Gepubliseer op: 14 Desember 2024 / Opdatering vanaf: 14 Desember 2024 - Skrywer: Konrad Wolfenstein
Uit die oorsprong van kunsmatige intelligensie: Hoe die 1980's die grondslag gelê het vir vandag se generatiewe modelle - Beeld: Xpert.Digital
Pioniers van KI: Waarom die 1980's die dekade van die visioenêre was
Revolusionêre 80's: Die geboorte van neurale netwerke en moderne KI
Die 1980's was 'n dekade van verandering en innovasie in die wêreld van tegnologie. Namate rekenaars toenemend hul weg na besighede en huishoudings gevind het, het wetenskaplikes en navorsers gewerk om masjiene meer intelligent te maak. Hierdie era het die grondslag gelê vir baie van die tegnologieë wat ons vandag as vanselfsprekend aanvaar, veral op die gebied van kunsmatige intelligensie (KI). Die vooruitgang van hierdie dekade was nie net baanbrekend nie, maar het 'n groot invloed gehad op hoe ons vandag met tegnologie omgaan.
Die wedergeboorte van neurale netwerke
Na 'n tydperk van skeptisisme oor neurale netwerke in die 1970's, het hulle 'n renaissance in die 1980's beleef. Dit was grootliks te danke aan die werk van John Hopfield en Geoffrey Hinton.
John Hopfield en die Hopfield-netwerke
In 1982 het John Hopfield 'n nuwe model van neurale netwerke aangebied, wat later as die Hopfield-netwerk bekend geword het. Hierdie netwerk was in staat om patrone te stoor en dit te herwin deur energieke minimalisering. Dit het 'n belangrike stap in die rigting van assosiatiewe geheue verteenwoordig en het gewys hoe neurale netwerke gebruik kan word om inligting sterk te stoor en te rekonstrueer.
Geoffrey Hinton en die Boltzmann-masjien
Geoffrey Hinton, een van die mees invloedryke KI-navorsers, het die Boltzmann-masjien saam met Terrence Sejnowski ontwikkel. Hierdie stogastiese neurale netwerkstelsel kon komplekse waarskynlikheidsverdelings aanleer en is gebruik om patrone in data te herken. Die Boltzmann-masjien het die grondslag gelê vir baie latere ontwikkelings op die gebied van diep leer en generatiewe modelle.
Hierdie modelle was baanbreker omdat hulle gewys het hoe neurale netwerke gebruik kan word om nie net data te klassifiseer nie, maar ook nuwe data te genereer of onvolledige data te voltooi. Dit was 'n beslissende stap in die rigting van die generatiewe modelle wat vandag op baie gebiede gebruik word.
Die opkoms van deskundige stelsels
Die 1980's was ook die dekade van kundige stelsels. Hierdie stelsels het ten doel gehad om die kundigheid van menslike kundiges in spesifieke domeine te kodifiseer en te benut om komplekse probleme op te los.
Definisie en toepassing
Deskundige stelsels is gebaseer op reëlgebaseerde benaderings waarin kennis in die vorm van as-dan-reëls gestoor word. Hulle is in baie velde gebruik, insluitend medisyne, finansies, vervaardiging en meer. 'n Bekende voorbeeld is die mediese kundige stelsel MYCIN, wat gehelp het om bakteriële infeksies te diagnoseer.
Belangrikheid vir KI
Deskundige stelsels het die potensiaal van KI in praktiese toepassings getoon. Hulle het gedemonstreer hoe masjienkennis gebruik kan word om besluite te neem en probleme op te los wat voorheen menslike kundigheid vereis het.
Ten spyte van hul sukses, het deskundige stelsels ook die beperkings van reëlgebaseerde benaderings getoon. Hulle was dikwels moeilik om op te dateer en het onsekerheid nie goed hanteer nie. Dit het gelei tot 'n herbesinning en het ruimte geskep vir nuwe benaderings in masjienleer.
Vooruitgang in masjienleer
Die 1980's was 'n oorgang van reël-gebaseerde stelsels na data-gedrewe leermetodes.
Terugpropagasie-algoritme
'n Sleuteldeurbraak was die herontdekking en popularisering van die terugpropagasie-algoritme vir neurale netwerke. Hierdie algoritme het dit moontlik gemaak om die gewigte in 'n multilaag neurale netwerk doeltreffend aan te pas deur die fout agteruit deur die netwerk te versprei. Dit het dieper netwerke meer prakties gemaak en die grondslag gelê vir vandag se diep leer.
Eenvoudige generatiewe modelle
Benewens klassifikasietake, het navorsers begin om generatiewe modelle te ontwikkel wat die onderliggende verspreiding van die data geleer het. Die Naive Bayes-klassifiseerder is 'n voorbeeld van 'n eenvoudige waarskynlikheidsmodel wat, ten spyte van sy aannames, suksesvol in baie praktiese toepassings gebruik is.
Hierdie vooruitgang het getoon dat masjiene nie net op voorafbepaalde reëls moes staatmaak nie, maar ook uit data kon leer om take te voltooi.
Tegnologiese uitdagings en deurbrake
Alhoewel teoretiese vooruitgang belowend was, het navorsers beduidende praktiese uitdagings in die gesig gestaar.
Beperkte rekenaarkrag
Die hardeware van die 1980's was baie beperk in vergelyking met vandag se standaarde. Opleiding van komplekse modelle was tydrowend en dikwels buitensporig duur.
