प्रतीकात्मक कृत्रिम बुद्धि

From Vigyanwiki
Part of a series on
Artificial intelligence
Anatomy-1751201 1280.png
Major goals
Approaches
Philosophy
History
Technology
Glossary

आर्टिफिशियल इंटेलिजेंस में, प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस रिसर्च में सभी तरीकों के संग्रह के लिए वह मानक शब्द है जो उच्च-स्तरीय भौतिक प्रतीक प्रणाली परिकल्पना,(मानव-पठनीय) समस्याओं के निरूपण, औपचारिक लॉजिकल और सर्च एल्गोरिदम पर आधारित हैं।[1] प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस ने लॉजिकल प्रोग्रामिंग, उत्पादन (कंप्यूटर विज्ञान), शब्दार्थ जाल और फ्रेम (कृत्रिम बुद्धिमत्ता) जैसे उपकरणों का उपयोग किया, और इसने ज्ञान-आधारित सिस्टम (विशेष रूप से, विशेषज्ञ प्रणाली), प्रतीकात्मक गणित, स्वचालित प्रमेय सिद्ध, तात्त्विकी जैसे अनुप्रयोगों का विकास किया। सेमांटिक वेब, और स्वचालित योजना और शेड्यूलिंग सिस्टम प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस प्रतिमान फ्रेम (कृत्रिम बुद्धि), सर्च और अनुकूलन, प्रतीकात्मक प्रोग्रामिंग भाषाओं, बुद्धिमान एजेंट, मल्टी-एजेंट सिस्टम, सिमेंटिक वेब, और औपचारिक ज्ञान और स्वचालित लॉजिकल इत्यादि की ताकत और सीमाओं में मौलिक विचारों का नेतृत्व किया।

1950 के दशक के मध्य से 1990 के दशक के मध्य तक प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस अनुसंधान का प्रमुख प्रतिमान था।[2][3] 1960 और 1970 के दशक में शोधकर्ता आश्वस्त थे कि प्रतीकात्मक दृष्टिकोण अंततः कृत्रिम सामान्य बुद्धि के साथ एक मशीन बनाने में सफल होंगे और इसे अपने क्षेत्र का अंतिम लक्ष्य मान लिया गया।[4] तर्कशास्त्री और आर्थर सैमुअल (कंप्यूटर वैज्ञानिक) के आर्थर सैमुअल (कंप्यूटर वैज्ञानिक) जैसी प्रारंभिक सफलताओं के साथ एक प्रारंभिक उछाल चेकर्स प्लेइंग प्रोग्राम ने अवास्तविक उम्मीदों और वादों को उत्पन्न किया और इसके बाद फर्स्ट आर्टिफिशियल इंटेलिजेंस विंटर में फंडिंग समाप्त हो गई।[5][6] दूसरा उछाल (1969-1986) विशेषज्ञ प्रणालियों के उदय, कॉर्पोरेट विशेषज्ञता प्राप्त करने के उनके वादे और एक अधिकताी कॉर्पोरेट आलिंगन के साथ हुआ।[7][8] वह उछाल, और कुछ प्रारंभिक सफलताएँ, जैसे, डिजिटल उपकरण निगम में एक्सकॉन के साथ, बाद में पुनः निराशा हुई।[8] ज्ञान अर्जन में कठिनाइयाँ, विशाल ज्ञान आधारों को बनाए रखना और क्षेत्र से बाहर की समस्याओं को संभालने में भंगुरता उत्पन्न हुई। एक और, दूसरा, आर्टिफिशियल इंटेलिजेंस विंटर (1988-2011) ने अनुकरण किया।[9] इसके बाद, आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं ने अनिश्चितता से निपटने और ज्ञान अर्जन में अंतर्निहित समस्याओं को दूर करने पर ध्यान केंद्रित किया।[10] अनिश्चितता को हिडन मार्कोव मॉडल, बायेसियन लॉजिकल और सांख्यिकीय संबंधपरक शिक्षा जैसे औपचारिक तरीकों से संबोधित किया गया था।[11][12] सांकेतिक मशीन लर्निंग ने योगदान के साथ ज्ञान अर्जन समस्या को संबोधित किया, जिसमें वर्जन स्पेस लर्निंग, वैलिएंट का संभवतः लगभग सही लर्निंग, रॉस क्विनलान का आईडी3 एल्गोरिथम डिसीजन ट्री लर्निंग, केस-आधारित रीजनिंग, केस-आधारित लर्निंग, और संबंधों को सीखने के लिए आगमनात्मक लॉजिकल प्रोग्रामिंग सम्मिलित हैं।[10]

तंत्रिका नेटवर्क, एक उपप्रतीकात्मक दृष्टिकोण जिसे प्रारंभिक दिनों से अपनाया गया था और 2012 में दृढ़ता से पुनः उभरना था। प्रारंभिक उदाहरण हैं कि फ्रैंक रोसेनब्लैट के परसेप्ट्रॉन सीखने का काम, रुमेलहार्ट, हिंटन और विलियम्स का पश्च प्रसार कार्य,[13] और लेकन एट द्वारा दृढ़ तंत्रिका नेटवर्क में काम करते हैं। 1989 में[14] हालांकि, तंत्रिका नेटवर्क को 2012 तक सफल नहीं देखा गया था: जब तक बिग डेटा साधारण नहीं हो गया, जबकि अल समुदाय में साधारण सहमति थी कि तथाकथित तंत्रिका-नेटवर्क दृष्टिकोण निराशाजनक था। अन्य तरीकों की तुलना में पद्धति ने इतना अच्छा काम नहीं किया। 2012 में एक क्रांति आई, जब हिंटन के साथ काम करने वाले शोधकर्ताओं की एक टीम सहित कई लोगों ने तंत्रिका नेटवर्क की शक्ति को अत्यधिक बढ़ाने के लिए जीपीयू की शक्ति का उपयोग करने का एक तरीका निकाला।[15] अगले कई वर्षों में, दृष्टि, भाषण पहचान, भाषण संश्लेषण, छवि निर्माण और मशीन अनुवाद को संभालने में गहन शिक्षा को शानदार सफलता मिली। हालाँकि, 2020 के बाद से, पूर्वाग्रह, व्याख्या, बोधगम्यता और मजबूती के साथ अंतर्निहित कठिनाइयाँ गहन शिक्षण दृष्टिकोणों के साथ अधिक स्पष्ट हो गईं; आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं की बढ़ती संख्या ने न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस को प्रतीकात्मक और तंत्रिका नेटवर्क दोनों दृष्टिकोणों में से सर्वश्रेष्ठ कहा है[16][17] और उन क्षेत्रों को संबोधित करना जिनमें दोनों दृष्टिकोणों में कठिनाई होती है, जैसे सामान्य ज्ञान लॉजिकल कॉमन-सेंस रीजनिंग में गहन शिक्षा को शानदार सफलता मिली।[15]

मूलभूत विचार

1976 में नेवेल और साइमन द्वारा प्रस्तावित भौतिक प्रतीक प्रणाली परिकल्पना में प्रतीकात्मक दृष्टिकोण को संक्षेप में व्यक्त किया गया था:

  • एक भौतिक प्रतीक प्रणाली में सामान्य बौद्धिक क्रिया के आवश्यक और पर्याप्त साधन होते हैं।[18]

बाद में, ज्ञान-आधारित दृष्टिकोणों का उपयोग करने वाले चिकित्सकों ने एक दूसरा सिद्धांत अपनाया।

  • ज्ञान में शक्ति निहित है।[19] यह वर्णन करने के लिए कि किसी विशिष्ट डोमेन में उच्च-प्रदर्शन के लिए सामान्य और अत्यधिक डोमेन-विशिष्ट ज्ञान दोनों की आवश्यकता होती है। एड फेगेनबाम और डौग लेनट ने इसे ज्ञान सिद्धांत कहा:

(1) ज्ञान सिद्धांत: यदि किसी प्रोग्राम को किसी जटिल कार्य को अच्छी तरह से करना है, तो उसे उस दुनिया के बारे में बहुत कुछ पता होना चाहिए जिसमें वह काम करता है।
(2) उस सिद्धांत का एक प्रशंसनीय विस्तार, जिसे संवर्धित परिकल्पना कहा जाता है : अनपेक्षित स्थितियों में बुद्धिमान व्यवहार के लिए दो अतिरिक्त क्षमताएँ आवश्यक हैं: बढ़ते हुए सामान्य ज्ञान पर वापस लौटना, और विशिष्ट लेकिन दूर-दराज के ज्ञान के अनुरूप होना।[20]

अंत में, गहरी शिक्षा के उदय के साथ, प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस दृष्टिकोण की तुलना गहरी शिक्षा के पूरक के रूप में की गई है साथ ही आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं द्वारा कई बार डैनियल काह्नमैन के बीच समानताएं खींची गई हैं। अन्य तरीकों की तुलना में पद्धति ने इतना अच्छा काम नहीं किया। मानवीय लॉजिकल और निर्णय लेने पर काह्नमैन का शोध उनके में परिलक्षित होता है। बुक थिंकिंग, फास्ट एंड स्लो और तथाकथित आर्टिफिशियल इंटेलिजेंस सिस्टम 1 और 2, जो सैद्धांतिक रूप से क्रमशः गहन शिक्षा और प्रतीकात्मक लॉजिकल द्वारा तैयार किए जाएंगे। इस दृष्टि से, सांकेतिक लॉजिकल विचारशील लॉजिकल, योजना और स्पष्टीकरण के लिए अधिक उपयुक्त है, जबकि गहरी शिक्षा शोर डेटा वाले अवधारणात्मक अनुप्रयोगों में तेजी से पैटर्न की पहचान के लिए अधिक उपयुक्त है।[16][17]


इतिहास

प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस का आज तक का संक्षिप्त इतिहास नीचे दिया गया है। समयावधि और शीर्षक हेनरी कॉट्ज़ के 2020 ऐसोसिएशन फॉर द एडवांसमेंट ऑफ़ आर्टिफिशियल इंटेलिजेंस रॉबर्ट एस. एंगेलमोर मेमोरियल लेक्चर से लिए गए हैं[21] और आर्टिफिशियल इंटेलिजेंस के इतिहास पर लंबा विकिपीडिया लेख, बढ़ी हुई स्पष्टता के लिए तारीखों और शीर्षकों में कुछ अंतर है।

पहली आर्टिफिशियल इंटेलिजेंस समर: लॉजिकलहीन अधिकता, 1948-1966

आर्टिफिशियल इंटेलिजेंस में प्रारंभिक प्रयासों में सफलता तीन मुख्य क्षेत्रों में हुई: कृत्रिम तंत्रिका नेटवर्क, ज्ञान प्रतिनिधित्व और अन्वेषणात्मक सर्च, उच्च उम्मीदों में योगदान इत्यादि यह खंड कौट्ज़ के प्रारंभिक आर्टिफिशियल इंटेलिजेंस इतिहास के पुनरावर्तन को सारांशित करता है।

मानव या पशु संज्ञान या व्यवहार से प्रेरित दृष्टिकोण

साइबरनेटिक दृष्टिकोण ने जानवरों और उनके वातावरण के बीच फीडबैक लूप को दोहराने का प्रयास किया। एक रोबोटिक कछुआ सेंसर के साथ ड्राइविंग और स्टीयरिंग के लिए मोटर्स, और नियंत्रण के लिए सात निर्वात नलिका, एक प्रीप्रोग्राम्ड न्यूरल नेट पर आधारित 1948 के प्रारम्भ में बनाया गया था। इस काम को तंत्रिका नेटवर्क सुदृढीकरण सीखने, और स्थित रोबोटिक्स में बाद के काम के प्रारंभिक अग्रदूत के रूप में देखा जा सकता है।[22]

1955-56 में एलन नेवेल, हर्बर्ट ए. साइमन और क्लिफ शॉ द्वारा लिखित एक महत्वपूर्ण प्रारंभिक प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस प्रोग्राम तर्कशास्त्री था, क्योंकि यह व्हाइटहेड और रसेल के गणितीय सिद्धांत से 38 प्राथमिक प्रमेयों को प्रमाणित करने में सक्षम था। नेवेल, साइमन और शॉ ने बाद में एक डोमेन-स्वतंत्र समस्या समाधानकर्ता, सामान्य समस्या समाधानकर्ता (सामान्य समस्या समाधानकर्ता) बनाने के लिए इस कार्य को सामान्यीकृत किया। जीपीएस ने मीन-एंड विश्लेषण का उपयोग करके अवस्था-अंतरिक्ष सर्च के माध्यम से औपचारिक ऑपरेटरों के साथ प्रस्तुत की गई समस्याओं को हल किया।[23]

1960 के दशक के समय, सांकेतिक दृष्टिकोणों ने खेल-खेल, प्रतीकात्मक गणित और प्रमेय-सिद्धि जैसे संरचित वातावरण में बुद्धिमान व्यवहार का अनुकरण करने में बड़ी सफलता प्राप्त की। आर्टिफिशियल इंटेलिजेंस अनुसंधान 1960 के दशक में तीन संस्थानों में केंद्रित था: कार्नेगी मेलन विश्वविद्यालय, स्टैनफोर्ड, एमआईटी और (बाद में) एडिनबर्ग विश्वविद्यालय। प्रत्येक ने अनुसंधान की अपनी शैली विकसित की। पहले साइबरनेटिक्स या कृत्रिम तंत्रिका नेटवर्क पर आधारित दृष्टिकोणों को छोड़ दिया गया था या पृष्ठभूमि में धकेल दिया गया था।

हर्बर्ट ए. साइमन और एलन नेवेल ने मानव समस्या-सुलझाने के कौशल का अध्ययन किया और उन्हें औपचारिक रूप देने का प्रयास किया, और उनके काम ने कृत्रिम बुद्धि के क्षेत्र के साथ-साथ संज्ञानात्मक विज्ञान, संचालन अनुसंधान और प्रबंधन विज्ञान की नींव रखी। उनकी शोध टीम ने उन कार्यक्रमों को विकसित करने के लिए मनोविज्ञान प्रयोगों के परिणामों का उपयोग किया जो उन तकनीकों का अनुकरण करते थे जो लोग समस्याओं को हल करने के लिए उपयोग करते थे।[24][25] कार्नेगी मेलन विश्वविद्यालय में केंद्रित यह परंपरा अंततः 1980 के दशक के मध्य में (संज्ञानात्मक वास्तुकला) वास्तुकला के विकास में समाप्त होगी।[26][27]

