Üretken yapay zekanın oldukça kısa bir geçmişi var; teknoloji ilk olarak 1960'larda sohbet robotları şeklinde tanıtıldı. Şu anda yüksek kaliteli metin, resim, video, ses ve sentetik verileri saniyeler içinde üretebilen bir yapay zeka biçimidir. Ancak, üretken rakip ağ (GAN) kavramının tanıtıldığı 2014 yılına kadar, üretken yapay zeka, gerçek insanların gerçek kayıtları gibi görünen görüntüler, videolar ve sesler oluşturabilecek noktaya kadar gelişmedi.

Şu anda üretken yapay zeka, ChatGPT'nin ve çeşitlerinin önemli bir bileşenidir.

1950'ler

Üretken yapay zeka şunları temel alır: makine öğrenme ve derin öğrenme algoritmaları. İlk makine öğrenimi algoritması, 1952 yılında Arthur Samuel tarafından dama oynamak için geliştirildi; o aynı zamanda “makine öğrenimi” ifadesini de ortaya attı.

Eğitilebilen ilk “sinir ağına” adı verildi Perceptron1957 yılında Cornell Üniversitesi psikoloğu Frank Rosenblatt tarafından geliştirildi. Perceptron'un tasarımı modern sinir ağlarına çok benziyordu ancak giriş ve çıkış katmanlarını ayıran, ayarlanabilir eşikler ve ağırlıklar içeren yalnızca "tek" katmana sahipti. Bu sistem çok zaman aldığı için başarısız oldu.

1960'ler ve 1970'lar

Üretken yapay zekanın ilk tarihsel örneğine ELIZA adı verildi. Aynı zamanda sohbet robotlarının erken bir versiyonu olarak da düşünülebilir. 1961 yılında Joseph Weizenbaum tarafından yaratıldı. ELIZA doğal bir dil kullanarak ve empatik görünecek şekilde tasarlanmış yanıtlar kullanarak bir insana yanıt veren, konuşan bir bilgisayar programıydı.

1960'lı ve 70'li yıllarda bilgisayarlı görme ve bazı temel tanıma modellerine yönelik temel araştırmalar yürütüldü. Yüz tanıma, Ann B. Lesk, Leon D. Harmon ve AJ Goldstein'ın doğruluğunu önemli ölçüde arttırmasıyla dramatik bir ilerleme kaydetti (İnsan Yüzü Tanımlamasında İnsan-Makine Etkileşimi, 1972). Ekip, yüzleri otomatik olarak tanımlamak için dudakların kalınlığı ve saç rengi gibi özelliklerin de dahil olduğu 21 spesifik işaretleyici geliştirdi. 

1970'lerde Seppo Linnainmaa tarafından geri yayılım kullanılmaya başlandı. Dönem "geri yayılım” öğrenme sürecinin bir parçası olarak hataları geriye doğru yayma sürecidir. İlgili adımlar şunlardır:

1. Çıkış ucunda işlendi
2. Geriye dağıtılmak üzere gönderildi 
3. Eğitim ve öğrenim için ağın katmanları arasında taşındı 

(Geri yayılım, derin sinir ağlarının eğitiminde kullanılır.) 

İlk Yapay Zeka Kışı, Makine Öğrenimi ile Yapay Zekayı Ayırıyor

İlk yapay zeka kışı başladı ve bitti kabaca 1973'ten 1979'a kadar sözler verildi ama beklentiler tutulmadı. Yapay zeka araştırmalarını finanse eden kuruluşlar (Darpa, NRC ve İngiliz hükümeti), yapay zekanın geliştirilmesinde ileri bir hareketin olmaması nedeniyle birdenbire utanmaya başladı. 

Ancak makine öğrenimi (ML) gelişmeye devam etti. Hâlâ hükümet fonu aldığından değil, makine öğreniminin bir müdahale aracı olarak iş dünyası için son derece yararlı hale gelmesinden dolayı. Makine öğrenme Yapay zeka için bir eğitim tekniği olarak başlamıştı ancak telefona cevap vermek ve aramaları uygun kişiye aktarmak gibi basit görevleri gerçekleştirmek için de kullanılabileceği keşfedildi. Makine öğrenimi programları akıllı bir konuşmayı yürütemese de temel ancak çok faydalı görevleri yerine getirebilirler. İşletmeler hem uygun maliyetli hem de kullanışlı bir araçtan vazgeçmeye niyetli değildi.

İşletmeler, makine öğreniminin geliştirilmesi için kendi araştırmalarını finanse etmeyi seçtiler ve eski araştırmacılar, 1990'larda tekrar yapay zeka ile birleşene kadar kendilerini ayrı bir endüstride yeniden organize ettiler.

Sinir ağları 1944 yılında Chicago Üniversitesi'nden iki araştırmacı Warren McCullough ve Walter Pitts tarafından ilk işlevsel "çok katmanlı" yapay sinir ağı olarak önerilmiş olsa da, Bilişsel, 1975 yılında Kunihiko Fukushima tarafından geliştirildi.

Sinir ağları, makine öğrenimi ve derin öğrenmenin kullanımına temel oluşturur. Tasarımları giriş ve çıkış katmanlarını destekler ve aralarındaki gizli katmanlar, giriş verilerini dönüştürmek için kullanılır ve bu verileri çıkış katmanı için faydalı hale getirir. Bu yeni tasarımla yüz ve konuşma tanıma önemli ölçüde iyileştirildi. Gizli katmanlar aynı zamanda derin öğrenmenin temelini de sağlar.

1979 olarak, Kunhiko Fukuşima adını verdiği hiyerarşik, çok katmanlı bir yapay sinir ağının geliştirilmesini önerdi. Neocognitron. Bu ilk derin öğrenme sinir ağıydı. Tasarımı, bilgisayarın görsel kalıpların nasıl tanımlanacağını ve daha spesifik olarak el yazısı karakter tanımayı öğrenme yeteneğini destekledi. Tasarımı aynı zamanda önemli verilerin manuel olarak ayarlanmasına da olanak tanıyarak insanların belirli bağlantıların "ağırlığını" artırmasına olanak tanıdı.

1980'ler ve İkinci Yapay Zeka Kışı

1982 yılında, yeni bir sinir ağı biçimi geliştiren John Hopfield tarafından başka bir keşif daha yapıldı: Hopfield ağı – tamamen farklı bir yaklaşım kullanarak. Hopfield ağı, önceki sistemlere kıyasla insan beyninin yaptığı gibi anıları toplayıp geri getirdi.

Ancak ikinci yapay zeka kışı kabaca 1984'te başladı ve 1990'a kadar devam etti ve hem yapay zekanın hem de üretken yapay zekanın gelişimini yavaşlattı. Tutulmayan sözlerden ve tutulmayan beklentilerden kaynaklanan öfke ve hayal kırıklığı o kadar yoğundu ki, "yapay zeka" terimi sahte bilim statüsüne büründü ve çoğu zaman küçümsenerek konuşuldu. Yapay zekaya ilişkin geniş bir şüphecilik duygusu gelişti. Ne yazık ki yapay zeka ve derin öğrenme araştırmalarının çoğunluğu için finansman kesildi.

1986 yılında David Rumelhart ve ekibi yeni bir yol 1970'lerde geliştirilen geri yayılım tekniğini kullanarak sinir ağlarının eğitimi.

1980'lerin sonunda MOS (Metal Oksit Yarı İletkenler1959'da geliştirilen) VLSI (Çok Büyük Ölçekli Entegrasyon) ve daha pratik, daha verimli bir yapay sinir ağı sağladı. Bu kombinasyona denirdi tamamlayıcı MOS (veya bir CMOS).

Derin öğrenme, 1989 yılında Yann LeCun ve ekibinin el yazısı posta kodlarını tanımak için sinir ağlarıyla bir geri yayılım algoritması kullanmasıyla işlevsel bir gerçekliğe dönüştü.

Derin öğrenme verileri işlemek ve insanın düşünme sürecini taklit etmek için algoritmalar kullanır. Verileri işlemek, nesneleri görsel olarak tanımak ve insan konuşmasını anlamak için tasarlanmış algoritma katmanlarını kullanır. Veriler her katmanda hareket eder ve önceki katmanın çıktısı bir sonraki katman için gereken girdiyi sunar. Derin öğrenmede, kullanılan ek katmanlar daha yüksek düzeyde "soyutlamalar" sağlayarak daha iyi tahminler ve daha iyi sınıflandırmalar sağlar. Ne kadar çok katman kullanılırsa, daha iyi tahmin potansiyeli de o kadar artar. 

Derin öğrenme, görüntü tanımayı, ses tanımayı destekleyen ve büyük miktarda veriyi işleyen son derece yararlı bir eğitim süreci haline geldi.

1990'lar ve Yapay Zeka Araştırmaları İyileşiyor

Yapay zekanın finansmanı 1990'larda yeniden başladığından, bir eğitim mekanizması olarak makine öğrenimi de finansman aldı. Makine öğrenimi endüstrisi, ikinci yapay zeka kışı boyunca sinir ağlarını araştırmaya devam etti ve 1990'larda gelişmeye başladı. Makine öğreniminin devam eden başarısının büyük bir kısmı, internetin ve kişisel bilgisayarların kullanımının büyük ölçüde artmasıyla birlikte karakter ve konuşma tanımanın kullanılmasıydı.

