ხელოვნური ინტელექტი – ყველაზე საინტერესო იწყება 2010 წლიდან

100 ნახვა

2010 წლამდე ვითარდებოდა ხელოვნური ინტელექტის რვა ძირითადი მახასიათებლიდან მხოლოდ ერთი – პრედაქტიული (პროგნოზული) ანალიზი, რომელიც აქტიურად გამოიყენებოდა საფონდო ბირჟაზე სავაჭრო ალგორითმებში – პატერნების ანალიზი სახით, სამეცნიერო და ეკონომიკურ კვლევებში, ამინდის პროგნოზირებაში, სადაზღვევო და საფინანსო რისკების შეფასებაში და ა.შ.

ხელოვნური ინტელექტის დანარჩენი შვიდი ატრიბუტი განსხვავებული ინტენსივობითა და წარმატებით თეორიულად დასაბუთებული და პროტოტიპირებული იქნა 1950 წლიდან 2010 წლამდე. უფრო მეტიც, მათი კონცეპტები (ცნებები) იყო ყველა განზომილებაში, თუნდაც კოგნიტიურ ფუნქციებში. ამ ფუნქციების საუკეთესო გადაწყვეტილებები იყო 90-იან და 2000-იანი წლების დასაწყისში IBM-ისგან.

ის, რაც ახლა გვაქვს, ახალი არ არის, მაგრამ მათი განვითარების დაბრკოლება იყო გამოთვლითი სიმძლავრეებისა და მონაცემთა ნაკლებობა. დიდი მონაცემები წარმოიშვა 2000-2010 წლების შუა პერიოდში და საუკეთესო ფორმას მიაღწია 2010-2020 წლებში, გარდა ამისა, სერვერების გამოთვლითი სიმძლავრეები გაიზარდა ჯერადად.

ათწლეული 2010 წლიდან 2019 წლამდე იყო სწრაფი პროგრესის პერიოდი ხელოვნურ ინტელექტში, რომელიც აღინიშნა მნიშვნელოვანი ტექნოლოგიური ინოვაციებით, აპლიკაციების გაფართოებით და საზოგადოების ინტერესის გაზრდით.

ეს იყო პერიოდი, როდესაც ხელოვნური ინტელექტი გახდა უფრო მეტი, ვიდრე უბრალოდ აკადემიური კვლევა. გახდა ძლიერი ინსტრუმენტი, რომელიც გავლენას ახდენს ყოველდღიური ცხოვრებისა და მუშაობის ბევრ ასპექტზე. მონაცემთა და გამოთვლითი სიმძლავრის გარეშე ყოველივე ეს თეორიად დარჩებოდა.

დაიწყო ხელოვნური ინტელექტის ძლიერი ექსპანსია ეკონომიკის ყველა სექტორში და ცხოვრების თითქმის ყველა სფეროში. პრაქტიკულად არ არსებობს საკვანძო ინდუსტრიები, რომლებსაც იგი არ შეეხო: ჯანდაცვა, განათლება, ტრანსპორტი, საცალო და საბითუმო ვაჭრობა, ლოჯისტიკა და საწყობი, კონსულტაცია, ფინანსები და დაზღვევა, მრეწველობა და სოფლის მეურნეობა, ჭკვიანი ქალაქის მართვის სისტემა, სახის ამოცნობის სისტემები, კიბერუსაფრთხოება და ა.შ.

ღრმა თვით სწავლების რევოლუცია:

ღრმა ნეირონულ ქსელებში მიღწევებმა, განსაკუთრებით კონვოლუციური ნეირონული ქსელების (CNN, convolutional neural network) და განმეორებადი ნეირონული ქსელების (RNN, Recurrent neural network) განვითარებით, მნიშვნელოვნად გააუმჯობესდა ხელოვნური ინტელექტის შესაძლებლობები გამოსახულებების ამოცნობაში, ადამიანური ენის დამუშავებასა და პროგნოზირებად ანალიზში.

ტრანსფორმერების გაჩენა და განვითარება:

2017 წელს შემოღებულმა ტრანსფორმერების არქიტექტურამ რევოლუციური ცვლილებები მოიტანა ადამიანური ენის დამუშავებისა და ტექსტის გენერირების სფეროში, რომელიც გახდა ChatGPT-ის პროტოტიპი.

2010 წლიდან 2019 წლამდე პერიოდში აქტიურად განვითარდა მულტიმოდალობა, ავტონომიური გადაწყვეტილებების მიღება, ადამიანური ენის დამუშავება და სრულყოფილებას მიაღწია პრედაქტიულმა ანალიზმა კოგნიტურ ფუნქციებსა და თვით სწავლებაში მნიშვნელოვანი პროგრესით.

2020 წლიდან დაიწყო გენერაციული ქსელების ერა, რამაც შესაძლებელი გახადა ღრმა მულტიდისციპლინურობის, სწავლისა და ადაპტაციის რეალიზაცია და რაც მთავარია რთული ამოცანების კონტექსტის გაგება და მაღალგანვითარებული კოგნიტური ფუნქციები, რაც ადრე წარმოუდგენელი იყო.

ხელოვნური ინტელექტის ლეიბლი აღარ არის წმინდა მარკეტინგი, როგორც ეს იყო ათწლეულის წინ, არამედ გახდა ახალი ეპოქის სიმბოლო.

ყველაზე მნიშვნელოვანი ეტაპი იყო მნიშვნელოვანი პროგრესი ბუნებრივი (ადამიანური) ენის დამუშავებაში (NLP, Natural Language Processing) და ენის სემანტიკისა და კონსტრუქციის გაგება, რამაც საშუალება მოგვცა შეგვექმნა ადეკვატური სემანტიკური (აზრობრივი) სტრუქტურები.

ენის სემანტიკა მნიშვნელოვან როლს ასრულებს ადამიანის ენის გაგებასა და ინტერპრეტაციაში. ალგორითმები და მოდელები ცდილობენ გაიგონ არა მხოლოდ სიტყვების პირდაპირი მნიშვნელობები, არამედ მათი სემანტიკური კონტექსტი და მოსაუბრის ან მწერლის აზრობრივი ზრახვები.

ხელოვნური ინტელექტის განვითარება პირდაპირ კავშირშია ე.წ. „სტრიქონებს შორის“ კონტექსტის გაგებასთან. დღეისათვის ეს არის ChatGPT-ის სუსტი წერტილი, თუმცა, მეორე მხრივ, ბოლო წლებში ამ კუთხით წარმოუდგენელი პროგრესია.

ძნელი სათქმელია, სად მიგვიყვანს ეს ყველაფერი, თუმცა პროგრესი, რბილად რომ ვთქვათ, შთამბეჭდავია…

***

***

***

***

რეკომენდებული ფორექს ბროკერი.