V zgodnjih dneh umetne inteligence so računalniški znanstveniki skušali v računalniku poustvariti vidike človeškega uma. To je vrsta inteligence, ki je stvar znanstvene fantastike - stroji, ki bolj ali manj mislijo kot mi. Ta vrsta inteligence se presenetljivo imenuje razumljivost. Z računalnikom z razumljivostjo lahko raziskujemo, kako razmišljamo, se učimo, presojamo, zaznavamo in izvajamo miselna dejanja.
Zgodnje raziskave razumljivosti so se osredotočale na modeliranje delov resničnega sveta in uma (s področja kognitivnih znanstvenikov) v računalniku. Izjemno je, če pomislite, da so se ti poskusi izvajali pred skoraj 60 leti.
Zgodnji modeli inteligence so se osredotočali na deduktivno sklepanje, da so prišli do zaključkov. Eden najzgodnejših in najbolj znanih A.I. te vrste je bil teoretik logike, napisan leta 1956, da posnema veščine človeškega bitja za reševanje problemov. Teoretik logike je kmalu dokazal 38 od prvih 52 izrekov v drugem poglavju Principia Mathematica, dejansko izboljšal en izrek v procesu. Prvič je bilo jasno dokazano, da lahko stroj opravlja naloge, za katere je do tega trenutka veljalo, da zahtevajo inteligenco in ustvarjalnost.
Kmalu so se raziskave usmerile k drugačnemu načinu razmišljanja, induktivnemu sklepanju. Induktivno sklepanje je tisto, kar znanstvenik uporablja, ko preučuje podatke in poskuša postaviti hipotezo, da bi jih razložil. Za preučevanje induktivnega sklepanja so raziskovalci na podlagi znanstvenikov, ki delajo v NASA-inem laboratoriju, ustvarili kognitivni model, ki jim je pomagal prepoznati organske molekule s pomočjo znanja o organski kemiji. Program Dendral je bil prvi pravi primer druge značilnosti umetne inteligence, instrumentalnost, niz tehnik ali algoritmov za izvajanje naloge induktivnega sklepanja, v tem primeru identifikacije molekul.
Dendral je bil edinstven, ker je vključeval tudi prvo bazo znanja, nabor pravil if / then, ki so zajela znanje znanstvenikov, ki jih je uporabljal skupaj s kognitivnim modelom. Ta oblika znanja bi se pozneje imenovalastrokovni sistem. Na voljo obeh vrst "inteligence" v enem samem programu je računalničarjem omogočilo, da so se vprašali: "Zakaj so nekateri znanstveniki toliko boljši od drugih? Ali imajo vrhunske kognitivne sposobnosti ali večje znanje? "
Konec šestdesetih let je bil odgovor jasen. Uspešnost Dendrala je bila skoraj v celoti odvisna od količine in kakovosti znanja, pridobljenega od strokovnjakov. Kognitivni model je bil le slabo povezan z izboljšanjem zmogljivosti.
To spoznanje je privedlo do velike spremembe paradigme v skupnosti umetne inteligence. Inženiring znanja se je pojavil kot disciplina za modeliranje določenih področij človeškega znanja s pomočjo ekspertnih sistemov. In strokovni sistemi, ki so jih ustvarili, so pogosto presegali uspešnost katerega koli posameznika, ki sprejema odločitve. Ta izjemen uspeh je sprožil veliko navdušenje nad strokovnjaki znotraj skupnosti umetne inteligence, vojske, industrije, vlagateljev in priljubljenega tiska.
Ko so strokovni sistemi postali komercialno uspešni, so raziskovalci svojo pozornost namenili tehnikam za modeliranje teh sistemov in njihovo prožnost na različnih področjih. V tem obdobju je AI-skupnost razvila objektno usmerjeno oblikovanje in hierarhične ontologije, sprejeli pa so ga tudi drugi deli računalniške skupnosti. Danes so hierarhične ontologije v središču grafov znanja, ki se v zadnjih letih ponovno oživljajo.
Ko so se raziskovalci odločili za obliko predstavitve znanja, imenovano »proizvodna pravila«, obliko predikatne logike prvega reda, so odkrili, da se lahko sistemi učijo samodejno; to pomeni, da lahko sistemi sami napišejo ali prepišejo pravila, da izboljšajo zmogljivost na podlagi dodatnih podatkov. Dendral je bil spremenjen in dobil sposobnost, da se nauči pravil masne spektrometrije na podlagi empiričnih podatkov iz poskusov.
Tako dobri, kot so bili ti strokovni sistemi, so imeli omejitve. Na splošno so bili omejeni na določeno problematično področje in jih ni bilo mogoče razlikovati od več verjetnih alternativ ali uporabiti znanja o strukturi ali statistični korelaciji. Za reševanje nekaterih teh vprašanj so raziskovalci dodali dejavnike gotovosti - številčne vrednosti, ki so pokazale, kako verjetno je določeno dejstvo resnično.
Začetek druge spremembe paradigme pri umetni inteligenci se je zgodil, ko so raziskovalci ugotovili, da je mogoče dejavnike gotovosti vključiti v statistične modele. Statistični podatki in Bayesov sklep bi se lahko uporabili za modeliranje strokovnega znanja na področju empiričnih podatkov. Od tega trenutka naprej bo v umetni inteligenci vedno bolj prevladovalo strojno učenje.
Vendar obstaja težava. Čeprav tehnike strojnega učenja, kot so naključni gozd, nevronske mreže ali GBT (drevesa, podprta z gradientom), dajejo natančne rezultate, so skoraj neprebojne črne skrinjice. Brez razumljivega izhoda so modeli strojnega učenja v več pogledih manj uporabni kot tradicionalni modeli. Na primer, pri tradicionalnem modelu umetne inteligence lahko zdravnik vpraša:
- Zakaj je model naredil to napako?
- Je model pristranski?
- Ali lahko dokažemo skladnost s predpisi?
- Zakaj se model ne strinja s strokovnjakom za domeno?
Pomanjkanje razumljivosti ima tudi posledice za usposabljanje. Ko se model zlomi in ne zna razložiti, zakaj, je to težje popraviti. Želite dodati več primerov? Kakšni primeri? Čeprav lahko vmes naredimo nekaj preprostih kompromisov, na primer sprejemanje manj natančnih napovedi v zameno za razumljivost, se je sposobnost razlage modelov strojnega učenja pojavila kot eden od naslednjih velikih mejnikov, ki jih je treba doseči v AI.
Pravijo, da se zgodovina ponavlja. Zgodnje raziskave umetne inteligence, tako kot današnje, so se osredotočale na modeliranje človeškega sklepanja in kognitivnih modelov. Tri glavna vprašanja, s katerimi se srečujejo zgodnji raziskovalci umetne inteligence - znanje, razlage in prilagodljivost - ostajajo osrednja tudi za sodobne razprave o sistemih strojnega učenja.
Znanje je zdaj v obliki podatkov, potrebo po prožnosti pa lahko vidimo v krhkosti nevronskih mrež, kjer rahle motnje podatkov dajejo dramatično drugačne rezultate. Tudi razložljivost se je pokazala kot glavna prednostna naloga za raziskovalce umetne inteligence. Nekoliko ironično je, kako smo 60 let kasneje od poskusov ponovitve človeškega mišljenja prešli na spraševanje strojev, kako razmišljajo.
