localizeflow[bot]
e84e21cf0c
|
3 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 3 weeks ago | |
| assignment.md | 8 months ago | |
README.md
ประวัติของการเรียนรู้ของเครื่อง
สเก็ตช์โน้ตโดย Tomomi Imura
แบบทดสอบก่อนเรียน
🎥 คลิกรูปภาพด้านบนเพื่อดูวิดีโอสั้นๆ ที่อธิบายบทเรียนนี้
ในบทเรียนนี้ เราจะเดินผ่านเหตุการณ์สำคัญในประวัติศาสตร์ของการเรียนรู้ของเครื่องและปัญญาประดิษฐ์
ประวัติศาสตร์ของปัญญาประดิษฐ์ (AI) ในฐานะสาขาหนึ่งเชื่อมโยงกับประวัติศาสตร์ของการเรียนรู้ของเครื่อง เนื่องจากอัลกอริทึมและความก้าวหน้าทางคอมพิวเตอร์ที่รองรับ ML ส่งผลต่อการพัฒนา AI สิ่งสำคัญคือจำไว้ว่าขณะที่สาขาเหล่านี้เริ่มก่อตัวเป็นหน่วยการศึกษาแยกต่างหากในปี 1950 การค้นพบที่สำคัญทาง อัลกอริทึม สถิติ คณิตศาสตร์ คอมพิวเตอร์ และเทคนิค นั้นมีมาก่อนและทับซ้อนกับยุคนี้ ในความเป็นจริง คนได้คิดเกี่ยวกับคำถามเหล่านี้มายาวนาน หลายร้อยปี: บทความนี้พูดถึงรากฐานทางปัญญาประวัติศาสตร์ของแนวคิด 'เครื่องคิด'
การค้นพบที่น่าจดจำ
- 1763, 1812 ทฤษฎีเบย์ และหลักการก่อนหน้า ทฤษฎีนี้และการประยุกต์ใช้ช่วยในการอนุมาน โดยอธิบายความน่าจะเป็นของเหตุการณ์โดยอิงจากความรู้ก่อนหน้า
- 1805 ทฤษฎีผลรวมกำลังสองน้อยที่สุด โดยนักคณิตศาสตร์ชาวฝรั่งเศส Adrien-Marie Legendre ทฤษฎีนี้ซึ่งคุณจะได้เรียนรู้ในบทเรียน การถดถอย ช่วยในเรื่องการฟิตข้อมูล
- 1913 โซ่ของมาร์คอฟ, ตั้งชื่อตามนักคณิตศาสตร์รัสเซีย Andrey Markov ใช้บรรยายลำดับของเหตุการณ์ที่อาจเกิดขึ้นโดยอิงกับสถานะก่อนหน้า
- 1957 เปอร์เซปตรอน เป็นตัวจำแนกเชิงเส้นที่คิดค้นโดยนักจิตวิทยาชาวอเมริกัน Frank Rosenblatt ซึ่งเป็นพื้นฐานของความก้าวหน้าด้านการเรียนรู้เชิงลึก
- 1967 เพื่อนบ้านที่ใกล้ที่สุด เป็นอัลกอริทึมที่ออกแบบมาเพื่อแม็ปรถเส้นทาง ด้าน ML ใช้ตรวจจับรูปแบบ
- 1970 การส่งค่ากลับ ใช้ฝึก เครือข่ายประสาทเทียมแบบป้อนตรง
- 1982 เครือข่ายประสาทเทียมแบบวนรอบ เป็นเครือข่ายประสาทเทียมที่สืบทอดมาจากเครือข่ายป้อนตรงซึ่งสร้างกราฟเชิงเวลาช่วง
✅ ลองค้นคว้าดูบ้าง วันเวลาอื่นอะไรที่โดดเด่นในประวัติศาสตร์ของ ML และ AI บ้าง?
