आर्टिफिशियल इंटेलिजेंस क्या है? एआई कैसे काम करता है?

 अक्सर पूछे जाने वाले आर्टिफिशियल इंटेलिजेंस प्रश्न

आर्टिफिशियल इंटेलिजेंस क्या है?
आर्टिफिशियल इंटेलिजेंस (एआई) कंप्यूटर विज्ञान की एक व्यापक शाखा है, जो ऐसे कार्यों को करने में सक्षम स्मार्ट मशीनों के निर्माण से संबंधित है, जिनमें आमतौर पर मानव बुद्धि की आवश्यकता होती है। 

आर्टिफिशियल इंटेलिजेंस के चार प्रकार क्या हैं?

•      प्रतिक्रियाशील मशीनें

•      सीमित मेमोरी

•      मस्तिष्क का सिद्धांत

•      स्व जागरूकता

आर्टिफिशियल इंटेलिजेंस के उदाहरण क्या हैं?

•      सिरी, एलेक्सा और अन्य स्मार्ट सहायक

•      सेल्फ ड्राइविंग कारें

•      रोबो-सलाहकार

•      संवादी बॉट

•      ईमेल स्पैम फ़िल्टर

•      नेटफ्लिक्स की सिफारिशें 

अवधारणाओं 

आर्टिफिशियल इंटेलिजेंस कैसे काम करता है?

एआई दृष्टिकोण और अवधारणाएं

नाज़ी एन्क्रिप्शन मशीन एनिग्मा को तोड़ने और मित्र देशों की सेना को द्वितीय विश्व युद्ध जीतने में मदद करने के एक दशक से भी कम समय के बाद, गणितज्ञ एलन ट्यूरिंग ने एक साधारण प्रश्न के साथ इतिहास को दूसरी बार बदल दिया: "क्या मशीनें सोच सकती हैं?"


इसके मूल में, एआई कंप्यूटर विज्ञान की शाखा है जिसका उद्देश्य ट्यूरिंग के प्रश्न का सकारात्मक उत्तर देना है। यह मशीनों में मानव बुद्धि को दोहराने या अनुकरण करने का प्रयास है।

आर्टिफिशियल इंटेलिजेंस के व्यापक लक्ष्य ने कई सवालों और बहसों को जन्म दिया है। इतना अधिक, कि क्षेत्र की कोई भी एकवचन परिभाषा सार्वभौमिक रूप से स्वीकार नहीं की जाती है। 

एआई को केवल "बुद्धिमान मशीनों का निर्माण" के रूप में परिभाषित करने में प्रमुख सीमा यह है कि यह वास्तव में यह नहीं समझाता है कि कृत्रिम बुद्धि क्या है? कौन सी मशीन बुद्धिमान बनाती है? एआई कई दृष्टिकोणों वाला एक अंतःविषय विज्ञान है, लेकिन मशीन लर्निंग और डीप लर्निंग में प्रगति तकनीक उद्योग के लगभग हर क्षेत्र में एक बदलाव पैदा कर रही है।

अपनी अभूतपूर्व पाठ्यपुस्तक आर्टिफिशियल इंटेलिजेंस: ए मॉडर्न अप्रोच में, लेखक स्टुअर्ट रसेल और पीटर नॉरविग मशीनों में बुद्धिमान एजेंटों के विषय के इर्द-गिर्द अपने काम को एकीकृत करके इस सवाल का जवाब देते हैं। इसे ध्यान में रखते हुए, एआई "एजेंटों का अध्ययन है जो पर्यावरण से धारणा प्राप्त करते हैं और कार्य करते हैं।"

नॉरविग और रसेल चार अलग-अलग दृष्टिकोणों का पता लगाने के लिए आगे बढ़ते हैं जिन्होंने एआई के क्षेत्र को ऐतिहासिक रूप से परिभाषित किया है:

     मानवीय सोच
     तर्कसंगत सोच
     मानवीय अभिनय
     तर्कसंगत रूप से कार्य करना

पहले दो विचार विचार प्रक्रियाओं और तर्क से संबंधित हैं, जबकि अन्य व्यवहार से संबंधित हैं। नॉरविग और रसेल विशेष रूप से तर्कसंगत एजेंटों पर ध्यान केंद्रित करते हैं जो सर्वोत्तम परिणाम प्राप्त करने के लिए कार्य करते हैं, यह देखते हुए कि "ट्यूरिंग टेस्ट के लिए आवश्यक सभी कौशल भी एक एजेंट को तर्कसंगत रूप से कार्य करने की अनुमति देते हैं।" (रसेल और नॉरविग 4)।

एमआईटी में आर्टिफिशियल इंटेलिजेंस और कंप्यूटर साइंस के फोर्ड प्रोफेसर पैट्रिक विंस्टन ने एआई को "बाधाओं द्वारा सक्षम एल्गोरिदम के रूप में परिभाषित किया है, जो उन मॉडलों का समर्थन करते हैं जो उन छोरों पर लक्षित मॉडल का समर्थन करते हैं जो सोच, धारणा और कार्रवाई को एक साथ जोड़ते हैं।"

हालांकि ये परिभाषाएं औसत व्यक्ति के लिए अमूर्त लग सकती हैं, वे कंप्यूटर विज्ञान के क्षेत्र के रूप में क्षेत्र पर ध्यान केंद्रित करने में मदद करती हैं और मशीन सीखने और कृत्रिम बुद्धि के अन्य सबसेट के साथ मशीनों और कार्यक्रमों को शामिल करने के लिए एक खाका प्रदान करती हैं।

आर्टिफिशियल इंटेलिजेंस के चार प्रकार

प्रतिक्रियाशील मशीनें

एक प्रतिक्रियाशील मशीन एआई सिद्धांतों के सबसे बुनियादी सिद्धांतों का पालन करती है और, जैसा कि इसके नाम का तात्पर्य है, केवल अपनी बुद्धि का उपयोग करके दुनिया को देखने और उसके सामने प्रतिक्रिया करने में सक्षम है। एक प्रतिक्रियाशील मशीन मेमोरी को स्टोर नहीं कर सकती है और परिणामस्वरूप वास्तविक समय में निर्णय लेने की सूचना देने के लिए पिछले अनुभवों पर भरोसा नहीं कर सकती है।

दुनिया को सीधे तौर पर समझने का मतलब है कि प्रतिक्रियाशील मशीनों को केवल सीमित संख्या में विशिष्ट कर्तव्यों को पूरा करने के लिए डिज़ाइन किया गया है। एक प्रतिक्रियाशील मशीन की विश्वदृष्टि को जानबूझकर संकुचित करना किसी भी प्रकार की लागत-कटौती उपाय नहीं है, और इसके बजाय इसका मतलब है कि इस प्रकार का एआई अधिक भरोसेमंद और विश्वसनीय होगा - यह हर बार उसी उत्तेजना के लिए उसी तरह प्रतिक्रिया करेगा।

रिएक्टिव मशीन का एक प्रसिद्ध उदाहरण डीप ब्लू है, जिसे आईबीएम द्वारा 1990 के दशक में शतरंज खेलने वाले सुपर कंप्यूटर के रूप में डिजाइन किया गया था और एक गेम में अंतरराष्ट्रीय ग्रैंडमास्टर गैरी कास्परोव को हराया था। डीप ब्लू केवल शतरंज बोर्ड पर टुकड़ों की पहचान करने और शतरंज के नियमों के आधार पर प्रत्येक चाल को जानने, प्रत्येक टुकड़े की वर्तमान स्थिति को स्वीकार करने और यह निर्धारित करने में सक्षम था कि उस समय सबसे तार्किक चाल क्या होगी। कंप्यूटर अपने प्रतिद्वंद्वी द्वारा भविष्य की संभावित चालों का पीछा नहीं कर रहा था या अपने स्वयं के टुकड़ों को बेहतर स्थिति में रखने की कोशिश नहीं कर रहा था। प्रत्येक मोड़ को अपनी वास्तविकता के रूप में देखा जाता था, जो पहले किए गए किसी भी अन्य आंदोलन से अलग था।

गेम खेलने वाली प्रतिक्रियाशील मशीन का एक अन्य उदाहरण Google का AlphaGo है। अल्फ़ागो भविष्य की चालों का मूल्यांकन करने में भी असमर्थ है, लेकिन वर्तमान गेम के विकास का मूल्यांकन करने के लिए अपने स्वयं के तंत्रिका नेटवर्क पर निर्भर करता है, जिससे इसे अधिक जटिल गेम में डीप ब्लू पर बढ़त मिलती है। अल्फा गो ने 2016 में चैंपियन गो खिलाड़ी ली सेडोल को हराकर खेल के विश्व स्तरीय प्रतियोगियों को भी सर्वश्रेष्ठ बनाया।

