AI-ஓட வரலாறு

Chatbot வருவதற்கு ரொம்ப முன்னாடியே AI பயணம் ஆரம்பிச்சிருச்சு.

எளிய விளக்கங்கள்AI method + உதாரணம்பயிற்சி + விடை

உள்ளடக்கம் சரிபார்த்த நாள்: 22 அக்டோபர் 2026 · Read in English ↗

01 / கருத்து

எளிமையாப் புரிஞ்சுக்கலாம்

AI-ஓட வரலாறு ஒரே நேர்கோட்டில் போகல. பல ஆராய்ச்சி முறைகள் வந்திருக்கின்றன. 1956 Dartmouth summer project இந்தத் துறை உருவாக முக்கியமான நிகழ்வு. 1997-ல் Deep Blue, Garry Kasparov-க்கு எதிரான chess match-ஐ வென்றது. 2012 AlexNet paper, 2017 Transformer paper போன்றவை அடுத்த கட்ட வளர்ச்சிகளுக்கு முக்கியமானவை. ஒரு போட்டியில் வென்றதாலே எல்லா வேலைகளையும் ஒரு system செய்யும்னு அர்த்தம் இல்லை.

இந்த AI approach எப்படி வேலை செய்கிறது?

AI வரலாறு என்பது chatbot உருவான கதை மட்டும் இல்லை. 1956 Dartmouth summer project இந்தத் துறைக்கு அடையாளம் கிடைக்க உதவியது. அதற்கு முன்பே computation, logic, learning பற்றிய ஆராய்ச்சிகள் இருந்தன. ஆரம்பத்தில் facts-ஐ வைத்து reasoning செய்வது, possible moves-ஐ search செய்வது, games விளையாடுவது, கணித நிரூபணங்கள் செய்வது போன்றவற்றில் கவனம் இருந்தது. ஆனால் நிஜ உலக அறிவை முழுவதும் rules-ஆக எழுதுவது கடினமாக இருந்தது.

பிறகு expert systems-ல நிபுணர்களின் அறிவை rules-ஆகப் பதிவு செய்தார்கள். எல்லைகள் தெளிவாக உள்ள சில வேலைகளில் இது உதவியது. ஆனால் புதிய சூழ்நிலைக்கு rules-ஐ தொடர்ந்து மாற்றி பராமரிக்க வேண்டியிருந்தது. எதிர்பார்த்த முன்னேற்றம் கிடைக்காத சில காலங்களில் ஆர்வமும் முதலீடும் குறைந்தன. அந்தக் காலங்களைத்தான் AI winters-னு சொல்வாங்க. அதற்காக எல்லா AI முறைகளும் பயனில்லாமல் போயின என்று அர்த்தமில்லை.

Statistical learning வளர்ந்தபோது, data-வில் patterns கண்டுபிடித்து புதிய examples-ல அவை வேலை செய்கிறதா என்று அளவிடுவது முக்கியமானது. Neural networks-க்கும் நீண்ட வரலாறு இருக்கு. 2012 AlexNet image classification-ல deep networks-ஓட தாக்கத்தை வலுவாகக் காட்டியது. 2017 Transformer paper sequence tasks-க்கு attention-ஐ மையமாகக் கொண்ட architecture-ஐ அறிமுகப்படுத்தியது; பின்னர் பல துறைகளில் அது பயன்படுத்தப்பட்டது.

நாம எடுத்துக்கொள்ள வேண்டிய பாடம்: நல்ல idea மட்டும் போதாது; சரியான data, compute, evaluation-மும் தேவை. இன்றைய generative AI வந்துவிட்டதால் பழைய search, probability, optimization, classical ML எல்லாம் தேவையில்லை என்று நினைக்காதீங்க. பல applications-ல இவையே இன்னும் முக்கியமான பகுதிகள்.

02 / படிப்படியாக

ஒவ்வொரு படியாகப் பார்க்கலாம்

Research paper வந்த தேதி, ஒரு test-ல் கிடைத்த result, ஒரு product வெளியான தேதி—மூன்றும் வேற வேற நிகழ்வுகள்.
ஒவ்வொரு வளர்ச்சிக்கும் பின்னால் எந்த data, computing வசதி, testing முறை இருந்தது என்று பாருங்க.
பெரிய numbers கொண்ட செய்திகளை மட்டும் நம்பாமல், தேதி மற்றும் original source-ஐப் பாருங்க.

உதாரணம்: task-உடன் approach-ஐ இணைக்கலாம்

Rule-based support system-ஐயும் learned classifier-ஐயும் ஒப்பிடுங்க. முதலாவது system-ல மனிதர்கள் எழுதிய rules-ல அறிவு இருக்கும். இரண்டாவது system-ல training-ல கற்ற patterns parameters-ல இருக்கும். தேவையான rule எழுதப்படவில்லை என்றால் முதல் system தவறலாம். Training messages-க்கும் புதிய messages-க்கும் வித்தியாசம் இருந்தால் இரண்டாவது தவறலாம். கட்டாய checks-க்கு rules, flexible routing-க்கு classifier என்று சேர்த்தும் பயன்படுத்தலாம்.

1997-ல் Deep Blue chess match வென்றது பெரிய சாதனை. ஆனால் தெளிவான விதிகள் உள்ள ஒரு விளையாட்டில் சிறப்பாகச் செயல்படுவது, எல்லா விஷயத்திலும் மனிதரைப் போல அறிவு இருக்கிறது என்பதற்குச் சான்றில்லை. ஒவ்வொரு milestone-ஐயும் எந்த task, எந்த evidence, என்ன limitation என்று பாருங்க.

கருத்தைப் பயன்படுத்தலாம்: உங்க புரிதலைச் சோதிங்க

விடை பார்க்கும் முன் யோசிங்க

புதிய language model வந்த பிறகும் பழைய search algorithm ஏன் பயன்படலாம்?

விடையும் காரணமும் பார்க்கலாம்

ஒவ்வொரு முறையும் வேறு பிரச்சினையைத் தீர்க்கும். தெரிந்த connections-ல குறிப்பிட்ட objective-க்கு ஏற்ற பாதையை search தேர்வு செய்யலாம். User request-ஐப் புரிந்துகொள்ள language model உதவலாம். ஆனால் அது பேசும் திறன், route algorithm தரும் குறிப்பிட்ட உறுதிகளை மாற்றாது.

கவனிக்க வேண்டிய தவறு: புதுசா வந்த system எல்லா வேலைக்கும் பழைய முறையைவிட நல்லதா இருக்கும் என்று சொல்ல முடியாது.

அடுத்த பாடத்துக்கு முன்னாடி

Technical பெயரை மட்டும் சொல்லாமல், கருத்தை உங்க வார்த்தைகளில் விளக்கிப் பாருங்க.
Approach என்ன, அதன் assumptions என்ன, result-ஐ நம்ப என்ன evidence வேண்டும் என்று சொல்லிப் பாருங்க.
பயிற்சியை முயற்சி செய்துவிட்டு, உங்க காரணத்தை விடையோடு ஒப்பிட்டுப் பாருங்க.

ஆதாரங்கள்: இன்னும் தெரிஞ்சுக்கலாம்

இந்தப் புதுப்பிப்பில் original research papers மற்றும் official documentation பயன்படுத்தப்பட்டுள்ளன. கீழே உள்ள கூடுதல் links ஆங்கிலத்தில் இருக்கும். அவற்றை முதலில் படிக்காமலேயே இந்தப் பாடத்தைப் புரிஞ்சுக்கலாம். Product versions, availability மாறலாம்.