Met die huidige gons rondom kunsmatige intelligensie (KI), sou dit maklik wees om te aanvaar dat dit 'n onlangse innovasie is. Trouens, KI bestaan al meer as 70 jaar in een of ander vorm. Om die huidige generasie KI-gereedskap te verstaan en waarheen dit kan lei, is dit nuttig om te verstaan hoe ons hier gekom het.
Elke generasie KI-instrumente kan gesien word as 'n verbetering op dié wat voorheen gegaan het, maar nie een van die gereedskap is op pad na bewussyn nie.
Die wiskundige en rekenaarpionier Alan Turing het 'n artikel in 1950 gepubliseer met die openingsin: “Ek stel voor om die vraag te oorweeg, 'Kan masjiene dink?'”. Hy gaan voort om iets voor te stel wat die nabootsingspeletjie genoem word, wat nou algemeen die Turing-toets genoem word, waarin 'n masjien as intelligent beskou word as dit nie van 'n mens in 'n blinde gesprek onderskei kan word nie.
Vyf jaar later kom die eerste gepubliseerde gebruik van die frase "kunsmatige intelligensie" in 'n voorstel vir die Dartmouth-somernavorsingsprojek oor kunsmatige intelligensie.
Van daardie vroeë begin af is 'n tak van KI wat bekend geword het as kundige stelsels vanaf die 1960's ontwikkel. Daardie stelsels is ontwerp om menslike kundigheid in gespesialiseerde domeine vas te lê. Hulle het eksplisiete voorstellings van kennis gebruik en is dus 'n voorbeeld van wat simboliese KI genoem word.
Daar was baie goed gepubliseerde vroeë suksesse, insluitend stelsels vir die identifisering van organiese molekules, diagnosering van bloedinfeksies en prospektering vir minerale. Een van die mees opvallende voorbeelde was 'n stelsel genaamd R1 wat, in 1982, na bewering die Digital Equipment Corporation US$25m per jaar bespaar het deur doeltreffende konfigurasies van sy minirekenaarstelsels te ontwerp.
Die belangrikste voordeel van kundige stelsels was dat 'n vakspesialis sonder enige koderingskundigheid in beginsel die rekenaar se kennisbasis kon bou en in stand hou. 'n Sagtewarekomponent bekend as die inferensie-enjin het toe daardie kennis toegepas om nuwe probleme binne die vakdomein op te los, met 'n spoor van bewyse wat 'n vorm van verduideliking verskaf het.
Dit was al die woede in die 1980's, met organisasies wat geskreeu het om hul eie kundige stelsels te bou, en hulle bly vandag 'n nuttige deel van KI.
Voer masjienleer in
Die menslike brein bevat ongeveer 100 biljoen senuweeselle, of neurone, onderling verbind deur 'n dendritiese (vertakte) struktuur. Dus, terwyl kundige stelsels daarop gemik was om menslike kennis te modelleer, het 'n aparte veld bekend as konneksionisme ook ontstaan wat daarop gemik was om die menslike brein op 'n meer letterlike manier te modelleer. In 1943 het twee navorsers Warren McCulloch en Walter Pitts genoem het 'n wiskundige model vir neurone vervaardig, waardeur elkeen 'n binêre uitset sal produseer, afhangende van sy insette.
Een van die vroegste rekenaarimplementasies van gekoppelde neurone is in 1960 deur Bernard Widrow en Ted Hoff ontwikkel. Sulke ontwikkelings was interessant, maar hulle was van beperkte praktiese nut tot die ontwikkeling van 'n leeralgoritme vir 'n sagtewaremodel genaamd die meerlagige perceptron (MLP) in 1986.
Die MLP is 'n rangskikking van tipies drie of vier lae eenvoudige gesimuleerde neurone, waar elke laag ten volle met die volgende verbind is. Die leeralgoritme vir die MLP was 'n deurbraak. Dit het die eerste praktiese hulpmiddel moontlik gemaak wat uit 'n stel voorbeelde (die opleidingsdata) kon leer en dan veralgemeen sodat dit voorheen ongesiene insetdata (die toetsdata) kon klassifiseer.
Dit het hierdie prestasie behaal deur numeriese gewigte op die verbindings tussen neurone te heg en dit aan te pas om die beste klassifikasie met die opleidingsdata te kry, voordat dit ontplooi is om voorheen ongesiene voorbeelde te klassifiseer.
