Tehisintellekti päritolu: kuidas 1980. aastad panid aluse tänapäeva generatiivsetele mudelitele – Pilt: Xpert.Digital
Tehisintellekti pioneerid: miks 1980. aastad olid visionääride kümnend
Revolutsioonilised 80ndad: närvivõrkude ja tänapäevase tehisintellekti sünd
1980. aastad olid tehnoloogiamaailmas muutuste ja innovatsiooni kümnend. Arvutite üha enam ettevõtetesse ja kodudesse jõudes töötasid teadlased ja uurijad masinate intelligentsemaks muutmise nimel. See ajastu pani aluse paljudele tehnoloogiatele, mida me nüüd iseenesestmõistetavaks peame, eriti tehisintellekti (AI) valdkonnas. Selle kümnendi edusammud olid mitte ainult murrangulised, vaid on ka sügavalt mõjutanud seda, kuidas me tänapäeval tehnoloogiaga suhtleme.
Neuraalvõrkude taassünd
Pärast 1970. aastate skeptitsismiperioodi närvivõrkude suhtes kogesid need 1980. aastatel taassünni. See oli suuresti tänu John Hopfieldi ja Geoffrey Hintoni tööle.
John Hopfield ja Hopfieldi võrgustikud
1982. aastal esitles John Hopfield uut närvivõrkude mudelit, mis hiljem sai tuntuks kui Hopfieldi võrk. See võrk oli võimeline salvestama mustreid ja neid energia minimeerimise abil taastama. See oli oluline samm assotsiatiivse mälu suunas ja demonstreeris, kuidas närvivõrke saab kasutada teabe usaldusväärseks salvestamiseks ja rekonstrueerimiseks.
Geoffrey Hinton ja Boltzmanni masin
Geoffrey Hinton, üks mõjukamaid tehisintellekti uurijaid, töötas koos Terrence Sejnowskiga välja Boltzmanni masina. See stohhastiline närvivõrgusüsteem suutis õppida keerulisi tõenäosusjaotusi ja seda kasutati andmete mustrite tuvastamiseks. Boltzmanni masin pani aluse paljudele hilisematele arengutele süvaõppe ja generatiivsete mudelite valdkonnas.
Need mudelid olid murrangulised, sest näitasid, kuidas närvivõrke saab kasutada mitte ainult andmete klassifitseerimiseks, vaid ka uute andmete genereerimiseks või mittetäielike andmete täiendamiseks. See oli oluline samm generatiivsete mudelite suunas, mida nüüd paljudes valdkondades kasutatakse.
Ekspertsüsteemide esiletõus
1980. aastad olid ka ekspertsüsteemide kümnend. Nende süsteemide eesmärk oli kodeerida ja kasutada konkreetsete valdkondade spetsialistide teadmisi keeruliste probleemide lahendamiseks.
Definitsioon ja rakendamine
Ekspertsüsteemid põhinevad reeglipõhistel lähenemisviisidel, kus teadmised salvestatakse kui-siis reeglite kujul. Neid on kasutatud paljudes valdkondades, sealhulgas meditsiinis, rahanduses, tootmises ja mujal. Tuntud näide on meditsiiniline ekspertsüsteem MYCIN, mis aitas diagnoosida bakteriaalseid infektsioone.
Tähtsus tehisintellekti jaoks
Ekspertsüsteemid demonstreerisid tehisintellekti potentsiaali praktilistes rakendustes. Need näitasid, kuidas masinteadmisi saab kasutada otsuste langetamiseks ja probleemide lahendamiseks, mis varem nõudsid inimese teadmisi.
Vaatamata edule on ekspertsüsteemid paljastanud ka reeglipõhiste lähenemisviiside piirangud. Neid oli sageli keeruline uuendada ja need ei suutnud ebakindlusega toime tulla. See viis ümbermõtlemiseni ja lõi ruumi uutele lähenemisviisidele masinõppes.
Masinõppe edusammud
1980. aastad tähistasid üleminekut reeglipõhistelt süsteemidelt andmepõhistele õppemeetoditele.
Tagasilevitamise algoritm
Oluline läbimurre oli närvivõrkude tagasilevitamise algoritmi taasavastamine ja populariseerimine. See algoritm võimaldas mitmekihilises närvivõrgus kaalusid tõhusalt reguleerida, levitades viga võrgus tagasi. See muutis sügavamad võrgud praktilisemaks ja pani aluse tänapäevasele süvaõppele.
Lihtsad generatiivsed mudelid
Lisaks klassifitseerimisülesannetele hakkasid teadlased välja töötama generatiivseid mudeleid, mis õppisid tundma andmete aluseks olevat jaotust. Naiivne Bayesi klassifikaator on näide lihtsast tõenäosuslikust mudelist, mida on oma eeldustest hoolimata edukalt kasutatud paljudes praktilistes rakendustes.
Need edusammud näitasid, et masinad ei pea toetuma üksnes etteantud reeglitele, vaid saavad ülesannete täitmiseks ka andmetest õppida.
Tehnoloogilised väljakutsed ja läbimurded
Kuigi teoreetiline areng oli paljulubav, seisid teadlased silmitsi oluliste praktiliste väljakutsetega.
Piiratud arvutusvõimsus
1980. aastate riistvara oli tänapäeva standarditega võrreldes väga piiratud. Keeruliste mudelite treenimine oli aeganõudev ja sageli liiga kallis.
Kaduva gradiendi probleem
Sügavate närvivõrkude treenimisel tagasilevitamise abil tekkis tavaline probleem: alumiste kihtide gradiendid muutusid efektiivse õppimise võimaldamiseks liiga väikeseks. See takistas oluliselt sügavamate mudelite treenimist.