हालांकि इसका दायरा सीमित है और आसानी से बदला नहीं जा सकता, प्रतिक्रियाशील मशीन कृत्रिम बुद्धिमत्ता जटिलता के स्तर को प्राप्त कर सकती है, और दोहराने योग्य कार्यों को पूरा करने के लिए बनाए जाने पर विश्वसनीयता प्रदान करती है।

सीमित स्मृति

सीमित मेमोरी आर्टिफिशियल इंटेलिजेंस में जानकारी एकत्र करते समय और संभावित निर्णयों का वजन करते समय पिछले डेटा और भविष्यवाणियों को संग्रहीत करने की क्षमता होती है - अनिवार्य रूप से आगे क्या हो सकता है, इस पर सुराग के लिए अतीत की तलाश करना। सीमित स्मृति कृत्रिम बुद्धि अधिक जटिल है और प्रतिक्रियाशील मशीनों की तुलना में अधिक संभावनाएं प्रस्तुत करती है।

सीमित मेमोरी एआई तब बनाई जाती है जब एक टीम लगातार एक मॉडल को नए डेटा का विश्लेषण और उपयोग करने के लिए प्रशिक्षित करती है या एआई वातावरण बनाया जाता है ताकि मॉडल को स्वचालित रूप से प्रशिक्षित और नवीनीकृत किया जा सके। मशीन लर्निंग में सीमित मेमोरी एआई का उपयोग करते समय, छह चरणों का पालन किया जाना चाहिए: प्रशिक्षण डेटा बनाया जाना चाहिए, मशीन लर्निंग मॉडल बनाया जाना चाहिए, मॉडल को भविष्यवाणियां करने में सक्षम होना चाहिए, मॉडल को मानव या पर्यावरणीय प्रतिक्रिया प्राप्त करने में सक्षम होना चाहिए, कि फीडबैक को डेटा के रूप में संग्रहित किया जाना चाहिए, और इन चरणों को एक चक्र के रूप में दोहराया जाना चाहिए।

तीन प्रमुख मशीन लर्निंग मॉडल हैं जो सीमित मेमोरी आर्टिफिशियल इंटेलिजेंस का उपयोग करते हैं:

 

• सुदृढीकरण सीखना, जो बार-बार परीक्षण-और-त्रुटि के माध्यम से बेहतर भविष्यवाणियां करना सीखता है।

•      लॉन्ग शॉर्ट टर्म मेमोरी (LSTM), जो एक क्रम में अगले आइटम की भविष्यवाणी करने में मदद करने के लिए पिछले डेटा का उपयोग करती है। एलटीएसएम अधिक हाल की जानकारी को सबसे महत्वपूर्ण मानते हैं जब भविष्यवाणियां और छूट डेटा अतीत में आगे से बनाते हैं, हालांकि अभी भी निष्कर्ष निकालने के लिए इसका उपयोग कर रहे हैं

•      इवोल्यूशनरी जनरेटिव एडवरसैरियल नेटवर्क (ई-जीएएन), जो समय के साथ विकसित होता है, हर नए निर्णय के साथ पिछले अनुभवों के आधार पर थोड़ा संशोधित पथ तलाशने के लिए बढ़ रहा है। यह मॉडल लगातार बेहतर पथ की खोज में है और अपने विकासवादी उत्परिवर्तन चक्र के परिणामों की भविष्यवाणी करने के लिए सिमुलेशन और आंकड़ों, या मौके का उपयोग करता है।

मस्तिष्क का सिद्धांत

मन का सिद्धांत बस यही है - सैद्धांतिक। हमने अभी तक कृत्रिम बुद्धिमत्ता के इस अगले स्तर तक पहुँचने के लिए आवश्यक तकनीकी और वैज्ञानिक क्षमताएँ हासिल नहीं की हैं।

यह अवधारणा इस समझ के मनोवैज्ञानिक आधार पर आधारित है कि अन्य जीवित चीजों में विचार और भावनाएं होती हैं जो किसी के स्वयं के व्यवहार को प्रभावित करती हैं। एआई मशीनों के संदर्भ में, इसका मतलब यह होगा कि एआई यह समझ सकता है कि मनुष्य, जानवर और अन्य मशीनें कैसा महसूस करती हैं और आत्म-प्रतिबिंब और दृढ़ संकल्प के माध्यम से निर्णय लेती हैं, और फिर उस जानकारी का उपयोग स्वयं निर्णय लेने के लिए करेंगी। अनिवार्य रूप से, मशीनों को "मन" की अवधारणा को समझने और संसाधित करने में सक्षम होना चाहिए, निर्णय लेने में भावनाओं के उतार-चढ़ाव और वास्तविक समय में अन्य मनोवैज्ञानिक अवधारणाओं की एक लीटनी, लोगों और कृत्रिम बुद्धि के बीच दो-तरफा संबंध बनाना।

आत्म जागरूकता

एक बार कृत्रिम बुद्धि में मन के सिद्धांत को स्थापित किया जा सकता है, कभी-कभी भविष्य में, एआई के लिए आत्म-जागरूक बनने के लिए अंतिम चरण होगा। इस प्रकार की कृत्रिम बुद्धि मानव-स्तर की चेतना रखती है और दुनिया में अपने अस्तित्व के साथ-साथ दूसरों की उपस्थिति और भावनात्मक स्थिति को भी समझती है। यह समझने में सक्षम होगा कि न केवल वे उनसे क्या संवाद करते हैं बल्कि वे इसे कैसे संवाद करते हैं, इसके आधार पर दूसरों को क्या आवश्यकता हो सकती है।

कृत्रिम बुद्धिमत्ता में आत्म-जागरूकता मानव शोधकर्ताओं पर चेतना के आधार को समझने और फिर इसे दोहराने का तरीका सीखने पर निर्भर करती है ताकि इसे मशीनों में बनाया जा सके।

उपयोग, उदाहरण + अनुप्रयोग

एआई का उपयोग कैसे किया जाता है?

2017 में जापान एआई एक्सपीरियंस में एक भीड़ को संबोधित करते हुए, डेटारोबोट के सीईओ जेरेमी अचिन ने आज एआई का उपयोग कैसे किया जाता है, इसकी निम्नलिखित परिभाषा देकर अपना भाषण शुरू किया:

"एआई एक कंप्यूटर सिस्टम है जो ऐसे कार्यों को करने में सक्षम है जिनके लिए आम तौर पर मानव बुद्धि की आवश्यकता होती है ... इनमें से कई कृत्रिम बुद्धि सिस्टम मशीन लर्निंग द्वारा संचालित होते हैं, उनमें से कुछ गहरी शिक्षा द्वारा संचालित होते हैं और उनमें से कुछ नियमों जैसी बहुत उबाऊ चीजों द्वारा संचालित होते हैं। ।"

आर्टिफिशियल इंटेलिजेंस आम तौर पर दो व्यापक श्रेणियों के अंतर्गत आता है:

•      संकीर्ण एआई: कभी-कभी "कमजोर एआई" के रूप में जाना जाता है, इस प्रकार की कृत्रिम बुद्धि एक सीमित संदर्भ में संचालित होती है और मानव बुद्धि का अनुकरण है। संकीर्ण एआई अक्सर एक ही कार्य को बहुत अच्छी तरह से करने पर केंद्रित होता है और जबकि ये मशीनें बुद्धिमान लग सकती हैं, वे सबसे बुनियादी मानव बुद्धि की तुलना में कहीं अधिक बाधाओं और सीमाओं के तहत काम कर रही हैं।

     

•      आर्टिफिशियल जनरल इंटेलिजेंस (एजीआई): एजीआई, जिसे कभी-कभी "मजबूत एआई" के रूप में जाना जाता है, वह कृत्रिम बुद्धि है जिसे हम फिल्मों में देखते हैं, जैसे वेस्टवर्ल्ड के रोबोट या स्टार ट्रेक: द नेक्स्ट जेनरेशन से डेटा। एजीआई सामान्य बुद्धि वाली एक मशीन है और, एक इंसान की तरह, यह किसी भी समस्या को हल करने के लिए उस बुद्धि को लागू कर सकती है।