"Arttırma" kavramı 1990 yılında gazetede paylaşılmıştı. Zayıf Öğrenilebilirliğin Gücü, Robert Schapire tarafından. Bir grup zayıf öğrencinin tek bir güçlü öğrenci yaratabileceğini açıkladı. Algoritmaları artırma denetimli öğrenme süreci sırasında önyargıyı azaltın ve birkaç zayıf öğrenciyi birkaç güçlü öğrenciye dönüştürebilen makine öğrenme algoritmalarını dahil edin. (Zayıf öğrenciler %50 oranında doğru tahminlerde bulunurlar.) 

Bilgisayar oyunu endüstrisi, üretken yapay zekanın evrimine yardımcı olduğu için önemli miktarda krediyi hak ediyor. 3D grafik kartlarıGrafik işlem birimlerinin (GPU'lar) öncüleri olan , ilk olarak 1990'ların başında video oyunlarında grafiklerin sunumunu geliştirmek için tanıtıldı. 

1997 yılında Juergen Schmidhuber ve Sepp Hochreiter “uzun kısa süreli hafıza” (LSTM ) tekrarlayan sinir ağları ile kullanılacak. Şu anda konuşma tanıma eğitiminin büyük çoğunluğu bu tekniği kullanıyor. LSTM, binlerce adım önceki olayları kapsayan bir hafıza gerektiren ve genellikle konuşmalar sırasında önemli olan öğrenme görevlerini destekler.

Nvidia (oyun teknolojisindeki pek çok gelişmeden sorumlu), 1999 yılında hesaplama hızlarının bin kat arttığı gelişmiş bir GPU geliştirdi. İlk GPU'larına GeForce 256. 

GPU'ların video oyunlarından daha fazlası için kullanılabileceğinin anlaşılması şaşırtıcıydı. Yeni GPU'lar yapay sinir ağlarına uygulandı ve şaşırtıcı derecede olumlu sonuçlar elde edildi. GPU'lar Merkezi işlem birimiyle karşılaştırıldığında çip başına yaklaşık 200 kat daha fazla işlemci kullanılmasıyla makine öğreniminde oldukça kullanışlı hale geldi. (Merkezi işlem birimleri, veya CPU'lar daha esnektir ve daha geniş bir hesaplama yelpazesi gerçekleştirirken GPU'lar belirli kullanım durumları için uyarlanma eğilimindedir.)

2000'ler

Yüz Tanıma Büyük Mücadelesi, iyileştirmeye yönelik tanıtım yüz tanıma teknolojisi, ABD hükümeti tarafından finanse edildi ve 2004 ile 2006 yılları arasında gerçekleşti. Yeni yüz tanıma teknikleri ve yüz tanıma performansıyla sonuçlandı. Yeni geliştirilen algoritmalar, 2002'de kullanılan yüz tanıma algoritmalarından on kat daha doğru sonuç verdi. Hatta bazı algoritmalar tek yumurta ikizleri arasındaki farkları bile tespit edebildi.

2010'lar ve Sanal Asistanlar ve Chatbotlar

4 Ekim 2011'de, Siriİşlevsel olduğu düşünülen ilk dijital sanal asistan, iPhone 4S ile birlikte hizmet olarak geldi. Kullanımı chatbots da önemli ölçüde arttı. 

2014 yılında üretken çekişmeli ağ (GAN) kavramı sunuldu. GAN'lar, gerçek durumların özgün kayıtları gibi görünen görüntüler, videolar ve sesler oluşturmak için kullanılır.          

Üretken bir rakip ağ şunları kullanır: iki sinir ağı eş zamanlı rekabet eğitimi almış: Bir sinir ağı ayırıcı, diğeri ise jeneratör görevi görüyor. Ayırıcı, oluşturulan veriler ile gerçek verileri ayırt etmek için eğitilmiştir. Jeneratör sentetik veriler oluşturur ve gerçek verileri taklit etmeye çalışır. Alıştırma, jeneratörün ayrımcıyı kandırmak için her zamankinden daha gerçekçi kayıtlar oluşturma konusunda daha iyi olmasını sağlar. GAN'lar, yapay olarak tanınması imkansız olmasa da zor olan sentetik veriler oluşturabilir.

2020'ler ve Daha Akıllı Sohbet Robotları

Kasım 2022'de OpenAI, üretken bir yapay zeka olan ChatGPT'yi tanıttı. büyük dil modelleri. ChatGPT ve çeşitleri, yeni bir yapay zeka düzeyine ulaştı. Bu "daha akıllı sohbet robotları" araştırma yapabilir, oldukça iyi yazmayı destekleyebilir ve gerçekçi videolar, sesler ve görüntüler üretebilir.

Üretken yapay zeka eğitiminin geniş dil modelleriyle birleşimi, düşünme ve akıl yürütme yeteneğine sahip yapay zekanın ortaya çıkmasını sağladı. Ayrıca “hayal etme” yeteneğine de sahip olabilirler. ChatGPT, hayal gücünün kullanılması olarak yorumlanabilecek halüsinasyon görmekle suçlandı.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.dataversity.net/a-brief-history-of-generative-ai/