ხელოვნური ინტელექტის სისტემების სახეები

კომპიუტერების არსებობის პირველივე დღეებიდან მკვლევარები ცდილობდნენ შეექმნათ სისტემები, რომლებიც ამსგავსებენ ადამიანის ინტელექტს. მიუხედავად იმისა, რომ სილიკონის აინშტაინი შესაძლოა ჯერ კიდევ შორეული შესაძლებლობა იყოს, ხელოვნურმა ინტელექტმა ან AI-მ მოგვიტანა ტელეფონები, რომლებიც აღიარებენ ადამიანის მეტყველებას, მანქანები, რომლებიც მართავენ საკუთარ თავს და ექსპერტული სისტემები, რომლებიც კონკურენციას უწევენ სატელევიზიო თამაშებს აჩვენებს. წლების განმავლობაში, ხელოვნური ინტელექტის კვლევამ რამდენიმე ევოლუცია განიცადა და, როდესაც თითოეული ტექნოლოგია მომწიფდა, ისინი ჩვენი ყოველდღიური გამოცდილების ნაწილი გახდა.

ადრეული მკვლევარები იბრძოდნენ შეზღუდული გადამამუშავებელი სიმძლავრისა და კომპიუტერის შენახვასთან, მაგრამ მაინც ჩაუყარეს ხელოვნური ინტელექტის საფუძველი პროგრამირების ენებით, როგორიცაა LISP და ცნებები, როგორიცაა გადაწყვეტილების ხეები და მანქანა სწავლა. LISP-ში დაწერილ პროგრამებს შეუძლიათ მარტივად გააანალიზონ ისეთი თამაშები, როგორიცაა ჭადრაკი, დააფიქსირონ ყველა შესაძლო მოძრაობა რამდენიმე ბრუნზე და შემდეგ აირჩიონ საუკეთესო ალტერნატივა. ამ პროგრამებს ასევე შეუძლიათ შეცვალონ თავიანთი გადაწყვეტილების ლოგიკა და ისწავლონ წინა შეცდომებზე, რაც დროთა განმავლობაში „ჭკვიანდება“. უფრო მძლავრი კომპიუტერებითა და იაფი მასობრივი შენახვით, ხელოვნური ინტელექტის ამ ფილიალმა შექმნა კომპიუტერული თამაშების ინდუსტრია, ისევე როგორც პერსონალიზებული საძიებო სისტემებისა და ონლაინ სავაჭრო საიტების მრავალფეროვნება, რომლებიც არა მხოლოდ ახსოვს ჩვენს პრეფერენციებს, არამედ ითვალისწინებენ ჩვენს საჭიროებებს.

მიუხედავად იმისა, რომ ხელოვნური ინტელექტის მკვლევარების პირველი ტალღა ეყრდნობოდა გამოთვლით ციკლებს ადამიანის მსჯელობის სიმულაციისთვის, შემდეგი მიდგომა ეყრდნობოდა ფაქტებსა და მონაცემებს ადამიანის გამოცდილების მიბაძვის მიზნით. საექსპერტო სისტემებმა შეაგროვეს ფაქტები და წესები ცოდნის ბაზაში, შემდეგ გამოიყენეს კომპიუტერზე დაფუძნებული დასკვნის ძრავები ახალი ფაქტების გამოსატანად ან კითხვებზე პასუხის გასაცემად. ცოდნის ინჟინრებმა გამოკითხეს მედიცინის, ავტომობილების შეკეთების, სამრეწველო დიზაინის ან სხვა პროფესიების ექსპერტები, შემდეგ კი ეს აღმოჩენები მანქანით წაკითხვადი ფაქტებად და წესებად გადაიყვანეს. ეს ცოდნის ბაზები შემდეგ გამოიყენეს სხვებმა პრობლემების დიაგნოსტიკაში ან კითხვებზე პასუხის გასაცემად. როდესაც ტექნოლოგია მომწიფდა, მკვლევარებმა იპოვეს გზები ცოდნის ბაზის განვითარების ავტომატიზაციისთვის ტექნიკური ლიტერატურის ნაკრები, ან პროგრამული უზრუნველყოფის ნებადართული სერიულიყო ინტერნეტში, რათა მოიძიოს შესაბამისი ინფორმაცია მის შესახებ საკუთარი.

მკვლევართა მეორე ჯგუფი ცდილობდა ადამიანის ტვინის მუშაობის რეპროდუცირებას ნეირონებისა და სინაფსების ხელოვნური ქსელების შექმნით. ტრენინგის საშუალებით, ამ ნერვულ ქსელებს შეეძლოთ ამოიცნონ შაბლონები შემთხვევითი მონაცემების მსგავსი. სურათები ან ხმები იკვებება ქსელის შეყვანის მხარეს, ხოლო სწორი პასუხები იკვებება გამომავალ მხარეს. დროთა განმავლობაში, ქსელები ახდენენ თავიანთ შიდა სტრუქტურის რეორგანიზაციას ისე, რომ როდესაც მსგავსი შეყვანა შედის, ქსელი აბრუნებს სწორ პასუხს. ნერვული ქსელები კარგად მუშაობს ადამიანის მეტყველებაზე რეაგირებისას ან სკანირებული სურათების ტექსტად თარგმნისას. პროგრამულ უზრუნველყოფას, რომელიც ეყრდნობა ამ ტექნოლოგიას, შეუძლია წაიკითხოს წიგნები ბრმა ადამიანებისთვის ან თარგმნოს მეტყველება ერთი ენიდან მეორეზე.

მონაცემთა ფართომასშტაბიანი ანალიზი, რომელსაც ხშირად „დიდ მონაცემებს“ უწოდებენ, იყენებს მრავალი კომპიუტერის ძალას, აღმოაჩინოს ფაქტები და ურთიერთობები მონაცემებში, რომლებსაც ადამიანის გონება ვერ აცნობიერებს. ტრილიონობით საკრედიტო ბარათის გადასახადი ან მილიარდობით სოციალური ქსელის ურთიერთობა შეიძლება სკანირებული და კორელაცია იყოს სხვადასხვა სტატისტიკური მეთოდების გამოყენებით სასარგებლო ინფორმაციის აღმოსაჩენად. საკრედიტო ბარათების კომპანიებს შეუძლიათ იპოვონ ყიდვის ნიმუშები, რომლებიც მიუთითებს, რომ ბარათი მოიპარეს, ან რომ ბარათის მფლობელს ფინანსურად უჭირს. საცალო მოვაჭრეებმა შეიძლება იპოვონ ყიდვის ნიმუშები, რომლებიც მიუთითებს იმაზე, რომ მომხმარებელი ორსულია, მანამდეც კი, სანამ თავად გაიგებს ამას. დიდი მონაცემები კომპიუტერებს საშუალებას აძლევს გაიგონ სამყარო ისე, როგორც ჩვენ, ადამიანებს, საკუთარ თავზე ვერასოდეს შეგვეძლო.