Mākslīgā intelekta sistēmu veidi

Kopš datoru pirmajiem laikiem pētnieki ir mēģinājuši izveidot sistēmas, kas atdarina cilvēka intelektu. Lai gan silīcija Einšteins joprojām var būt tāla iespēja, mākslīgais intelekts jeb AI mums ir atnesis tālruņi, kas atpazīst cilvēka runu, automašīnas, kas vada pašas, un ekspertu sistēmas, kas sacenšas televīzijas spēlēs rāda. Gadu gaitā AI pētniecība ir virzījusies cauri vairākām evolūcijām, un, katrai tehnoloģijai attīstoties, tie ir kļuvuši par mūsu ikdienas pieredzes daļu.

Agrīnie pētnieki cīnījās ar ierobežotu apstrādes jaudu un datora krātuvi, taču joprojām to nolika AI pamats ar programmēšanas valodām, piemēram, LISP, un tādiem jēdzieniem kā lēmumu koki un mašīna mācīšanās. Programmas, kas rakstītas LISP, var viegli analizēt tādas spēles kā šahs, kartēt visas iespējamās kustības vairākiem gājieniem un pēc tam izvēlēties labāko alternatīvu. Šīs programmas varētu arī mainīt savu lēmumu loģiku un mācīties no iepriekšējām kļūdām, laika gaitā kļūstot "gudrākas". Ar jaudīgākiem datoriem un lētāku lielapjoma krātuvi šī AI nozare radīja datorspēļu nozari, kā arī dažādas personalizētas meklētājprogrammas un tiešsaistes iepirkšanās vietnes, kas ne tikai atceras mūsu preferences, bet arī paredz mūsu vajadzībām.

Lai gan pirmais AI pētnieku vilnis paļāvās uz skaitļošanas cikliem, lai modelētu cilvēka domāšanu, nākamā pieeja balstījās uz faktiem un datiem, lai atdarinātu cilvēka pieredzi. Ekspertu sistēmas apkopoja faktus un noteikumus zināšanu bāzē, pēc tam izmantoja datorizētus secinājumu dzinējus, lai secinātu jaunus faktus vai atbildētu uz jautājumiem. Zināšanu inženieri intervēja medicīnas, automobiļu remonta, rūpnieciskā dizaina vai citu profesiju ekspertus, pēc tam šos secinājumus reducēja mašīnlasāmos faktos un noteikumos. Pēc tam citi izmantoja šīs zināšanu bāzes, lai palīdzētu diagnosticēt problēmas vai atbildētu uz jautājumiem. Tehnoloģijai attīstoties, pētnieki atrada veidus, kā automatizēt zināšanu bāzes izstrādi, iekļaujoties tajā tehnisko literatūru vai ļaujot programmatūrai pārmeklēt tīmekli, lai atrastu tajā atbilstošu informāciju pašu.

Cita pētnieku grupa mēģināja reproducēt cilvēka smadzeņu darbību, izveidojot mākslīgus neironu un sinapsu tīklus. Izmantojot apmācību, šie neironu tīkli varēja atpazīt modeļus no nejaušiem datiem. Attēli vai skaņas tiek ievadīti tīkla ievades pusē, bet pareizās atbildes tiek ievadītas izvades pusē. Laika gaitā tīkli pārkārto savu iekšējo struktūru, lai, kad tiek ievadīta līdzīga ievade, tīkls atgrieztu pareizo atbildi. Neironu tīkli darbojas labi, reaģējot uz cilvēka runu vai pārvēršot skenētos attēlus tekstā. Programmatūra, kas balstās uz šo tehnoloģiju, var lasīt grāmatas neredzīgiem cilvēkiem vai tulkot runu no vienas valodas uz citu.

Liela mēroga datu analīze, ko bieži sauc par "lielajiem datiem", izmanto daudzu datoru iespējas, lai atklātu faktus un attiecības datos, ko cilvēka prāts nevar aptvert. Triljoniem kredītkaršu maksu vai miljardiem sociālo tīklu attiecību var skenēt un korelēt, izmantojot dažādas statistikas metodes, lai atklātu noderīgu informāciju. Kredītkaršu uzņēmumi var atrast pirkšanas modeļus, kas norāda, ka karte ir nozagta vai kartes īpašniekam ir finansiālas grūtības. Mazumtirgotāji var atrast pirkšanas modeļus, kas norāda, ka kliente ir stāvoklī, pat pirms viņa pati to nezina. Lielie dati ļauj datoriem izprast pasauli tā, kā mēs, cilvēki, paši nevarētu.