Die verdwynende gradiëntprobleem
Wanneer diep neurale netwerke met terugpropagasie opgelei word, was 'n algemene probleem dat die gradiënte in die onderste lae te klein geword het om effektiewe leer moontlik te maak. Dit het die opleiding van dieper modelle baie moeiliker gemaak.
Innoverende oplossings:
Beperkte Boltzmann-masjiene (RBM's)
Om hierdie probleme aan te spreek, het Geoffrey Hinton die Beperkte Boltzmann-masjiene ontwikkel. RBM's is 'n vereenvoudigde weergawe van die Boltzmann-masjien met beperkings in die netwerkstruktuur, wat opleiding makliker gemaak het. Hulle het boustene geword vir dieper modelle en het laag-vir-laag voorafopleiding van neurale netwerke moontlik gemaak.
Gelaagde vooropleiding
Deur 'n netwerk geleidelik, een laag op 'n slag, op te lei, kon navorsers diep netwerke meer effektief oplei. Elke laag het geleer om die uitset van die vorige laag te transformeer, wat gelei het tot beter algehele prestasie.
Hierdie innovasies was deurslaggewend om die tegniese hindernisse te oorkom en die praktiese toepaslikheid van neurale netwerke te verbeter.
Die lang lewe van 80's navorsing
Baie van die diepleertegnieke wat vandag gebruik word, het hul oorsprong in die werk van die 1980's - Beeld: Xpert.Digital
Die konsepte wat in die 1980's ontwikkel is, het nie net destyds navorsing beïnvloed nie, maar het ook die weg gebaan vir toekomstige deurbrake.
Die FAW Ulm (Research Institute for Application-Oriented Knowledge Processing), die eerste onafhanklike instituut vir kunsmatige intelligensie, is in 1987 gestig. Maatskappye soos DaimlerChrysler AG, Jenoptik AG, Hewlett-Packard GmbH, Robert Bosch GmbH en verskeie ander was betrokke. Ek was van 1988 tot 1990 daar as 'n navorsingsassistent .
Grondslag vir diep leer
Baie van die diepleertegnieke wat vandag gebruik word, het hul oorsprong in werk vanaf die 1980's. Die idees van die terugpropagasie-algoritme, die gebruik van neurale netwerke met versteekte lae en laag-vir-laag vooropleiding is sentrale komponente van moderne KI-modelle.
Ontwikkeling van moderne generatiewe modelle
Die vroeë werk aan Boltzmann-masjiene en RBM's het die ontwikkeling van Variational Autoencoders (VAE's) en Generative Adversarial Networks (GAN's) beïnvloed. Hierdie modelle maak dit moontlik om realistiese beelde, teks en ander data te genereer en het toepassings op gebiede soos kuns, medisyne en vermaak.
Invloed op ander navorsingsareas
Die metodes en konsepte uit die 1980's het ook ander velde soos statistiek, fisika en neurowetenskap beïnvloed. Die interdissiplinariteit van hierdie navorsing het gelei tot 'n dieper begrip van beide kunsmatige en biologiese sisteme.
Toepassings en effekte op die samelewing
Die vooruitgang van die 1980's het gelei tot spesifieke toepassings wat die basis vorm vir baie van vandag se tegnologieë.
Spraakherkenning en sintese
Vroeë neurale netwerke is gebruik om spraakpatrone te herken en weer te gee. Dit het die grondslag gelê vir stemassistente soos Siri of Alexa.
Beeld- en patroonherkenning
Die vermoë van neurale netwerke om komplekse patrone te herken, het toepassings gevind in mediese beeldvorming, gesigsherkenning en ander sekuriteitsverwante tegnologieë.
Outonome stelsels
Die beginsels van masjienleer en KI vanaf die 1980's is fundamenteel tot die ontwikkeling van outonome voertuie en robotte.
1980's: Intelligente leer en generering
Die 1980's was ongetwyfeld 'n dekade van verandering in KI-navorsing. Ten spyte van beperkte hulpbronne en talle uitdagings, het navorsers 'n visie gehad van intelligente masjiene wat kan leer en genereer.
Vandag bou ons op hierdie fondamente en beleef ons 'n era waarin kunsmatige intelligensie in byna elke aspek van ons lewens teenwoordig is. Van persoonlike aanbevelings op die internet tot deurbrake in medisyne, tegnologie wat in die 1980's begin het, dryf innovasie aan.
Dit is fassinerend om te sien hoe idees en konsepte uit hierdie tyd vandag in hoogs komplekse en kragtige stelsels geïmplementeer word. Die werk van die pioniers het nie net tegniese vooruitgang moontlik gemaak nie, maar het ook filosofiese en etiese besprekings oor die rol van KI in ons samelewing aangewakker.
Die navorsing en ontwikkelings van die 1980's op die gebied van kunsmatige intelligensie was deurslaggewend in die vorming van die moderne tegnologie wat ons vandag gebruik. Deur neurale netwerke bekend te stel en te verfyn, tegniese uitdagings te oorkom en visie te skep om masjiene te skep wat kan leer en genereer, het hierdie dekade se navorsers die weg gebaan vir 'n toekoms waarin KI 'n sentrale rol speel.
Die suksesse en uitdagings van hierdie tyd herinner ons hoe belangrik basiese navorsing en die strewe na innovasie is. Die gees van die 1980's leef voort in elke nuwe KI-ontwikkeling en inspireer toekomstige generasies om voort te gaan om die grense van wat moontlik is te verskuif.
Geskik vir: