Edward A. Feigenbaum – Az Expert Systems atyja
Életrajz
Edward Albert Feigenbaum 1936. január 20-án született Weehawkenben, New Jersey államban, egy kulturálisan zsidó családban. Gyerekkorában élénken foglalkoztatta, hogyan működnek a dolgok: apja számológépe, a logika, a matematika mind vonzotta, és ezekből formálódott később az érdeklődése a tudományok iránt. Encyclopedia Britannica
Fiatalon North Bergenben élt, majd a középiskolát követően a Carnegie Institute of Technology-ben (ma Carnegie Mellon University) tanult, ahol 1956-ban szerzett B.S. fokozatot, majd 1960-ban PhD-t Herbert A. Simon irányítása alatt. A PhD disszertációja, amelyben az EPAM (Elementary Perceiver And Memorizer) projekt keretében az emberi tanulás egyik korai modelljét dolgozta ki, már akkor jelezte, hogy Feigenbaum célja nem csupán elméleti kutatás, hanem gyakorlati alkalmazás is. Wikipedia
Az 1960-as években először a University of California, Berkeley-ben tanított az üzleti iskolán belül, mert akkoriban még nem alakult ki mindenhol a számítógép-tudományi kar. 1965-ben csatlakozott a Stanford Egyetemhez, ahol a Számítógéptudományi Tanszék alapításában részt vett, és ott létrehozta a Knowledge Systems Laboratory-t. Wikipedia
Feigenbaum nemcsak akadémikus volt; korán felismerte, hogy az MI-alkalmazások piaci és ipari haszna is lehet. Ennek megfelelően vállalkozásokat is alapított (pl. IntelliCorp, Teknowledge) annak érdekében, hogy a tudományos eredmények elérhetővé váljanak gyakorlati rendszerekben is. Wikipedia
1994-ben Feigenbaum elnyerte az ACM Turing-díjat Raj Reddy-vel közösen „a nagyléptékű mesterséges intelligencia rendszerek tervezésében és építésében tett úttörő munkáért, bizonyítva a mesterséges intelligencia gyakorlati fontosságát és kereskedelmi hatását.” Ma professzor emeritusként dolgozik Stanfordon, tudományos öröksége kiterjed az expert rendszerek, a knowledge engineering, és a szakértői tudás rendszerezésének fejlődésére. amturing.acm.org
Munkásság és tudományos hozzájárulás
Expert rendszerek és tudásbázis alapú intelligencia
Feigenbaum legfontosabb hozzájárulása az expert rendszerek kidolgozása. Ezek olyan AI rendszerek, amelyek egy adott szakterületen szakértői tudást kódolnak bele szabályok formájában, és képesek olyan döntéseket meghozni, amilyeneket egy emberi szakértő tenne. Példák erre a DENDRAL (kémiai szerkezet-analízis) és a MYCIN (orvosi diagnosztika) rendszerek.
– Britannica: „designed the first systems … expert systems, programs … knowledge-based approaches … DENDRAL, MYCIN …” Encyclopedia Britannica
– Computer History Museum leírása Feigenbaumről mint expert systems úttörőjéről CHM
Knowledge engineering és szabályalapú modellek
Feigenbaum munkássága során kidolgozta a tudás megszerzésének (knowledge acquisition), rendszerezésének (knowledge representation), karbantartásának és alkalmazásának módszereit. A tudásbázisok és szabálymotorok (rule engines) működésében az „if-then” szabályok és a domain-szakértőkkel való együttműködés kulcsfontosságú lett.
– Britannica a DENDRAL kapcsán: „using ‘if-then’ rules … interview process … knowledge engineering” Encyclopedia Britannica
– ACM Turing Award leírás: „large scale artificial intelligence systems … practical importance … knowledge-based systems” amturing.acm.org
Könyvek és hatás a szakirodalomban
Feigenbaum nem csak rendszereket fejlesztett, hanem szerkesztett és írt könyveket is, amelyek vezéregyéniségekké váltak az AI-képzésben: Computers and Thought (1963), Handbook of Artificial Intelligence (volumes, ’81-84), The Fifth Generation: Artificial Intelligence and Japan’s Computer Challenge to the World (1983), The Rise of the Expert Company (1988) stb. Ezek a munkák segítették az AI tudományos közösség szélesedését és az alkalmazások iránti érdeklődés növekedését.
– ACM bibliográfia listája: Computers and Thought, Handbook of Artificial Intelligence, The Fifth Generation …, The Rise of the Expert Company amturing.acm.org
– Computer.org profil: list of books edited/co-authored by Feigenbaum IEEE Computer Society
Üzlet és tudomány összekapcsolása
Feigenbaum egyik jelentős képessége volt, hogy tudományos innovációit üzleti vagy ipari alkalmazások formájában is megvalósítsa. A DENDRAL és MYCIN rendszerek nem csupán kísérleti projektek voltak, hanem olyan példák, amelyek megmutatták, hogy realistán lehet szakértői tudást szoftverbe vinni. A cégek (pl. Teknowledge) és alkalmazások révén a szakértői rendszerek piacra is jutottak.
– ACM Turing Award site: „practical and commercial impact of artificial intelligence technology” amturing.acm.org
– Interesting Engineering: leírás arról, hogyan Feigenbaum rendszerei példát mutattak az ipari alkalmazásra Interesting Engineering
Tanítás, mentorálás és tudományos közösségépítés
Feigenbaum nemcsak kutató, hanem kiváló tanár és mentor is. Több hallgatója vált ismertté AI-körökben, és ő mag is részt vett olyan projektekben és testületekben, amelyek az AI kutatás és oktatás infrastruktúráját építették: Stanford Knowledge Systems Lab, professzori pozíciók, tudományos társaságok, konferenciák.
– ACM Turing Award site: listázza doktorandusait, együttműködőit, és szerepét a Stanford közösségben amturing.acm.org
– Stanford „About Edward A. Feigenbaum” Spotlight Exhibit exhibits.stanford.edu
Örökség
Feigenbaum öröksége alapjaiban formálta az AI-kutatást és az ipari alkalmazásokat. A tudásbázisok (expert systems) paradigmája, amelyben a domain-szakértői tudás rendezett szabályrendszerek révén szolgáltat intelligens döntéseket, máig meghatározó olyan területeken, mint orvosi diagnosztika, szakterületi tanácsadás, kritikus rendszerek (repülés, energia, pénzügy).
Emellett az a gondolat, hogy az AI rendszerek ereje nemcsak az algoritmusok komplexitásában, hanem leginkább a tudás minőségében és szerkezetében rejlik, Feigenbaum örök érvényű üzenete. Az ő szemléletmódja előfutára a mai tudásvezérelt rendszereknek – beleértve a szakértői rendszerek-motorokat, szabályalapú rendszereket, és olyan hibrid AI-megoldásokat, amelyek kombinálják a mélytanulás, a szabályrendszerek és a domain-szakértelem előnyeit.
Továbbá, társadalmi és üzleti értelemben Feigenbaum azt demonstrálta, hogy az MI nem csak tudományos kíváncsiság tárgya lehet, hanem gyakorlati és kereskedelmi hatással bíró technológia – katalizátorként szolgált az AI-ipar korai szakaszában.
Válogatott publikációs lista
Az alábbiakban Edward A. Feigenbaum legfontosabb műveinek válogatott listája, amelyek nagy hatással voltak az AI fejlődésére:
Feigenbaum, E. A., & Feldman, J. (Eds.). (1963). Computers and Thought. McGraw-Hill.
– Egy korai antológia, amely válogatott tanulmányokat tartalmaz az AI elkezdődő problémáiról, és sok kutatónak ez szolgált bevezetésként az AI-kutatás világába. amturing.acm.org
Feigenbaum, E. A., A. Barr, & P. Cohen (Eds.). (1981-1984). Handbook of Artificial Intelligence (Vols. 1-4). Wm. Kaufmann.
– Az egyik első, átfogó kézikönyv, amely rendszerezi az AI fogalmait, módszereit, alkalmazásait; könyv- és kutatási referenciapont lett. amturing.acm.org
Feigenbaum, E. A., & Pamela McCorduck. (1983). The Fifth Generation: Artificial Intelligence and Japan’s Computer Challenge to the World. Addison-Wesley.
– Ebben a műben az AI-politikai és ipari versenyről, különösen Japán „ötödik generációs számítógép” ambícióiról ír, amit Feigenbaum látott mint mérföldkő az MI globális versenyében. amturing.acm.org
Feigenbaum, E. A., P. McCorduck, & H. Penny Nii. (1988). The Rise of the Expert Company: How Visionary Companies are Using Artificial Intelligence to Achieve Higher Productivity and Profits. Times Books.
– Az expert rendszerek üzleti alkalmazásaira fókuszál, arra, hogyan tudják a vállalatok a tudásalapú rendszerekkel növelni hatékonyságukat és versenyképességüket. amturing.acm.org
Feigenbaum, E. A., Buchanan, B. G., Lederberg, J. (1971). On Generality and Problem Solving: A Case Study Using the DENDRAL Program. Machine Intelligence, 6.
– Fontos tanulmány arról, hogyan tud egy expert rendszer általánosítani és megoldani problémákat, különösen kémiai adatok alapján. amturing.acm.org
Feigenbaum, E. A., & H. A. Simon. (1984). EPAM-like Models of Recognition Learning. Cognitive Science, 8(4), 305-336.
– Ebben a cikkben Feigenbaum és Simon arról írnak, hogyan modellezhető az emberi felismerés tanulása: hogyan ismerünk fel mintákat, hogyan tanulunk meg régi és új információk közt. amturing.acm.org
Feigenbaum, E. A., & Buchanan, B. (1993). DENDRAL and Meta-DENDRAL: Roots of Knowledge Systems and Expert System Applications. Artificial Intelligence, 59(1-2), 233-240.
– Ez a cikk bemutatja a DENDRAL és Meta-DENDRAL rendszerek fejlődését, különösen azok alkalmazását és tudásbázis-alkalmazását a szakértői rendszerekben. amturing.acm.org
Feigenbaum, E. A. (1977). The Art of Artificial Intelligence: I. Themes and Case Studies of Knowledge Engineering. In Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI’77).
– Tematikus tanulmány, amely bemutatja a knowledge engineering témákat esettanulmányokon keresztül; ez segítette a szakmai közösséget és gyakorló mérnököket abban, hogy megértsék a tudásalapú rendszerek tervezésének kihívásait. amturing.acm.org
Források
Wikipedia – Edward Feigenbaum: biográfia, alapvető projektek (DENDRAL, MYCIN, EPAM) Wikipedia
Encyclopaedia Britannica – részletes életút és munkásság Encyclopedia Britannica
ACM Turing Award Laureate: Edward A. Feigenbaum amturing.acm.org
Computer History Museum – profil és összefoglaló az expert rendszer paradigmáról CHM
Stanford University Spotlight Exhibit: About Edward A. Feigenbaum exhibits.stanford.edu