अन्वेषणात्मक सर्च

अति-विशिष्ट डोमेन-विशिष्ट प्रकार के ज्ञान के अतिरिक्त जिसे हम बाद में विशेषज्ञ प्रणालियों में उपयोग करते हुए देखेंगे, उसने प्रारंभिक प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं ने ज्ञान के एक और अधिक सामान्य अनुप्रयोग की खोज की। इन्हें अन्वेषणात्मक कहा जाता था अर्थात थंब के नियम जो आशाजनक दिशाओं में खोज का मार्गदर्शन करते हैं: अंतर्निहित समस्या घातीय रूप से कठिन होने पर गैर-संख्यात्मक सर्च कैसे व्यावहारिक हो सकती है? साइमन और नेवेल द्वारा प्रतिपादित दृष्टिकोण अन्वेषणात्मक (कंप्यूटर विज्ञान) को नियोजित करना है: तेज़ एल्गोरिदम जो कुछ इनपुट या आउटपुट उप-इष्टतम समाधानों पर विफल हो सकते हैं।[28] एक अन्य महत्वपूर्ण प्रगति इन अनुमानों को लागू करने का एक तरीका खोजना था जो एक समाधान की अनुशंसा देता है, यदि कोई है, तो अन्वेषणात्मक की कभी-कभी गिरावट के अतिरिक्त: ए * सर्च एल्गोरिदम ने पूर्ण के लिए एक सामान्य फ्रेम प्रदान किया और इष्टतम अन्वेषणात्मक निर्देशित सर्च। A* का उपयोग आज व्यावहारिक रूप से प्रत्येक आर्टिफिशियल इंटेलिजेंस एल्गोरिथम के अंतर्गत एक सबरूटीन के रूप में किया जाता है लेकिन फिर भी यह कोई जादू की गोली नहीं है; इसकी पूर्णता की अनुशंसा सबसे खराब स्थिति वाले घातीय समय की कीमत पर खरीदी जाती है।[28]

ज्ञान प्रतिनिधित्व और लॉजिकल पर प्रारंभिक कार्य

प्रारंभिक कार्य औपचारिक लॉजिकल के दोनों अनुप्रयोगों को सम्मिलित करता है जिसमें प्रथम-क्रम लॉजिकल पर जोर दिया जाता है, साथ ही सामान्य ज्ञान लॉजिकल को संभालने के प्रयासों के साथ-साथ कम औपचारिक तरीके से सामान्य ज्ञान लॉजिकल।

लॉजिक के साथ औपचारिक लॉजिकल की मॉडलिंग करना: द नीट्स
Main article: लॉजिक प्रोग्रामिंग

साइमन और नेवेल के विपरीत, जॉन मैककार्थी (कंप्यूटर वैज्ञानिक) ने महसूस किया कि मशीनों को मानव विचार के सटीक तंत्र को अनुकरण करने की आवश्यकता नहीं है, बल्कि इसके अतिरिक्त लॉजिकल के साथ अमूर्त लॉजिकल और समस्या-समाधान का सार खोजने की कोशिश कर सकते हैं, भले ही लोग इसका उपयोग करते हों या नहीं। समान एल्गोरिदम[lower-alpha 1] स्टैनफोर्ड विश्वविद्यालय (स्टैनफोर्ड आर्टिफिशियल इंटेलिजेंस प्रयोगशाला) में उनकी प्रयोगशाला ने ज्ञान प्रतिनिधित्व, स्वचालित योजना और शेड्यूलिंग और यंत्र अधिगम सहित विभिन्न प्रकार की समस्याओं को हल करने के लिए औपचारिक लॉजिकल का उपयोग करने पर ध्यान केंद्रित किया।[32] लॉजिकल भी एडिनबर्ग विश्वविद्यालय और यूरोप में कहीं और काम का केंद्र था, जिससे प्रोग्रामिंग भाषा प्रोलॉग और लॉजिकल प्रोग्रामिंग के विज्ञान का विकास हुआ।[33][34]

फ्रेम और स्क्रिप्ट के साथ अंतर्निहित सामान्य ज्ञान ज्ञान मॉडलिंग: "स्क्रूफ़ीज़"
Main article: नीट्स बनाम स्क्रूफ़ीज़

MIT के शोधकर्ता (जैसे मार्विन मिंस्की और सीमोर पैपर्ट)[35][36][37] ने पाया कि कंप्यूटर दृष्टि और प्राकृतिक भाषा प्रसंस्करण में कठिन समस्याओं को हल करने के लिए तदर्थ समाधानों की आवश्यकता होती है, उन्होंने लॉजिक दिया कि कोई भी सरल और सामान्य सिद्धांत (जैसे लॉजिकल) बुद्धिमान व्यवहार के सभी पहलुओं पर स्थायित्व नहीं करेगा। रोजर शंक ने उनके लॉजिकल-विरोधी दृष्टिकोण को नीट्स बनाम स्क्रूफ़ीज़ (कार्नेगी मेलन विश्वविद्यालय और स्टैनफ़ोर्ड में नीट्स बनाम स्क्रूफ़ी प्रतिमानों के विपरीत) के रूप में वर्णित किया।[38][39] कॉमन्सेंस नॉलेज बेस (जैसे डौग लेनट की साइक) कर्कश आर्टिफिशियल इंटेलिजेंस का एक उदाहरण है, क्योंकि उन्हें हाथ से बनाया जाना चाहिए, एक समय में एक जटिल अवधारणा कठिन समस्याओं को हल करने के लिए तदर्थ समाधानों की आवश्यकता होती है।[40][41][42]

पहला आर्टिफिशियल इंटेलिजेंस विंटर: क्रश्ड ड्रीम्स, 1967-1977

पहली आर्टिफिशियल इंटेलिजेंस विंटर एक झटका थी:

आर्टिफिशियल इंटेलिजेंस की पहली समर के दौरान, बहुत से लोगों ने सोचा था कि मशीन इंटेलिजेंस को कुछ ही वर्षों में प्राप्त किया जा सकता है। डिफेंस एडवांस रिसर्च प्रोजेक्ट्स एजेंसी (DARPA) ने राष्ट्रीय सुरक्षा की समस्याओं को हल करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करने के लक्ष्य के साथ आर्टिफिशियल इंटेलिजेंस अनुसंधान का समर्थन करने के लिए कार्यक्रम प्रारम्भ किए; विशेष रूप से, खुफिया संचालन के लिए रूसी से अंग्रेजी में अनुवाद को स्वचालित करने और युद्ध के मैदान के लिए स्वायत्त टैंक बनाने के लिए। शोधकर्ताओं ने महसूस करना प्रारम्भ कर दिया था कि आर्टिफिशियल इंटेलिजेंस हासिल करना एक दशक पहले की तुलना में बहुत कठिन होने वाला था, लेकिन हठधर्मिता और कुटिलता के संयोजन ने कई विश्वविद्यालयों और थिंक-टैंक शोधकर्ताओं को डिलिवरेबल्स के वादों के साथ फंडिंग स्वीकार करने के लिए प्रेरित किया, जिन्हें उन्हें पता होना चाहिए था। 1960 के दशक के मध्य तक न तो उपयोगी प्राकृतिक भाषा अनुवाद प्रणाली और न ही स्वायत्त टैंक बनाए गए थे, और एक नाटकीय प्रतिक्रिया प्रारम्भ हुई। नए दारपा नेतृत्व ने मौजूदा आर्टिफिशियल इंटेलिजेंस फंडिंग कार्यक्रमों को रद्द कर दिया।

...

संयुक्त राज्य अमेरिका के बाहर, आर्टिफिशियल इंटेलिजेंस अनुसंधान के लिए सबसे उर्वर भूमि यूनाइटेड किंगडम थी। यूनाइटेड किंगडम में आर्टिफिशियल इंटेलिजेंस सर्दियों को निराश सैन्य नेताओं द्वारा नहीं बल्कि प्रतिद्वंद्वी शिक्षाविदों द्वारा प्रेरित किया गया था, जो आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं को चार्लटन के रूप में देखते थे और शोध निधि पर एक नलिका थे। अनुप्रयुक्त गणित के प्रोफेसर, सर जेम्स लाइटहिल, देश में आर्टिफिशियल इंटेलिजेंस अनुसंधान की स्थिति का मूल्यांकन करने के लिए संसद द्वारा कमीशन का गठन किया गया था। रिपोर्ट में कहा गया है कि आर्टिफिशियल इंटेलिजेंस में काम की जा रही सभी समस्याओं को अन्य विषयों के शोधकर्ताओं द्वारा बेहतर ढंग से नियंत्रित किया जाएगा - जैसे कि अनुप्रयुक्त गणित रिपोर्ट में यह भी दावा किया गया है कि मिश्रित विस्फोट के कारण खिलौनों की समस्याओं पर आर्टिफिशियल इंटेलिजेंस की सफलता कभी भी वास्तविक दुनिया के अनुप्रयोगों तक नहीं पहुंच सकती है।[43]

दूसरी आर्टिफिशियल इंटेलिजेंस समर: नॉलेज इज पावर, 1978-1987

ज्ञान आधारित प्रणाली

कमजोर, डोमेन-स्वतंत्र तरीकों की सीमाएं अधिक से अधिक स्पष्ट हो गईं,[44] तीनों परंपराओं के शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस अनुप्रयोगों में ज्ञान प्रतिनिधित्व का निर्माण शुरू किया।[45][46] ज्ञान क्रांति इस अहसास से प्रेरित थी कि ज्ञान उच्च-निष्पादन, डोमेन-विशिष्ट आर्टिफिशियल इंटेलिजेंस अनुप्रयोगों के अंतर्गत आता है।

विशेषज्ञ प्रणालियों के साथ सफलता

Main article: विशेषज्ञ प्रणालियां

इस ज्ञान क्रांति ने आर्टिफिशियल इंटेलिजेंस सॉफ्टवेयर के पहले व्यावसायिक रूप से सफल रूप, विशेषज्ञ प्रणालियों (एडवर्ड फेगेनबाम द्वारा प्रस्तुत) के विकास और तैनाती का नेतृत्व किया।[47][48][49]

उदाहरण

प्रमुख विशेषज्ञ प्रणालियाँ थीं:

  • डेंड्राल, जिसने कार्बनिक अणुओं की संरचना को उनके रासायनिक सूत्र और मास स्पेक्ट्रोमीटर रीडिंग से पाया।
  • माइसीन, जिसने बैक्टीरिया का निदान किया और प्रयोगशाला परिणामों, रोगी के इतिहास और डॉक्टर की टिप्पणियों की व्याख्या करके जब आवश्यक हो, आगे प्रयोगशाला परीक्षणों का सुझाव दिया। लगभग 450 नियमों के साथ माइसीन कुछ विशेषज्ञों के साथ-साथ जूनियर डॉक्टरों की तुलना में काफी बेहतर प्रदर्शन करने में सक्षम था।[50]
  • इंटर्निस्ट और CADUCEUS_(expert_system) जिसने आंतरिक चिकित्सा निदान का सामना किय, उसने यूनिवर्सिटी ऑफ पिट्सबर्ग स्कूल ऑफ मेडिसिन विश्वविद्यालय में आंतरिक चिकित्सा के अध्यक्ष की विशेषज्ञता पर स्थायित्व करने का प्रयास किया, जबकि कैड्यूसस अंततः 1000 विभिन्न रोगों का निदान कर सकता था।
  • गाइडन, जिसने दिखाया कि कैसे विशेषज्ञ समस्या समाधान के लिए निर्मित ज्ञान आधार को शिक्षण के लिए पुन: उपयोग किया जा सकता है।[51]
  • एक्सकॉन, वैक्स कंप्यूटरों को कॉन्फ़िगर करने के लिए, एक श्रमसाध्य प्रक्रिया जिसमें 90 दिन तक लग सकते थे। एक्सकॉन ने समय घटाकर लगभग 90 मिनट कर दिया।[52]

डेंड्राल को पहली विशेषज्ञ प्रणाली माना जाता है जो ज्ञान-गहन समस्या-समाधान पर निर्भर थी। एसीएम साक्षात्कार के एक संचार से एड फेगेनबाम द्वारा इसका वर्णन नीचे किया गया है, साक्षात्कार एड फेगेनबाम के साथ:

स्टैनफोर्ड में मन के कंप्यूटर-आधारित मॉडल में रुचि रखने वाले लोगों में से एक जोशुआ लेडरबर्ग थे, जो 1958 में आनुवंशिकी में नोबेल पुरस्कार विजेता थे। जब मैंने उनसे कहा कि मुझे एक इंडक्शन "सैंडबॉक्स" चाहिए, तो उन्होंने कहा, "मेरे पास आपके लिए सिर्फ एक है।" उनकी लैब अमीनो एसिड की मास स्पेक्ट्रोमेट्री कर रही थी। सवाल था: आप अमीनो एसिड के स्पेक्ट्रम को देखने से लेकर अमीनो एसिड की रासायनिक संरचना तक कैसे जाते हैं? इसी तरह हमने डेंड्रल प्रोजेक्ट शुरू किया: मैं अनुमानी खोज विधियों में अच्छा था, और उसके पास एक एल्गोरिदम था जो रासायनिक समस्या स्थान उत्पन्न करने में अच्छा था।

हमारे पास भव्य दृष्टि नहीं थी। हमने नीचे से काम किया। हमारे रसायनशास्त्री कार्ल जेरासी थे, जो जन्म नियंत्रण की गोली के पीछे के रसायन के आविष्कारक थे, और दुनिया के सबसे सम्मानित मास स्पेक्ट्रोमेट्रिस्ट में से एक थे। कार्ल और उनके पोस्टडॉक्स मास स्पेक्ट्रोमेट्री में विश्व स्तरीय विशेषज्ञ थे। जैसे-जैसे हम आगे बढ़ रहे थे, हमने उनके ज्ञान में इजाफा करना शुरू किया, नॉलेज इंजीनियरिंग का आविष्कार किया। इन प्रयोगों को डेंड्रल अधिक से अधिक ज्ञान में अनुमापन करना पड़ा। जितना अधिक आपने ऐसा किया, कार्यक्रम उतना ही स्मार्ट हो गया। हमें बहुत अच्छे परिणाम मिले।

सामान्यीकरण था: ज्ञान में शक्ति निहित है। वह बड़ा विचार था। मेरे करियर में यह बहुत बड़ा है, "आह हा !," और आर्टिफिशियल इंटेलिजेंस को पहले ऐसा नहीं किया जा रहा था। सुनने में आसान लगता है, लेकिन यह शायद आर्टिफिशियल इंटेलिजेंस का सबसे शक्तिशाली सामान्यीकरण है।[53]

ऊपर उल्लिखित अन्य विशेषज्ञ प्रणालियाँ डेंड्राल के बाद आईं माइसीन अनिश्चितता को संभालने के लिए निश्चित कारकों के उपयोग सहित प्रतीकात्मक लॉजिकल तंत्र के साथ जुड़े नियमों के ज्ञान-आधार के क्लासिक विशेषज्ञ प्रणाली वास्तुकला का उदाहरण देता है। गाइडन दिखाता है कि दूसरे अनुप्रयोग, शिक्षण के लिए एक स्पष्ट ज्ञान आधार को कैसे पुन: उपयोग किया जा सकता है, और यह एक बुद्धिमान शिक्षण प्रणाली का एक उदाहरण है, एक विशेष प्रकार का ज्ञान-आधारित अनुप्रयोग। क्लैंसी ने दिखाया कि निर्देश के लिए केवल माइसीन के नियमों का उपयोग करना ही पर्याप्त नहीं था, बल्कि उन्हें संवाद प्रबंधन और छात्र मॉडलिंग के लिए नियम जोड़ने की भी आवश्यकता थी।[51] एक्सकॉन महत्वपूर्ण है क्योंकि इसने डिजिटल इक्विपमेंट कॉरपोरेशन को लाखों डॉलर बचाए, जिससे विशेषज्ञ प्रणाली में उछाल आया, जहां कॉर्पोरेट विशेषज्ञता प्राप्त करने, इसे संरक्षित करने और इसे स्वचालित करने के उद्देश्य से अमेरिका के अधिकांश प्रमुख निगमों में विशेषज्ञ सिस्टम समूह थे:

1988 तक, DEC के आर्टिफिशियल इंटेलिजेंस समूह में 40 विशेषज्ञ प्रणालियाँ तैनात थीं, और अधिक रास्ते में थीं। ड्यूपॉन्ट के पास उपयोग में 100 और विकास में 500 थे। लगभग हर प्रमुख अमेरिकी निगम का अपना अल समूह था और या तो विशेषज्ञ प्रणालियों का उपयोग कर रहा था या उनकी जांच कर रहा था।[54]

शतरंज विशेषज्ञ ज्ञान को डीप ब्लू (शतरंज कंप्यूटर) में कूटबद्ध किया गया था। 1996 में, इसने आईबीएम के डीप ब्लू (शतरंज कंप्यूटर) को प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस की मदद से उस समय के विश्व चैंपियन गैरी कास्परोव के खिलाफ शतरंज के खेल में जीतने की अनुमति दी।[55]


ज्ञान आधारित और विशेषज्ञ प्रणालियों का आर्किटेक्चर

सभी विशेषज्ञ प्रणालियों के लिए सिस्टम आर्किटेक्चर का एक प्रमुख घटक ज्ञान का आधार है, जो समस्या-समाधान के लिए तथ्यों और नियमों को संग्रहीत करता है।[56] एक विशेषज्ञ प्रणाली ज्ञान आधार के लिए सबसे सरल दृष्टिकोण केवल उत्पादन प्रणाली (कंप्यूटर विज्ञान) का एक संग्रह या नेटवर्क है। उत्पादन नियम प्रतीकों को एक यदि-तब कथन के समान संबंध में जोड़ते हैं। विशेषज्ञ प्रणाली कटौती करने के लिए नियमों को संसाधित करती है और यह निर्धारित करती है कि मानव-पठनीय प्रतीकों का उपयोग करते हुए उसे कौन सी अतिरिक्त जानकारी की आवश्यकता है, अर्थात कौन से प्रश्न पूछने हैं। उदाहरण के लिए, ओपीएस5, क्लिप्स और उनके उत्तराधिकारी जेस और ड्रोल इस तरह से काम करते हैं।

विशेषज्ञ प्रणालियाँ या तो आगे की श्रृंखला में साक्ष्य से निष्कर्ष तक या पिछड़ी श्रृंखला में लक्ष्यों से आवश्यक डेटा और पूर्वापेक्षाएँ तरीके से काम कर सकती हैं। अधिक उन्नत ज्ञान-आधारित प्रणालियाँ, जैसे कि सोर (संज्ञानात्मक वास्तुकला) मेटा-स्तरीय लॉजिकल भी कर सकती हैं, जो समस्याओं को हल करने और समस्या-समाधान रणनीतियों की सफलता की निगरानी करने का निर्णय लेने के संदर्भ में अपने स्वयं के लॉजिकल के बारे में लॉजिकल दे रही है।

ब्लैकबोर्ड प्रणाली एक दूसरे प्रकार की ज्ञान-आधारित प्रणाली है | ज्ञान-आधारित या विशेषज्ञ प्रणाली वास्तुकला। वे किसी समस्या को हल करने के लिए विशेषज्ञों के एक समुदाय को वृद्धिशील योगदान देते हैं, जहां वे कर सकते हैं। समस्या को अमूर्तता या वैकल्पिक विचारों के कई स्तरों में दर्शाया गया है। विशेषज्ञ (ज्ञान स्रोत) स्वेच्छा से अपनी सेवाएं देते हैं जब भी वे पहचानते हैं कि वे योगदान कर सकते हैं। संभावित समस्या-समाधान कार्रवाइयों को एक एजेंडे पर दर्शाया जाता है जिसे समस्या की स्थिति में परिवर्तन के रूप में अद्यतन किया जाता है। एक नियंत्रक तय करता है कि प्रत्येक योगदान कितना उपयोगी है, और अगली समस्या-समाधान कार्रवाई किसे करनी चाहिए। एक उदाहरण, बीबी1 ब्लैकबोर्ड आर्किटेक्चर[57] मूल रूप से इस अध्ययन से प्रेरित था कि कैसे मनुष्य एक यात्रा में कई कार्य करने की योजना बनाते हैं।[58] बीबी1 का एक नवाचार उसी ब्लैकबोर्ड मॉडल को अपनी स्वयं की नियंत्रण समस्या को हल करने के लिए लागू करना था, अर्थात, इसके नियंत्रक ने ज्ञान स्रोतों के साथ मेटा-स्तरीय लॉजिकल का प्रदर्शन किया, जो निगरानी करता था कि कोई योजना या समस्या-समाधान कितनी अच्छी तरह से आगे बढ़ रहा था, और एक रणनीति से स्विच कर सकता था। शर्तों के रूप में दूसरे के लिए जैसे लक्ष्य या समय बदल गया। बीबी1 को कई डोमेन में लागू किया गया था: कंस्ट्रक्शन साइट प्लानिंग, इंटेलिजेंट ट्यूटरिंग सिस्टम और रियल-टाइम प्रस्तुत मॉनिटरिंग कहा गया।

दूसरा ऐ विंटर, 1988-1993

आर्टिफिशियल इंटेलिजेंस बूम के चरम पर, Symbolics, Lisp Machines, और Texas Instruments जैसी कंपनियाँ विशेष रूप से आर्टिफिशियल इंटेलिजेंस अनुप्रयोगों और अनुसंधान के विकास को गति देने के लिए लक्षित LISP मशीन बेच रही थीं। इसके अतिरिक्त, कई आर्टिफिशियल इंटेलिजेंस कंपनियां, जैसे कि टेक्नॉलेज और निष्कर्ष निगम, निगमों को विशेषज्ञ सिस्टम शेल, प्रशिक्षण और परामर्श बेच रही थीं।

दुर्भाग्य से, आर्टिफिशियल इंटेलिजेंस बूम टिक नहीं पाया और Kautz ने दूसरी आर्टिफिशियल इंटेलिजेंस सर्दियों का सबसे अच्छा वर्णन किया:

दूसरी आर्टिफिशियल इंटेलिजेंस विंटर के आने के कई कारण हो सकते हैं। हार्डवेयर कंपनियां तब विफल हो गईं जब सन से अधिक लागत प्रभावी सामान्य यूनिक्स वर्कस्टेशन LISP और प्रोलॉग के लिए अच्छे संकलक के साथ बाजार में आए। विशेषज्ञ प्रणालियों के कई व्यावसायिक परिनियोजन बंद कर दिए गए थे जब वे बनाए रखने के लिए बहुत महंगे साबित हुए। चिकित्सा विशेषज्ञ प्रणालियां कई कारणों से कभी पकड़ में नहीं आईं: उन्हें अद्यतन रखने में कठिनाई; चिकित्सा पेशेवरों के लिए विभिन्न चिकित्सा स्थितियों के लिए विभिन्न विशेषज्ञ प्रणालियों की विस्मयकारी विविधता का उपयोग करना सीखने की चुनौती; और शायद सबसे महत्वपूर्ण बात यह है कि विशिष्ट डोमेन के लिए भी, जहां विशेषज्ञ सिस्टम एक औसत डॉक्टर से बेहतर प्रदर्शन कर सकते हैं, डॉक्टरों की अनिच्छा उनके आंत वृत्ति पर कंप्यूटर-निर्मित निदान पर भरोसा करने के लिए होती है। वेंचर कैपिटल मनी ने आर्टिफिशियल इंटेलिजेंस को व्यावहारिक रूप से रातोंरात छोड़ दिया। विश्व आर्टिफिशियल इंटेलिजेंस सम्मेलन IJCAI ने वैंकूवर में 1987 में एक विशाल और भव्य व्यापार शो और हजारों गैर-शैक्षणिक उपस्थित लोगों की मेजबानी की; अगले वर्ष मुख्य आर्टिफिशियल इंटेलिजेंस सम्मेलन, सेंट पॉल में एएआर्टिफिशियल इंटेलिजेंस 1988, एक छोटा और सख्त अकादमिक मामला था।

अधिक कठोर नींव में जोड़ना, 1993–2011

अनिश्चित लॉजिकल

लॉजिकल के लिए सांख्यिकीय दृष्टिकोण और विस्तार दोनों की कोशिश की गई।

एक सांख्यिकीय दृष्टिकोण, हिडन मार्कोव मॉडल, 1980 के दशक में वाक् पहचान कार्य के लिए पहले ही लोकप्रिय हो चुका था।[11] बाद में, 1988 में, यहूदिया मोती ने बायेसियन नेटवर्क के उपयोग को लोकप्रिय बनाया, लेकिन अनिश्चित लॉजिकल से निपटने के प्रभावी तरीके के रूप में प्रोबेबिलिस्टिक रीजनिंग इन इंटेलिजेंट सिस्टम्स: नेटवर्क्स ऑफ प्लॉजिबल इन्वेंशन नामक पुस्तक प्रकाशित की।[59] और बायेसियन दृष्टिकोणों को विशेषज्ञ प्रणालियों में सफलतापूर्वक लागू किया गया।[60] बाद में भी, 1990 के दशक में, सांख्यिकीय संबंधपरक अधिगम, एक दृष्टिकोण जो संभाव्यता को तार्किक सूत्रों के साथ जोड़ती है, संभावना को पहले क्रम के लॉजिकल के साथ संयोजित करने की अनुमति देता है, उदाहरण के लिए, या तो मार्कोव लॉजिक नेटवर्क या संभाव्य शीतल लॉजिकल के साथ।

समर्थन करने के लिए प्रथम-क्रम लॉजिकल के लिए अन्य, गैर-संभाव्यता विस्तार का भी प्रयास किया गया। उदाहरण के लिए, गैर-मोनोटोनिक लॉजिकल का उपयोग रीज़न रखरखाव के साथ किया जा सकता है। एक सत्य रखरखाव प्रणाली ने सभी अनुमानों के लिए मान्यताओं और औचित्य को ट्रैक किया। इसने अनुमानों को गलत पाए जाने पर या एक विरोधाभास व्युत्पन्न होने पर अनुमानों को वापस लेने की अनुमति दी। स्पष्टीकरण योग्य कृत्रिम बुद्धि द्वारा इसे बनाने के लिए स्पष्टीकरण प्रदान किया जा सकता है और फिर अंतर्निहित अनुमानों और नियमों के माध्यम से मूल धारणाओं पर वापस जाना जारी रखा जा सकता है।[61] ज़ादेह का मचान ने अस्पष्टता के प्रतिनिधित्व को संभालने के लिए एक अलग तरह का विस्तार प्रस्तुत किया था। उदाहरण के लिए, यह तय करने में कि कोई व्यक्ति कितना भारी या लंबा है, अधिकांशतः कोई स्पष्ट हां या ना में कोई उत्तर नहीं होता है, और भारी या लंबा के लिए एक विधेय इसके अतिरिक्त 0 और 1 के बीच मान लौटाएगा। वे मान किस सीमा तक प्रतिनिधित्व करते हैं कि विधेय सत्य थे। उनके फजी लॉजिक ने तार्किक सूत्रों के माध्यम से इन मूल्यों के संयोजनों के प्रसार के लिए एक साधन प्रदान किया।[62]

मशीन लर्निंग

ज्ञान प्राप्ति की अड़चन को दूर करने के लिए प्रतीकात्मक मशीन लर्निंग दृष्टिकोणों की जांच की गई। सबसे प्रारंभिक में से एक डेंड्रल#मेटा-डेंड्रल|मेटा-डेंड्रल है। मेटा-डेन्ड्रल ने स्पेक्ट्रा के खिलाफ परीक्षण करने के लिए प्रशंसनीय नियम परिकल्पना उत्पन्न करने के लिए जनरेट-एंड-टेस्ट तकनीक का उपयोग किया। डोमेन और कार्य ज्ञान ने परीक्षण किए गए उम्मीदवारों की संख्या को प्रबंधनीय आकार तक कम कर दिया। एड फेगेनबाम ने मेटा-डेंड्रल को इस रूप में वर्णित किया

...1960 के दशक के आरंभ से लेकर मध्य के मेरे सपने की परिणति सिद्धांत निर्माण से संबंधित है। धारणा यह थी कि आपके पास DENDRAL जैसा एक प्रॉब्लम सॉल्वर था जो कुछ इनपुट लेता था और एक आउटपुट देता था। ऐसा करने में, इसने ज्ञान की परतों का उपयोग खोज को चलाने और छाँटने के लिए किया। वह ज्ञान वहां इसलिए मिला क्योंकि हमने लोगों का साक्षात्कार लिया। लेकिन लोगों को ज्ञान कैसे मिला? हजारों स्पेक्ट्रा को देखकर। इसलिए हम एक ऐसा प्रोग्राम चाहते थे जो हजारों स्पेक्ट्रा को देखेगा और द्रव्यमान स्पेक्ट्रोमेट्री के ज्ञान का अनुमान लगाएगा जो DENDRAL व्यक्तिगत परिकल्पना निर्माण समस्याओं को हल करने के लिए उपयोग कर सकता है। हमने यह किया। हम जर्नल ऑफ़ द अमेरिकन केमिकल सोसाइटी में मास स्पेक्ट्रोमेट्री के नए ज्ञान को प्रकाशित करने में भी सक्षम थे, केवल एक फुटनोट में इसका श्रेय देते हुए कि एक कार्यक्रम, मेटा-डेन्ड्रल, ने वास्तव में यह किया था। हम कुछ ऐसा करने में सक्षम थे जो एक सपना था: विज्ञान के एक नए और प्रकाशन योग्य टुकड़े के साथ एक कंप्यूटर प्रोग्राम लाना।[53]

मेटा-डेन्ड्रल के ज्ञान-गहन दृष्टिकोण के विपरीत, रॉस क्विनलान ने सांख्यिकीय वर्गीकरण, डिसीजन ट्री सीखने के लिए एक डोमेन-स्वतंत्र दृष्टिकोण का आविष्कार किया, जो पहले ID3 एल्गोरिथ्म के साथ शुरू हुआ था।[63] और फिर बाद में इसकी क्षमताओं को C4.5 तक बढ़ा दिया।[64] बनाए गए निर्णय पेड़ कांच के डिब्बे, व्याख्यात्मक वर्गीकरण, मानव-व्याख्यात्मक वर्गीकरण नियमों के साथ हैं।