1950: เครื่องจักรที่คิดได้
อลัน ทูริง บุคคลที่น่าทึ่งซึ่งได้รับเลือก โดยสาธารณะในปี 2019 ให้เป็นนักวิทยาศาสตร์ที่ยิ่งใหญ่ที่สุดแห่งศตวรรษที่ 20 ถือว่าเป็นผู้วางรากฐานแนวคิด 'เครื่องจักรที่สามารถคิด' เขาต่อสู้กับผู้ไม่เชื่อตัวเองและต้องการหลักฐานจากประสบการณ์เกี่ยวกับแนวคิดนี้บางส่วนโดยการสร้าง การทดสอบทูริง ซึ่งคุณจะได้สำรวจในบทเรียน NLP ของเรา
1956: โครงการวิจัยฤดูร้อนที่ดาร์ตเมาท์
"โครงการวิจัยฤดูร้อนที่ดาร์ตเมาท์เกี่ยวกับปัญญาประดิษฐ์เป็นเหตุการณ์สำคัญสำหรับ AI ในฐานะสาขา" และที่นี่คือจุดที่คำว่า 'ปัญญาประดิษฐ์' ถูกตั้งขึ้น (แหล่งที่มา)
ทุกแง่มุมของการเรียนรู้หรือคุณลักษณะอื่น ๆ ของปัญญาในหลักการสามารถอธิบายได้อย่างแม่นยำจนสามารถสร้างเครื่องจักรที่เลียนแบบได้
หัวหน้าคณะวิจัย อาจารย์คณิตศาสตร์ John McCarthy หวังว่า "จะดำเนินการบนสมมติฐานที่ว่าทุกแง่มุมของการเรียนรู้หรือคุณลักษณะอื่นของปัญญาในหลักการสามารถอธิบายได้อย่างแม่นยำจนสามารถสร้างเครื่องเลียนแบบได้" ผู้เข้าร่วมรวมถึงผู้มีชื่อเสียงอีกคนในสาขา Marvin Minsky
เวิร์กช็อปนี้ได้รับเครดิตในการริเริ่มและส่งเสริมการสนทนาเรื่องต่าง ๆ รวมถึง "การเกิดของวิธีสัญลักษณ์ ระบบที่เน้นโดเมนจำกัด (ระบบผู้เชี่ยวชาญยุคแรก) และระบบอนุมานเทียบกับระบบนิรนัย" (แหล่งที่มา)
1956 - 1974: "ปีทอง"
ตั้งแต่ปี 1950 ถึงกลางทศวรรษ 70 ความหวังสูงมากว่า AI จะแก้ปัญหามากมายได้ ในปี 1967 Marvin Minsky กล่าวว่าอย่างมั่นใจว่า "ภายในหนึ่งรุ่น... ปัญหาการสร้าง 'ปัญญาประดิษฐ์' จะถูกแก้ไขอย่างมีนัยสำคัญ" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
งานวิจัยด้านการประมวลผลภาษาธรรมชาติเจริญรุ่งเรือง การค้นหาถูกพัฒนาให้ดีขึ้นและมีประสิทธิภาพกว่าเดิม และแนวคิด 'ไมโครเวิลด์' ถูกสร้างขึ้น ซึ่งงานง่ายๆ สำเร็จโดยใช้คำสั่งภาษาธรรมดา
งานวิจัยได้รับทุนสนับสนุนอย่างดีจากหน่วยงานรัฐบาล มีความก้าวหน้าในเรื่องการคำนวณและอัลกอริทึม และมีการสร้างต้นแบบเครื่องจักรอัจฉริยะ บางเครื่องมีดังนี้:
-
Shakey หุ่นยนต์ ผู้สามารถเคลื่อนที่และตัดสินใจทำงานได้อย่าง 'ชาญฉลาด'
Shakey ในปี 1972
-
Eliza บอทประเภท 'แชทเตอร์บอท' ยุคแรกที่สามารถสนทนากับคนและทำหน้าที่เป็น 'นักบำบัด' ขั้นพื้นฐาน คุณจะได้เรียนรู้เพิ่มเติมเกี่ยวกับ Eliza ในบทเรียน NLP