संकीर्ण कृत्रिम बुद्धिमत्ता

नैरो एआई हमारे चारों ओर है और आज तक कृत्रिम बुद्धिमत्ता का सबसे सफल अहसास है। विशिष्ट कार्यों को करने पर अपने ध्यान के साथ, नैरो एआई ने पिछले एक दशक में कई सफलताओं का अनुभव किया है, जिसका "महत्वपूर्ण सामाजिक लाभ हुआ है और राष्ट्र की आर्थिक जीवन शक्ति में योगदान दिया है," "आर्टिफिशियल इंटेलिजेंस के भविष्य की तैयारी" के अनुसार। ओबामा प्रशासन द्वारा जारी 2016 की रिपोर्ट। 

संकीर्ण एआई के कुछ उदाहरणों में शामिल हैं:

     गूगल खोज
     छवि पहचान सॉफ्टवेयर
     सिरी, एलेक्सा और अन्य निजी सहायक
     सेल्फ ड्राइविंग कारें
     आईबीएम के वाटसन

 https://uchgyaan.blogspot.com/2022/04/blog-post.html

मशीन लर्निंग और डीप लर्निंग

नैरो एआई का अधिकांश भाग मशीन लर्निंग और डीप लर्निंग में सफलताओं से संचालित होता है। आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग और डीप लर्निंग के बीच अंतर को समझना भ्रामक हो सकता है। वेंचर कैपिटलिस्ट फ्रैंक चेन उनके बीच अंतर करने का एक अच्छा अवलोकन प्रदान करते हैं, ध्यान दें:

सीधे शब्दों में कहें, मशीन लर्निंग एक कंप्यूटर डेटा को फीड करता है और सांख्यिकीय तकनीकों का उपयोग करके इसे "सीखने" में मदद करता है कि किसी कार्य में उत्तरोत्तर बेहतर कैसे हो सकता है, उस कार्य के लिए विशेष रूप से प्रोग्राम किए बिना, लिखित कोड की लाखों पंक्तियों की आवश्यकता को समाप्त कर देता है। मशीन लर्निंग में पर्यवेक्षित लर्निंग (लेबल डेटा सेट का उपयोग करके) और अनसुपर्वाइज्ड लर्निंग (बिना लेबल वाले डेटा सेट का उपयोग करके) दोनों शामिल हैं।

डीप लर्निंग एक प्रकार का मशीन लर्निंग है जो जैविक रूप से प्रेरित तंत्रिका नेटवर्क आर्किटेक्चर के माध्यम से इनपुट चलाता है। तंत्रिका नेटवर्क में कई छिपी हुई परतें होती हैं, जिसके माध्यम से डेटा को संसाधित किया जाता है, जिससे मशीन को अपने सीखने में "गहरी" जाने की अनुमति मिलती है, सर्वोत्तम परिणामों के लिए कनेक्शन और भार इनपुट होता है।

https://takneekivichar.blogspot.com/2022/04/3.html

आर्टिफिशियल जनरल इंटेलिजेंस

मानव-स्तर की बुद्धि के साथ एक मशीन का निर्माण जिसे किसी भी कार्य पर लागू किया जा सकता है, कई एआई शोधकर्ताओं के लिए पवित्र कंघी बनानेवाले की रेती है, लेकिन एजीआई की खोज कठिनाई से भरी हुई है।

"किसी भी वातावरण में सीखने और अभिनय के लिए सार्वभौमिक एल्गोरिदम" (रसेल और नॉरविग 27) की खोज नई नहीं है, लेकिन समय ने अनिवार्य रूप से संज्ञानात्मक क्षमताओं के पूर्ण सेट के साथ मशीन बनाने की कठिनाई को कम नहीं किया है।

एजीआई लंबे समय से डायस्टोपियन साइंस फिक्शन का संग्रह रहा है, जिसमें सुपर-इंटेलिजेंट रोबोट मानवता को पछाड़ते हैं, लेकिन विशेषज्ञ मानते हैं कि यह ऐसी चीज नहीं है जिसके बारे में हमें जल्द ही चिंता करने की जरूरत है।

इतिहास

आर्टिफिशियल इंटेलिजेंस का एक संक्षिप्त इतिहास

बुद्धिमान रोबोट और कृत्रिम प्राणी सबसे पहले प्राचीन यूनानी मिथकों में प्राचीन काल में दिखाई दिए। अरस्तू का न्यायवाद का विकास और इसके निगमनात्मक तर्क का उपयोग मानव जाति की अपनी बुद्धि को समझने की खोज में एक महत्वपूर्ण क्षण था। जबकि जड़ें लंबी और गहरी हैं, कृत्रिम बुद्धिमत्ता का इतिहास जैसा कि हम आज सोचते हैं, एक सदी से भी कम समय तक फैला है। निम्नलिखित एआई में कुछ सबसे महत्वपूर्ण घटनाओं पर एक त्वरित नज़र है।

1940 के दशक

     (1943) वारेन मैकुलॉ और वाल्टर पिट्स ने "ए लॉजिकल कैलकुलस ऑफ आइडियाज इम्मानेंट इन नर्वस एक्टिविटी" प्रकाशित किया। कागज ने तंत्रिका नेटवर्क के निर्माण के लिए पहला गणितीय मॉडल प्रस्तावित किया।
     (1949) अपनी पुस्तक द ऑर्गनाइजेशन ऑफ बिहेवियर: ए न्यूरोसाइकोलॉजिकल थ्योरी में, डोनाल्ड हेब्ब ने इस सिद्धांत का प्रस्ताव दिया है कि तंत्रिका मार्ग अनुभवों से बनते हैं और न्यूरॉन्स के बीच संबंध जितना अधिक बार उपयोग किया जाता है, उतना ही मजबूत होता जाता है। एआई में हेबियन लर्निंग एक महत्वपूर्ण मॉडल बना हुआ है।

1950 के दशक

    (1 950) एलन ट्यूरिंग ने "कंप्यूटिंग मशीनरी और इंटेलिजेंस प्रकाशित किया, जो प्रस्तावित करता है कि अब ट्यूरिंग टेस्ट के रूप में जाना जाता है, यह निर्धारित करने की एक विधि है कि कोई मशीन बुद्धिमान है या नहीं।
    (1950) हार्वर्ड ने मार्विन मिन्स्की से स्नातक किया और डीन एडमंड्स ने SNARC का निर्माण किया, जो पहला तंत्रिका नेटवर्क कंप्यूटर था।
    (1950) क्लाउड शैनन ने "शतरंज खेलने के लिए प्रोग्रामिंग एक कंप्यूटर" पेपर प्रकाशित किया।
    (1950) इसहाक असिमोव ने "रोबोटिक्स के तीन नियम" प्रकाशित किए।
    (1952) आर्थर सैमुअल ने चेकर्स खेलने के लिए एक स्व-शिक्षण कार्यक्रम विकसित किया।
    (1954) जॉर्ज टाउन-आईबीएम मशीन अनुवाद प्रयोग ध्यान से चुने गए 60 रूसी वाक्यों का अंग्रेजी में स्वचालित रूप से अनुवाद करता है।
    (1956) कृत्रिम बुद्धिमत्ता वाक्यांश "आर्टिफिशियल इंटेलिजेंस पर डार्टमाउथ समर रिसर्च प्रोजेक्ट" में गढ़ा गया है। जॉन मैकार्थी के नेतृत्व में, सम्मेलन, जिसने एआई के दायरे और लक्ष्यों को परिभाषित किया, व्यापक रूप से कृत्रिम बुद्धिमत्ता का जन्म माना जाता है जैसा कि हम आज जानते हैं।
    (1956) एलन नेवेल और हर्बर्ट साइमन ने लॉजिक थिओरिस्ट (एलटी), पहला रीजनिंग प्रोग्राम प्रदर्शित किया।
    (1958) जॉन मैककार्थी ने एआई प्रोग्रामिंग भाषा लिस्प विकसित की और "प्रोग्राम्स विद कॉमन सेंस" पेपर प्रकाशित किया। कागज ने काल्पनिक सलाह लेने वाले का प्रस्ताव रखा, एक पूर्ण एआई प्रणाली जिसमें अनुभव से सीखने की क्षमता उतनी ही प्रभावी है जितनी कि मनुष्य करते हैं।
    (1959) एलन नेवेल, हर्बर्ट साइमन और जे.सी. शॉ ने सामान्य समस्या समाधान (जीपीएस) विकसित किया, जो मानव समस्या-समाधान की नकल करने के लिए डिज़ाइन किया गया एक कार्यक्रम है।
    (1959) हर्बर्ट गेलर्नटर ने ज्यामिति प्रमेय प्रोवर कार्यक्रम विकसित किया।
    (1959) आर्थर सैमुअल ने आईबीएम में रहते हुए मशीन लर्निंग शब्द को गढ़ा।
    (1959) जॉन मैकार्थी और मार्विन मिन्स्की ने MIT आर्टिफिशियल इंटेलिजेंस प्रोजेक्ट की स्थापना की।

