කෘතීම බුද්ධිය
කෘතීම බුද්ධිය යන්නෙන් අදහස් කරන්නේ “බුද්ධිමත්” කාර්යයන් ඉටු කිරීම සඳහා විශාල දත්ත කට්ටල භාවිතා කරන පරිගණක පද්ධති සංවර්ධනය කිරීමයි: දෘශ්ය සංජානනය, ස්වාභාවික භාෂාව තේරුම් ගැනීම, තර්ක කිරීම සහ තීරණ ගැනීම. යන්ත්ර ඉගෙනීම යනු පරිගණකයට එය කළ යුතු දේ පිළිබඳ උදාහරණ සැපයීම මත පදනම්ව එවැනි පද්ධති ගොඩනැගීමේ එක් ක්රමයක් වන අතර එය කරන්නේ කෙසේදැයි සොයා ගැනීමට එනම් ඉගෙන ගැනීමට ඉඩ ලබා දීමයි.
AI හි ඉතිහාසය.
බුද්ධියෙන් දායාද වූ අජීවී වස්තූන් පිළිබඳ සංකල්පය ඈත අතීතයේ සිට පැවත එන්නකි. ග්රීක දෙවියෙකු වන Hephaestus මිථ්යාවන්හි නිරූපණය කර ඇත්තේ රත්රන් වලින් රොබෝ වැනි සේවකයන් ව්යාජ ලෙස සකස් කරන ලෙසයි. පුරාණ ඊජිප්තුවේ ඉංජිනේරුවන් පූජකයන් විසින් සජීවීකරණය කරන ලද දෙවිවරුන්ගේ පිළිම ඉදි කළහ. සියවස් ගණනාවක් පුරා, ඇරිස්ටෝටල් සිට 13 වන සියවසේ ස්පාඤ්ඤ දේවධර්මාචාර්ය Ramon Llull සිට René Descartes සහ Thomas Bayes දක්වා චින්තකයින් මානව චින්තන ක්රියාවලීන් සංකේත ලෙස විස්තර කිරීමට ඔවුන්ගේ කාලයේ මෙවලම් සහ තර්කනය භාවිතා කළ අතර, සාමාන්ය දැනුම නියෝජනය වැනි AI සංකල්ප සඳහා අඩිතාලම දැමීය.
AI 1956 සිට වර්තමානය දක්වා.
19 වැනි සියවසේ අගභාගයේ සහ 20 වැනි සියවසේ මුල් භාගයේ නවීන පරිගණකයක් බිහි කළ හැකි අත්තිවාරම් වැඩෙන්නට විය. 1836 දී කේම්බ්රිජ් විශ්වවිද්යාලයේ ගණිතඥ චාල්ස් බැබේජ් සහ ඔගස්ටා ඇඩා බයිරන්, කවුන්ටස් ඔෆ් ලව්ලේස්, ක්රමලේඛන යන්ත්රයක් සඳහා ප්රථම සැලසුම සොයා ගන්නා ලදී.
1940 දී ප්රින්ස්ටන් ගණිතඥ ජෝන් වොන් නියුමන් විසින් ගබඩා කරන ලද ක්රමලේඛ පරිගණකය සඳහා ගෘහනිර්මාණ ශිල්පය මුල්බැස ගන්නා ලදී. පරිගණකයක වැඩසටහන සහ එය සකසන දත්ත පරිගණකයේ මතකයේ තබා ගත හැකිය යන අදහසයි. ඒ වගේම Warren McCulloch සහ Walter Pitts ස්නායු ජාල සඳහා අඩිතාලම සකසන්නට විය.
