कृत्रिम होशियारी

कृत्रिम बुद्धि (एआई), जिसे कभी-कभी मशीन इंटेलिजेंस कहा जाता है, इंसानों और अन्य जानवरों द्वारा प्रदर्शित प्राकृतिक खुफिया के विपरीत मशीनों द्वारा प्रदर्शित खुफिया जानकारी है। कंप्यूटर विज्ञान में एआई शोध को “बुद्धिमान एजेंटों” के अध्ययन के रूप में परिभाषित किया जाता है: कोई भी उपकरण जो अपने पर्यावरण को समझता है और ऐसे कार्यों को लेता है जो अपने लक्ष्यों को सफलतापूर्वक प्राप्त करने के अपने मौके को अधिकतम करते हैं। बोलचाल से, “कृत्रिम बुद्धि” शब्द लागू होता है जब एक मशीन “संज्ञानात्मक” कार्यों की नकल करती है जो मनुष्यों को अन्य मानव मस्तिष्क, जैसे “सीखने” और “समस्या निवारण” के साथ जोड़ती है।

एआई का दायरा विवादित है: चूंकि मशीनें तेजी से सक्षम हो जाती हैं, इसलिए “खुफिया” की आवश्यकता के रूप में विचार किए जाने वाले कार्यों को अक्सर परिभाषा से हटा दिया जाता है, एआई प्रभाव के रूप में जाना जाने वाली एक घटना, जो कूड़े की ओर अग्रसर होती है, “एआई जो कुछ भी नहीं किया गया है “[उद्धरण नहीं मिला] उदाहरण के लिए, ऑप्टिकल कैरेक्टर मान्यता को अक्सर” कृत्रिम बुद्धि “से बाहर रखा जाता है, जो एक नियमित तकनीक बन जाता है। आम तौर पर एआई के रूप में वर्गीकृत आधुनिक मशीन क्षमताओं में मानव भाषण को सफलतापूर्वक समझना शामिल है, रणनीतिक गेम सिस्टम (जैसे शतरंज और गो) में उच्चतम स्तर पर प्रतिस्पर्धा करना, स्वायत्त रूप से कारों का संचालन करना, और सामग्री वितरण नेटवर्क और सैन्य सिमुलेशन में बुद्धिमान रूटिंग।

कृत्रिम बुद्धि की स्थापना 1 9 56 में एक अकादमिक अनुशासन के रूप में की गई थी, और सालों से आशावाद की कई लहरों का अनुभव हुआ है, इसके बाद निराशा और वित्त पोषण (जिसे “एआई सर्दी” कहा जाता है) के बाद, नए दृष्टिकोण, सफलता और नवीनीकृत वित्त पोषण के बाद । अपने अधिकांश इतिहास के लिए, एआई अनुसंधान को उप-क्षेत्रों में विभाजित किया गया है जो अक्सर एक-दूसरे के साथ संवाद करने में विफल रहते हैं। ये उप-क्षेत्र तकनीकी विचारों पर आधारित होते हैं, जैसे कि विशेष लक्ष्यों (जैसे “रोबोटिक्स” या “मशीन लर्निंग”), विशेष उपकरण (“तर्क” या कृत्रिम तंत्रिका नेटवर्क), या गहरे दार्शनिक मतभेदों का उपयोग। उप-क्षेत्र सामाजिक कारकों (विशेष संस्थानों या विशेष शोधकर्ताओं के काम) पर भी आधारित हैं।

एआई अनुसंधान की पारंपरिक समस्याओं (या लक्ष्यों) में तर्क, ज्ञान प्रतिनिधित्व, योजना, सीखना, प्राकृतिक भाषा प्रसंस्करण, धारणा और वस्तुओं को स्थानांतरित करने और कुशलतापूर्वक उपयोग करने की क्षमता शामिल है। सामान्य खुफिया क्षेत्र के दीर्घकालिक लक्ष्यों में से एक है। दृष्टिकोण में सांख्यिकीय विधियां, कम्प्यूटेशनल इंटेलिजेंस और पारंपरिक प्रतीकात्मक एआई शामिल हैं। एआई में कई टूल का उपयोग किया जाता है, जिसमें खोज और गणितीय अनुकूलन, कृत्रिम तंत्रिका नेटवर्क, और आंकड़े, संभाव्यता और अर्थशास्त्र के आधार पर विधियों के संस्करण शामिल हैं। एआई क्षेत्र कंप्यूटर विज्ञान, सूचना इंजीनियरिंग, गणित, मनोविज्ञान, भाषाविज्ञान, दर्शन, और कई अन्य लोगों पर आकर्षित करता है।

इस क्षेत्र पर इस क्षेत्र की स्थापना की गई थी कि मानव खुफिया “को इतना सटीक रूप से वर्णित किया जा सकता है कि इसे अनुकरण करने के लिए एक मशीन बनाई जा सकती है”। यह मन की प्रकृति और कृत्रिम प्राणियों को मानव-जैसी बुद्धि के साथ संपन्न करने के नैतिकता के बारे में दार्शनिक तर्क उठाता है, जो प्राचीन काल से मिथक, कथा और दर्शन द्वारा खोजे गए मुद्दे हैं। कुछ लोग एआई को मानवीयता के लिए खतरा मानते हैं, अगर यह अनावश्यक प्रगति करता है। अन्य मानते हैं कि एआई, पिछले तकनीकी क्रांति के विपरीत, बड़े पैमाने पर बेरोजगारी का खतरा पैदा करेगा। हालांकि Google एआई विकसित करने के लिए वैश्विक प्रतियोगिता की मेजबानी कर रहा है जो मानवता के लिए फायदेमंद है

इक्कीसवीं शताब्दी में, एआई तकनीकों ने कम्प्यूटर पावर, डेटा की बड़ी मात्रा और सैद्धांतिक समझ में समवर्ती प्रगति के बाद पुनरुत्थान का अनुभव किया है; और एआई तकनीकें प्रौद्योगिकी उद्योग का एक अनिवार्य हिस्सा बन गई हैं, जो कंप्यूटर विज्ञान, सॉफ्टवेयर इंजीनियरिंग और संचालन अनुसंधान में कई चुनौतीपूर्ण समस्याओं को हल करने में मदद करती है।

दृष्टिकोण
कोई स्थापित एकीकृत सिद्धांत या प्रतिमान नहीं है जो एआई अनुसंधान का मार्गदर्शन करता है। शोधकर्ता कई मुद्दों से असहमत हैं। अनुत्तरित बने रहने वाले सबसे लंबे समय तक चलने वाले कुछ प्रश्न ये हैं: क्या कृत्रिम बुद्धिमान मनोविज्ञान या न्यूरबायोलॉजी का अध्ययन करके प्राकृतिक खुफिया अनुकरण करना चाहिए? या मानव जीवविज्ञान एआई अनुसंधान के लिए अप्रासंगिक है क्योंकि पक्षी जीवविज्ञान वैमानिकी इंजीनियरिंग के लिए है? सरल, सुरुचिपूर्ण सिद्धांतों (जैसे तर्क या अनुकूलन) का उपयोग करके बुद्धिमान व्यवहार का वर्णन किया जा सकता है? या क्या यह जरूरी है कि पूरी तरह से असंबद्ध समस्याओं की बड़ी संख्या को हल करने की आवश्यकता हो?

साइबरनेटिक्स और मस्तिष्क सिमुलेशन
1 9 40 और 1 9 50 के दशक में, कई शोधकर्ताओं ने न्यूरबायोलॉजी, सूचना सिद्धांत और साइबरनेटिक्स के बीच संबंधों की खोज की। उनमें से कुछ ने मशीनों का निर्माण किया जो डब्ल्यू ग्रे ग्रे वाल्टर के कछुए और जॉन्स हॉपकिन्स बीस्ट जैसे प्राथमिक बुद्धि का प्रदर्शन करने के लिए इलेक्ट्रॉनिक नेटवर्क का इस्तेमाल करते थे। इनमें से कई शोधकर्ता प्रिंसटन विश्वविद्यालय में टेलीोलॉजिकल सोसाइटी की बैठकों और इंग्लैंड में अनुपात क्लब के लिए एकत्र हुए। 1 9 60 तक, इस दृष्टिकोण को काफी हद तक त्याग दिया गया था, हालांकि इसके तत्व 1 9 80 के दशक में पुनर्जीवित किए जाएंगे।

प्रतीकात्मक
1 9 50 के दशक के मध्य में डिजिटल कंप्यूटर तक पहुंच संभव हो गई, एआई शोध ने इस संभावना का पता लगाना शुरू किया कि मानव खुफिया को प्रतीक हेरफेर में कम किया जा सकता है। शोध तीन संस्थानों में केंद्रित था: कार्नेगी मेलॉन विश्वविद्यालय, स्टैनफोर्ड और एमआईटी, और जैसा कि नीचे वर्णित है, प्रत्येक ने अपनी शोध की अपनी शैली विकसित की है। जॉन हौगलैंड ने एआई “अच्छे पुराने फैशन एआई” या “जीओएफएआई” के लिए इन प्रतीकात्मक दृष्टिकोणों का नाम दिया। 1 9 60 के दशक के दौरान, प्रतीकात्मक दृष्टिकोणों ने छोटे प्रदर्शन कार्यक्रमों में उच्च स्तरीय सोच को अनुकरण करने में बड़ी सफलता हासिल की थी। साइबरनेटिक्स या कृत्रिम तंत्रिका नेटवर्क के आधार पर दृष्टिकोण को छोड़ दिया गया या पृष्ठभूमि में धकेल दिया गया। 1 9 60 और 1 9 70 के दशक में शोधकर्ताओं को आश्वस्त किया गया कि प्रतीकात्मक दृष्टिकोण अंततः कृत्रिम सामान्य बुद्धि के साथ एक मशीन बनाने में सफल होंगे और इसे अपने क्षेत्र का लक्ष्य माना जाएगा।

संज्ञानात्मक सिमुलेशन
अर्थशास्त्री हर्बर्ट साइमन और एलन न्यूवेल ने मानव समस्या सुलझाने के कौशल का अध्ययन किया और उन्हें औपचारिक बनाने का प्रयास किया, और उनके काम ने कृत्रिम बुद्धि के क्षेत्र की नींव रखी, साथ ही साथ संज्ञानात्मक विज्ञान, संचालन अनुसंधान और प्रबंधन विज्ञान। उनकी शोध टीम ने उन कार्यक्रमों को विकसित करने के लिए मनोवैज्ञानिक प्रयोगों के परिणामों का उपयोग किया जो उन समस्याओं को अनुकरण करते थे जो लोग समस्याओं को हल करने के लिए उपयोग करते थे। कार्नेगी मेलॉन विश्वविद्यालय में केंद्रित यह परंपरा आखिरकार 1 9 80 के दशक के मध्य में सौर वास्तुकला के विकास में समाप्त हो जाएगी।

तर्क के आधार पर
साइमन और न्यूवेल के विपरीत, जॉन मैककार्थी ने महसूस किया कि मशीनों को मानव विचारों को अनुकरण करने की आवश्यकता नहीं है, लेकिन इसके बजाय लोगों ने समान एल्गोरिदम का उपयोग किए बिना, अमूर्त तर्क और समस्या सुलझाने के सार को खोजने का प्रयास किया जाना चाहिए। स्टैनफोर्ड (सेल) में उनकी प्रयोगशाला ने ज्ञान प्रतिनिधित्व, योजना और सीखने सहित विभिन्न प्रकार की समस्याओं को हल करने के लिए औपचारिक तर्क का उपयोग करने पर ध्यान केंद्रित किया। तर्क यूरोप के एडिनबर्ग और अन्य जगहों पर भी काम का केंद्र था जिसने प्रोग्रामिंग भाषा प्रोलॉग और तर्क प्रोग्रामिंग के विज्ञान का विकास किया।

एंटी-लॉजिक या स्क्रूफी
एमआईटी (जैसे मार्विन मिन्स्की और सेमुर पैपर्ट) के शोधकर्ताओं ने पाया कि दृष्टि और प्राकृतिक भाषा प्रसंस्करण में मुश्किल समस्याओं को हल करने के लिए विज्ञापन-समाधान समाधान की आवश्यकता है – उन्होंने तर्क दिया कि कोई सरल और सामान्य सिद्धांत (तर्क की तरह) नहीं था जो सभी पहलुओं को पकड़ लेगा बुद्धिमान व्यवहार। रोजर शंक ने अपने “एंटी-लॉजिक” दृष्टिकोणों को “स्क्रूफी” के रूप में वर्णित किया (जैसा सीएमयू और स्टैनफोर्ड में “साफ” प्रतिमानों के विपरीत)। कॉमन्सेंस ज्ञान के आधार (जैसे डौग लेनैट के सीईसी) “स्क्रूफी” एआई का एक उदाहरण हैं, क्योंकि उन्हें एक समय में एक जटिल अवधारणा हाथ से बनाया जाना चाहिए।

ज्ञान आधारित
जब बड़ी यादें वाले कंप्यूटर 1 9 70 के आसपास उपलब्ध हो गए, तो तीनों परम्पराओं के शोधकर्ताओं ने एआई अनुप्रयोगों में ज्ञान बनाना शुरू कर दिया। इस “ज्ञान क्रांति” ने विशेषज्ञ प्रणालियों के विकास और तैनाती को बढ़ावा दिया (एडवर्ड फीगेनबाम द्वारा पेश किया गया), एआई सॉफ्टवेयर का पहला सचमुच सफल रूप है। सभी विशेषज्ञ प्रणालियों के लिए सिस्टम arhitecute पर मुख्य घटक ज्ञान आधार है, जो एआई को चित्रित करने वाले तथ्यों और नियमों को संग्रहीत करता है। ज्ञान क्रांति को यह भी अहसास से प्रेरित किया गया था कि कई सरल एआई अनुप्रयोगों द्वारा ज्ञान की भारी मात्रा की आवश्यकता होगी।