1960 के दशक

    (1963) जॉन मैकार्थी ने स्टैनफोर्ड में एआई लैब शुरू की।
    (1966) अमेरिकी सरकार द्वारा स्वचालित भाषा प्रसंस्करण सलाहकार समिति (एएलपीएसी) की रिपोर्ट में मशीनी अनुवाद अनुसंधान में प्रगति की कमी का विवरण दिया गया है, जो रूसी के स्वचालित और तात्कालिक अनुवाद के वादे के साथ एक प्रमुख शीत युद्ध की पहल है। ALPAC रिपोर्ट सरकार द्वारा वित्त पोषित सभी MT परियोजनाओं को रद्द करने की ओर ले जाती है।
    (1969) पहली सफल विशेषज्ञ प्रणाली DENDRAL में विकसित की गई, एक XX कार्यक्रम, और MYCIN, जिसे रक्त संक्रमण का निदान करने के लिए डिज़ाइन किया गया है, स्टैनफोर्ड में बनाए गए हैं।

1970 के दशक

    (1972) लॉजिक प्रोग्रामिंग लैंग्वेज PROLOG बनाई गई है।
    (1973) "लाइटहिल रिपोर्ट", एआई अनुसंधान में निराशाओं का विवरण देते हुए, ब्रिटिश सरकार द्वारा जारी की जाती है और कृत्रिम बुद्धिमत्ता परियोजनाओं के लिए धन में भारी कटौती करती है।
    (1974-1980) एआई विकास की प्रगति से निराशा के कारण अकादमिक अनुदानों में डीएआरपीए में बड़ी कटौती हुई। पहले की ALPAC रिपोर्ट और पिछले साल की "Lighthill Report" के साथ, आर्टिफिशियल इंटेलिजेंस फंडिंग सूख जाती है और रिसर्च स्टॉल हो जाती है। इस अवधि को "फर्स्ट एआई विंटर" के रूप में जाना जाता है।

1980 के दशक

    (1980) डिजिटल उपकरण निगमों ने पहली सफल व्यावसायिक विशेषज्ञ प्रणाली R1 (जिसे XCON के रूप में भी जाना जाता है) विकसित किया है। नए कंप्यूटर सिस्टम के लिए ऑर्डर को कॉन्फ़िगर करने के लिए डिज़ाइन किया गया, R1 विशेषज्ञ प्रणालियों में एक निवेश उछाल की शुरुआत करता है जो कि अधिकांश दशक तक चलेगा, प्रभावी रूप से पहले "AI विंटर" को समाप्त करेगा।
    (1982) जापान के अंतर्राष्ट्रीय व्यापार और उद्योग मंत्रालय ने महत्वाकांक्षी पांचवीं पीढ़ी के कंप्यूटर सिस्टम प्रोजेक्ट की शुरुआत की। FGCS का लक्ष्य सुपरकंप्यूटर जैसा प्रदर्शन और AI विकास के लिए एक मंच विकसित करना है।
    (1983) जापान के FGCS के जवाब में, अमेरिकी सरकार ने उन्नत कंप्यूटिंग और कृत्रिम बुद्धिमत्ता में DARPA द्वारा वित्त पोषित अनुसंधान प्रदान करने के लिए रणनीतिक कंप्यूटिंग पहल शुरू की।
    (1985) कंपनियां विशेषज्ञ प्रणालियों पर सालाना एक अरब डॉलर से अधिक खर्च कर रही हैं और लिस्प मशीन बाजार के रूप में जाना जाने वाला एक पूरा उद्योग उनका समर्थन करने के लिए उभरता है। Symbolics और Lisp Machines Inc. जैसी कंपनियाँ AI प्रोग्रामिंग भाषा Lisp पर चलने के लिए विशेष कंप्यूटर बनाती हैं।
    (1987-1993) जैसे-जैसे कंप्यूटिंग तकनीक में सुधार हुआ, सस्ते विकल्प सामने आए और 1987 में लिस्प मशीन का बाजार ढह गया, जिससे "दूसरा एआई विंटर" शुरू हुआ। इस अवधि के दौरान, विशेषज्ञ प्रणालियों को बनाए रखने और अद्यतन करने के लिए बहुत महंगा साबित हुआ, अंततः पक्ष से बाहर हो गया।

