12 KiB
Historia ya ujifunzaji wa mashine
Sketchnote na Tomomi Imura
Jaribio la kabla ya somo
🎥 Bonyeza picha hapo juu kwa video fupi inayopitia somo hili.
Katika somo hili, tutapitia hatua kuu katika historia ya ujifunzaji wa mashine na akili bandia.
Historia ya akili bandia (AI) kama uwanja inahusiana sana na historia ya ujifunzaji wa mashine, kwani algoriti na maendeleo ya kompyuta yanayosaidia ML yamechangia maendeleo ya AI. Ni muhimu kukumbuka kwamba, ingawa maeneo haya kama nyanja tofauti za uchunguzi yalianza kuimarika katika miaka ya 1950, ugunduzi wa algoriti, takwimu, hesabu, kompyuta na kiufundi ulitangulia na kuingiliana na enzi hii. Kwa kweli, watu wamekuwa wakifikiria maswali haya kwa mamia ya miaka: makala hii inajadili misingi ya kihistoria ya wazo la 'mashine inayofikiria.'
Ugunduzi maarufu
- 1763, 1812 Bayes Theorem na watangulizi wake. Theoremu hii na matumizi yake yanasaidia katika uamuzi, ikielezea uwezekano wa tukio kutokea kulingana na maarifa ya awali.
- 1805 Least Square Theory na mwanahisabati wa Kifaransa Adrien-Marie Legendre. Nadharia hii, ambayo utajifunza katika kitengo chetu cha Regression, husaidia katika kufaa data.
- 1913 Markov Chains, iliyopewa jina la mwanahisabati wa Kirusi Andrey Markov, hutumika kuelezea mfululizo wa matukio yanayowezekana kulingana na hali ya awali.
- 1957 Perceptron ni aina ya kiongeza mstari kilichovumbuliwa na mwanasaikolojia wa Marekani Frank Rosenblatt ambacho kimechangia maendeleo ya ujifunzaji wa kina.
- 1967 Nearest Neighbor ni algoriti iliyoundwa awali kwa ramani ya njia. Katika muktadha wa ML hutumika kutambua mifumo.
- 1970 Backpropagation hutumika kufundisha mitandao ya neva ya feedforward.
- 1982 Recurrent Neural Networks ni mitandao ya neva ya bandia inayotokana na mitandao ya neva ya feedforward ambayo huunda grafu za muda.
✅ Fanya utafiti kidogo. Ni tarehe gani nyingine zinazojitokeza kama muhimu katika historia ya ML na AI?
1950: Mashine zinazofikiria
Alan Turing, mtu wa kipekee ambaye alichaguliwa na umma mwaka 2019 kama mwanasayansi bora wa karne ya 20, anasifiwa kwa kusaidia kuweka msingi wa wazo la 'mashine inayoweza kufikiria.' Alikabiliana na wakosoaji na hitaji lake mwenyewe la ushahidi wa dhana hii kwa sehemu kwa kuunda Mtihani wa Turing, ambao utachunguza katika masomo yetu ya NLP.
1956: Mradi wa Utafiti wa Majira ya Joto wa Dartmouth
"Mradi wa Utafiti wa Majira ya Joto wa Dartmouth kuhusu akili bandia ulikuwa tukio muhimu kwa akili bandia kama uwanja," na hapa ndipo neno 'akili bandia' lilianzishwa (chanzo).
Kila kipengele cha ujifunzaji au kipengele kingine chochote cha akili kinaweza kuelezewa kwa usahihi kiasi kwamba mashine inaweza kutengenezwa kuiga.
Mtafiti mkuu, profesa wa hisabati John McCarthy, alitarajia "kuendelea kwa msingi wa dhana kwamba kila kipengele cha ujifunzaji au kipengele kingine chochote cha akili kinaweza kuelezewa kwa usahihi kiasi kwamba mashine inaweza kutengenezwa kuiga." Washiriki walijumuisha mtu mwingine maarufu katika uwanja huo, Marvin Minsky.
