Keunstmjittige yntelliginsje (KY) of artifisjele yntelliginsje (AY; Ingelsk: artificial intelligence, AI) is in sammelbegryp foar masinebasearre systemen dy't op grûn fan ynfier in útfier generearje kinne, lykas beskriuwingen, ynhâld, oanbefellings of besluten.Updated OECD definition of an AI system, OECD.AI, 2023. Der bestiet gjin universele definysje fan keunstmjittige yntelliginsje dy't troch alle wittenskiplike en ynstitúsjonele boarnen brûkt wurdt.Recommendation on the Ethics of Artificial Intelligence, UNESCO, 2021. Ferskillende ynstellingen brûke dêrom definysjes dy't ôfstimd binne op harren eigen wittenskiplike, technyske of juridyske doelen.Artificial Intelligence, National Institute of Standards and Technology.Regulation (EU) 2024/1689, Official Journal of the European Union, 12 july 2024.
De Organisaasje foar Ekonomyske Gearwurking en Untwikkeling (OECD) definiearret in AI-systeem as in masinebasearre systeem dat foar eksplisite of ymplisite doelen út de ynfier dy't it ûntfangt ôfliedt hoe't it útfier generearje moat, lykas foarsizzingen, ynhâld, oanbefellings of besluten dy't in fysike of firtuele omjouwing beynfloedzje kinne. De OECD herseach dy definysje yn novimber 2023. De Jeropeeske Uny brûkt yn de AI Act in ferlykbere definysje en bepaalt dêrby dat in AI-systeem mei ferskillende nivo's fan autonomy funksjonearje kin en him nei de ynset oanpasse kin. thumb|right|De ferhâlding tusken keunstmjittige yntelliginsje, masinelearen en deep learning. Masinelearen is ien fan de techniken dy't by keunstmjittige yntelliginsje brûkt wurde kinne, mar beide begripen binne net synonym. It Amerikaanske National Institute of Standards and Technology (NIST) omskriuwt masinelearen ûnder oare as it ûntwikkeljen en brûken fan kompjûtersystemen dy't har oanpasse en út gegevens leare om harren prestaasjes of krektens te ferbetterjen.Machine Learning, National Institute of Standards and Technology.
Foarskiednis Oan de ûntwikkeling fan keunstmjittige yntelliginsje as ûndersyksgebiet gie wurk op ûnder oare it mêd fan logika, statistyk en de iere kompjûterwittenskip foarôf.A Short History of AI, One Hundred Year Study on Artificial Intelligence, Stanford University, 2016. Ien fan de bekendste iere publikaasjes oer de fraach oft masines yntelligint gedrach fertoane kinne, wie Computing Machinery and Intelligence fan de Britske wiskundige Alan Turing.Alan M. Turing, Computing Machinery and Intelligence, Mind, 59 (236), oktober 1950, s. 433–460.
Turing iepene syn artikel út 1950 mei de fraach Can machines think?, mar stelde dat de begripen masine en tinke te problematysk wiene om dy fraach streekrjocht te beantwurdzjen. Dêrom ferfong er de oarspronklike fraach troch in eksperimintele situaasje dy't er it imitation game neamde. Dy oanpak waard letter yn ferbân brocht mei wat bekend waard as de Turingtest.
De útdrukking artificial intelligence stiet yn in ûndersyksfoarstel fan 31 augustus 1955 fan John McCarthy, Marvin Minsky, Nathaniel Rochester en Claude Shannon.John McCarthy, Marvin L. Minsky, Nathaniel Rochester en Claude E. Shannon, A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 augustus 1955. It foarstel gie oer in plande stúdzje fan twa moannen mei tsien dielnimmers oan Dartmouth College yn de simmer fan 1956. De auteurs formulearren as wurkhypoteze dat elk aspekt fan learen en oare skaaimerken fan yntelliginsje yn prinsipe sa sekuer beskreaun wurde kinne soene, dat in masine makke wurde koe dy't se simulearret. Under de ûnderwerpen dy't se ûndersykje woene, wiene taalgebrûk troch masines, it foarmjen fan abstraksjes en begripen, it oplossen fan problemen dy't oant dan ta benammen troch minsken oplost waarden en manieren wêrop masines harsels ferbetterje koene.
De workshop dy't yn 1956 út dat foarstel fuortkaam, wurdt yn in grut part fan de histoaryske literatuer beskôge as it formele begjin fan keunstmjittige yntelliginsje as selsstannich akademysk ûndersyksfjild. Dat betsjut net dat it ûndersyk nei masineyntelliginsje dêr begûn; ûnder oare Turing syn wurk en eardere ûntwikkelingen yn logika, statistyk en rekkenmasines giene it Dartmouth-projekt foarôf.
Iere ûntwikkeling Yn deselde perioade waarden programma's ûntwikkele dy't mei metoaden wurken dy't letter karakteristyk foar keunstmjittige yntelliginsje wurde soene. Allen Newell, Herbert A. Simon en J.C. Shaw begûnen yn 1955 mei de ûntwikkeling fan Logic Theorist, in programma dat wiskundige stellingen bewize koe.1955, Computer History Museum. It programma bewiisde úteinlik 38 stellingen út Principia Mathematica fan Alfred North Whitehead en Bertrand Russell. Dêrby waarden ûnder oare heuristiken brûkt en waard probleemoplossing benadere as it sykjen troch in romte fan mooglike oplossingen.
Yn de jierren 1950, 1960 en 1970 ûntstiene ferskate ûndersyksrjochtingen dy't letter wichtige ûnderdielen fan it AI-fjild wurde soene, wêrûnder heuristysk sykjen, masinelearen, natuerlike-taalferwurking, kompjûterfyzje, robotika, neurale netwurken en ekspertsystemen.
Ien fan de iere systemen op it mêd fan masinelearen wie it damprogramma fan Arthur Samuel. It programma koe troch sels spultsjes te spyljen syn prestaasjes ferbetterje en wurdt yn de skiednis fan Stanford AI100 neamd as in ier wurkjend foarbyld fan masinelearen. Yn deselde perioade ûntwikkele Frank Rosenblatt it perseptron, dat in wichtich útgongspunt waard foar fierder ûndersyk nei keunstmjittige neurale netwurken.
In oare wichtige ûndersyksrjochting wie dy fan de ekspertsystemen. Sokke systemen waarden ûntwurpen om binnen in ôfbeakene kennisdomein besluten te nimmen of konklúzjes te lûken op grûn fan eksplisyt represintearre kennis en regels.Logic and Artificial Intelligence, Stanford Encyclopedia of Philosophy. DENDRAL waard ûntwikkele foar it behanneljen fan problemen út de skiekunde, wylst MYCIN ûntwurpen waard om te redenearjen oer baktearjele ynfeksjes en behannelingen.
Perioaden fan tebekgong De ûntwikkeling fan keunstmjittige yntelliginsje ferrûn net lineêr. Perioden fan grut optimisme en groei waarden ôfwiksele mei tiden wêryn't de finansiering fan en belangstelling foar AI-ûndersyk sterk weromrûnen. Sokke perioaden wurde yn de literatuer faak oantsjut as AI winters.AI Winters, yn in histoaryske behanneling fan keunstmjittige yntelliginsje, Springer, 2023.
Yn in grut part fan de histoaryske literatuer wurde twa grutte AI-winters ûnderskieden, ornaris omtrint 1974–1980 en 1987–1993, al ferskille de krekte grinzen fan dy perioaden per auteur. Stanford AI100 beskriuwt benammen hoe't yn de jierren 1980 de belangstelling foar ferskate AI-oanpakken ôfnaam en de finansiering weromrûn. It ûndersyk nei keunstmjittige yntelliginsje kaam yn dy perioaden lykwols net folslein stil te lizzen; der waard ûnder oare fierder wurke oan neurale netwurken, kompjûterfyzje, taalferwurking en robotika.
Yn de literatuer wurde ferskate faktoaren neamd foar dy perioaden fan tebekgong, ûnder oare te hege ferwachtingen, tekoartkommingen fan de doe beskikbere metoaden, beheinde rekkenkrêft en it ôfnimmen fan oerheids- en kommersjele finansiering. Net alle histoaryske boarnen kenne oan dy faktoaren itselde gewicht ta of datearje se op deselde wize.
Neurale netwurken en deep learning thumb|right|Skematyske werjefte fan in keunstmjittich neuraal netwurk mei in ferburgen laach. Neurale netwurken bleaune ek nei de earste perioade fan AI-ûndersyk in ûndersyksûnderwerp. Yn 1986 publisearren David Rumelhart, Geoffrey Hinton en Ronald Williams yn Nature in artikel oer in proseduere om ynterne represintaasjes yn neurale netwurken te learen troch flaters werom troch it netwurk te fersprieden.David E. Rumelhart, Geoffrey E. Hinton en Ronald J. Williams, Learning representations by back-propagating errors, Nature, 323, 1986, s. 533–536. By dy proseduere wurde de gewichten tusken de ienheden fan it netwurk hieltyd oanpast om it ferskil tusken de feitlike en winske útfier te ferminderjen. De metoade makket it mooglik dat ferburgen lagen fan in neuraal netwurk ynterne represintaasjes fan eigenskippen yn de trainingsgegevens leare.
Fan de jierren 2000 en 2010 ôf krige it brûken fan djippere neurale netwurken in wichtiger plak binnen it masinelearen.Yann LeCun, Yoshua Bengio en Geoffrey Hinton, Deep learning, Nature, 521, 2015, s. 436–444. Deep learning brûkt modellen mei ferskate ferwurkingslagen dy't út gegevens represintaasjes op ferskillende abstraksjenivo's leare kinne. Neffens in oersjochartikel fan Yann LeCun, Yoshua Bengio en Geoffrey Hinton út 2015 hie deep learning tsjin dy tiid de resultaten foar ferskate taken op it mêd fan ûnder oare spraakherkenning, objektwerkenning en objektdeteksje sterk ferbettere.
In faak neamd momint yn dy ûntwikkeling wie de publikaasje yn 2012 fan it neurale netwurk AlexNet.Alex Krizhevsky, Ilya Sutskever en Geoffrey E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 25, 2012. AlexNet wie in djip konvolúsjoneel neuraal netwurk mei likernôch 60 miljoen parameters. Op de troch de auteurs brûkte ImageNet-test helle it in top-5-flaterrate fan 18,9 prosint, leger as de resultaten fan de eardere systemen dêr't it yn de publikaasje mei ferlike waard.
Generative modellen en reinforcement learning Yn 2014 publisearren Ian Goodfellow en kollega's it konsept fan de generative adversarial networks (GANs).Ian J. Goodfellow et al., Generative Adversarial Nets, Advances in Neural Information Processing Systems 27, 2014. Yn dat raamwurk wurde twa modellen tsjininoar traind: in generearjend model dat gegevens produsearret en in diskriminearjend model dat besiket echte gegevens fan generearre gegevens te ûnderskieden. De training wurdt yn it oarspronklike artikel beskreaun as in min-max-spul tusken beide modellen.
Ek reinforcement learning waard yn kombinaasje mei djippe neurale netwurken brûkt foar komplekse taken.David Silver et al., Mastering the game of Go with deep neural networks and tree search, Nature, 529, 2016, s. 484–489. It programma AlphaGo fan Google DeepMind kombinearre djippe neurale netwurken mei sykjen yn in spulbeam. De netwurken waarden ûnder oare traind mei spulposysjes fan minsklike Go-spilers en mei reinforcement learning troch it programma tsjin himsels spylje te litten.
AlphaGo fersloech yn oktober 2015 de Europeeske Go-kampioen Fan Hui yn in wedstriid fan fiif partijen mei 5–0. De auteurs fan de yn 2016 publisearre Nature-stúdzje beskreaune dat as de earste kear dat in kompjûterprogramma in profesjonele minsklike Go-spiler yn it folsleine spul ferslein hie.
Transformer en foundation models Yn 2017 yntrodusearren Ashish Vaswani en kollega's de Transformer-arsjitektuer yn it artikel Attention Is All You Need.Ashish Vaswani et al., Attention Is All You Need, Advances in Neural Information Processing Systems 30, 2017. De arsjitektuer wie basearre op attention-meganismen en brûkte foar it ferwurkjen fan sekwinsjes gjin rekurrente of konvolúsjonele lagen, sa't in protte eardere systemen dat wol diene. Yn it oarspronklike ûndersyk helle de Transformer op twa masine-oersettingstaken bettere resultaten as de systemen dêr't de auteurs it mei ferliken en koe de training sterker parallelisearre wurde.
Yn de jierren dêrnei waarden grutte modellen ûntwikkele dy't op brede datasets traind waarden en oan in ferskaat oan taken oanpast wurde koene.Rishi Bommasani et al., On the Opportunities and Risks of Foundation Models, Stanford Center for Research on Foundation Models, 2021. In groep ûndersikers fan Stanford University yntrodusearre dêrfoar yn 2021 de term foundation model. Dêrmei bedoelden se modellen dy't op grutte skaal mei brede gegevens traind wurde en dêrnei oan in grut tal fierdere taken oanpast wurde kinne. De auteurs rekkenen ûnder oare BERT en GPT-3 ta dy kategory.