سه مدل هوش مصنوعی
تاریخچه هوش مصنوعی را می توان به طور نسبی به سه رویکرد جایگزین دسته بندی کرد: مبتنی بر داده، مبتنی بر منطق و مبتنی بر دانش. اولین مورد از اینها اکنون شبکه های عصبی مصنوعی و یادگیری ماشین نیز نامیده می شود. شاید شگفت انگیز باشد که موفقیت های اخیر در هوش مصنوعی نیز نشان دهنده قدیمی ترین رویکرد به هوش مصنوعی است. در این مقاله، به مدل مبتنی بر داده میپردازیم.
مدل مبتنی بر داده
در رابطه با هوش مصنوعی عصبی مبتنی بر داده، مدل های ریاضی شبکه های عصبی برای اولین بار توسط نیکلاس راشفسکی در اوایل دهه 1930 توسعه یافت و زمانی که شاگردش والتر پیتس در سال 1942 شبکه های عصبی بیولوژیکی را به عنوان شبکه های سوئیچ های منطقی تفسیر کرد، معروف شدند. انتشار این ایده ها توسط وارن مک کالوچ و پیتس در زمانی رخ داد که آلن تورینگ نشان داده بود که منطق رسمی را می توان مکانیزه کرد و اولین کامپیوترهای دیجیتال در حال توسعه بودند. بنابراین به سرعت تشخیص داده شد که تمام عملیات منطقی رسمی را می توان توسط چنین شبکه های عصبی شبیه سازی کرد. مغز شروع به شبیه شدن به یک کامپیوتر کرد و کامپیوتر به مغز الکترونیکی معروف شد. این استعاره دو طرفه از آن زمان به طور گسترده تأثیرگذار شده است. زیربنای علوم شناختی و تحقیقات در پردازش اطلاعات سازمانی است و اکنون بر اقتصاد، مدلهای پیوندگرایانه یادگیری و بسیاری از حوزههای تفکر علمی و عمومی تأثیر میگذارد. هوش مصنوعی عصبی کنونی تا حد زیادی مبتنی بر مدلهای شبکههای عصبی است که توسط زیستشناسی عصبی ارائه شدهاند. کمک اولیه مهمی توسط فرانک روزنبلات در سال 1958 انجام شد، زمانی که او - با الهام از ایده دونالد هب، روانشناس عصبی مبنی بر اینکه یادگیری در شبکه های عصبی از طریق تغییرات سیناپسی رخ می دهد و کار اقتصاددان فریدریش هایک در مورد یادگیری توزیع شده - پیشنهاد کرد که یادگیری در شبکه های عصبی بیولوژیکی می تواند به عنوان مدل سازی شود. تغییر تدریجی در اتصالات شبکه پرسپترون چند لایه ای که توسط روزنبلات توصیف شده است، از بسیاری جهات با شبکه های عصبی پردازش تصویر پیشرفته فعلی یکسان است. تفاوت اصلی آن با سیستمهای هوش مصنوعی عصبی امروزی این است که سیستمهای مدرن «لایههای عصبی» بسیار زیادی دارند و «یادگیری عمیق» در چنین شبکههای چندلایهای با استفاده از ماشینهایی انجام میشود که حدود تریلیون برابر سریعتر از رایانه IBM 704 است که روزنبلات برای آن استفاده کرد. آزمایشات او ویژگی های متمایز اکثر سیستم های هوش مصنوعی عصبی رفتاری ساده آنهاست مدل های یادگیری، نیازهای محاسباتی بسیار بالا در حین یادگیری و نیاز آنها به داده. برای این سیستم ها، در دسترس بودن داده ها حیاتی ترین عامل موفقیت است. با استفاده از اصطلاحات زیستشناسی، میتوان آنها را «datavores» نامید. به همین دلیل، ما آن را رویکرد «مبتنی بر داده» به هوش مصنوعی می نامیم. مدلهای مبتنی بر منطق و دانش در مقالههای بعدی شرح داده میشوند.