برخی از فناوری‌های کلیدی که در زیر پرچم هوش مصنوعی قرار دارند. آنها به سه بخش گروه بندی می شوند که به معنای زمانی از توسعه رویکردهای مختلف است. موج اول تکنیک‌های اولیه هوش مصنوعی را توصیف می‌کند که به عنوان «هوش مصنوعی نمادین» توصیف می‌شود.

در حالی که این رویکردهای هوش مصنوعی می توانند قدیمی به نظر برسند، اما بسیار مرتبط باقی می مانند و هنوز با موفقیت در چندین حوزه اعمال می شوند. موج دوم تکنیک های هوش مصنوعی رویکردهای «داده محور» جدیدتری را توصیف می کند که در دو دهه گذشته به سرعت توسعه یافته اند و تا حد زیادی مسئول تجدید حیات هوش مصنوعی فعلی هستند.

بخش سوم به بررسی امواج احتمالی هوش مصنوعی در آینده می پردازد، با تمرکز بر رویکردهایی که از بازار فاصله دارند. هدف این است که خوانندگان را با درک مفاهیم و روش‌های کلیدی در هوش مصنوعی تجهیز کنیم تا بدانند یادگیری عمیق چه چیزی «عمیق» است و تفاوت بین منطق فازی و روش‌های تکاملی را درک کنند. در ادامه به بررسی موج اول می‌پردازیم

موج اول: هوش مصنوعی نمادین

هوش مصنوعی نمادین به رویکردهایی برای توسعه ماشین های هوشمند با رمزگذاری دانش و تجربه متخصصان در مجموعه قوانینی اشاره دارد که می تواند توسط ماشین اجرا شود. این هوش مصنوعی نمادین توصیف می شود زیرا از استدلال نمادین (به عنوان مثال، اگر X=Y و Y=Z سپس X=Z) برای نمایش و حل مسائل استفاده می کند.

این رویکرد تکنیک هوش مصنوعی اصلی برای کاربردهای هوش مصنوعی از دهه 1950 تا 1990 بود، اما، در حالی که روش‌های دیگر امروزه بر این حوزه تسلط دارند، هوش مصنوعی نمادین هنوز در بسیاری از زمینه‌ها، از ترموستات‌ها تا روباتیک پیشرفته استفاده می‌شود. در اینجا ما دو رویکرد محبوب در هوش مصنوعی نمادین، سیستم های خبره را شرح می دهیم.

هوش مصنوعی سیستم های خبره

در این سیستم‌ها، یک متخصص انسانی در حوزه برنامه، قوانین دقیقی را ایجاد می‌کند که یک رایانه می‌تواند قدم به قدم آن‌ها را دنبال کند تا تصمیم بگیرد که چگونه به طور هوشمند به یک موقعیت خاص پاسخ دهد. این قوانین، که به عنوان الگوریتم شناخته می شوند، اغلب به صورت کد در قالب «اگر آنگاه دیگر» (if-then) بیان می شوند.

می‌توان گفت که هوش مصنوعی نمادین انسان را در جریان نگه می‌دارد، زیرا فرآیند تصمیم‌گیری با نحوه تصمیم‌گیری کارشناسان انسانی همسو است. در واقع، هر گونه هوشمندی در سیستم مستقیماً از تخصص انسانی است که در قالب «قابل خواندن ماشینی» ثبت شده است که رایانه می تواند با آن کار کند. علاوه بر این، انسان ها به راحتی می توانند درک کنند که این سیستم ها چگونه تصمیمات خاصی می گیرند.

آنها به راحتی می توانند اشتباهات را شناسایی کنند یا فرصت هایی برای بهبود برنامه بیابند و در پاسخ به آن کد را به روز کنند. به عنوان مثال، افزودن بندهایی برای رسیدگی به موارد خاص یا انعکاس دانش جدید پزشکی.

این مثال به اشکال کلیدی این نوع سیستم خبره اشاره می کند. برای ایجاد یک سیستم مفید و قابل اعتماد که برای مشکلات پیچیده و پویا در دنیای واقعی، مانند کار یک پزشک کار می کند، قوانین و استثنائات زیادی لازم است که سیستم بسیار بزرگ و پیچیده می شود، خیلی سریع عکل کند.

هوش مصنوعی نمادین در موارد زیر خوب عمل می‌کند:

• در محیط‌های محدودی که در طول زمان تغییر چندانی نمی‌کنند
• جایی که قوانین سخت‌گیرانه و متغیرها بدون ابهام و قابل اندازه‌گیری هستند.

هنگامی که چنین مثالی محاسبه بدهی مالیاتی است، کارشناسان مالیاتی و برنامه نویسان می توانند برای توسعه سیستم های خبره ای که قوانینی را که برای آن سال مالیاتی لازم الاجرا هستند، به کار گیرند. هنگامی که با داده‌هایی که درآمد مالیات دهندگان و سایر شرایط مربوطه را توصیف می‌کنند، این ابزار می‌تواند بدهی مالیاتی را طبق قوانین و اعمال هرگونه عوارض، کمک هزینه و استثناء قابل اعمال محاسبه کند.