A számítógépek kezdete óta a kutatók olyan rendszereket próbáltak létrehozni, amelyek utánozzák az emberi intelligenciát. Míg a szilícium Einstein még távoli lehetőség lehet, a mesterséges intelligencia vagy a mesterséges intelligencia hozott nekünk telefonok, amelyek felismerik az emberi beszédet, autók, amelyek önmagukat vezetik, és szakértő rendszerek, amelyek versenyeznek a televíziós játékokban mutatja. Az évek során az AI-kutatás számos evolúción ment keresztül, és ahogy az egyes technológiák fejlődtek, mindennapi tapasztalataink részévé váltak.
Gépi tanulás
A korai kutatók a korlátozott feldolgozási teljesítménnyel és a számítógépes tárhelyekkel küszködtek, de még így is lefektették az AI alapjai olyan programozási nyelvekkel, mint a LISP, és olyan koncepciókkal, mint a döntési fák és a gép tanulás. A LISP-ben írt programok könnyen elemezhetik az olyan játékokat, mint a sakk, feltérképezhetik az összes lehetséges lépést több körre, majd kiválaszthatják a legjobb alternatívát. Ezek a programok módosíthatják döntési logikájukat és tanulhatnak a korábbi hibákból, és idővel "okosabbak" lesznek. Erősebb számítógépekkel és olcsóbb háttértárral a mesterséges intelligencia ezen ága elindította a számítógépes játékipart, valamint személyre szabott keresőmotorok és online vásárlási oldalak széles választéka, amelyek nemcsak emlékeznek a preferenciáinkra, hanem előre látják a mi preferenciáinkat igények.
A nap videója
Szakértői rendszerek
Míg a mesterséges intelligencia kutatóinak első hulláma számítási ciklusokra támaszkodott az emberi gondolkodás szimulálására, a következő megközelítés tényekre és adatokra támaszkodott, hogy utánozza az emberi tapasztalatokat. A szakértői rendszerek a tényeket és a szabályokat tudásbázisba gyűjtötték, majd számítógép-alapú következtetési motorokat használtak új tények levezetésére vagy kérdések megválaszolására. A tudásmérnökök megkérdezték az orvostudomány, az autójavítás, az ipari formatervezés vagy más szakmák szakértőit, majd ezeket a megállapításokat géppel olvasható tényekké és szabályokká redukálták. Ezeket a tudásbázisokat aztán mások is felhasználták a problémák diagnosztizálására vagy a kérdések megválaszolására. Ahogy a technológia kifejlődött, a kutatók megtalálták a módját a tudásbázis fejlesztésének automatizálásának, a betáplálásnak műszaki irodalom tömkelegét, vagy hagyja, hogy a szoftver feltérképezze a weben, hogy releváns információkat találjon róla saját.
Neurális hálózatok
A kutatók egy másik csoportja az emberi agy működését próbálta reprodukálni neuronok és szinapszisok mesterséges hálózatainak létrehozásával. A képzéssel ezek a neurális hálózatok felismerhetik a véletlenszerű adatoknak tűnő mintákat. A képek vagy hangok a hálózat bemeneti oldalára, a helyes válaszok pedig a kimeneti oldalra kerülnek. Idővel a hálózatok átszervezik belső struktúrájukat, hogy amikor hasonló bemenet érkezik, a hálózat a helyes választ adja vissza. A neurális hálózatok jól működnek, amikor emberi beszédre reagálnak, vagy amikor a beolvasott képeket szöveggé fordítják. Az erre a technológiára támaszkodó szoftverek képesek könyveket olvasni a vakoknak, vagy lefordítani a beszédet egyik nyelvről a másikra.
Nagy adat
A nagy léptékű adatelemzés, amelyet gyakran "nagy adatnak" neveznek, számos számítógép erejét hasznosítja, hogy olyan tényeket és összefüggéseket fedezzen fel az adatokban, amelyeket az emberi elme nem képes felfogni. Több billió hitelkártya-terhelés vagy több milliárd közösségi hálózati kapcsolat szkennelhető és korrelálható különféle statisztikai módszerekkel, hogy hasznos információkat tárjon fel. A hitelkártya-társaságok olyan vásárlási mintákat találhatnak, amelyek azt jelzik, hogy egy kártyát elloptak, vagy a kártyabirtokos pénzügyi nehézségekkel küzd. A kiskereskedők olyan vásárlási mintákat találhatnak, amelyek azt jelzik, hogy a vásárló terhes, még azelőtt, hogy ezt ő maga is tudja. A nagy adatok lehetővé teszik a számítógépek számára, hogy olyan módon értsék meg a világot, ahogyan mi, emberek soha nem tudnánk egyedül.