1950 දී නවීන පරිගණක පැමිණීමත් සමඟ විද්යාඥයින්ට යන්ත්ර බුද්ධිය පිළිබඳ ඔවුන්ගේ අදහස් පරීක්ෂා කළ හැකි විය. පරිගණකයකට බුද්ධියක් තිබේද යන්න තීරණය කිරීම සඳහා එක් ක්රමයක් බ්රිතාන්ය ගණිතඥයෙකු සහ දෙවන ලෝක සංග්රාමයේ කේත බිඳින්නෙකු වූ ඇලන් ටියුරින් විසින් නිර්මාණය කරන ලදී. ටියුරින් පරීක්ෂණය අවධානය යොමු කළේ ප්රශ්න කරන්නන් ඔවුන්ගේ ප්රශ්නවලට ප්රතිචාර දක්වන්නේ මිනිසෙකු විසින් කරන ලද ප්රතිචාර ලෙස විශ්වාස කිරීමට පරිගණකයකට ඇති හැකියාවයි.
1956 දී ආරක්ෂක උසස් පර්යේෂණ ව්යාපෘති නියෝජිතායතනය (DARPA) විසින් අනුග්රහය දක්වන ලද මෙම සම්මන්ත්රණයට AI පුරෝගාමීන් වන Marvin Minsky, Oliver Selfridge සහ John McCarthy යන ක්ෂේත්රයේ ප්රවීනයන් 10 දෙනෙක් සහභාගී වූහ. පරිගණක විද්යාඥයෙකු වන ඇලන් නිව්වෙල් සහ ආර්ථික විද්යාඥයෙකු, දේශපාලන විද්යාඥයෙකු සහ ප්රජානන මනෝවිද්යාඥයෙකු වන හර්බට් ඒ සයිමන් ද පැමිණ සිටි අතර, ඔවුන් ඔවුන්ගේ පෙරළිකාර තාර්කික න්යායාචාර්යවරයා ඉදිරිපත් කළ අතර, ඇතැම් ගණිතමය ප්රමේයයන් ඔප්පු කළ හැකි පරිගණක වැඩසටහනක් සහ පළමු AI වැඩසටහන ලෙස හැඳින්වේ. .
1950 සහ 1960 ගණන්වල, Dartmouth විද්යාලයේ සම්මන්ත්රණයෙන් පසුව, AI හි නව ක්ෂේත්රයේ නායකයින් අනාවැකි පළ කළේ මිනිස් මොළයට සමාන මිනිසා විසින් සාදන ලද බුද්ධියක්, ප්රධාන රජයේ සහ කර්මාන්ත සහාය ආකර්ෂණය කර ගනිමින් කෙළවරේ ඇති බවයි. ඇත්ත වශයෙන්ම, වසර 20කට ආසන්න කාලයක් හොඳින් අරමුදල් සපයන ලද මූලික පර්යේෂණ මගින් AI හි සැලකිය යුතු දියුණුවක් ඇති විය: නිදසුනක් ලෙස, 1950 ගණන්වල අගභාගයේදී, Newell සහ Simon විසින් සාමාන්ය ගැටළු විසඳීමේ (GPS) ඇල්ගොරිතම ප්රකාශයට පත් කරන ලද අතර, එය සංකීර්ණ ගැටළු විසඳීමට අඩු නමුත් අත්තිවාරම් දැමීය. වඩාත් සංකීර්ණ සංජානන ගෘහ නිර්මාණ ශිල්පය සංවර්ධනය කිරීම; McCarthy AI ක්රමලේඛනය සඳහා වන Lisp, අදටත් භාවිතා කරන භාෂාවක් නිර්මාණය කළේය. 1960 ගණන්වල මැද භාගයේදී MIT මහාචාර්ය ජෝසප් වයිසන්බෝම් විසින් අද දින චැට්බෝට් සඳහා අඩිතාලම දැමූ මුල් ස්වාභාවික භාෂා සැකසුම් වැඩසටහනක් වන ELIZA සංවර්ධනය කරන ලදී.
1970 සහ 1980 කාලයේදී, කෘත්රිම බුද්ධියට සාමාන්ය බුද්ධිය සාක්ෂාත් කර ගැනීම නොපැහැදිලි බව ඔප්පු විය, පරිගණක සැකසීමේ සහ මතකයේ ඇති සීමාවන් සහ ගැටලුවේ සංකීර්ණත්වය මගින් බාධා ඇති විය. රජය සහ සංගත AI පර්යේෂණ සඳහා ඔවුන්ගේ සහයෝගයෙන් පසුබැස ගිය අතර, එය 1974 සිට 1980 දක්වා පැවති පුරන් කාල පරිච්ඡේදයකට තුඩු දුන් අතර එය පළමු "AI ශීත ඍතුව" ලෙස හැඳින්වේ. 1980 ගණන් වලදී, ගැඹුරු ඉගෙනුම් ශිල්පීය ක්රම පිළිබඳ පර්යේෂණ සහ කර්මාන්තය විසින් Edward Feigenbaum ගේ විශේෂඥ පද්ධති අනුගමනය කිරීම AI උද්යෝගයේ නව රැල්ලක් අවුලුවාලූ අතර, රජයේ අරමුදල් සහ කර්මාන්ත සහාය තවත් බිඳ වැටීමක් සිදු විය. දෙවන AI ශීත කාලය 1990 මැද භාගය දක්වා පැවතුනි.
1990 සිට අද දක්වා, 1990 ගණන්වල අග භාගයේ දී කෘත්රිම බුද්ධියේ පුනරුදයක් ඇති කළ පරිගණක බලයේ වැඩි වීමක් සහ දත්තවල විශාල වර්ධනයක් අද දක්වාම පවතී. AI පිළිබඳ නවතම අවධානය ස්වභාවික භාෂා සැකසීම, පරිගණක දැක්ම, රොබෝ තාක්ෂණය, යන්ත්ර ඉගෙනීම, ගැඹුරු ඉගෙනීම සහ තවත් බොහෝ දේවල ඉදිරි ගමනට හේතු වී ඇත. එපමනක් නොව, AI වඩාත් ප්රත්යක්ෂ වෙමින්, මෝටර් රථ බල ගැන්වීම, රෝග නිර්ණය කිරීම සහ ජනප්රිය සංස්කෘතිය තුළ එහි භූමිකාව තහවුරු කරයි. 1997 දී IBM හි ඩීප් බ්ලූ රුසියානු චෙස් ග්රෑන්ඩ්මාස්ටර් ගැරී කැස්පරොව්ව පරාජය කරමින් ලෝක චෙස් ශූරයෙකු පරාජය කළ පළමු පරිගණක වැඩසටහන බවට පත්විය. වසර දහහතරකට පසු, IBM හි Watson, Jeopardy! ක්රීඩා සංදර්ශනයේදී හිටපු ශූරයන් දෙදෙනෙකු පරාජය කළ විට මහජනයා ආකර්ෂණය කළේය. වඩාත් මෑතක දී, Google DeepMind හි AlphaGo විසින් 18 වතාවක් World Go ශූර ලී සෙඩොල්ගේ ඓතිහාසික පරාජය Go ප්රජාව මවිතයට පත් කළ අතර බුද්ධිමත් යන්ත්ර සංවර්ධනයේ ප්රධාන සන්ධිස්ථානයක් සනිටුහන් කළේය.
කෘතිම බුද්ධියේ ප්රධාන වර්ග හතර(4).
මිචිගන් ප්රාන්ත විශ්ව විද්යාලයේ සමෝධානික ජීව විද්යාව සහ පරිගණක විද්යාව සහ ඉංජිනේරු විද්යාව පිළිබඳ සහකාර මහාචාර්යවරයෙකු වන Arend Hintze 2016 ලිපියක පැහැදිලි කළේ AI වර්ග හතරකට වර්ග කළ හැකි බවයි, එය අද පුළුල් ලෙස භාවිතා වන කාර්ය-විශේෂිත බුද්ධිමත් පද්ධති වලින් ආරම්භ වී සංවේදී පද්ධති දක්වා ප්රගතියක් ලබා ඇත.
