A modern mesterséges intelligencia vagy AI gyökerei Görögország klasszikus filozófusaira vezethetők vissza, és arra irányuló erőfeszítéseikre, hogy az emberi gondolkodást szimbólumrendszerként modellezzék. Újabban, az 1940-es években, a gondolkodás folyamatának tanulmányozására kifejlesztették a “Konnekcionizmus” nevű gondolkodási iskolát. 1950-ben egy Alan Turing nevű férfi írt egy cikket, amely azt javasolta, hogyan kell tesztelni egy “gondolkodó” gépet. Úgy vélte, ha egy gép képes beszélgetést folytatni egy teleprinter útján, észrevehető különbségek nélkül utánozva az embert, akkor a gépet gondolkodásnak lehet leírni. Tanulmányát 1952-ben követte az agy Hodgkin-Huxley modellje, mint neuronok, amelyek elektromos hálózatot alkotnak, az egyes neuronok mindent vagy semmit (be/ki) impulzusokkal tüzelnek. Ezek az események a Dartmouth College által 1956-ban szponzorált konferencián elősegítették a mesterséges intelligencia fogalmának felkeltését.

Jonathan Crane az Ipsoft CCO-ja, az Amelia nevű virtuális asszisztens alkotói. Ezt mondta a mesterséges intelligencia jelenlegi állapotáról:

” az AI hatalmas változást hajt végre abban, ahogyan marketingünket és reklámunkat megcélozhatjuk, még a kisebb vállalatok számára is. Ez azt jelenti, hogy a vállalkozások képesek megcélozni a kiadásaikat és növelni a megtérülést, és lehetővé teszik a reklámok számára, hogy azt tegyék, amit kellene, így az emberek hirdetéseket akarnak látni.”

Mr.Crane az AI Big Data használatára utal. A mesterséges intelligencia nagy adatokkal kombinálható az összetett feladatok kezeléséhez, és sokkal gyorsabban tudja feldolgozni az információkat, mint bármely korábbi rendszer.

az AI fejlesztése nem volt ésszerű és hatékony. 1956-ban izgalmas, ötletes koncepcióként kezdve a mesterséges intelligencia kutatásának finanszírozását az 1970-es években csökkentették, miután több jelentés kritizálta a haladás hiányát. Az emberi agy utánzására irányuló erőfeszítéseket, az úgynevezett” neurális hálózatokat ” kísérletezték, és elvetették. A legimpozánsabb, funkcionális programok csak egyszerű problémák kezelésére voltak képesek, és játékokként írták le őket a nem érintettek. Az AI kutatói túlságosan optimisták voltak céljaik meghatározásában, és naiv feltételezéseket tettek a felmerülő problémákról. Amikor az ígért eredmények soha nem valósultak meg, nem meglepő, hogy finanszírozásukat csökkentették.

Az első AI Winter
Az AI kutatóknak két nagyon alapvető korlátozással kellett foglalkozniuk, nem volt elég memória és feldolgozási sebesség, amely a mai szabványok szerint abszurdnak tűnik. Hasonlóan a gravitációs kutatáshoz abban az időben, a mesterséges intelligencia kutatásának állami finanszírozása csökkent, és az érdeklődés csökkent. A gravitációval ellentétben azonban az AI-kutatás az 1980-as években folytatódott, az Egyesült Államok és Nagy-Britannia finanszírozást nyújtott Japán új “ötödik generációs” számítógépes projektjéhez, és céljuk, hogy a világ vezető számítógépes technológiájává váljanak. Az 1974 és 1980 közötti időszak az első AI tél néven vált ismertté.’

