Искусственный интелект

«Искусственный интеллект» ( англ. Artificial intelligence, AI ) — раздел компьютерной лингвистики и информатики, занимающийся формализацией проблем и задач, которые напоминают задачи, выполняемые человеком. При этом, в большинстве случаев алгоритм решения задачи неизвестен заранее. Точного определения этой науки нет, поскольку вфилософии не решен вопрос о природе и статусе человеческого интеллекта . Нет и точного критерия достижения компьютером «разумности», хотя перед искусственным интеллектом был предложен ряд гипотез, например, Тест Тьюринга или гипотеза Ньюэлла-Саймона . Сейчас существует много подходов как к пониманию задач искусственного интеллекта, так и к созданию интеллектуальных систем .

Одна из классификаций выделяет два подхода к разработке искусственного интеллекта:

нисходящий, семиотический — создание символьных систем , моделирующих высокоуровневые психические процессы : мышление, суждения, речь, эмоции, творчество и т. д.;
восходящий, биологический — изучение нейронных сетей и эволюционные вычисления , моделирующие интеллектуальную поведение на основе меньших «не интеллектуальных» элементов.
Эта наука связана с психологией , нейрофизиологией , Трансгуманизм и другими. Как и все компьютерные науки , она использует математический аппарат . Особое значение для нее имеют философия и робототехника .

Искусственный интеллект — очень молодая область исследований, начало 1956 . Ее исторический путь напоминает синусоиду , каждый «взлет» которой инициировался некоторой новой идеей. На сегодня ее развитие находится на «спаде», уступая применению уже достигнутых результатов в других областях науки, промышленности , бизнесе и даже повседневной жизни.

Подходы и направления

Единого ответа на вопрос чем занимается искусственный интеллект (ИИ), не существует. Почти каждый автор, который пишет книгу о ИИ, отталкивается от какого определения, рассматривая в его свете достижения науки. Обычно эти определения сводятся к следующим:

— Искусственный интеллект изучает методы решения задач, требующих человеческого понимания. Грубо говоря речь идет о том, чтобы научить ИИ решать тесты интеллекта. Это предполагает развитие способов решения задач по аналогии , методов дедукции и индукции , накопления базовых знаний и умение их использовать.

— Искусственный интеллект изучает методы решения задач, для которых не существует способов решения или они не корректны (за ограничения во времени, памяти и т.д.). Благодаря такому определению интеллектуальные алгоритмы часто используются для решения NP-полных задач , например, задачи коммивояжера .

— Искусственный интеллект занимается моделированием человеческого высшей нервной деятельности.

— Искусственный интеллект — это системы, которые могут оперировать со знаниями , а главное — учиться . В первую очередь речь ведется о том, чтобы признать класс экспертных систем (название происходит от того, что они способны заменить «на посту» людей-экспертов) интеллектуальными системами.

— Последний подход, который начал развиваться с 1990-х годов , называется агентно-ориентированным подходом. Данный подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении своей задачи. Поэтому здесь гораздо лучше изучаются алгоритмы поиска и принятия решения .

Непопулярные подходы

— Самый общий подход состоит в том, что ИИ будет иметь возможность вести себя как человеческий в нормальных ситуациях. Эта идея представляет собой обобщенный подход теста Тьюринга , который утверждает, что машина станет разумной тогда, когда будет в состоянии поддерживать диалог с обычным человеком, а и не сможет понять, что разговаривает с машиной ( диалог ведется переписыванием).

Читайте также:  Как выбрать телескоп для дома

— Писатели-фантасты часто предлагают еще один подход: ИИ возникает тогда, когда машина будет чувствовать и творить. Так, например, хозяин Эндрю Мартина из «Двухсотлетний человек» начинает относиться к нему как к человеку, когда этот создал игрушку по собственному проекту. А. Дейта из Звездного пути, будучи способным к коммуникациям и обучения, мечтает получить эмоции и интуицию.

Подходы к изучению

Существуют различные подходы к созданию систем ИИ. На данный момент можно выделить 4 достаточно разных подхода:

1. Логический подход . Основой для изучения логического подхода служит алгебра логики . Каждый программист знаком с ней с тех пор, когда он изучал оператор IF. Своего дальнейшего развития алгебры логики получила в виде исчисления предикатов — в котором она расширена за счет введения предметных символов, отношений между ними. Кроме этого, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель достигнута, то последовательность использованных правил позволит получить цепочку действий, необходимых для реализации поставленной цели (такую ​​систему еще называют экспертной системой ). Мощность такой системы определяется возможностями генератора целей и машинного доказательства теорем. Для того чтобы достичь лучшей выразительности логический подход использует новое направление, его название — нечеткая логика .Главным отличием этого направления является то, что истинность высказывания может принимать помимо значений да / нет (1 / 0) еще и промежуточное значение — не знаю (0.5), пациент скорее всего жив, чем мертв (0.75), пациент скорее всего мертв , чем жив (0.25).