मशीन लर्निंग थ्योरी को समझने में भी प्रगति हुई। टॉम एम. मिशेल ने वर्जन स्पेस लर्निंग के प्रारम्भ की, जो अब तक देखे गए उदाहरणों के अनुरूप सभी व्यवहार्य परिकल्पनाओं को सम्मिलित करते हुए ऊपरी, अधिक सामान्य और निचली, अधिक विशिष्ट सीमाओं के साथ परिकल्पनाओं के स्थान के माध्यम से सर्च के रूप में सीखने का वर्णन करता है।[65] अधिक औपचारिक रूप से, लेस्ली बहादुर ने संभवतः लगभग सही शिक्षा (पीएसी लर्निंग) प्रस्तुत की, जो मशीन सीखने के गणितीय विश्लेषण के लिए एक ढांचा है।[66] सिंबॉलिक मशीन लर्निंग में उदाहरण से सीखने की तुलना में अधिक सम्मिलित है। उदाहरण के लिए, जॉन रॉबर्ट एंडरसन (मनोवैज्ञानिक) ने मानव सीखने का एक संज्ञानात्मक मॉडल प्रदान किया जहां कौशल अभ्यास के परिणामस्वरूप एक घोषणात्मक प्रारूप से एक प्रक्रियात्मक प्रारूप में उनके एसीटी-आर संज्ञानात्मक वास्तुकला के साथ नियमों का संकलन होता है। उदाहरण के लिए, एक छात्र लागू करना सीख सकता है पूरक कोण दो कोण हैं जिनके माप 180 डिग्री के योग के रूप में कई अलग-अलग प्रक्रियात्मक नियम हैं। उदाहरण के लिए, एक नियम कह सकता है कि यदि X और Y पूरक हैं और आप X को जानते हैं, तो Y 180 - X होगा। उन्होंने अपने दृष्टिकोण को ज्ञान संकलन कहा। ACT-R का मानव संज्ञान के मॉडल पहलुओं, जैसे सीखने और प्रतिधारण के लिए सफलतापूर्वक उपयोग किया गया है। एसीटी-आर का उपयोग बुद्धिमान ट्यूटरिंग सिस्टम में भी किया जाता है, जिसे संज्ञानात्मक ट्यूटर कहा जाता है, स्कूली बच्चों को ज्यामिति, कंप्यूटर प्रोग्रामिंग और बीजगणित को सफलतापूर्वक पढ़ाने के लिए।[67] इंडक्टिव लॉजिक प्रोग्रामिंग सीखने का एक और तरीका था जिसने लॉजिक प्रोग्रामिंग को इनपुट-आउटपुट उदाहरणों से संश्लेषित करने की अनुमति दी। उदाहरण के लिए, एहुद शापिरो का एमआईएस (मॉडल अनुमान प्रणाली) उदाहरणों से प्रोलॉग कार्यक्रमों को संश्लेषित कर सकता है।[68] जॉन आर. कोजा ने आनुवंशिक प्रोग्रामिंग बनाने के लिए प्रोग्राम सिंथेसिस के लिए आनुवंशिक एल्गोरिदम लागू किया, जिसका उपयोग उन्होंने एलआईएसपी प्रोग्राम को संश्लेषित करने के लिए किया। अंत में, जौहर मन्ना और रिचर्ड वाल्डिंगर ने कार्यक्रम संश्लेषण के लिए एक अधिक सामान्य दृष्टिकोण प्रदान किया जो इसके विनिर्देशों को सही प्रमाणित करने के समय एक कार्यात्मक प्रोग्रामिंग को संश्लेषित करता है।[69] लॉजिकल के विकल्प के रूप में, रोजर शैंक ने केस-आधारित लॉजिकल (सीबीआर) प्रस्तुत किया। सीबीआर दृष्टिकोण उनकी पुस्तक डायनेमिक मेमोरी में रेखांकित किया गया है।[70] भविष्य में उपयोग के लिए प्रमुख समस्या-समाधान प्रकरणों को याद रखने और जहां उपयुक्त हो, उन्हें सामान्य बनाने पर पहले ध्यान केंद्रित करता है। जब एक नई समस्या का सामना करना पड़ता है, तो सीबीआर सबसे समान पिछले प्रकरण को पुनः प्राप्त करता है और इसे वर्तमान समस्या की बारीकियों के अनुकूल बनाता है।[71] लॉजिकल का एक अन्य विकल्प, जेनेटिक एल्गोरिदम और जेनेटिक प्रोग्रामिंग सीखने के एक विकासवादी मॉडल पर आधारित हैं, जहां नियमों के सेट आबादी में एन्कोड किए जाते हैं, नियम व्यक्तियों के व्यवहार को नियंत्रित करते हैं, और कई पीढ़ियों से अनुपयुक्त नियमों के सेट को फिटेस्ट प्रून्स का चयन करते हैं। .[72] सांकेतिक मशीन लर्निंग को लर्निंग कॉन्सेप्ट्स, रूल्स, अन्वेषणात्मक और प्रॉब्लम सॉल्विंग पर लागू किया गया था। उपरोक्त के अतिरिक्त अन्य दृष्टिकोणों में सम्मिलित हैं:

  1. निर्देश या सलाह से सीखना- अर्थात, मानव निर्देश लेना, सलाह के रूप में प्रस्तुत करना, और यह निर्धारित करना कि विशिष्ट परिस्थितियों में इसे कैसे संचालित किया जाए। उदाहरण के लिए, दिल के खेल में, अंक लेने से बचने के लिए हाथ से खेलना सीखना।[73]
  2. अनुकरणीय लोगों से सीखना-प्रशिक्षण के समय विषय-वस्तु विशेषज्ञ (एसएमई) के फीडबैक को स्वीकार करके प्रदर्शन में सुधार करना। जब समस्या-समाधान विफल हो जाता है, तो समस्या-समाधान के लिए या तो एक नया उदाहरण सीखने के लिए या एक नया स्पष्टीकरण सीखने के लिए विशेषज्ञ से पूछताछ करना कि एक उदाहरण दूसरे की तुलना में अधिक प्रासंगिक क्यों है। उदाहरण के लिए, प्रोग्राम प्रोटोस ने एक ऑडियोलॉजिस्ट के साथ बातचीत करके टिनिटस के प्रकरणों का निदान करना सीखा।[74]
  3. सादृश्य द्वारा सीखना - अतीत में देखी गई समान समस्याओं के आधार पर समस्या समाधान का निर्माण करना, और फिर एक नई स्थिति या डोमेन में फिट करने के लिए उनके समाधान को संशोधित करना।[75][76]
  4. अपरेंटिस लर्निंग सिस्टम- मानव समस्या-समाधान को देखकर समस्याओं का उपन्यास समाधान सीखना। डोमेन ज्ञान बताता है कि उपन्यास समाधान सही क्यों हैं और समाधान को कैसे सामान्यीकृत किया जा सकता है। LEAP ने मानव डिजाइनरों को देखकर वीएलएसआई सर्किट डिजाइन करना सीखा।[77]
  5. सर्च द्वारा सीखना—अर्थात् प्रयोग करने के लिए कार्य बनाना और फिर परिणामों से सीखना। उदाहरण के लिए, डगलस लेनट के पाना ने लगातार दो वर्षों तक यात्री (रोल-प्लेइंग गेम) रोल-प्लेइंग गेम में मानव खिलाड़ियों को हराने के लिए अनुमान लगाया। [78]
  6. मैक्रो-ऑपरेटर्स सीखना- अर्थात, उपयोगी मैक्रो-ऑपरेटर्स की सर्च करना, जिन्हें बुनियादी समस्या-समाधान क्रियाओं के अनुक्रम से सीखा जा सके। अच्छे मैक्रो-ऑपरेटर्स समस्या-समाधान को अधिक सार स्तर पर हल करने की अनुमति देकर समस्या-समाधान को सरल बनाते हैं।[79]


गहरी शिक्षा और न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस 2011-अब

न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस: तंत्रिका और प्रतीकात्मक दृष्टिकोण को एकीकृत करना

न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस तंत्रिका और प्रतीकात्मक आर्किटेक्चर को इस तरह से एकीकृत करने का प्रयास करता है जो लॉजिकल, सीखने और संज्ञानात्मक मॉडलिंग में सक्षम मजबूत आर्टिफिशियल इंटेलिजेंस का समर्थन करने के लिए पूरक फैशन में प्रत्येक की ताकत और कमजोरियों को संबोधित करता है। जैसा कि लेस्ली वैलिएंट ने लॉजिकल दिया है[80] गंभीर प्रयास,[81] समृद्ध कम्प्यूटेशनल संज्ञानात्मक मॉडल का प्रभावी निर्माण ध्वनि प्रतीकात्मक लॉजिकल और कुशल (मशीन) सीखने के मॉडल के संयोजन की मांग करता है। गैरी मार्कस, इसी तरह, लॉजिकल देते हैं कि: हम हाइब्रिड वास्तुकला, समृद्ध पूर्व ज्ञान और लॉजिकल के लिए परिष्कृत तकनीकों के बिना पर्याप्त, स्वचालित तरीके से समृद्ध संज्ञानात्मक मॉडल का निर्माण नहीं कर सकते।[82], खास तरीके से: 

आर्टिफिशियल इंटेलिजेंस के लिए एक मजबूत, ज्ञान-संचालित दृष्टिकोण बनाने के लिए हमारे टूलकिट में प्रतीक-हेरफेर की मशीनरी होनी चाहिए। अमूर्त का प्रतिनिधित्व और हेरफेर करने वाले उपकरणों के बिना बहुत अधिक उपयोगी ज्ञान अमूर्त है, और आज तक, एकमात्र ऐसी मशीनरी जिसके बारे में हम जानते हैं कि इस तरह के अमूर्त ज्ञान को मज़बूती से हेरफेर कर सकते हैं, वह प्रतीक-हेरफेर का उपकरण है।[83]

हेनरी कौट्ज़,[21] फ्रांसेस्का रॉसी,[84] और बार्ट सेलमैन[85] ने संश्लेषण के लिए भी लॉजिकल दिया है। उनके लॉजिकल दो प्रकार की सोच को संबोधित करने की आवश्यकता पर आधारित हैं, जिसकी चर्चा डेनियल कन्नमैन की पुस्तक, थिंकिंग, फास्ट एंड स्लो में की गई है। कन्नमैन मानव सोच को दो घटकों, सोच, तेज़ और धीमी # दो_प्रणाली के रूप में वर्णित करता है। सिस्टम 1 तेज, स्वचालित, सहज और अचेतन है। सिस्टम 2 धीमा, चरण-दर-चरण और स्पष्ट है। सिस्टम 1 पैटर्न पहचान के लिए उपयोग किया जाने वाला प्रकार है जबकि सिस्टम 2 योजना, कटौती और जानबूझकर सोच के लिए कहीं बेहतर अनुकूल है। इस दृष्टि से, गहरी शिक्षा सबसे अच्छी सोच का मॉडल है जबकि प्रतीकात्मक लॉजिकल दूसरी तरह का सबसे अच्छा मॉडल है और दोनों की जरूरत है।

ग्रेसेज़ ने इस क्षेत्र में कम से कम पिछले बीस वर्षों से चल रहे अनुसंधान का वर्णन किया है,[86] neurosymbolic Learning Systems पर उनकी 2002 की पुस्तक से डेटिंग।[87] न्यूरो-प्रतीकात्मक लॉजिकल पर कार्यशालाओं की एक श्रृंखला 2005 से हर साल आयोजित की गई है, विवरण के लिए http://www.neural-symbolic.org/ देखें।

उनके 2015 के पेपर में, न्यूरल-सिम्बोलिक लर्निंग एंड रीज़निंग: कंट्रीब्यूशन एंड चैलेंजेस, ग्रेसेज़ एट अल। लॉजिकल है कि:

पिछले दो दशकों में अपेक्षाकृत छोटे अनुसंधान समुदाय द्वारा आर्टिफिशियल इंटेलिजेंस के प्रतीकात्मक और संबंधवादी प्रतिमानों का एकीकरण किया गया है और इसके कई महत्वपूर्ण परिणाम सामने आए हैं। पिछले एक दशक में, तंत्रिका प्रतीकात्मक प्रणालियों को तंत्रिका नेटवर्क के तथाकथित प्रस्तावित निर्धारण पर काबू पाने में सक्षम दिखाया गया है, जैसा कि मैककार्थी (1988) ने स्मोलेंस्की (1988) के जवाब में रखा था; यह भी देखें (हिंटन, 1990)। तंत्रिका नेटवर्क को मोडल और टेम्पोरल लॉजिक्स (डी'विला गार्सेज़ और लैम्ब, 2006) और फ़र्स्ट-ऑर्डर लॉजिक के टुकड़े (बैडर, हिट्ज़लर, होल्डोबलर, 2008; डी'विला गार्सेज़, लैम्ब, गैबे, 2009) का प्रतिनिधित्व करने में सक्षम दिखाया गया था। इसके अलावा, तंत्रिका-प्रतीकात्मक प्रणालियों को जैव सूचना विज्ञान, नियंत्रण इंजीनियरिंग, सॉफ्टवेयर सत्यापन और अनुकूलन, विज़ुअल इंटेलिजेंस, ऑन्कोलॉजी सीखने और कंप्यूटर गेम के क्षेत्रों में कई समस्याओं के लिए लागू किया गया है। [88]

एकीकरण के लिए दृष्टिकोण विविध हैं। कुछ उदाहरणों के साथ, न्यूरो-प्रतीकात्मक आर्किटेक्चर की हेनरी कौट्ज़ की वर्गीकरण इस प्रकार है:

  • सांकेतिक तंत्रिका प्रतीकात्मक- प्राकृतिक भाषा प्रसंस्करण में कई तंत्रिका मॉडल का वर्तमान दृष्टिकोण है, जहां शब्द या सबवर्ड टोकन बड़े भाषा मॉडल के अंतिम इनपुट और आउटपुट दोनों हैं। उदाहरणों में BERT (भाषा मॉडल), RoBERTa और GPT-3 सम्मिलित हैं।
  • प्रतीकात्मक [तंत्रिका]— AlphaGo द्वारा उदाहरण दिया गया है, जहां प्रतीकात्मक तकनीकों का उपयोग तंत्रिका तकनीकों को कॉल करने के लिए किया जाता है। इस प्रकरण में सांकेतिक दृष्टिकोण मोंटे कार्लो ट्री सर्च है और तंत्रिका तकनीक सीखती है कि खेल की स्थिति का मूल्यांकन कैसे किया जाए।
  • तंत्रिका | प्रतीकात्मक - अवधारणात्मक डेटा को प्रतीकों और संबंधों के रूप में व्याख्या करने के लिए एक तंत्रिका वास्तुकला का उपयोग करता है जो तब प्रतीकात्मक रूप से लॉजिकलसंगत होता है।
  • तंत्रिका: प्रतीकात्मक → तंत्रिका-प्रशिक्षण डेटा उत्पन्न करने या लेबल करने के लिए प्रतीकात्मक लॉजिकल पर निर्भर करता है जिसे बाद में एक गहन शिक्षण मॉडल द्वारा सीखा जाता है, उदाहरण के लिए, मैकसिमा जैसी प्रतीकात्मक गणित प्रणाली का उपयोग करके प्रतीकात्मक गणना के लिए एक तंत्रिका मॉडल को प्रशिक्षित करने या लेबल करने के लिए उदाहरण।
  • Neural_{प्रतीकात्मक}—एक तंत्रिका जाल का उपयोग करता है जो सांकेतिक नियमों से उत्पन्न होता है। एक उदाहरण तंत्रिका प्रमेय प्रोवर है,[89] जो ज्ञान आधारित नियमों और शर्तों से उत्पन्न एक एंड-या ट्री|एंड-या प्रूफ ट्री से एक तंत्रिका नेटवर्क का निर्माण करता है। लॉजिकल टेन्सर नेटवर्क[90] भी इसी श्रेणी में आते हैं।
  • तंत्रिका [प्रतीकात्मक] - एक तंत्रिका मॉडल को सीधे प्रतीकात्मक लॉजिकल इंजन को कॉल करने की अनुमति देता है, उदाहरण के लिए, कोई क्रिया करने या किसी स्थिति का मूल्यांकन करने के लिए।

कई प्रमुख शोध प्रश्न बने हुए हैं, जैसे:

  • तंत्रिका और प्रतीकात्मक आर्किटेक्चर को एकीकृत करने का सबसे अच्छा तरीका क्या है?
  • तंत्रिका नेटवर्क के अंतर्गत प्रतीकात्मक संरचनाओं का प्रतिनिधित्व कैसे किया जाना चाहिए और उनसे कैसे निकाला जाना चाहिए?
  • सामान्य ज्ञान का ज्ञान कैसे सीखा और उसके बारे में लॉजिकल किया जाना चाहिए?
  • अमूर्त ज्ञान जिसे तार्किक रूप से सांकेतिक शब्दों में बदलना कठिन है, को कैसे संभाला जा सकता है?

