Avaldatud: 14. detsember 2024 / UPDATE 2: 14. detsember 2024 - Autor: Konrad Wolfenstein
Tehisintellekti päritolust: kuidas 1980ndad pani aluse tänastele generatiivsetele mudelitele - pilt: xpert.digital
AI teerajajad: miks 1980ndad olid visionääride kümnend
Revolutsioonilised 80ndad: neuronaalsete võrkude ja kaasaegse AI sünd
1980ndad olid tehnoloogiamaailmas muutuste ja innovatsiooni kümme aastat. Kui arvutid kolisid üha enam ettevõtetesse ja leibkondadesse, töötasid teadlased ja teadlased masinate intelligentsemaks muutmise nimel. See ajastu pani vundamendi kivi paljudele tehnoloogiatele, mida me tänapäeval iseenesestmõistetavaks peame, eriti tehisintellekti (AI) valdkonnas. Selle kümnendi edusammud ei olnud mitte ainult murrangulised, vaid ka olnud püsiv mõju sellele, kuidas me tänapäeval tehnoloogiaga suhtleme.
Närvivõrkude taassünd
Pärast skeptitsismi etappi võrreldes 1970. aastate neuronaalsete võrkudega, oli neil 1980. aastatel renessanss. See oli suuresti tänu John Hopfieldi ja Geoffrey Hintoni tööle.
John Hopfield ja Hopfieldi võrgud
1982. aastal esitas John Hopfield uue neuronaalsete võrkude mudeli, mis hiljem sai tuntuks kui Hopfield Network. See võrk suutis mustreid salvestada ja meenutada energilise minimeerimise kaudu. See oli oluline samm assotsiatiivse mälu poole ja näitas, kuidas närvivõrke saab kasutada teabe röövimiseks ja rekonstrueerimiseks.
Geoffrey Hinton ja Boltzmanni masin
Geoffrey Hinton, üks mõjukamaid AI -teadlasi, töötas välja Boltzmanni masina koos Terrence Sejnowskiga. See stohhastiline närvivõrgusüsteem suutis õppida keerulisi tõenäosusjaotusi ja seda kasutati andmetes mustrite äratundmiseks. Boltzmanni masin pani vundamendi kivi paljudeks hilisemateks arenguteks süvaõppe ja generatiivsete mudelite valdkonnas.
Need mudelid olid murrangulised, kuna need näitasid, kuidas närvivõrke saab kasutada mitte ainult andmete klassifitseerimiseks, vaid ka uute andmete genereerimiseks või mittetäielike andmete täitmiseks. See oli ülioluline samm generatiivsete mudelite poole, mida tänapäeval paljudes piirkondades kasutatakse.
Ekspertsüsteemide tõus
1980ndad olid ka ekspertsüsteemide kümnend. Nende süsteemide eesmärk oli keerukate probleemide lahendamiseks kodifitseerida ja kasutada teatud valdkondades inimmiekspertide teadmisi.
Määratlus ja rakendus
Ekspertsüsteemid põhinevad reeglipõhistel lähenemisviisidel, milles teadmised säilitatakse IF-reeglite vormis. Neid kasutati paljudes valdkondades, sealhulgas meditsiinis, rahandus, tootmine ja palju muud. Hästi tuntud näide on Mycini meditsiiniline ekspertsüsteem, mis aitas diagnoosida bakteriaalseid infektsioone.
Tähendus AI jaoks
Ekspertsüsteemid näitasid AI potentsiaali praktilistes rakendustes. Nad demonstreerisid, kuidas saab masina teadmisi kasutada otsuste vastuvõtmiseks ja probleemide lahendamiseks, mis varem nõudsid inimeste teadmisi.
Vaatamata nende edule näitasid ekspertsüsteemid ka regulaarsete lähenemisviiside piire. Neid oli sageli keeruline värskendada ega suutnud ebakindlusega hästi hakkama saada. See viis ümber mõtlema ja lõi ruumi uute lähenemisviiside jaoks masinõppe alal.
Masinaõppe areng
1980ndad tähistasid üleminekut reeglipõhistest süsteemidelt andmete loodud õppimismeetoditele.
Tagasi leviku algoritm
Oluline läbimurre oli närvivõrkude selja leviku algoritmi taasavastamine ja populariseerimine. See algoritm võimaldas mitme neuronaalses võrgus raskusi tõhusalt kohandada, levitades viga võrgu kaudu. See muutis sügavamad võrgud praktilisemaks ja pani aluse tänasele sügavale õppimisele.
Lihtsad generatiivsed mudelid
Lisaks klassifitseerimisülesannetele hakkasid teadlased välja töötama generatiivseid mudeleid, mis õppisid andmete aluseks olevat jaotust. Naiivne Bayesi klassifikaator on näide lihtsast tõenäosusmudelist, mida vaatamata oma eeldustele kasutati edukalt paljudes praktilistes rakendustes.
See edasiminek näitas, et masinad ei tohi mitte ainult sõltuda eelnevalt määratletud reeglitest, vaid õppida andmetest ka ülesannetega tegelemiseks.
Tehnoloogilised väljakutsed ja läbimurre
Ehkki teoreetiline areng oli paljutõotav, seisid teadlased silmitsi oluliste praktiliste väljakutsetega.
Piiratud arvutusvõimsus
1980ndate riistvara oli tänapäevaste standarditega võrreldes väga piiratud. Keerukate mudelite koolitus oli ajaline ja sageli taskukohane.
Kaduva gradiendi probleem
Sügavate neuronaalsete võrkude treenimisel selja levimisega ilmnes sageli, et madalamate kihtide gradiendid muutusid tõhusa õppimise võimaldamiseks liiga väikeseks. See tegi madalamate mudelite treenimise märkimisväärselt olulisemaks.
Uuenduslikud lahendused:
Piiratud Boltzmanni masinad (RBMS)
Nende probleemide lahendamiseks töötas Geoffrey Hinton välja piiratud Boltzmanni masinad. RBMS on Boltzmanni masina lihtsustatud versioon, mille piirangud on võrgustruktuuris, mis tegi treeningu lihtsamaks. Neist said sügavamate mudelite ehitusplokid ja võimaldasid treeningueelsete neuronaalsete võrkude kihti.
Vahetused enne koolitust
Järk -järgult võrku, ühe kihi teise järel, said teadlased tõhusamalt sügavaid võrgustikke treenida. Iga kiht õppis eelmise kihi väljundi muutmiseks, mis viis parema üldise jõudluseni.
Need uuendused olid tehniliste takistuste ületamiseks ja neuronaalsete võrkude praktilise rakendatavuse parandamiseks üliolulised.
80ndate uuringute pikaealisus
Paljud tänapäeval kasutatud sügavas õppimises kasutatud tehnikad on pärit 1980. aastate tööst - pilt: xpert.digital
1980ndatel välja töötatud mõisted ei mõjutanud mitte ainult sel ajal teadusuuringuid, vaid sillutasid teed ka edaspidiseks läbimurdeks.
Esimene tehisintellekti sõltumatu instituut asutati 1987. aastal koos FAW ULM -iga (rakenduse -orienteeritud teadmiste töötlemise teadusinstituut). Osalesid sellised ettevõtted nagu Daimlerchrysler AG, Jenoptik AG, Hewlett-Packard GmbH, Robert Bosch GmbH ja veel mõned. Olen ise teadusuuringute assistent aastatel 1988–1990 .
Sügava õppimise alus
Paljud tänapäeval kasutatud sügavas õppimises kasutatud tehnikad on pärit 1980. aastate tööst. Tagapropageerimise algoritmi ideed, varjatud kihtide ja käiguvahetuse stiilidega neuronaalsete võrkude kasutamine on tänapäevaste AI -mudelite kesksed komponendid.
Kaasaegsete generatiivsete mudelite väljatöötamine
Boltzmanni masinate ja RBMS -i varajane töö mõjutas mitmekesiste autokoderite (VAE) ja generatiivsete vastasvõrkude (hani) arengut. Need mudelid võimaldavad realistlikke pilte, tekste ja muid andmeid, et genereerida ja omada rakendusi sellistes valdkondades nagu kunst, meditsiin ja meelelahutus.
Mõju muudele uurimisvaldkondadele
1980. aastate meetodid ja kontseptsioonid on mõjutanud ka muid valdkondi, näiteks statistika, füüsika ja neuroteadused. Selle uurimistöö interdistsiplinaarsus on põhjustanud nii kunstlike kui ka bioloogiliste süsteemide sügavama mõistmise.
Rakendused ja mõju ühiskonnale
1980ndate edusammud on viinud konkreetsete rakendusteni, mis moodustavad tänapäeval paljude tehnoloogiate põhitõed.
Kõnetuvastus ja süntees
Keelemustrite äratundmiseks ja reprodutseerimiseks kasutati varaseid närvivõrke. See pani aluse sellistele hääleassistentidele nagu Siri või Alexa.
Kujutise ja mustri äratundmine
Neuraalvõrkude võimet ära tunda keerukaid mustreid kasutati meditsiinilise pildistamise, näotuvastuse ja muude ohutuse -oluliste tehnoloogiate osas.
Autonoomsed süsteemid
Mehaanilise õppimise ja 1980. aastate AI põhimõtted on autonoomsete sõidukite ja robotite arendamisel üliolulised.
1980ndad: arukas õppimine ja genereerimine
1980ndad olid kahtlemata kümme aastat pärast AI uurimistöö lahkumist. Vaatamata piiratud ressurssidele ja arvukatele väljakutsetele oli teadlastel visioon intelligentsetest masinatest, mis saavad õppida ja genereerida.
Täna tugineme neile põhitõdedele ja kogeme ajastut, kus tehisintellekt on peaaegu igas meie elu aspektis. Isikupärastatud soovitustest Internetis kuni läbimurdeteni meditsiinis - tehnoloogiad, mille algused on 1980. aastatel, aitavad uuendusi.
Põnev on näha, kuidas selle aja ideid ja kontseptsioone rakendatakse nüüd väga keerulistes ja võimsates süsteemides. Pioneeride töö pole mitte ainult teinud tehnilisi edusamme, vaid algatas ka filosoofilised ja eetilised arutelud AI rolli kohta meie ühiskonnas.
1980ndate teadusuuringud ja arengud tehisintellekti valdkonnas olid tänapäevaste tehnoloogiate moodustamiseks üliolulised. Neuraalvõrkude tutvustamise ja täpsustamise, tehniliste väljakutsetega toimetuleku ja õppimise ja genereerimise masinate loomise visiooni kaudu on teadlased sillutanud oma teed tulevikus sellel kümnendil, kus AI mängib keskset rolli.
Selle aja õnnestumised ja väljakutsed tuletavad meile meelde, kui olulised on alusuuringud ja innovatsiooni püüdlus. 1980ndate vaim elab igas uues AI arenduses ja inspireerib tulevasi põlvkondi võimalike piire liigutama.
Sobib selleks: