1959 m. IBM darbuotojas ir Masačūsetso Technologijos Instituto absolventas Artūras Samiuelis pradėjo programavimo revoliuciją. Parašęs straipsnį, kuriame demonstravo unikalų požiūrį į kompiuterių sugebėjimą žaisti šachmatus. Jis sukūrė ankstyvą mokymo programą, kuri vertino lentos padėtis, priskirdama skaitines vertes įvairiems veiksniams, norėdama prognozuoti laimėtojų žingsnius.
Samuelio strategija buvo neįprasta. Vietoj to, kad nustatytų fiksuotus šių veiksnių svarbumo lygius, jis įtraukė atsitiktinumus, žinodamas, kad šis metodas pradiniai rezultatai bus prastesni. Remdamasis prisitaikymo galia, jo programa buvo suprojektuota evoliucionuoti prieš save kovodama su žmogaus žaidėjais, išmokdama iš kiekvienos sąveikos ir nuolat tobulėdama, grindžiamai iškomis.
Šis programavimo būdas padėjo pamatus tam, ką dabar pripažįstame kaip mašininis mokymasis – aspektas, skatindantis pramonę naujovių šakomis, tokiomis kaip dirbtinio intelekto diagnostika, kalbos atpažinimas, savarankiškos mašinos, ir sudėtingos virtualiosios asistentės, įskaitant tobulėjimus kaip ChatGPT.
Modernūs pažangos laimėjo samuelio pradinę šachmatų programą. Dabartiniai neuroniniai tinklai sudaro sudėtingus parametrinio modelius, kurie gali imituoti bet kurį veiksnį, veikiančius su parametrais, kurių dydis yra šimtai milijonų. Skirtingai nuo Samiuelio laikų, šie galingi sistemos mokosi autonomiškai iš pramonės duomenų baseinų iš žinių sričių, padarant žmonių įsikišimą mokymuisi vis labiau nereikalingą.
Vis dėlto, šio technologinio stebuklo šaknys yra kuklios, siekiangios atgal ties 19 amžiaus pabaigos mažėjančio nusileidimo būdo, pritaikytos neuroniniams tinklams 1980aisiais metais. Sėkmės šuolys ateina iš modelių sudėtingumo, joms įkvėptų sudėtingumų ir duomenų gausos jų mokymosi fazėje.
Traukdami lyginimus tarp evoliucinės biologijos ir mašininio mokymosi, gyvybės formos taip pat gali būti sumažintos į parametrizuotus veiksmus—genus. Evoliucija atspindėjo Samuelio prisitaikančią šachmatų programą, nuolat optimizuojant genetinius vertes, kad būtų pagerinti išlikimo bruožai, nepaliekant silpnesnių genetinių sekų.
1975 m., Džonas Holandas pristatė evoliucinio mokymosi konceptą, pritvirtino „Genetinius Algoritmus.“ Šie algoritmai naudoja genų kodą panašų į kalbą, kad nurodytų elgesį, ir per dirbtinį atranką imituoja biologinę evoliuciją, skatinant programinės įrangos našumą per skaitinę seksualinės reprodukcijos įtaką.
Nuo jų kilmės, šie evoliuciniai algoritmai matė spektakulias pažangas ir suteikė galimybę susidoroti su kitaip neišspręstomis parametrų parinkimo uždavinių paslaptimis įvairiose srityse.
Artūro Samuelio darbas mašininio mokymosi srityje buvo išties revoliucingas tuo metu ir padėjo pagrindą tam, kas tapo pagrindine technologija šiuolaikiniame skaitmeniniame skaičiavime. Pridėkime keletą papildomų faktų, tarkime su svarbiais klausimais ir aptarkime privalumus ir iššūkius, nepasikartojant straipsnio turinyje.
Papildomi svarbūs faktai:
– Artūras Samielis sukūrė terminą „mašininis mokymasis“ savo 1959 m. straipsnyje apie šachmatų programą, kuri pati buvo viena pirmųjų savaiminio mokymosi sistemų.
– Jis dirbo šiuo projektu IBM kompanijoje, tačiau jį tęsė kaip profesorius Stenfordo universitete, kur tobulino programą toliau.
