Geschiedenis van kunstmatige intelligentie

Geschiedenis van kunstmatige intelligentie, evolutie, chronologie, ontwikkeling. Het is tegenwoordig trendy om over ChatGPT en Bard te praten; Wat weinigen weten is de weg die wordt afgelegd om dit soort technologie te bereiken. Deze interesse van ons is niet plotseling, als je ons bericht leest: Geschiedenis van robotica, chronologie, tijdlijn, AI, zul je het beter begrijpen, omdat het veel raakpunten heeft met dit artikel waarvan we hopen dat het nuttig zal zijn.

Kunstmatige intelligentie (AI) is een revolutionair vakgebied dat in de loop der jaren enorm is geëvolueerd. Het heeft betrekking op de ontwikkeling van intelligente machines die taken kunnen uitvoeren waarvoor normaal gesproken menselijke intelligentie nodig is. In dit artikel beginnen we aan een boeiende reis door de geschiedenis van AI, waarbij we het begin, de belangrijkste ontwikkelingen en de transformerende impact die het heeft gehad op verschillende industrieën onderzoeken.

Vanaf de geboorte van AI als academische discipline tot de recente ontwikkelingen op het gebied van machinaal leren en neurale netwerken: we ontdekken de belangrijkste mijlpalen en opmerkelijke cijfers die de geschiedenis van AI hebben gevormd, terwijl we ons verdiepen in de opwindende vooruitzichten voor de toekomst van dit voortdurend evoluerende veld.

Kunstmatig neuron model

Warren McCulloch en Walter Pitts staan bekend om het voorstellen van een model van kunstmatige neuronen in hun baanbrekende artikel “A Logical Calculus of the Ideas Immanent in Nervous Activity”, gepubliceerd in 1943. Zijn werk legde de basis voor het gebied van kunstmatige neurale netwerken en had een aanzienlijke invloed op de ontwikkeling van de moderne computationele neurowetenschappen.

In hun artikel introduceerden McCulloch en Pitts een vereenvoudigd wiskundig model van een neuron, vaak een McCulloch-Pitts (M-P) neuron of drempellogische eenheid genoemd. Dit model was bedoeld om de basisfunctie van een biologisch neuron vast te leggen door middel van logische operaties.

Het M-P-neuron neemt binaire input en produceert een binaire output op basis van een vooraf bepaalde drempel. Aan elke invoer wordt een gewicht toegekend, dat het belang ervan in de totale berekening bepaalt. Het neuron telt de gewogen inputs bij elkaar op en als de som een bepaalde drempelwaarde overschrijdt, wordt hij geactiveerd en produceert hij een output van 1; anders blijft het inactief en produceert het een uitvoer van 0. Deze binaire output kan worden gebruikt als input voor andere neuronen of als uiteindelijke output van het neurale netwerk.

McCulloch en Pitts lieten zien dat door deze kunstmatige neuronen op specifieke manieren met elkaar te verbinden, complexe berekeningen konden worden uitgevoerd. Ze toonden aan dat netwerken van MP-neuronen logische functies konden berekenen, zoals logische conjunctie (AND) en logische disjunctie (OR). Ze toonden ook aan dat deze netwerken konden worden gecombineerd om meer geavanceerde berekeningen uit te voeren, zoals de universele calculus, waarin elke berekenbare functie kon worden weergegeven met behulp van een geschikte netwerkconfiguratie.

Hoewel het M-P-neuronenmodel simplistisch was vergeleken met biologische neuronen, bood het een cruciaal theoretisch raamwerk voor het begrijpen van neurale berekeningen en inspireerde het latere ontwikkelingen in het onderzoek naar neurale netwerken. Zijn werk maakte de weg vrij voor de ontwikkeling van meer geavanceerde kunstmatige neurale netwerkmodellen, waaronder de perceptron en moderne deep learning-architecturen die tegenwoordig worden gebruikt.

De oorsprong van alles: 1949

“Giant Brains or Thinking Machines” is een boek geschreven door Edmund Callis Berkley, voor het eerst gepubliceerd in 1949. Onderzoekt het gebied van kunstmatige intelligentie (AI) en het concept van het bouwen van machines die mensachtige denkvermogens bezitten. Ondanks dat het enkele decennia geleden is geschreven, blijft het boek relevant omdat het ingaat op fundamentele AI-concepten en -uitdagingen.

