Lekcija1 5 . Tehnoloģijas mākslīgais intelekts

Plāns

Mākslīgā intelekta jēdziens.

AI lietojumprogrammas.

Eksperta jēdzienssistēmas.

Mākslīgā intelekta jēdziens

« Intelekts- visu indivīda kognitīvo funkciju kopums: no sajūtām un uztveres līdz domāšanai un iztēlei; šaurākā nozīmē – domāšana. I. - cilvēka realitātes zināšanu galvenā forma. I. funkcijas izpratnē ir trīs veidi: 1) spēja mācīties; 2) operēšana ar simboliem; 3) spēja aktīvi apgūt apkārtējās realitātes modeļus ”(Rapatsevich E.S. Vārdnīca-uzziņu grāmata par zinātnisko un tehnisko jaunradi. - Mn .: Etonim LLC, 1995. - 384 lpp. - P. 51-52.). ( DC 2)

Jebkura intelektuāla darbība ir balstīta uz zināšanām. Šīs zināšanas ietver pašreizējās situācijas raksturojumu, vērtējumus par iespēju veikt noteiktas darbības, pasaules likumus un modeļus, kurā darbība tiek veikta, un daudz ko citu. Programmās, kuras sāka veidot, kad parādījās datori, nepieciešamās zināšanas tika saglabātas programmētāju atmiņā, kuri rakstīja programmas. Viņas dators mehāniski izpildīja savā atmiņā saglabāto programmu komandu secību. Šim datoram zināšanas nebija vajadzīgas.

« mākslīgais intelekts- 1) kibernētisko sistēmu un to loģiskā un matemātiskā atbalsta simbols, kas paredzēts dažu problēmu risināšanai, kas parasti prasa cilvēka intelektuālo spēju izmantošanu; 2) elektroniskā datora (datora) funkcionālo spēju kopums, lai risinātu problēmas, kurām iepriekš bija nepieciešama personas obligāta līdzdalība” (Turpat, 54. lpp.).

Būtiskā atšķirība starp mākslīgā intelekta sistēmām ir atšķirība starp šādām sistēmām programmētājs nesagatavo konkrētas programmas izpildei. Cilvēks mašīnai dod tikai nepieciešamo uzdevumu, un programma, kas veic šo uzdevumu, ir jābūvē pašai sistēmai. Tam nepieciešamas zināšanas gan par mācību priekšmetu jomu, uz kuru attiecas uzdevums, gan par to, kā tiek veidotas programmas. Visas šīs zināšanas tiek glabātas viedās sistēmās īpašā blokā, ko sauc par zināšanu bāzi.

Zināšanu bāzē glabātās zināšanas tiek ierakstītas īpašā formalizētā formā. Zināšanu bāzē var ieviest procedūras saglabāto zināšanu korekcijas vispārināšanai, kā arī procedūras, kas rada jaunas zināšanas, pamatojoties uz jau esošajām.

Mākslīgais intelekts ir viena no jaunākajām zinātnes jomām, kas parādījās 60. gadu vidū. 20. gadsimts balstās uz datortehnoloģijām, matemātisko loģiku, programmēšanu, psiholoģiju, valodniecību, neirofizioloģiju un citām zināšanu nozarēm. Mākslīgais intelekts ir starpdisciplināru pētījumu piemērs, kur tiek apvienotas dažāda profila speciālistu profesionālās intereses. Pats jaunās zinātnes nosaukums radās 60. gadu beigās. un 1969. gadā Vašingtonā (ASV) notika pirmā Pasaules Mākslīgā intelekta konference.

Kad 40. gadu beigās – 50. gadu sākumā. parādījās datori, kļuva skaidrs, ka inženieri un matemātiķi radīja ne tikai ātri strādājošu skaitļošanas ierīci, bet arī kaut ko nozīmīgāku. Izrādījās, ka ar EIM palīdzību iespējams risināt dažādas mīklas, loģikas uzdevumus, spēlēt šahu, veidot spēļu programmas. Datori sāka piedalīties radošajos procesos: sacerēja muzikālas melodijas, dzejoļus un pat pasakas. Parādījās programmas tulkošanai no vienas valodas uz otru, modeļu atpazīšanai un teorēmu pierādīšanai. Tas liecināja, ka ar datora un atbilstošo programmu palīdzību iespējams automatizēt tādus cilvēka darbības veidus, kas tiek dēvēti par intelektuāliem un tiek uzskatīti par pieejamiem tikai cilvēkam. Neskatoties uz lielo neskaitļošanas programmu daudzveidību, kas tika izveidota līdz 20. gadsimta 60. gadu sākumam, programmēšana intelektuālās darbības jomā bija daudz sliktākā situācijā nekā skaitļošanas problēmu risināšana. Iemesls ir acīmredzams. Programmēšana skaitļošanas rakstura uzdevumiem balstījās uz atbilstošo teoriju - skaitļošanas matemātiku. Pamatojoties uz šo teoriju, ir izstrādātas daudzas problēmu risināšanas metodes. Šīs metodes kļuva par pamatu attiecīgajām programmām. Nekā līdzīga nebija ar skaitļošanu nesaistītiem uzdevumiem. Jebkura programma šeit bija unikāla, kā mākslas darbs. Pieredze šādu programmu veidošanā nekādā veidā netika vispārināta, nebija formalizēta spēja tās izveidot.

Kad programmētājs izveidoja programmu šaha spēlēšanai, viņš izmantoja savas zināšanas par spēles procesu. Viņš tos ievietoja programmā, un dators tikai tehniski izpildīja šo programmu. Var teikt, ka dators "neatšķīra" skaitļošanas programmas no neskaitļošanas programmām. Tādā pašā veidā viņš atrada kvadrātvienādojuma saknes vai rakstīja dzeju. Datora atmiņā nebija nekādu zināšanu par to, ko tas patiesībā dara.

Varētu runāt par datora inteliģenci, ja tā sevi, pamatojoties uz zināšanām par to, kā notiek šaha spēle un kā cilvēki spēlē šo spēli, izdevās izveidot šaha programmu vai sintezēt programmu vienkāršu valšu un maršu rakstīšanai.

Nevis pašas procedūras, ar kuru palīdzību tiek veikta tā vai cita intelektuālā darbība, bet gan izpratne, kā tos izveidot, kā apgūt jaunu intelektuālās darbības veidu, - lūk, kur slēpjas tas, ko var saukt par intelektu. Īpašas procedūras jaunu intelektuālās darbības veidu mācīšanai atšķir cilvēku no datora. Līdz ar to mākslīgā intelekta izveidē galvenais uzdevums ir ar darbgaldiem realizēt tās procedūras, kuras tiek izmantotas cilvēka intelektuālajā darbībā. Kādas ir šīs procedūras?

Ir iespējams formulēt galvenos mākslīgā intelekta mērķus un uzdevumus. Pētījuma objekts mākslīgais intelekts ir cilvēka problēmu risināšanā izmantotās procedūras, ko tradicionāli sauc par intelektuālām vai radošām. Bet, ja domāšanas psiholoģija pēta šīs procedūras saistībā ar cilvēku, tad mākslīgais intelekts veido šādu procedūru programmatūras (un tagad arī programmatūras un aparatūras) modeļus.

Mērķis pētījumi mākslīgā intelekta jomā - procedūru arsenāla izveide, kas ir pietiekama, lai datori (vai citas tehniskās sistēmas, piemēram, roboti) spētu rast savus risinājumus, uzstādot problēmas. Citiem vārdiem sakot, viņi kļuva par autonomiem programmētājiem, kas spēj veikt profesionālu programmētāju - lietišķo inženieru darbu (veidojot programmas, lai atrisinātu problēmas noteiktā mācību priekšmeta jomā). Protams, formulētais mērķis neizsmeļ visus uzdevumus, ko mākslīgais intelekts sev izvirza. Šis ir nākamais mērķis. Turpmākie mērķi ir saistīti ar mēģinājumu iekļūt cilvēka domāšanas jomās, kas atrodas ārpus racionālās un verbālās (verbālās) domāšanas sfēras. Jo, meklējot risinājumu daudzām problēmām, īpaši tām, kas ļoti atšķiras no iepriekš atrisinātajām, liela nozīme ir domāšanas sfērai, ko sauc par zemapziņu, neapzināto vai intuitīvo.

Galvenās metodes, ko izmanto mākslīgajā intelektā, ir dažādi programmatūras modeļi un rīki, datoreksperimenti un teorētiskie modeļi. Tomēr mūsdienu datori vairs neapmierina mākslīgā intelekta speciālistus. Tiem nav nekāda sakara ar to, kā darbojas cilvēka smadzenes, tāpēc notiek intensīva jaunu tehnisko struktūru meklēšana, kas varētu labāk atrisināt ar intelektuālajiem procesiem saistītas problēmas. Tas ietver pētījumus par neironiem līdzīgiem mākslīgiem tīkliem, mēģinājumus izveidot molekulārās mašīnas, darbu hologrāfisko sistēmu jomā un daudz ko citu.

Mākslīgā intelekta jomā tiek pētītas vairākas galvenās problēmas.

Zināšanu reprezentācija ir metožu un paņēmienu izstrāde inteliģentas zināšanu sistēmas formalizēšanai un turpmākai ievadīšanai atmiņā no dažādām problēmu jomām, uzkrāto zināšanu vispārināšana un klasifikācija problēmu risināšanā.

Spriešanas modelēšana ir dažādu cilvēku secinājumu shēmu izpēte un formalizēšana, ko izmanto dažādu problēmu risināšanas procesā, efektīvu programmu izveide šo shēmu ieviešanai datoros.

Dialoga procedūras saziņai dabiskajā valodā, nodrošinot kontaktu starp inteliģentu sistēmu un cilvēku speciālistu problēmu risināšanas procesā.

Mērķtiecīgas darbības plānošana ir metožu izstrāde sarežģītu aktivitāšu programmu konstruēšanai, pamatojoties uz intelektuālajā sistēmā glabātajām zināšanām par problēmzonu.

Inteliģento sistēmu apmācība to darbības procesā, rīku komplekta izveide šādās sistēmās uzkrāto prasmju un iemaņu uzkrāšanai un vispārināšanai.

Papildus šīm problēmām tiek pētītas daudzas citas, kas veido pamatu, uz kuru speciālisti paļausies uz nākamo mākslīgā intelekta teorijas attīstības kārtu.

Inteliģentās sistēmas jau tiek ieviestas cilvēka darbības praksē. Tās ir plašam speciālistu lokam vispazīstamākās ekspertu sistēmas, kas nodod vairāk apmācītu speciālistu pieredzi mazāk apmācītiem, un viedās informācijas sistēmas (piemēram, mašīntulkošanas sistēmas), un viedie roboti, citas sistēmas, kurām ir tiesības tikt sauktam par inteliģentu. Bez šādām sistēmām mūsdienu zinātnes un tehnikas progress vairs nav iespējams.

Šobrīd mākslīgais intelekts ir spēcīga informātikas nozare, kurai ir gan fundamentāli, tīri zinātniski pamati, gan augsti attīstīti tehniski, lietišķi aspekti, kas saistīti ar efektīvu viedo sistēmu paraugu izveidi un darbību. Tieši no šo darbu rezultātiem ir atkarīga 5. paaudzes datoru rašanās.

Jebkurš uzdevums, kura risināšanas algoritms nav zināms, var tikt attiecināts uz AI jomu (šaha spēle, medicīniskā diagnostika, teksta kopsavilkums, tulkojums svešvalodā). AI uzdevumu raksturīgās iezīmes ir informācijas izmantošana simboliskā formā un izvēles iespēja no dažādām iespējām nenoteiktības apstākļos.

Perspektīvākais datormācību sistēmu attīstības virziens ir mākslīgā intelekta tehnoloģijas. Sistēmas, kurās tiek izmantota AI metodoloģija, sauc par viedajām mācību sistēmām (ITS). ITS realizē adaptīvu un divvirzienu mijiedarbību, kas vērsta uz efektīvu zināšanu pārnesi.Perspektīvākais veids ITS attīstībai acīmredzot ir pašmācības sistēmu veidošanas veids, kas zināšanas apgūst dialogā ar cilvēku.