Innovatiivsed lahendused:
Piiratud Boltzmanni masinad (RBM-id)
Nende probleemide lahendamiseks töötas Geoffrey Hinton välja piiratud Boltzmanni masinad (RBM-id). RBM-id on Boltzmanni masina lihtsustatud versioon, mille võrgustruktuuris on piirangud, mis hõlbustasid treenimist. Neist said sügavamate mudelite ehitusplokid ja need võimaldasid närvivõrkude kiht-kihilt eeltreenimist.
Kihiline eelkoolitus
Võrgu järkjärgulise, kiht kihi haaval treenimise abil suutsid teadlased süvavõrke tõhusamalt treenida. Iga kiht õppis eelmise kihi väljundit muutma, mille tulemuseks oli üldise jõudluse paranemine.
Need uuendused olid üliolulised tehniliste takistuste ületamisel ja närvivõrkude praktilise rakendatavuse parandamisel.
1980. aastate uuringute pikaealisus
Paljud tänapäeval süvaõppes kasutatavad tehnikad pärinevad 1980. aastate töödest – Pilt: Xpert.Digital
1980. aastatel välja töötatud kontseptsioonid mitte ainult ei mõjutanud tolleaegset uurimistööd, vaid sillutasid teed ka tulevastele läbimurretele.
Rakenduskeskse teadmustöötluse uurimisinstituut FAW Ulm (Rakenduskeskse teadmustöötluse uurimisinstituut) asutati 1987. aastal esimese sõltumatu tehisintellekti instituudina. Sellega olid seotud sellised ettevõtted nagu DaimlerChrysler AG, Jenoptik AG, Hewlett-Packard GmbH, Robert Bosch GmbH ja mitmed teised. Mina ise töötasin seal aastatel 1988–1990 teadusassistendina .
Süvaõppe Sihtasutus
Paljud tänapäeval süvaõppes kasutatavad tehnikad pärinevad 1980. aastate töödest. Tagasilevitamise algoritmi ideed, peidetud kihtidega närvivõrkude kasutamine ja kiht-kihilt eelkoolitamine on tänapäevaste tehisintellekti mudelite kesksed komponendid.
Kaasaegsete generatiivsete mudelite väljatöötamine
Varajane töö Boltzmanni masinate ja rõngasmoodulite kallal mõjutas variatsiooniliste autoenkoodrite (VAE) ja generatiivsete võistlusvõrkude (GAN) arengut. Need mudelid võimaldavad genereerida realistlikke pilte, teksti ja muid andmeid ning neil on rakendusi sellistes valdkondades nagu kunst, meditsiin ja meelelahutus.
Mõju teistele uurimisvaldkondadele
1980. aastate meetodid ja kontseptsioonid on mõjutanud ka teisi valdkondi, nagu statistika, füüsika ja neuroteadus. Selle uurimistöö interdistsiplinaarsus on viinud nii tehislike kui ka bioloogiliste süsteemide sügavama mõistmiseni.
Rakendused ja mõju ühiskonnale
1980. aastate edusammud viisid spetsiifiliste rakendusteni, mis moodustavad aluse paljudele tänapäeva tehnoloogiatele.
Kõnetuvastus ja süntees
Varaseid närvivõrke kasutati kõnemustrite tuvastamiseks ja taasesitamiseks. See pani aluse häälassistentidele nagu Siri või Alexa.
Kujutise ja mustri tuvastamine
Neuraalvõrkude võime tuvastada keerulisi mustreid on leidnud rakendusi meditsiinilises pildistamises, näotuvastuses ja muudes turvalisusega seotud tehnoloogiates.
Autonoomsed süsteemid
1980. aastate masinõppe ja tehisintellekti põhimõtted on autonoomsete sõidukite ja robotite arendamise aluseks.
1980ndad: intelligentne õppimine ja genereerimine
1980. aastad olid kahtlemata tehisintellekti uuringute läbimurrete aastakümme. Vaatamata piiratud ressurssidele ja arvukatele väljakutsetele oli teadlastel nägemus intelligentsetest masinatest, mis on võimelised õppima ja genereerima.
Tänapäeval ehitame me just neile alustele ja kogeme ajastut, kus tehisintellekt on kohal peaaegu igas meie elu aspektis. Alates isikupärastatud soovitustest internetis kuni läbimurreteni meditsiinis – need tehnoloogiad, mille juured ulatuvad 1980. aastatesse, on innovatsiooni edasiviijad.
On põnev näha, kuidas tolleaegseid ideid ja kontseptsioone rakendatakse nüüd väga keerukates ja võimsates süsteemides. Nende pioneeride töö pole mitte ainult võimaldanud tehnoloogilist arengut, vaid on ka sütitanud filosoofilisi ja eetilisi arutelusid tehisintellekti rolli üle meie ühiskonnas.
1980. aastate tehisintellekti uuringud ja arendused olid tänapäeval kasutatavate moodsate tehnoloogiate kujundamisel üliolulised. Närvivõrkude kasutuselevõtu ja täiustamise, tehniliste väljakutsete ületamise ning õppimis- ja genereerimisvõimeliste masinate ettekujutamise abil sillutasid selle kümnendi teadlased teed tulevikule, kus tehisintellektil on keskne roll.
Selle ajastu edulood ja väljakutsed tuletavad meile meelde baasuuringute ja innovatsiooni poole püüdlemise olulisust. 1980. aastate vaim elab edasi igas uues tehisintellekti arenduses ja inspireerib tulevasi põlvkondi pidevalt võimalikkuse piire nihutama.
Sobib selleks: