Nuo pat pirmųjų kompiuterių laikų mokslininkai bandė sukurti sistemas, imituojančias žmogaus intelektą. Nors silicio Einšteino galimybė vis dar yra tolima, dirbtinis intelektas arba AI mums atnešė telefonai, atpažįstantys žmogaus kalbą, automobiliai, kurie vairuoja patys, ir ekspertinės sistemos, kurios konkuruoja televizijos žaidimuose rodo. Bėgant metams dirbtinio intelekto tyrimai pasikeitė per keletą evoliucijų ir, kiekvienai technologijai tobulėjant, jie tapo mūsų kasdienės patirties dalimi.
Mašininis mokymasis
Ankstyvieji tyrinėtojai kovojo su ribota apdorojimo galia ir kompiuterio saugykla, tačiau vis tiek padėjo AI pagrindas su programavimo kalbomis, pvz., LISP, ir tokiomis sąvokomis kaip sprendimų medžiai ir mašina mokymasis. LISP parašytos programos gali nesunkiai analizuoti tokius žaidimus kaip šachmatai, suplanuoti visus galimus kelių ėjimų ėjimus, tada pasirinkti geriausią alternatyvą. Šios programos taip pat galėtų pakeisti savo sprendimų logiką ir pasimokyti iš ankstesnių klaidų, laikui bėgant tapdamos „gudresnės“. Turėdama galingesnius kompiuterius ir pigesnę masinę saugyklą, ši dirbtinio intelekto šaka sukūrė kompiuterinių žaidimų pramonę, taip pat įvairių suasmenintų paieškos sistemų ir internetinių apsipirkimo svetainių, kurios ne tik prisimena mūsų pageidavimus, bet ir numato mūsų poreikiai.
Dienos vaizdo įrašas
Ekspertų sistemos
Nors pirmoji AI tyrėjų banga rėmėsi skaičiavimo ciklais, kad imituotų žmogaus samprotavimus, kitas požiūris rėmėsi faktais ir duomenimis, kad imituotų žmogaus patirtį. Ekspertų sistemos surinko faktus ir taisykles į žinių bazę, tada naudojo kompiuterinius išvadų variklius, kad nustatytų naujus faktus arba atsakytų į klausimus. Žinių inžinieriai apklausė medicinos, automobilių remonto, pramoninio dizaino ar kitų profesijų ekspertus, o vėliau šias išvadas pavertė mašininiu būdu nuskaitomais faktais ir taisyklėmis. Tada kiti naudojo šias žinių bazes, kad padėtų diagnozuoti problemas arba atsakyti į klausimus. Technologijoms brendus, mokslininkai rado būdų, kaip automatizuoti žinių bazės kūrimą, papildymą techninės literatūros šaltinius arba leisti programinei įrangai naršyti žiniatinklyje, kad surastų atitinkamą informaciją savo.
Neuroniniai tinklai
Kita mokslininkų grupė bandė atkurti žmogaus smegenų veiklą kurdama dirbtinius neuronų ir sinapsių tinklus. Mokydamiesi šie neuroniniai tinklai gali atpažinti modelius iš atsitiktinių duomenų. Vaizdai arba garsai įvedami į tinklo įvesties pusę, o teisingi atsakymai – į išvesties pusę. Laikui bėgant tinklai pertvarko savo vidinę struktūrą taip, kad kai įvedama panaši įvestis, tinklas grąžintų teisingą atsakymą. Neuroniniai tinklai gerai veikia reaguojant į žmogaus kalbą arba verčiant nuskaitytus vaizdus į tekstą. Programinė įranga, kuri remiasi šia technologija, gali skaityti knygas akliesiems arba išversti kalbą iš vienos kalbos į kitą.
Dideli duomenys
Didelės apimties duomenų analizė, dažnai vadinama „dideliais duomenimis“, išnaudoja daugelio kompiuterių galią, kad būtų galima atrasti faktus ir ryšius tarp duomenų, kurių žmogaus protas negali suprasti. Trilijonai kredito kortelių mokesčių arba milijardai socialinių tinklų ryšių gali būti nuskaityti ir susieti naudojant įvairius statistinius metodus, kad būtų galima rasti naudingos informacijos. Kredito kortelių bendrovės gali rasti pirkimo modelius, rodančius, kad kortelė buvo pavogta arba kad kortelės turėtojas turi finansinių sunkumų. Mažmenininkai gali rasti pirkimo modelių, rodančių, kad klientė yra nėščia, net jei ji pati apie tai nežino. Dideli duomenys leidžia kompiuteriams suprasti pasaulį taip, kaip mes, žmonės, patys niekada negalėtume.