2. AI lietojumprogrammas

AI sistēmas ir ierīces vai programmas, kurām piemīt cilvēka intelektuālajai uzvedībai raksturīgas īpašības, piemēram, valodas izpratne un lietošana, uzvedības cēloņsakarība, spēja risināt problēmas, spēja elastīgi reaģēt uz situāciju, izmantot labvēlīgas situācijas, rast risinājumus neskaidros gadījumos. vai konfliktējošas situācijas, apzināties dažādu situāciju elementu relatīvo nozīmi, atrast līdzības starp tām, neskatoties uz to atšķirībām.

Programmatūras sistēmas, kas ievieš algoritmus, kuriem nav formāla risinājuma modeļa, sauc par heiristiskām un pieder AI. AI uzdevumi ir uzdevumi, kuros tiek formalizēts nevis risināšanas process, bet gan risinājuma atrašanas process.

Visplašāk mākslīgā intelekta sistēmas tiek izmantotas, lai atrisinātu šādas problēmas:

Rakstu atpazīšana ir tehniska sistēma, kas uztver vizuālo un skaņas informāciju (kodē un ievieto atmiņā), izpratnes un loģiskās spriešanas problēmas vizuālās un runas informācijas apstrādes procesā.

Sprieduma modelēšana - cilvēka spriešanas izpēte mākslīgajā intelektā tikai sākas, taču, neradot formālus modeļus šādai spriešanai, ir ļoti grūti izveidot viedās sistēmās visas speciālistu argumentācijas iezīmes, kas risina tās problēmas, kuras mēs vēlamies. padarīt pieejamu mākslīgām sistēmām. Jau šodien izveidotajās ekspertu sistēmās tiek realizēti ne tikai uzticami loģiski secinājumi, bet arī ticama spriešana un virkne citu nemonotonisku spriešanu. Parādījās pirmās programmas spriešanai pēc analoģijas un asociācijas.

Simboliskās skaitļošanas sistēmas

Sistēmas ar izplūdušo loģiku - izplūdušo secinājumu izmanto ļoti plaši, jo tas atspoguļo cilvēka zināšanu summu par daudzām reālās pasaules parādībām. Plānojot uzvedību robotos un citās mākslīgā intelekta sistēmās, kas darbojas nepilnīgi aprakstītās vidēs, pieņemot lēmumus, ja nav visaptverošas informācijas, ekspertu sistēmās ar daļējām priekšmeta zināšanām un daudzās citās situācijās ir nepieciešams izplūdis secinājums.

Kognitīvā psiholoģija ir viena no mūsdienu psiholoģijas zinātnes jomām, kas saistīta ar meklēšanu iekšējie cēloņi kāda dzīvas sistēmas uzvedība. Kā likums, pētījuma objekts ir cilvēka zināšanas par sevi un apkārtējo pasauli, kā arī izziņas procesi, kas nodrošina šo zināšanu apguvi, saglabāšanu un transformāciju.

Dabiskās valodas izpratne - tekstu analīze un ģenerēšana, to iekšējā reprezentācija.

Ekspertu sistēmas ir sistēmas, kas izmanto speciālistu zināšanas konkrētās darbībās.

Datorlingvistika radās skaitļošanas un valodniecības krustpunktā. jauna zinātne vairākas reizes mainīja nosaukumu; sākumā to sauca par matemātisko valodniecību, pēc tam par strukturālo valodniecību un par skaitļošanas valodniecību, tad jau - par skaitļošanas lingvistiku.

Kļuva iespēja automatizēt daudzus darbietilpīgus procesus, saglabājot dažādu vārdu krājumu un leksiskās kartes. Mašīntulkošana tagad ir realitāte.

Mašīnu inteliģence- datora aparatūras un programmatūras komplekts, ar kura palīdzību tiek nodrošināta tāda komunikācija starp cilvēku un mašīnu (interfeiss), kas savā līmenī tuvojas komunikācijai starp speciālistiem, kas risina kopīgu problēmu.

Uzvedības plānošana ir viena no mākslīgā intelekta pētniecības jomām. Šī virziena galvenais uzdevums ir tādu procedūru meklēšana, kas automātiski varētu piedāvāt īsāko ceļu mērķa sasniegšanai, vadoties no konkrētās situācijas. Šāda veida uzdevumi izrādījās aktuālākie robotiem, kas darbojas autonomi. Risinot viņam uzdoto uzdevumu, robotam jāsastāda tā risinājuma plāns un jāmēģina to izpildīt. Ja šī plāna īstenošanas procesā robots ir pārliecināts, ka ir nepārvarami šķēršļi, tad tam ir jāizveido cits plāns, kurā šie šķēršļi nepastāv.

Inteliģenti roboti.

Spēles - spēles, kurām raksturīgs ierobežots situāciju skaits un precīzi definēti noteikumi, tās pārspēj vidējo spēju cilvēka līmeni; bet labāko speciālistu līmenis nav sasniegts.

Problēmu risināšana ir konkrētu dzīves situāciju formulēšana, analīze un izklāsts, kuru risināšanai nepieciešama atjautība, spēja vispārināt. Viņi cenšas izmantot datortehnoloģijas, lai īstenotu intelektuālus risinājuma atrašanas procesus, kad gala rezultāts ir neparedzams, ir loģisku secinājumu un secinājumu auglis, kas rodas pats no sevis.

Jaunākais Krievijas iznīcinātājs ir aprīkots ar mākslīgā intelekta sistēmām Lidmašīnas borta elektroniskajās sistēmās veiktas daudz radikālākas izmaiņas. Daudzkanālu digitālās lidošanas ar vadu gaisa kuģu vadības sistēmas, ieskaitot mākslīgā intelekta sistēmas, ieviešanas rezultātā Su-37, salīdzinot ar Su-35, iegūs papildu bezprecedenta iespējas: spēju nodrošināt preventīvus pasākumus. triecieni pret jebkuru gaisa ienaidnieku (ieskaitot slepenās lidmašīnas); Visu informācijas un mērķauditorijas atlases sistēmu daudzkanālu un algoritmiskā drošība; Uzbrukums zemes mērķiem, neieejot ienaidnieka pretgaisa aizsardzības zonā; Lidojums zemā augstumā ar pārlidojumu un izvairīšanos no zemes šķēršļiem, arī automātiskajā režīmā; Automatizētas grupu darbības pret gaisa un zemes mērķiem; Pretdarbība ienaidnieka radioelektroniskajiem un optoelektroniskajiem līdzekļiem; Visu lidojuma un kaujas izmantošanas posmu automatizācija

Panasonic paziņo par jaunā AI projektora pt AE500E pieejamību. Iebūvēts mākslīgais intelekts, kas automātiski kontrolē lampas spilgtumu atkarībā no ieejas video signāla, nodrošinot kontrasta attiecību 1300:1.

Informācijas tehnoloģiju attīstība uzbudina cilvēka prātu labu pusgadsimtu. Datori ir stingri ienākuši mūsu rīcībā ikdiena. Darbs modernā birojā nav iedomājams bez interneta, E-pasts, un pelnīta atpūta daudziem sākas tikai tad, kad tiek ieslēgta spēļu konsole. Trešās paaudzes mobilie tālruņi tagad ne tikai pārraida balsi, bet arī viegli nomaina gandrīz jebkuru biroja aprīkojumu. Ir pat automašīnas ar borta datoriem, kas var veikt brauciena maršrutu un nogādāt pasažieri līdz galamērķim.

Pirmais procesors, ko Intel izlaida 1971. gada 11. novembrī, saturēja 2300 tranzistoru nagu izmēra shēmā. Mikročips veica 60 tūkstošus operāciju sekundē – pēc mūsdienu standartiem nekas, bet tad tas bija nopietns izrāviens. Kopš tā laika skaitļošanas tehnoloģija ir gājusi garu ceļu. Piemēram, tiek lēsts, ka 30 mikroprocesoru pastāvēšanas gados minimālais procesora elementu izmērs ir samazinājies 17 reizes, savukārt tranzistoru skaits palielinājies par 18 tūkstošiem reižu, bet takts frekvence palielinājusies par 14 tūkstošiem. reizes. Intel pašreizējā procesora tehnoloģija ļauj izgatavot tranzistorus, kas ir tikpat mazi kā molekula, un nākotnē pat dažus atomu slāņus.

Informācijas tehnoloģiju nozare ir viena no dinamiskāk augošajām dzīves jomām. Saskaņā ar Mūra likums, 2020. gadā datori sasniegs cilvēka smadzeņu spēku, jo. spēs veikt 20 kvadriljonus (t.i. 20 000 000 miljardu) operāciju sekundē, un līdz 2060. gadam, pēc dažu futūristu domām, dators prāta spēku pielīdzinās visai cilvēcei. Tomēr 1994. gadā dators, kura pamatā bija Intel Pentium procesors ar smieklīgu, mūsdienās 90 MHz frekvenci, šaha turnīru sērijā pārspēja vairākus pasaules spēcīgākos lielmeistarus, tostarp planētas valdošo čempionu Gariju Kasparovu. .

Jau šobrīd ir reālas iespējas pielietot inteliģentās tehnoloģijas gandrīz jebkurā automašīnā. Piemēram, Johnson Controls BlueConnect klausule, integrēts brīvroku automašīnas modulis, kura pamatā ir Intel PXA250 un Intel PXA210 procesori, ļauj vadītājam veikt dažādas ar balsi aktivizējamas darbības, izmantojot mobilo tālruni un Bluetooth tehnoloģiju.

Ir acīmredzams, ka ar katru gadu arvien jaudīgāki mikroprocesori tiks izmantoti arvien vairāk dažādās sadzīves ierīcēs. Nesen Intel speciālisti ir izstrādājuši tranzistorus, kuru ātrums gandrīz par 1000 pārsniedz Pentium 4 ātrumu. Tādējādi, norāda korporācijas zinātnieki, ir pierādīts, ka nav būtisku šķēršļu mikroprocesoru turpmākai attīstībai atbilstoši Mūra likumam līdz šīs desmitgades beigām.

Šie tranzistori, kuru izmērs ir tikai 20 nanometri, ļaus Intel līdz 2007. gadam izveidot procesorus ar miljardu tranzistoru, kas darbosies frekvencēs līdz 20 GHz ar aptuveni 1 voltu barošanas spriegumu. Un uzņēmuma vadība jau runā par gaidāmajiem procesoriem ar takts frekvenci līdz 30 GHz. Priekšnoteikumi šādu mikroprocesoru ražošanai Intel jau ir radīti, stāsta uzņēmuma pārstāvji.

Mākslīgā intelekta piekritēji ir patiesi pārliecināti, ka Cilvēces pastāvēšanas mērķis ir radīt datora superintelektu.

Mākslīgais intelekts šī jēdziena ļoti reālajā nozīmē nozīmē surogātu, bet konkurētspējīgu attiecībā pret cilvēka prātu, kas "dzīvo", piemēram, uz datora pamata. Līdz šim ir izdevies radīt tikai dažas līdzības, cilvēka inteliģentās darbības “pērtiķu atdarinātājus”. Jā, roveri, neatkarīgi izvairoties no nenozīmīgiem šķēršļiem, autonomi uzar Sarkanās planētas tuksnešu nedzīvību, taču joprojām ir nepieciešama cilvēku komanda no Zemes, lai noteiktu pētniecības virzienu. Jā, pusvadītāju bloki, kas piebāzti ar simtiem miljonu tranzistoru, ir iemācījušies pierakstīt tekstu no diktāta, taču pats elementārākais, dzīvam klausītājam saprotams teikums tos uzreiz mulsina. Jā, dators tika mācīts automātiski tulkot vārdus no vienas valodas uz otru, taču teksti, kas saņemti no šāda “mākslīgā tulka”, bez dzīva valodas lietpratēja rediģēšanas, joprojām nav īpaši kvalitatīvi.

Preambulā minētā mākslīgā intelekta definīcija, ko Džons Makartijs sniedza 1956. gadā konferencē Dartmutas universitātē, nav tieši saistīta ar cilvēka intelekta izpratni. Pēc Makartija teiktā, mākslīgā intelekta pētnieki var brīvi izmantot metodes, kas netiek novērotas cilvēkiem, ja tas ir nepieciešams, lai atrisinātu konkrētas problēmas.

Tajā pašā laikā pastāv viedoklis, saskaņā ar kuru intelekts var būt tikai bioloģiska parādība.

Kā norāda Krievijas Mākslīgā intelekta asociācijas Sanktpēterburgas nodaļas priekšsēdētāja T. A. Gavrilova, plkst. angļu valoda frāze mākslīgais intelekts nav tā nedaudz fantastiskā antropomorfā krāsojuma, ko tā ieguvusi visai neveiksmīgā tulkojumā krievu valodā. Vārds inteliģence nozīmē "spēju saprātīgi", nevis "inteliģenci", kam ir angļu valodas ekvivalents intelekts .

Krievijas Mākslīgā intelekta asociācijas biedri sniedz šādas mākslīgā intelekta definīcijas:

Vienu no privātajām intelekta definīcijām, kas ir kopīgas cilvēkam un “mašīnai”, var formulēt šādi: “Inteliģence ir sistēmas spēja radīt programmas (galvenokārt heiristiskas) pašmācības laikā, lai atrisinātu noteiktu sarežģītības klasi un atrisināt šīs problēmas”.

Priekšnosacījumi mākslīgā intelekta zinātnes attīstībai

Mākslīgā intelekta kā jauna zinātnes virziena vēsture sākas 20. gadsimta vidū. Līdz tam laikam jau bija izveidojušies daudzi priekšnoteikumi tās izcelsmei: filozofu vidū ilgu laiku bija strīdi par cilvēka dabu un pasaules izzināšanas procesu, neirofiziologi un psihologi izstrādāja vairākas teorijas par cilvēka smadzeņu un smadzeņu darbību. domāšana, ekonomisti un matemātiķi uzdeva jautājumus par optimāliem aprēķiniem un zināšanu par pasauli atspoguļošanu formalizētā formā; Beidzot ir likts pamats matemātiskā teorija aprēķini - algoritmu teorija - un tika izveidoti pirmie datori.

Jauno mašīnu iespējas skaitļošanas ātruma ziņā izrādījās lielākas nekā cilvēka, tāpēc zinātnieku aprindās radās jautājums: kādas ir datoru spēju robežas un vai mašīnas sasniegs cilvēka attīstības līmeni? 1950. gadā viens no pionieriem datortehnoloģiju jomā, angļu zinātnieks Alans Tjūrings, uzrakstīja rakstu "Vai mašīna spēj domāt?" , kurā aprakstīta procedūra, ar kuras palīdzību būs iespējams noteikt brīdi, kad mašīna intelekta ziņā kļūst vienāda ar cilvēku, ko sauc par Tjūringa testu.

Mākslīgā intelekta attīstības vēsture PSRS un Krievijā

PSRS darbs mākslīgā intelekta jomā sākās pagājušā gadsimta 60. gados. Maskavas Universitātē un Zinātņu akadēmijā tika veikti vairāki novatoriskie pētījumi, kurus vadīja Veniamins Puškins un D. A. Pospelovs. Kopš 60. gadu sākuma M. L. Tsetlins un kolēģi ir izstrādājuši jautājumus, kas saistīti ar galīgo automātu apmācību.

1964. gadā tika publicēts Ļeņingradas loģiķa Sergeja Maslova darbs. apgrieztā metode atvasināmības noteikšana klasiskajā predikātu aprēķinā”, kas bija pirmais, kas piedāvāja metodi teorēmu pierādījumu automātiskai meklēšanai predikātu aprēķinā.

Līdz 70. gadiem PSRS visi AI pētījumi tika veikti kibernētikas ietvaros. Pēc D. A. Pospelova teiktā, "datorzinātnes" un "kibernētikas" zinātnes tolaik bija jauktas vairāku akadēmisku strīdu dēļ. Tikai 70. gadu beigās PSRS viņi sāka runāt par zinātnisko virzienu "mākslīgais intelekts" kā datorzinātņu nozari. Tajā pašā laikā dzima pati informātika, pakļaujot ciltstēvu “kibernētiku”. 70. gadu beigās a Vārdnīca par mākslīgo intelektu, trīs sējumu rokasgrāmata par mākslīgo intelektu un enciklopēdiskā vārdnīca informātikā, kurā sadaļas "Kibernētika" un "Mākslīgais intelekts" kopā ar citām sadaļām iekļautas informātikas sastāvā. Termins "datorzinātne" kļuva plaši izplatīts 80. gados, un termins "kibernētika" pamazām izzuda no aprites, paliekot tikai to institūciju nosaukumos, kas radās 50. gadu beigu un 60. gadu sākuma "kibernētikas uzplaukuma" laikmetā. Šis viedoklis par mākslīgo intelektu, kibernētiku un datorzinātnēm ir ne visiem. Tas ir saistīts ar faktu, ka Rietumos šo zinātņu robežas ir nedaudz atšķirīgas.

Pieejas un virzieni

Pieejas problēmas izpratnei

Nav vienas atbildes uz jautājumu, ko dara mākslīgais intelekts. Gandrīz katrs autors, kurš raksta grāmatu par mākslīgo intelektu, sāk no kādas definīcijas tajā, ņemot vērā šīs zinātnes sasniegumus tās gaismā.

• no augšas uz leju (ang. Top-down AI), semiotiskā - ekspertu sistēmu, zināšanu bāzu un secinājumu sistēmu izveide, kas imitē augsta līmeņa garīgos procesus: domāšanu, argumentāciju, runu, emocijas, radošumu utt .;
• augšupejoša (angļu valodā Bottom-Up AI), bioloģiskā - neironu tīklu un evolūcijas aprēķinu izpēte, kas modelē intelektuālo uzvedību, pamatojoties uz bioloģiskiem elementiem, kā arī atbilstošu skaitļošanas sistēmu, piemēram, neirodatora vai biodatora, izveide.

Pēdējā pieeja, stingri ņemot, neattiecas uz AI zinātni Džona Makartija dotā nozīmē – tos vieno tikai kopīgs gala mērķis.

Tjūringa tests un intuitīva pieeja

Šī pieeja koncentrējas uz tām metodēm un algoritmiem, kas palīdzēs inteliģentam aģentam izdzīvot vidē, pildot savu uzdevumu. Tātad, šeit algoritmi ceļa meklēšanai un lēmumu pieņemšanai tiek pētīti daudz rūpīgāk.

Hibrīda pieeja

Hibrīda pieeja ierosina to tikai neironu un simbolisko modeļu sinerģiskā kombinācija nodrošina visu kognitīvo un skaitļošanas spēju spektru. Piemēram, ekspertu secinājumu noteikumus var ģenerēt ar neironu tīkliem, un ģeneratīvos noteikumus iegūst, izmantojot statistisko mācīšanos. Šīs pieejas piekritēji uzskata, ka hibrīdās informācijas sistēmas būs daudz spēcīgākas nekā dažādu jēdzienu summa atsevišķi.

Pētījumu modeļi un metodes

Domāšanas procesu simboliskā modelēšana

Analizējot AI vēsturi, var izcelt tik plašu virzienu kā spriešanas modelēšana. Gari gadišīs zinātnes attīstība ir virzījusies pa šo ceļu, un tagad tā ir viena no attīstītākajām jomām mūsdienu AI. Spriešanas modelēšana nozīmē simbolisku sistēmu izveidi, kuru ievadē tiek uzstādīts noteikts uzdevums, un izejā tas ir jāatrisina. Parasti piedāvātā problēma jau ir formalizēta, tas ir, pārtulkota matemātiskā formā, bet vai nu nav risinājuma algoritma, vai arī tā ir pārāk sarežģīta, laikietilpīga utt. Šajā virzienā ietilpst: teorēmu pierādīšana, veidošana lēmumus un spēļu teorija, plānošana un nosūtīšana , prognozēšana .

Darbs ar dabiskajām valodām

Svarīgs virziens ir dabiskās valodas apstrāde, kas analizē iespējas saprast, apstrādāt un ģenerēt tekstus "cilvēciskā" valodā. Šī virziena ietvaros mērķis ir tāda dabiska valodas apstrāde, kas spētu apgūt zināšanas patstāvīgi, lasot esošu internetā pieejamo tekstu. Daži tiešās dabiskās valodas apstrādes pielietojumi ietver informācijas izguvi (tostarp teksta ieguvi) un mašīntulkošanu.

Zināšanu reprezentācija un izmantošana

Virziens zināšanu inženierija apvieno uzdevumus zināšanu iegūšanai no vienkāršas informācijas, to sistematizēšanas un izmantošanas. Šis virziens vēsturiski ir saistīts ar radīšanu ekspertu sistēmas- programmas, kas izmanto specializētas zināšanu bāzes, lai iegūtu ticamus secinājumus par jebkuru problēmu.

Zināšanu radīšana no datiem ir viena no datu ieguves pamatproblēmām. Šīs problēmas risināšanai ir dažādas pieejas, tostarp tās, kuru pamatā ir neironu tīklu tehnoloģija, izmantojot neironu tīklu verbalizācijas procedūras.

Mašīnmācība

problēmas mašīnmācība attiecas uz procesu neatkarīgs intelektuālās sistēmas zināšanu iegūšana tās darbības procesā. Šis virziens ir bijis galvenais jau no AI attīstības sākuma. 1956. gadā Dartmundes vasaras konferencē Rejs Solomonovs uzrakstīja referātu par neuzraudzītu varbūtības iekārtu, ko sauc par Induktīvo secinājumu mašīnu.

Robotika

Mašīnas radošums

Cilvēka radošuma būtība ir vēl mazāk izprotama nekā inteliģences būtība. Tomēr šī joma pastāv, un šeit tiek izvirzītas mūzikas, literāro darbu (bieži vien dzejoļu vai pasaku) rakstīšanas, mākslinieciskās jaunrades problēmas. Reālistisku attēlu veidošana tiek plaši izmantota filmu un spēļu industrijā.

Atsevišķi tiek izcelta mākslīgā intelekta sistēmu tehniskās jaunrades problēmu izpēte. Izgudrojuma problēmu risināšanas teorija, ko 1946. gadā ierosināja G. S. Altšullers, iezīmēja šādu pētījumu sākumu.

Šīs funkcijas pievienošana jebkurai inteliģentai sistēmai ļauj ļoti skaidri parādīt, ko tieši sistēma uztver un kā tā saprot. Trūkstošās informācijas vietā pievienojot troksni vai filtrējot troksni ar sistēmā pieejamajām zināšanām, no abstraktām, cilvēkam viegli uztveramām zināšanām tiek veidoti konkrēti attēli, kas īpaši noderīgi intuitīvām un mazvērtīgām zināšanām, kuru pārbaude formāla forma prasa ievērojamu garīgo piepūli.

Citas pētniecības jomas

Visbeidzot, ir daudz mākslīgā intelekta pielietojumu, no kuriem katrs veido gandrīz neatkarīgu virzienu. Piemēri ietver izlūkošanas programmēšanu datorspēlēs, nelineāro vadību, inteliģentās informācijas drošības sistēmas.

Nākotnē tiek pieņemts, ka mākslīgā intelekta attīstība ir cieši saistīta ar kvantu datora attīstību, jo dažām mākslīgā intelekta īpašībām ir līdzīgi darbības principi ar kvantu datoriem.

Var redzēt, ka daudzas pētniecības jomas pārklājas. Tas attiecas uz jebkuru zinātni. Taču mākslīgajā intelektā attiecības starp šķietami dažādiem virzieniem ir īpaši spēcīgas, un tas ir saistīts ar filozofiskām debatēm par spēcīgu un vāju AI.

Mūsdienu mākslīgais intelekts

Ir divi AI attīstības virzieni:

• risinot problēmas, kas saistītas ar specializēto AI sistēmu tuvināšanu cilvēka spējām un to integrāciju, ko īsteno cilvēka daba ( skatiet sadaļu Inteliģences palielināšana);
• mākslīgā intelekta radīšana, kas atspoguļo jau izveidoto AI sistēmu integrāciju vienota sistēma spēj atrisināt cilvēces problēmas ( skatiet Spēcīgs un vājš mākslīgais intelekts).

Taču šobrīd mākslīgā intelekta jomā ir iesaistītas daudzas mācību jomas, kas AI ir vairāk praktiskas nekā fundamentālas. Ir izmēģinātas daudzas pieejas, taču neviena pētnieku grupa vēl nav nākusi klajā ar mākslīgā intelekta parādīšanos. Tālāk ir sniegti tikai daži no ievērojamākajiem AI notikumiem.