Warsha hiyo inasifiwa kwa kuanzisha na kuhimiza mijadala kadhaa ikiwa ni pamoja na "kuibuka kwa mbinu za alama, mifumo inayolenga maeneo yaliyopunguzwa (mifumo ya wataalamu wa awali), na mifumo ya kuamua dhidi ya mifumo ya kuiga." (chanzo).
1956 - 1974: "Miaka ya dhahabu"
Kuanzia miaka ya 1950 hadi katikati ya miaka ya '70, matumaini yalikuwa makubwa kwamba AI inaweza kutatua matatizo mengi. Mnamo 1967, Marvin Minsky alitangaza kwa kujiamini kwamba "Ndani ya kizazi ... tatizo la kuunda 'akili bandia' litakuwa limetatuliwa kikamilifu." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Utafiti wa usindikaji wa lugha asilia ulifanikiwa, utafutaji ulirekebishwa na kufanywa kuwa na nguvu zaidi, na dhana ya 'micro-worlds' iliundwa, ambapo kazi rahisi zilifanywa kwa kutumia maagizo ya lugha rahisi.
Utafiti ulifadhiliwa vizuri na mashirika ya serikali, maendeleo yalifanywa katika kompyuta na algoriti, na prototypes za mashine za akili zilijengwa. Baadhi ya mashine hizi ni pamoja na:
-
Shakey the robot, ambaye angeweza kujiendesha na kuamua jinsi ya kutekeleza majukumu 'kwa akili'.
Shakey mwaka 1972
-
Eliza, 'chatterbot' wa awali, angeweza kuzungumza na watu na kutenda kama 'mshauri' wa msingi. Utajifunza zaidi kuhusu Eliza katika masomo ya NLP.
Toleo la Eliza, chatbot
-
"Blocks world" ilikuwa mfano wa micro-world ambapo vizuizi vinaweza kupangwa na kupangwa, na majaribio ya kufundisha mashine kufanya maamuzi yanaweza kufanyiwa majaribio. Maendeleo yaliyotengenezwa na maktaba kama SHRDLU yalisaidia kusukuma usindikaji wa lugha mbele.
🎥 Bonyeza picha hapo juu kwa video: Blocks world na SHRDLU
1974 - 1980: "Majira ya baridi ya AI"
Kufikia katikati ya miaka ya 1970, ilionekana wazi kwamba ugumu wa kutengeneza 'mashine za akili' ulikuwa umepuuzwa na kwamba ahadi yake, ikizingatiwa nguvu ya kompyuta iliyopo, ilikuwa imezidishwa. Ufadhili ulipungua na imani katika uwanja ilipungua. Baadhi ya masuala yaliyopunguza imani ni pamoja na:
- Vikwazo. Nguvu ya kompyuta ilikuwa ndogo sana.
- Mlupuko wa mchanganyiko. Idadi ya vigezo vilivyohitajika kufundishwa ilikua kwa kasi kadri zaidi ilivyotakiwa kutoka kwa kompyuta, bila mabadiliko sambamba ya nguvu na uwezo wa kompyuta.
- Upungufu wa data. Kulikuwa na upungufu wa data uliokwamisha mchakato wa kupima, kuendeleza, na kuboresha algoriti.
- Je, tunauliza maswali sahihi?. Maswali yenyewe yaliyokuwa yakiulizwa yalianza kuhojiwa. Watafiti walianza kukosolewa kuhusu mbinu zao:
- Mitihani ya Turing ilianza kuhojiwa kwa njia, miongoni mwa mawazo mengine, ya 'nadharia ya chumba cha Kichina' ambayo ilidai kwamba, "kuandika programu ya kompyuta ya kidijitali kunaweza kufanya ionekane kuelewa lugha lakini haiwezi kutoa uelewa wa kweli." (chanzo)
- Maadili ya kuanzisha akili bandia kama "mshauri" ELIZA katika jamii yalipingwa.