उप-प्रतीकात्मक
1 9 80 के दशक तक, प्रतीकात्मक एआई में प्रगति रोकने लगती थी और कई लोगों का मानना ​​था कि प्रतीकात्मक प्रणालियों मानव ज्ञान, विशेष रूप से धारणा, रोबोटिक्स, सीखने और पैटर्न पहचान की सभी प्रक्रियाओं का अनुकरण करने में सक्षम नहीं होंगे। कई शोधकर्ताओं ने विशिष्ट एआई समस्याओं के लिए “उप-प्रतीकात्मक” दृष्टिकोणों को देखना शुरू कर दिया। उप-प्रतीकात्मक तरीके ज्ञान के विशिष्ट प्रतिनिधित्व के बिना खुफिया जानकारी प्राप्त करने में कामयाब होते हैं।

अवशोषित बुद्धि
इसमें अवशोषित, स्थित, व्यवहार-आधारित, और न्यूवेल एआई शामिल है। रॉडनी ब्रूक्स जैसे रोबोटिक्स के संबंधित क्षेत्र के शोधकर्ताओं ने प्रतीकात्मक एआई को खारिज कर दिया और बुनियादी इंजीनियरिंग समस्याओं पर ध्यान केंद्रित किया जो रोबोटों को स्थानांतरित करने और जीवित रहने की अनुमति देंगे। उनके काम ने 1 9 50 के शुरुआती साइबरनेटिक्स शोधकर्ताओं के गैर-प्रतीकात्मक दृष्टिकोण को पुनर्जीवित किया और एआई में नियंत्रण सिद्धांत के उपयोग को पुन: प्रस्तुत किया। यह संज्ञानात्मक विज्ञान के संबंधित क्षेत्र में अवशोषित मन थीसिस के विकास के साथ हुआ: यह विचार कि उच्च बुद्धि के लिए शरीर के पहलुओं (जैसे आंदोलन, धारणा और दृश्यता) आवश्यक हैं।

विकासशील रोबोटिक्स के भीतर, रोबोटों को स्वायत्त आत्म-अन्वेषण, मानव शिक्षकों के साथ सामाजिक बातचीत, और मार्गदर्शन तंत्र (सक्रिय शिक्षा, परिपक्वता, मोटर सहकर्मियों, आदि) के उपयोग के माध्यम से उपन्यास कौशल के प्रदर्शन को जमा करने की अनुमति देने के लिए विकास संबंधी सीखने के दृष्टिकोणों का विस्तार किया जाता है।

कम्प्यूटेशनल इंटेलिजेंस और सॉफ्ट कंप्यूटिंग
1 9 80 के दशक के मध्य में डेविड रुमेलार्ट और अन्य ने तंत्रिका नेटवर्क और “कनेक्शनवाद” में रूचि को पुनर्जीवित किया था। कृत्रिम तंत्रिका नेटवर्क नरम कंप्यूटिंग का एक उदाहरण हैं — वे उन समस्याओं के समाधान हैं जिन्हें पूर्ण तार्किक निश्चितता के साथ हल नहीं किया जा सकता है, और जहां अनुमानित समाधान अक्सर पर्याप्त होता है। एआई के अन्य मुलायम कंप्यूटिंग दृष्टिकोणों में अस्पष्ट प्रणालियों, विकासवादी गणना और कई सांख्यिकीय उपकरण शामिल हैं। एआई को मुलायम कंप्यूटिंग के आवेदन को कम्प्यूटेशनल इंटेलिजेंस के उभरते अनुशासन द्वारा सामूहिक रूप से अध्ययन किया जाता है।

सांख्यिकीय सीखना
अधिकांश पारंपरिक जीओएफएआई ने अपने स्वयं के खिलौनों के मॉडल पर काम करने वाले प्रतीकात्मक गणना के लिए विज्ञापन पैच पर फंस गया लेकिन असली दुनिया के परिणामों को सामान्य बनाने में असफल रहा। हालांकि, 1 99 0 के दशक के आसपास, एआई शोधकर्ताओं ने प्रतिस्पर्धी आर्किटेक्चर की तुलना करने या एकजुट करने के लिए छिपे हुए मार्कोव मॉडल (एचएमएम), सूचना सिद्धांत, और मानक बेयसियन निर्णय सिद्धांत जैसे परिष्कृत गणितीय उपकरण अपनाए। साझा गणितीय भाषा ने अधिक स्थापित क्षेत्रों (जैसे गणित, अर्थशास्त्र या संचालन अनुसंधान) के साथ उच्च स्तर के सहयोग की अनुमति दी। जीओएफएआई की तुलना में, एचएमएम और तंत्रिका नेटवर्क जैसे नए “सांख्यिकीय सीखने” तकनीक डेटा खनन जैसे कई व्यावहारिक डोमेनों में सटीकता के उच्च स्तर प्राप्त कर रहे थे, बिना डेटासेट की अर्थपूर्ण समझ हासिल किए। असली दुनिया के डेटा के साथ बढ़ी हुई सफलताओं ने साझा परीक्षण डेटा के खिलाफ विभिन्न दृष्टिकोणों की तुलना करने पर जोर दिया जिससे यह देखने के लिए कि कौन सा दृष्टिकोण idiosyncratic खिलौने मॉडल द्वारा प्रदान किए गए व्यापक संदर्भ में सर्वोत्तम प्रदर्शन करता है; एआई अनुसंधान अधिक वैज्ञानिक बन रहा था। प्रयोगों के आजकल परिणाम अक्सर कठोर रूप से मापने योग्य होते हैं, और कभी-कभी (कठिनाई के साथ) पुनरुत्पादित होते हैं। विभिन्न सांख्यिकीय शिक्षण तकनीकों की अलग-अलग सीमाएं होती हैं; उदाहरण के लिए, मूल एचएमएम प्राकृतिक भाषा के अनंत संभावित संयोजनों का मॉडल नहीं कर सकता है। आलोचकों ने ध्यान दिया कि जीओएफएआई से सांख्यिकीय शिक्षा में बदलाव अक्सर स्पष्टीकरण योग्य एआई से दूर हो जाता है। एजीआई शोध में, कुछ विद्वान सांख्यिकीय सीखने पर अधिक निर्भरता के खिलाफ सावधानी बरतते हैं, और तर्क देते हैं कि सामान्य खुफिया जानकारी प्राप्त करने के लिए जीओएफएआई में निरंतर अनुसंधान आवश्यक होगा।