Pieteikums

Dažas no slavenākajām AI sistēmām ir:

Bankas izmanto mākslīgā intelekta sistēmas (AI) apdrošināšanas darbībās (aktuāra matemātika), spēlējot biržā un pārvaldot īpašumus. Rakstu atpazīšanas metodes (ieskaitot gan sarežģītākas, gan specializētas un neironu tīklus) tiek plaši izmantotas optiskajā un akustiskajā atpazīšanā (ieskaitot tekstu un runu), medicīniskajā diagnostikā, surogātpasta filtros, pretgaisa aizsardzības sistēmās (mērķa identifikācija), kā arī lai nodrošinātu atpazīšanu. citu nacionālās drošības uzdevumu skaits.

Psiholoģija un kognitīvā zinātne

Kognitīvās modelēšanas metodoloģija ir izstrādāta, lai analizētu un pieņemtu lēmumus slikti definētās situācijās. To ierosināja Akselrods.

Tas ir balstīts uz ekspertu subjektīvo priekšstatu modelēšanu par situāciju un ietver: Situācijas strukturēšanas metodiku: modeli ekspertu zināšanu attēlošanai parakstītas digrāfa (kognitīvās kartes) veidā (F, W), kur F ir situācijas faktoru kopums, W ir cēloņu un seku attiecību kopums starp situācijas faktoriem ; situācijas analīzes metodes. Šobrīd kognitīvās modelēšanas metodoloģija attīstās situācijas analīzes un modelēšanas aparāta pilnveidošanas virzienā. Šeit piedāvāti situācijas attīstības prognozēšanas modeļi; apgriezto problēmu risināšanas metodes.

Filozofija

Zinātne par "mākslīgā intelekta radīšanu" nevarēja nepiesaistīt filozofu uzmanību. Līdz ar pirmo inteliģento sistēmu parādīšanos tika izvirzīti fundamentāli jautājumi par cilvēku un zināšanām un daļēji par pasaules kārtību.

Filozofiskas problēmas mākslīgā intelekta radīšanu var iedalīt divās grupās, nosacīti runājot, "pirms un pēc AI attīstības". Pirmā grupa atbild uz jautājumu: "Kas ir AI, vai to ir iespējams izveidot un, ja iespējams, kā to izdarīt?" Otrā grupa (mākslīgā intelekta ētika) uzdod jautājumu: "Kādas ir mākslīgā intelekta izveides sekas cilvēcei?"

Terminu "spēcīgs mākslīgais intelekts" ieviesa Džons Sērls, un viņa pieeju raksturo viņa paša vārdi:

Turklāt šāda programma būtu kas vairāk nekā tikai prāta modelis; tas burtiski būs pats prāts tādā pašā nozīmē, kā cilvēka prāts ir prāts.

Tajā pašā laikā ir jāsaprot, vai ir iespējams “tīrs mākslīgs” prāts (“metaminds”), kas saprot un risina reālas problēmas un tajā pašā laikā bez emocijām, kas ir raksturīgas cilvēkam un nepieciešamas viņam. individuālā izdzīvošana [ ] .

Turpretim vāji mākslīgā intelekta aizstāvji dod priekšroku programmatūrai uzskatīt tikai par rīku noteiktu uzdevumu risināšanai, kam nav nepieciešams viss cilvēka kognitīvo spēju diapazons.

Ētika

Citas tradicionālās konfesijas reti apraksta AI problēmas. Tomēr daži teologi tam pievērš uzmanību. Piemēram, arhipriesteris Mihails Zaharovs, argumentējot no kristīgā pasaules uzskata viedokļa, uzdod šādu jautājumu: “Cilvēks ir racionāli brīva būtne, kuru Dievs ir radījis pēc Sava tēla un līdzības. Mēs esam pieraduši visas šīs definīcijas attiecināt uz bioloģisko sugu Homo Sapiens. Bet cik tas ir pamatoti? . Viņš uz šo jautājumu atbild šādi:

Pieņemot, ka pētījumi mākslīgā intelekta jomā kādreiz novedīs pie tādas mākslīgas būtnes, kura intelektā ir pārāka par cilvēkiem, ar brīvu gribu, vai tas nozīmē, ka šī būtne ir cilvēks? … cilvēks ir Dieva radījums. Vai mēs varam saukt šo radījumu par Dieva radījumu? No pirmā acu uzmetiena tas ir cilvēka radīts. Bet pat radot cilvēku, diez vai ir vērts burtiski saprast, ka Dievs ar savām rokām veidoja pirmo cilvēku no māla. Tā, iespējams, ir alegorija, kas norāda uz cilvēka ķermeņa materialitāti, kas radīta pēc Dieva gribas. Bet bez Dieva gribas šajā pasaulē nekas nenotiek. Cilvēks kā šīs pasaules līdzradītājs, izpildot Dieva gribu, var radīt jaunas radības. Šādas radības, kas radītas ar cilvēka rokām pēc Dieva gribas, droši var saukt par Dieva radībām. Galu galā cilvēks rada jaunas dzīvnieku un augu sugas. Un mēs uzskatām, ka augi un dzīvnieki ir Dieva radīti. To pašu var teikt par mākslīgu nebioloģiskas dabas būtni.

Zinātniskā fantastika

AI tēma Roberta Heinleina darbā aplūkota no dažādiem aspektiem: hipotēze par AI pašapziņas rašanos, kad struktūra kļūst sarežģītāka, pārsniedzot noteiktu kritisko līmeni un notiek mijiedarbība ar ārpasauli un citiem prāta nesējiem ( “Mēness ir skarba saimniece”, “Mīlestībai pietiek laika”, varoņi Maikrofts, Dora un Aija seriālā “Nākotnes vēsture”, mākslīgā intelekta attīstības problēmas pēc hipotētiskas pašapziņas un daži sociāli un ētiski jautājumi (" piektdiena"). Cilvēka mijiedarbības ar AI sociālpsiholoģiskās problēmas aplūko arī Filipa K. Dika romānā “Vai androidi sapņo par elektriskajām aitām? ”, zināms arī no filmas Blade Runner adaptācijas.

Zinātniskās fantastikas rakstnieka un filozofa Staņislava Lema darbā tapis virtuālā realitāte, mākslīgais intelekts, nanoroboti un daudzas citas mākslīgā intelekta filozofijas problēmas. Īpaši jāatzīmē futuroloģijas Sum  tehnoloģija. Turklāt Iyon Tikhiy piedzīvojumos vairākkārt ir aprakstītas attiecības starp dzīvo būtnēm un mašīnām: borta datoru sacelšanās, kam sekoja negaidīti notikumi (11. ceļojums), robotu pielāgošanās cilvēku sabiedrība(“Mazgāšanas traģēdija” no “Memories of Iyon the Quiet”), absolūtas kārtības veidošana uz planētas, apstrādājot dzīvos iedzīvotājus (24. ceļojums), Korkorana un Diagora izgudrojumi (“Memuāri par Ijonu Kluso”), psihiatriskā klīnika robotiem ("Atmiņas par Ijonu Kluso"). Turklāt ir vesels stāstu un Kiberiādes stāstu cikls, kur gandrīz visi varoņi ir roboti, kas ir attāli no cilvēkiem izbēgušo robotu pēcteči (cilvēkus viņi sauc par bāliem un uzskata par mītiskām būtnēm).

Filmas

Kopš gandrīz 60. gadiem līdztekus fantastisku stāstu un romānu rakstīšanai tiek uzņemtas arī filmas par mākslīgo intelektu. Daudzi visā pasaulē atzītu autoru romāni tiek filmēti un kļūst par žanra klasiku, citi kļūst par pavērsiena punktu attīstībā

• Mustafina Nailja Mugattarovna, bakalaurs, students
• Baškīrijas Valsts agrārā universitāte
• Šarafutdinovs Aidars Gazizjanovičs, zinātņu kandidāts, asociētais profesors, asociētais profesors
• Baškīrijas Valsts agrārā universitāte

• DATORA MAŠĪNAS
• TEHNIKA
• ZINĀTNE
• MĀKSLĪGAIS INTELEKTS

Mūsdienās zinātnes un tehnoloģiju progress strauji attīstās. Viena no tās strauji augošajām nozarēm ir mākslīgais intelekts.

Mūsdienās tehnoloģiskais progress strauji attīstās. Zinātne nestāv uz vietas un ar katru gadu cilvēki nāk klajā ar arvien progresīvākām tehnoloģijām. Viens no jaunajiem virzieniem tehnoloģiskā progresa attīstībā ir mākslīgais intelekts.

Cilvēce pirmo reizi dzirdēja par mākslīgo intelektu vairāk nekā pirms 50 gadiem. Tas notika konferencē, kas notika 1956. gadā Dartmutas Universitātē, kur Džons Makartijs sniedza terminam skaidru un precīzu definīciju. “Mākslīgais intelekts ir zinātne par viedo mašīnu un datorprogrammu izveidi. Šīs zinātnes vajadzībām datori tiek izmantoti kā līdzeklis, lai izprastu cilvēka intelekta īpatnības, tajā pašā laikā mākslīgā intelekta izpēti nevajadzētu aprobežoties ar bioloģiski ticamu metožu izmantošanu.

Mūsdienu datoru mākslīgais intelekts ir diezgan augstā līmenī, taču ne tādā līmenī, lai viņu uzvedības spējas nebūtu zemākas par vismaz primitīvākajiem dzīvniekiem.

"Mākslīgā intelekta" pētījumu rezultāts ir vēlme izprast smadzeņu darbu, atklāt cilvēka apziņas noslēpumus un problēmu radīt mašīnas ar noteiktu cilvēka intelekta līmeni. Pamata iespēja modelēt intelektuālos procesus izriet no tā, ka jebkura smadzeņu funkcija, jebkura garīgā darbība, ko apraksta valoda ar stingri nepārprotamu semantiku, izmantojot ierobežotu vārdu skaitu, principā var tikt pārnesta uz elektronisku digitālo datoru.

Šobrīd dažādās jomās ir izstrādāti daži mākslīgā intelekta modeļi, taču vēl nav radīts dators, kas spētu apstrādāt informāciju kādā jaunā jomā.

No svarīgākajām uzdevumu klasēm, kas ir izvirzītas intelektuālo sistēmu izstrādātājiem kopš mākslīgā intelekta kā zinātniskā virziena definēšanas, jāizceļ sekojošais. mākslīgā intelekta jomas:

• Teorēmu pierādījums. Teorēmu pierādīšanas metožu izpētei ir bijusi nozīmīga loma mākslīgā intelekta attīstībā. Daudzas neformālas problēmas, piemēram, medicīniskā diagnostika, risinot izmanto metodiskās pieejas, kas tika izmantotas, lai automatizētu teorēmu pierādīšanu. Matemātiskās teorēmas pierādījuma meklējumos ir nepieciešams ne tikai izsecināt no hipotēzēm, bet arī izdarīt intuīcijas par to, kuri starpteikumi jāpierāda galvenās teorēmas vispārīgajam pierādījumam.
• Attēlu atpazīšana. Mākslīgā intelekta izmantošana modeļu atpazīšanai ir ļāvusi izveidot praktiski strādājošas sistēmas grafisko objektu identificēšanai, pamatojoties uz līdzīgām iezīmēm. Par zīmēm var uzskatīt jebkuras atpazīstamo objektu īpašības. Pazīmēm jābūt nemainīgām attiecībā uz objektu orientāciju, izmēru un formu. Zīmju alfabētu veido sistēmas izstrādātājs. Atpazīšanas kvalitāte lielā mērā ir atkarīga no tā, cik labi ir izveidots funkciju alfabēts. Atpazīšana sastāv no pazīmju vektora a priori iegūšanas atsevišķam attēlā atlasītam objektam un pēc tam, nosakot, kuram no pazīmju alfabēta standartiem šis vektors atbilst.
• Mašīntulkošana un cilvēka runas izpratne. Cilvēka runas teikumu analīze, izmantojot vārdnīcu, ir tipisks mākslīgā intelekta sistēmu uzdevums. Lai to atrisinātu, tika izveidota starpvaloda, lai atvieglotu frāžu saskaņošanu no dažādās valodās. Nākotnē šī starpvaloda pārvērtās par semantisko modeli tulkojamo tekstu nozīmju attēlošanai. Semantiskā modeļa evolūcija ir novedusi pie valodas radīšanas zināšanu iekšējai reprezentācijai. Rezultātā mūsdienu sistēmas analizē tekstus un frāzes četros galvenajos posmos: morfoloģiskā analīze, sintaktiskā, semantiskā un pragmatiskā analīze.
• Spēļu programmas. Vairākuma pamats spēļu programmas ir noteiktas vairākas mākslīgā intelekta pamatidejas, piemēram, iespēju uzskaitījums un pašmācība. Viens no interesantākajiem uzdevumiem spēļu programmu jomā, izmantojot mākslīgā intelekta metodes, ir datora mācīšana spēlēt šahu. Tas tika dibināts skaitļošanas sākumā, 1950. gadu beigās. Šahā ir noteikti prasmju līmeņi, spēles kvalitātes pakāpes, kas var dot skaidrus kritērijus sistēmas intelektuālās izaugsmes novērtēšanai. Tāpēc datoršahā aktīvi iesaistījās zinātnieki no visas pasaules, kuru sasniegumu rezultāti tiek izmantoti citās intelektuālajās norisēs ar reālu praktisku nozīmi.
• Mašīnas radošums. Viena no mākslīgā intelekta pielietošanas jomām ietver programmatūras sistēmas, kas var patstāvīgi radīt mūziku, dzeju, stāstus, rakstus, diplomus un pat disertācijas. Mūsdienās ir vesela mūzikas programmēšanas valodu klase (piemēram, C-Sound valoda). Dažādiem muzikāliem uzdevumiem tika izveidota speciāla programmatūra: skaņas apstrādes sistēmas, skaņu sintēze, interaktīvās kompozīcijas sistēmas, algoritmiskās kompozīcijas programmas.
• Ekspertu sistēmas. Mākslīgā intelekta metodes ir atradušas pielietojumu automatizētu konsultāciju sistēmu vai ekspertu sistēmu izveidē. Pirmās ekspertu sistēmas kā pētniecības instrumenti tika izstrādātas pagājušā gadsimta 60. gados. Tās bija mākslīgā intelekta sistēmas, kas īpaši izstrādātas, lai atrisinātu sarežģītas problēmas šaurā tematiskajā jomā, piemēram, slimību medicīniskā diagnostika. Klasiskais šī virziena mērķis sākotnēji bija radīt vispārējas nozīmes mākslīgā intelekta sistēmu, kas spētu atrisināt jebkuru problēmu bez specifiskām zināšanām priekšmeta jomā. Ierobežotās skaitļošanas resursu kapacitātes dēļ šī problēma izrādījās pārāk grūti risināma ar pieņemamu rezultātu.

Varam teikt, ka mākslīgā intelekta attīstības galvenais mērķis ir optimizācija, iedomājieties tikai, kā cilvēks, nebūdams briesmās, varētu pētīt citas planētas, iegūt dārgmetālus.

Tādējādi varam secināt, ka mākslīgā intelekta izpēte un attīstība ir svarīga visai sabiedrībai. Galu galā, izmantojot šo sistēmu, ir iespējams nodrošināt un atvieglot cilvēka dzīvību.

Bibliogrāfija

1. Jasņitskis L.N. Par mākslīgā intelekta izmantošanas iespējām [ Elektroniskais resurss]: zinātnisks digitālā bibliotēka. URL: http://cyberleninka.ru/ (aplūkots 01.06.2016.)
2. Yastreb N.A. Mākslīgais intelekts [Elektroniskais resurss]: zinātniskā elektroniskā bibliotēka. URL: http://cyberleninka.ru/ (aplūkots 01.06.2016.)
3. Abdulatipova M.A. Mākslīgais intelekts [Elektroniskais resurss]: zinātniskā elektroniskā bibliotēka. URL: http://cyberleninka.ru/ (aplūkots 01.06.2016.)

Mākslīgais intelekts (AI)(Angļu) mākslīgais intelekts, AI) ir zinātne un inteliģentu mašīnu un sistēmu attīstība, jo īpaši viedo datorprogrammu, kuru mērķis ir izprast cilvēka intelektu. Tomēr izmantotās metodes ne vienmēr ir bioloģiski ticamas. Bet problēma ir tā, ka mēs nezinām, kādas skaitļošanas procedūras mēs vēlamies saukt par viedām. Un, tā kā mēs saprotam tikai dažus no intelekta mehānismiem, tad ar inteliģenci šajā zinātnē mēs saprotam tikai skaitļošanas daļu no spējas sasniegt mērķus pasaulē.

Daudzos cilvēkos, dzīvniekos un dažās mašīnās pastāv dažādi intelekta veidi un pakāpes, inteliģentas informācijas sistēmas un dažādi ekspertu sistēmu modeļi ar atšķirīgu zināšanu bāzi. Tajā pašā laikā, kā redzam, šāda intelekta definīcija nav saistīta ar izpratni par cilvēku intelektu – tās ir dažādas lietas. Turklāt šī zinātne modelē cilvēka intelektu, jo, no vienas puses, jūs varat uzzināt kaut ko par to, kā panākt, lai mašīnas atrisinātu problēmas, novērojot citus cilvēkus, un, no otras puses, lielākā daļa darbu AI pēta problēmas, kas cilvēcei ir jāatrisina. rūpnieciskā un tehnoloģiskā jēga. Tāpēc mākslīgā intelekta pētnieki var brīvi izmantot metodes, kas cilvēkiem netiek novērotas, ja nepieciešams, lai atrisinātu konkrētas problēmas.

Tieši šajā ziņā šo terminu 1956. gadā Dārtmutas universitātes konferencē ieviesa Dž. Makartijs, un līdz šim, neskatoties uz to cilvēku kritiku, kuri uzskata, ka intelekts ir tikai bioloģiska parādība, zinātnieku aprindās šis termins ir saglabājies. tā sākotnējā nozīme, neskatoties uz skaidrām pretrunām cilvēka inteliģences ziņā.

Filozofijā nav atrisināts jautājums par cilvēka intelekta būtību un statusu. Nav precīzu kritēriju datoriem, lai sasniegtu "inteliģenci", lai gan mākslīgā intelekta rītausmā tika izvirzītas vairākas hipotēzes, piemēram, Tjūringa tests vai Newell-Simona hipotēze. Tāpēc, neskatoties uz daudzajām pieejām gan AI uzdevumu izpratnē, gan viedo informācijas sistēmu izveidē, var izšķirt divas galvenās pieejas AI attīstībai:

dilstošs (angļu valodā) No augšas uz leju AI), semiotiskā - ekspertu sistēmu, zināšanu bāzu un secinājumu sistēmu izveide, kas imitē augsta līmeņa garīgos procesus: domāšanu, spriešanu, runu, emocijas, radošumu utt.;

pieaug (angļu valodā) No apakšas uz augšu AI), bioloģiskais - neironu tīklu un evolūcijas aprēķinu izpēte, kas modelē inteliģentu uzvedību, pamatojoties uz mazākiem "neinteliģentiem" elementiem.

Pēdējā pieeja, stingri ņemot, neattiecas uz mākslīgā intelekta zinātni J. Makartija dotā nozīmē, tos vieno tikai kopīgs gala mērķis.

Mākslīgā intelekta kā jauna zinātnes virziena vēsture sākas 20. gadsimta vidū. Līdz tam laikam jau bija izveidojušies daudzi priekšnoteikumi tās izcelsmei: filozofu vidū ilgu laiku bija strīdi par cilvēka dabu un pasaules izzināšanas procesu, neirofiziologi un psihologi izstrādāja vairākas teorijas par cilvēka smadzeņu un smadzeņu darbību. domāšana, ekonomisti un matemātiķi uzdeva jautājumus par optimāliem aprēķiniem un zināšanu par pasauli atspoguļošanu formalizētā formā; beidzot radās matemātiskās aprēķinu teorijas pamats – algoritmu teorija, un tika radīti pirmie datori.

Jauno mašīnu iespējas skaitļošanas ātruma ziņā izrādījās lielākas nekā cilvēka, tāpēc zinātnieku aprindās tika izvirzīts jautājums: kādas ir datoru spēju robežas un vai mašīnas sasniegs cilvēka attīstības līmeni? 1950. gadā viens no datortehnoloģiju jomas pionieriem, angļu zinātnieks Alans Tjūrings rakstā "Vai mašīna spēj domāt?", sniedz atbildes uz šādiem jautājumiem un apraksta procedūru, ar kuras palīdzību varēs noteikt brīdis, kad mašīna intelekta ziņā ir vienāda ar cilvēku, kas pazīstams kā Tjūringa tests.

Tjūringa tests ir empīrisks tests, kura ideju ierosināja Alans Tjūrings rakstā "Computing Machines and the Mind", kas publicēts 1950. gadā filozofijas žurnālā " Prāts". Šī testa mērķis ir noteikt cilvēkam tuvu mākslīgās domāšanas iespēju. Šī testa standarta interpretācija ir šāda: “Cilvēks mijiedarbojas ar vienu datoru un vienu cilvēku. Pamatojoties uz atbildēm uz jautājumiem, viņam jānosaka, ar ko viņš runā: ar cilvēku vai datorprogrammu. Datorprogrammas uzdevums ir maldināt cilvēku nepareizā izvēlē. Visi testa dalībnieki viens otru neredz.

Ir trīs pieejas mākslīgā intelekta definīcijai:

1) Loģiska pieeja mākslīgā intelekta sistēmu izveides mērķis ir izveidot ekspertu sistēmas ar loģiskiem zināšanu bāzes modeļiem, izmantojot predikātu valodu. Astoņdesmitajos gados loģiskās programmēšanas valoda un sistēma Prolog tika pieņemta kā mākslīgā intelekta sistēmu apmācības modelis. Prolog valodā rakstītās zināšanu bāzes atspoguļo faktu un secinājumu noteikumu kopumus, kas rakstīti loģiskajā valodā. Zināšanu bāzu loģiskais modelis ļauj ierakstīt ne tikai konkrētu informāciju un datus faktu veidā Prolog valodā, bet arī vispārinātu informāciju, izmantojot secināšanas noteikumus un procedūras, tostarp loģiskos noteikumus jēdzienu definēšanai, kas izsaka noteiktas zināšanas kā specifiskas. un vispārināta informācija. Kopumā mākslīgā intelekta problēmu izpēte informātikā loģiskas pieejas ietvaros zināšanu bāzu un ekspertu sistēmu projektēšanai ir vērsta uz viedo informācijas sistēmu izveidi, attīstību un darbību, tai skaitā studentu un skolēnu mācīšanas jautājumiem. , kā arī šādu viedo informācijas sistēmu lietotāju un izstrādātāju apmācību.

2) Uz aģentiem balstīta pieeja ir attīstīta kopš 90. gadu sākuma. Saskaņā ar šo pieeju intelekts ir skaitļošanas daļa (plānošana) spējai sasniegt viedajai mašīnai izvirzītos mērķus. Šāda mašīna pati par sevi būs inteliģents aģents, kas ar sensoru palīdzību uztver apkārtējo pasauli un ar izpildmehānismu palīdzību spēj ietekmēt apkārtējā vidē esošos objektus. Šī pieeja koncentrējas uz tām metodēm un algoritmiem, kas palīdzēs inteliģentam aģentam izdzīvot vidē, pildot savu uzdevumu. Tātad meklēšanas un lēmumu pieņemšanas algoritmi šeit tiek pētīti daudz stingrāk.

3) Intuitīva pieeja pieņem, ka AI spēs demonstrēt uzvedību, kas neatšķiras no cilvēka, turklāt parastās situācijās. Šī ideja ir Tjūringa testa pieejas vispārinājums, kas nosaka, ka mašīna kļūs inteliģenta, kad tā spēs turpināt sarunu ar parastu cilvēku, un viņš nespēs saprast, ka runā ar mašīnu ( saruna notiek neklātienē).

Pēc definīcijas AI jomā ir atlasītas šādas pētniecības jomas:

- Psihisko procesu simboliskā modelēšana.

Analizējot AI vēsturi, var izcelt tik plašu jomu kā argumentācijas modelēšana. Daudzus gadus AI kā zinātnes attīstība ir virzījusies pa šo ceļu, un tagad tā ir viena no visattīstītākajām mūsdienu AI jomām. Spriešanas modelēšana ietver simbolisku sistēmu izveidi, kuru ievadē tiek uzstādīts noteikts uzdevums, un izejā tas ir jāatrisina. Parasti piedāvātā problēma jau ir formalizēta, tas ir, pārtulkota matemātiskā formā, bet vai nu nav risinājuma algoritma, vai arī tā ir pārāk sarežģīta, laikietilpīga utt. Šajā jomā ietilpst: teorēmu pierādīšana, lēmuma pieņemšana izgatavošana un spēļu teorija, plānošana un nosūtīšana, prognozēšana.

- Darbs ar dabiskajām valodām.

Svarīga joma ir dabiskās valodas apstrāde, kas analizē iespējas saprast, apstrādāt un ģenerēt tekstus "cilvēka" valodā. Jo īpaši vēl nav atrisināta tekstu mašīntulkošanas problēma no vienas valodas uz citu. Mūsdienu pasaulē informācijas iegūšanas metožu attīstībai ir liela nozīme. Pēc savas būtības sākotnējais Tjūringa tests ir saistīts ar šo virzienu.

- Zināšanu uzkrāšana un izmantošana.

Pēc daudzu zinātnieku domām, svarīga intelekta īpašība ir spēja mācīties. Tādējādi priekšplānā izvirzās zināšanu inženierija, kas apvieno uzdevumus zināšanu iegūšanai no vienkāršas informācijas, to sistematizēšanas un izmantošanas. Sasniegumi šajā jomā ietekmē gandrīz visas citas AI pētniecības jomas. Arī šeit ir jāatzīmē divi svarīgi apakšdomēni. Pirmais no tiem - mašīnmācība - attiecas uz inteliģentas sistēmas neatkarīgas zināšanu iegūšanas procesu tās darbības laikā. Otrais ir saistīts ar ekspertu sistēmu izveidi - programmas, kas izmanto specializētas zināšanu bāzes, lai iegūtu ticamus secinājumus par jebkuru problēmu.

Mašīnmācīšanās joma ietver lielu modeļu atpazīšanas uzdevumu klasi. Piemēram, tā ir rakstzīmju atpazīšana, rokraksts, runa, teksta analīze. Daudzas problēmas tiek veiksmīgi atrisinātas ar bioloģiskās modelēšanas palīdzību. Bioloģiskā modelēšana

Liels un interesanti sasniegumi ir pieejami bioloģisko sistēmu modelēšanas jomā. Stingri sakot, šeit var iekļaut vairākus neatkarīgus virzienus. Neironu tīklus izmanto, lai atrisinātu neskaidras un sarežģītas problēmas, piemēram, ģeometrisko formu atpazīšanu vai objektu klasterizāciju. Ģenētiskā pieeja balstās uz domu, ka algoritms var kļūt efektīvāks, ja tas aizņem labākus raksturlielumus no citiem algoritmiem (“vecākiem”). Salīdzinoši jauna pieeja, kur uzdevums ir izveidot autonomu programmu – aģentu, kas mijiedarbojas ar ārējā vide, sauc par aģenta pieeju. Īpaši jāpiemin datorredze, kas saistīta arī ar robotiku.

- Robotika.

Kopumā robotika un mākslīgais intelekts bieži tiek saistīti viens ar otru. Šo divu zinātņu integrāciju, viedo robotu izveidi, var uzskatīt par vēl vienu AI virzienu.

- Mašīnu radošums.

Cilvēka radošuma būtība ir vēl mazāk izprotama nekā inteliģences būtība. Tomēr šī joma pastāv, un šeit tiek izvirzītas mūzikas, literāro darbu (bieži dzejoļu vai pasaku) rakstīšanas problēmas, mākslinieciskā jaunrade. Reālistisku attēlu veidošana tiek plaši izmantota filmu un spēļu industrijā. Šīs funkcijas pievienošana jebkurai inteliģentai sistēmai ļauj ļoti skaidri parādīt, ko tieši sistēma uztver un kā tā saprot. Trūkstošās informācijas vietā pievienojot troksni vai filtrējot troksni ar sistēmā pieejamajām zināšanām, no abstraktām, cilvēkam viegli uztveramām zināšanām tiek veidoti konkrēti attēli, kas īpaši noderīgi intuitīvām un mazvērtīgām zināšanām, kuru pārbaude formāla forma prasa ievērojamu garīgo piepūli.

- Citas pētniecības jomas.

Ir daudz mākslīgā intelekta pielietojumu, no kuriem katrs veido gandrīz neatkarīgu virzienu. Kā piemērus var minēt programmēšanas intelektu datorspēlēs, nelineāro vadību, inteliģentas informācijas drošības sistēmas.

Intelektuālo sistēmu izveides pieejas. Simboliskā pieeja ļauj operēt ar vāji formalizētiem priekšstatiem un to nozīmēm. Efektivitāte un kopējā efektivitāte ir atkarīga no spējas izcelt tikai būtisku informāciju. Cilvēka prāta efektīvi atrisināto problēmu klašu plašums prasa neticamu elastību abstrakcijas metodēs. Nav pieejams nevienai inženiertehniskai pieejai, ko pētnieks jau no paša sākuma izvēlas apzināti ļaunā pamata dēļ, jo tā spēj ātri sniegt efektīvu risinājumu kādai problēmai, kas ir vistuvāk šim pētniekam. Tas ir, jau vienīgajam entītiju abstrakcijas un konstruēšanas modelim, kas īstenots noteikumu veidā. Tas nozīmē ievērojamas resursu izmaksas ne-pamatuzdevumiem, tas ir, sistēma atgriežas no izlūkošanas uz brutālu spēku lielākajā daļā uzdevumu, un pati izlūkošanas būtība pazūd no projekta.

Īpaši grūti ir bez simboliskās loģikas, kad uzdevums ir izstrādāt noteikumus, jo to sastāvdaļas, kas nav pilnvērtīgas zināšanu vienības, nav loģiskas. Lielākā daļa pētījumu koncentrējas tieši uz to, ka ar iepriekšējos posmos izvēlēto simbolisko sistēmu palīdzību nav iespējams vismaz apzīmēt jaunās grūtības, kas radušās. Īpaši, lai tās atrisinātu un vēl jo vairāk apmācītu datoru tās atrisināt, vai vismaz identificēt un izkļūt no šādām situācijām.

Vēsturiski simboliskā pieeja bija pirmā digitālo mašīnu laikmetā, jo tieši pēc Lisp, pirmās simboliskās skaitļošanas valodas, izveides tās autors kļuva pārliecināts, ka ir iespējams praktiski sākt ieviest šos izlūkošanas līdzekļus. Intelekts kā tāds, bez jebkādām atrunām un konvencijām.

Plaši tiek praktizēta hibrīda viedo sistēmu izveide, kurās vienlaikus tiek izmantoti vairāki modeļi. Ekspertu secinājumu noteikumus var ģenerēt neironu tīkli, un ģeneratīvos noteikumus iegūst, izmantojot statistisko mācīšanos.

Izplūdušo kopu teorijas izstrāde. Izplūdušo kopu teorijas izstrādi aizsāka raksts “Izplūdušās kopas”, ko publicējis profesors no ASV Lotfi Zade, kurš pirmais iepazīstināja ar izplūdušās kopas jēdzienu, piedāvāja teorijas ideju un pirmo koncepciju. kas ļāva izplūduši aprakstīt reālas sistēmas. Vissvarīgākā izplūdušo kopu teorijas joma ir izplūdušā loģika, ko izmanto sistēmu vadīšanai, kā arī to modeļu veidošanas eksperimentos.

60. gados sākās datoru un digitālo tehnoloģiju straujas attīstības periods, kas balstījās uz bināro loģiku. Tolaik tika uzskatīts, ka šīs loģikas izmantošana atrisinās daudzas zinātniskas un tehniskas problēmas. Šī iemesla dēļ izplūdušās loģikas parādīšanās palika gandrīz nepamanīta, neskatoties uz visu tās konceptuālo revolucionāro raksturu. Neraugoties uz to, izplūdušās loģikas nozīmi ir atzinuši vairāki zinātnieku aprindu pārstāvji un tā ir izstrādāta, kā arī praktiska ieviešana dažādos rūpnieciskos lietojumos. Pēc kāda laika interese par to sāka pieaugt no zinātniskajām skolām, kas apvienoja uz bināro loģiku balstītu tehnoloģiju piekritējus. Tas notika tāpēc, ka tika atklāts diezgan daudz praktisku problēmu, kuras nebija iespējams atrisināt, izmantojot tradicionālos matemātiskos modeļus un metodes, neskatoties uz ievērojami palielinātajiem aprēķinu ieviešanas ātrumiem. Bija nepieciešama jauna metodika, kuras raksturīgās iezīmes bija meklējamas izplūdušajā loģikā.

Tāpat kā robotika, arī izplūdušo loģiku ar lielu interesi sastapa nevis tās izcelsmes valstī ASV, bet gan ārpus tās, un tā rezultātā tika iegūta pirmā izplūdušās loģikas rūpnieciskās izmantošanas pieredze - spēkstaciju katlu iekārtu vadīšanai - ir saistīta ar Eiropu. Visi mēģinājumi izmantot tradicionālās metodes, dažreiz ļoti sarežģītas, lai kontrolētu tvaika katlu, beidzās ar neveiksmi - šī nelineārā sistēma izrādījās tik sarežģīta. Un tikai izplūdušās loģikas izmantošana ļāva sintezēt kontrolieri, kas atbilst visām prasībām. 1976. gadā izplūdušā loģika kļuva par pamatu rotācijas krāsns automātiskās vadības sistēmai cementa ražošanā. Taču pirmie praktiskie izplūdušās loģikas izmantošanas rezultāti, kas iegūti Eiropā un Amerikā, neizraisīja būtisku intereses pieaugumu par to. Līdzīgi kā ar robotiku, valsts, kas pirmo reizi sāka plaši izplatīt izplūdušo loģiku, apzinoties tās milzīgo potenciālu, bija Japāna.

No Japānā izveidotajām lietišķajām izplūdušajām sistēmām slavenākā bija Hitachi izstrādātā vilcienu vadības sistēma metro vilcieniem Sendai. Projekts tika īstenots, piedaloties pieredzējušam autovadītājam, kura zināšanas un pieredze veidoja izstrādātā vadības modeļa pamatu. Sistēma automātiski samazināja vilciena ātrumu, kad tas tuvojās stacijai, nodrošinot apstāšanos vajadzīgajā vietā. Vēl viena vilciena priekšrocība bija tā augstais komforts, pateicoties vienmērīgam ātruma palielinājumam un samazinājumam. Bija arī visa rinda citas priekšrocības salīdzinājumā ar tradicionālās sistēmas vadība.

Izplūdušās loģikas straujā attīstība Japānā ir novedusi pie tā, ka tās praktiskie pielietojumi ir parādījušies ne tikai rūpniecībā, bet arī patēriņa preču ražošanā. Kā piemēru šeit var minēt videokameru, kas aprīkota ar izplūdušo attēla stabilizācijas apakšsistēmu, kas tika izmantota, lai kompensētu operatora nepieredzes radītās attēla svārstības. Šis uzdevums bija pārāk sarežģīts, lai to atrisinātu ar tradicionālām metodēm, jo ​​bija jānošķir nejaušas attēla svārstības no mērķtiecīgas objektu kustības (piemēram, cilvēku pārvietošanās).

Vēl viens piemērs ir vienas pogas automātiskā veļas mašīna (Zimmerman 1994). Šāda "godprātība" izraisīja interesi un saņēma atzinību. Izplūdušās loģikas metožu izmantošana ļāva optimizēt mazgāšanas procesu, nodrošinot automātisku drēbju veida, apjoma un netīrības pakāpes atpazīšanu, nemaz nerunājot par to, ka mašīnas vadības mehānisma samazināšana līdz vienai pogai ievērojami atviegloja veļas mazgāšanas procesu. rokturis.

Japānas uzņēmumi izgudrojumus neskaidrās loģikas jomā ir iemiesojuši daudzās citās ierīcēs, tostarp mikroviļņu krāsnīs (Sanyo), pretbloķēšanas sistēmās un automātiskās kastes transmisijas (Nissan), Integrated Vehicle Dynamics Control (INVEC) un datora cietā diska kontrolleri, lai paātrinātu piekļuvi informācijai.

Papildus iepriekšminētajām lietojumprogrammām kopš 90. gadu sākuma. notiek intensīva neskaidru metožu izstrāde vairākās pielietošanas jomās, tostarp tajās, kas nav saistītas ar tehnoloģiju:

Elektroniskā elektrokardiostimulatora vadības sistēma;

Vadības sistēma mehāniskiem transportlīdzekļiem;

Dzesēšanas sistēmas;

Gaisa kondicionētāji un ventilācijas iekārtas;

Atkritumu sadedzināšanas iekārtas;

stikla krāsns;

Asinsspiediena kontroles sistēma;

Audzēju diagnostika;

Sirds un asinsvadu sistēmas pašreizējā stāvokļa diagnostika;

Pacelšanas un paceļamo celtņu vadības sistēma;

Attēlu apstrāde;

Ātrais lādētājs;

Vārdu atpazīšana;

Bioprocesoru vadība;

Motora vadība;

metināšanas iekārtas un metināšanas procesi;

Satiksmes kontroles sistēmas;

Biomedicīnas pētījumi;

Ūdens attīrīšanas iekārtas.

Šobrīd mākslīgā intelekta (vārda sākotnējā izpratnē ekspertu sistēmas un šaha programmas šeit neietilpst) izveidē notiek intensīva visu priekšmetu jomu, kurām ir kaut kāda saistība ar AI, intensīva slīpēšana zināšanu bāzēs. . Gandrīz visas pieejas ir izmēģinātas, taču neviena pētnieku grupa nav tuvojusies mākslīgā intelekta rašanās brīdim.

AI pētniecība ir ieplūdusi vispārējā singularitātes tehnoloģiju plūsmā (sugu lēciens, eksponenciāla cilvēka attīstība), piemēram, datorzinātnēs, ekspertu sistēmās, nanotehnoloģijās, molekulārajā bioelektronikā, teorētiskajā bioloģijā, kvantu teorijā(-ās), nootropos, eksstromofilos u.c. straumēt Kurzweil ziņas, MIT.

AI jomas attīstības rezultāti ir nonākuši Krievijas augstākajā un vidējā izglītībā datorzinātņu mācību grāmatu veidā, kur tiek risināti jautājumi par zināšanu bāzu darbu un izveidi, ekspertu sistēmas, kuru pamatā ir personālie datori, kuru pamatā ir vietējās loģiskās programmēšanas sistēmas, kā arī kā arī matemātikas un datorzinātņu fundamentālo jautājumu pētīšana, izmantojot piemērus, šobrīd tiek pētīta darbs ar zināšanu bāzu un ekspertu sistēmu modeļiem skolās un universitātēs.

Ir izstrādātas šādas mākslīgā intelekta sistēmas:

1. Deep Blue - uzvarēja pasaules šaha čempionu. (Mačs Kasparovs vs. superdators nesagādāja gandarījumu ne datorzinātniekiem, ne šahistiem, un Kasparovs sistēmu neatzina, lai gan oriģinālās kompaktās šaha programmas ir neatņemams šaha radošuma elements. Tad IBM superdatoru līnija parādījās brute force BluGene (molekulārā modelēšana) projekti un piramīdveida šūnu sistēmas modelēšana Šveices Zilo smadzeņu centrā. Šis stāsts ir piemērs sarežģītām un slepenām attiecībām starp AI, biznesu un valsts stratēģiskajiem mērķiem.)

2. Mycin ir viena no agrīnajām ekspertu sistēmām, kas varēja diagnosticēt nelielu slimību apakškopu, bieži vien tikpat precīzi kā ārsti.

3. 20q ir mākslīgā intelekta iedvesmots projekts, ko iedvesmojusi klasiskā 20 jautājumu spēle. Kļuva ļoti populārs pēc parādīšanās internetā vietnē 20q.net.

4. Runas atpazīšana. Tādas sistēmas kā ViaVoice spēj apkalpot patērētājus.

5. Roboti ikgadējā RoboCup turnīrā sacenšas vienkāršotā futbola formā.

Bankas pielieto mākslīgā intelekta sistēmas (AI) apdrošināšanas darbībās (aktuāra matemātika), spēlējot biržā un pārvaldot īpašumu. 2001. gada augustā roboti pārspēja cilvēkus improvizētās tirdzniecības sacensībās (BBC News, 2001). Rakstu atpazīšanas metodes (ieskaitot gan sarežģītākus, gan specializētākus un neironu tīklus) tiek plaši izmantotas optiskajā un akustiskajā atpazīšanā (ieskaitot tekstu un runu), medicīniskajā diagnostikā, surogātpasta filtros, pretgaisa aizsardzības sistēmās (mērķa identifikācija), kā arī lai nodrošinātu virkni citi valsts drošības uzdevumi.

Datorspēļu izstrādātāji ir spiesti izmantot dažādas sarežģītības pakāpes AI. Standarta AI uzdevumi spēlēs ir ceļa atrašana 2D vai 3D telpā, kaujas vienības uzvedības simulēšana, pareizās ekonomiskās stratēģijas aprēķināšana utt.

Mākslīgais intelekts ir cieši saistīts ar transhumānismu. Un kopā ar neirofizioloģiju, epistemoloģiju un kognitīvo psiholoģiju tā veido vispārīgāku zinātni, ko sauc par kognitīvo zinātni. Filozofijai mākslīgajā intelektā ir atsevišķa loma. Tāpat epistemoloģija ir cieši saistīta ar mākslīgā intelekta problēmām – zināšanu zinātni filozofijas ietvaros. Filozofi, kas nodarbojas ar šo problēmu, risina jautājumus, kas līdzīgi tiem, ko risināja AI inženieri par to, kā vislabāk attēlot un izmantot zināšanas un informāciju. Zināšanu radīšana no datiem ir viena no datu ieguves pamatproblēmām. Šīs problēmas risināšanai ir dažādas pieejas, tostarp tās, kuru pamatā ir neironu tīklu tehnoloģija, izmantojot neironu tīkla verbalizācijas procedūras.

Datorzinātnē mākslīgā intelekta problēmas tiek aplūkotas no ekspertu sistēmu un zināšanu bāzes projektēšanas viedokļa. Zināšanu bāzes tiek saprastas kā datu un secinājumu noteikumu kopums, kas ļauj izdarīt loģiskus secinājumus un jēgpilnu informācijas apstrādi. Kopumā mākslīgā intelekta problēmu izpēte informātikā ir vērsta uz inteliģentu informācijas sistēmu izveidi, izstrādi un darbību, tajā skaitā uz šādu sistēmu lietotāju un izstrādātāju apmācības jautājumiem.

Zinātne par "mākslīgā intelekta radīšanu" nevarēja nepiesaistīt filozofu uzmanību. Līdz ar pirmo inteliģento sistēmu parādīšanos tika izvirzīti fundamentāli jautājumi par cilvēku un zināšanām un daļēji par pasaules kārtību. No vienas puses, tie ir nesaraujami saistīti ar šo zinātni, un, no otras puses, tie ienes tajā zināmu haosu. Mākslīgā intelekta radīšanas filozofiskās problēmas var iedalīt divās grupās, nosacīti runājot, “pirms un pēc AI attīstības”. Pirmā grupa atbild uz jautājumu: "Kas ir AI, vai to ir iespējams izveidot un, ja iespējams, kā to izdarīt?" Otrā grupa (mākslīgā intelekta ētika) uzdod jautājumu: "Kādas ir mākslīgā intelekta izveides sekas cilvēcei?"

Mākslīgā intelekta radīšanas jautājumi. AI attīstībai ir divi virzieni: pirmais ir tādu problēmu risināšana, kas saistītas ar specializētu AI sistēmu tuvināšanu cilvēka spējām un to integrāciju, ko īsteno cilvēka daba, otrs ir mākslīgā intelekta radīšana, kas pārstāv jau izveidoto AI sistēmu integrācija vienotā sistēmā, kas spēj atrisināt cilvēces problēmas.

AI pētnieku vidū joprojām nav dominējošā viedokļa par intelektualitātes kritērijiem, risināmo mērķu un uzdevumu sistematizāciju, nav pat stingras zinātnes definīcijas. Ir dažādi viedokļi jautājumā par to, kas tiek uzskatīts par intelektu. Analītiskā pieeja ietver augstāko analīzi nervu darbība cilvēks līdz zemākajam, nedalāmam līmenim (augstākas nervu darbības funkcija, elementāra reakcija uz ārējiem stimuliem (stimuli), ar funkciju savienota neironu kopuma sinapses kairinājums) un sekojoša šo funkciju atražošana.

Daži eksperti informācijas trūkuma apstākļos izmanto racionālas, motivētas izvēles iespējas. Tas ir, aktivitāšu programma, kas var izvēlēties no noteikta alternatīvu kopuma, tiek vienkārši uzskatīta par intelektuālu, piemēram, kur iet gadījumā “jūs iesit pa kreisi ...”, “jūs iesit pa labi ...”, “jūs iesi taisni ...”.

Karstākās diskusijas mākslīgā intelekta filozofijā ir jautājums par iespēju domāt par cilvēka roku radītajiem darbiem. Jautājumu "Vai mašīna spēj domāt?", kas pamudināja pētniekus radīt zinātni par cilvēka prāta modelēšanu, Alans Tjūrings uzdeva 1950. gadā. Divus galvenos viedokļus šajā jautājumā sauc par spēcīga un vāja mākslīgā intelekta hipotēzēm.

Terminu “spēcīgs mākslīgais intelekts” ieviesa Džons Sērls, un viņa pieeju raksturo viņa paša teiktais: “Šāda programma nebūs tikai prāta modelis; tas burtiski būs pats prāts tādā pašā nozīmē, kā cilvēka prāts ir prāts. Turpretim vāji mākslīgā intelekta aizstāvji dod priekšroku programmatūrai uzskatīt tikai par rīku noteiktu uzdevumu risināšanai, kam nav nepieciešams viss cilvēka kognitīvo spēju diapazons.

Džona Sērla domu eksperiments "Ķīniešu istaba" ir arguments, ka Tjūringa testa nokārtošana nav kritērijs, lai mašīnai būtu patiess domāšanas process. Domāšana ir atmiņā saglabātās informācijas apstrādes process: analīze, sintēze un pašprogrammēšana. Līdzīgu nostāju ieņem Rodžers Penrouzs, kurš savā grāmatā The New Mind of a King apgalvo, ka nav iespējams iegūt domāšanas procesu, pamatojoties uz formālām sistēmām.

6. Skaitļošanas ierīces un mikroprocesori.

Mikroprocesors (MP) ir ierīce, kas saņem, apstrādā un izvada informāciju. Strukturāli MP satur vienu vai vairākas integrālās shēmas un veic atmiņā saglabātās programmas noteiktās darbības.(6.1.att.)

6.1.attēls– Izskats deputāts

Agrīnie procesori tika izstrādāti kā unikāli sastāvdaļas vienreizējām datorsistēmām. Vēlāk no dārgās procesoru izstrādes metodes, kas paredzētas vienas vai vairāku ļoti specializētu programmu izpildei, datoru ražotāji pārgāja uz tipisku daudzfunkcionālu procesoru ierīču klašu sērijveida ražošanu. Datoru komponentu standartizācijas tendence sākās pusvadītāju, lieldatoru un minidatoru straujās attīstības laikmetā, un līdz ar integrēto shēmu parādīšanos tā ir kļuvusi vēl populārāka. Mikroshēmu izveide ļāva vēl vairāk palielināt CPU sarežģītību, vienlaikus samazinot to fizisko izmēru.

Procesoru standartizācija un miniaturizācija ir novedusi pie uz tiem balstītu digitālo ierīču dziļas iespiešanās ikdienas dzīvē. Mūsdienu procesorus var atrast ne tikai augsto tehnoloģiju ierīcēs, piemēram, datoros, bet arī automašīnās, kalkulatoros, Mobilie tālruņi un pat bērnu rotaļlietās. Visbiežāk tos attēlo mikrokontrolleri, kur papildus skaitļošanas ierīcei mikroshēmā atrodas papildu komponenti (programmu un datu atmiņa, saskarnes, ievades / izvades porti, taimeri utt.). Mikrokontrollera skaitļošanas iespējas ir salīdzināmas ar personālo datoru procesoriem pirms desmit gadiem un biežāk pat ievērojami pārsniedz to veiktspēju.

