A mesterséges intelligencia rendszerek típusai
A számítógépek kezdete óta a kutatók olyan rendszereket próbáltak létrehozni, amelyek utánozzák az emberi intelligenciát. Míg a szilícium Einstein még mindig távoli lehetőség, a mesterséges intelligencia vagy az AI olyan telefonokat hozott nekünk, amelyek felismerik az emberi beszédet, önmagukat vezető autókat és szakértői rendszereket, amelyek a televíziós játékműsorokban versenyeznek. Az évek során az AI-kutatás számos fejlődésen ment keresztül, és ahogy az egyes technológiák fejlődtek, mindennapi tapasztalataink részévé váltak.
Gépi tanulás
A korai kutatók a korlátozott feldolgozási teljesítménnyel és a számítógépes tárolással küszködtek, de még mindig lefektették az AI alapjait olyan programozási nyelvekkel, mint a LISP, és olyan koncepciókkal, mint a döntési fák és a gépi tanulás. A LISP-ben írt programok könnyen elemezhetik az olyan játékokat, mint a sakk, feltérképezhetik az összes lehetséges lépést több körben, majd kiválaszthatják a legjobb alternatívát. Ezek a programok módosíthatják döntési logikájukat és tanulhatnak a korábbi hibákból, és idővel "okosabbak" lesznek. Erősebb számítógépekkel és olcsóbb háttértárral a mesterséges intelligencia ezen ága elindította a számítógépes játékipart, valamint számos személyre szabott keresőmotort és online vásárlási oldalt, amelyek nemcsak emlékeznek a preferenciáinkra, hanem előre látják az igényeinket.
Szakértői rendszerek
Míg az AI-kutatók első hulláma számítástechnikai ciklusokra támaszkodott az emberi gondolkodás szimulálására, a következő megközelítés tényekre és adatokra támaszkodott az emberi tapasztalat utánzására. A szakértői rendszerek a tényeket és a szabályokat tudásbázisba gyűjtötték, majd számítógép-alapú következtetési motorokat használtak új tények levezetésére vagy kérdések megválaszolására. A tudásmérnökök megkérdezték az orvostudomány, az autójavítás, az ipari formatervezés vagy más szakmák szakértőit, majd ezeket a megállapításokat géppel olvasható tényekké és szabályokká redukálták. Ezeket a tudásbázisokat aztán mások is felhasználták a problémák diagnosztizálására vagy a kérdések megválaszolására. Ahogy a technológia fejlődött, a kutatók megtalálták a módját a tudásbázis-fejlesztés automatizálásának, a szakirodalom tömkelegébe történő betáplálásával vagy a szoftverrel, hogy feltérképezzék az internetet, hogy önállóan megtalálják a releváns információkat.
Neurális hálózatok
A kutatók egy másik csoportja az emberi agy működését próbálta reprodukálni neuronok és szinapszisok mesterséges hálózatainak létrehozásával. A képzéssel ezek a neurális hálózatok felismerhetik a véletlenszerű adatoknak tűnő mintákat. A képek vagy hangok a hálózat bemeneti oldalára, a helyes válaszok pedig a kimeneti oldalra kerülnek. Idővel a hálózatok átszervezik belső struktúrájukat, hogy amikor hasonló bemenet érkezik, a hálózat a helyes választ adja vissza. A neurális hálózatok jól működnek, amikor emberi beszédre reagálnak, vagy amikor a beolvasott képeket szöveggé fordítják. Az erre a technológiára támaszkodó szoftverek képesek könyveket olvasni a vakoknak, vagy lefordítani a beszédet egyik nyelvről a másikra.
Big Data
A nagy léptékű adatelemzés, amelyet gyakran "nagy adatnak" neveznek, számos számítógép erejét hasznosítja, hogy olyan tényeket és összefüggéseket fedezzen fel az adatokban, amelyeket az emberi elme nem képes felfogni. Több billió hitelkártya-terhelés vagy több milliárd közösségi hálózati kapcsolat szkennelhető és korrelálható különféle statisztikai módszerekkel, hogy hasznos információkat fedezzenek fel. A hitelkártya-társaságok olyan vásárlási mintákat találhatnak, amelyek azt jelzik, hogy egy kártyát elloptak, vagy a kártyabirtokos pénzügyi nehézségekkel küzd. A kiskereskedők olyan vásárlási mintákat találhatnak, amelyek azt jelzik, hogy az ügyfél terhes, még azelőtt, hogy ezt ő maga is tudná. A nagy adatok lehetővé teszik a számítógépek számára, hogy olyan módon értsék meg a világot, ahogyan mi, emberek, egyedül soha nem tudnánk.