दृष्टिकोण को एकीकृत करना

इंटेलिजेंट एजेंट प्रतिमान
एक बुद्धिमान एजेंट एक ऐसी प्रणाली है जो अपने पर्यावरण को समझती है और कार्यवाही करती है जो सफलता की संभावनाओं को अधिकतम करती है। सबसे सरल बुद्धिमान एजेंट ऐसे प्रोग्राम होते हैं जो विशिष्ट समस्याओं को हल करते हैं। अधिक जटिल एजेंटों में इंसानों और मनुष्यों के संगठन शामिल हैं (जैसे फर्म)। प्रतिमान शोधकर्ताओं को पृथक समस्याओं के विभिन्न दृष्टिकोणों को सीधे तुलना करने या यहां तक ​​कि गठबंधन करने की अनुमति देता है, यह पूछकर कि कौन सा एजेंट किसी दिए गए “लक्ष्य कार्य” को अधिकतम करने के लिए सर्वोत्तम है। एक एजेंट जो एक विशिष्ट समस्या हल करता है वह किसी भी दृष्टिकोण का उपयोग कर सकता है जो काम करता है – कुछ एजेंट प्रतीकात्मक और तार्किक हैं, कुछ उप-प्रतीकात्मक कृत्रिम तंत्रिका नेटवर्क हैं और अन्य नए दृष्टिकोण का उपयोग कर सकते हैं। प्रतिमान शोधकर्ताओं को अन्य क्षेत्रों के साथ संवाद करने के लिए एक आम भाषा भी देता है – जैसे कि निर्णय सिद्धांत और अर्थशास्त्र- जो अमूर्त एजेंटों की अवधारणाओं का भी उपयोग करते हैं। एक पूर्ण एजेंट के निर्माण के लिए शोधकर्ताओं को एकीकरण की यथार्थवादी समस्याओं का समाधान करने की आवश्यकता होती है; उदाहरण के लिए, क्योंकि संवेदी प्रणाली पर्यावरण के बारे में अनिश्चित जानकारी देते हैं, नियोजन प्रणाली अनिश्चितता की उपस्थिति में कार्य करने में सक्षम होना चाहिए। 1 99 0 के दशक के दौरान बुद्धिमान एजेंट प्रतिमान व्यापक रूप से स्वीकार किया गया।
एजेंट आर्किटेक्चर और संज्ञानात्मक आर्किटेक्चर
शोधकर्ताओं ने बहु-एजेंट प्रणाली में बुद्धिमान एजेंटों से बातचीत करने से बुद्धिमान प्रणालियों का निर्माण करने के लिए सिस्टम तैयार किए हैं। एक पदानुक्रमिक नियंत्रण प्रणाली उप-प्रतीकात्मक एआई के बीच अपने सबसे निचले स्तर पर प्रतिक्रियाशील स्तर और पारंपरिक प्रतीकात्मक एआई के बीच एक पुल प्रदान करती है, जहां आराम से समय की बाधाओं की योजना नियोजन और विश्व मॉडलिंग परमिट होती है। कुछ संज्ञानात्मक आर्किटेक्चर एक संकीर्ण समस्या को हल करने के लिए कस्टम-निर्मित हैं; सोअर जैसे अन्य, मानव संज्ञान की नकल करने और सामान्य बुद्धि में अंतर्दृष्टि प्रदान करने के लिए डिज़ाइन किए गए हैं। सोअर के आधुनिक विस्तार हाइब्रिड बुद्धिमान सिस्टम हैं जिनमें प्रतीकात्मक और उप-प्रतीकात्मक दोनों घटक शामिल हैं।

उपकरण

एआई ने कंप्यूटर विज्ञान में सबसे कठिन समस्याओं को हल करने के लिए बड़ी संख्या में औजार विकसित किए हैं। इन तरीकों में से कुछ सामान्यों में से कुछ पर चर्चा की गई है।

खोज और अनुकूलन
एआई में कई समस्याओं को बुद्धिमानी से कई संभावित समाधानों के माध्यम से सिद्धांत में हल किया जा सकता है: एक खोज करने के लिए तर्क को कम किया जा सकता है। उदाहरण के लिए, लॉजिकल सबूत को पथ के लिए खोज के रूप में देखा जा सकता है जो परिसर से निष्कर्ष तक जाता है, जहां प्रत्येक चरण एक अनुमान नियम का उपयोग होता है। लक्ष्य एल्गोरिदम लक्ष्य और लक्ष्य के पेड़ों के माध्यम से खोजते हैं, लक्ष्य लक्ष्य के लिए पथ खोजने का प्रयास करते हैं, एक प्रक्रिया जिसे अर्थ-अंत विश्लेषण कहा जाता है। अंगों को पकड़ने और पकड़ने के लिए रोबोटिक्स एल्गोरिदम कॉन्फ़िगरेशन स्पेस में स्थानीय खोजों का उपयोग करते हैं। कई सीखने वाले एल्गोरिदम ऑप्टिमाइज़ेशन के आधार पर खोज एल्गोरिदम का उपयोग करते हैं।

अधिकांश वास्तविक दुनिया की समस्याओं के लिए सरल संपूर्ण खोज शायद ही कभी पर्याप्त होती हैं: खोज स्थान (खोज करने के लिए स्थानों की संख्या) तेजी से खगोलीय संख्याओं तक बढ़ता है। परिणाम एक ऐसी खोज है जो बहुत धीमी है या कभी पूर्ण नहीं होती है। समाधान, कई समस्याओं के लिए, “हेरिस्टिक्स” या “अंगूठे के नियम” का उपयोग करना है जो उन लोगों के पक्ष में विकल्प पसंद करते हैं जो लक्ष्य तक पहुंचने की अधिक संभावना रखते हैं और कम संख्या में ऐसा करने की संभावना रखते हैं। कुछ खोज पद्धतियों में हेरिस्टिक्स कुछ विकल्पों को पूरी तरह से खत्म करने के लिए भी काम कर सकता है, जो किसी लक्ष्य को जन्म देने की संभावना नहीं है (जिसे “खोज पेड़ काटने” कहा जाता है)। हेरिस्टिक इस मार्ग को उस मार्ग के लिए “सर्वश्रेष्ठ अनुमान” के साथ आपूर्ति करते हैं जिस पर समाधान स्थित है। हेरिस्टिक्स एक छोटे नमूना आकार में समाधान की खोज सीमित करते हैं।

1 99 0 के दशक में ऑप्टिमाइज़ेशन के गणितीय सिद्धांत के आधार पर एक बहुत ही अलग तरह की खोज प्रमुखता में आई। कई समस्याओं के लिए, खोज के किसी रूप के साथ खोज शुरू करना संभव है और फिर अनुमानित रूप से अनुमान को परिष्कृत करना संभव है जब तक कि कोई और परिशोधन नहीं किया जा सके। इन एल्गोरिदम को अंधेरे पहाड़ी चढ़ाई के रूप में देखा जा सकता है: हम परिदृश्य पर एक यादृच्छिक बिंदु पर खोज शुरू करते हैं, और फिर, कूद या कदम से, हम अपने अनुमान को ऊपर चढ़ते रहते हैं, जब तक कि हम शीर्ष तक नहीं पहुंच जाते। अन्य अनुकूलन एल्गोरिदम अनुकरण एनीलिंग, बीम खोज और यादृच्छिक अनुकूलन हैं।

विकासवादी गणना अनुकूलन खोज के एक रूप का उपयोग करती है। उदाहरण के लिए, वे जीवों की आबादी (अनुमान) से शुरू हो सकते हैं और फिर उन्हें प्रत्येक पीढ़ी (अनुमानों को परिष्कृत करने) के लिए केवल सबसे उपयुक्त चुनने का चयन करने और पुन: संयोजन करने की अनुमति देते हैं। क्लासिक विकासवादी एल्गोरिदम में अनुवांशिक एल्गोरिदम, जीन अभिव्यक्ति प्रोग्रामिंग, और जेनेटिक प्रोग्रामिंग शामिल हैं। वैकल्पिक रूप से, वितरित खोज प्रक्रियाएं स्वामी बुद्धिमान एल्गोरिदम के माध्यम से समन्वय कर सकती हैं। खोज में उपयोग किए जाने वाले दो लोकप्रिय झुंड एल्गोरिदम कण झुंड अनुकूलन (पक्षी झुकाव से प्रेरित) और चींटी कॉलोनी अनुकूलन (चींटी ट्रेल्स से प्रेरित) हैं।

तर्क
तर्क का उपयोग ज्ञान प्रतिनिधित्व और समस्या निवारण के लिए किया जाता है, लेकिन इसे अन्य समस्याओं पर भी लागू किया जा सकता है। उदाहरण के लिए, सैप्लान एल्गोरिदम योजना और अनिवार्य तर्क प्रोग्रामिंग के लिए तर्क का उपयोग करता है सीखने के लिए एक तरीका है।

एआई अनुसंधान में तर्क के कई अलग-अलग रूपों का उपयोग किया जाता है। प्रस्ताववादी तर्क में “या” और “नहीं” जैसे सत्य कार्य शामिल हैं। प्रथम क्रम तर्क मात्रात्मक और भविष्यवाणी करता है, और वस्तुओं, उनके गुणों, और एक दूसरे के साथ उनके संबंधों के बारे में तथ्यों को व्यक्त कर सकता है। अस्पष्ट सेट सिद्धांत “एलिस पुराना” (या समृद्ध, या लंबा, या भूखा) जैसे अस्पष्ट बयान के लिए “सत्य की डिग्री” (0 और 1 के बीच) को असाइन करता है जो बहुत ही भाषाई रूप से पूरी तरह सत्य या गलत होने के लिए अपरिचित हैं। फ़ज़ी लॉजिक का सफलतापूर्वक नियंत्रण प्रणाली में उपयोग किया जाता है ताकि विशेषज्ञों को अस्पष्ट नियमों का योगदान करने की अनुमति मिल सके जैसे कि “यदि आप गंतव्य स्टेशन के नजदीक हैं और तेजी से आगे बढ़ रहे हैं, तो ट्रेन के ब्रेक प्रेशर को बढ़ाएं”; इन अस्पष्ट नियमों को तब सिस्टम के भीतर संख्यात्मक रूप से परिष्कृत किया जा सकता है। अस्पष्ट तर्क ज्ञान अड्डों में अच्छी तरह से स्केल करने में विफल रहता है; कई एआई शोधकर्ता फजी-लॉजिक इनफॉर्मेंस को चेन करने की वैधता पर सवाल उठाते हैं।

डिफ़ॉल्ट तर्क, गैर-मोनोटोनिक लॉजिक और सर्कस्क्रिप्शन डिफ़ॉल्ट तर्क और योग्यता समस्या में सहायता के लिए डिज़ाइन किए गए तर्क के रूप हैं। तर्क के कई एक्सटेंशन ज्ञान के विशिष्ट डोमेन को संभालने के लिए डिज़ाइन किए गए हैं, जैसे: विवरण तर्क; स्थिति कैलकुस, घटना कैलकुंस और धाराप्रवाह कैलकुस (घटनाओं और समय का प्रतिनिधित्व करने के लिए); कारण गणना; विश्वास गणित; और मोडल तर्क।

कुल मिलाकर, गुणात्मक प्रतीकात्मक तर्क शोर या अन्य अनिश्चितता की उपस्थिति में खराब और तराजू है। नियमों के अपवाद कई हैं, और विरोधाभासी नियमों की उपस्थिति में लॉजिकल सिस्टम के लिए काम करना मुश्किल है।

अनिश्चित तर्क के लिए संभाव्य तरीकों
एआई (तर्क, नियोजन, सीखने, धारणा, और रोबोटिक्स में) में कई समस्याएं एजेंट को अपूर्ण या अनिश्चित जानकारी के साथ काम करने की आवश्यकता होती है। एआई शोधकर्ताओं ने संभाव्यता सिद्धांत और अर्थशास्त्र के तरीकों का उपयोग करके इन समस्याओं को हल करने के लिए कई शक्तिशाली उपकरण तैयार किए हैं।

बेयसियन नेटवर्क एक बहुत ही सामान्य उपकरण हैं जिनका उपयोग बड़ी संख्या में समस्याओं के लिए किया जा सकता है: तर्क (बेयसियन अनुमान एल्गोरिदम का उपयोग करके), सीखना (अपेक्षा-अधिकतमकरण एल्गोरिदम का उपयोग करना), नियोजन (निर्णय नेटवर्क का उपयोग करना) और धारणा (गतिशील बेयसियन नेटवर्क का उपयोग करना )। संभाव्य एल्गोरिदम का उपयोग फ़िल्टरिंग, भविष्यवाणी, चिकनाई और डेटा की धाराओं के लिए स्पष्टीकरण खोजने के लिए भी किया जा सकता है, जो समय के साथ होने वाली प्रक्रियाओं का विश्लेषण करने के लिए धारणा प्रणाली की सहायता करता है (उदाहरण के लिए, छुपा मार्कोव मॉडल या कलमैन फ़िल्टर)। प्रतीकात्मक तर्क की तुलना में, औपचारिक Bayesian अनुमान कम्प्यूटेशनल महंगा है। प्रक्षेपण योग्यता के लिए, अधिकांश अवलोकन एक दूसरे से सशर्त रूप से स्वतंत्र होना चाहिए। हीरे या अन्य “लूप” (अप्रत्यक्ष चक्र) के साथ जटिल ग्राफों को मार्कोव चेन मोंटे कार्लो जैसी परिष्कृत विधि की आवश्यकता हो सकती है, जो बेयसियन नेटवर्क में यादृच्छिक वॉकर के एक समूह को फैलता है और सशर्त संभावनाओं के आकलन के लिए अभिसरण करने का प्रयास करता है। खिलाड़ियों को रेट करने और मैच करने के लिए बेयसियन नेटवर्क का उपयोग Xbox लाइव पर किया जाता है; जीत और नुकसान “सबूत” हैं कि खिलाड़ी कितना अच्छा है। ऐडसेंस 300,000 से अधिक किनारों के साथ एक बेयसियन नेटवर्क का उपयोग करता है यह जानने के लिए कि कौन से विज्ञापन सेवा करते हैं।

अर्थशास्त्र के विज्ञान से एक महत्वपूर्ण अवधारणा “उपयोगिता” है: एक बुद्धिमान एजेंट के लिए कितना मूल्यवान है इसका एक उपाय। सटीक गणितीय उपकरण विकसित किए गए हैं जो विश्लेषण करते हैं कि कोई निर्णय निर्णय सिद्धांत, निर्णय विश्लेषण और सूचना मूल्य सिद्धांत का उपयोग करके विकल्प और योजना कैसे बना सकता है। इन उपकरणों में मार्कोव निर्णय प्रक्रियाओं, गतिशील निर्णय नेटवर्क, गेम सिद्धांत और तंत्र डिजाइन जैसे मॉडल शामिल हैं।

क्लासिफायर और सांख्यिकीय शिक्षण विधियां
सबसे सरल एआई अनुप्रयोगों को दो प्रकारों में विभाजित किया जा सकता है: क्लासिफायर (“यदि चमकदार तोरा”) और नियंत्रक (“यदि चमकदार है तो उठाएं”)। हालांकि, नियंत्रक कार्यवाही करने से पहले शर्तों को वर्गीकृत करते हैं, और इसलिए वर्गीकरण कई एआई सिस्टमों का एक केंद्रीय हिस्सा बनता है। क्लासिफायर ऐसे कार्य होते हैं जो निकटतम मिलान निर्धारित करने के लिए पैटर्न मिलान का उपयोग करते हैं। उन्हें उदाहरणों के अनुसार ट्यून किया जा सकता है, जिससे उन्हें एआई में उपयोग के लिए बहुत आकर्षक बना दिया जा सकता है। इन उदाहरणों को अवलोकन या पैटर्न के रूप में जाना जाता है। पर्यवेक्षित शिक्षा में, प्रत्येक पैटर्न एक निश्चित पूर्वनिर्धारित वर्ग से संबंधित है। एक वर्ग को एक निर्णय के रूप में देखा जा सकता है जिसे बनाना है। अपने वर्ग लेबल के साथ संयुक्त सभी अवलोकन डेटा सेट के रूप में जाना जाता है। जब एक नया अवलोकन प्राप्त होता है, तो उस अवलोकन को पिछले अनुभव के आधार पर वर्गीकृत किया जाता है।

एक वर्गीकरण को विभिन्न तरीकों से प्रशिक्षित किया जा सकता है; कई सांख्यिकीय और मशीन सीखने के दृष्टिकोण हैं। निर्णय पेड़ शायद सबसे व्यापक रूप से इस्तेमाल किया जाने वाला मशीन सीखने वाला एल्गोरिदम है। अन्य व्यापक रूप से उपयोग किए जाने वाले क्लासिफायर तंत्रिका नेटवर्क, के-निकटतम पड़ोसी एल्गोरिदम, कर्नेल विधियों जैसे समर्थन वेक्टर मशीन (एसवीएम), गॉसियन मिश्रण मॉडल, और बेहद लोकप्रिय बेवकूफ बेयस वर्गीकृत हैं। वर्गीकृत प्रदर्शन वर्गीकृत करने के लिए डेटा की विशेषताओं पर निर्भर करता है, जैसे डेटासेट आकार, आयामता, और शोर का स्तर। मॉडल आधारित क्लासिफायर अच्छा प्रदर्शन करते हैं यदि माना गया मॉडल वास्तविक डेटा के लिए बेहद अच्छा फिट है। अन्यथा, यदि कोई मिलान मॉडल उपलब्ध नहीं है, और यदि सटीकता (गति या स्केलेबिलिटी की बजाय) एकमात्र चिंता है, पारंपरिक ज्ञान यह है कि भेदभावपूर्ण क्लासिफायर (विशेष रूप से एसवीएम) मॉडल आधारित क्लासिफायरों जैसे “बेवकूफ बेयस” से अधिक सटीक होते हैं। सबसे व्यावहारिक डेटा सेट पर।

कृत्रिम तंत्रिका प्रसार
तंत्रिका नेटवर्क, या तंत्रिका जाल, मानव मस्तिष्क में न्यूरॉन्स की वास्तुकला से प्रेरित थे। एक सरल “न्यूरॉन” एन कई अन्य न्यूरॉन्स से इनपुट स्वीकार करता है, जिनमें से प्रत्येक सक्रिय होने पर (या “निकाल दिया जाता है), न्यूरॉन एन को स्वयं सक्रिय करने के लिए या उसके खिलाफ भारित” वोट “डाला जाता है। प्रशिक्षण डेटा के आधार पर इन वजनों को समायोजित करने के लिए सीखने के लिए एल्गोरिदम की आवश्यकता होती है; एक सरल एल्गोरिदम (जिसे एक साथ आग लगती है, एक साथ तार “) दो कनेक्टेड न्यूरॉन्स के बीच वजन बढ़ाने के लिए होता है जब एक सक्रियण दूसरे के सफल सक्रियण को ट्रिगर करता है। शुद्ध रूप “अवधारणाएं” जो साझा न्यूरॉन्स के एक सबनेटवर्क के बीच वितरित की जाती हैं जो एक साथ आग लगती हैं; “पैर” का एक अवधारणा एक सबनेटवर्क के साथ जोड़ा जा सकता है जिसका अर्थ है “पैर” जिसमें “पैर” के लिए ध्वनि शामिल है। न्यूरॉन्स सक्रियण का निरंतर स्पेक्ट्रम है; इसके अलावा, न्यूरॉन्स सरल वोटों के वजन के बजाय इनपुट को गैर-लाइनर तरीके से संसाधित कर सकते हैं। आधुनिक तंत्रिका जाल निरंतर कार्य और आश्चर्यजनक रूप से, डिजिटल लॉजिकल ऑपरेशंस दोनों सीख सकते हैं। तंत्रिका नेटवर्क की शुरुआती सफलताओं में शेयर बाजार की भविष्यवाणी और (1 99 5 में) ज्यादातर स्व-ड्राइविंग कार शामिल थी। 2010 के दशक में, गहरी शिक्षा का उपयोग करते हुए तंत्रिका नेटवर्क में प्रगति ने व्यापक सार्वजनिक चेतना में एआई को जोर दिया और कॉर्पोरेट एआई खर्च में भारी उछाल में योगदान दिया; उदाहरण के लिए, 2017 में एआई से संबंधित एम एंड ए 2015 में 25 गुना अधिक था।

वाल्टर पिट्स और वॉरेन मैककुलच के काम में, एआई शोध के क्षेत्र की स्थापना के पहले एक दशक में गैर-सीखने वाले कृत्रिम तंत्रिका नेटवर्क का अध्ययन शुरू हुआ था। फ्रैंक रोसेनब्लैट ने रेसेप्ट्रॉन का आविष्कार किया, एक परत के साथ एक सीखने वाला नेटवर्क, रैखिक प्रतिगमन की पुरानी अवधारणा के समान। शुरुआती अग्रदूतों में एलेक्सी ग्रिगोरेविच इवाखनेन्को, टीवो कोहोनन, स्टीफन ग्रॉसबर्ग, कुनीहिको फुकुशिमा, क्रिस्टोफ वॉन डेर माल्सबर्ग, डेविड विल्शॉ, शुन-इची अमारी, बर्नार्ड बिड्रो, जॉन हॉपफील्ड, एडुआर्डो आर कैआएनियेलो और अन्य शामिल हैं।

नेटवर्क की मुख्य श्रेणियां विश्वकोश या फीडफोर्ड न्यूरल नेटवर्क (जहां संकेत केवल एक दिशा में गुजरता है) और पुनरावर्ती तंत्रिका नेटवर्क (जो पिछले इनपुट घटनाओं की प्रतिक्रिया और अल्पकालिक यादों को अनुमति देता है) हैं। सबसे लोकप्रिय फीडफोर्ड नेटवर्कों में सेसेप्ट्रॉन, मल्टी-लेयर प्रेसेप्ट्रॉन और रेडियल आधार नेटवर्क हैं। तंत्रिका नेटवर्क बुद्धिमान नियंत्रण (रोबोटिक्स के लिए) या सीखने की समस्या पर लागू किया जा सकता है, जैसे कि हेबियन सीखने (“एक साथ आग, तार एक साथ”), जीएमडीएच या प्रतिस्पर्धी सीखने जैसी तकनीकों का उपयोग करना।

आज, तंत्रिका नेटवर्क अक्सर बैकप्रोपैगेशन एल्गोरिदम द्वारा प्रशिक्षित होते हैं, जो 1 9 70 से सितंबर के आसपास सेप्पो लिनिनेमा द्वारा प्रकाशित स्वचालित भेदभाव के विपरीत मोड के रूप में थे, और पॉल वेरबॉस द्वारा तंत्रिका नेटवर्क से पेश किया गया था।

पदानुक्रमित अस्थायी स्मृति एक दृष्टिकोण है जो नियोक्टेक्स के कुछ संरचनात्मक और एल्गोरिदमिक गुणों का मॉडल करता है।

संक्षेप में, अधिकांश तंत्रिका नेटवर्क एक हाथ से निर्मित तंत्रिका टोपोलॉजी पर ढाल के वंशज के कुछ रूप का उपयोग करते हैं। हालांकि, उबर जैसे कुछ शोध समूह तर्क देते हैं कि नए तंत्रिका नेटवर्क टोपोलॉजीज और वजन को बदलने के लिए सरल न्यूरोविवल्यूशन परिष्कृत ढाल वाले वंश दृष्टिकोण के साथ प्रतिस्पर्धी हो सकता है। न्यूरोइवल्यूशन का एक फायदा यह है कि “मृत सिरों” में पकड़े जाने के लिए यह कम प्रवण हो सकता है।

गहरी feedforward तंत्रिका नेटवर्क
गहरी शिक्षा कोई कृत्रिम तंत्रिका नेटवर्क है जो कारण लिंक की एक लंबी श्रृंखला सीख सकता है। उदाहरण के लिए, छः छिपी हुई परतों वाला एक फीडफोर्ड नेटवर्क सात-लिंक कारण श्रृंखला (छः छिपी परतें + आउटपुट परत) सीख सकता है और इसमें “क्रेडिट असाइनमेंट पथ” (सीएपी) गहराई सात है। कई गहरी शिक्षा प्रणालियों को लंबाई में दस या अधिक कारण लिंक सीखने में सक्षम होना चाहिए। गहरी शिक्षा ने कृत्रिम बुद्धि के कई महत्वपूर्ण उप-क्षेत्रों को बदल दिया है, जिनमें कंप्यूटर दृष्टि, भाषण मान्यता, प्राकृतिक भाषा प्रसंस्करण और अन्य शामिल हैं।

एक सिंहावलोकन के मुताबिक, “दीप लर्निंग” अभिव्यक्ति को 1 9 86 में रीना डेचटर द्वारा मशीन लर्निंग कम्युनिटी में पेश किया गया था और 2000 में इगोर ऐज़ेनबर्ग और सहकर्मियों ने इसे कृत्रिम तंत्रिका नेटवर्क के साथ पेश किया था। पहला कार्यात्मक डीप लर्निंग नेटवर्क एलेक्सी द्वारा प्रकाशित किया गया था 1 9 65 में ग्रिगोरेविच इवाखनेन्को और वीजी लपा। [पेज की आवश्यकता] इन नेटवर्कों को एक समय में एक परत को प्रशिक्षित किया जाता है। Ivakhnenko के 1 9 71 के पेपर आठ परतों के साथ एक गहरी feedforward multilayer perceptron के सीखने का वर्णन करता है, जो बाद में कई नेटवर्कों की तुलना में बहुत गहरा है। 2006 में, जेफरी हिनटन और रुस्लान सालाखुद्दीनोव द्वारा किए गए एक प्रकाशन ने एक समय में कई परतों वाले पूर्व-स्तर वाले फीडफोर्ड न्यूरल नेटवर्क्स (एफएनएन) एक परत की शुरुआत की, प्रत्येक परत को असुरक्षित प्रतिबंधित बोल्टज़मान मशीन के रूप में बदले में, फिर पर्यवेक्षित बैकप्रोपैगेशन का उपयोग करके फ़ाइन ट्यूनिंग। उथले कृत्रिम तंत्रिका नेटवर्क के समान, गहरे तंत्रिका नेटवर्क जटिल गैर-रैखिक संबंधों का मॉडल कर सकते हैं। पिछले कुछ वर्षों में, मशीन लर्निंग एल्गोरिदम और कंप्यूटर हार्डवेयर दोनों में प्रगति ने गहरे तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए और अधिक कुशल तरीकों का नेतृत्व किया है जिसमें गैर-रैखिक छिपी हुई इकाइयों और बहुत बड़ी आउटपुट परत की कई परतें हैं।

गहरी शिक्षा अक्सर संक्रामक तंत्रिका नेटवर्क (सीएनएन) का उपयोग करती है, जिनकी उत्पत्ति 1 9 80 में कुनीहिको फुकुशिमा द्वारा पेश की गई नियोकॉग्निट्रॉन पर वापस देखी जा सकती है। 1 9 8 9 में, यान लीकुन और सहयोगियों ने इस तरह के एक वास्तुकला में बैकप्रोपैगेशन लागू किया। 2000 के दशक की शुरुआत में, एक औद्योगिक अनुप्रयोग में सीएनएन ने पहले ही अमेरिका में लिखे गए सभी चेकों का अनुमानित 10% से 20% संसाधित किया था। 2011 से, जीपीयू पर सीएनएन के तेजी से कार्यान्वयन ने कई दृश्य पैटर्न मान्यता प्रतियोगिताओं जीती हैं।

12 संकल्पक परतों वाले सीएनएन का उपयोग डीपमिन्द के “अल्फागो ली” द्वारा सुदृढीकरण सीखने के साथ किया गया था, जो कार्यक्रम 2016 में शीर्ष गो चैंपियन को हराया था।

गहरे आवर्ती तंत्रिका नेटवर्क
प्रारंभ में, आवर्ती तंत्रिका नेटवर्क (आरएनएन) के साथ अनुक्रम सीखने के लिए गहरी शिक्षा भी लागू की गई थी जो सिद्धांत में हैं ट्यूरिंग पूर्ण है और इनपुट के मनमाने ढंग से अनुक्रमों को संसाधित करने के लिए मनमाने ढंग से प्रोग्राम चला सकता है। आरएनएन की गहराई असीमित है और इसके इनपुट अनुक्रम की लंबाई पर निर्भर करती है; इस प्रकार, एक आरएनएन गहरी शिक्षा का एक उदाहरण है। आरएनएन को ढाल वंश द्वारा प्रशिक्षित किया जा सकता है लेकिन गायब ढाल की समस्या से पीड़ित है। 1 99 2 में, यह दिखाया गया था कि आवर्ती तंत्रिका नेटवर्क के ढेर के असुरक्षित प्री-ट्रेनिंग गहरी अनुक्रमिक समस्याओं के बाद पर्यवेक्षित सीखने में तेजी ला सकते हैं।

कई शोधकर्ता अब 1 99 7 में होच्रेइटर और श्मिटहुबर द्वारा प्रकाशित लंबी शॉर्ट टर्म मेमोरी (एलएसटीएम) नेटवर्क नामक गहरी शिक्षा आवर्ती एनएन के रूपों का उपयोग करते हैं। एलएसटीएम को अक्सर कनेक्शनिस्ट टेम्पोरल वर्गीकरण (सीटीसी) द्वारा प्रशिक्षित किया जाता है। Google पर, माइक्रोसॉफ्ट और बायडू इस दृष्टिकोण ने भाषण मान्यता में क्रांति की है। उदाहरण के लिए, 2015 में, Google की भाषण मान्यता ने सीटीसी-प्रशिक्षित एलएसटीएम के माध्यम से 49% की नाटकीय प्रदर्शन कूद का अनुभव किया, जो अब Google Voice के माध्यम से अरबों स्मार्टफोन उपयोगकर्ताओं के लिए उपलब्ध है। Google ने मशीन अनुवाद, भाषा मॉडलिंग और बहुभाषी भाषा प्रसंस्करण में सुधार के लिए एलएसटीएम का भी उपयोग किया। सीएनएन के साथ संयुक्त एलएसटीएम ने भी स्वचालित छवि कैप्शनिंग और अन्य अनुप्रयोगों की एक बड़ी संख्या में सुधार किया।

प्रगति का मूल्यांकन
एआई, बिजली या भाप इंजन की तरह, एक सामान्य उद्देश्य प्रौद्योगिकी है। इस बात पर कोई सहमति नहीं है कि एआई किस प्रकार के कार्यों को एक्सेल करने के लिए प्रेरित करता है। जबकि अल्फाज़ेरो जैसी परियोजनाएं अपने ज्ञान को खरोंच से उत्पन्न करने में सफल रही हैं, कई अन्य मशीन लर्निंग परियोजनाओं के लिए बड़े प्रशिक्षण डेटासेट की आवश्यकता होती है। शोधकर्ता एंड्रयू एनजी ने “अंगूठे का अत्यधिक अपूर्ण नियम” के रूप में सुझाव दिया है, “लगभग एक सामान्य मनुष्य मानसिक सोच के एक सेकंड से भी कम समय के साथ कर सकता है, हम शायद अब या निकट भविष्य में एआई का उपयोग कर स्वचालित कर सकते हैं।” मोरावेक के विरोधाभास से पता चलता है कि एआई मनुष्यों को कई कार्यों में लगी है जो मानव मस्तिष्क विशेष रूप से अच्छी तरह से प्रदर्शन करने के लिए विकसित हुआ है।

खेल प्रगति की दर का आकलन करने के लिए एक अच्छी तरह से प्रचारित बेंचमार्क प्रदान करते हैं। 2016 के आसपास अल्फागो ने क्लासिकल बोर्ड-गेम बेंचमार्क के युग को करीब से लाया। अपूर्ण ज्ञान के खेल खेल सिद्धांत के क्षेत्र में एआई को नई चुनौतियां प्रदान करते हैं। स्टारक्राफ्ट जैसे ई-स्पोर्ट्स अतिरिक्त सार्वजनिक मानक प्रदान करते रहेंगे। कृत्रिम बुद्धि में अनुसंधान को बढ़ावा देने के लिए इमेजनेट चैलेंज जैसी कई प्रतियोगिताओं और पुरस्कार हैं। प्रतिस्पर्धा के मुख्य क्षेत्रों में सामान्य मशीन इंटेलिजेंस, वार्तालाप व्यवहार, डेटा खनन, रोबोट कार, और रोबोट सॉकर के साथ-साथ पारंपरिक गेम शामिल हैं।

“अनुकरण खेल” (1 9 50 ट्यूरिंग परीक्षण की व्याख्या जो यह आकलन करती है कि कोई कंप्यूटर मानव की नकल कर सकता है) आजकल एक सार्थक बेंचमार्क होने के लिए बहुत शोषक माना जाता है। ट्यूरिंग टेस्ट का व्युत्पन्न कम्प्यूटर और इंसानों के अलावा (कैप्चा) को बताने के लिए पूरी तरह से स्वचालित सार्वजनिक ट्यूरिंग परीक्षण है। जैसा कि नाम का तात्पर्य है, यह यह निर्धारित करने में मदद करता है कि उपयोगकर्ता एक वास्तविक व्यक्ति है और मानव के रूप में प्रस्तुत कंप्यूटर नहीं है।मानक ट्यूरिंग टेस्ट के विपरीत, कैप्चा को एक मशीन द्वारा प्रशासित किया जाता है और मानव द्वारा प्रशासित होने और मशीन को लक्षित करने के विरोध में मानव को लक्षित किया जाता है। एक कंप्यूटर उपयोगकर्ता को एक सरल परीक्षण पूरा करने के लिए कहता है, फिर उस परीक्षण के लिए ग्रेड उत्पन्न करता है। कंप्यूटर समस्या को हल करने में असमर्थ हैं, इसलिए सही समाधान समाधान लेने वाले व्यक्ति का नतीजा माना जाता है। एक सामान्य प्रकार का कैप्चा परीक्षण है जिसके लिए विकृत अक्षरों, संख्याओं या प्रतीकों को टाइप करना आवश्यक होता है जो एक कंप्यूटर द्वारा अविभाज्य छवि में दिखाई देते हैं।

प्रस्तावित “सार्वभौमिक खुफिया” परीक्षणों का लक्ष्य यह निर्धारित करना है कि मशीनों, मनुष्यों और यहां तक ​​कि गैर-मानव जानवरों को समस्या सेटों पर कितनी अच्छी तरह से प्रदर्शन करना संभव है। चरम पर, परीक्षण सूट में कोल्मोगोरोव जटिलता द्वारा भारित हर संभावित समस्या हो सकती है; दुर्भाग्यवश, इन समस्या सेटों को खराब पैटर्न-मिलान अभ्यासों का प्रभुत्व माना जाता है जहां एक ट्यूनेड एआई आसानी से मानव प्रदर्शन स्तर से अधिक हो सकती है।