# Ιστορία της μηχανικής μάθησης  > Σκίτσο από την [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [Προ-μάθημα κουίζ](https://ff-quizzes.netlify.app/en/ml/) --- [](https://youtu.be/N6wxM4wZ7V0 "ML για αρχάριους - Ιστορία της Μηχανικής Μάθησης") > 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που εξηγεί αυτό το μάθημα. Σε αυτό το μάθημα, θα εξετάσουμε τα σημαντικά ορόσημα στην ιστορία της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Η ιστορία της τεχνητής νοημοσύνης (AI) ως πεδίο είναι άρρηκτα συνδεδεμένη με την ιστορία της μηχανικής μάθησης, καθώς οι αλγόριθμοι και οι υπολογιστικές εξελίξεις που στηρίζουν τη μηχανική μάθηση συνέβαλαν στην ανάπτυξη της τεχνητής νοημοσύνης. Είναι χρήσιμο να θυμόμαστε ότι, ενώ αυτά τα πεδία ως ξεχωριστές περιοχές έρευνας άρχισαν να αποκρυσταλλώνονται τη δεκαετία του 1950, σημαντικές [αλγοριθμικές, στατιστικές, μαθηματικές, υπολογιστικές και τεχνικές ανακαλύψεις](https://wikipedia.org/wiki/Timeline_of_machine_learning) προηγήθηκαν και επικαλύφθηκαν αυτή την εποχή. Στην πραγματικότητα, οι άνθρωποι σκέφτονται αυτά τα ερωτήματα για [εκατοντάδες χρόνια](https://wikipedia.org/wiki/History_of_artificial_intelligence): αυτό το άρθρο συζητά τις ιστορικές διανοητικές βάσεις της ιδέας μιας 'σκεπτόμενης μηχανής'. --- ## Σημαντικές ανακαλύψεις - 1763, 1812 [Θεώρημα του Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) και οι προκάτοχοί του. Αυτό το θεώρημα και οι εφαρμογές του αποτελούν τη βάση της επαγωγής, περιγράφοντας την πιθανότητα ενός γεγονότος με βάση την προηγούμενη γνώση. - 1805 [Θεωρία Ελαχίστων Τετραγώνων](https://wikipedia.org/wiki/Least_squares) από τον Γάλλο μαθηματικό Adrien-Marie Legendre. Αυτή η θεωρία, την οποία θα μάθετε στη μονάδα μας για την Παλινδρόμηση, βοηθά στην προσαρμογή δεδομένων. - 1913 [Αλυσίδες Markov](https://wikipedia.org/wiki/Markov_chain), που πήραν το όνομά τους από τον Ρώσο μαθηματικό Andrey Markov, χρησιμοποιούνται για να περιγράψουν μια ακολουθία πιθανών γεγονότων με βάση μια προηγούμενη κατάσταση. - 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), ένας τύπος γραμμικού ταξινομητή που εφευρέθηκε από τον Αμερικανό ψυχολόγο Frank Rosenblatt και αποτελεί τη βάση για τις εξελίξεις στη βαθιά μάθηση. --- - 1967 [Πλησιέστερος Γείτονας](https://wikipedia.org/wiki/Nearest_neighbor), ένας αλγόριθμος που αρχικά σχεδιάστηκε για χαρτογράφηση διαδρομών. Στο πλαίσιο της μηχανικής μάθησης χρησιμοποιείται για την ανίχνευση μοτίβων. - 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation), χρησιμοποιείται για την εκπαίδευση [νευρωνικών δικτύων προώθησης](https://wikipedia.org/wiki/Feedforward_neural_network). - 1982 [Επαναληπτικά Νευρωνικά Δίκτυα](https://wikipedia.org/wiki/Recurrent_neural_network), τεχνητά νευρωνικά δίκτυα που προέρχονται από νευρωνικά δίκτυα προώθησης