1.පලමු වර්ගය, ප්රතිකාරක යන්ත්ර. මෙම AI පද්ධතිවලට මතකයක් නොමැති අතර ඒවා විශේෂිත කාර්ය වේ. උදාහරණයක් ලෙස 1990 ගණන්වල ගැරී කැස්පරොව් පරාජය කළ IBM චෙස් වැඩසටහන වන ඩීප් බ්ලූ(Deep Blue) වලට චෙස් බෝඩ් එකේ කෑලි හදුනාගෙන අනාවැකි කියන්න පුලුවන් නමුත් මතකයක් නැති නිසා අතීත අත්දැකීම් අනාගත අයව දැනුවත් කරන්නට නොහැකිය.
2.දෙවෙනි වර්ගය, සීමිත මතකය. මෙම AI පද්ධති මතකය ඇත, එබැවින් අනාගත තීරණ දැනුම් දීමට අතීත අත්දැකීම් භාවිතා කළ හැකිය. ස්වයං රිය පැදවීමේ මෝටර් රථවල සමහර තීරණ ගැනීමේ කාර්යයන් මේ ආකාරයෙන් නිර්මාණය කර ඇත.
3.තෙවන වර්ගය මනස පිළිබඳ න්යාය. මනස පිළිබඳ න්යාය යනු මනෝවිද්යාත්මක යෙදුමකි. AI සඳහා යොදන විට එයින් අදහස් වන්නේ හැඟීම් තේරුම් ගැනීමට පද්ධතියට සමාජ බුද්ධිය ඇති බවයි. මෙම AI වර්ගයට මානව අභිප්රායන් අනුමාන කිරීමට සහ හැසිරීම් අනාවැකි කිරීමට හැකි වනු ඇත, AI පද්ධති සඳහා මානව කණ්ඩායම්වල අනිවාර්ය සාමාජිකයන් වීමට අවශ්ය කුසලතාවකි.
4.සිව්වන වර්ගය, ස්වයං දැනුවත්භාවය. මෙම ප්රවර්ගය තුළ, AI පද්ධතිවලට තමන් පිළිබඳ හැඟීමක් ඇති අතර, එමඟින් ඔවුන්ට විඥානය ලබා දේ. ස්වයං දැනුවත්භාවය ඇති යන්ත්ර ඔවුන්ගේම වර්තමාන තත්ත්වය තේරුම් ගනී. මෙම වර්ගයේ AI තවමත් නොමැත.
කෘතිම බුද්ධිය වැදගත් වන්නේ ඇයි?
AI වැදගත් වන්නේ එය ව්යවසායකයින්ට ඔවුන්ගේ ක්රියාකාරකම් පිළිබඳව ඔවුන් කලින් නොදැන සිටි අවබෝධයක් ලබා දිය හැකි නිසාත්, සමහර අවස්ථාවලදී, AI හට මිනිසුන්ට වඩා හොඳින් කාර්යයන් ඉටු කළ හැකි නිසාත් ය. විශේෂයෙන්ම අදාළ ක්ෂේත්ර නිසියාකාරව පුරවා ඇති බව සහතික කිරීම සඳහා නීතිමය ලියකියවිලි විශාල සංඛ්යාවක් විශ්ලේෂණය කිරීම වැනි පුනරාවර්තන, විස්තර-නැඹුරු කාර්යයන් සම්බන්ධයෙන්, AI මෙවලම් බොහෝ විට ඉක්මනින් සහ සාපේක්ෂව සුළු දෝෂ සහිතව රැකියා සම්පූර්ණ කරයි.