Az első AI tél a “szakértői rendszerek” bevezetésével ért véget, amelyeket a világ minden táján versenyképes vállalatok fejlesztettek ki és gyorsan elfogadtak. Az AI-kutatás elsődleges célja most a különféle szakértők ismereteinek felhalmozása volt. Az AI az 1980-as években is profitált a Konnekcionizmus újjáéledéséből.

kibernetika és neurális hálózatok
a kibernetika az automatikus vezérlőrendszereket tanulmányozza. Két példa az agy és az idegrendszer, valamint a számítógépek által használt kommunikációs rendszerek. A kibernetikát a neurális hálózatok modern változatának kiképzésére használták. A neurális hálózatok azonban csak az 1990-es években váltak pénzügyileg sikeressé, amikor elkezdték használni őket optikai karakterfelismerő programok és beszédmintafelismerő programok működtetésére.

szakértői rendszerek
a szakértői rendszerek a mesterséges intelligencia kutatásának olyan megközelítését képviselik, amely az 1970-es évek során népszerűvé vált. egy szakértői rendszer a szakértők tudását használja EGY program létrehozásához. A szakértői rendszerek megválaszolhatják a kérdéseket és megoldhatják a problémákat egy világosan meghatározott tudásterületen belül, és a logika “szabályait” használják. Egyszerű kialakításuk ésszerűen megkönnyítette a programok tervezését, felépítését és módosítását. Az 1980-as évek eleji szakértői rendszerre jó példa a banki hitelszűrő programok, de voltak szakértői rendszereket használó orvosi és értékesítési alkalmazások is. Általánosságban elmondható, hogy ezek az egyszerű programok nagyon hasznosak lettek, és nagy mennyiségű pénzt takarítottak meg a vállalkozások számára.

például 1980-ban a Digital Equipment Corporation elkezdte megkövetelni, hogy értékesítési csapatuk az XCON nevű szakértői rendszert használja az ügyfelek megrendelésekor. A DEC számítógép-alkatrészek széles skáláját értékesítette, de az értékesítési erő nem volt különösebben tájékozott arról, hogy mit árulnak. Egyes megrendelések olyan összetevőket kombináltak, amelyek nem működtek együtt, egyes megrendelések pedig hiányoztak a szükséges összetevők. Az XCON előtt a műszaki tanácsadók átvilágították a megrendeléseket, azonosították a nem működő kombinációkat, és utasításokat adtak a rendszer összeszereléséhez. Mivel ez a folyamat (beleértve az ügyféllel folytatott kommunikációt is) szűk keresztmetszetet okozott a DEC-nél, és sok erőfeszítés az automatizálására kudarcot vallott, DEC hajlandó volt kipróbálni egy olyan technológiát, amely viszonylag új volt az ilyen helyzetben. 1986-ra a rendszer évente 40 millió dollárt takarított meg.

az XCON (más néven R1) egy nagy rendszer volt, nagyjából 750 szabállyal, és annak ellenére, hogy több megrendelést is képes feldolgozni, még mindig módosítani és módosítani kellett, mielőtt a DEC hatékonyan használhatta volna. A DEC megtudta, hogy a rendszert nem lehet az eredeti tervek szerint használni, és hogy nem rendelkeznek a karbantartáshoz szükséges szakértelemmel. A rendszerben lévő” tudást ” a szakértői rendszerekben és a tudás megszerzésében képzett embereknek kellett összegyűjteniük és hozzáadniuk. MŰSZAKI tanácsadói közül sokan mérnökök voltak, de nem AI-szakértők, és a DEC végül szervezett mérnöki csapata “ismerte” az AI-t, de a csoport tagjait nem a mesterséges intelligencia szakértelmük miatt választották ki (egyszerűen nem volt olyan sok szakértő), és a csoportból senki sem ismerte az OPS-4 nyelven írt nyelvet. Körülbelül egy év elteltével, a Carnegie-Mellon (a program eredeti írói) hatalmas támogatásával, és közel 1000 szabályra nőtt, DEC képes volt átvenni az XCON programozását és karbantartását. Az XCON integrálása a DEC kultúrába nehéz volt, de sikeres tapasztalat. A menedzsment megtanulta, hogy egy szakértői rendszer speciálisan képzett személyzetet igényel, és felelősséget vállaltak az emberek képzéséért és bérbeadásáért, hogy megfeleljenek ezeknek az igényeknek.