Wakati huo huo, shule mbalimbali za mawazo ya AI zilianza kuunda. Mgawanyiko ulianzishwa kati ya mazoea ya "scruffy" vs. "neat AI". Maabara scruffy zilirekebisha programu kwa masaa hadi zilipata matokeo yanayotakiwa. Maabara neat "zililenga mantiki na utatuzi rasmi wa matatizo". ELIZA na SHRDLU zilikuwa mifumo maarufu ya scruffy. Katika miaka ya 1980, wakati mahitaji yalipoibuka ya kufanya mifumo ya ML iweze kurudiwa, mbinu ya neat ilianza kuchukua nafasi ya mbele kwani matokeo yake yanaelezeka zaidi.
Mifumo ya wataalamu ya miaka ya 1980
Kadri uwanja ulivyokua, manufaa yake kwa biashara yalionekana wazi, na katika miaka ya 1980 ndivyo ilivyokuwa kwa kuenea kwa 'mifumo ya wataalamu'. "Mifumo ya wataalamu ilikuwa miongoni mwa aina za kwanza za mafanikio ya kweli za programu ya akili bandia (AI)." (chanzo).
Aina hii ya mfumo ni mseto, ikijumuisha sehemu ya injini ya sheria inayofafanua mahitaji ya biashara, na injini ya uamuzi inayotumia mfumo wa sheria kutoa ukweli mpya.
Enzi hii pia iliona kuongezeka kwa umakini kwa mitandao ya neva.
1987 - 1993: 'Baridi' ya AI
Kuenea kwa vifaa maalum vya mifumo ya wataalamu kulikuwa na athari mbaya ya kuwa maalum sana. Kuibuka kwa kompyuta binafsi pia kulishindana na mifumo hii kubwa, maalum, ya kati. Udemokrasia wa kompyuta ulikuwa umeanza, na hatimaye ulifungua njia kwa mlipuko wa kisasa wa data kubwa.
1993 - 2011
Enzi hii iliona zama mpya kwa ML na AI kuwa na uwezo wa kutatua baadhi ya matatizo yaliyosababishwa awali na ukosefu wa data na nguvu ya kompyuta. Kiasi cha data kilianza kuongezeka kwa kasi na kupatikana zaidi, kwa bora na kwa mbaya, hasa na ujio wa simu mahiri karibu mwaka 2007. Nguvu ya kompyuta iliongezeka kwa kasi, na algoriti zilibadilika sambamba. Uwanja ulianza kupata ukomavu kadri siku za zamani za uhuru zilipoanza kuimarika kuwa nidhamu ya kweli.
Sasa
Leo ujifunzaji wa mashine na AI vinagusa karibu kila sehemu ya maisha yetu. Enzi hii inahitaji uelewa makini wa hatari na athari zinazowezekana za algoriti hizi kwa maisha ya binadamu. Kama Brad Smith wa Microsoft amesema, "Teknolojia ya habari inazua masuala yanayogusa msingi wa ulinzi wa haki za binadamu kama faragha na uhuru wa kujieleza. Masuala haya yanaongeza jukumu kwa kampuni za teknolojia zinazounda bidhaa hizi. Kwa mtazamo wetu, pia yanahitaji udhibiti wa serikali wenye mawazo na maendeleo ya kanuni kuhusu matumizi yanayokubalika" (chanzo).
Bado haijulikani nini siku zijazo zitakuwa, lakini ni muhimu kuelewa mifumo hii ya kompyuta na programu na algoriti wanazoendesha. Tunatumaini kwamba mtaala huu utakusaidia kupata uelewa bora ili uweze kuamua mwenyewe.
🎥 Bonyeza picha hapo juu kwa video: Yann LeCun anajadili historia ya ujifunzaji wa kina katika mhadhara huu
🚀Changamoto
Chunguza moja ya matukio haya ya kihistoria na ujifunze zaidi kuhusu watu waliohusika. Kuna wahusika wa kuvutia, na hakuna ugunduzi wa kisayansi uliowahi kuundwa katika utupu wa kitamaduni. Unagundua nini?
Jaribio la baada ya somo
Mapitio na Kujisomea
Hapa kuna vitu vya kutazama na kusikiliza:
Podcast hii ambapo Amy Boyd anajadili mageuzi ya AI
Kazi
Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.