και δημιουργούν χρονικά γραφήματα. ✅ Κάντε λίγη έρευνα. Ποιες άλλες ημερομηνίες ξεχωρίζουν ως καθοριστικές στην ιστορία της μηχανικής μάθησης και της τεχνητής νοημοσύνης; --- ## 1950: Μηχανές που σκέφτονται Ο Alan Turing, ένας πραγματικά αξιοσημείωτος άνθρωπος που ψηφίστηκε [από το κοινό το 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ως ο μεγαλύτερος επιστήμονας του 20ού αιώνα, πιστώνεται ότι βοήθησε να τεθούν τα θεμέλια για την έννοια μιας 'μηχανής που μπορεί να σκέφτεται'. Αντιμετώπισε τους επικριτές και την ανάγκη του για εμπειρικά στοιχεία αυτής της έννοιας, εν μέρει δημιουργώντας το [Τεστ Turing](https://www.bbc.com/news/technology-18475646), το οποίο θα εξερευνήσετε στα μαθήματα μας για την Επεξεργασία Φυσικής Γλώσσας (NLP). --- ## 1956: Θερινό Ερευνητικό Πρόγραμμα στο Dartmouth "Το Θερινό Ερευνητικό Πρόγραμμα στο Dartmouth για την τεχνητή νοημοσύνη ήταν ένα καθοριστικό γεγονός για την τεχνητή νοημοσύνη ως πεδίο," και εδώ επινοήθηκε ο όρος 'τεχνητή νοημοσύνη' ([πηγή](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). > Κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί, κατ' αρχήν, να περιγραφεί τόσο ακριβώς ώστε να μπορεί να κατασκευαστεί μια μηχανή που να το προσομοιώνει. --- Ο επικεφαλής ερευνητής, καθηγητής μαθηματικών John McCarthy, ήλπιζε "να προχωρήσει με βάση την υπόθεση ότι κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί, κατ' αρχήν, να περιγραφεί τόσο ακριβώς ώστε να μπορεί να κατασκευαστεί μια μηχανή που να το προσομοιώνει." Οι συμμετέχοντες περιλάμβαναν έναν άλλο φωτεινό νου του πεδίου, τον Marvin Minsky. Το εργαστήριο πιστώνεται ότι ξεκίνησε και ενθάρρυνε αρκετές συζητήσεις, συμπεριλαμβανομένων "της ανόδου των συμβολικών μεθόδων, των συστημάτων που επικεντρώνονται σε περιορισμένους τομείς (πρώιμα συστήματα ειδικών), και των συστημάτων επαγωγής έναντι των συστημάτων επαγωγής." ([πηγή](https://wikipedia.org/wiki/Dartmouth_workshop)). --- ## 1956 - 1974: "Τα χρυσά χρόνια" Από τη δεκαετία του 1950 έως τα μέσα της δεκαετίας του '70, υπήρχε μεγάλη αισιοδοξία ότι η τεχνητή νοημοσύνη θα μπορούσε να λύσει πολλά προβλήματα. Το 1967, ο Marvin Minsky δήλωσε με αυτοπεποίθηση ότι "Μέσα σε μια γενιά ... το πρόβλημα της δημιουργίας 'τεχνητής νοημοσύνης' θα έχει ουσιαστικά λυθεί." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) Η έρευνα για την επεξεργασία φυσικής γλώσσας άνθισε, η αναζήτηση βελτιώθηκε και έγινε πιο ισχυρή, και δημιουργήθηκε η έννοια των 'μικρόκοσμων', όπου απλές εργασίες ολοκληρώνονταν χρησιμοποιώντας απλές γλωσσικές οδηγίες. --- Η έρευνα χρηματοδοτήθηκε καλά από κυβερνητικούς φορείς, έγιναν πρόοδοι στην υπολογιστική και στους αλγόριθμους, και κατασκευάστηκαν πρωτότυπα ευφυών μηχανών. Μερικές από αυτές τις μηχανές περιλαμβάνουν: * [Shakey το ρομπότ](https://wikipedia.org/wiki/Shakey_the_robot), που μπορούσε να κινείται και να αποφασίζει πώς να εκτελέσει εργασίες 'ευφυώς'.  > Shakey το 1972 --- * Η Eliza, ένα πρώιμο 'chatterbot', μπορούσε να συνομιλεί με ανθρώπους και να λειτουργεί ως πρωτόγονος 'θεραπευτής'. Θα μάθετε περισσότερα για την Eliza στα μαθήματα NLP.  > Μια έκδοση της Eliza, ενός chatbot --- * Ο "κόσμος των μπλοκ" ήταν ένα παράδειγμα μικρόκοσμου όπου τα μπλοκ μπορούσαν να στοιβάζονται και να ταξινομούνται, και τα πειράματα για τη διδασκαλία μηχανών να λαμβάνουν αποφάσεις μπορούσαν να δοκιμαστούν. Οι εξελίξεις που κατασκευάστηκαν με βιβλιοθήκες όπως το [SHRDLU](https://wikipedia.org/wiki/SHRDLU) βοήθησαν να προωθηθεί η επεξεργασία γλώσσας. [](https://www.youtube.com/watch?v=QAJz4YKUwqw "κόσμος των μπλοκ με το SHRDLU") > 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο: Κόσμος των μπλοκ με το SHRDLU --- ## 1974 - 1980: "Χειμώνας της AI" Μέχρι τα μέσα της δεκαετίας του 1970, είχε γίνει εμφανές ότι η πολυπλοκότητα της δημιουργίας 'ευφυών μηχανών' είχε υποτιμηθεί και ότι η υπόσχεσή της, δεδομένης της διαθέσιμης υπολογιστικής ισχύος, είχε υπερεκτιμηθεί. Η χρηματοδότηση μειώθηκε και η εμπιστοσύνη στο πεδίο επιβραδύνθηκε. Μερικά ζητήματα που επηρέασαν την εμπιστοσύνη περιλάμβαναν: --- - **Περιορισμοί**. Η υπολογιστική ισχύς ήταν πολύ περιορισμένη. - **Συνδυαστική έκρηξη**. Ο αριθμός των παραμέτρων που έπρεπε να εκπαιδευτούν αυξήθηκε εκθετικά καθώς ζητήθηκαν περισσότερα από τους υπολογιστές, χωρίς παράλληλη εξέλιξη της υπολογιστικής ισχύος και ικανότητας. - **Έλλειψη δεδομένων**. Υπήρχε έλλειψη δεδομένων που εμπόδιζε τη διαδικασία δοκιμής, ανάπτυξης και βελτίωσης αλγορίθμων. - **Ρωτάμε τις σωστές ερωτήσεις;**. Οι ίδιες οι ερωτήσεις που τίθεντο άρχισαν να αμφισβητούνται. Οι ερευνητές άρχισαν να δέχονται κριτική για τις προσεγγίσεις τους: - Τα τεστ Turing αμφισβητήθηκαν μέσω, μεταξύ άλλων ιδεών, της θεωρίας του 'κινέζικου δωματίου', η οποία υποστήριζε ότι, "ο προγραμματισμός ενός ψηφιακού υπολογιστή μπορεί να τον κάνει να φαίνεται ότι κατανοεί τη γλώσσα αλλά δεν μπορεί να παράγει πραγματική κατανόηση." ([πηγή](https://plato.stanford.edu/entries/chinese-room/)) - Η ηθική της εισαγωγής τεχνητών νοημοσυνών όπως η "θεραπεύτρια" ELIZA στην κοινωνία αμφισβητήθηκε. --- Την ίδια στιγμή, διάφορες σχολές σκέψης της AI άρχισαν να σχηματίζονται. Δημιουργήθηκε μια διχοτόμηση μεταξύ των πρακτικών ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies). Τα _scruffy_ εργαστήρια τροποποιούσαν προγράμματα για ώρες μέχρι να επιτύχουν τα επιθυμητά αποτελέσματα. Τα _neat_ εργαστήρια "επικεντρώνονταν στη λογική και την επίσημη επίλυση προβλημάτων". Η ELIZA και το SHRDLU ήταν γνωστά _scruffy_ συστήματα. Στη δεκαετία του 1980, καθώς προέκυψε η ανάγκη να γίνουν τα συστήματα μηχανικής μάθησης αναπαραγώγιμα, η προσέγγιση _neat_ σταδιακά πήρε το προβάδισμα