तकनीक और योगदान

यह खंड विकिपीडिया में कई अन्य, अधिक विस्तृत लेखों के लिए अग्रणी समग्र संदर्भ में तकनीकों और योगदानों का अवलोकन प्रदान करता है। #मशीन_लर्निंग और #अनिश्चित_लॉजिकल पर अनुभाग पहले #एक संक्षिप्त इतिहास में सम्मिलित किए गए हैं।

आर्टिफिशियल इंटेलिजेंस प्रोग्रामिंग लैंग्वेज

अंतिम प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस बूम अवधि के समय US में प्रमुख आर्टिफिशियल इंटेलिजेंस प्रोग्रामिंग भाषा LISP (प्रोग्रामिंग भाषा) थी। LISP (प्रोग्रामिंग भाषा) फोरट्रान के बाद दूसरी सबसे पुरानी प्रोग्रामिंग भाषा है और इसे 1958 में जॉन मैकार्थी (कंप्यूटर वैज्ञानिक) द्वारा बनाया गया था। LISP (प्रोग्रामिंग लैंग्वेज) ने तेजी से प्रोग्राम डेवलपमेंट को सपोर्ट करने के लिए पहला रीड-इवल-प्रिंट लूप प्रदान किया। संकलित कार्यों को व्याख्या किए गए कार्यों के साथ स्वतंत्र रूप से मिश्रित किया जा सकता है। मूल्यों या कार्यों को बदलने और ब्रेकप्वाइंट या त्रुटियों से जारी रखने की क्षमता के साथ-साथ प्रोग्राम ट्रेसिंग, स्टेपिंग और ब्रेकप्वाइंट भी प्रदान किए गए थे। इसमें पहला सेल्फ-होस्टिंग (कंपाइलर) | स्व-होस्टिंग (संकलक) था, जिसका अर्थ है कि कंपाइलर मूल रूप से LISP (प्रोग्रामिंग लैंग्वेज) में लिखा गया था और फिर कंपाइलर कोड को संकलित करने के लिए व्याख्यात्मक रूप से चला।

एलआईएसपी द्वारा शुरू किए गए अन्य प्रमुख नवाचार जो अन्य प्रोग्रामिंग भाषाओं में फैल गए हैं उनमें सम्मिलित हैं:

कार्यक्रम स्वयं डेटा संरचनाएं थे जो अन्य प्रोग्राम संचालित कर सकते थे, जिससे उच्च-स्तरीय भाषाओं की आसान परिभाषा की अनुमति मिलती थी।

यूएस के विपरीत, यूरोप में उसी अवधि के समय प्रमुख एलआईएसपी (प्रोग्रामिंग भाषा) प्रोलॉग थी। प्रोलॉग ने तथ्यों और खंडों का एक अंतर्निहित स्टोर प्रदान किया है जिसे रीड-इवल-प्रिंट लूप द्वारा पूछताछ की जा सकती है। स्टोर ज्ञान के आधार के रूप में कार्य कर सकता है और खंड नियम या लॉजिकल के प्रतिबंधित रूप के रूप में कार्य कर सकता है। पहले क्रम के लॉजिक के एक उपसमुच्चय के रूप में प्रोलॉग क्लोज्ड-वर्ल्ड धारणा के साथ हॉर्न क्लॉज पर आधारित था - ज्ञात नहीं होने वाले किसी भी तथ्य को झूठा माना जाता था - और आदिम शब्दों के लिए एक अद्वितीय नाम धारणा - उदाहरण के लिए, पहचानकर्ता बराक_ओबामा को संदर्भित करने के लिए माना जाता था ठीक एक वस्तु के लिए। बैक ट्रैकिंग और एकीकरण (कंप्यूटर विज्ञान) प्रोलॉग में अंतर्निहित हैं।

Alain Colmerauer और Philippe Roussel को Prolog के आविष्कारक के रूप में श्रेय दिया जाता है। प्रोलॉग लॉजिक प्रोग्रामिंग का एक रूप है, जिसका आविष्कार रॉबर्ट कोवाल्स्की ने किया था। इसका इतिहास कार्ल हेविट के योजनाकर्ता से भी प्रभावित था, जो तरीकों के पैटर्न-निर्देशित आह्वान के साथ एक मुखर डेटाबेस था। अधिक विवरण के लिए देखें Planner_(programming_language)#The_genesis_of_Prolog.

प्रोलॉग भी एक प्रकार की घोषणात्मक प्रोग्रामिंग है। प्रोग्राम का वर्णन करने वाले लॉजिक क्लॉज की सीधे निर्दिष्ट प्रोग्राम को चलाने के लिए व्याख्या की जाती है। अनिवार्य प्रोग्रामिंग भाषाओं के प्रकरण में कार्रवाई की कोई स्पष्ट श्रृंखला आवश्यक नहीं है।

जापान ने अपनी पांचवीं पीढ़ी की परियोजना के लिए प्रोलॉग का समर्थन किया, जो उच्च प्रदर्शन के लिए विशेष हार्डवेयर बनाने का इरादा रखता है। इसी तरह, LISP मशीनों को LISP (प्रोग्रामिंग लैंग्वेज) चलाने के लिए बनाया गया था, लेकिन जैसे ही दूसरा आर्टिफिशियल इंटेलिजेंस बूम बस्ट हुआ, ये कंपनियां नए वर्कस्टेशन के साथ प्रतिस्पर्धा नहीं कर सकीं, जो अब LISP (प्रोग्रामिंग लैंग्वेज) या प्रोलॉग को मूल रूप से तुलनात्मक गति से चला सकते हैं। अधिक विवरण के लिए #एक छोटा इतिहास देखें।

स्मॉलटाक एक अन्य प्रभावशाली आर्टिफिशियल इंटेलिजेंस प्रोग्रामिंग भाषा थी। उदाहरण के लिए इसने मेटाक्लासेस के प्रारम्भ की और जायके (प्रोग्रामिंग भाषा) और कॉमनलूप्स के साथ, [[ सामान्य लिस्प ऑब्जेक्ट सिस्टम]], या (CLOS) को प्रभावित किया, जो अब कॉमन लिस्प का हिस्सा है, जो वर्तमान मानक लिस्प बोली है। सीएलओएस एक लिस्प-आधारित ऑब्जेक्ट-ओरिएंटेड सिस्टम है जो कई विरासत की अनुमति देता है, दोनों वर्गों और मेटाक्लासेस के वृद्धिशील एक्सटेंशन के अतिरिक्त, इस प्रकार एक रन-टाइम मेटा-ऑब्जेक्ट प्रोटोकॉल प्रदान करता है।[91] अन्य आर्टिफिशियल इंटेलिजेंस प्रोग्रामिंग भाषाओं के लिए आर्टिफिशियल इंटेलिजेंस के लिए प्रोग्रामिंग भाषाओं की यह सूची देखें। वर्तमान में, पायथन (प्रोग्रामिंग लैंग्वेज), एक बहु-प्रतिमान प्रोग्रामिंग लैंग्वेज, सबसे बहु-प्रतिमान प्रोग्रामिंग भाषा है, आंशिक रूप से इसकी व्यापक पैकेज लाइब्रेरी के कारण जो डेटा विज्ञान, नेचुरल लैंग्वेज प्रोसेसिंग और डीप लर्निंग को सपोर्ट करती है। पायथन (प्रोग्रामिंग लैंग्वेज) में एक रीड-इवल-प्रिंट लूप, कार्यात्मक तत्व जैसे उच्च-क्रम के कार्य और ऑब्जेक्ट ओरिएंटेड प्रोग्रामिंग सम्मिलित हैं जिसमें मेटाक्लास सम्मिलित हैं।

सर्चें

Main article: संयुक्त खोज

स्वचालित योजना, बाधा संतुष्टि, और चेकर्स, शतरंज और जाओ (खेल) जैसे गेम खेलने सहित कई प्रकार की समस्या समाधान में सर्च उत्पन्न होती है। सबसे प्रसिद्ध आर्टिफिशियल इंटेलिजेंस-सर्च ट्री सर्च एल्गोरिदम चौड़ाई-पहली सर्च, गहराई-पहली सर्च, ए * सर्च एल्गोरिदम | ए * और मोंटे कार्लो ट्री सर्च हैं। बूलियन संतुष्टि के लिए प्रमुख सर्च एल्गोरिदम वॉकसैट, संघर्ष-संचालित क्लॉज लर्निंग और डीपीएलएल एल्गोरिदम हैं। गेम खेलते समय प्रतिकूल सर्च के लिए, अल्फा-बीटा प्रूनिंग, शाखा और बंधन, और अल्पमहिष्ठ प्रारंभिक योगदान थे।

ज्ञान प्रतिनिधित्व और लॉजिकल

Main article: ज्ञान का प्रतिनिधित्व और तर्क

ज्ञान का प्रतिनिधित्व करने के लिए कई अलग-अलग दृष्टिकोण और फिर उन प्रतिनिधित्वों के कारण की जांच की गई है। नीचे ज्ञान प्रतिनिधित्व और स्वचालित लॉजिकल के तरीकों का एक त्वरित अवलोकन है।

ज्ञान प्रतिनिधित्व

Main article: ज्ञान का प्रतिनिधित्व

सिमेंटिक नेटवर्क, वैचारिक रेखांकन, फ्रेम (कृत्रिम बुद्धिमत्ता), और औपचारिक लॉजिकल ज्ञान के मॉडलिंग के सभी दृष्टिकोण हैं जैसे कि डोमेन ज्ञान, समस्या को सुलझाने का ज्ञान और भाषा का शब्दार्थ अर्थ। तात्त्विकी एक डोमेन में प्रमुख अवधारणाओं और उनके संबंधों को मॉडल करती है। उदाहरण तात्त्विकी यागो (डेटाबेस), शब्दतंत्र, और अपर_ऑन्टोलॉजी#DOLCE हैं। अपर_ऑन्टोलॉजी#DOLCE ऊपरी तात्त्विकी का एक उदाहरण है जिसका उपयोग किसी भी डोमेन के लिए किया जा सकता है जबकि वर्डनेट एक लेक्सिकल रिसोर्स है जिसे ऊपरी सत्तामीमांसा#वर्डनेट के रूप में भी देखा जा सकता है। YAGO (डेटाबेस) WordNet synsets के साथ विकिपीडिया से निकाले गए तथ्यों को संरेखित करने के लिए WordNet को अपने सत्तामीमांसा के हिस्से के रूप में सम्मिलित करता है। रोग सत्तामीमांसा वर्तमान में उपयोग किए जा रहे चिकित्सा सत्तामीमांसा का एक उदाहरण है।

विवरण लॉजिकल तात्त्विकी के स्वचालित वर्गीकरण और असंगत वर्गीकरण डेटा का पता लगाने के लिए एक लॉजिकल है। वेब ओन्टोलॉजी भाषा एक ऐसी भाषा है जिसका उपयोग विवरण लॉजिकल के साथ तात्त्विकी का प्रतिनिधित्व करने के लिए किया जाता है। प्रोटेग (सॉफ्टवेयर) | प्रोटेग एक तात्त्विकी संपादक है जो वेब ओन्टोलॉजी लैंग्वेज तात्त्विकी में पढ़ सकता है और फिर हर्मिट जैसे डिडक्टिव क्लासिफायरियर के साथ स्थिरता की जांच कर सकता है।[92] विवरण लॉजिकल की तुलना में प्रथम-क्रम लॉजिकल अधिक सामान्य है। नीचे चर्चा की गई स्वचालित प्रमेय प्रमेय प्रथम-क्रम लॉजिकल में प्रमेय सिद्ध कर सकते हैं। हॉर्न क्लॉज लॉजिक फर्स्ट-ऑर्डर लॉजिक की तुलना में अधिक प्रतिबंधित है और इसका उपयोग लॉजिक प्रोग्रामिंग लैंग्वेज जैसे प्रोलॉग में किया जाता है। प्रथम-क्रम लॉजिकल के विस्तार में समय को संभालने के लिए लौकिक लॉजिकल सम्मिलित हैं; ज्ञानमीमांसा लॉजिकल, एजेंट ज्ञान के बारे में लॉजिकल करने के लिए; मॉडल लॉजिकल, संभावना और आवश्यकता को संभालने के लिए; और संभाव्यता लॉजिकल एक साथ लॉजिकल और संभावना को संभालने के लिए।

स्वचालित प्रमेय प्रमाणित करना

Main article: स्वचालित प्रमेय सिद्ध

प्रथम-क्रम लॉजिकल के लिए स्वचालित प्रमेय सिद्ध करने वालों के उदाहरण हैं:

  • नीति9
  • एसीएल2
  • वैम्पायर (प्रमेय कहावत)

Prover9 का उपयोग Mace4 मॉडल जाँच के संयोजन में किया जा सकता है। ACL2 एक प्रमेय प्रोवर है जो इंडक्शन द्वारा प्रूफ को हैंडल कर सकता है और बॉयर-मूर प्रमेय प्रोवर का वंशज है, जिसे Nqthm के रूप में भी जाना जाता है।

