Mākslīgā intelekta pirmajās dienās datorzinātnieki mēģināja datorā atjaunot cilvēka prāta aspektus. Šis ir inteliģences veids, kas ir zinātniskās fantastikas priekšmets - mašīnas, kas vairāk vai mazāk domā tāpat kā mēs. Šo izlūkošanas veidu, nepārsteidzot, sauc par saprotamību. Datoru ar saprotamu var izmantot, lai izpētītu, kā mēs spriežam, mācāmies, spriežam, uztveram un izpildām garīgās darbības.
Pirmie saprotamības pētījumi koncentrējās uz reālās pasaules daļu un prāta (no kognitīvo zinātnieku sfēras) modelēšanu datorā. Tas ir ievērojams, ja ņemat vērā, ka šie eksperimenti notika gandrīz pirms 60 gadiem.
Sākotnējie izlūkošanas modeļi koncentrējās uz deduktīvu pamatojumu, lai izdarītu secinājumus. Viens no senākajiem un pazīstamākajiem A.I. šāda veida programmas bija loģikas teorētiķis, kas rakstīts 1956. gadā, lai atdarinātu cilvēka problēmu risināšanas prasmes. Drīz vien loģikas teorētiķis pierādīja 38 no 52 pirmajām 52 teorēmām Principia Mathematica, faktiski uzlabojot vienu teorēmu procesā. Pirmo reizi tika skaidri parādīts, ka mašīna var veikt uzdevumus, par kuriem līdz šim brīdim tika uzskatīts, ka tie prasa intelektu un radošumu.
Drīz pētījumi pievērsās cita veida domāšanai, induktīvai spriešanai. Induktīvais pamatojums ir tas, ko zinātnieks izmanto, pārbaudot datus un mēģinot nākt klajā ar hipotēzi, lai to izskaidrotu. Lai pētītu induktīvo pamatojumu, pētnieki izveidoja kognitīvo modeli, pamatojoties uz NASA laboratorijā strādājošajiem zinātniekiem, palīdzot viņiem identificēt organiskās molekulas, izmantojot viņu zināšanas par organisko ķīmiju. Dendral programma bija pirmais mākslīgā intelekta otrās iezīmes pirmais reālais piemērs, instrumentālisms, metožu vai algoritmu kopums, lai veiktu induktīvu spriešanas uzdevumu, šajā gadījumā molekulu identifikāciju.
Dendral bija unikāls, jo tajā bija iekļauta arī pirmā zināšanu bāze, ja / tad noteikumu kopums, kas piesaistīja zinātnieku zināšanas, ko izmantot līdzās kognitīvajam modelim. Šo zināšanu formu vēlāk sauktu parekspertu sistēma. Abu veidu “inteliģences” pieejamība vienā programmā ļāva datorzinātniekiem jautāt: “Ar ko daži zinātnieki ir daudz labāki par citiem? Vai viņiem ir pārākas kognitīvās prasmes vai lielākas zināšanas? ”
Līdz 1960. gadu beigām atbilde bija skaidra. Dendral sniegums gandrīz pilnībā bija atkarīgs no ekspertu iegūto zināšanu daudzuma un kvalitātes. Kognitīvais modelis bija tikai vāji saistīts ar veiktspējas uzlabojumiem.
Šī atziņa noveda pie lielas paradigmas maiņas mākslīgā intelekta sabiedrībā. Zināšanu inženierija parādījās kā disciplīna, lai modelētu īpašas cilvēku kompetences jomas, izmantojot ekspertu sistēmas. Un viņu radītās ekspertu sistēmas bieži pārsniedza jebkura cilvēka lēmumu pieņēmēja sniegumu. Šie ievērojamie panākumi izraisīja lielu entuziasmu par ekspertu sistēmām mākslīgā intelekta kopienā, militārajā jomā, rūpniecībā, investoros un populārajā presē.