καθώς τα αποτελέσματά της είναι πιο εξηγήσιμα. --- ## 1980s Εξειδικευμένα συστήματα Καθώς το πεδίο μεγάλωνε, το όφελός του για τις επιχειρήσεις έγινε πιο σαφές, και τη δεκαετία του 1980 έτσι έγινε και η διάδοση των 'εξειδικευμένων συστημάτων'. "Τα εξειδικευμένα συστήματα ήταν από τις πρώτες πραγματικά επιτυχημένες μορφές λογισμικού τεχνητής νοημοσύνης (AI)." ([πηγή](https://wikipedia.org/wiki/Expert_system)). Αυτός ο τύπος συστήματος είναι στην πραγματικότητα _υβριδικός_, αποτελούμενος εν μέρει από μια μηχανή κανόνων που ορίζει επιχειρηματικές απαιτήσεις, και μια μηχανή επαγωγής που αξιοποιεί το σύστημα κανόνων για να εξάγει νέα δεδομένα. Αυτή η εποχή είδε επίσης αυξανόμενη προσοχή στα νευρωνικά δίκτυα. --- ## 1987 - 1993: Ψύχρα της AI Η διάδοση εξειδικευμένου υλικού για εξειδικευμένα συστήματα είχε το δυσάρεστο αποτέλεσμα να γίνει υπερβολικά εξειδικευμένο. Η άνοδος των προσωπικών υπολογιστών επίσης ανταγωνίστηκε αυτά τα μεγάλα, εξειδικευμένα, κεντρικά συστήματα. Η δημοκρατικοποίηση της υπολογιστικής είχε αρχίσει, και τελικά άνοιξε το δρόμο για τη σύγχρονη έκρηξη των μεγάλων δεδομένων. --- ## 1993 - 2011 Αυτή η εποχή είδε μια νέα εποχή για τη μηχανική μάθηση και την τεχνητή νοημοσύνη να μπορούν να λύσουν μερικά από τα προβλήματα που είχαν προκληθεί νωρίτερα από την έλλειψη δεδομένων και υπολογιστικής ισχύος. Η ποσότητα των δεδομένων άρχισε να αυξάνεται ραγδαία και να γίνεται πιο ευρέως διαθέσιμη, για καλό και για κακό, ειδικά με την εμφάνιση του smartphone γύρω στο 2007. Η υπολογιστική ισχύς επεκτάθηκε εκθετικά, και οι αλγόριθμοι εξελίχθηκαν παράλληλα. Το πεδίο άρχισε να αποκτά ωριμότητα καθώς οι ελεύθερες μέρες του παρελθόντος άρχισαν να αποκρυσταλλώνονται σε μια πραγματική επιστήμη. --- ## Σήμερα Σήμερα η μηχανική μάθηση και η τεχνητή νοημοσύνη αγγίζουν σχεδόν κάθε μέρος της ζωής μας. Αυτή η εποχή απαιτεί προσεκτική κατανόηση των κινδύνων και των πιθανών επιπτώσεων αυτών των αλγορίθμων στις ανθρώπινες ζωές. Όπως έχει δηλώσει ο Brad Smith της Microsoft, "Η τεχνολογία της πληροφορίας θέτει ζητήματα που αγγίζουν την καρδιά των θεμελιωδών προστασιών των ανθρωπίνων δικαιωμάτων, όπως η ιδιωτικότητα και η ελευθερία της έκφρασης. Αυτά τα ζητήματα αυξάνουν την ευθύνη των τεχνολογικών εταιρειών που δημιουργούν αυτά τα προϊόντα. Κατά την άποψή μας, καλούν επίσης για προσεκτική κυβερνητική ρύθμιση και για την ανάπτυξη κανόνων γύρω από αποδεκτές χρήσεις" ([πηγή](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). --- Μένει να δούμε τι επιφυλάσσει το μέλλον, αλλά είναι σημαντικό να κατανοήσουμε αυτά τα υπολογιστικά συστήματα και το λογισμικό και τους αλγόριθμους που εκτελούν. Ελπίζουμε ότι αυτό το πρόγραμμα σπουδών θα σας βοηθήσει να αποκτήσετε μια καλύτερη κατανόηση ώστε να αποφασίσετε μόνοι σας. [. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.