ज्ञान आधारित प्रणालियों में लॉजिकल

Main article: रीजनिंग सिस्टम

प्रक्रियात्मक कोड और डोमेन ज्ञान को अलग करके डोमेन में पुन: प्रयोज्यता बढ़ाने के लिए ज्ञान-आधारित प्रणालियों में एक स्पष्ट ज्ञान आधार होता है, सामान्यतः नियमों का। एक अलग अनुमान इंजन नियमों को संसाधित करता है और ज्ञान भंडार को जोड़ता, हटाता या संशोधित करता है।

फॉरवर्ड चेनिंग इन्वेंशन इंजन सबसे साधारण हैं, और क्लिप्स और ओपीएस5 में देखे जाते हैं। बैकवर्ड चेनिंग प्रोलॉग में होता है, जहां अधिक सीमित तार्किक प्रतिनिधित्व का उपयोग किया जाता है, हॉर्न क्लॉज। पैटर्न-मिलान, विशेष रूप से एकीकरण (कंप्यूटर विज्ञान), प्रोलॉग में प्रयोग किया जाता है।

अधिक लचीले प्रकार की समस्या-समाधान तब होता है जब उपलब्ध क्रियाओं में से किसी एक को चुनने के अतिरिक्त आगे क्या करना है, इसके बारे में लॉजिकल करना। इस तरह के मेटा-लेवल रीजनिंग का उपयोग सोर (संज्ञानात्मक वास्तुकला) और बीबी1 ब्लैकबोर्ड आर्किटेक्चर में किया जाता है।

एसीटी-आर जैसे संज्ञानात्मक आर्किटेक्चर में अतिरिक्त क्षमताएं हो सकती हैं, जैसे अधिकांशतः उपयोग किए जाने वाले ज्ञान को उच्च-स्तरीय चंकिंग (मनोविज्ञान) में संकलित करने की क्षमता।

कॉमन सेंस रीजनिंग

Main article: सामान्य ज्ञान तर्क

मार्विन मिन्स्की ने पहली बार फ्रेम (कृत्रिम बुद्धिमत्ता) को सामान्य दृश्य स्थितियों की व्याख्या करने के तरीके के रूप में प्रस्तावित किया, जैसे कि एक कार्यालय, और रोजर शैंक ने इस विचार को सामान्य दिनचर्या के लिए स्क्रिप्ट सिद्धांत में विस्तारित किया, जैसे कि बाहर खाना। Cyc ने उपयोगी सामान्य ज्ञान ज्ञान प्राप्त करने का प्रयास किया है और विशेष प्रकार के डोमेन-विशिष्ट लॉजिकल को संभालने के लिए सूक्ष्म सिद्धांत हैं।

गुणात्मक अनुकरण, जैसे बेंजामिन कूपर्स का QSIM,[93] भोली भौतिकी के बारे में मानवीय लॉजिकल का अनुमान लगाता है, जैसे कि क्या होता है जब हम स्टोव पर एक बर्तन में तरल गर्म करते हैं। हम उम्मीद करते हैं कि यह गर्म होगा और संभवतः उबल जाएगा, भले ही हमें इसका तापमान, इसका क्वथनांक, या वायुमंडलीय दबाव जैसे अन्य विवरण नहीं पता हों।

इसी तरह, जेम्स एफ एलन (कंप्यूटर वैज्ञानिक) का एलन का अंतराल बीजगणित समय के बारे में लॉजिकल का सरलीकरण है और क्षेत्र कनेक्शन कलन स्थानिक संबंधों के बारे में लॉजिकल का सरलीकरण है। दोनों को बाधा प्रोग्रामिंग के साथ हल किया जा सकता है।

बाधाएं और बाधा आधारित लॉजिकल

Main articles: प्रतिबंध प्रोग्रामिंग and स्थानिक-सामयिक तर्क

बाधा प्रोग्रामिंग प्रथम-क्रम लॉजिकल की तुलना में अधिक सीमित प्रकार का अनुमान लगाती है। वे स्पोटियोटेम्पोरल बाधाओं के सेट को सरल बना सकते हैं, जैसे कि क्षेत्र कनेक्शन कैलकुलेशन या एलन के अंतराल बीजगणित के साथ-साथ अन्य प्रकार की पहेली समस्याओं को हल करने के साथ-साथ Wordle, सुडोकू, मौखिक अंकगणित, और इसी तरह। बाधा लॉजिकल प्रोग्रामिंग का उपयोग शेड्यूलिंग समस्याओं को हल करने के लिए किया जा सकता है, उदाहरण के लिए बाधा से निपटने के नियम (CHR) के साथ।

स्वचालित योजना

Main article: स्वचालित योजना और समय-निर्धारण

जनरल प्रॉब्लम सॉल्वर (जनरल प्रॉब्लम सॉल्वर) कास्ट प्लानिंग को प्रॉब्लम सॉल्विंग के रूप में प्लान बनाने के लिए मीन-एंड एनालिसिस का उपयोग करता है। स्टैनफोर्ड रिसर्च इंस्टीट्यूट प्रॉब्लम सॉल्वर ने योजना को प्रमेय प्रमाणित करने के रूप में देखते हुए एक अलग दृष्टिकोण लिया। ग्राफप्लान योजना बनाने के लिए कम से कम प्रतिबद्धता वाला दृष्टिकोण अपनाता है, न कि आरंभिक अवस्था से क्रमिक रूप से क्रियाओं को चुनने, आगे की ओर काम करने, या पीछे की ओर काम करने पर एक लक्ष्य स्थिति। सत विमान योजना बनाने का एक दृष्टिकोण है जहां नियोजन समस्या को बूलियन संतुष्टि समस्या में घटा दिया जाता है।

प्राकृतिक भाषा प्रसंस्करण

Main article: प्राकृतिक भाषा प्रसंस्करण

प्राकृतिक भाषा प्रसंस्करण भाषा को डेटा के रूप में व्यवहार करने पर ध्यान केंद्रित करता है, जैसे कि आवश्यक रूप से इच्छित अर्थ को समझे बिना विषयों की पहचान करना। प्राकृतिक भाषा की समझ, इसके विपरीत, एक अर्थ प्रतिनिधित्व का निर्माण करती है और इसका उपयोग आगे की प्रक्रिया के लिए करती है, जैसे प्रश्नों का उत्तर देना।

पदच्छेद, tokenizing, बानान चेकर, पार्ट-ऑफ-स्पीच टैगिंग, उथला विश्लेषण प्राकृतिक भाषा प्रसंस्करण के सभी पहलू हैं जो लंबे समय तक प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस द्वारा नियंत्रित किए जाते हैं, लेकिन गहन सीखने के तरीकों से सुधार हुआ है। प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस में, वाक्य अर्थों का प्रतिनिधित्व करने के लिए प्रवचन प्रतिनिधित्व सिद्धांत और प्रथम-क्रम लॉजिकल का उपयोग किया गया है। अव्यक्त सिमेंटिक विश्लेषण (एलएसए) और स्पष्ट सिमेंटिक विश्लेषण भी दस्तावेजों के वेक्टर प्रतिनिधित्व प्रदान करते हैं। बाद के प्रकरण में, वेक्टर घटकों को विकिपीडिया लेखों द्वारा नामित अवधारणाओं के रूप में व्याख्यायित किया जाता है।

ट्रांसफॉर्मर (मशीन लर्निंग मॉडल) पर आधारित नए गहन शिक्षण दृष्टिकोणों ने अब इन पहले के प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस दृष्टिकोणों को ग्रहण कर लिया है और प्राकृतिक भाषा प्रसंस्करण में अत्याधुनिक प्रदर्शन प्राप्त कर लिया है। हालांकि, ट्रांसफार्मर मॉडल अपारदर्शी हैं और अभी तक वाक्यों और दस्तावेजों के लिए मानव-व्याख्या योग्य अर्थपूर्ण प्रतिनिधित्व नहीं करते हैं। इसके अतिरिक्त, वे कार्य-विशिष्ट वैक्टर उत्पन्न करते हैं जहाँ वेक्टर घटकों का अर्थ अपारदर्शी होता है।

एजेंट और मल्टी-एजेंट सिस्टम

Main articles: एजेंट आर्किटेक्चर and मल्टी-एजेंट सिस्टम

सॉफ्टवेयर एजेंट स्वायत्त सिस्टम हैं जो एक ऐसे वातावरण में सन्निहित हैं जो वे अनुभव करते हैं और कुछ अर्थों में कार्य करते हैं। बढ़ते परिष्कार के एजेंट आर्किटेक्चर को प्रतिबिंबित करने के लिए कृत्रिम बुद्धि पर रसेल और नॉरविग की मानक पाठ्यपुस्तक का आयोजन किया जाता है।[94] एजेंटों का परिष्कार सरल प्रतिक्रियाशील एजेंटों से भिन्न होता है, जो दुनिया के एक मॉडल और स्वचालित योजना क्षमताओं के साथ होते हैं, संभवतः एक विश्वास-इच्छा-इरादा सॉफ्टवेयर मॉडल, अर्थात, विश्वासों, इच्छाओं और इरादों के साथ एक - या वैकल्पिक रूप से एक सुदृढीकरण सीखने मॉडल ने समय के साथ क्रियाओं को चुनना सीखा - वैकल्पिक आर्किटेक्चर के संयोजन तक, जैसे कि न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस | न्यूरो-प्रतीकात्मक वास्तुकला जिसमें धारणा के लिए गहन शिक्षा सम्मिलित है।

इसके विपरीत, एक बहु-एजेंट प्रणाली में कई एजेंट होते हैं जो कुछ अंतर-एजेंट संचार भाषा जैसे ज्ञान क्वेरी और हेरफेर भाषा (केक्यूएमएल) के साथ आपस में संवाद करते हैं। सभी एजेंटों के पास समान आंतरिक संरचना होना आवश्यक नहीं है। बहु एजेंट प्रणाली के फायदों में एजेंटों के बीच काम को विभाजित करने की क्षमता और एजेंटों के खो जाने पर दोष सहिष्णुता को बढ़ाना सम्मिलित है। अनुसंधान समस्याओं में सर्वसम्मति की गतिशीलता, सहकारी वितरित समस्या समाधान, बहु-एजेंट सीखने, बहु-एजेंट योजना और वितरित बाधा अनुकूलन सम्मिलित हैं।

विवाद

सांकेतिक आर्टिफिशियल इंटेलिजेंस में शुरुआत से ही विवाद उत्पन्न हो गए थे, दोनों क्षेत्र के अंतर्गत- उदाहरण के लिए, लॉजिकलशास्त्रियों के बीच (लॉजिकल-समर्थक निट्स और स्क्रूफ़ीज़| नीट्स) और गैर-लॉजिकिस्ट्स (लॉजिकल-विरोधी नीट्स और स्क्रूफ़ीज़| स्क्रूफ़ीज़) - और उन लोगों के बीच जिन्होंने गले लगाया आर्टिफिशियल इंटेलिजेंस लेकिन अस्वीकार किए गए प्रतीकात्मक दृष्टिकोण-मुख्य रूप से कनेक्शनवाद-और जो क्षेत्र के बाहर हैं। क्षेत्र के बाहर के आलोचक मुख्य रूप से बौद्धिक आधार पर दार्शनिकों से थे, लेकिन फंडिंग एजेंसियों से भी, विशेष रूप से दो आर्टिफिशियल इंटेलिजेंस सर्दियों के समय।

कनेक्शनवादी आर्टिफिशियल इंटेलिजेंस: दार्शनिक चुनौतियां और समाजशास्त्रीय संघर्ष

कनेक्शनवादी दृष्टिकोण में तंत्रिका नेटवर्क पर पहले का काम सम्मिलित है,[95] जैसे परसेप्ट्रॉन; 80 के दशक के मध्य से अंत तक काम, जैसे कि डैनी हिलिस की कनेक्शन मशीन और संवादात्मक तंत्रिका नेटवर्क में वाई एन एल ईसीयू के अंदर की प्रगति; आज के अधिक उन्नत दृष्टिकोणों के लिए, जैसे ट्रांसफॉर्मर (मशीन लर्निंग मॉडल), जनरेटिव प्रतिकूल नेटवर्क, और गहन शिक्षा में अन्य कार्य।

तीन दार्शनिक पद[96] को कनेक्शनिस्टों के बीच रेखांकित किया गया है:

  1. कार्यान्वयनवाद—जहां कनेक्शनवादी आर्किटेक्चर प्रतीकात्मक प्रसंस्करण के लिए क्षमताओं को लागू करते हैं,
  2. रेडिकल कनेक्शनवाद- जहां प्रतीकात्मक प्रसंस्करण को पूरी तरह से खारिज कर दिया गया है, और कनेक्शनवादी आर्किटेक्चर बुद्धि को कम करते हैं और इसे समझाने के लिए पूरी तरह से पर्याप्त हैं,
  3. मॉडरेट कनेक्शनवाद—जहां प्रतीकात्मक प्रसंस्करण और कनेक्शनवादी आर्किटेक्चर को पूरक के रूप में देखा जाता है और बुद्धि के लिए दोनों की आवश्यकता होती है।

ओलाज़ारन, तंत्रिका नेटवर्क समुदाय के अंतर्गत विवादों के अपने समाजशास्त्रीय इतिहास में, न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस|न्यूरो-प्रतीकात्मक संकर में वर्तमान शोध के साथ अनिवार्य रूप से संगत के रूप में मध्यम संबंधवाद के दृष्टिकोण का वर्णन करते हैं:

तीसरी और अंतिम स्थिति जिसकी मैं यहां जांच करना चाहता हूं, वह है जिसे मैं उदारवादी संबंधवादी दृष्टिकोण कहता हूं, जो संबंधवाद और प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस के बीच वर्तमान बहस का एक अधिक उदार दृष्टिकोण है। शोधकर्ताओं में से एक जिसने इस स्थिति को सबसे स्पष्ट रूप से विस्तृत किया है, एंडी क्लार्क, ससेक्स विश्वविद्यालय (ब्राइटन, इंग्लैंड) के संज्ञानात्मक और कंप्यूटिंग विज्ञान के स्कूल के एक दार्शनिक हैं। क्लार्क ने हाइब्रिड (आंशिक रूप से प्रतीकात्मक, आंशिक रूप से कनेक्शनवादी) सिस्टम का बचाव किया। उन्होंने दावा किया कि (कम से कम) दो प्रकार के सिद्धांतों का अध्ययन और मॉडल अनुभूति के लिए आवश्यक है। एक ओर, कुछ सूचना-प्रसंस्करण कार्यों (जैसे पैटर्न पहचान) के लिए प्रतीकात्मक मॉडल पर कनेक्शनवाद के फायदे हैं। लेकिन दूसरी ओर, अन्य संज्ञानात्मक प्रक्रियाओं (जैसे सीरियल, डिडक्टिव रीजनिंग, और जनरेटिव सिंबल मैनीपुलेशन प्रोसेस) के लिए प्रतीकात्मक प्रतिमान पर्याप्त मॉडल प्रदान करता है, न कि केवल सन्निकटन (कट्टरपंथी कनेक्शनवादियों के दावे के विपरीत)।[97]