2. Под структурным подходом мы понимаем попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Главной моделирующей структурной единицей в перцептронах (как и в большинстве других вариантах моделирования мозга) является нейрон . Позднее возникли и другие модели, известные под названием нейронные сети (НС) и их реализации — нейрокомпьютеры . Эти модели отличаются по строению отдельных нейронов, по топологии связей между ними и алгоритмами обучения. Среди самых известных в настоящее время вариантов НМ можно назвать НМ с обратным распространением ошибки , сети Кохонена , сетки Хопфилда , стохастические нейроны сетки. В более широком смысле этот подход известен как Коннективизм . Различия между логическим и структурным подходом не столько принципиальные, как это кажется на первый взгляд. Алгоритмы упрощения и вербализации нейронных сетей превращают модели структурного подхода в явные логические модели. С другой стороны, еще в 1943году Маккалок и Питтс показали, что нейронная сеть может реализовать любую функцию алгебры логики .

3. Эволюционный подход . При построении системы ИИ по данному методу основное внимание сосредотачивают на построении исходной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть создана с самыми разнообразными методами, это может быть и НМ, и набор логических правил, и любая другая модель. После этого мы включаем компьютер и он, на основе проверки моделей отбирает лучшие из них, и за этими моделями по самым разным правилам генерируются новые модели. Среди эволюционных алгоритмов классическим считается генетический алгоритм .

Читайте также:  Когда и где впервые появился телевизор?

4. Имитационный подход . Этот подход является классическим для кибернетики с одним из ее базовых понятий черный ящик . Объект, поведение которого имитируется, как раз и представляет собой «черный ящик». Для нас не важно, какие модели у него внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя без изменений.Таким образом здесь моделируется другое свойство человека — способность копировать то, что делают другие, без разделения на элементарные операции и формального описания действий. Часто это свойство экономит много времени объекту, особенно в начале его жизни.

В рамках гибридных интеллектуальных систем пытаются объединить эти направления. Экспертные правила выводов могут генерироваться нейронными сетями, а Порождающие правила получают с помощью статистического изучения. Многообещающий новый подход, который еще называют усиление интеллекта, рассматривают достижения ИИ в процессе эволюционной разработки как текущий эффект усиления человеческого интеллекта технологиями.

Направления исследований

Анализируя историю ИИ, можно выделить такой обширный направление как моделирование рассуждений . Многие годы развитие этой науки продвигался именно по этому пути, и сейчас это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем , на входе которых поставлена ​​некая задача, а на выходе ожидается ее решение. Как правило, предложенная задача уже формализована , то есть переведена в математическую форму, но либо не имеет алгоритма решения, или этот алгоритм за сложный, трудоемкий и.т.д. В это направление входят: доказательство теорем , принятие решений и [теория игр] , планирование и диспетчеризация , прогнозирование .

Таким образом, на первый план выходит инженерия знаний , объединяющая задачи получения знаний из простой информации , их систематизацию и использование. Достижения в этой области затрагивают почти все остальные направления исследования ИИ. Здесь также необходимо отметить два важных под области. Первая из них — машинное обучение — касается процесса самостоятельного получения знаний интеллектуальной системой в процессе ее работы. Вторая связана с созданием экспертных систем — программ, использующих специализированные базы знаний для получения достоверных выводов относительно произвольной проблемы.

Большие и интересные достижения имеются в области моделирования биологических систем . Сюда можно отнести несколько независимых направлений. Нейронные сети используются для решения нечетких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некоторое алгоритм может стать эффективным, если отберет лучшие характеристики в других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы -агента , который сотрудничает с окружающей средой, называется агентных подход . А если правильно заставить большое количество «не очень интеллектуальных» агентов сотрудничать вместе, то можно получить «муравьиный» интеллект .

Задачи распознавания объектов уже частично решаются в рамках других направлений. Сюда относятся распознавание символов , рукописного текста, речи, анализ текстов. Особо следует упомянуть компьютерное видение , которое связано с машинным обучением и робототехникой.

What do you think?

2 points
Upvote Downvote