आर्टिफिशियल इंटेलिजेंस (AI) बुद्धिमानी है। गैर-मानव जानवरों या मनुष्यों द्वारा प्रदर्शित बुद्धि के विपरीत, मशीनों द्वारा प्रदर्शित जानकारी, धारणा, संश्लेषण और अनुमान लगाना। उदाहरण कार्यों में यह किया जाता है जिसमें वाक् पहचान, कंप्यूटर दृष्टि, भाषाओं के बीच अनुवाद, साथ ही इनपुट के अन्य मानचित्रण शामिल हैं। एआई अनुप्रयोगों में उन्नत वेब खोज इंजन (जैसे, Google खोज), अनुशंसा प्रणाली (यूट्यूब, अमेज़ॅन और नेटफ्लिक्स द्वारा उपयोग किया जाता है), मानव भाषण को समझना (जैसे सिरी और एलेक्सा), स्व-ड्राइविंग कार (जैसे, वेमो), जनरेटिव या शामिल हैं। रचनात्मक उपकरण (चैटजीपीटी और एआई कला), स्वचालित निर्णय लेना, और रणनीतिक गेम सिस्टम (जैसे शतरंज और गो) में उच्चतम स्तर पर प्रतिस्पर्धा करना। जैसे-जैसे मशीनें तेजी से सक्षम होती जाती हैं, "बुद्धि" की आवश्यकता वाले कार्यों को अक्सर एआई की परिभाषा से हटा दिया जाता है, एक घटना जिसे एआई प्रभाव के रूप में जाना जाता है। उदाहरण के लिए, ऑप्टिकल कैरेक्टर रिकग्निशन को अक्सर एआई मानी जाने वाली चीजों से बाहर रखा जाता है, जो एक नियमित तकनीक बन गई है।
आर्टिफिशियल इंटेलिजेंस को 1956 में एक अकादमिक अनुशासन के रूप में
स्थापित किया गया था,
और इसके बाद
के वर्षों में इसने आशावाद की कई लहरों का अनुभव किया है, इसके बाद निराशा और धन की हानि
("एआई विंटर" के रूप में जाना जाता है), इसके बाद नए दृष्टिकोण, सफलता और नए सिरे से वित्त पोषण। एआई
अनुसंधान ने कई अलग-अलग दृष्टिकोणों की कोशिश की और उन्हें त्याग दिया, जिसमें मस्तिष्क का अनुकरण करना, मानव समस्या को हल करना, औपचारिक तर्क, ज्ञान के बड़े डेटाबेस और पशु व्यवहार की
नकल करना शामिल है। 21 वीं सदी के पहले दशकों
में, अत्यधिक गणितीय और
सांख्यिकीय मशीन सीखने का क्षेत्र पर प्रभुत्व रहा है, और यह तकनीक अत्यधिक सफल साबित हुई है, जिससे पूरे उद्योग और शिक्षा जगत में कई
चुनौतीपूर्ण समस्याओं को हल करने में मदद मिली है।
एआई अनुसंधान के विभिन्न उप-क्षेत्र विशेष लक्ष्यों और विशेष उपकरणों के उपयोग के आसपास केंद्रित हैं। एआई अनुसंधान के पारंपरिक लक्ष्यों में तर्क, ज्ञान प्रतिनिधित्व, योजना, सीखना, प्राकृतिक भाषा प्रसंस्करण, धारणा, और वस्तुओं को स्थानांतरित करने और हेरफेर करने की क्षमता शामिल है। सामान्य बुद्धिमत्ता (मनमानी समस्या को हल करने की क्षमता) क्षेत्र के दीर्घकालिक लक्ष्यों में से एक है। इन समस्याओं को हल करने के लिए, एआई शोधकर्ताओं ने खोज और गणितीय अनुकूलन, औपचारिक तर्क, कृत्रिम तंत्रिका नेटवर्क, और सांख्यिकी, संभाव्यता और अर्थशास्त्र पर आधारित विधियों सहित समस्या-समाधान तकनीकों की एक विस्तृत श्रृंखला को अनुकूलित और एकीकृत किया है। एआई कंप्यूटर विज्ञान, मनोविज्ञान, भाषा विज्ञान, दर्शन और कई अन्य क्षेत्रों पर भी काम करता है।
क्षेत्र की स्थापना इस धारणा पर की गई थी कि मानव बुद्धि
"इतनी सटीक रूप से वर्णित की जा सकती है कि इसे अनुकरण करने के लिए एक मशीन
बनाई जा सकती है"। इसने मन के बारे में दार्शनिक तर्क दिए और मानव जैसी
बुद्धि से संपन्न कृत्रिम प्राणी बनाने के नैतिक परिणाम; इन मुद्दों को प्राचीन काल से ही मिथक, कल्पना और दर्शन द्वारा खोजा गया है।
कंप्यूटर वैज्ञानिकों और दार्शनिकों ने तब से सुझाव दिया है कि एआई मानवता के लिए
एक अस्तित्वगत जोखिम बन सकता है यदि इसकी तर्कसंगत क्षमताओं को लाभकारी लक्ष्यों
की ओर नहीं बढ़ाया जाता है। आर्टिफिशियल इंटेलिजेंस शब्द की एआई की वास्तविक
तकनीकी क्षमताओं को बढ़ा-चढ़ाकर पेश करने के लिए भी आलोचना की गई है।
बुद्धिमत्ता के साथ कृत्रिम जीव पुरातनता में कहानी कहने वाले उपकरणों के रूप में प्रकट हुए, और कथा साहित्य में आम रहे हैं, जैसा कि मैरी शेली के फ्रेंकस्टीन या कारेल कैपेक के आर.यू.आर. इन पात्रों और उनके भाग्य ने ऐसे ही कई मुद्दों को उठाया जिनकी अब कृत्रिम बुद्धि की नैतिकता में चर्चा की जाती है। पुरातनता में दार्शनिकों और गणितज्ञों के साथ यांत्रिक या "औपचारिक" तर्क का अध्ययन शुरू हुआ। गणितीय तर्क का अध्ययन सीधे एलन ट्यूरिंग के संगणना के सिद्धांत की ओर ले गया, जिसने सुझाव दिया कि "0" और "1" जैसे सरल प्रतीकों को फेरबदल करके एक मशीन गणितीय कटौती के किसी भी बोधगम्य कार्य का अनुकरण कर सकती है। यह अंतर्दृष्टि कि डिजिटल कंप्यूटर औपचारिक तर्क की किसी भी प्रक्रिया का अनुकरण कर सकते हैं, चर्च-ट्यूरिंग थीसिस के रूप में जाना जाता है। इसने, न्यूरोबायोलॉजी, सूचना सिद्धांत और साइबरनेटिक्स में समवर्ती खोजों के साथ, शोधकर्ताओं को एक इलेक्ट्रॉनिक मस्तिष्क के निर्माण की संभावना पर विचार करने के लिए प्रेरित किया। पहला काम जिसे अब आम तौर पर एआई के रूप में मान्यता दी जाती है, वह ट्यूरिंग-पूर्ण "कृत्रिम न्यूरॉन्स" के लिए मैक्कुलच और पिट्स का 1943 का औपचारिक डिजाइन था।
1950 के दशक तक, मशीन इंटेलिजेंस को कैसे
प्राप्त किया जाए, इसके लिए दो दृष्टिकोण सामने आए। एक दृष्टि, जिसे प्रतीकात्मक एआई या
जीओएफएआई के रूप में जाना जाता है, कंप्यूटर का उपयोग दुनिया
और प्रणालियों का एक प्रतीकात्मक प्रतिनिधित्व बनाने के लिए करना था जो दुनिया के
बारे में तर्क दे सके। समर्थकों में एलन नेवेल, हर्बर्ट ए. साइमन और
मार्विन मिंस्की शामिल थे। इस दृष्टिकोण के साथ निकटता से जुड़ा हुआ
"अनुमानवादी खोज" दृष्टिकोण था, जिसने उत्तर के लिए
संभावनाओं की जगह तलाशने की समस्या के लिए बुद्धि की तुलना की।
दूसरी दृष्टि, जिसे कनेक्शनवादी
दृष्टिकोण के रूप में जाना जाता है, ने सीखने के माध्यम से
बुद्धि प्राप्त करने की मांग की। इस दृष्टिकोण के समर्थक, सबसे प्रमुख रूप से फ्रैंक
रोसेनब्लैट, ने परसेप्ट्रॉन को न्यूरॉन्स के कनेक्शन से प्रेरित तरीकों से
जोड़ने की मांग की। जेम्स मैनिका और अन्य ने मन (प्रतीकात्मक एआई) और मस्तिष्क
(कनेक्शनिस्ट) के दो दृष्टिकोणों की तुलना की है। मानिका का तर्क है कि डेसकार्टेस, बूल, गोटलॉब फ्रेज, बर्ट्रेंड रसेल और अन्य की
बौद्धिक परंपराओं के संबंध के कारण, इस अवधि में प्रतीकात्मक
दृष्टिकोण ने कृत्रिम बुद्धि के लिए जोर दिया। साइबरनेटिक्स या कृत्रिम तंत्रिका
नेटवर्क पर आधारित कनेक्शनवादी दृष्टिकोण को पृष्ठभूमि में धकेल दिया गया था लेकिन
हाल के दशकों में इसे नई प्रमुखता मिली है।
एआई अनुसंधान के क्षेत्र का जन्म 1956 में डार्टमाउथ कॉलेज में एक कार्यशाला में हुआ था। उपस्थित लोग एआई अनुसंधान के संस्थापक और नेता बन गए। उन्होंने और उनके छात्रों ने ऐसे कार्यक्रम तैयार किए जिन्हें प्रेस ने "आश्चर्यजनक" बताया: कंप्यूटर चेकर्स रणनीति सीख रहे थे, बीजगणित में शब्द समस्याओं को हल कर रहे थे, तार्किक प्रमेयों को सिद्ध कर रहे थे और अंग्रेजी बोल रहे थे। 1960 के दशक के मध्य तक, अमेरिका में अनुसंधान को रक्षा विभाग द्वारा भारी वित्त पोषित किया गया था और दुनिया भर में प्रयोगशालाओं की स्थापना की गई थी। 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 उनके क्षेत्र का लक्ष्य माना जाता है। कर सकता है"। मार्विन मिंस्की ने सहमति व्यक्त करते हुए लिखा, "एक पीढ़ी के भीतर ..... 'कृत्रिम बुद्धिमत्ता' बनाने की समस्या काफी हद तक हल हो जाएगी"।
वे शेष कुछ कार्यों की कठिनाई को पहचानने में असफल रहे थे।
प्रगति धीमी हो गई और 1974 में, सर जेम्स लाइटहिल की आलोचना और अधिक उत्पादक परियोजनाओं को
निधि देने के लिए अमेरिकी कांग्रेस के चल रहे दबाव के जवाब में, अमेरिकी और ब्रिटिश दोनों
सरकारों ने एआई में खोजपूर्ण शोध बंद कर दिया। अगले कुछ वर्षों को बाद में
"एआई विंटर" कहा जाएगा, एक ऐसी अवधि जब एआई
परियोजनाओं के लिए धन प्राप्त करना कठिन था। 1980 के दशक की शुरुआत में, एआई अनुसंधान को विशेषज्ञ
प्रणालियों की व्यावसायिक सफलता से पुनर्जीवित किया गया था, एआई कार्यक्रम का एक रूप
जो मानव विशेषज्ञों के ज्ञान और विश्लेषणात्मक कौशल का अनुकरण करता था। 1985 तक, AI का बाजार एक बिलियन डॉलर
से अधिक हो गया था। उसी समय, जापान की पांचवीं पीढ़ी के
कंप्यूटर प्रोजेक्ट ने अमेरिका और ब्रिटिश सरकारों को शैक्षणिक अनुसंधान के लिए धन
बहाल करने के लिए प्रेरित किया। हालांकि, 1987 में लिस्प मशीन बाजार के
पतन के साथ, एआई एक बार फिर बदनामी में पड़ गया, और एक दूसरी, लंबे समय तक चलने वाली
सर्दी शुरू हो गई।
कई शोधकर्ताओं को संदेह होने लगा कि प्रतीकात्मक दृष्टिकोण मानव अनुभूति की सभी प्रक्रियाओं, विशेष रूप से धारणा, रोबोटिक्स, सीखने और पैटर्न की पहचान की नकल करने में सक्षम होगा। कई शोधकर्ताओं ने विशिष्ट एआई समस्याओं के लिए "उप-प्रतीकात्मक" दृष्टिकोणों पर गौर करना शुरू किया। रोबोटिक्स शोधकर्ताओं, जैसे रॉडने ब्रूक्स ने प्रतीकात्मक एआई को खारिज कर दिया और बुनियादी इंजीनियरिंग समस्याओं पर ध्यान केंद्रित किया जो रोबोट को स्थानांतरित करने, जीवित रहने और अपने पर्यावरण को सीखने की अनुमति देगा। 1980 के दशक के मध्य में ज्योफ्री हिंटन, डेविड रुमेलहार्ट और अन्य द्वारा तंत्रिका नेटवर्क और "कनेक्शनवाद" में रुचि को पुनर्जीवित किया गया था। सॉफ्ट कंप्यूटिंग उपकरण 1980 के दशक में विकसित किए गए थे, जैसे तंत्रिका नेटवर्क, फ़ज़ी सिस्टम, ग्रे सिस्टम सिद्धांत, विकासवादी संगणना और सांख्यिकी या गणितीय अनुकूलन से तैयार किए गए कई उपकरण।
एआई ने 1990 के दशक के अंत में और 21वीं सदी की शुरुआत में विशिष्ट समस्याओं के विशिष्ट समाधान
खोजकर धीरे-धीरे अपनी प्रतिष्ठा को बहाल किया। संकीर्ण फोकस ने शोधकर्ताओं को
सत्यापन योग्य परिणाम उत्पन्न करने, अधिक गणितीय विधियों का उपयोग करने और अन्य क्षेत्रों (जैसे
सांख्यिकी, अर्थशास्त्र और गणित) के
साथ सहयोग करने की अनुमति दी। 2000 तक,
एआई
शोधकर्ताओं द्वारा विकसित समाधानों का व्यापक रूप से उपयोग किया जा रहा था, हालांकि 1990 के दशक में उन्हें शायद ही कभी
"कृत्रिम बुद्धिमत्ता" के रूप में वर्णित किया गया था। तेज कंप्यूटर, एल्गोरिद्मिक सुधार, और बड़ी मात्रा में डेटा तक पहुंच ने
मशीन सीखने और धारणा में प्रगति को सक्षम किया; 2012 के आसपास डेटा-भूखे गहन शिक्षण विधियों
ने सटीकता बेंचमार्क पर हावी होना शुरू कर दिया। ब्लूमबर्ग के जैक क्लार्क के अनुसार, 2015 कृत्रिम बुद्धिमत्ता के लिए एक ऐतिहासिक
वर्ष था, जिसमें Google के भीतर एआई का उपयोग करने वाले
सॉफ़्टवेयर प्रोजेक्ट्स की संख्या 2012 में "छिटपुट उपयोग" से बढ़कर 2,700 से अधिक परियोजनाएं। उन्होंने इसके लिए
किफायती तंत्रिका नेटवर्क में वृद्धि को जिम्मेदार ठहराया, क्लाउड कंप्यूटिंग बुनियादी ढांचे में
वृद्धि और अनुसंधान उपकरण और डेटासेट में वृद्धि के कारण।
2017 के एक सर्वेक्षण में, पांच कंपनियों में से एक ने बताया कि
उन्होंने "कुछ पेशकशों या प्रक्रियाओं में एआई को शामिल किया है"। एआई
में शोध की मात्रा (कुल प्रकाशनों द्वारा मापा गया) 2015-2019 के वर्षों में 50% की वृद्धि हुई। कई अकादमिक शोधकर्ता
चिंतित हो गए कि एआई अब बहुमुखी, पूरी तरह से बुद्धिमान मशीन बनाने के मूल लक्ष्य का पीछा नहीं
कर रहा था। अधिकांश वर्तमान शोधों में सांख्यिकीय एआई शामिल है, जो विशिष्ट समस्याओं को हल करने के लिए
अत्यधिक उपयोग किया जाता है, यहां तक कि गहन शिक्षा जैसी अत्यधिक सफल तकनीकें भी। इस चिंता
ने कृत्रिम सामान्य बुद्धि (या "एजीआई") के उपक्षेत्र को जन्म दिया है, जिसमें 2010 तक कई अच्छी तरह से वित्त पोषित संस्थान
थे।
अप्रैल 2023 में, कंप्यूटर वैज्ञानिक जेरोन लेनियर ने द न्यू यॉर्कर में एआई के एक वैकल्पिक दृश्य को नाम से कम बुद्धिमान और लोकप्रिय संस्कृति के रूप में प्रकाशित किया, जो सुझाव दे सकता है। लैनियर ने अपने निबंध का निष्कर्ष इस प्रकार निकाला: "लोगों के बारे में सोचो। लोग बिट्स की समस्याओं का उत्तर हैं। बुद्धि के अनुकरण (या निर्माण) की सामान्य समस्या को उप-समस्याओं में तोड़ दिया गया है। इनमें विशेष लक्षण या क्षमताएं शामिल हैं जो शोधकर्ता एक बुद्धिमान प्रणाली को प्रदर्शित करने की अपेक्षा करते हैं। नीचे वर्णित लक्षणों पर सबसे अधिक ध्यान दिया गया है। शुरुआती शोधकर्ताओं ने एल्गोरिदम विकसित किए जो चरण-दर-चरण तर्क की नकल करते थे कि मनुष्य पहेलियों को हल करते समय या तार्किक कटौती करते समय उपयोग करते हैं। 1980 और 1990 के दशक के अंत तक, एआई अनुसंधान ने अनिश्चित या अधूरी जानकारी से निपटने के लिए तरीकों का विकास किया था, संभाव्यता और अर्थशास्त्र से अवधारणाओं को नियोजित किया था।
इनमें से कई एल्गोरिदम बड़ी तार्किक समस्याओं को हल करने के
लिए अपर्याप्त साबित हुए क्योंकि उन्होंने एक "संयोजन विस्फोट" का अनुभव
किया: जैसे-जैसे समस्याएँ बड़ी होती गईं, वे घातीय रूप से धीमे होते गए। यहां तक कि मनुष्य शायद ही कभी
चरण-दर-चरण कटौती का उपयोग करते हैं, जो शुरुआती एआई अनुसंधान मॉडल कर सकते थे। वे तेज, सहज ज्ञान युक्त निर्णयों का उपयोग करके
अपनी अधिकांश समस्याओं का समाधान करते हैं। ज्ञान प्रतिनिधित्व और ज्ञान इंजीनियरिंग
एआई कार्यक्रमों को बुद्धिमानी से प्रश्नों का उत्तर देने और वास्तविक दुनिया के
तथ्यों के बारे में निष्कर्ष निकालने की अनुमति देते हैं। "क्या मौजूद है" का प्रतिनिधित्व एक
सत्तामीमांसा है: औपचारिक रूप से वर्णित वस्तुओं, संबंधों, अवधारणाओं और गुणों का सेट ताकि
सॉफ़्टवेयर एजेंट उनकी व्याख्या कर सकें। सबसे सामान्य ऑन्कोलॉजी को ऊपरी
ऑन्कोलॉजी कहा जाता है,
जो अन्य सभी
ज्ञान के लिए एक आधार प्रदान करने का प्रयास करती है और डोमेन ऑन्कोलॉजी के बीच
मध्यस्थ के रूप में कार्य करती है जो एक विशेष ज्ञान डोमेन (रुचि का क्षेत्र या
चिंता का क्षेत्र) के बारे में विशिष्ट ज्ञान को कवर करती है। वास्तव में
बुद्धिमान कार्यक्रम के लिए सामान्य ज्ञान ज्ञान तक पहुंच की भी आवश्यकता होगी; तथ्यों का वह समूह जो एक औसत व्यक्ति
जानता है। एक ऑन्कोलॉजी के शब्दार्थ को आमतौर पर विवरण तर्क में दर्शाया जाता है, जैसे कि वेब ओन्टोलॉजी लैंग्वेज।
एआई अनुसंधान ने विशिष्ट डोमेन का प्रतिनिधित्व करने के लिए उपकरण विकसित किए हैं, जैसे कि वस्तुएं, गुण, श्रेणियां और वस्तुओं के बीच संबंध; स्थितियों, घटनाओं, राज्यों और समय; कारण और प्रभाव; ज्ञान के बारे में ज्ञान (हम जो जानते हैं उसके बारे में दूसरे लोग क्या जानते हैं); डिफ़ॉल्ट तर्क (चीजें जो मनुष्य मानते हैं कि वे तब तक सत्य हैं जब तक कि उन्हें अलग तरह से नहीं बताया जाता है और तब भी सत्य रहेगा जब अन्य तथ्य बदल रहे हों); साथ ही अन्य डोमेन। एआई में सबसे कठिन समस्याओं में से हैं: कॉमन्सेंस नॉलेज की चौड़ाई (परमाणु तथ्यों की संख्या जो औसत व्यक्ति जानता है वह बहुत बड़ी है); और अधिकांश सामान्य ज्ञान ज्ञान का उप-प्रतीकात्मक रूप (जो लोग जानते हैं उनमें से अधिकांश को "तथ्यों" या "बयानों" के रूप में प्रस्तुत नहीं किया जाता है जिसे वे मौखिक रूप से व्यक्त कर सकते हैं)।
औपचारिक ज्ञान अभ्यावेदन सामग्री-आधारित अनुक्रमण और
पुनर्प्राप्ति,
दृश्य
व्याख्या, नैदानिक निर्णय समर्थन, ज्ञान खोज (खनन "दिलचस्प" और
बड़े डेटाबेस से कार्रवाई योग्य संदर्भ), और अन्य क्षेत्रों में उपयोग किया जाता है। मशीन लर्निंग (एमएल), क्षेत्र की स्थापना के बाद से एआई
अनुसंधान की एक मौलिक अवधारणा, कंप्यूटर एल्गोरिदम का अध्ययन है जो अनुभव के माध्यम से
स्वचालित रूप से सुधार करता है। अप्रशिक्षित शिक्षण इनपुट की एक धारा में पैटर्न ढूंढता है। पर्यवेक्षित सीखने के लिए
एक मानव को पहले इनपुट डेटा को लेबल करने की आवश्यकता होती है, और यह दो मुख्य किस्मों में आता है:
वर्गीकरण और संख्यात्मक प्रतिगमन। वर्गीकरण का उपयोग यह निर्धारित करने के लिए
किया जाता है कि कौन सी श्रेणी किस श्रेणी की है - कार्यक्रम कई श्रेणियों से
चीजों के कई उदाहरण देखता है और नए इनपुट को वर्गीकृत करना सीखेगा। प्रतिगमन एक
ऐसा कार्य उत्पन्न करने का प्रयास है जो इनपुट और आउटपुट के बीच संबंध का वर्णन
करता है और भविष्यवाणी करता है कि इनपुट में परिवर्तन के रूप में आउटपुट को कैसे
बदलना चाहिए। क्लासिफायर और रिग्रेशन शिक्षार्थियों दोनों को अज्ञात (संभवतः
अंतर्निहित) फ़ंक्शन सीखने की कोशिश कर रहे "फ़ंक्शन अनुमानित" के रूप
में देखा जा सकता है;
उदाहरण के लिए, एक स्पैम क्लासिफायरियर को एक ऐसे फंक्शन
को सीखने के रूप में देखा जा सकता है जो ईमेल के टेक्स्ट से दो श्रेणियों में से
एक, "स्पैम" या
"स्पैम नहीं" में मैप करता है।
सुदृढीकरण सीखने में एजेंट को अच्छी प्रतिक्रियाओं के लिए पुरस्कृत किया जाता है और बुरे लोगों को दंडित किया जाता है। एजेंट अपनी समस्या स्थान में संचालन के लिए रणनीति बनाने के लिए अपनी प्रतिक्रियाओं को वर्गीकृत करता है। ट्रांसफर लर्निंग तब होती है जब एक समस्या से प्राप्त ज्ञान को एक नई समस्या पर लागू किया जाता है। कम्प्यूटेशनल शिक्षण सिद्धांत, कम्प्यूटेशनल जटिलता, नमूना जटिलता (कितना डेटा आवश्यक है), या अनुकूलन के अन्य विचारों द्वारा शिक्षार्थियों का आकलन कर सकता है। प्राकृतिक भाषा प्रसंस्करण (एनएलपी) मशीनों को मानव भाषा को पढ़ने और समझने की अनुमति देता है। एक पर्याप्त शक्तिशाली प्राकृतिक भाषा प्रसंस्करण प्रणाली प्राकृतिक-भाषा उपयोगकर्ता इंटरफेस और सीधे मानव-लिखित स्रोतों से ज्ञान प्राप्त करने में सक्षम होगी, जैसे कि न्यूज़वायर टेक्स्ट। एनएलपी के कुछ सरल अनुप्रयोगों में सूचना पुनर्प्राप्ति, प्रश्न उत्तर और मशीनी अनुवाद शामिल हैं।
प्रतीकात्मक एआई ने वाक्यों की गहरी संरचना को तर्क में अनुवाद
करने के लिए औपचारिक वाक्यविन्यास का उपयोग किया। तर्क की अचूकता और सामान्य ज्ञान
ज्ञान की चौड़ाई के कारण यह उपयोगी अनुप्रयोगों का उत्पादन करने में विफल रहा।
आधुनिक सांख्यिकीय तकनीकों में सह-घटना आवृत्तियाँ (कितनी बार एक शब्द दूसरे के
पास दिखाई देता है),
"कीवर्ड स्पॉटिंग" (जानकारी प्राप्त करने के लिए किसी विशेष शब्द की खोज), ट्रांसफॉर्मर-आधारित गहन शिक्षा (जो पाठ
में पैटर्न ढूँढता है),
और अन्य शामिल
हैं। उन्होंने पृष्ठ या अनुच्छेद स्तर पर स्वीकार्य सटीकता प्राप्त की है, और 2019 तक सुसंगत पाठ उत्पन्न कर सकते हैं। मशीन धारणा दुनिया के पहलुओं को निकालने के लिए सेंसर (जैसे कैमरा, माइक्रोफोन, वायरलेस सिग्नल, और सक्रिय लिडार, सोनार, रडार और स्पर्श संवेदक) से इनपुट का
उपयोग करने की क्षमता है। अनुप्रयोगों में वाक् पहचान, चेहरे की पहचान और वस्तु पहचान शामिल
हैं। कंप्यूटर दृष्टि दृश्य इनपुट का विश्लेषण करने की क्षमता है।
प्रभावी कंप्यूटिंग एक अंतःविषय छाता है जिसमें ऐसी प्रणालियाँ शामिल हैं जो मानवीय भावना, भावना और मनोदशा को पहचानती हैं, व्याख्या करती हैं, प्रक्रिया या अनुकरण करती हैं। उदाहरण के लिए, कुछ आभासी सहायकों को संवादात्मक रूप से बोलने या यहां तक कि विनोदपूर्ण ढंग से मजाक करने के लिए प्रोग्राम किया जाता है; यह उन्हें मानव संपर्क की भावनात्मक गतिशीलता के प्रति अधिक संवेदनशील बनाता है, या अन्यथा मानव-कंप्यूटर संपर्क को सुविधाजनक बनाता है। हालाँकि, यह भोले-भाले उपयोगकर्ताओं को एक अवास्तविक अवधारणा देता है कि मौजूदा कंप्यूटर एजेंट वास्तव में कितने बुद्धिमान हैं। भावात्मक कंप्यूटिंग से संबंधित मध्यम सफलताओं में शाब्दिक भावना विश्लेषण और, हाल ही में, मल्टीमॉडल भावना विश्लेषण शामिल हैं), जिसमें एआई एक वीडियोटेप्ड विषय द्वारा प्रदर्शित प्रभावों को वर्गीकृत करता है।
सामान्य बुद्धि वाली एक मशीन मानव बुद्धि के समान विस्तार और
बहुमुखी प्रतिभा के साथ विभिन्न प्रकार की समस्याओं को हल कर सकती है। कृत्रिम
सामान्य बुद्धि को कैसे विकसित किया जाए, इसके बारे में कई प्रतिस्पर्धी विचार हैं। हैंस मोरावेक और
मार्विन मिंस्की का तर्क है कि अलग-अलग अलग-अलग डोमेन में काम को एक उन्नत
मल्टी-एजेंट सिस्टम या सामान्य बुद्धि के साथ संज्ञानात्मक वास्तुकला में शामिल
किया जा सकता है। पेड्रो डोमिंगोस को उम्मीद है कि अवधारणात्मक रूप से सीधा, लेकिन गणितीय रूप से कठिन "मास्टर
एल्गोरिदम" है जो एजीआई को जन्म दे सकता है। दूसरों का मानना है कि कृत्रिम
मस्तिष्क या नकली बाल विकास जैसी मानवरूपी विशेषताएं किसी दिन एक महत्वपूर्ण बिंदु
तक पहुंच जाएंगी जहां सामान्य बुद्धि उभरती है।
एआई कई संभावित समाधानों के माध्यम से बुद्धिमानी से खोज कर कई समस्याओं को हल कर सकता है। खोज करने के लिए तर्क को कम किया जा सकता है। उदाहरण के लिए, तार्किक प्रमाण को एक ऐसे मार्ग की खोज के रूप में देखा जा सकता है जो परिसर से निष्कर्ष तक ले जाता है, जहां प्रत्येक चरण एक अनुमान नियम का अनुप्रयोग है। नियोजन एल्गोरिद्म लक्ष्यों और उप-लक्ष्यों के पेड़ों के माध्यम से खोज करता है, लक्ष्य लक्ष्य के लिए एक पथ खोजने का प्रयास करता है, एक प्रक्रिया जिसे साधन-अंत विश्लेषण कहा जाता है। अंगों को हिलाने और वस्तुओं को पकड़ने के लिए रोबोटिक्स एल्गोरिदम कॉन्फ़िगरेशन स्पेस में स्थानीय खोजों का उपयोग करते हैं।