Kad ekspertu sistēmas guva komerciālu panākumu, pētnieki pievērsa uzmanību metodēm, kā šīs sistēmas modelēt un padarīt tās elastīgākas problēmu jomās. Šajā periodā AI kopiena izstrādāja objektorientētu dizainu un hierarhiskas ontoloģijas, kuras pārņēma citas datoru kopienas daļas. Šodien hierarhiskās ontoloģijas ir zināšanu grafiku pamatā, kas pēdējos gados ir piedzīvojuši atjaunošanos.
Kad pētnieki apmetās pie zināšanu attēlošanas formas, kas pazīstama kā “ražošanas noteikumi”, pirmās kārtas predikātu loģikas forma, viņi atklāja, ka sistēmas var mācīties automātiski; i., sistēmas saliek pašas rakstīt vai pārrakstīt kārtulas, lai uzlabotu veiktspēju, pamatojoties uz papildu datiem. Dendrals tika modificēts, un viņam tika dota iespēja apgūt masas spektrometrijas noteikumus, pamatojoties uz eksperimentu empīriskajiem datiem.
Lai cik labas būtu šīs ekspertu sistēmas, tām tomēr bija ierobežojumi. Tie parasti aprobežojās ar noteiktu problēmu jomu un nevarēja atšķirt no vairākām ticamām alternatīvām vai izmantot zināšanas par struktūru vai statistisko korelāciju. Lai risinātu dažus no šiem jautājumiem, pētnieki pievienoja noteiktības faktorus - skaitliskas vērtības, kas norādīja, cik liela varbūtība ir konkrētam faktam.
Otrās paradigmas maiņas sākums AI notika, kad pētnieki saprata, ka noteiktības faktorus var ietvert statistiskajos modeļos. Statistiku un Bajesa secinājumu varētu izmantot, lai modelētu domēna zināšanas no empīriskajiem datiem. No šī brīža mākslīgajā intelektā arvien vairāk dominēs mašīnmācīšanās.
Tomēr ir problēma. Kaut arī mašīnmācīšanās paņēmieni, piemēram, nejaušs mežs, neironu tīkli vai GBT (ar gradientu palielināti koki), sniedz precīzus rezultātus, tie ir gandrīz necaursitamas melnās kastes. Bez saprotamas izejas mašīnmācīšanās modeļi vairākos aspektos ir mazāk noderīgi nekā tradicionālie modeļi. Piemēram, izmantojot tradicionālo AI modeli, praktizētājs varētu jautāt:
- Kāpēc modelis pieļāva šo kļūdu?
- Vai modelis ir neobjektīvs?
- Vai mēs varam pierādīt atbilstību normatīvajiem aktiem?
- Kāpēc modelis nepiekrīt domēna ekspertam?
Saprotamības trūkumam ir arī apmācības sekas. Ja modelis saplīst un nevar izskaidrot iemeslu, to ir grūtāk salabot. Vai pievienot vairāk piemēru? Kādi piemēri? Lai gan ir daži vienkārši kompromisi, kurus mēs varam veikt starplaikā, piemēram, pieņemot mazāk precīzas prognozes apmaiņā pret saprotamību, spēja izskaidrot mašīnmācīšanās modeļus ir kļuvusi par vienu no nākamajiem lielajiem sasniegumiem, kas jāsasniedz AI.
Viņi saka, ka vēsture atkārtojas. Agrīnie AI pētījumi, tāpat kā mūsdienās, bija vērsti uz cilvēka pamatojuma un kognitīvo modeļu modelēšanu. Trīs galvenie jautājumi, ar kuriem saskaras agri AI pētnieki - zināšanas, skaidrojums un elastība - arī joprojām ir galvenie mūsdienu diskusijās par mašīnmācīšanās sistēmām.
Zināšanas tagad izpaužas kā datu forma, un nepieciešamība pēc elastības ir redzama neironu tīklu trauslumā, kur nelieli datu traucējumi rada dramatiski atšķirīgus rezultātus. Arī AI pētnieku galvenā prioritāte ir kļuvusi izskaidrojamība. Tas ir nedaudz ironiski, kā 60 gadus vēlāk mēs esam mēģinājuši atveidot cilvēka domāšanu līdz jautājumam mašīnām, kā viņi domā.