1990 के दशक

    (1991) अमेरिकी सेना ने खाड़ी युद्ध के दौरान एक स्वचालित रसद योजना और समय-निर्धारण उपकरण, डार्ट को तैनात किया।
    (1992) जापान ने 1992 में एक दशक पहले उल्लिखित महत्वाकांक्षी लक्ष्यों को पूरा करने में विफलता का हवाला देते हुए एफजीसीएस परियोजना को समाप्त कर दिया।
    (1993) DARPA ने लगभग 1 बिलियन डॉलर खर्च करने और उम्मीदों से बहुत कम होने के बाद 1 993 में रणनीतिक कंप्यूटिंग पहल को समाप्त कर दिया।
    (1997) IBM के डीप ब्लू ने विश्व शतरंज चैंपियन गैरी कास्पारोव को हराया

2000 के दशक

    (2005) STANLEY, एक सेल्फ-ड्राइविंग कार, DARPA ग्रैंड चैलेंज जीतती है।
    (2005) अमेरिकी सेना ने बोस्टन डायनेमिक्स के "बिग डॉग" और आईरोबोट के "पैकबॉट" जैसे स्वायत्त रोबोटों में निवेश करना शुरू किया।
    (2008) Google ने वाक् पहचान में सफलता हासिल की और अपने iPhone ऐप में इस सुविधा को पेश किया।

2010-2014

    (2011) आईबीएम के वाटसन ने प्रतियोगिता को खतरे में डाल दिया!।
    (2011) ऐप्पल ने अपने आईओएस ऑपरेटिंग सिस्टम के माध्यम से एआई-पावर्ड वर्चुअल असिस्टेंट सिरी को रिलीज़ किया।
    (2012) Google ब्रेन डीप लर्निंग प्रोजेक्ट के संस्थापक एंड्रयू एनजी, एक प्रशिक्षण सेट के रूप में 10 मिलियन YouTube वीडियो डीप लर्निंग एल्गोरिदम का उपयोग करके एक तंत्रिका नेटवर्क को खिलाते हैं। तंत्रिका नेटवर्क ने बिल्ली को यह बताए बिना पहचानना सीखा कि बिल्ली क्या है, तंत्रिका नेटवर्क और गहन शिक्षण निधि के लिए सफलता के युग की शुरुआत की।
    (2014) गूगल ने स्टेट ड्राइविंग टेस्ट पास करने वाली पहली सेल्फ-ड्राइविंग कार बनाई।
    (2014) अमेज़ॅन का एलेक्सा, एक आभासी घर जारी किया गया

2015-2021

    (2016) गूगल डीपमाइंड के अल्फागो ने विश्व चैंपियन गो खिलाड़ी ली सेडोल को हराया। प्राचीन चीनी खेल की जटिलता को एआई में स्पष्ट करने के लिए एक बड़ी बाधा के रूप में देखा गया था।
    (2016) पहला "रोबोट नागरिक", सोफिया नाम का एक ह्यूमनॉइड रोबोट, हैनसन रोबोटिक्स द्वारा बनाया गया है और यह चेहरे की पहचान, मौखिक संचार और चेहरे की अभिव्यक्ति में सक्षम है।
    (2018) Google ने मशीन लर्निंग एप्लिकेशन द्वारा अनुवाद और समझ में बाधाओं को कम करते हुए प्राकृतिक भाषा प्रसंस्करण इंजन BERT जारी किया।
    (2018) वायमो ने अपनी वेमो वन सेवा शुरू की, जिससे पूरे फीनिक्स महानगरीय क्षेत्र में उपयोगकर्ता कंपनी के सेल्फ-ड्राइविंग वाहनों में से एक से पिक-अप का अनुरोध कर सकते हैं।
    (2020) Baidu SARS-CoV-2 महामारी के शुरुआती चरणों के दौरान वैक्सीन विकसित करने के लिए काम कर रही वैज्ञानिक और चिकित्सा टीमों के लिए अपना लीनियरफोल्ड एआई एल्गोरिदम जारी करता है। एल्गोरिथम केवल 27 सेकंड में वायरस के आरएनए अनुक्रम की भविष्यवाणी करने में सक्षम है, जो अन्य तरीकों की तुलना में 120 गुना तेज है।

स्रोत: https://builtin.com/artificial-intelligence