अधिकांश वास्तविक दुनिया की समस्याओं के लिए सरल विस्तृत खोजें
शायद ही कभी पर्याप्त होती हैं: खोज स्थान (खोज करने के लिए स्थानों की संख्या)
तेजी से खगोलीय संख्या में बढ़ता है। परिणाम एक ऐसी खोज है जो बहुत धीमी है या कभी
पूर्ण नहीं होती है। कई समस्याओं का समाधान "अनुमानिकी" या "अंगूठे
के नियम" का उपयोग करना है जो लक्ष्य तक पहुंचने की अधिक संभावना वाले लोगों
के पक्ष में विकल्पों को प्राथमिकता देते हैं और ऐसा कम संख्या में चरणों में करते
हैं। कुछ खोज पद्धतियों में, हेयुरिस्टिक्स कुछ ऐसे विकल्पों को समाप्त करने के लिए भी काम कर
सकता है जो एक लक्ष्य तक ले जाने की संभावना नहीं है (जिसे "खोज वृक्ष को
छाँटना" कहा जाता है)। ह्यूरिस्टिक्स कार्यक्रम को उस पथ के लिए
"सर्वश्रेष्ठ अनुमान" प्रदान करता है जिस पर समाधान निहित है।
ह्यूरिस्टिक्स एक छोटे नमूना आकार में समाधान की खोज को सीमित करता है। तर्क का उपयोग ज्ञान
प्रतिनिधित्व और समस्या-समाधान के लिए किया जाता है, लेकिन इसे अन्य समस्याओं पर भी लागू किया
जा सकता है। उदाहरण के लिए, satplan एल्गोरिथम योजना बनाने के लिए तर्क का उपयोग करता है और
आगमनात्मक तर्क प्रोग्रामिंग सीखने की एक विधि है।
एआई शोध में तर्क के कई अलग-अलग रूपों का उपयोग किया जाता है।
प्रस्तावात्मक तर्क में "या" और "नहीं" जैसे सत्य कार्य शामिल
हैं। प्रथम-क्रम तर्क परिमाणक और विधेय जोड़ता है और वस्तुओं, उनके गुणों और एक दूसरे के साथ उनके
संबंधों के बारे में तथ्यों को व्यक्त कर सकता है। फ़ज़ी लॉजिक "ऐलिस इज
ओल्ड" (या अमीर,
या लंबा, या भूखा) जैसे अस्पष्ट बयानों के लिए
"सत्य की डिग्री" (0 और 1
के बीच)
प्रदान करता है,
जो पूरी तरह
से सच या गलत होने के लिए भाषाई रूप से अभेद्य हैं।
एआई में कई समस्याओं (तर्क, योजना, सीखने, धारणा और रोबोटिक्स सहित) में एजेंट को
अधूरी 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 उपकरण तैयार किए हैं। बायेसियन नेटवर्क एक बहुत ही सामान्य उपकरण
है जिसका उपयोग विभिन्न समस्याओं के लिए किया जा सकता है, जिसमें तर्क (बायेसियन इंट्रेंस
एल्गोरिथम का उपयोग करना),
सीखना
(अपेक्षा-अधिकतमकरण एल्गोरिथ्म का उपयोग करना), योजना (निर्णय नेटवर्क का उपयोग करना) और
धारणा (गतिशील बायेसियन नेटवर्क का उपयोग करना) शामिल हैं। संभाव्य एल्गोरिदम का
उपयोग डेटा की धाराओं के लिए फ़िल्टरिंग, भविष्यवाणी, चौरसाई और स्पष्टीकरण खोजने के लिए भी किया जा सकता है, धारणा प्रणालियों को समय के साथ होने
वाली प्रक्रियाओं का विश्लेषण करने में मदद करता है (जैसे, छिपे हुए मार्कोव मॉडल या कलमन फ़िल्टर)।
कोई टिप्पणी नहीं:
एक टिप्पणी भेजें