Berkley begint met een inleiding tot de geschiedenis van computers, vroege ontwikkelingen en de mogelijkheid dat machines menselijke intelligentie simuleren. Vervolgens duikt het in de theoretische grondslagen van AI, waarbij onderwerpen als logica, besluitvorming en leren aan bod komen. Onderzoekt het idee om elektronische circuits te gebruiken om de functies van het menselijk brein te simuleren, waarbij de vooruitgang wordt benadrukt die destijds in elektronische computermachines werd geboekt.

De auteur duikt ook in de mogelijke toepassingen van AI op verschillende gebieden, zoals de geneeskunde, techniek en zelfs de kunsten. Berkley onderzoekt de ethische implicaties van het creëren van machines die kunnen denken en hun mogelijke impact op de samenleving. Het roept vragen op over de toekomst van werk en de relatie tussen mens en intelligente machines.

Hoewel ‘Giant Brains or Thinking Machines’ is geschreven in een tijd dat het vakgebied AI zich nog in de beginfase bevond, biedt het een fundamenteel begrip van het onderwerp. Het boek presenteert de visie van de auteur op intelligente machines en roept belangrijke vragen op over de mogelijkheden en implicaties van het creëren van machines die kunnen denken.

Opgemerkt moet worden dat het boek is geschreven vóór de komst van moderne AI-technieken zoals neurale netwerken en deep learning, waardoor sommige technische details en voorspellingen in het boek mogelijk verouderd zijn. ‘Giant Brains or Thinking Machines’ blijft echter een suggestieve verkenning van het concept van kunstmatige intelligentie en de mogelijke impact ervan op de samenleving.

Alan Turing: 1950

“Computing Machinery and Intelligence” is een invloedrijk essay geschreven door Alan Turing, een pionier op het gebied van computers en kunstmatige intelligentie. Het essay, oorspronkelijk gepubliceerd in 1950, gaat in op de vraag of machines echte intelligentie kunnen tonen en stelt wat nu bekend staat als de “Turing-test” voor als maatstaf voor machine-intelligentie.

Turing begint met het in vraag stellen van het idee van het definiëren van intelligentie in absolute termen. Hij stelt dat intelligentie moet worden beoordeeld op basis van het vermogen om intelligent gedrag te vertonen en niet op basis van interne mentale toestanden of mechanismen. Dit vormt de basis voor zijn verkenning van het potentieel van denkmachines.

Turing stelt een gedachte-experiment voor dat het ‘imitatiespel’ wordt genoemd en dat later bekend zou worden als de Turing-test. In dit spel communiceert een ondervrager met een mens en een machine via een computerterminal, met als doel te bepalen wie de mens is en wie de machine. Turing suggereert dat als een machine erin slaagt de ondervrager te laten geloven dat hij een mens is, hij over intelligentie kan beschikken.

Het essay bespreekt mogelijke bezwaren en tegenargumenten tegen het idee van machine-intelligentie, inclusief het ‘bewustzijnsargument’ en de beperkingen van computermachines. Turing gaat in op deze bezwaren en stelt dat het vermogen om te denken niet uniek is voor mensen, maar door machines kan worden bereikt door middel van de juiste programmering.

Turing gaat in op deze bezwaren en stelt dat het vermogen om te denken niet uniek is voor mensen, maar door machines kan worden bereikt door middel van de juiste programmering. Het roept filosofische vragen op over de aard van de menselijke intelligentie en het potentieel voor machinaal bewustzijn.

“Computing Machinery and Intelligence” is een fundamenteel werk dat de basis heeft gelegd voor het gebied van kunstmatige intelligentie. Turing’s verkenning van imitatiespel en zijn argumenten over machine-intelligentie blijven de huidige ontwikkeling en het begrip van AI vormgeven. Het essay blijft zeer invloedrijk en wordt beschouwd als een belangrijke bijdrage aan het filosofische en praktische discours rond kunstmatige intelligentie en de aard van intelligentie zelf.

Arthur Samuel: de vader van machinaal leren

Samuel was een pionier in de ontwikkeling van een programma dat dammen kon spelen, een project dat in 1952 begon. Deze revolutionaire prestatie demonstreerde niet alleen het potentieel van AI, maar markeerde ook een belangrijk keerpunt op het gebied van gaming-algoritmen.

Samuels baanbrekende werk op het gebied van dammen culmineerde in 1955 met de creatie van zijn programma, bekend als het “Samuel Checkers-Playing Program.” In tegenstelling tot eerdere benaderingen, die vertrouwden op uitputtende zoekalgoritmen, omvatte Samuels programma technieken voor machinaal leren. Met behulp van een heuristische benadering leerde het programma van eerdere spellen, evalueerde het de bordposities en paste het zijn strategie aan op basis van ervaringen. Dit was een aanzienlijke verandering ten opzichte van traditioneel programmeren, aangezien het programma nu in de loop van de tijd zijn spel kon verbeteren.

Dartmouth Workshop en vroege IA-concepten: 1956

De Dartmouth Workshop, gehouden in de zomer van 1956, is een historische gebeurtenis die de geboorte markeerde van kunstmatige intelligentie (AI) als academische discipline. Deze baanbrekende bijeenkomst bracht invloedrijke figuren uit het veld samen die de basis legden voor de ontwikkeling van AI.

De geboorte van IA: geschiedenis van kunstmatige intelligentie

In de zomer van 1956 organiseerden John McCarthy, Marvin Minsky, Nathaniel Rochester en Claude Shannon een baanbrekend evenement dat bekend staat als de Dartmouth Workshop. Het doel van deze workshop was om de mogelijkheid te onderzoeken om machines te creëren die menselijke intelligentie kunnen vertonen. Deelnemers, waaronder wiskundigen, computerwetenschappers en cognitief psychologen, kwamen samen voor acht weken intensief brainstormen en samenwerken.

De Dartmouth Workshop bleek een katalysator voor AI-onderzoek en legde de basis voor de toekomstige ontwikkeling van dit vakgebied. De deelnemers waren optimistisch over het potentieel van IA en voorzagen de creatie van machines die in staat zijn complexe problemen op te lossen, natuurlijke taal te begrijpen en zelfs te leren van ervaringen. Hoewel sommige van deze doelstellingen voor die tijd ambitieus waren, bracht de workshop een vonk teweeg die leidde tot decennia van baanbrekend onderzoek en innovatie op het gebied van IA.

Vroege IA-concepten: symbolische IA en logisch redeneren

Tijdens de Dartmouth Workshop concentreerden vroege AI-onderzoekers zich op symbolische IA, die tot doel had intelligente systemen te ontwikkelen door het gebruik van symbolische representatie en logisch redeneren. Het Logic Theorist-programma van Allen Newell en Herbert Simon, ontwikkeld in 1955, was een van de eerste belangrijke prestaties in deze richting. Het programma demonstreerde dat machines wiskundige stellingen konden bewijzen door logische regels toe te passen.

Een ander opmerkelijk concept dat uit de workshop naar voren kwam, was het idee van een ‘algemene probleemoplosser’. Newell, Simon en JC Shaw stelde de ontwikkeling voor van een universele probleem oplossende machine die een breed scala aan problemen zou kunnen aanpakken met behulp van een reeks algemene heuristieken. Hoewel het implementeren van een alomvattende, algemene probleemoplosser een uitdaging was, legde het concept de basis voor verdere vooruitgang in AI-probleem oplossings technieken.

De Dartmouth Workshop onderzocht ook het begrip machinaal leren. Hoewel vroege IA-onderzoekers optimistisch waren over het potentieel ervan, was de vooruitgang op dit gebied destijds relatief beperkt. Beperkingen in de rekenkracht en de beschikbare gegevens maakten het moeilijk om praktische machine learning-algoritmen te ontwikkelen.

Ondanks deze beperkingen bood de Dartmouth Workshop een platform voor vruchtbare discussies, uitwisseling van ideeën en formulering van fundamentele concepten die het toekomstige traject van AI-onderzoek vormgaven. Het evenement legde niet alleen de basis voor verdere vooruitgang, maar stimuleerde ook een levendige gemeenschap van onderzoekers die de grenzen van AI bleven verkennen en verleggen.

logische theoreticus

In 1956 begonnen Newell en Simon, samen met hun collega J.C. Shaw presenteerde Logic Theorist als een programma dat is ontworpen om menselijke processen van probleem oplossing en redeneren te imiteren. Zijn doel was om aan te tonen dat een computer programma menselijke intelligentie kon nabootsen in de context van het bewijzen van wiskundige stellingen.

Logic Theorist is ontwikkeld voor de IBM 704-computer en gebruikte symbolische logica en een reeks heuristische regels om naar bewijs te zoeken. Het werkte door ketens van logische implicaties te genereren en deze te vergelijken met een gegeven reeks axioma’s en stellingen. Het programma gebruikte een combinatie van voorwaartse en achterwaartse ketens om logische uitdrukkingen te onderzoeken en te manipuleren, in een poging een bewijs voor een bepaalde stelling te vinden.

Een van de meest opmerkelijke prestaties van de Logic Theorist was het succesvol bewijzen van 38 van de 52 stellingen van de symbolische logica in Principia Mathematica, een monumentaal werk van de wiskundigen Alfred North Whitehead en Bertrand Russell. Het vermogen van de Logic Theorist om stellingen te bewijzen toonde aan dat geautomatiseerd redeneren mogelijk was en opende nieuwe mogelijkheden voor computerondersteunde wiskundige verkenning.

De ontwikkeling van de Logical Theorist was een belangrijke mijlpaal op het gebied van kunstmatige intelligentie, omdat het het potentieel van computers aantoonde om taken uit te voeren die traditioneel met menselijke intelligentie worden geassocieerd. Het werk van Newell en Simon maakte de weg vrij voor onderzoek en ontwikkeling op het gebied van het geautomatiseerd bewijzen van stellingen en symbolisch redeneren, en hun ideeën blijven dit vakgebied tot op de dag van vandaag beïnvloeden.

De geboorte van machinaal leren: Perceptrons

In 1957 beleefde het vakgebied machine learning een doorbraak met de introductie van de perceptron door Frank Rosenblatt. De perceptron was een vroege vorm van een kunstmatig neuraal netwerk, geïnspireerd door de werking van het menselijk brein. Het was in staat om van gegevens te leren via een proces dat bekend staat als begeleid leren.

De perceptron demonstreerde opmerkelijke capaciteiten op het gebied van patroonherkenningstaken, wat het potentieel ervan voor machinaal leren benadrukte. Het kreeg brede aandacht en wekte de hoop op de ontwikkeling van meer geavanceerde intelligente systemen.

Het aanvankelijke enthousiasme rond perceptrons was echter van korte duur vanwege hun beperkingen. Perceptrons konden alleen lineair scheidbare patronen classificeren, wat betekende dat ze moeite hadden met complexere problemen waarvoor niet-lineaire beslissingsgrenzen nodig waren.

ELIZA: 1966

Joseph Weizenbaum, een computerwetenschapper en professor aan het MIT, ontwikkelde ELIZA, een baanbrekend computerprogramma dat een psychotherapeut simuleerde. ELIZA, opgericht halverwege de jaren zestig, wordt beschouwd als een van de eerste voorbeelden van natuurlijke taalverwerking en kunstmatige intelligentie.

ELIZA wilde een gesprek tussen een gebruiker en een psychotherapeut simuleren met behulp van een techniek die ‘patroonmatching’ wordt genoemd. Het programma analyseerde gebruikersinvoer en genereerde reacties op basis van vooraf gedefinieerde patronen en regels. ELIZA gebruikte een eenvoudige maar effectieve methode om gebruikersverklaringen om te zetten in vragen en reflecties, waardoor het leek alsof het programma een betekenisvol gesprek begreep en eraan deelnam.

Het belangrijkste principe van ELIZA was het idee van “Rogeriaanse psychotherapie”, ontwikkeld door psycholoog Carl Rogers. Rogeriaanse therapie legt de nadruk op actief luisteren, empathie en reflectie, en de therapeut moedigt de cliënt aan om zijn gedachten en emoties te onderzoeken. ELIZA paste deze technieken toe door de uitspraken van gebruikers te spiegelen en open vragen te stellen, zonder echt begrip of emotioneel inzicht te bieden.

ELIZA kreeg aandacht en populariteit vanwege zijn vermogen om gebruikers te betrekken en de illusie van een betekenisvol gesprek te creëren. Het was de bedoeling van Weizenbaum om de oppervlakkigheid van de interactie tussen mens en computer aan te tonen en om het idee uit te dagen dat computers mensen echt zouden kunnen begrijpen of zich er in kunnen inleven.

Ondanks haar beperkingen en gebrek aan echte intelligentie had ELIZA een aanzienlijke impact op het gebied van kunstmatige intelligentie en natuurlijke taalverwerking. Het leidde tot nieuw onderzoek en inspireerde de ontwikkeling van meer geavanceerde chatbotsystemen. De invloed van ELIZA is terug te zien in hedendaagse conversatieagenten, waaronder virtuele assistenten en chatbots, die blijven evolueren met de vooruitgang in AI-technologieën.

1970s

In de jaren zeventig stuitte het AI-onderzoek op een wegversperring. Het vakgebied werd geplaagd door problemen als het ‘kennis representatie probleem’ en het ‘frame probleem’. Deze problemen maakten het moeilijk voor AI-systemen om kennis en redenering over de wereld op een vergelijkbare manier als mensen weer te geven.

Op het gebied van kunstmatige intelligentie (AI) verwijst het probleem van kennis representatie naar de uitdaging van het effectief representeren en organiseren van kennis binnen een computer systeem. Het gaat om het vinden van passende manieren om kennis op te slaan, te structureren en te manipuleren, zodat een AI-systeem kan redeneren, leren en intelligente beslissingen kan nemen.

Het probleem van kennis representatie komt voort uit het feit dat menselijke kennis enorm, divers en vaak complex is. Het vertalen van deze kennis naar een formaat dat machines kunnen begrijpen en gebruiken is een fundamentele uitdaging van AI.

Het framingprobleem is een bekend probleem in de kunstmatige intelligentie (AI) en vertegenwoordigt een uitdaging die verband houdt met het representeren en redeneren van de effecten van acties en veranderingen in dynamische omgevingen. Het werd voor het eerst geïdentificeerd door AI-onderzoekers John McCarthy en Patrick J. Hayes eind jaren zestig.

Het framingprobleem komt voort uit de moeilijkheid om te bepalen welke aspecten van een situatie relevant zijn om expliciet weer te geven en bij te werken bij het overwegen van de effecten van een actie, waarbij de onveranderde aspecten worden genegeerd. Met andere woorden, het is het probleem van het representeren en redeneren over wat hetzelfde blijft (of niet verandert) als er iets verandert.

Laten we, om dit probleem te illustreren, naar een eenvoudig voorbeeld kijken: stel dat een AI-systeem de taak heeft om de toestand van een kamer te veranderen door een raam te openen. Het systeem moet herkennen welke informatie relevant is om de oorspronkelijke staat van de ruimte te beschrijven, welke veranderingen moeten worden aangebracht en wat hetzelfde blijft.

Het raamwerk probleem benadrukt de uitdaging van het vermijden van buitensporige berekeningen en onnodige updates van de gehele kennisbank telkens wanneer een actie wordt uitgevoerd. Het probleem ligt in het onderscheiden van relevante veranderingen en de grote hoeveelheid achtergrondkennis die onveranderd blijft.

Onderzoekers hebben verschillende oplossingen voorgesteld om het raamwerk probleem aan te pakken. Sommige benaderingen omvatten expliciete representaties van de effecten van acties, inclusief de introductie van actiespecifieke regels of logische axioma’s. Anderen gebruiken meer impliciete methoden, zoals standaardredeneringen of niet-monotone logica, om het frameprobleem op te lossen.

Ondanks deze pogingen blijft het raamwerk probleem een grote uitdaging bij IA. Het is nauw verwant aan de bredere kwestie van representatie en redeneren over verandering, en blijft een actief onderzoeksgebied, vooral op het gebied van kennisrepresentatie, planning en redeneren over actie en tijd in IA-systemen.

Tegenslagen en tot overmaat van ramp weinig financiering.

1980s

De jaren tachtig waren een decennium van grote vooruitgang op het gebied van kunstmatige intelligentie (IA). Na een periode van aanvankelijk enthousiasme in de jaren zestig en zeventig was het AI-onderzoek begin jaren tachtig enigszins gestagneerd. Een reeks nieuwe ontwikkelingen in de jaren tachtig hielpen echter het AI-onderzoek nieuw leven in te blazen en een nieuw tijdperk van vooruitgang in te luiden.

Een van de belangrijkste ontwikkelingen van de jaren tachtig was de opkomst van machinaal leren. Machine learning is een kunstmatige-intelligentie techniek waarmee computers kennis uit gegevens kunnen halen, waardoor de noodzaak voor expliciet programmeren wordt geëlimineerd. Dit was een doorbraak en opende een hele nieuwe wereld van mogelijkheden voor AI.

Een andere belangrijke vooruitgang in de jaren tachtig was de ontwikkeling van expert systemen. Expertsystemen zijn computerprogramma’s die het besluitvormings proces van een menselijke expert kunnen imiteren. Dit was een doorbraak, waardoor AI voor het eerst in echte toepassingen kon worden gebruikt.

Andere belangrijke AI-technologieën, zoals natuurlijke taalverwerking en computervisie, werden ook in de jaren tachtig ontwikkeld. Deze technologieën legden de basis voor de nog snellere vooruitgang die zich in de jaren negentig en daarna op het gebied van AI zou voordoen.

Hieronder vindt u een tijdlijn van enkele van de belangrijkste ontwikkelingen op het gebied van AI in de jaren tachtig:

1980: Ontwikkeling van WABOT-2, een mensachtige robot die met mensen kan communiceren, bladmuziek kan lezen en muziek kan spelen op een elektronisch orgel.
1982: Lancering van het Fifth Generation Computer Systems-project, een initiatief van de Japanse overheid om een nieuwe generatie computers te ontwikkelen die in staat zijn tot redeneren op menselijk niveau.

1983: ontwikkeling van het Dendral-expertsysteem, dat ziekten kan diagnosticeren op basis van medische symptomen.
1984: Uitgave van de film “2001: A Space Odyssey”, met een HAL 9000-computer die zelfbewustzijn krijgt en moorddadig wordt.
1985: Ontwikkeling van het MYCIN-expertsysteem, waarmee infectieziekten kunnen worden gediagnosticeerd.

1986: Ontwikkeling van het R1-expert systeem, geschikt voor het configureren van computer systemen.
1987: ontwikkeling van de programmeertaal PROLOG, gebruikt voor logisch programmeren.
1988: Ontwikkeling van de cognitieve architectuur van Soar, een model van menselijke cognitie.

1989: ontwikkeling van de programmeertaal Neural Network, gebruikt voor het programmeren van neurale netwerken.

De jaren tachtig waren een decennium van grote vooruitgang op het gebied van IA. De ontwikkeling van nieuwe technologieën, zoals machine learning, expertsystemen en natuurlijke taalverwerking, legde de basis voor de nog snellere vooruitgang die zich in de jaren negentig en daarna op het gebied van AI zou voordoen.

1990s

De opkomst van statistisch leren en datagestuurde benaderingen: In de jaren negentig verschoof machine learning naar statistische benaderingen, waarbij de nadruk lag op data en patroonanalyse. Onderzoekers onderzochten technieken zoals beslissingsbomen, support vector machines (SVM’s) en Bayesiaanse netwerken. Tijdens deze periode ontstond ook het gebied van datamining, met als doel het extraheren van nuttige informatie en kennis uit grote datasets.

De jaren negentig waren een decennium van grote vooruitgang op het gebied van kunstmatige intelligentie (AI). Na een periode van snelle groei in de jaren tachtig bleef het AI-onderzoek in de jaren negentig vooruitgang boeken, waarbij een reeks doorbraken werd bereikt.

Een van de belangrijkste ontwikkelingen van de jaren negentig was de opkomst van deep learning. Deep learning, een tak van machine learning, maakt gebruik van de kracht van kunstmatige neurale netwerken om inzichten en kennis uit data te halen. Dit was een doorbraak, waardoor AI bovenmenselijke prestaties kon leveren bij een reeks taken, zoals beeldherkenning en natuurlijke taalverwerking.

Een andere belangrijke vooruitgang in de jaren negentig was de ontwikkeling van autonome robots. Autonome robots kenmerken zich door hun vermogen om zelfstandig te functioneren, zonder de noodzaak van menselijke tussenkomst. Ze zijn in staat taken uit te voeren en beslissingen te nemen op basis van hun eigen programmering en sensorische informatie, waardoor de afhankelijkheid van constante menselijke controle wordt geëlimineerd, wat een doorbraak was en een hele nieuwe wereld van mogelijkheden voor AI opende, bijvoorbeeld op het gebied van productie en gezondheidszorg en transport.

Andere belangrijke AI-technologieën, zoals genetische algoritmen en evolutionair computergebruik, werden ook in de jaren negentig ontwikkeld. Deze technologieën legden de basis voor de nog snellere vooruitgang die zich in de jaren 2000 en daarna op het gebied van AI zou voordoen.

Hieronder vindt u een tijdlijn van enkele van de belangrijkste ontwikkelingen op het gebied van AI in de jaren negentig:

1990: Ontwikkeling van het Deep Blue-schaakprogramma, dat in 1997 wereldkampioen Garry Kasparov versloeg.

1991: Ontwikkeling van ARPANET, de voorloper van het internet, waardoor AI-onderzoekers gegevens konden delen en aan projecten konden samenwerken.
1992: Ontwikkeling van de Dactyl-hand, een robothand die objecten kan vastgrijpen en manipuleren.
1993: ontwikkeling van de Shakey-robot, een mobiele robot die zich door zijn omgeving kan bewegen en obstakels kan ontwijken.

1994: ontwikkeling van het Watson-systeem voor natuurlijke taalverwerking, dat menselijke taal kan begrijpen en erop kan reageren.
1995: Ontwikkeling van de Aibo-robothond, een van de eerste commercieel succesvolle robots.
1996: Ontwikkeling van de ImageNet-dataset, een grote verzameling afbeeldingen die wordt gebruikt om machine learning-modellen te trainen.

1997: Ontwikkeling van het convolutionele neurale netwerk LeNet, een van de eerste deep learning-modellen die succes boekte op het gebied van beeldherkenning.
1998: De ontwikkeling van het diagnostische systeem GeneXpert, dat genetische algoritmen gebruikt om infectieziekten te diagnosticeren.

2000s

De jaren 2000 waren een decennium van grote vooruitgang op het gebied van kunstmatige intelligentie (AI). Na een periode van snelle groei in de jaren negentig bleef het AI-onderzoek in de jaren 2000 vooruitgang boeken, waarbij verschillende belangrijke vorderingen werden geboekt.

Een van de belangrijkste ontwikkelingen in de jaren 2000 was de opkomst van deep learning. Deep learning, een vorm van machinaal leren, maakt gebruik van kunstmatige neurale netwerken om informatie en inzichten uit gegevens te halen. Door gebruik te maken van deze ingewikkelde netwerken kunnen deep learning-algoritmen autonoom complexe patronen analyseren en begrijpen, waardoor geavanceerde gegevensverwerking en leermogelijkheden worden vergemakkelijkt. Dit was een doorbraak, waardoor AI bovenmenselijke prestaties kon leveren bij een reeks taken, zoals beeldherkenning en natuurlijke taalverwerking.

Een andere belangrijke ontwikkeling in de jaren 2000 was de ontwikkeling van autonome robots. De ontwikkeling van autonome robots betekende een grote vooruitgang op het gebied van kunstmatige intelligentie. Deze robots kunnen zonder menselijke tussenkomst opereren, waardoor er een hele nieuwe wereld aan mogelijkheden voor AI op verschillende terreinen opengaat. Autonome robots kunnen bijvoorbeeld worden gebruikt in de productie om gevaarlijke of repetitieve taken uit te voeren, in de gezondheidszorg om patiënten en zorgverleners te helpen, en in het transport om goederen en diensten te leveren.

Andere belangrijke AI-technologieën, zoals genetische algoritmen en evolutionair computergebruik, werden ook in de jaren 2000 ontwikkeld. Deze technologieën legden de basis voor de nog snellere vooruitgang die in de jaren 2010 en daarna op het gebied van AI zou plaatsvinden.

Hier is een tijdlijn van enkele van de belangrijkste ontwikkelingen op het gebied van AI in de jaren 2000:

2000: De ontwikkeling van de Nomad-robot, die afgelegen gebieden van Antarctica verkent op zoek naar meteorietmonsters.
2002: De ontwikkeling van de iRobot Roomba, die autonoom de vloer stofzuigt terwijl hij navigeert en obstakels ontwijkt.

2004: Ontwikkeling van de OWL-webontologietaal, die wordt gebruikt om kennis weer te geven in een machinaal leesbaar formaat.
2005: De ontwikkeling van de DARPA Grand Challenge, een wedstrijd om autonome voertuigen te ontwikkelen die zonder menselijke tussenkomst de woestijn kunnen doorkruisen.
2006: De ontwikkeling van de dienst Google Translate, die teksten van de ene taal naar de andere kan vertalen.

2009: De ontwikkeling van het kunstmatige intelligentie systeem DeepMind, dat Atari-spellen op bovenmenselijke niveaus kan leren spelen.

2010s

2010:

IBM’s Watson-supercomputer wint de Jeopardy-spelshow en demonstreert het vermogen van AI om natuurlijke taal te begrijpen en complexe vragen te beantwoorden.

2011:

Apple introduceert Siri, een slimme persoonlijke assistent voor iOS-apparaten, die spraakgestuurde AI-apps populair maakt.

2012:

Google’s DeepMind ontwikkelt een diep neuraal netwerk genaamd AlexNet, dat een doorbraak betekent in de nauwkeurigheid van beeldherkenning en de heropleving van deep learning een impuls geeft.

2014:

AlphaGo van DeepMind verslaat voor de eerste keer een menselijke Go-wereldkampioen, wat het potentieel van AI in complexe strategische games aantoont.

2015:

OpenAI, een non-profit onderzoeksorganisatie, is opgericht met een missie om ervoor te zorgen dat kunstmatige algemene intelligentie (AGI) de hele mensheid ten goede komt.

2017:

Generatieve vijandige netwerken (GAN’s) trekken de aandacht vanwege hun vermogen om realistische afbeeldingen en video’s te genereren.
Tesla kondigt zijn Autopilot-functie aan, die gebruik maakt van kunstmatige intelligentie en machine learning-algoritmen om geavanceerde rijhulpfuncties in zijn voertuigen mogelijk te maken.

2018:

De Europese Unie introduceert de Algemene Verordening Gegevensbescherming (AVG) om zorgen over gegevens privacy aan te pakken en richtlijnen voor AI-toepassingen vast te stellen.
OpenAI publiceert GPT-2, een grootschalig taalmodel dat coherente en contextueel relevante tekst kan genereren.

2020:

In 2020 heeft de COVID-19-pandemie de ontwikkeling en adoptie van AI-technologieën versneld. IA werd gebruikt om nieuwe diagnostische hulpmiddelen te ontwikkelen, de verspreiding van het virus te volgen en vaccins te ontwikkelen. AI werd bijvoorbeeld gebruikt om de röntgenanalysetool voor de thorax te ontwikkelen die werd gebruikt om COVID-19-patiënten te identificeren. Het werd ook gebruikt om de apps voor het traceren van contacten te ontwikkelen die werden gebruikt om de verspreiding van het virus te volgen. En IA werd gebruikt om de instrumenten voor de ontwikkeling van vaccins te ontwikkelen.

2021

In 2021 werd het GPT-3-taalmodel van OpenAI gepubliceerd. GPT-3 is een geweldig taalmodel dat tekst van menselijke kwaliteit kan genereren. Het kan worden gebruikt om realistisch ogende artikelen, posts op sociale media en zelfs gedichten te maken. GPT-3 is gebruikt om verschillende producten en diensten te creëren, zoals een chatbot die vragen van klanten kan beantwoorden, een tool die creatieve inhoud kan genereren en een systeem dat talen kan vertalen.

2022

ChatGPT 3.5 komt dit jaar uit; is getraind op een enorme reeks tekst- en codegegevens, waardoor het tekst van menselijke kwaliteit kan genereren, talen kan vertalen, verschillende soorten creatieve inhoud kan schrijven en uw vragen op een informatieve manier kan beantwoorden.

2023

In 2023 lanceerde Google LaMDA AI. MDA IA is een taalmodel dat in staat is gesprekken te voeren die niet te onderscheiden zijn van gesprekken met een mens. MDA AI vertegenwoordigt een aanzienlijke vooruitgang ten opzichte van eerdere taalmodellen, omdat het in staat is complexe vragen en verzoeken te begrijpen en erop te reageren.

Ook dit jaar debuteerde Chat GPT4, een veel geavanceerder en krachtiger model dan GPT-3.5.

Lees ook: Geschiedenis van Cloud computing; Geschiedenis van de horeca; Evolutie van datacenters, geschiedenis

Waardevolle externe bronnen: Tableau; harvard.edu;

This post is also available in: English (Engels) Deutsch (Duits) Español (Spaans) Nederlands