รุ่นหนึ่งของ Eliza แชทบอท
-
"โลกของบล็อก" เป็นตัวอย่างของไมโครเวิลด์ซึ่งบล็อกสามารถเรียงซ้อนและจัดเรียงได้ และทดลองสอนเครื่องให้ตัดสินใจได้ ความก้าวหน้าที่สร้างด้วยไลบรารีเช่น SHRDLU ช่วยผลักดันการประมวลผลภาษาให้ก้าวหน้า
🎥 คลิกรูปภาพด้านบนเพื่อดูวิดีโอ: โลกของบล็อกกับ SHRDLU
1974 - 1980: "ฤดูหนาว AI"
ภายในกลางทศวรรษ 1970 ปรากฏชัดว่าความซับซ้อนในการสร้าง 'เครื่องชาญฉลาด' ถูกประเมินต่ำเกินไปและสัญญาที่มีอยู่ โดยเฉพาะกับกำลังคำนวณที่มีอยู่ ถูกพูดเกินจริง การระดมทุนลดลงและความมั่นใจในสาขานี้ลดลง ปัญหาบางอย่างที่ส่งผลต่อความมั่นใจได้แก่:
- ข้อจำกัด. กำลังคำนวณมีจำกัดมาก
- การระเบิดของพารามิเตอร์. จำนวนพารามิเตอร์ที่ต้องฝึกเพิ่มขึ้นอย่างมากเมื่อความต้องการจากคอมพิวเตอร์เพิ่มขึ้น โดยกำลังคำนวณและความสามารถไม่ได้พัฒนาไปพร้อมกัน
- ขาดแคลนข้อมูล. ข้อมูลมีจำกัดซึ่งขัดขวางกระบวนการทดลอง พัฒนา และปรับปรุงอัลกอริทึม
- เราถามคำถามถูกต้องหรือ?. คำถามที่ถูกถามเริ่มถูกตั้งคำถาม นักวิจัยถูกวิจารณ์เรื่องแนวทางของตน:
- การทดสอบทูริงถูกวิพากษ์วิจารณ์ด้วยแนวคิดที่หลากหลาย เช่น ทฤษฎี 'ห้องจีน' ที่ระบุว่า "การเขียนโปรแกรมคอมพิวเตอร์ดิจิทัลอาจทำให้ดูเหมือนเข้าใจภาษาแต่ไม่สามารถสร้างความเข้าใจจริง" (แหล่งที่มา)
- จริยธรรมในการนำปัญญาประดิษฐ์เช่น "นักบำบัด" ELIZA เข้าสู่สังคมถูกตั้งคำถาม
พร้อมกันนั้น แวดวงความคิด AI เริ่มก่อตัวขึ้น ระหว่างแนวทาง "scruffy" กับ "neat AI" ห้องแล็บแบบ scruffy ปรับโปรแกรมนานหลายชั่วโมงจนได้ผลลัพธ์ที่ต้องการ ห้องแล็บแบบ neat "เน้นตรรกะและการแก้ปัญหาอย่างเป็นทางการ" ELIZA และ SHRDLU เป็นระบบ scruffy ที่รู้จักกันดี ในทศวรรษ 1980 เมื่อความต้องการทำให้ระบบ ML ทำซ้ำได้มากขึ้น แนวทาง neat ค่อยๆ ได้รับความนิยมมากขึ้นเนื่องจากผลลัพธ์อธิบายได้ชัดเจนกว่า
ระบบผู้เชี่ยวชาญในยุค 1980
เมื่อสาขานี้เติบโต ประโยชน์ต่อธุรกิจก็ชัดเจนขึ้น และในทศวรรษ 1980 ระบบผู้เชี่ยวชาญแพร่หลายขึ้น "ระบบผู้เชี่ยวชาญถือเป็นหนึ่งในซอฟต์แวร์ปัญญาประดิษฐ์ (AI) ที่ประสบความสำเร็จจริงครั้งแรก" (แหล่งที่มา)
ระบบประเภทนี้เป็นระบบ ผสม ประกอบด้วยเครื่องมือกฎที่ระบุข้อกำหนดทางธุรกิจบางส่วน และเครื่องมืออนุมานที่ใช้กฎเหล่านี้ในการสรุปข้อเท็จจริงใหม่