a csúcspontján az XCON 2500 szabályt tartalmaz, és jelentősen fejlődött (bár jelenleg népszerűsége csökkent, mivel egy kicsit dinoszaurusz lett). Az XCON volt az első számítógépes rendszer, amely AI technikákat alkalmazott a valós problémák megoldására ipari környezetben. 1985-re a vállalatok a világ minden tájáról elkezdték használni a szakértői rendszereket, és új karrierterületet fejlesztettek ki ezek támogatására. Az XCON az Egyesült Államokban gyártott összes VAX-11 számítógépes rendszerre konfigurálhatta az értékesítési megrendeléseket, de a rendszert folyamatosan módosítani és frissíteni kellett, és teljes munkaidős informatikai csapatot igényelt.

a második AI tél

az AI mező egy másik nagy telet tapasztalt 1987 – től 1993-ig. Ez a második lassulás az AI kutatásban egybeesett az XCON-nal és más korai szakértői rendszer számítógépekkel, amelyeket lassúnak és ügyetlennek tekintettek. Az asztali számítógépek nagyon népszerűvé váltak, és kiszorították a régebbi, nagyobb méretű, sokkal kevésbé felhasználóbarát számítógépes bankokat. Végül a szakértői rendszerek egyszerűen túl drágák lettek a karbantartáshoz, összehasonlítva az asztali számítógépekkel. Nehéz volt frissíteni őket, és nem tudtak ” tanulni.”Ezek voltak problémák asztali számítógépek nem volt. Körülbelül ugyanabban az időben a DARPA (Defense Advanced Research Projects Agency) arra a következtetésre jutott, hogy az AI nem lesz “a következő hullám”, és átirányította pénzeszközeit olyan projektekre, amelyek valószínűleg gyors eredményeket hoznak. Ennek következtében az 1980-as évek végén az AI-kutatás finanszírozását mélyen csökkentették, létrehozva a második AI-telet.

a számítógépekkel folytatott beszélgetés valósággá válik

az 1990-es évek elején a mesterséges intelligencia kutatása az úgynevezett intelligens ügynökre helyezte a hangsúlyt. Ezek az intelligens ügynökök hírkeresési szolgáltatásokhoz, online vásárláshoz és internetes böngészéshez használhatók. Az intelligens ügynököket néha ügynököknek vagy botoknak is nevezik. A nagy Adatprogramok használatával fokozatosan személyes digitális asszisztensekké vagy virtuális asszisztensekké fejlődtek.

jelenleg az olyan óriási technológiai vállalkozások, mint a Google, a Facebook, az IBM és a Microsoft számos mesterséges intelligencia projektet kutatnak, beleértve a virtuális asszisztenseket is. Mindannyian versenyeznek olyan asszisztensek létrehozásáért, mint a Facebook M, vagy Cortana a Microsofttól, vagy az Apple Siri.A mesterséges intelligencia célja már nem olyan intelligens gép létrehozása, amely képes utánozni az emberi beszélgetést egy teletípussal. A nagy adatok használata lehetővé tette az AI számára a következő evolúciós lépés megtételét. Most a cél az, hogy olyan szoftverprogramokat fejlesszenek ki, amelyek képesek természetes nyelven beszélni, mint például az angol, és virtuális asszisztensként működjenek. Ezek a virtuális asszisztensek képviselik az AI kutatás jövőjét, és lehetnek robotok fizikai segítség céljából, vagy laptopokban helyezkedhetnek el, és segíthetnek az üzleti döntések meghozatalában, vagy integrálhatók egy vállalkozás ügyfélszolgálati programjába és felvehetik a telefont. A mesterséges intelligencia még mindig fejlődik, és új felhasználási lehetőségeket talál.