Discord

DISCORD Сервер сообщества

Новый способ общения с вашими друзьями и сообществами.

Cвойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.
#29
Исторически сложились три основных подхода в моделировании искусственного интеллекта.
В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д. Этот поход называется нейрокибернетикой.

Второй подход в качестве объекта исследования рассматривает искусственный интеллект. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека. Механизм работы не имеет значения. Важны только входная информация и результат ее обработки. Этот подход по-лучил название кибернетики «черного ящика».

Третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях являются оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Самыми первыми интеллектуальными задачами, которые стали решаться при по-мощи ЭВМ, были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда, здесь надо отметить еще кибернетические игрушки типа «электронной мыши» Клода Шеннона, которая управлялась сложной релейной схемой. Эта «мышка» могла исследовать лабиринт и находить выход из него. Кроме того, помещенная в уже известный ей лабиринт, она не искала выход, а сразу же, не заглядывая в тупиковые ходы, выходила из лабиринта.

Американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США, и победила. Многих чрезвычайно интересовало, каким образом машине удалось достичь столь высокого класса игры? Были программно заложены правила игры, так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям, – дебюту, миттельшпилю, эндшпилю.

Оптимально сочетая такие критерии (например, в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более сложным образом), можно для оценки очередного хода машины получить некоторый числовой показатель эффективности – оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода не обязательно обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с учетом их исхода.

По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться играть лучше, чем средний игрок, за относительно короткий период времени.

Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Но программа эта не является «жесткой», заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс «мышления» у машины существенно отличен от того, что происходит в мозгу играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Победу на этом турнире одержала советская машина с шахматной программой «Каисса». Почему здесь употреблено «до не-давнего времени»? Дело в том, что недавние события показали: несмотря на довольно большую сложность шахмат и невозможность в связи с этим произвести полный пере-бор ходов, возможность перебора их на большую глубину, чем обычно, очень увеличивает шансы на победу. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, располагал 256 процессорами, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100 000 000 ходов в секунду. До недавнего времени редкостью был компьютер, умеющий делать такое количество целочисленных операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя, с другой стороны, этот пример говорит об универсальности переборных алгоритмов.

В настоящее время существуют и успешно применяются программы, которые позволяют машинам играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущие человеку способности к обучению и адаптации. Одной из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук – физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы искусственного интеллекта, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные рас-познавать и анализировать сложные сенсорные ситуации.

В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания – перcептрон. Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания и породило большой поток теоретических и экспериментальных исследований.

Перcептрон или любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом из них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать по возможности правильно.

Проблема обучения распознаванию тесно связана с другой интеллектуальной за-дачей – проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетвори-тельный алгоритм для перевода, скажем, научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 60-х г. Однако чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.

Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка. Эти программы обладают, по словам американского специалиста в области ИИ Дж. Маккатти, «здравым смыслом», т. е. способностью делать дедуктивные заключения.

Очень важным направлением систем искусственного интеллекта является роботехника. В чем основное отличие интеллекта робота от интеллекта универсальных вы-числительных машин? Для ответа на этот вопрос вспомним принадлежащее великому русскому физиологу И. М. Сеченову высказывание: «… все бесконечное разнообразие внешних проявлений мозговой деятельности сводится окончательно лишь к одному явлению – мышечному движению». Другими словами, вся интеллектуальная деятельность человека направлена, в конечном счете, на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат прежде всего для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем искусственного интеллекта состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер, которые обычно не связаны ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.

Первых роботов трудно было назвать интеллектуальными. Только в 60-х годах появились «очувствленные» роботы, которые управлялись универсальными компьютерами. К примеру, в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта «промышленный интеллектуальный робот». Цель разработки – создание «очувствленного» манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем.

Манипулятор робота имел шесть степеней свободы и управлялся мини-ЭВМ NEAC-3100 (объем оперативной памяти – 32 000 слов, объем внешней памяти на магнитных дисках – 273 000 слов), формирующей требуемое программное движение, которое отрабатывалось следящей электрогидравлической системой. Захват манипулятора оснащался тактильными датчиками.
В качестве системы зрительного восприятия использовались две телевизионные камеры, снабженные красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения телевизионной камеры разбито на 64 х 64 ячеек. В результате обработки полученной информации определялась область, занимаемая интересующим робота предметом. Далее с целью детального изучения этого предмета выявленная область вновь делилась на 4 096 ячеек. В том случае, когда предмет не помещался в выбранное «окно», оно автоматически перемещалось, подобно тому, как человек скользит взглядом по предмету. Робот Электротехнической лаборатории был способен распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями при специальном освещении. Стоимость данного экспериментального образца составляла примерно 400 000 долларов.

Постепенно характеристики роботов улучшались, но до сих пор они еще далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру, удерживают на лезвии ножа шарик от настольного тенниса.

Можно выделить работы киевского Института кибернетики, где под руководством Н. М. Амосова и В. М. Глушкова велся комплекс исследований, направленных на разработку элементов интеллекта роботов. Особое внимание в этих исследованиях уделялось проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.

Например, еще в 70-х годах был создан макет транспортного автономного интегрального робота (ТАИР). Конструктивно ТАИР представлял собой трехколесное шасси, на котором смонтированы сенсорная система и блок управления. Сенсорная система включала следующие средства очувствления: оптический дальномер, навигационную систему с двумя радиомаяками и компасом, контактные датчики, датчики углов наклона тележки, таймер и др. Особенностью ТАИРа являлось то, что в его составе не было компьютера в том виде, к которому мы привыкли. Основу системы управления составляла бортовая нейроподобная сеть, на которой реализовывались различные алгоритмы обработки сенсорной информации, планирования поведения и управления движением робота.

Анализируя историю развития теории искусственного интеллекта, можно выделить целый пласт программ для решения интеллектуальных задач, которые могут быть разделены на несколько групп, определяемых типом задач, решаемых этими программами.

Первую группу составляют игровые программы, они, в свою очередь, делятся на две подгруппы: человеческие игры и компьютерные игры. Особенностью всех про-грамм для имитации человеческих игр является большая роль поисковых процедур – поиск лучшего или локально лучшего хода требует в сложных играх типа шахмат просмотра большого числа вариантов. Недаром шахматные программы являются специальным тестом для проверки эффективности поисковых процедур.

Таким образом, к началу XXI века сложились следующие направления исследований в области искусственного интеллекта:
  • Представление знаний и разработка систем, основанных на знаниях (knowledge based systems). Это основное направление в области изучения искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем.
  • Программное обеспечение систем искусственного интеллекта (software engineering for Al). В рамках этого направления разрабатываются специальные языки для решения интеллектуальных задач, в которых традиционно упор делается на преобладание логической и символьной обработки над вычислительными процедурами. Создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем.
  • Разработка естественно-языковых интерфейсов и машинный перевод (natural language processing). Идея машинного перевода не так проста, как может показаться. Применение простых моделей показало их неэффективность при решении данной за-дачи. В настоящее время применяется ряд сложных моделей, использующих ассоциативный поиск и структурный подход, включающий морфологический анализ, семантический анализ и прагматический анализ смысла предложений.
  • Интеллектуальные роботы (robotics). Робот – это электротехническое устройство, предназначенное для автоматизации человеческого труда. Можно выделить не-сколько поколений в истории создания и развития робототехники:
    - роботы с жесткой схемой управления (программируемые манипуляторы);
    - адаптивные роботы с сенсорными устройствами;
    - самоорганизующиеся, или интеллектуальные роботы.
    В настоящее время в мире изготавливается более 100 000 роботов в год. Фактически робототехника сегодня – это инженерная наука, все больше применяющая технологии искусственного интеллекта.
  • Обучение и самообучение (machine learning). Это активно развивающаяся область искусственного интеллекта. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний на основе анализа и обобщения данных. Включает обучение по примерам (или индуктивное), а также традиционные подходы из теории распознавания образов. В последние годы к этому направлению тесно примыкают стремительно развивающиеся системы data mining (анализа данных) и knowledge discovery (поиска закономерностей в базах данных).
  • Распознавание образов (pattern recognition). Это одно из направлений искусственного интеллекта, практически выделившееся в самостоятельную науку. Его основной подход – описание классов объектов через определенные значения признаков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Процедура распознавания использует чаще всего специальные математические процедуры и функции, разделяющие объекты на классы. Это направление близко к машинному обучению и тесно связано с нейрокибернетикой.
  • Новые архитектуры компьютеров (new hardware platforms and architectures). Самые современные процессоры сегодня основаны на архитектуре Неймана, использовавшейся еще в компьютерах первых поколений. Эта архитектура неэффективна для символьной обработки. Поэтому усилия многих научных коллективов уже много лет нацелены на разработку аппаратных архитектур, предназначенных для обработки символьных и логических данных.
  • Игры и машинное творчество. Это направление связано с тем, что на заре исследований искусственный интеллект включал игровые интеллектуальные задачи – шахматы, шашки, го. В основе первых программ лежит один из ранних подходов – лабиринтная модель мышления и эвристики.
  • Другие направления. Искусственный интеллект – междисциплинарная наука, которая вбирает в себя знания смежных наук. Область исследований по искусствен-ному интеллекту простирается очень широко: нейронные сети, генетические алгоритмы, когнитивное моделирование, интеллектуальные интерфейсы, распознавание и синтез речи, менеджмент знаний, формальные модели, мягкие вычисления и много другое.

Основная литература
1. Жданов А.А. Автономный искусственный интеллект / А.А. Жданов. - М.: БИНОМ. Лаборатория знаний. – 2012. – 360с.
2. Ясницкий Л. Н. Искусственный интеллект. Элективный курс. Учебное пособие / Л.Н. Ясницкий. – М.: БИНОМ. Лаборатория знаний, 2012. - 201 с.

Дополнительная литература
1. Балдин К. В. Информационные системы в экономике. Учебник / К.В. Балдин, В.Б. Уткин. – М.: Дашков и К, 2012. – 395с.
2. Божко В.П. Предметно-ориентированные экономические информационные системы. Учебник / В.П. Божко. – М.: Финансы и статистика, 2011. – 240с.
3. Вагин В. Н. Достоверный и правдоподобный вывод в интеллектуальных системах - М.: Физматлит, 2008.-210с.
4. Горбенко А.О. Информационные системы в экономике / А.О. Горбенко. - М.: Бином, Лаборатория знаний,. – 2010. – 293с.
5. Егоров О.Д. Конструирование механизма роботов. Учебник / О.Д. Егоров. – М.: Абрис, 2012. – 446с.
6. Новиков С.С. Проектирование автоматизированной системы управления / С.С. Новиков. – М.: Лаборатория книги, 2010. – 65с.
7. Тельнов Ю. Ф. Проектирование систем управления знаниями. Учебное пособие - М.: Евразийский открытый институт, 2011.-207с.
8. Ясенев В.Н. Информационные системы и технологии в экономике. Учебное пособие/ В.Н. Ясенев. – М.: Юнити-Дана, 2012. – 561с.

Этап 1 - Подготовка окружения и активация репози[…]

Этап 1 - Установка SMS-сервера GoIP Загрузите п[…]

Исследования в области искусственного интеллекта п[…]

Этап 1 - Установка пакетов Выполните обновление[…]

Не упустите самое интересное!