මෙය කාර්යක්ෂමතාවයේ වර්ධනයට ඉඩ සපයන අතර සමහර විශාල ව්යවසායන් සඳහා සම්පූර්ණයෙන්ම නව ව්යාපාරික අවස්ථා සඳහා දොරටු විවර කර ඇත. AI හි වත්මන් රැල්ලට පෙර, කුලී රථවලට ධාවකයන් සම්බන්ධ කිරීමට පරිගණක මෘදුකාංග භාවිතා කිරීම සිතීම දුෂ්කර විය, නමුත් අද Uber එය කිරීමෙන් ලෝකයේ විශාලතම සමාගමක් බවට පත්ව ඇත. මිනිසුන්ට ඇතැම් ප්රදේශවල සවාරි අවශ්ය වන්නේ කවදාදැයි පුරෝකථනය කිරීමට එය නවීන යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම භාවිතා කරයි, එමඟින් රියදුරන් අවශ්ය වීමට පෙර පාරට සක්රීයව ලබා ගැනීමට උපකාරී වේ. තවත් උදාහරණයක් ලෙස, මිනිසුන් ඔවුන්ගේ සේවාවන් භාවිතා කරන ආකාරය තේරුම් ගැනීමට සහ ඒවා වැඩිදියුණු කිරීමට යන්ත්ර ඉගෙනීම භාවිතා කිරීමෙන් Google සබැඳි සේවා පරාසයක් සඳහා විශාලතම ක්රීඩකයන්ගෙන් එකක් බවට පත්ව ඇත. 2017 දී සමාගමේ ප්රධාන විධායක නිලධාරී සුන්දර් පිචායි ප්රකාශ කළේ Google "AI පළමු" සමාගමක් ලෙස ක්රියාත්මක වන බවයි.වර්තමාන විශාලතම හා වඩාත්ම සාර්ථක ව්යවසායන් ඔවුන්ගේ මෙහෙයුම් වැඩිදියුණු කිරීමට සහ ඔවුන්ගේ තරඟකරුවන්ට වාසි ලබා ගැනීමට AI භාවිතා කර ඇත.
කෘතිම බුද්ධියේ වාසි සහ අවාසි.
කෘත්රිම ස්නායුක ජාල සහ ගැඹුරු ඉගෙනුම් කෘත්රිම බුද්ධි තාක්ෂණයන් ඉක්මනින් විකාශනය වේ, මූලික වශයෙන් AI විශාල දත්ත ප්රමාණයක් ඉතා වේගයෙන් ක්රියාවට නංවන අතර මිනිසුන්ට කළ හැකි ප්රමාණයට වඩා නිවැරදිව අනාවැකි පළ කරයි.දෛනික පදනමින් නිර්මාණය වන විශාල දත්ත පරිමාව මානව පර්යේෂකයෙකු වළලනු ඇත, යන්ත්ර ඉගෙනීම භාවිතා කරන AI යෙදුම් වලට එම දත්ත ලබාගෙන ඉක්මනින් ක්රියාකාරී තොරතුරු බවට පත් කළ හැකිය. මෙම ලියා ඇති පරිදි, AI භාවිතා කිරීමේ මූලික අවාසිය නම් AI ක්රමලේඛනයට අවශ්ය දත්ත විශාල ප්රමාණයක් සැකසීමට මිල අධික වීමයි.
වාසි
දත්ත මූලික රැකියා සඳහා ඉතා වැදගත් වේ.දත්ත බර කාර්යයන් සඳහා ගතවන කාලය අවම කරයි.ස්ථාවර ප්රතිඵල ලබා දෙයි එමෙන්මAI බලයෙන් ක්රියාත්මක වන අතථ්ය නියෝජිතයන් සැමවිටම පවතී.
අවාසි
මිල අධිකය.ගැඹුරු තාක්ෂණික විශේෂඥ දැනුමක් අවශ්ය වේ.AI මෙවලම් තැනීම සඳහා සුදුසුකම් ලත් සේවකයින්ගේ සැපයුම සීමිත වීම.එක් කාර්යයකින් තවත් කාර්යයකට සාමාන්යකරනය කිරීමේ හැකියාව නොමැතිකම.
No comments:
Post a Comment