ยุคนี้ยังเห็นความสนใจที่เพิ่มขึ้นในเครือข่ายประสาทเทียม
1987 - 1993: ช่วง 'เย็น' ของ AI
การแพร่หลายของฮาร์ดแวร์ระบบผู้เชี่ยวชาญเฉพาะทางทำให้เกิดความเชี่ยวชาญมากเกินไป การขึ้นของคอมพิวเตอร์ส่วนบุคคลก็แข่งขันกับระบบขนาดใหญ่เฉพาะทางแบบรวมศูนย์นี้ การกระจายการใช้งานคอมพิวเตอร์เริ่มขึ้น และท้ายที่สุดเป็นทางไปสู่การลุกฮือของข้อมูลขนาดใหญ่ในยุคปัจจุบัน
1993 - 2011
ยุคนี้เป็นยุคใหม่ของ ML และ AI ที่สามารถแก้ปัญหาบางอย่างที่เกิดจากการขาดข้อมูลและกำลังคำนวณมาก่อน จำนวนข้อมูลเพิ่มขึ้นอย่างรวดเร็วและแพร่หลายมากขึ้น ทั้งด้านดีและด้านร้าย โดยเฉพาะอย่างยิ่งกับการมาของสมาร์ตโฟนประมาณปี 2007 กำลังคำนวณเพิ่มขึ้นอย่างทวีคูณ และอัลกอริทึมพัฒนาขึ้นควบคู่ สาขานี้เริ่มมีความเป็นวินัยอย่างแท้จริงจากวันที่เป็นอิสระในอดีต
ปัจจุบัน
วันนี้การเรียนรู้ของเครื่องและ AI เข้าถึงเกือบทุกด้านของชีวิตเรา ยุคนี้เรียกร้องการเข้าใจอย่างรอบคอบถึงความเสี่ยงและผลกระทบที่อัลกอริทึมเหล่านี้มีต่อชีวิตมนุษย์ ตามที่ Brad Smith จากไมโครซอฟท์กล่าวว่า "เทคโนโลยีสารสนเทศก่อให้เกิดปัญหาที่เกี่ยวข้องกับการคุ้มครองสิทธิมนุษยชนพื้นฐาน เช่น ความเป็นส่วนตัวและเสรีภาพในการแสดงออก ปัญหาเหล่านี้เพิ่มความรับผิดชอบให้แก่บริษัทเทคโนโลยีที่สร้างผลิตภัณฑ์เหล่านี้ ในมุมมองของเรา ยังเรียกร้องการควบคุมทางรัฐบาลที่รอบคอบและการพัฒนามาตรฐานรอบการใช้ที่ยอมรับได้" (แหล่งที่มา)
ยังไม่อาจบอกได้ว่าอนาคตจะเป็นอย่างไร แต่สิ่งสำคัญคือการเข้าใจระบบคอมพิวเตอร์และซอฟต์แวร์และอัลกอริทึมที่พวกเขาใช้งาน เราหวังว่าหลักสูตรนี้จะช่วยให้คุณเข้าใจมากขึ้นเพื่อที่คุณจะได้ตัดสินใจด้วยตัวเอง
🎥 คลิกรูปภาพด้านบนเพื่อดูวิดีโอ: Yann LeCun พูดถึงประวัติของการเรียนรู้เชิงลึกในบทเรียนนี้
🚀ความท้าทาย
ลงลึกในช่วงเวลาประวัติศาสตร์หนึ่งช่วงนี้และเรียนรู้เพิ่มเติมเกี่ยวกับผู้คนเบื้องหลัง มีตัวละครที่น่าตื่นเต้น และไม่มีการค้นพบทางวิทยาศาสตร์ใดเกิดขึ้นในสุญญากาศทางวัฒนธรรม คุณค้นพบอะไรบ้าง?
แบบทดสอบหลังเรียน
ทบทวน & เรียนรู้ด้วยตนเอง
นี่คือรายการที่ควรดูและฟัง:
พอดแคสต์ที่ Amy Boyd พูดถึงวิวัฒนาการของ AI
การบ้าน
ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้