# ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ  > ਸਕੈਚਨੋਟ [Tomomi Imura](https://www.twitter.com/girlie_mac) ਦੁਆਰਾ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/) --- [](https://youtu.be/N6wxM4wZ7V0 "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਸ਼ੁਰੂਆਤੀ - ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ") > 🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇਸ ਪਾਠ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਮੋੜਾਂ ਦੀ ਚਰਚਾ ਕਰਾਂਗੇ। ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI) ਦੇ ਖੇਤਰ ਦਾ ਇਤਿਹਾਸ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਇਤਿਹਾਸ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ, ਕਿਉਂਕਿ ML ਦੇ ਅਲਗੋਰਿਦਮ ਅਤੇ ਗਣਨਾਤਮਕ ਤਰੱਕੀਆਂ ਨੇ AI ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ। ਇਹ ਯਾਦ ਰੱਖਣਾ ਲਾਭਦਾਇਕ ਹੈ ਕਿ ਜਦੋਂ ਕਿ ਇਹ ਖੇਤਰ 1950 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਵੱਖਰੇ ਖੋਜ ਖੇਤਰਾਂ ਵਜੋਂ ਸਪਸ਼ਟ ਹੋਣ ਲੱਗੇ, ਮਹੱਤਵਪੂਰਨ [ਅਲਗੋਰਿਦਮਿਕ, ਸਾਂਖਿਕ, ਗਣਿਤੀ, ਗਣਨਾਤਮਕ ਅਤੇ ਤਕਨੀਕੀ ਖੋਜਾਂ](https://wikipedia.org/wiki/Timeline_of_machine_learning) ਇਸ ਯੁੱਗ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਇਸ ਨਾਲ ਓਵਰਲੈਪ ਕਰਦੀਆਂ ਸਨ। ਹਕੀਕਤ ਵਿੱਚ, ਲੋਕ [ਸੈਂਕੜੇ ਸਾਲਾਂ](https://wikipedia.org/wiki/History_of_artificial_intelligence) ਤੋਂ ਇਨ੍ਹਾਂ ਸਵਾਲਾਂ ਬਾਰੇ ਸੋਚ ਰਹੇ ਹਨ: ਇਹ ਲੇਖ 'ਸੋਚਣ ਵਾਲੀ ਮਸ਼ੀਨ' ਦੇ ਵਿਚਾਰ ਦੇ ਇਤਿਹਾਸਕ ਬੁੱਧੀਮਾਨ ਅਧਾਰਾਂ ਦੀ ਚਰਚਾ ਕਰਦਾ ਹੈ। --- ## ਮਹੱਤਵਪੂਰਨ ਖੋਜਾਂ - 1763, 1812 [Bayes Theorem](https://wikipedia.org/wiki/Bayes%27_theorem) ਅਤੇ ਇਸ ਦੇ ਪੂਰਵਜ। ਇਹ ਥਿਊਰਮ ਅਤੇ ਇਸ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਇਨਫਰੈਂਸ ਦੇ ਅਧਾਰ ਹਨ, ਜੋ ਪਿਛਲੇ ਗਿਆਨ ਦੇ ਅਧਾਰ 'ਤੇ ਕਿਸੇ ਘਟਨਾ ਦੇ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ। - 1805 [Least Square Theory](https://wikipedia.org/wiki/Least_squares) ਫਰਾਂਸੀਸੀ ਗਣਿਤਜਨ Adrien-Marie Legendre ਦੁਆਰਾ। ਇਹ ਥਿਊਰੀ, ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਰਿਗ੍ਰੈਸ਼ਨ ਯੂਨਿਟ ਵਿੱਚ ਸਿੱਖੋਗੇ, ਡਾਟਾ ਫਿਟਿੰਗ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। - 1913 [Markov Chains](https://wikipedia.org/wiki/Markov_chain), ਰੂਸੀ ਗਣਿਤਜਨ Andrey Markov ਦੇ ਨਾਮ 'ਤੇ, ਪਿਛਲੇ ਰਾਜ ਦੇ ਅਧਾਰ 'ਤੇ ਸੰਭਾਵਿਤ ਘਟਨਾਵਾਂ ਦੀ ਲੜੀ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। - 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) ਇੱਕ ਕਿਸਮ ਦਾ ਲੀਨੀਅਰ ਕਲਾਸੀਫਾਇਰ ਹੈ ਜੋ ਅਮਰੀਕੀ ਮਨੋਵਿਗਿਆਨੀ Frank Rosenblatt ਦੁਆਰਾ ਇਜਾਦ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਡੀਪ ਲਰਨਿੰਗ ਵਿੱਚ ਤਰੱਕੀਆਂ ਦਾ ਅਧਾਰ ਹੈ। --- - 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) ਇੱਕ ਅਲਗੋਰਿਦਮ ਹੈ ਜੋ ਮੂਲ ਰੂਪ ਵਿੱਚ ਰੂਟਾਂ ਨੂੰ ਮੈਪ ਕਰਨ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਸੀ। ML ਸੰਦਰਭ ਵਿੱਚ ਇਹ ਪੈਟਰਨ ਪਛਾਣਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। - 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) [feedforward neural networks](https://wikipedia.org/wiki/Feedforward_neural_network) ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। - 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) ਫੀਡਫਾਰਵਰਡ ਨਿਊਰਲ ਨੈਟਵਰਕ ਤੋਂ ਲਿਆਏ artificial neural networks ਹਨ ਜੋ ਅਸਥਾਈ ਗ੍ਰਾਫ ਬਣਾਉਂਦੇ ਹਨ। ✅ ਥੋੜੀ ਖੋਜ ਕਰੋ। ML ਅਤੇ AI ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਹੋਰ ਕਿਹੜੀਆਂ ਤਾਰੀਖਾਂ ਮਹੱਤਵਪੂਰਨ ਹਨ? --- ## 1950: ਸੋਚਣ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ Alan Turing, ਇੱਕ ਬੇਹਤਰੀਨ ਵਿਅਕਤੀ ਜਿਸ ਨੂੰ [2019 ਵਿੱਚ ਜਨਤਾ ਦੁਆਰਾ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20ਵੀਂ ਸਦੀ ਦਾ ਸਭ ਤੋਂ ਮਹਾਨ ਵਿਗਿਆਨੀ ਵਜੋਂ ਚੁਣਿਆ ਗਿਆ ਸੀ, ਨੂੰ 'ਸੋਚਣ ਵਾਲੀ ਮਸ਼ੀਨ' ਦੇ ਸੰਕਲਪ ਦੀ ਨੀਂਹ ਰੱਖਣ ਵਿੱਚ ਯੋਗਦਾਨ ਦੇਣ ਦਾ ਸ਼੍ਰੇਯ਼ ਦਿੰਦਾ ਹੈ। ਉਸ ਨੇ ਇਸ ਸੰਕਲਪ ਦੀ ਸੱਚਾਈ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ [Turing Test](https://www.bbc.com/news/technology-18475646) ਬਣਾਇਆ, ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ NLP ਪਾਠਾਂ ਵਿੱਚ ਸਿੱਖੋਗੇ। --- ## 1956: ਡਾਰਟਮਥ ਸਮਰ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ "ਡਾਰਟਮਥ ਸਮਰ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਖੇਤਰ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਘਟਨਾ ਸੀ," ਅਤੇ ਇੱਥੇ ਹੀ 'ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ' ਸ਼ਬਦ ਦੀ ਰਚਨਾ ਕੀਤੀ ਗਈ ([source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))। > ਸਿੱਖਣ ਜਾਂ ਬੁੱਧੀ ਦੇ ਕਿਸੇ ਹੋਰ ਪੱਖ ਨੂੰ ਅਸੂਲ ਵਿੱਚ ਇੰਨਾ ਸਪਸ਼ਟ ਵਰਣਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਮਸ਼ੀਨ ਨੂੰ ਇਸਨੂੰ ਨਕਲ ਕਰਨ ਲਈ ਬਣਾਇਆ ਜਾ ਸਕੇ। --- ਮੁੱਖ ਖੋਜਕਰਤਾ, ਗਣਿਤ ਦੇ ਪ੍ਰੋਫੈਸਰ John McCarthy ਨੇ "ਇਸ ਅਨੁਮਾਨ ਦੇ ਅਧਾਰ 'ਤੇ ਅੱਗੇ ਵਧਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਕਿ ਸਿੱਖਣ ਜਾਂ ਬੁੱਧੀ ਦੇ ਕਿਸੇ ਹੋਰ ਪੱਖ ਨੂੰ ਅਸੂਲ ਵਿੱਚ ਇੰਨਾ ਸਪਸ਼ਟ ਵਰਣਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਮਸ਼ੀਨ ਨੂੰ ਇਸਨੂੰ ਨਕਲ ਕਰਨ ਲਈ ਬਣਾਇਆ ਜਾ ਸਕੇ।" ਭਾਗੀਦਾਰਾਂ ਵਿੱਚ ਖੇਤਰ ਦੇ ਹੋਰ ਪ੍ਰਮੁੱਖ ਵਿਅਕਤੀ Marvin Minsky ਸ਼ਾਮਲ ਸਨ। ਵਰਕਸ਼ਾਪ ਨੂੰ "ਪ੍ਰਤੀਕਾਤਮਕ ਵਿਧੀਆਂ ਦਾ ਉਭਾਰ, ਸੀਮਿਤ ਖੇਤਰਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਸਿਸਟਮ (ਸ਼ੁਰੂਆਤੀ ਵਿਸ਼ੇਸ਼ਗਿਆ ਸਿਸਟਮ), ਅਤੇ ਡਿਡਕਟਿਵ ਸਿਸਟਮ ਵਿਰੁੱਧ ਇੰਡਕਟਿਵ ਸਿਸਟਮ" ਸਮੇਤ ਕਈ ਚਰਚਾਵਾਂ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਅਤੇ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਦਾ ਸ਼੍ਰੇਯ਼ ਦਿੰਦਾ ਹੈ। ([source](https://wikipedia.org/wiki/Dartmouth_workshop))। --- ## 1956 - 1974: "ਸੁਨਹਿਰੀ ਸਾਲ" 1950 ਦੇ ਦਹਾਕੇ ਤੋਂ ਲੈ ਕੇ 70 ਦੇ ਮੱਧ ਤੱਕ, ਇਹ ਆਸ ਸੀ ਕਿ AI ਕਈ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ। 1967 ਵਿੱਚ, Marvin Minsky ਨੇ ਵਿਸ਼ਵਾਸ ਨਾਲ ਕਿਹਾ ਕਿ "ਇੱਕ ਪੀੜ੍ਹੀ ਦੇ ਅੰਦਰ ... 'ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ' ਬਣਾਉਣ ਦੀ ਸਮੱਸਿਆ ਬਹੁਤ ਹੱਦ ਤੱਕ ਹੱਲ ਹੋ ਜਾਵੇਗੀ।" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਖੋਜ ਫੁੱਲੀ, ਖੋਜ ਨੂੰ ਸੁਧਾਰਿਆ ਗਿਆ ਅਤੇ ਵਧੀਆ ਬਣਾਇਆ ਗਿਆ, ਅਤੇ 'ਮਾਈਕਰੋ-ਵਰਲਡਸ' ਦਾ ਸੰਕਲਪ ਬਣਾਇਆ ਗਿਆ, ਜਿੱਥੇ ਸਧਾਰਨ ਕੰਮ ਸਧਾਰਨ ਭਾਸ਼ਾ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੂਰੇ ਕੀਤੇ ਗਏ। --- ਸਰਕਾਰੀ ਏਜੰਸੀਆਂ ਦੁਆਰਾ ਖੋਜ ਨੂੰ ਵਧੀਆ ਫੰਡ ਮਿਲੀ, ਗਣਨਾ ਅਤੇ ਅਲਗੋਰਿਦਮ ਵਿੱਚ ਤਰੱਕੀਆਂ ਹੋਈਆਂ, ਅਤੇ ਬੁੱਧੀਮਾਨ ਮਸ਼ੀਨਾਂ ਦੇ ਪ੍ਰੋਟੋਟਾਈਪ ਬਣਾਏ ਗਏ। ਇਨ੍ਹਾਂ ਮਸ਼ੀਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: * [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), ਜੋ ਚਾਲ ਚਲ ਸਕਦਾ ਸੀ ਅਤੇ 'ਬੁੱਧੀਮਾਨ' ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਸੀ।  > Shakey 1972 ਵਿੱਚ --- * Eliza, ਇੱਕ ਸ਼ੁਰੂਆਤੀ 'ਚੈਟਰਬੋਟ', ਲੋਕਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਸਕਦੀ ਸੀ ਅਤੇ ਇੱਕ ਆਦਿ 'ਥੈਰਾਪਿਸਟ' ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦੀ ਸੀ। ਤੁਸੀਂ NLP ਪਾਠਾਂ ਵਿੱਚ Eliza ਬਾਰੇ ਹੋਰ ਸਿੱਖੋਗੇ।  > Eliza ਦਾ ਇੱਕ ਵਰਜਨ, ਇੱਕ ਚੈਟਬੋਟ --- * "Blocks world" ਇੱਕ ਮਾਈਕਰੋ-ਵਰਲਡ ਦਾ ਉਦਾਹਰਨ ਸੀ ਜਿੱਥੇ ਬਲਾਕਾਂ ਨੂੰ ਢੇਰ ਅਤੇ ਵੱਖਰਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਸੀ, ਅਤੇ ਮਸ਼ੀਨਾਂ ਨੂੰ ਫੈਸਲੇ ਕਰਨ ਸਿਖਾਉਣ ਦੇ ਪ੍ਰਯੋਗ ਕੀਤੇ ਜਾ ਸਕਦੇ ਸਨ। SHRDLU ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨਾਲ ਬਣੇ ਤਰੱਕੀਆਂ ਨੇ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਅੱਗੇ ਵਧਾਇਆ। [](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU ਨਾਲ blocks world") > 🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ: SHRDLU ਨਾਲ blocks world --- ## 1974 - 1980: "AI Winter" 1970 ਦੇ ਮੱਧ ਤੱਕ, ਇਹ ਸਪਸ਼ਟ ਹੋ ਗਿਆ ਕਿ 'ਬੁੱਧੀਮਾਨ ਮਸ਼ੀਨਾਂ' ਬਣਾਉਣ ਦੀ ਜਟਿਲਤਾ ਨੂੰ ਘਟਾ ਕੇ ਦਿਖਾਇਆ ਗਿਆ ਸੀ ਅਤੇ ਉਪਲਬਧ ਗਣਨਾ ਸ਼ਕਤੀ ਦੇ ਅਧਾਰ 'ਤੇ ਇਸਦੇ ਵਾਅਦੇ ਨੂੰ ਵਧਾ ਚੜ੍ਹਾ ਕੇ ਦਿਖਾਇਆ ਗਿਆ ਸੀ। ਫੰਡਿੰਗ ਘਟ ਗਈ ਅਤੇ ਖੇਤਰ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਹੌਲੀ ਹੋ ਗਿਆ। ਕੁਝ ਮੁੱਦੇ ਜੋ ਵਿਸ਼ਵਾਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਸਨ: --- - **ਪਾਬੰਦੀਆਂ**। ਗਣਨਾ ਸ਼ਕਤੀ ਬਹੁਤ ਘੱਟ ਸੀ। - **ਕੰਬੀਨੇਟਰੀ ਧਮਾਕਾ**। ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ exponentially ਵਧ ਗਈ ਜਿਵੇਂ ਕਿ ਕੰਪਿਊਟਰਾਂ ਤੋਂ ਹੋਰ ਮੰਗਿਆ ਗਿਆ, ਬਿਨਾਂ ਗਣਨਾ ਸ਼ਕਤੀ ਅਤੇ ਸਮਰੱਥਾ ਦੇ ਸਮਾਂਤਰ ਵਿਕਾਸ ਦੇ। - **ਡਾਟਾ ਦੀ ਘਾਟ**। ਡਾਟਾ ਦੀ ਘਾਟ ਸੀ ਜਿਸ ਨੇ ਅਲਗੋਰਿਦਮਾਂ ਦੀ ਜਾਂਚ, ਵਿਕਾਸ ਅਤੇ ਸੁਧਾਰ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਰੋਕਿਆ। - **ਕੀ ਅਸੀਂ ਸਹੀ ਸਵਾਲ ਪੁੱਛ ਰਹੇ ਹਾਂ?**। ਜੋ ਸਵਾਲ ਪੁੱਛੇ ਜਾ ਰਹੇ ਸਨ ਉਹਨਾਂ ਨੂੰ ਹੀ ਸਵਾਲ ਕੀਤਾ ਜਾਣ ਲੱਗਾ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਆਪਣੇ ਦ੍ਰਿਸ਼ਕੋਣਾਂ ਬਾਰੇ ਆਲੋਚਨਾ ਦਾ ਸਾਹਮਣਾ ਕੀਤਾ: - Turing ਟੈਸਟਾਂ ਨੂੰ 'ਚਾਈਨੀਜ਼ ਰੂਮ ਥਿਊਰੀ' ਵਰਗੇ ਵਿਚਾਰਾਂ ਦੁਆਰਾ ਸਵਾਲ ਕੀਤਾ ਗਿਆ, ਜਿਸ ਨੇ ਇਹ ਦਲੀਲ ਦਿੱਤੀ ਕਿ "ਡਿਜੀਟਲ ਕੰਪਿਊਟਰ ਨੂੰ ਪ੍ਰੋਗਰਾਮ ਕਰਨਾ ਇਸਨੂੰ ਭਾਸ਼ਾ ਨੂੰ ਸਮਝਣ ਵਾਲਾ ਦਿਖਾ ਸਕਦਾ ਹੈ ਪਰ ਅਸਲ ਸਮਝ ਨਹੀਂ ਪੈਦਾ ਕਰ ਸਕਦਾ।" ([source](https://plato.stanford.edu/entries/chinese-room/)) - "ਥੈਰਾਪਿਸਟ" ELIZA ਵਰਗੀਆਂ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀਆਂ ਨੂੰ ਸਮਾਜ ਵਿੱਚ ਲਿਆਉਣ ਦੇ ਨੈਤਿਕਤਾ ਨੂੰ ਚੁਣੌਤੀ ਦਿੱਤੀ ਗਈ। --- ਇਸਦੇ ਨਾਲ ਹੀ, AI ਦੇ ਵੱਖ-ਵੱਖ ਸਕੂਲਾਂ ਦਾ ਗਠਨ ਹੋਣ ਲੱਗਾ। ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) ਅਭਿਆਸਾਂ ਵਿੱਚ ਇੱਕ ਵੱਖਰਾ ਬਣਾਇਆ ਗਿਆ। _Scruffy_ ਲੈਬਾਂ ਨੇ ਘੰਟਿਆਂ ਤੱਕ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਸੁਧਾਰਿਆ ਜਦੋਂ ਤੱਕ ਉਹ ਚਾਹੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰ ਲੈਂਦੇ। _Neat_ ਲੈਬਾਂ "ਤਰਕ ਅਤੇ ਰਸਮੀ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ" 'ਤੇ ਕੇਂਦਰਿਤ ਸਨ। ELIZA ਅਤੇ SHRDLU ਪ੍ਰਸਿੱਧ _scruffy_ ਸਿਸਟਮ ਸਨ। 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ, ਜਦੋਂ ML ਸਿਸਟਮਾਂ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਬਣਾਉਣ ਦੀ ਮੰਗ ਉਭਰੀ, _neat_ ਦ੍ਰਿਸ਼ਕੋਣ ਨੇ ਹੌਲੀ-ਹੌਲੀ ਅਗਵਾਈ ਕੀਤੀ ਕਿਉਂਕਿ ਇਸਦੇ ਨਤੀਜੇ ਵਧੇਰੇ ਸਮਝਣਯੋਗ ਹਨ। --- ## 1980s ਵਿਸ਼ੇਸ਼ਗਿਆ ਸਿਸਟਮ ਜਿਵੇਂ ਖੇਤਰ ਵਧਿਆ, ਇਸਦਾ ਕਾਰੋਬਾਰ ਲਈ ਲਾਭ ਸਪਸ਼ਟ ਹੋਇਆ, ਅਤੇ 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ 'ਵਿਸ਼ੇਸ਼ਗਿਆ ਸਿਸਟਮਾਂ' ਦੀ ਵਾਧੂ ਹੋਈ। "ਵਿਸ਼ੇਸ਼ਗਿਆ ਸਿਸਟਮ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI) ਸਾਫਟਵੇਅਰ ਦੇ ਪਹਿਲੇ ਸੱਚਮੁੱਚ ਸਫਲ ਰੂਪਾਂ ਵਿੱਚੋਂ ਸਨ।" ([source](https://wikipedia.org/wiki/Expert_system))। ਇਸ ਕਿਸਮ ਦਾ ਸਿਸਟਮ ਅਸਲ ਵਿੱਚ _hybrid_ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਿੱਸਾ ਲਿਆਏ ਬਿਜ਼ਨਸ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲਾ ਰੂਲਜ਼ ਇੰਜਨ ਅਤੇ ਇੱਕ ਇਨਫਰੈਂਸ ਇੰਜਨ ਸ਼ਾਮਲ ਹੈ ਜੋ ਨਵੇਂ ਤੱਥਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਰੂਲਜ਼ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਯੁੱਗ ਵਿੱਚ ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ 'ਤੇ ਵੀ ਵਧੇਰੇ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ। --- ## 1987 - 1993: AI 'Chill' ਵਿਸ਼ੇਸ਼ਗਿਆ ਸਿਸਟਮਾਂ ਦੇ ਵਿਸ਼ੇਸ਼ ਹਾਰਡਵੇਅਰ ਦੀ ਵਾਧੂ ਹੋਣ ਦਾ ਅਫਸੋਸਜਨਕ ਪ੍ਰਭਾਵ ਇਹ ਸੀ ਕਿ ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ੇਸ਼ ਹੋ ਗਏ। ਪੈਰਸਨਲ ਕੰਪਿਊਟਰਾਂ ਦੇ ਉਭਾਰ ਨੇ ਵੀ ਇਨ੍ਹਾਂ ਵੱਡੇ, ਵਿਸ਼ੇਸ਼, ਕੇਂਦਰੀ ਸਿਸਟਮਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕੀਤਾ। ਗਣਨਾ ਦੀ ਲੋਕਤੰਤਰਤਾ ਸ਼ੁਰੂ ਹੋ ਗਈ ਸੀ, ਅਤੇ ਇਸਨੇ ਆਖਿਰਕਾਰ ਵੱਡੇ ਡਾਟਾ ਦੇ ਆਧੁਨਿਕ ਵਿਸ਼ਫੋਟ ਦਾ ਰਾਹ ਖੋਲ੍ਹਿਆ। --- ## 1993 - 2011 ਇਸ ਯੁੱਗ ਨੇ ML ਅਤੇ AI ਲਈ ਕੁਝ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਨਵਾਂ ਯੁੱਗ ਲਿਆਇਆ ਜੋ ਪਹਿਲਾਂ ਡਾਟਾ ਅਤੇ ਗਣਨਾ ਸ਼ਕਤੀ ਦੀ ਘਾਟ ਕਾਰਨ ਹੋਈਆਂ ਸਨ। ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧਣ ਅਤੇ ਵਧੇਰੇ ਉਪਲਬਧ ਹੋਣ ਲੱਗੀ, ਚੰਗੇ ਅਤੇ ਮੰਦੇ ਦੋਵੇਂ ਲਈ, ਖਾਸ ਕਰਕੇ 2007 ਦੇ ਆਸਪਾਸ ਸਮਾਰਟਫੋਨ ਦੇ ਆਗਮਨ ਨਾਲ। ਗਣਨਾ ਸ਼ਕਤੀ exponential ਤਰੀਕੇ ਨਾਲ ਵਧੀ, ਅਤੇ ਅਲਗੋਰਿਦਮ ਇਸਦੇ ਨਾਲ-ਨਾਲ ਵਿਕਸਿਤ ਹੋਏ। ਖੇਤਰ ਨੇ ਪਿਛਲੇ ਦਿਨਾਂ ਦੀ ਅਜ਼ਾਦੀ ਨੂੰ ਛੱਡ ਕੇ ਇੱਕ ਸੱਚੇ ਵਿਸ਼ੇਸ਼ ਖੇਤਰ ਵਜੋਂ ਪੱਕਾ ਹੋਣਾ ਸ਼ੁਰੂ ਕੀਤਾ। --- ## ਹੁਣ ਅੱਜ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ AI ਸਾਡੇ ਜੀਵਨ ਦੇ ਲਗਭਗ ਹਰ ਹਿੱਸੇ ਨੂੰ ਛੂਹ ਰਹੇ ਹਨ। ਇਹ ਯੁੱਗ ਇਨ੍ਹਾਂ ਅਲਗੋਰਿਦਮਾਂ ਦੇ ਮਨੁੱਖੀ ਜੀਵਨ 'ਤੇ ਸੰਭਾਵਿਤ ਪ੍ਰਭਾਵਾਂ ਦੀ ਸਾਵਧਾਨੀ ਨਾਲ ਸਮਝ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ। ਜਿਵੇਂ Microsoft --- **ਅਸਵੀਕਾਰਨਾ**: ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।