– Samuelio programa naudojo metodą, vadinamą alfa-beta kirtimu, algoritmu, kuris sumažina apžvalgytų langų skaičių minimaksiniu algoritmu žaidimų medžio paieškoje.
Svarbūs klausimai ir atsakymai:
K: Kas yra Artūras Samielis ir kodėl jis yra svarbus mašininio mokymosi istorijoje?
A: Artūras Samielis buvo dirbtinio intelekto pionierius ir pripažinamas kaip vieno iš pirmųjų kompiuterių programų kūrėjas, kuris galėjo mokytis iš savo patirčių – šachmatų žaidimo programa. Jo darbas yra svarbus, nes jis nustatė pagrindą mašininio mokymosi algoritmų plėtrai.
K: Kaip mokėsi Samielio šachmatų programa?
A: Programa mokėsi žaidždama žaidimus prieš save ir keisdama svarbą, kurią ji skyrė įvairioms lentos padėtims, remdamasi tuo, ar ėjimai vedė į pergales ar pralaimėjimus.
Pagrindiniai iššūkiai ar kontroversijos:
– Vienas iš iššūkių mašininio mokymosi pradėjimo laikais buvo kovoti su ribotu skaičiavimo pajėgumu, kuris labai apribojo problemų sudėtingumo mastą, kuris buvo galimas įveikti.
– Kitas iššūkis buvo užtikrinti etinį ir atsakingą mašininio mokymosi technologijos plėtojimą ir naudojimą, ypač kalbant apie privatumą, saugumą ir galimus iškreiptumus išmoktose modelyse.
Privalumai:
– Automatizavimas: Mašininis mokymasis leidžia automatizuoti analitinių modelių kūrimą, kas gali pagerinti efektyvumą ir produktyvumą įvairiose pramonėse.
– Prognozinė Analizė: Mašininis mokymasis gali suteikti verslams įžvalgas ir duomenimis grįstus prognozavimus, kurių žmonės analitikai gali nepastebėti.
Trūkumai:
– Duomenų Priklausomybės: Mašininio mokymosi algoritmai reikalauja didelių duomenų kiekių, kad mokytųsi efektyviai, kas gali būti kliūtis kai kurioms organizacijoms.
– Juodos Dėžės Algoritmai: Kai kurie mašininio mokymosi modeliai, ypač giliųjų mokymosi tinklų, gali būti neaiškūs, todėl sunku suprasti, kaip sprendimai yra priimami.
Siūlomi susiję nuorodos:
– Norint giliau suprasti mašininį mokymąsi, apsilankykite dirbtinės intelekto pažangos asociacijoje AAAI.
– Norėdami sužinoti daugiau apie etiką dirbtinėje intelektą ir mašininį mokymąsi, „Gyvybės ateities institutas“ teikia išteklius Gyvybės ateities institutas.
– Norėdami gauti mokslinių straipsnių ir naujausių tyrimų rezultatų mašininio mokymo srityje, kreipkitės į IEEE Kompiuterių draugiją IEEE Kompiuterių draugija.
Artūro Samuelio palikimas mašininio mokymosi srityje negali būti prilygintas. Jo šachmatų žaidimo programa nebuvo tiesiog žaidimas – ji buvo ateities technologijos, kurią mašininio mokymosi sistemos ateityje siūlys pranašumus. Šiandien mašininis mokymasis yra visur informatikoje, turintis taikymą nuo rekomendacinių sistemų, kuriomis naudojasi „Netflix“ ir „Amazon“, iki sudėtingų medicinos diagnozių sistemų. Nepaisant to, kad mašininis mokymasis suteikia daugybę privalumų, jis taip pat kelia iššūkius, tokius kaip užtikrinti duomenų privatumą ir išvengti iškreipimų kūriant modelius, kurie galėtų palaikyti nelygybę. Kadangi mašininis mokymasis toliau tobulėja ir gilinasi į visuomenę, būtina, kad bendruomenė apsvarstytų tiek etinius klausimus, tiek techninius iššūkius šių galingų įrankių atžvilgiu.
The source of the article is from the blog lokale-komercyjne.pl