Die MLP kon 'n wye reeks praktiese toepassings hanteer, mits die data in 'n formaat aangebied word wat dit kan gebruik. 'n Klassieke voorbeeld was die herkenning van handgeskrewe karakters, maar slegs as die beelde vooraf verwerk is om die sleutelkenmerke uit te kies.
Nuwer KI-modelle
Na die sukses van die MLP het talle alternatiewe vorme van neurale netwerk begin ontstaan. 'n Belangrike een was die konvolusionele neurale netwerk (CNN) in 1998, wat soortgelyk was aan 'n MLP afgesien van sy bykomende lae neurone vir die identifisering van die sleutelkenmerke van 'n beeld, en sodoende die behoefte aan voorafverwerking verwyder.
Beide die MLP en die CNN was diskriminerende modelle, wat beteken dat hulle 'n besluit kon neem, tipies hul insette klassifiseer om 'n interpretasie, diagnose, voorspelling of aanbeveling te lewer. Intussen is ander neurale netwerkmodelle ontwikkel wat generatief was, wat beteken dat hulle iets nuuts kon skep, nadat hulle opgelei is op groot getalle vorige voorbeelde.
Generatiewe neurale netwerke kan teks, beelde of musiek produseer, sowel as nuwe reekse genereer om te help met wetenskaplike ontdekkings.
Twee modelle van generatiewe neurale netwerk het uitgestaan: generatiewe-teenstandige netwerke (GAN's) en transformatornetwerke. GAN'e behaal goeie resultate omdat hulle deels "teenstanderend" is, wat beskou kan word as 'n ingeboude kritikus wat verbeterde kwaliteit van die "generatiewe" komponent eis.
Transformatornetwerke het tot prominensie gekom deur modelle soos GPT4 (Generative Pre-trained Transformer 4) en sy teksgebaseerde weergawe, ChatGPT. Hierdie groottaalmodelle (LLM's) is opgelei op enorme datastelle, afkomstig van die internet. Menslike terugvoer verbeter hul prestasie nog verder deur sogenaamde versterkingsleer.
Benewens die vervaardiging van 'n indrukwekkende generatiewe vermoë, het die uitgebreide opleidingstel beteken dat sulke netwerke nie meer beperk is tot gespesialiseerde smal domeine soos hul voorgangers nie, maar hulle word nou veralgemeen om enige onderwerp te dek.
Waarheen gaan KI?
Die vermoëns van LLM's het gelei tot ernstige voorspellings van KI wat die wêreld oorneem. Sulke bangmaakpratery is na my mening ongeregverdig. Alhoewel huidige modelle klaarblyklik kragtiger is as hul voorgangers, bly die trajek stewig na groter kapasiteit, betroubaarheid en akkuraatheid, eerder as na enige vorm van bewussyn.
Soos professor Michael Wooldridge opgemerk het in sy getuienis aan die Britse parlement se House of Lords in 2017, "is die Hollywood-droom van bewuste masjiene nie op hande nie, en ek sien inderdaad geen pad wat ons daarheen neem nie". Sewe jaar later geld sy beoordeling steeds.
Daar is baie positiewe en opwindende potensiële toepassings vir KI, maar 'n blik op die geskiedenis toon dat masjienleer nie die enigste hulpmiddel is nie. Simboliese KI speel steeds 'n rol, aangesien dit bekende feite, begrip en menslike perspektiewe laat inkorporeer.
’n Bestuurderlose motor kan byvoorbeeld van die padreëls voorsien word eerder as om dit deur voorbeeld te leer. 'n Mediese diagnosestelsel kan teen mediese kennis gekontroleer word om verifikasie en verduideliking van die uitsette van 'n masjienleerstelsel te verskaf.
Samelewingskennis kan toegepas word om aanstootlike of bevooroordeelde uitsette uit te filter. Die toekoms is blink, en dit sal die gebruik van 'n reeks KI-tegnieke behels, insluitend sommige wat al baie jare bestaan.
Adrian Hopgood, Onafhanklike Konsultant en Emeritus Professor van Intelligente Stelsels, Universiteit van Portsmouth
Hierdie artikel is gepubliseer vanaf Die gesprek onder 'n Creative Commons lisensie. Lees die oorspronklike artikel.
\