गैरी मार्कस ने दावा किया है कि गहरे सीखने वाले समुदाय में प्रतीकात्मक दृष्टिकोण के खिलाफ दुश्मनी अब दार्शनिक की तुलना में अधिक समाजशास्त्रीय हो सकती है: <ब्लॉककोट>यह सोचने के लिए कि हम केवल प्रतीक-हेरफेर को छोड़ सकते हैं, अविश्वास को निलंबित करना है।

और फिर भी, अधिकांश भाग के लिए, यही तरीका है कि अधिकांश वर्तमान आर्टिफिशियल इंटेलिजेंस आगे ​​बढ़ता है। जेफ्री हिंटन और कई अन्य लोगों ने प्रतीकों को पूरी तरह से खत्म करने की भरसक कोशिश की है। गहरी सीखने की आशा - ऐसा प्रतीत होता है कि विज्ञान में इतना अधिक नहीं है, लेकिन एक प्रकार की ऐतिहासिक शिकायत में - यह है कि बड़े पैमाने पर डेटा और गहन शिक्षा के संगम से बुद्धिमान व्यवहार विशुद्ध रूप से उभरेगा। जहां शास्त्रीय कंप्यूटर और सॉफ्टवेयर विशेष कार्यों के लिए समर्पित प्रतीक-हेरफेर नियमों के सेट को परिभाषित करके कार्यों को हल करते हैं, जैसे कि वर्ड प्रोसेसर में एक पंक्ति को संपादित करना या स्प्रेडशीट में गणना करना, कृत्रिम तंत्रिका नेटवर्क सामान्यतः सांख्यिकीय सन्निकटन और सीखने के द्वारा कार्यों को हल करने का प्रयास करते हैं। उदाहरणों से।गैरी मार्कस के अनुसार, जेफ्री हिंटन और उनके सहयोगी जोरदार रूप से प्रतीकात्मक विरोधी रहे हैं:

जब 2012 में गहन शिक्षा पुनः उभरी, तो यह एक तरह का टेक-नो-कैदी रवैया था, जो सबसे अधिक विशेषता है पिछले दशक के। 2015 तक, सभी चीजों के प्रतीकों के प्रति उनकी शत्रुता पूरी तरह से स्पष्ट हो गई थी। उन्होंने स्टैनफोर्ड में एक आर्टिफिशियल इंटेलिजेंस कार्यशाला में विज्ञान की सबसे बड़ी गलतियों में से एक एथर (शास्त्रीय तत्व) के प्रतीकों की तुलना करते हुए एक व्याख्यान दिया।

...

तब से, उनका प्रतीकात्मक-विरोधी अभियान केवल तीव्रता में बढ़ा है। 2016 में, यान लेकन, जोशुआ बेंगियो, और जेफ्री हिंटन ने विज्ञान की सबसे महत्वपूर्ण पत्रिकाओं में से एक नेचर में गहन शिक्षा के लिए एक घोषणापत्र लिखा। यह प्रतीक हेरफेर पर सीधे हमले के साथ बंद हो गया, सुलह के लिए नहीं बल्कि एकमुश्त प्रतिस्थापन के लिए। बाद में, जेफ्री हिंटन ने यूरोपीय संघ के नेताओं की एक सभा को बताया कि प्रतीक-जोड़-तोड़ के तरीकों में और पैसा निवेश करना एक बहुत बड़ी गलती थी, इसकी तुलना इलेक्ट्रिक कारों के युग में आंतरिक दहन इंजनों में निवेश करने से की गई थी।[98]

इन विवादों का एक हिस्सा अस्पष्ट शब्दावली के कारण हो सकता है:

ट्यूरिंग पुरस्कार विजेता जूडिया पर्ल मशीन लर्निंग की एक आलोचना प्रस्तुत करता है, जो दुर्भाग्य से, मशीन लर्निंग और डीप लर्निंग की शर्तों को मिलाती है। इसी तरह, जब जेफ्री हिंटन प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस को संदर्भित करता है, तो शब्द का अर्थ उस विशेषज्ञ प्रणाली के रूप में होता है जो सीखने की किसी भी क्षमता से वंचित है। शब्दावली के प्रयोग को स्पष्ट करने की आवश्यकता है। मशीन लर्निंग एसोसिएशन नियम सीखना माइनिंग तक ही सीमित नहीं है, c.f. सांकेतिक एमएल और इंडक्टिव लॉजिक प्रोग्रामिंग पर काम का शरीर (गहरी शिक्षा के लिए अंतर प्रतिनिधित्व का विकल्प है, वितरित होने के अतिरिक्त स्थानीय तार्किक, और ढतला हुआ वंश का गैर-उपयोग। ग्रेडिएंट-आधारित लर्निंग एल्गोरिदम)। समान रूप से, प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस केवल हाथ से लिखी गई उत्पादन प्रणाली (कंप्यूटर विज्ञान) के बारे में नहीं है। आर्टिफिशियल इंटेलिजेंस की एक उचित परिभाषा ज्ञान प्रतिनिधित्व और लॉजिकल, स्वायत्त मल्टी-एजेंट सिस्टम | मल्टी-एजेंट सिस्टम, स्वचालित योजना और शेड्यूलिंग और लॉजिकल रूपरेखा, साथ ही सीखने से संबंधित है।[99]

दार्शनिक: ड्रेफस और अन्य दार्शनिकों से समालोचना

Main article: आर्टिफिशियल इंटेलिजेंस का दर्शन

अब हम विशेष रूप से दार्शनिकों द्वारा क्षेत्र के बाहर के आक्रमणों की ओर मुड़ते हैं। दार्शनिकों द्वारा अधिकांशतः उद्धृत एक लॉजिकल कंप्यूटर वैज्ञानिक एलन ट्यूरिंग ने अपने 1950 के पेपर कंप्यूटिंग मशीनरी और इंटेलिजेंस में पहले दिया था, जब उन्होंने कहा था कि मानव व्यवहार नियमों के किसी भी औपचारिक सेट द्वारा स्थायित्व करने के लिए बहुत जटिल है-मनुष्य कुछ का उपयोग कर रहा होगा। अनौपचारिक दिशा-निर्देश जिन्हें ... नियमों के एक औपचारिक सेट में कभी भी सम्मिलित नहीं किया जा सकता है और इस प्रकार किसी कंप्यूटर प्रोग्राम में कभी भी संहिताबद्ध नहीं किया जा सकता है।[100] ट्यूरिंग ने इसे व्यवहार की अनौपचारिकता से लॉजिकल कहा।[101]

इसी तरह की समालोचना ह्यूबर्ट ड्रेफस द्वारा अपनी पुस्तकों व्हाट कंप्यूटर कैन नॉट डू और व्हाट कंप्यूटर्स स्टिल कैन डू डू में प्रदान की गई थी। ह्यूबर्ट ड्रेफस ने भविष्यवाणी की कि आर्टिफिशियल इंटेलिजेंस केवल खिलौना समस्याओं के लिए उपयुक्त होगा, और सोचा कि अधिक जटिल प्रणालियों का निर्माण करना या उपयोगी सॉफ़्टवेयर के विचार को बढ़ाना संभव नहीं होगा।{{sfn|Dreyfus|1981|pp=161–204}जॉन हॉगलैंड, एक अन्य दार्शनिक, इसी तरह अपनी पुस्तक आर्टिफिशियल इंटेलिजेंस: द वेरी आइडिया में नियम-आधारित प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस के खिलाफ लॉजिकल देते हैं, इसे GOFआर्टिफिशियल इंटेलिजेंस (गुड ओल्ड-फ़ैशन आर्टिफिशियल इंटेलिजेंस) कहते हैं।

स्टुअर्ट जे. रसेल और पीटर नॉरविग बताते हैं कि ये लॉजिकल 1980 के दशक के प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस को लक्षित थे:

जिस तकनीक की उन्होंने आलोचना की, उसे गुड ओल्ड-फ़ैशन आर्टिफिशियल इंटेलिजेंस (GOFआर्टिफिशियल इंटेलिजेंस) कहा जाने लगा। GOFआर्टिफिशियल इंटेलिजेंस वर्णित सबसे सरल तार्किक एजेंट डिजाइन से मेल खाता है ... और हमने देखा ... कि आवश्यक और पर्याप्त तार्किक नियमों के एक सेट में उपयुक्त व्यवहार की प्रत्येक आकस्मिकता को पकड़ना वास्तव में कठिन है; हमने कहा कि योग्यता समस्या।[102]

तब से, संभाव्य लॉजिकल प्रणालियों ने प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस की क्षमता को बढ़ा दिया है जिससे कि वे ओपन एंडेड डोमेन के लिए अधिक उपयुक्त हो सकें।[102] हालांकि, ह्यूबर्ट ड्रेफस ने एक और लॉजिकल दिया जिसे असंबद्ध प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस सिस्टम द्वारा संबोधित नहीं किया जा सकता है:

ह्यूबर्ट ड्रेफस में से एक। ड्रेफस का सबसे मजबूत लॉजिकल असंबद्ध तार्किक निष्कर्ष इंजनों के अतिरिक्त स्थित अनुभूति के लिए है। एक एजेंट जिसकी कुत्ते की समझ केवल तार्किक वाक्यों के एक सीमित सेट से आती है जैसे कुत्ता (x) ⇒ स्तनपायी (x) उस एजेंट की तुलना में नुकसान में है जिसने कुत्तों को दौड़ते देखा है, उनके साथ खेला है, और चाटा गया है एक - एक करके। जैसा कि दार्शनिक एंडी क्लार्क (1998) कहते हैं, जैविक दिमाग सबसे पहले जैविक निकायों के लिए नियंत्रण प्रणाली हैं। जैविक निकाय समृद्ध वास्तविक दुनिया परिवेश में चलते और कार्य करते हैं। क्लार्क के अनुसार, हम फ्रिसबी में अच्छे हैं, लॉजिकल में बुरे।

सन्निहित अनुभूति दृष्टिकोण का दावा है कि मस्तिष्क को अलग से विचार करने का कोई मतलब नहीं है: अनुभूति एक शरीर के अंतर्गत होती है, जो एक वातावरण में सन्निहित है। हमें समग्र रूप से प्रणाली का अध्ययन करने की आवश्यकता है; मस्तिष्क की कार्यप्रणाली उसके शरीर के बाकी हिस्सों सहित उसके वातावरण में नियमितताओं का फायदा उठाती है। सन्निहित अनुभूति दृष्टिकोण के अनुसार, रोबोटिक्स, दृष्टि और अन्य सेंसर केंद्रीय हो जाते हैं, परिधीय नहीं।[102]

स्थित रोबोटिक्स: एक मॉडल के रूप में दुनिया

रोडनी ब्रूक्स ने व्यवहार-आधारित रोबोटिक्स का निर्माण किया, जिसे सांकेतिक आर्टिफिशियल इंटेलिजेंस और कनेक्शनिस्ट आर्टिफिशियल इंटेलिजेंस दोनों के विकल्प के रूप में न्यू आर्टिफिशियल इंटेलिजेंस भी कहा जाता है। उनके दृष्टिकोण ने अभ्यावेदन को खारिज कर दिया, या तो प्रतीकात्मक या वितरित, न केवल अनावश्यक, बल्कि हानिकारक के रूप में। इसके अतिरिक्त, उन्होंने सन्निहित एजेंटों के लिए एक स्तरित वास्तुकला, सबमिशन आर्किटेक्चर बनाया। प्रत्येक परत एक अलग उद्देश्य प्राप्त करती है और वास्तविक दुनिया में कार्य करना चाहिए। उदाहरण के लिए, इंटेलिजेंस विदाउट रिप्रेजेंटेशन में उन्होंने जिस पहले रोबोट का वर्णन किया है, उसमें तीन परतें हैं। निचली परत वस्तुओं से बचने के लिए सोनार सेंसर की व्याख्या करती है। जब कोई बाधा नहीं होती है तो बीच की परत रोबोट को इधर-उधर भटकने का कारण बनती है। शीर्ष परत रोबोट को आगे की सर्च के लिए अधिक दूर के स्थानों पर जाने का कारण बनती है। प्रत्येक परत निचले स्तर की परत को अस्थायी रूप से बाधित या दबा सकती है। उन्होंने अपने सिस्टम के लिए आर्टिफिशियल इंटेलिजेंस समस्याओं को परिभाषित करने के लिए आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं की आलोचना की, जब: वास्तविक दुनिया में धारणा (अमूर्तता) और लॉजिकल के बीच कोई स्पष्ट विभाजन नहीं है।[103] उन्होंने अपने रोबोट्स क्रिएचर्स को बुलाया और प्रत्येक परत सरल परिमित अवस्था मशीनों के एक निश्चित-टोपोलॉजी नेटवर्क से बनी थी।[104] नोवेल आर्टिफिशियल इंटेलिजेंस दृष्टिकोण में, सबसे पहले, वास्तविक दुनिया में हमारे द्वारा बनाए गए जीवों का परीक्षण करना बेसीमा महत्वपूर्ण है; अर्थात उसी दुनिया में जिसमें हम इंसान रहते हैं। एक सरलीकृत दुनिया में बाद में गतिविधि को स्थानांतरित करने के सर्वोत्तम इरादों के साथ, पहले एक सरलीकृत दुनिया में उनका परीक्षण करने के प्रलोभन में पड़ना विनाशकारी है।[105] वास्तविक दुनिया के परीक्षण पर उनका जोर आर्टिफिशियल इंटेलिजेंस में खेल, ज्यामितीय समस्याओं, प्रतीकात्मक बीजगणित, प्रमेय सिद्ध करने और अन्य औपचारिक प्रणालियों पर केंद्रित प्रारंभिक कार्य के विपरीत था।[106] और SHRDLU जैसे प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस सिस्टम में दुनिया को ब्लॉक करता है का उपयोग।

वर्तमान विचार

प्रत्येक दृष्टिकोण-प्रतीकात्मक, संबंधवादी, और व्यवहार-आधारित-के फायदे हैं, लेकिन अन्य दृष्टिकोणों द्वारा इसकी आलोचना की गई है। प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस की आलोचना की गई है, जो योग्यता की समस्या के लिए उत्तरदायी है, और अवधारणात्मक समस्याओं को संभालने में खराब है, जहां गहन शिक्षा उत्कृष्टता है। बदले में, कनेक्शनवाद की आलोचनात्मक चरण-दर-चरण समस्या समाधान, ज्ञान को सम्मिलित करने और योजना को संभालने के लिए खराब अनुकूल के रूप में आलोचना की गई है। अंत में, नौवेल्ले आर्टिफिशियल इंटेलिजेंस प्रतिक्रियाशील और वास्तविक दुनिया रोबोटिक्स डोमेन में उत्कृष्टता प्राप्त करता है लेकिन सीखने और ज्ञान को सम्मिलित करने में कठिनाइयों के लिए इसकी आलोचना की गई है।

