Algemeen Jacques Ellul Günther Anders Lewis Mumford Herbert Marcuse Andrew Feenberg Wiebe Bijker Algemeen Luddieten Wapentuig als voorbeeld Transport Radio en televisie Internet Artificiële intelligentie Algemeen Hypermedia en hypertext Informatieovervloed Privacy Spionage, inlichtingendiensten Cyberoorlog Hackers Algemeen Het schrift Boeken en tijdschriftenIncididunt nisi non nisi incididunt velit cillum magna commodo proident officia enim.
Stuart RUSSELL / Peter NORVIGDit boek is waarschijnlijk het meest gebruikte boek aan de opleidingen Artificiële Intelligentie van universiteiten. Het wordt in de wandelgangen AIMA genoemd.
Het is een eersteklas naslagwerk en biedt een uitstekend overzicht over het terrein van AI.
Maar dat niet alleen. Het is een goed verzorgd boek: korte en lange inhoud, voetnoten en geen eindnoten, een uitstekende bibliografie, een uitgebreide index, oefeningen, een bijbehorende website, toegankelijke vormgeving.
Het is alleen wat jammer dat die website niet op alle fronten actueel gehouden wordt (het deel AI on the Web bevat op dit moment bijvoorbeeld nogal wat dode links, terwijl hij juist zo'n waardevolle toevoeging vormt).
Het boek kiest een eigen insteek die samenhang moet aanbrengen in de presentatie van dat grote terrein dat AI heet.
"The main unifying theme is the idea of an intelligent agent. We define AI as the study of agents that receive percepts from the environment and perform actions. Each such agent implements a function that maps percept sequences to actions, and we cover different ways to represent these functions () Our primary aim is to convey the ideas that have emerged over the past fifty years of AI research and the past two millenia of felated work."(p.vii)
Mensen hebben altijd van zichzelf geprobeerd te begrijpen hoe mensen denken, waarnemen, begrijpen.
"The field of artificial intelligence, or AI, goes further still: it attempts not just to understand but also to build intelligent entitites."(p.1)
De auteurs nemen de moeite om naar definities van AI te kijken en ze tegen elkaar af te zetten. Ze raken aan denken en redeneren, maar ook aan gedrag. En van de ene kant wordt vergeleken met mensen zoals ze zijn, terwijl van de andere kant een ideaalbeeld van intelligentie als maatstaf gehanteerd wordt, aangeduid met rationaliteit. Omschrijving van dat laatste:
"A system is rational if it does the 'right thing', given what it knows."(p.1)
De vier benaderingen van het schema op p.2 worden verder uitgewerkt:
"One important point to keep in mind: We will see before too long that achieving perfect rationality - always doing the right thing - is not feasable in complicated environments. The computational demands are just too high. For most of the book, however, we will adopt the working hypothesis that perfect rationality is a good starting point for analysis. It simplifies the problem and provides the appropriate setting for most of the foundational material in the field. Chapters 6 and 17 deal explicitly with the issue of limited rationality - acting appropriately when there is not enough time to do all the computations one might like."(p.5)
Beschrijft kort de disciplines die hebben bijgedragen aan AI en het historische moment van waaraf dat gebeurde:
Dit boek laat de geschiedenis van AI gewoon vanaf ongeveer 1940 beginnen met Warren McCulloch / Walter Pitts, Donald Hebb, Marvin Minsky & Dean Edmonds, en met name Alan Turing als voorbereiders en met de officiïle geboorte van AI in 1956 met de door John McCarthy e.a. georganiseerde Dartmouth Summer Research Project on Artificial Intelligence. Die Dartmouth Conferentie - zoals hij in de wandelgangen genoemd wordt - zette AI neer als een aparte onderzoeksdiscipline, apart dus van 'control theory', 'operations research', 'decision theory' of wiskunde die er al waren. Waarom?
"The first answer is that AI from the start embraced the idea of duplicating human faculties like creativity, self-improvement, and language use. None of the other fields were addressing these issues. Ther second answer is methodology. AI is the only one of these fields that is clearly a branch of computer science (although operations research does share an emphasis on computer simulations), and AI is the only field to attempt to build machines that will function autonomously in complex, changing environments."(p.18)
Uiteraard werd het succes van AI beperkt door het gebrek aan mogelijkheden van computers in die tijd. Computertijd moest je kopen en was schaars (vandaar dat er zo veel 's nachts aan problemen gewerkt werd, want dan was er meestal wel computertijd te krijgen). Maar toch werd de ene na de andere mogelijkheid van computers aangetoond. Het succes van Newell & Simon 's General Problem Solver leidt in 1976 tot de beroemde 'physical symbol system' - hypothese
"which states that "a physical symbol system has the necessary and sufficient means for general intelligent action." What they meant is that any system (human or machine) exhibiting intelligence must operate by manipulating data structures composed of symbols. We will see later that this hypothesis has been challenged from many directions."(p.18)
Je ziet aan de formulering inderdaad meteen hoe reductionistisch dit uitgangspunt is.
Hoe verschillend ook als persoon, John McCarthy en Marvin Minsky dragen zelf bij, maar stimuleren met name ook anderen van de AI Labs in Stanford / MIT tot nieuwe prestaties (Advice Taker, microworlds). Zie voor details het onderdeel Geschiedenis van AI.
AI-onderzoekers deden vanaf het begin allerlei gewaagde voorspellingen. Waarschijnlijk omdat het succes van AI-oplossingen in simpele omstandigheden groot was en indruk maakte.
"In almost all cases, however, these early systems turned out to fail miserably when tried out on wider selections of problems and on more difficult problems."(p.21)
Er duiken drie hoofdzaken op. Allereerst bevatten de vroegere programma's geen kennis van zaken over het onderwerp waarop het van toepassing was. Zo lukte het niet om met de computer goede vertalingen te laten maken uit het Russisch: opname van een syntaxis en een woordenboek bleken bij lange na niet genoeg om een goede vertaling te maken. Aan de oorspronkelijke en gewillige sponsoring van de regering in de V.s. (vanwege de Koude Oorlog!) kwam in 1966 dan ook een einde.
Ten tweede vergiste men zich deerlijk in de schaalbaarheid van de onderzochte problemen en oplossingen.
"Before the theory of computational complexity was developed, it was widely thought that 'scaling up' to larger problems was simply a matter of faster hardware and larger memories. The optimism that accompanied the development of resolution theorem proving, for example, was soon dampened when researchers failed to prove theorems involving more than a few dozen facts. The fact that a program can find a solution in principle does not mean that the program contains any of the mechanisms needed to find it in practice."(p.21-22)
In 1973 besloot de Britse regering dan ook het onderzoek in AI te beperken tot een paar universiteiten.
In de derde plaats bleken er principiële beperkingen te zitten aan sommige oplossingen op kleine schaal. Dat bleek bijvoorbeeld bij neurale netwerken (de 'perceptrons'). Ook dat deed de 'funding' geen goed: die voor neurale netwerken daalde na 1969 tot bijna nul.
De aanpak van de 'zwakke methoden' in het oplossen van problemen (een algemene zoekstrategie met elementaire redeneerstappen) werd verlaten omdat die niet schaalbaar bleek bij meer complexe problemen. Ze werden opgevolgd door kennisintensieve methoden waarbij de kennis op een bepaald terrein uitgebreid werd omgezet in redeneerregels. Voorbeelden: DENDRAL, later MYCIN en andere expertsystemen. Het belang van de verwerking van kennis van zaken op een bepaald terrein, het rekening houden met de onzekerheid in veel kennisverwerving, leidde tot nieuwe successen. Representatie van kennis en redeneertalen (in Europa bv. Prolog) werden steeds belangrijker.
Expertsystemen worden een groot succes en leiden tot het commercieel gebruik ervan door bedrijven, omdat de expertsystemen veel geld blijken te kunnen besparen. Bedrijven creëren dan ook al snel hun eigen AI-afdelingen. Het eerste bedrijf dat dat doet is DEC. Maar opnieuw leiden de ambities en de competitie ook tot allerlei beloftes en uitspraken die niet waargemaakt kunnen worden en na ongeveer 1990 is er dan ook weer sprake van een AI-winter van bezuinigingen op onderzoek.
Met name mogelijk door het teruggrijpen op het 'back-propagation learning algorithm' van Bryson en Ho uit 1969. De symbolische (Newell / Simon) en logische (McCarthy) modellen worden gevolgd door connectionistische modellen.
Minder rebellie, intuïtie, pure theorie, isolationisme. Meer normale wetenschappelijke methoden met experimenteel onderzoek en wiskundige beschrijvingen gericht op problemen uit de echte wereld. Voorbeeld: spraakherkenning met verborgen Markov modellen, karakterherkenning, neurale netwerken en 'data mining', Bayesiaanse netwerk formalismen om te redeneren met en te beslissen op basis van onzekerheden en waarschijnlijkheden, normatieve expertsystemen, etc. Specialisatie leidt wel ook tot het uit elkaar groeien van allerlei richtingen in de AI.
De 'intelligent agents' - benadering in AI (zoals in dit boek) probeert juist weer de zaken samen te brengen. En bovendien sluit ze aan bij 'agent'-benaderingen in andere wetenschappen.
Wat voorbeelden van successen in de AI van de laatste tien jaar.
Het hoofdstuk eindigt zoals alle hoofdstukken met een samenvatting, bibliografische en historische notities (bijzonder zinvol), en oefeningen (het is immers een tekst die veel in het onderwijs gebruikt wordt). Ik ga dat verder niet herhalen.
(wordt vervolgd)