jie mąsto.
