Од најранијих дана компјутера, истраживачи су покушавали да створе системе који опонашају људску интелигенцију. Иако је силицијумски Ајнштајн још увек далека могућност, вештачка интелигенција или вештачка интелигенција нам је донела телефоне који препознају људски говор, аутомобиле који се сами возе и експертске системе који се такмиче у телевизијској игрици показује. Током година, истраживање вештачке интелигенције је прошло кроз неколико еволуција и, како је свака технологија сазревала, постала су део нашег свакодневног искуства.
Машинско учење
Рани истраживачи су се борили са ограниченом процесорском снагом и складиштењем рачунара, али су ипак поставили основа АИ са програмским језицима као што је ЛИСП и концептима као што су стабла одлучивања и машина учење. Програми написани на ЛИСП-у могу лако анализирати игре попут шаха, мапирати све могуће потезе за неколико окрета, а затим изабрати најбољу алтернативу. Ови програми би такође могли да модификују своју логику одлучивања и уче из претходних грешака, постајући „паметнији“ током времена. Са моћнијим рачунарима и јефтинијим масовним складиштењем, ова грана вештачке интелигенције покренула је индустрију компјутерских игара, као и мноштво персонализованих претраживача и сајтова за куповину на мрежи који не само да памте наше преференције, већ и предвиђају наше потребе.
Видео дана
Екперт Системс
Док се први талас истраживача вештачке интелигенције ослањао на рачунарске циклусе да би симулирао људско размишљање, следећи приступ се ослањао на чињенице и податке да би опонашао људско искуство. Експертски системи су прикупили чињенице и правила у базу знања, а затим су користили компјутерски засноване механизме закључивања да би закључили нове чињенице или одговорили на питања. Инжењери знања су интервјуисали стручњаке из медицине, поправке аутомобила, индустријског дизајна или других професија, а затим су свели ове налазе у машински читљиве чињенице и правила. Ове базе знања су затим користили други да би помогли у дијагностицирању проблема или одговарању на питања. Како је технологија сазревала, истраживачи су проналазили начине да аутоматизују развој базе знања, уносећи се гомилу техничке литературе или пуштање софтвера да пузи по Вебу да пронађе релевантне информације о њему сопствени.
Неуронске мреже
Друга група истраживача покушала је да репродукује рад људског мозга стварањем вештачких мрежа неурона и синапси. Уз обуку, ове неуронске мреже би могле препознати обрасце из онога што је изгледало као насумични подаци. Слике или звуци се уносе на улазну страну мреже, а тачни одговори се уносе на излазну страну. Временом, мреже реорганизују своју унутрашњу структуру тако да када се унесе сличан улаз, мрежа враћа тачан одговор. Неуронске мреже добро функционишу када реагују на људски говор или када преводе скениране слике у текст. Софтвер који се ослања на ову технологију може да чита књиге за слепе људе или да преводи говор са једног језика на други.
Велики података
Анализа података великих размера, која се често назива „велики подаци“, користи моћ многих рачунара да открију чињенице и односе у подацима које људски ум не може да схвати. Трилиони трошкова кредитних картица или милијарде односа на друштвеним мрежама могу се скенирати и повезати помоћу различитих статистичких метода како би се откриле корисне информације. Компаније за кредитне картице могу пронаћи обрасце куповине који указују на то да је картица украдена или да је власник картице у финансијским потешкоћама. Малопродајни трговци могу пронаћи обрасце куповине који указују на то да је муштерија трудна, чак и пре него што и сама то зна. Велики подаци омогућавају компјутерима да разумеју свет на начин на који ми људи сами никада не бисмо могли.
