Inleiding
De term ‘kunstmatige intelligentie’ was voor het eerst gebruikt door John McCarthy op een conventie in het jaar 1956. Het programmeren en de mogelijkheden van de destijds nieuwe computers waren zeer gelimiteerd in hun kunnen en doen.
Machine Learning
Desondanks de ‘slechte’ computers waren de onderzoekers en wetenschappers vastberaden om toch nieuwe innovaties uit te vinden. De eerste machine learning-algoritme werd uitgevonden ergens in de jaren 60. Machine learning is een manier voor computer programma’s om zichzelf te verbeteren door middel van patronen te herkennen en te analyseren. Het verbeterd zich dan door dat het feedback krijgt en daardoor blijft herhalen tot het beter is. Op dit moment wordt machine learning gebruikt voor zowel beeld- en spraakherkenning. Er zijn vele soorten industrieën die niet meer zonder kunnen. Machine learning is uitgegroeid tot 3 takken: Unsupervised learning, supervised learning en reinforcement learning.
Neuraal Netwerk
In de jaren 70 vond er een enorme vooruitgang plaats in de ontwikkeling van technologie, met de opkomst van nieuwe concepten zoals het neurale netwerk. Dit was een belangrijke verschuiving in de benadering van kunstmatige intelligentie (AI). Een neuraal netwerk is geïnspireerd op het menselijk brein en probeert neurale verbindingen van mensen na te bootsen. Een neuraal netwerk bestaat uit een reeks verbonden knooppunten, ook wel neuronen genoemd, die samenwerken als de neuronen in het menselijk brein. Deze knooppunten zijn georganiseerd in lagen, waaronder invoerlagen, verborgen lagen en uitvoerlagen. Elk knooppunt is verbonden met knooppunten in aangrenzende lagen, en deze verbindingen hebben gewichten die tijdens het leerproces worden aangepast op basis van de gegevens waarmee het netwerk wordt getraind. Het leerproces van een neuraal netwerk omvat het presenteren van een reeks voorbeeldgegevens aan het netwerk, waarbij het netwerk leert om patronen en relaties in de gegevens te herkennen. Door het aanpassen van de gewichten tussen de knooppunten kan het neurale netwerk zich aanpassen en optimaliseren voor specifieke taken. Dit vermogen om te leren van data maakt neurale netwerken bijzonder geschikt voor taken zoals patroonherkenning, classificatie en voorspelling. Deze ontwikkeling in neurale netwerken legde de basis voor machine learning, waarbij computers niet alleen werden geprogrammeerd om specifieke taken uit te voeren, maar ook om te leren en zich aan te passen aan nieuwe informatie. De opkomst van deze technologie heeft geleid tot verdere vooruitgang in kunstmatige intelligentie en heeft gezorgd voor veel verschillende toepassingen, waaronder beeld- en spraakherkenning, taalverwerking en autonome systemen.
Deep Blue
In de navolgende jaren werd de kunstmatige intelligentie steeds geavanceerder. Dit kwam ook voor het spel schaken. Zo won in het jaar 1997 Deep Blue van Kasparov na meerdere nederlagen. In de jaren 80 bouwde 2 AI experts een schaak AI. De AI gebouwd door Murray Campbell en Feng-hsiung Hsu en was de eerste AI die Chess Grand Master had verslagen. Door deze prestatie werd er meer geïnvesteerd in AI en uiteindelijk zijn de 2 eerdergenoemde experts ingehuurd door IBM om een nieuwe AI te creëren die het zou kunnen opnemen tegen Garry Kasparov. Het duurde ongeveer 6 jaar maar in 1996 was het eerste duel tussen Deep Blue en Kasparov. Deep Blue had één overwinning geboekt op Kasparov maar de mens had uiteindelijk gewonnen met 3 tegen 1. Na een jaar van de AI trainen wilde IBM een revanche tegen Kasparov. In 1997 won Deep Blue van Kasparov en dat was het begin van een nieuwe tijdperk. Ondanks de winst van Deep Blue werd de software toch bekritiseerd en uiteindelijk nam het neurale netwerk over. Want Deep Blue was niet echt aan het nadenken maar meer alle mogelijkheden aan het berekenen. Dat kostte veel geheugen en dus probeerde de ontwikkelaars een nieuwe manier te verzinnen.
AI Winter en AI Boom
Het gebrek aan investeerders en interesse aan AI wordt een AI Winter genoemd. Dit kwam zowel voor in de jaren 70 als de jaren 80. Doordat AI niet het gewenste effect had in de jaren 70 waren mensen zeer kritisch over de mogelijkheden van kunstmatige intelligentie. Mensen gingen niet meer investeren in AI. In 1984 verscheen de term AI Winter tijdens een congres in Amerika. Er werd namelijk met hoge lof gesproken over de snelle ontwikkelingen die AI zou doorgaan en de komende jaren maar het eindproduct was averechts. Daarnaast bestaat ook de term ‘AI Boom’. Een AI Boom is een periode waarin veel nieuwe innovaties worden gemaakt en veel geld geïnvesteerd wordt in AI. De eerst Boom was rond de jaren 60 zoals de eerste zoekmachines. De mogelijkheden met Artificiële Intelligentie leken oneindig. De meeste dingen zijn tegenwoordig mogelijk maar destijds nog niet. De 2de AI Boom was rond het jaar 1990. Doormiddel van Moore’s wet werd de kracht die chips in computers genereerde steeds en steeds krachtiger. Dingen zoals zoekmachines en beeld- en spraakherkenning werd uitgevonden. Ook hielp het ontstaan van het internet met het communicatie gedeelte. Sinds de 21ste eeuw was er een nieuwe doorbraak die het mogelijk heeft gemaakt om Deep learning en machine learning te verbeteren . Ook zijn dingen zoals chatbots, geavanceerde robots en zelfs zelfrijdende auto’s nu mogelijk.
Moore’s Law
Moore’s wet is een predictie van de engineer Gordon Moore. Hij nam aan dat elk jaar het aantal transitoren op een chip zou verdubbelen. Uiteindelijk blijkt dat het meer richting de 18 maanden ging en dus niet de voorspeldde 12 maanden van Moore. De reden dat computers steeds beter worden komt doordat de hoeveelheid transitoren in een chip bepaald hoe krachtig je computer is. Vroeger werd een transistor uitgemeten in millimeters maar tegenwoordig is dat in nanometer. Dit fenomeen heeft ervoor gezorgd dat er veel mee transitoren passen op een chip en dat een computer dus meer aankan. Voor AI is dat ook handig, aangezien kunstmatige Intelligentie veel kracht nodig heeft om bijvoorbeeld alle mogelijkheden uit te rekenen.