इनमें से एक या अधिक दृष्टिकोणों को सम्मिलित करने वाली हाइब्रिड इंटेलिजेंट सिस्टम को वर्तमान में आगे के पथ के रूप में देखा जाता है।[21][84][85] रसेल और नॉरविग का निष्कर्ष है कि:

कुल मिलाकर, ह्यूबर्ट ड्रेफस ने उन क्षेत्रों को देखा जहां आर्टिफिशियल इंटेलिजेंस के पास पूर्ण उत्तर नहीं थे और कहा कि अल इसलिए असंभव है; अब हम इनमें से कई क्षेत्रों को निरंतर अनुसंधान और विकास के दौर से गुजरते हुए देखते हैं, जिससे क्षमता में वृद्धि होती है, असंभव नहीं।[102]

यह भी देखें






टिप्पणियाँ

  1. ↑ McCarthy once said: "This is AI, so we don't care if it's psychologically real".[2] McCarthy reiterated his position in 2006 at the AI@50 conference where he said "Artificial intelligence is not, by definition, simulation of human intelligence".[29] Pamela McCorduck writes that there are "two major branches of artificial intelligence: one aimed at producing intelligent behavior regardless of how it was accomplished, and the other aimed at modeling intelligent processes found in nature, particularly human ones.",[30] Stuart Russell and Peter Norvig wrote "Aeronautical engineering texts do not define the goal of their field as making 'machines that fly so exactly like pigeons that they can fool even other pigeons.'"[31]


उद्धरण

  1. ↑ Garnelo, Marta; Shanahan, Murray (2019-10-01). "Reconciling deep learning with symbolic artificial intelligence: representing objects and relations". Current Opinion in Behavioral Sciences (in English). 29: 17–23. doi:10.1016/j.cobeha.2018.12.010. S2CID 72336067.
  2. ↑ 2.0 2.1 Kolata 1982.
  3. ↑ Russell & Norvig 2003, p. 5.
  4. ↑ Russell & Norvig 2021, p. 24.
  5. ↑ Kautz 2020, pp. 107–109.
  6. ↑ Russell & Norvig 2021, p. 19.
  7. ↑ Russell & Norvig 2021, pp. 22–23.
  8. ↑ 8.0 8.1 Kautz 2020, pp. 109–110.
  9. ↑ Kautz 2020, p. 110.
  10. ↑ 10.0 10.1 Kautz 2020, pp. 110–111.
  11. ↑ 11.0 11.1 Russell & Norvig 2021, p. 25.
  12. ↑ Kautz 2020, p. 111.
  13. ↑ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (1986). "बैक-प्रोपेगेटिंग एरर द्वारा अभ्यावेदन सीखना". Nature. 323 (6088): 533–536. Bibcode:1986Natur.323..533R. doi:10.1038/323533a0. ISSN 1476-4687. S2CID 205001834.
  14. ↑ LeCun, Y.; Boser, B.; Denker, I.; Henderson, D.; Howard, R.; Hubbard, W.; Tackel, L. (1989). "हस्तलिखित ज़िप कोड मान्यता के लिए बैकप्रॉपैगेशन लागू". Neural Computation. 1 (4): 541–551. doi:10.1162/neco.1989.1.4.541. S2CID 41312633.
  15. ↑ 15.0 15.1 Marcus & Davis 2019.
  16. ↑ 16.0 16.1 Rossi, Francesca. "Thinking Fast and Slow in आर्टिफिशियल इंटेलिजेंस". AAAI. Retrieved 5 July 2022.
  17. ↑ 17.0 17.1 Selman, Bart. "AAAI Presidential Address: The State of आर्टिफिशियल इंटेलिजेंस". AAAI. Retrieved 5 July 2022.
  18. ↑ Newell & Simon 1976, p. 116.
  19. ↑ Shustek, Len (June 2010). "एड फेगेनबाम के साथ एक साक्षात्कार". Communications of the ACM. 53 (6): 41–45. doi:10.1145/1743546.1743564. ISSN 0001-0782. S2CID 10239007. Retrieved 2022-07-14.
  20. ↑ लेनैट, डगलस बी; फीजेनबाम, एडवर्ड ए. औद्योगिक अनुप्रयोगों के लिए आर्टिफिशियल इंटेलिजेंस पर अंतर्राष्ट्रीय कार्यशाला की कार्यवाही. doi:10.1109/AIIA.1988.13308. S2CID 11778085. {{cite journal}}: Missing or empty |title= (help); Unknown parameter |दिनांक= ignored (help); Unknown parameter |पृष्ठ= ignored (help); Unknown parameter |शीर्षक= ignored (help)
  21. ↑ 21.0 21.1 21.2 Kautz 2020.
  22. ↑ Kautz 2020, p. 106.
  23. ↑ Newell & Simon 1972.
  24. ↑ & McCorduck 2004, pp. 139–179, 245–250, 322–323 (EPAM).
  25. ↑ Crevier 1993, pp. 145–149.
  26. ↑ McCorduck 2004, pp. 450–451.
  27. ↑ Crevier 1993, pp. 258–263.
  28. ↑ 28.0 28.1 Kautz 2022, p. 108.
  29. ↑ Maker 2006.
  30. ↑ McCorduck 2004, pp. 100–101.
  31. ↑ Russell & Norvig 2003, pp. 2–3.
  32. ↑ McCorduck 2004, pp. 251–259.
  33. ↑ Crevier 1993, pp. 193–196.
  34. ↑ Howe 1994.
  35. ↑ McCorduck 2004, pp. 259–305.
  36. ↑ Crevier 1993, pp. 83–102, 163–176.
  37. ↑ Russell & Norvig 2003, p. 19.
  38. ↑ McCorduck 2004, pp. 421–424, 486–489.
  39. ↑ Crevier 1993, p. 168.
  40. ↑ McCorduck 2004, p. 489.
  41. ↑ Crevier 1993, pp. 239–243.
  42. ↑ Russell & Norvig 2003, p. 363−365.
  43. ↑ Kautz 2022, p. 109.
  44. ↑ Russell & Norvig 2021, p. 22.
  45. ↑ McCorduck 2004, pp. 266–276, 298–300, 314, 421.
  46. ↑ Russell & Norvig 2003, pp. 22–23.
  47. ↑ Russell & Norvig 2003, pp. 22–24.
  48. ↑ McCorduck 2004, pp. 327–335, 434–435.
  49. ↑ Crevier 1993, pp. 145–62, 197–203.
  50. ↑ Norvig 2022, p. 23.
  51. ↑ 51.0 51.1 Clancey 1987.
  52. ↑ Kautz 2022, p. 110.
  53. ↑ 53.0 53.1 ACM का संचार. S2CID 10239007 https://cacm.acm.org/magazines/2010/6/92472-an-interview-with-ed-feigenbaum/fulltext. {{cite journal}}: Missing or empty |title= (help); Unknown parameter |अंक= ignored (help); Unknown parameter |अंतिम= ignored (help); Unknown parameter |आईएसएसएन= ignored (help); Unknown parameter |एक्सेसडेट= ignored (help); Unknown parameter |दिनांक= ignored (help); Unknown parameter |दोई= ignored (help); Unknown parameter |पहला= ignored (help); Unknown parameter |पृष्ठ= ignored (help); Unknown parameter |वॉल्यूम= ignored (help); Unknown parameter |शीर्षक= ignored (help)
  54. ↑ Russell & Norvig 2021, p. 23.
  55. ↑ "The fascination with AI: what is artificial intelligence?". IONOS Digitalguide (in English). Retrieved 2021-12-02.
  56. ↑ Hayes-Roth, Murray & Adelman.
  57. ↑ Hayes-Roth, Barbara (1985). "नियंत्रण के लिए एक ब्लैकबोर्ड वास्तुकला". Artificial Intelligence. 26 (3): 251–321. doi:10.1016/0004-3702(85)90063-3.
  58. ↑ Hayes-Roth, Barbara (1980). मानव नियोजन प्रक्रियाएं. RAND.
  59. ↑ Pearl 1988.
  60. ↑ Spiegelhalter et al. 1993.
  61. ↑ Russell & Norvig 2021, pp. 335–337.
  62. ↑ Russell & Norvig 2021, p. 459.
  63. ↑ Quinlan, J. Ross. "Chapter 15: Learning Efficient Classification Procedures and their Application to Chess End Games". In Michalski, Carbonell & Mitchell (1983).
  64. ↑ Quinlan, J. Ross (1992-10-15). C4.5: Programs for Machine Learning (1st ed.). San Mateo, Calif: Morgan Kaufmann. ISBN 978-1-55860-238-0.
  65. ↑ Mitchell, Tom M.; Utgoff, Paul E.; Banerji, Ranan. "Chapter 6: Learning by Experimentation: Acquiring and Refining Problem-Solving Heuristics". In Michalski, Carbonell & Mitchell (1983).
  66. ↑ Valiant, L. G. (1984-11-05). "सीखने वालों का एक सिद्धांत". Communications of the ACM. 27 (11): 1134–1142. doi:10.1145/1968.1972. ISSN 0001-0782. S2CID 12837541. Retrieved 2022-08-19.
  67. ↑ Koedinger, K. R.; Anderson, J. R.; Hadley, W. H.; Mark, M. A.; others (1997). "बुद्धिमान ट्यूशन बड़े शहर के स्कूल में जाता है". International Journal of Artificial Intelligence in Education (IJAIED). 8: 30–43. Retrieved 2012-08-18.
  68. ↑ Shapiro, Ehud Y (1981). "मॉडल अनुमान प्रणाली". Proceedings of the 7th international joint conference on Artificial intelligence. IJCAI. Vol. 2. p. 1064.
  69. ↑ Manna, Zohar; Waldinger, Richard (1980-01-01). "कार्यक्रम संश्लेषण के लिए एक निगमनात्मक दृष्टिकोण". ACM Trans. Program. Lang. Syst. 2: 90–121. doi:10.1145/357084.357090. S2CID 14770735.
  70. ↑ Schank, Roger C. (1983-01-28). Dynamic Memory: A Theory of Reminding and Learning in Computers and People. Cambridge Cambridgeshire : New York: Cambridge University Press. ISBN 978-0-521-27029-8.
  71. ↑ Hammond, Kristian J. (1989-04-11). Case-Based Planning: Viewing Planning as a Memory Task. Boston: Academic Press. ISBN 978-0-12-322060-8.
  72. ↑ Koza, John R. (1992-12-11). Genetic Programming: On the Programming of Computers by Means of Natural Selection (1st ed.). Cambridge, Mass: A Bradford Book. ISBN 978-0-262-11170-6.
  73. ↑ Mostow, David Jack. "Chapter 12: Machine Transformation of Advice into a Heuristic Search Procedure". In Michalski, Carbonell & Mitchell (1983).
  74. ↑ Bareiss, Ray; Porter, Bruce; Wier, Craig. "Chapter 4: Protos: An Exemplar-Based Learning Apprentice". In Michalski, Carbonell & Mitchell (1986), pp. 112-139.
  75. ↑ Carbonell, Jaime. "Chapter 5: Learning by Analogy: Formulating and Generalizing Plans from Past Experience". In Michalski, Carbonell & Mitchell (1983), pp. 137-162.
  76. ↑ Carbonell, Jaime. "Chapter 14: Derivational Analogy: A Theory of Reconstructive Problem Solving and Expertise Acquisition". In Michalski, Carbonell & Mitchell (1986), pp. 371-392.
  77. ↑ Mitchell, Tom; Mabadevan, Sridbar; Steinberg, Louis. "Chapter 10: LEAP: A Learning Apprentice for VLSI Design". In Kodratoff & Michalski (1990), pp. 271-289.
  78. ↑ Lenat, Douglas. "Chapter 9: The Role of Heuristics in Learning by Discovery: Three Case Studies". In Michalski, Carbonell & Mitchell (1983), pp. 243-306.
  79. ↑ Korf, Richard E. (1985). मैक्रो-ऑपरेटरों की खोज करके समस्याओं को हल करना सीखना. Research Notes in Artificial Intelligence. Pitman Publishing. ISBN 0-273-08690-1.
  80. ↑ Valiant 2008.
  81. ↑ Garcez et al. 2015.
  82. ↑ Marcus 2020, p. 44.
  83. ↑ Marcus 2020, p. 17.
  84. ↑ 84.0 84.1 Rossi 2022.
  85. ↑ 85.0 85.1 Selman 2022.
  86. ↑ Garcez & Lamb 2020, p. 2.
  87. ↑ Garcez et al. 2002.
  88. ↑ Garsez et al. 2015.
  89. ↑ Rocktäschel, Tim; Riedel, Sebastian (2016). "न्यूरल थ्योरम प्रोवर्स के साथ लर्निंग नॉलेज बेस इन्वेंशन". Proceedings of the 5th Workshop on Automated Knowledge Base Construction. San Diego, CA: Association for Computational Linguistics. pp. 45–50. doi:10.18653/v1/W16-1309. Retrieved 2022-08-06.
  90. ↑ Serafini, Luciano; Garcez, Artur d'Avila (2016), Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge, arXiv:1606.04422
  91. ↑ Kiczales, Gregor; Rivieres, Jim des; Bobrow, Daniel G. (1991-07-30). मेटाऑब्जेक्ट प्रोटोकॉल की कला (1st ed.). Cambridge, Mass: The MIT Press. ISBN 978-0-262-61074-2.
  92. ↑ Motik, Boris; Shearer, Rob; Horrocks, Ian (2009-10-28). "विवरण लॉजिक के लिए हाइपरटेलॉ रीज़निंग". Journal of Artificial Intelligence Research. 36: 165–228. arXiv:1401.3485. doi:10.1613/jair.2811. ISSN 1076-9757. S2CID 190609.
  93. ↑ Kuipers, Benjamin (1994). Qualitative Reasoning: Modeling and Simulation with Incomplete Knowledge. MIT Press. ISBN 978-0-262-51540-5.
  94. ↑ Russell & Norvig 2021.
  95. ↑ Nilsson 1998, p. 7.
  96. ↑ Olazaran 1993, pp. 411–416.
  97. ↑ Olazaran 1993, pp. 415–416.
  98. ↑ Marcus 2022.
  99. ↑ Garcez & Lamb 2020, p. 8.
  100. ↑ Russell & Norvig 2021, p. 981.
  101. ↑ Turing 1950, p. 452.
  102. ↑ 102.0 102.1 102.2 102.3 Russell & Norvig 2021, p. 982.
  103. ↑ Brooks 1991, p. 143.
  104. ↑ Brooks 1991, p. 151.
  105. ↑ Brooks 1991, p. 150.
  106. ↑ Brooks 1991, p. 142.


संदर्भ

Retrieved from ‘https://www.vigyanwiki.in/index.php?title=प्रतीकात्मक_कृत्रिम_बुद्धि&oldid=197963’