مد نه تنها هدف کاربردی را فراهم می کند، بلکه جنبه های مرموز و گریزان انسان بودن را نیز به تصویر می کشد. مد عواطف و خلاقیت انسان را بیان می کند و فرا می خواند. ظاهر ما و گاهی اوقات احساس ما در این صنعت در هم تنیده شده است. مد همیشه رو به جلو بوده است و به محض ظهور فناوریهای جدید، از آنها استفاده میکند. هوش مصنوعی نیز از این قاعده مستثنی نیست و به سرعت مد پیش می رود.
هوش مصنوعی رشته ای از علوم کامپیوتر است که به منطق پشت هوش انسانی می پردازد. این رشته به دنبال راه هایی برای درک نحوه تفکر ما و ایجاد مجدد این هوش در ماشین ها است. به دلیل ماهیت خود، هوش مصنوعی در سراسر فعالیت های انسانی گسترش می یابد و آن را به طرق مختلف برای هر صنعت مرتبط می کند.
تقاطع مد و هوش مصنوعی فضایی غنی و گسترده است که تازه شروع به کشف آن کرده است. همانطور که هوش مصنوعی به توسعه خود ادامه می دهد، درک آن برای پیروان غیر فنی دشوارتر می شود. چالش درک در مسیر تحولات معنادار بین این دو حوزه قرار دارد. در این مقاله به این رابطه میپردازم همزمان که از نظر تصویری میکوشم این رابطه را به دید آورم.
در “وضعیت مد 2018″، گزارشی توسط مککینزی و شرکا و بیزینس آف فشن، 75٪ از خرده فروشان قصد دارند در سال های 2018 و 2019 روی هوش مصنوعی سرمایه گذاری کنند. این در حال تغییر روش صنعت مد در کل مد است. زنجیره ارزش ارائه تجربیات سفارشی و پیش بینی بهتر فقط شروع است.
در حال حاضر، حداکثر 30 درصد از فعالیت ها در 60 درصد مشاغل در تمام صنایع می توانند خودکار شوند. اجرای بخشی از این اتوماسیون و مهارت مجدد نیروی کار فعلی هنوز زمان بر است. با این نرخ، هیچ شکی وجود ندارد که هوش مصنوعی به طور قابل توجهی بر نحوه کار ما تأثیر می گذارد.
هوش مصنوعی به یک اصطلاح گیج کننده تبدیل شده است. یادگیری ماشینی، یادگیری عمیق و هوش مصنوعی اصطلاحاتی هستند که اغلب به جای هم استفاده می شوند، که ممکن است این سوال را ایجاد کند که تفاوت چیست؟ یادگیری ماشینی راهی برای دستیابی به هوش مصنوعی است. در سال 1959 توسط آرتور ساموئل به عنوان “توانایی یادگیری بدون برنامه ریزی صریح” تعریف شد.
معمولاً این کار از طریق “آموزش” انجام می شود. یادگیری عمیق رویکردی برای یادگیری ماشینی است که معمولاً شامل شبکه های عصبی بزرگ می شود. یادگیری ماشینی بخش بزرگی از هوش مصنوعی را تشکیل می دهد که امروزه در مشاغل مورد استفاده قرار می گیرد. اهداف یادگیری ماشینی خودکار کردن فرآیندها به منظور کاهش تلاش انسان و کشف الگوهای پیچیده ای است که انسان به تنهایی قادر به تفسیر آنها نیست.
این تشبیه کامل نیست، اما میتوانید به این شکل فکر کنید: یادگیری ماشینی برنامهنویسی است همانطور که چرخ خیاطی با خیاطی است. قبل از ظهور چرخ خیاطی، هر دوخت با دست دوخته می شد. هنگامی که چرخ خیاطی معرفی شد، خیاطی سریعتر شد، زیرا هر بخیه توسط انسان انجام نمی شد. با یادگیری ماشینی، میتوانیم برنامههایی بسازیم که پیچیدگیهای بسیار بیشتری را بدون نیاز به کدنویسی دستی برای همه جزئیات مدیریت کنند.
با این حال، در نهایت، درزها نمی توانند خودشان را بدوزند و یادگیری ماشینی همچنان به دست انسان نیاز دارد تا کار کند. در یادگیری ماشینی، ماشینها برای شناسایی الگوها در دادهها و پیشبینی مکرر مقادیر دادههای موجود، که اغلب با رویدادهایی که در آینده اتفاق میافتد مرتبط هستند، استفاده میشوند. یادگیری ماشینی شامل روشهای بسیاری برای یادگیری از دادهها است و بخش بزرگی از تحقیقاتی را که امروزه در هوش مصنوعی انجام میشود، تشکیل میدهد.
هوش چیست؟ آلبرت انیشتین زمانی گفت: نشانه واقعی هوش دانش نیست، تخیل است. در حالی که ما به طور شهودی می دانیم هوش چیست، خلاصه کردن یا تعریف رسمی آن دشوار است. تئوری ها و تعاریف زیادی در مورد اینکه چه چیزی انسان ها را باهوش می کند وجود دارد. چگونگی اندازه گیری هوش قرن ها توسط فیلسوفان مورد بحث بوده است.
شین لگ و مارکوس هاتر بیش از 70 تعریف متخصص از هوش را در مقاله ای به نام “مجموعه تعاریف هوش” جمع آوری کردند. در تلاش برای استخراج یک تعریف واحد، آنها به این رسیدند: هوش توانایی یک عامل را برای دستیابی به اهداف در طیف گسترده ای از محیط ها اندازه گیری می کند. در هوش مصنوعی، سیستم ها اغلب برای تقلید از رفتارهای ذهن انسان طراحی می شوند.
محققان به ذهن انسان به عنوان مدلی از هوش نگاه می کنند. هدف اصلی بازسازی هوش انسانی در ماشینها مستلزم آموزش ماشینها برای انجام بسیاری از عملکردهای پیچیده است. استدلال، حل مسئله، یادآوری حافظه، برنامه ریزی، یادگیری، پردازش زبان طبیعی، ادراک، دستکاری، هوش اجتماعی و خلاقیت همه بخشی از رسیدن به این هدف هستند.
تست تورینگ چگونه می توانیم بفهمیم که یک ماشین هوشمند است؟ آزمون تورینگ (تیتی) توسط آلن تورینگ در سال 1950 به عنوان یکی از اولین آزمون های هوش در ماشین ها پیشنهاد شد. درک اینکه آیا یک ماشین مانند یک انسان عمل می کند یک چالش است. برای قبولی در آزمون، یک بازجوی انسانی از دستگاه سؤال می پرسد. اگر بازپرس انسان نتواند تشخیص دهد که کدام پاسخ از یک انسان و کدام یک از یک ماشین است، دستگاه آزمایش را با موفقیت پشت سر می گذارد.
تست تورینگ در طول 40 سال گذشته بارها و بارها در فیلم های علمی-تخیلی محبوب ظاهر شده است. اکس ماشینا و بلیند رانر نمونههایی از این دست اند و چکپوینتهای «آیا ما هنوز آنجاییم؟» یکی از این موارد است.
ایجاد ارتباطات ذهنی مهم ترین ابزار یادگیری ما، جوهر هوش انسانی است. جعل پیوندها؛ فراتر رفتن از داده شده؛ برای دیدن الگوها، روابط، زمینه. – مریلین فرگوسن، نویسنده
درک رفتار انسان پیچیده است زیرا انسان همیشه منطقی یا منطقی عمل نمی کند. ما می توانیم توانایی ماشین را برای پیش بینی رفتار انسان با جستجوی الگوها بهبود بخشیم. این الگوها به کشف و تعریف روندها کمک می کنند. با تجزیه و تحلیل این روندها و مدل سازی آنها با الگوریتم ها، ماشین ها می توانند پاسخ های انسان به ورودی های خاص را تقلید کنند.
سپس، هنگام مواجهه با این ورودیها در زمینههای دنیای واقعی، میتوانند بر این اساس پاسخ دهند. یادگیری چیست؟ اگر بتوانیم یادگیری انسان را ساده کنیم، میتوانیم بگوییم که انسانها اطلاعات را از محیط خود میگیرند، آن را به چیزی مرتبط میکنند و سپس یاد میگیرند یا عمل میکنند. این ورودی ها می تواند چیزی باشد که آنها می بینند، بو می کنند، می چشند، می شنوند، احساس می کنند یا حتی تفسیر آنها از یک حالت یا لحن.
این اطلاعات مربوط به دانش قبلی است که شخص در مورد جهان دارد و ارتباط برقرار می کند. از آنجا، یک انسان ممکن است بر اساس دانش جدید خود عمل کند، کشف کند، یا نوآوری کند. به ماشین ها ورودی به شکل داده داده می شود. ماشین آن داده ها را تفسیر می کند و از آنها یاد می گیرد. سپس ماشین قبل از خروج اطلاعاتی که برای تفسیر مفید برای انسان تعریف شده است، آن داده ها را ارزیابی می کند.
داده ها از کجا می آیند؟ ماشین ها از طریق ورودی های سخت افزاری و همچنین برنامه های نرم افزاری داده ها را جمع آوری می کنند. شما می توانید سخت افزار را به عنوان بدن و نرم افزار را به عنوان ذهن یک ماشین در نظر بگیرید. سخت افزار به حوزه ادراک ماشین می پردازد و نرم افزار هم به ایده زبان ماشین و هم زبان انسان می پردازد.
ماشین ها می توانند محیط را از طریق بینایی، احساس و شنوایی از طریق حسگرها درک کنند. سنسورها بخشی از سیستم سخت افزاری ماشین هستند. آنها رویدادهای فیزیکی مانند دما، فشار، نیرو، شتاب، صدا و نور را اندازه گیری می کنند.
در واقع، تلفن شما می تواند تقریباً همه این موارد را اندازه گیری کند. تلفن ها از طریق وسایل الکترونیکی کوچکی به نام سیستم های میکروالکترومکانیکی حس می کنند. میکروفون، دوربین، واحدهای اندازهگیری اینرسی (یا آیامیو که به ردیابی موقعیت کمک میکنند) و حسگرهای مجاورت همگی نمونههایی از امایام هستند. این حسگرها را می توان در دستگاه های مختلف اینترنت اشیا نیز یافت.
در همکاری با این حسگرها، سیستمهای نرمافزاری روی یک ماشین میتوانند کارهایی مانند تفسیر وارونه یا سمت راست گوشی، اندازهگیری حرکت انسان و تشخیص چهرهها یا صداها را انجام دهند.
زبان انسان برای برقراری ارتباط حیاتی است. ما از کلمات و عبارات استفاده می کنیم و آنها را به روش های مختلف ترکیب می کنیم تا ایده ها و احساسات را بیان کنیم. ماشین ها از زبان ماشین برای تعریف مدل ها و پارامترها استفاده می کنند. زبان انسان و ادراک ماشین هر دو ورودی هایی را به شکل داده برای ماشین ها فراهم می کنند تا از آن ها یاد بگیرند.
تمایز مهمی بین زبان ماشین و زبان انسانی وجود دارد. زبان های ماشین به صورت کد نوشته می شوند. در ابتدا، این کد فقط یک سری 0 و 1 یا باینری بود. ترکیب های مختلف 0 و 1 اطلاعات مختلفی را برای ماشین ها رمزگذاری می کند. با گذشت زمان، انسان ها زبان های برنامه نویسی ایجاد کرده اند که بین زبان انسان و زبان ماشین رابط دارند تا کار کدنویسی را آسان تر کنند.
خروجی یک ماشین زمانی بیشترین کاربرد را دارد که بتوان آن را توسط انسان تفسیر کرد، که زبان انسان را به مفهومی مفید برای ماشینها تبدیل میکند. موضوعات در هوش مصنوعی نقش کامپیوتر جابجایی خلاقیت انسان نیست، بلکه تقویت آن است.
-ری کورزویل، عصر ماشینهای هوشمند
امروزه استفاده موفقیت آمیز هوش مصنوعی مستلزم درک تکنیک هایی است که باید برای حل یک مشکل مورد استفاده قرار گیرند. در حال حاضر هیچ الگوریتم واحدی وجود ندارد که در هر جنبه ای از صنعت مد ارزش ارائه کند. اصطلاح هوش مصنوعی به عنوان یک مقوله فراگیر می تواند گیج کننده باشد زیرا اغلب افراد را به این باور می رساند که هوش مصنوعی یک جعبه سیاه مرموز است که می تواند هر مشکلی را حل کند. در واقع، از چندین حوزه کاربردی، ابزار و تکنیک تشکیل شده است.
هر موضوعی در زمینه هوش مصنوعی در این کتاب پوشش داده نشده است. از آنجایی که دستهها اغلب با هم همپوشانی دارند، این کتاب با خواندن اطلاعات بیشتر به صورت تجمعی نوشته شده است. عبارت “مناطق کاربردی” به مناطق خاصی اشاره دارد که ابزارها و تکنیک های یادگیری ماشین را می توان در آنها اعمال کرد. پردازش زبان طبیعی، بینایی کامپیوتر، تجزیه و تحلیل پیشبینیکننده و روباتیک ممکن است از تکنیکهای مشابهی مانند شبکههای عصبی برای حل انواع مختلف مشکلات استفاده کنند. این حوزه های کاربردی را می توان به کاربردهای صنعتی بیشتر گسترش داد.
زبان ماشین و زبان انسان در پردازش زبان طبیعی (انالپی) به هم می رسند. انالپی راهی برای کامپیوترها برای درک زبان های انسانی است. هر روز، تعاملات ما در وب – چیزهایی که در رسانه های اجتماعی ارسال می کنیم، پیام های متنی که می نویسیم، و غیره – به انبوهی از داده ها کمک می کند. از این میزان، تخمین زده می شود که 80 درصد از 2.5 کوینتیلیون بایت داده ای که هر روز ایجاد می شود، داده های بدون ساختار هستند.
این به شکل آزاد نوشته شده است، سازماندهی نشده و از نظر تاریخی تجزیه آن سخت است. ما می توانیم از انالپی برای درک محتوا و زمینه این داده های بدون ساختار استفاده کنیم و گنجینه ای غنی از اطلاعات در مورد خودمان را باز کنیم. پردازش زبان طبیعی در چندین دسته محصول از جمله خرید محاوره ای، چت ربات های خدمات مشتری با هوش مصنوعی و دستیاران مجازی و استایلیست ها اعمال می شود.
بینایی کامپیوتر (سیوی) برای پردازش و تجزیه و تحلیل تصاویر و فیلم ها استفاده می شود. سیوی وظایفی را که ممکن است با سیستم بینایی انسان و موارد دیگر مرتبط کنیم، خودکار می کند. اگرچه بینایی کامپیوتر یک زمینه خاص خود است، هوش مصنوعی نقش مهمی در پیشرفت اخیر داشته است. بینایی کامپیوتری اغلب در برنامه های مد استفاده می شود زیرا صنعت مد بسیار بصری است. در صنعت مد، بینایی کامپیوتر در فناوریهایی مانند جستجوی بصری، آینههای هوشمند، خرید اجتماعی، پیشبینی روند، واقعیت مجازی و واقعیت افزوده استفاده میشود.
هوش مصنوعی می تواند روندهای آینده را سریعتر از خودی های صنعت شناسایی کند تا روند طراحی را بهبود بخشد.
– اوری بیکر، مدیر ارشد برند، تامی هیلفیگر
تجزیه و تحلیل پیشگویانه از روش های مختلفی استفاده می کند که از اطلاعات تاریخی برای پیش بینی رویدادهایی که در آینده اتفاق می افتد استفاده می کند. این روش ها دارای پیچیدگی هستند و شامل داده کاوی، آمار اولیه و یادگیری ماشین می شوند.
در این مقاله، تجزیه و تحلیل پیشبینیکننده در دو حوزه دیگر نشان داده میشود: سیستمهای توصیهگر و پیشبینی تقاضا. سیستم های توصیه کننده بخشی از تجزیه و تحلیل پیش بینی کننده هستند. آنها به دنبال درک رفتار کاربر یا مشتری هستند و محصولات یا خدماتی را توصیه می کنند که کاربر احتمالاً آنها را دوست دارد یا خریداری می کند. سیستم های توصیه گر نقش مهمی برای کشف محصولات در تجارت الکترونیک ایفا کرده اند.
آنها را در همه جا پیدا خواهید کرد، از وب سایت های خرده فروشی مد گرفته تا پشت صحنه در خدمات جعبه اشتراک. همچنین آنها را در مناطق دیگر از جمله پخش موسیقی و ویدیو در سایت هایی مانند نتفلیکس یا یوتیوب مشاهده خواهید کرد. پیش بینی تقاضا برای بهینه سازی برنامه ریزی زنجیره تامین استفاده می شود. با پیش بینی تقاضا برای محصولات، صنعت مد می تواند تولید بیش از حد را کاهش دهد و در نتیجه هزینه ها را کاهش دهد و ضایعات را کاهش دهد.
رباتیک، به ویژه در تولید پوشاک، یک حوزه مطالعاتی منحصر به فرد است که به تخصص در حوزه مد، مهندسی مکانیک و یادگیری ماشین نیاز دارد. سالهاست که رباتها در محیطهای صنعتی در ساخت خودرو، هوافضا و سایر صنایعی که عمدتاً با قطعات سفت و سخت سروکار دارند، استفاده میشوند.
تولید رباتیک در صنعت مد به دلیل پیچیدگیهای مربوط به حمل و نقل پارچه، هنوز یک حوزه نوپا است. با این وجود، با پیشرفتهایی در بینایی کامپیوتر و الگوریتمهای برنامهریزی مورد نیاز برای انجام کارهای پیچیده، روباتیک در حال استفاده از مد است.
ابزارها و تکنیکهایی مانند شبکههای عصبی، شبکههای متخاصم مولد و داده کاوی در سراسر حوزههای کاربردی استفاده میشوند. این روش ها به طور مداوم در حال تغییر و تحول هستند تا نتایج با کیفیت بالاتری را در صنعت به دست آورند.
شبکه های عصبی زیرمجموعه ای از یادگیری ماشین هستند. آنها در اصل بر اساس درک ما از رفتار نورونها در مغز انسان مدلسازی شدند: در مغز، یک نورون واحد ورودی را دریافت میکند، آن را پردازش میکند و خروجی را ارسال میکند. علوم اعصاب از این ایده دور شده است. ما اکنون می دانیم که مغزها در واقع به این شکل کار نمی کنند و آمار پشت شبکه های عصبی در یادگیری ماشینی مستقل از علوم اعصاب ایجاد شده است.
شبکه های عصبی معمولاً با لایه هایی ایجاد می شوند که اطلاعات را به صورت موازی محاسبه می کنند. آنها از گره های به هم پیوسته تشکیل شده اند. دانش در این سیستم ها با الگوهایی نشان داده می شود که توسط گره هایی که اطلاعات را به یکدیگر منتقل می کنند، گرفته می شود.
طرز فکر مردم در مورد ترکیب یک شبکه عصبی معمولاً شامل سه بخش اساسی است:
• لایه های ورودی: حاوی داده های ورودی است
• لایه های پنهان: شامل معماری سیناپس است
• لایه های خروجی: نتایج را از شبکه ارائه می دهد
در این چارچوب، یک شبکه عصبی میتواند معماریهای زیادی را به خود بگیرد. همه شبکه های عصبی یکسان نیستند. در اجرا، آموزش نیز بخش مهمی از فرآیند است. آموزش شامل ارسال داده از طریق شبکه عصبی است. در این مرحله، شبکه در حال یادگیری ارتباطات پیچیده بین ورودی ها و خروجی های مورد نظر است. در بسیاری از موارد، اثربخشی شبکه به دادههای با کیفیت بالا بستگی دارد.
شبکه های عصبی اغلب در زمینه های کاربردی که قبلا در این فصل مورد بحث قرار گرفت استفاده می شود. درک مکانیسم های اساسی شبکه های عصبی به ارائه پایه ای برای درک چگونگی عملکرد هوش مصنوعی معاصر کمک می کند.
یادگیری بدون نظارت می تواند ناکارآمد باشد زیرا ماشین ها باید خودشان یاد بگیرند. آنچه برای ما آشکار است ممکن است برای یک ماشین آشکار نباشد. شبکههای متخاصم مولد (گانها) یکی از راههای افزایش کارایی یادگیری بدون نظارت هستند. گانها از دو شبکه عصبی استفاده می کنند: یک شبکه نتایج را تولید می کند و دیگری دقت آن نتایج را ارزیابی می کند.
گانها یک فناوری جدیدتر در فضای یادگیری ماشینی هستند و توسط شرکت هایی مانند آمازون به عنوان روشی برای ایجاد طراحان مد هوش مصنوعی در سال 2017 پیشنهاد شده اند. این مدلها و سایر مدلهای تولیدی بهویژه برای ایجاد تصاویر جدید منحصر به فرد و همچنین برای پر کردن اطلاعات از تصاویر ناقص یا آسیبدیده امیدوارکننده هستند.
داده ها برای هر کار در یادگیری ماشین بسیار مهم است. بدون داده، دستگاه چیزی برای آموزش ندارد. داده ها می توانند شامل اطلاعاتی مانند ویدئو، تصاویر و متن باشند. جمع آوری داده ها به فرآیند جمع آوری داده ها برای تجزیه و تحلیل اشاره دارد.
در بسیاری از موارد، جمع آوری داده ها تازه شروع است. با تمام داده ها چه می کنید؟ داده کاوی در مورد کشف اطلاعات مفید در مقادیر زیاد داده است. برای صنعت مد، رسانههای اجتماعی میتوانند گنجینهای برای یادگیری در مورد احساس مشتریان در مورد محصولات و روندها باشند.
حوزههای کاربردی، تکنیکها و ابزارهای مختلف دارای نقاط قوت و ضعف در وظایف خاص هستند. حوزه های کاربردی هوش مصنوعی اغلب برای رفع نیازهای خاص هدف قرار می گیرند (به عنوان مثال، مشکلات مربوط به تصویر در مقابل زبان به ترتیب با استفاده از بینایی کامپیوتر و پردازش زبان طبیعی مورد بررسی قرار می گیرند). امروزه استفاده موفقیت آمیز هوش مصنوعی مستلزم درک این است که کدام تکنیک ها و ابزارها برای برنامه شما منطقی هستند.
بینایی کامپیوتری ذاتاً یک میدان بصری هوش مصنوعی است و در مواردی که با تصاویر و ویدئوها سروکار دارند استفاده میشود. از سوی دیگر، پردازش زبان طبیعی با برقراری ارتباط بین زبانهای انسانی و زبانهای ماشین سروکار دارد.
هوش مصنوعی، و بهویژه روشهای یادگیری ماشین، از دادهها و مدلها برای درک و پیشبینی سؤالاتی استفاده میکنند که پاسخی برای آنها نداریم.
اگر علاقه ندارید، جالبتوجه نیستید.
—آیریس اپفل، طراح داخلی، نماد مد
پردازش زبان طبیعی (انایپی) نقش مهمی در ارتباط انسان و ماشین دارد. هر روز میلیاردها گیگابایت داده توسط کاربران در سراسر جهان ایجاد می شود. بیشتر این محتوا در قالب های بدون ساختار ایجاد می شود و با استفاده از تکنیک های برنامه نویسی معمولی قابل استفاده نیست. با لنایپی، این داده های بدون ساختار را می توان توسط ماشین ها بدون نیاز به ساختارهای داده دقیق تفسیر کرد.
در صنعت مد، پردازش زبان طبیعی در برنامههایی مانند تجارت محاورهای، رباتهای گفتگو، سبکشناسان مبتنی بر هوش مصنوعی، طبقهبندی تصویر و روند، و خرید لحظهای کوچک استفاده شده است.
پیدا کردن لباسهایی که دوست دارید در اینترنت میتواند واقعاً سخت باشد، و نیازمند بررسی دهها، صدها و حتی هزاران فهرست است. یکی از فراگیرترین مفاهیم برای جلب توجه در خرده فروشی مد، تجارت محاوره ای است که در اواخر سال 2017 مطرح شد. با ادغام اطلاعات محصول در رابط چت، برندها می توانند اصطکاک را در حین کشف محصول کاهش دهند و تجربیات بسیار شخصی سازی شده ای را برای مشتریانی که در جستجوی محصولات، اطلاعات و خدمات مشتری هستند، فراهم کنند.
پردازش زبان طبیعی از دهه 1950 توسط دانشمندان کامپیوتر مورد مطالعه قرار گرفته است. آلن تورینگ، دانشمند کامپیوتر، توانایی استفاده از زبان انسان را عامل مهمی در تعیین هوش در ماشین ها می دانست. او بعداً تست تورینگ را به عنوان معیاری برای سنجش هوش ماشین ایجاد کرد.
اگر ماشینی بتواند مردم را فریب دهد که انسان است، از آزمون تورینگ عبور کند. در آن زمان و در طول دهه 1960، اولین رباتهای چتپخش ایجاد شدند که نمونهای از قدرت رابطهای مبتنی بر زبان طبیعی بودند.
چه چیزی باعث می شود فکر کنید من حق دارم نظر خودم را داشته باشم؟
-الیزا، ربات چت
یکی از معروف ترین نمونه ها در این دوران الایزا بود. الیزا یکی از اولین برنامه هایی بود که نسخه محدود آزمون تورینگ را گذراند. این برنامه با شبیهسازی رواندرمانگر راجریان، ورودیهای کاربر را پردازش کرد، آنها را در حافظه ذخیره کرد و در حین مکالمه به خاطر آورد.