Mikroprocesoru sistēma (MPS) ir skaitļošanas, instrumentu vai vadības sistēma, kurā galvenā informācijas apstrādes ierīce ir MP. Mikroprocesoru sistēma ir veidota no mikroprocesoru LSI komplekta (6.2. att.).

6.2.attēls– Mikroprocesoru sistēmas piemērs

Pulksteņa impulsu ģenerators iestata laika intervālu, kas ir instrukcijas izpildes ilguma mērvienība (kvants). Jo augstāka frekvence, jo ātrāka MPS, un visas pārējās lietas ir vienādas. MP, RAM un ROM ir sistēmas neatņemamas sastāvdaļas. Ievades un izvades saskarnes - MPS interfeisa ierīces ar informācijas ievades un izvades blokiem. Mērierīces raksturo ievadierīces spiedpogu paneļa formā un mērpārveidotāji (ADC, sensori, digitālās informācijas ievades bloki). Izvadierīces parasti attēlo digitālos displejus, grafisko ekrānu (displeju), ārējās saskarnes ierīces ar mērīšanas sistēmu. Visi MPS bloki ir savstarpēji savienoti ar ciparu informācijas pārraides kopnēm. MPS tiek izmantots galvenais komunikācijas princips, kurā bloki apmainās ar informāciju, izmantojot vienu datu kopni. Līniju skaits datu kopnē parasti atbilst MPS bitu platumam (bitu skaitam datu vārdā). Adrešu kopne tiek izmantota, lai norādītu datu pārraides virzienu - tā pārraida tās atmiņas šūnas vai I / O bloka adresi, kas tajā brīdī saņem vai pārraida informāciju. Vadības kopne tiek izmantota, lai pārraidītu signālus, kas sinhronizē visu MPS darbību.

MPS izveides pamatā ir trīs principi:

Mugurkauls;

Modularitāte;

Mikroprogrammu vadība.

Mugurkaula princips - nosaka savienojumu raksturu starp MPS funkcionālajiem blokiem - visi bloki ir savienoti ar vienu sistēmas kopni.

Modularitātes princips ir tāds, ka sistēma ir veidota, pamatojoties uz ierobežotu skaitu strukturāli un funkcionāli pabeigtu moduļu veidu.

Mugurkaula un modularitātes principi ļauj palielināt MP vadības un skaitļošanas iespējas, pievienojot sistēmas kopnei citus moduļus.

Mikroprogrammu vadības princips slēpjas iespēja veikt elementāras darbības - mikrokomandas (pārbīdes, informācijas pārsūtīšana, loģiskās darbības), ar kuru palīdzību tiek izveidota tehnoloģiskā valoda, tas ir, komandu kopums, kas vislabāk atbilst programmas mērķim. sistēma.

Pēc iecelšanas deputāti tiek sadalīti universālajos un specializētajos.

Universālie mikroprocesori ir vispārējas nozīmes mikroprocesori, kas atrisina plašu skaitļošanas, apstrādes un vadības problēmu klasi. Universālo MP izmantošanas piemērs ir datori, kas veidoti uz IBM un Macintosh platformām.

Specializētie mikroprocesori ir paredzēti tikai noteiktas klases problēmu risināšanai. Specializētie MP ir: signāls, multivides MP un raidītāji.

Signālu procesori (DSP) ir paredzēti digitālo signālu apstrādei reāllaikā (piemēram, signālu filtrēšanai, konvolūcijas aprēķināšanai, korelācijas funkciju aprēķināšanai, signāla izgriešanai un transformācijai, priekšējai un apgrieztai Furjē transformācijai). (6.3. Attēls) Signālu procesoros ietilpst procesori no Texas Instruments — TMS320C80, Analog Devices — ADSP2106x, Motorola -DSP560xx un DSP9600x.

6.3.attēls– DSP iekšējās struktūras piemērs

Multivides un multivides procesori paredzēti audio signālu, grafiskās informācijas, video attēlu apstrādei, kā arī virkni uzdevumu risināšanai multimediju datoros, spēļu konsolēs, sadzīves tehnikā. Šajos procesoros ietilpst procesori no MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.

Transputeri ir paredzēti, lai organizētu masīvu paralēlo skaitļošanu un darbu daudzprocesoru sistēmās. Viņiem ir raksturīga klātbūtne iekšējā atmiņa un iebūvēts starpprocesoru interfeiss, t.i., sakaru kanāli ar citiem LSI MP.

Pēc arhitektūras veida vai būvniecības principa izšķir deputātus ar fon Neimani un deputātus ar Hārvardas arhitektūru.

Mikroprocesoru arhitektūras jēdziens nosaka tās sastāvdaļas, kā arī savienojumus un mijiedarbību starp tām.

Arhitektūra ietver:

blokshēma MP;

programmatūras modelis MP (reģistra funkciju apraksts);

Informācija par atmiņas organizāciju (atmiņas adresācijas ietilpība un metodes);

Ievades/izvades procedūru organizācijas apraksts.

Foneumana arhitektūru (6.4. att., a) ierosināja 1945. gadā amerikāņu matemātiķis Džo fon Neimans. Tās īpatnība ir tāda, ka programma un dati atrodas kopējā atmiņā, kurai piekļūst, izmantojot vienu un to pašu datu un komandu kopni.

Hārvardas arhitektūra pirmo reizi tika ieviesta 1944. gadā Hārvardas universitātes (ASV) releja datorā. Šīs arhitektūras īpatnība ir tāda, ka datu atmiņa un programmu atmiņa ir atdalītas un tām ir atsevišķa datu kopne un komandu kopne (6.4. att., b), kas dod iespēju palielināt MP sistēmas ātrumu.

6.4. attēls. Galvenie arhitektūru veidi: (a - fon Neumans; 6 - Hārvarda)

Pēc instrukciju sistēmas veida izšķir CISC procesorus (Complete Instruction Set Computing) ar pilnu instrukciju komplektu (tipiski CISC pārstāvji ir Intel x86 mikroprocesoru saime) un RISC procesori(Reduced Instruction Set Computing) ar samazinātu instrukciju kopu (ko raksturo fiksēta garuma instrukciju klātbūtne, liels reģistru skaits, reģistra-reģistra darbības un netiešās adresācijas trūkums).

Vienas mikroshēmas mikrokontrolleris (MCU) ir mikroshēma, kas paredzēta elektronisku ierīču vadīšanai (5. attēls). Tipisks mikrokontrolleris apvieno procesora un perifērijas ierīču funkcijas, un tajā var būt RAM un ROM. Faktiski tas ir vienas mikroshēmas dators, kas spēj darboties vienkāršus uzdevumus. Viena mikroshēmas izmantošana visa komplekta vietā ievērojami samazina to ierīču izmērus, enerģijas patēriņu un izmaksas, kuru pamatā ir mikrokontrolleri.

6.5. attēls– mikrokontrolleru izpildes piemēri

Mikrokontrolleri ir pamats iegulto sistēmu veidošanai, tos var atrast daudzās modernās ierīcēs, piemēram, tālruņos, veļas mašīnas uc Lielākā daļa pasaulē ražoto procesoru ir mikrokontrolleri.

Līdz šim 8 bitu mikrokontrolleri saderīgi ar i8051 no Intel, PIC mikrokontrolleri no Microchip Technology un AVR no Atmel, sešpadsmit bitu MSP430 no TI, kā arī ARM, kura arhitektūru izstrādā ARM un licencē citiem uzņēmumiem. to ražošanai ir populāri izstrādātāju vidū.

Izstrādājot mikrokontrollerus, ir jāatrod līdzsvars starp izmēru un izmaksām, no vienas puses, un elastību un veiktspēju, no otras puses. Dažādiem lietojumiem šo un citu parametru optimālā attiecība var ievērojami atšķirties. Tāpēc ir milzīgs skaits mikrokontrolleru veidu, kas atšķiras pēc procesora moduļa arhitektūras, iebūvētās atmiņas izmēra un veida, perifērijas ierīču komplekta, korpusa veida utt.

Daļējs to perifērijas ierīču saraksts, kas var būt mikrokontrolleros, ietver:

Daudzpusīgi digitālie porti, kurus var konfigurēt ievadei vai izvadei;

Dažādas I/O saskarnes, piemēram, UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Analoga-digitāla un ciparu-analoga pārveidotāji;

Salīdzinātāji;

Impulsu platuma modulatori;

Taimeri, iebūvēts pulksteņa ģenerators un sargsuņa taimeris;

Kontrolieri bezsuku motoriem;

Displeja un tastatūras kontrolleri;

RF uztvērēji un raidītāji;

Iebūvētās zibatmiņas masīvi.

Mākslīgais intelekts AI (mākslīgais intelekts) parasti tiek interpretēts kā automātisko sistēmu īpašība uzņemties individuālas cilvēka garīgo spēju funkcijas, piemēram, izvēlēties un pieņemt optimālus lēmumus, pamatojoties uz iepriekš iegūto pieredzi un racionālu ārējo ietekmju analīzi. Pirmkārt, runa ir par sistēmām, kas balstītas uz mācīšanās, pašorganizēšanās un evolūcijas principiem ar minimālu cilvēka līdzdalību, bet iesaistot viņu kā skolotāju un partneri, harmonisku cilvēka-mašīnas sistēmas elementu.

Protams, mēģinājumi izveidot mākslīgo intelektu, pamatojoties uz datoriem, sākās datortehnoloģiju attīstības rītausmā. Tad dominēja datoru paradigma, kuras galvenās tēzes tika apgalvotas, ka Tjūringa mašīna ir teorētiskais modelis smadzenes, bet dators - īstenošana universāla mašīna un jebkuru informācijas procesu var reproducēt datorā. Šī paradigma bija dominējošā ilgu laiku, atnesa daudz interesantu rezultātu, bet galvenais uzdevums – AI konstruēšana cilvēka domāšanas modelēšanas izpratnē, nav sasniegts. AI radīšanas datorparadigma, kas sabruka nepareiza galveno priekšnoteikumu kopuma dēļ, loģiski transformējās par neiroinformātiku, kas attīsta ar datoru nesaistītu pieeju intelektuālo procesu modelēšanai. Cilvēka smadzenes, kas darbojas ar nesegmentētu informāciju, izrādījās daudz sarežģītākas nekā Tjūringa mašīna. Katrai cilvēka domai ir savs konteksts, ārpus kura tā ir bezjēdzīga, zināšanas glabājas attēlu veidā, kuriem raksturīgs izplūdums, izplūdums, tēlu sistēma ir vāji jutīga pret pretrunām. Cilvēka zināšanu glabāšanas sistēmai ir raksturīga augsta uzticamība, pateicoties sadalītai zināšanu uzglabāšanai, un informācijas apstrādei ir raksturīgs liels dziļums un augsts paralēlisms.

Informācijas apstrāde jebkurā inteliģentajā sistēmā balstās uz fundamentāla procesa – mācīšanās – izmantošanu. Attēliem ir raksturīgas objektīvas īpašības tādā nozīmē, ka dažādas atpazīšanas sistēmas, kas apmācītas uz dažādiem novērojumu materiāliem, lielākoties klasificē vienus un tos pašus objektus vienādi un neatkarīgi viens no otra. Tieši šī attēlu objektivitāte ļauj cilvēkiem visā pasaulē saprast vienam otru. Par mācīšanos parasti sauc procesu, kurā kādā sistēmā veidojas specifiska reakcija uz ārējo vienādu signālu grupām, atkārtoti ietekmējot ārējo korekcijas signālu atpazīšanas sistēmu. Šīs korekcijas ģenerēšanas mehānisms, kam visbiežāk ir atlīdzības un soda nozīme, gandrīz pilnībā nosaka mācīšanās algoritmu. Pašmācība šeit atšķiras no mācīšanās Papildus informācija reakcijas precizitāte pret sistēmu netiek ziņots.

Inteliģentās informācijas sistēmas var izmantot visdažādāko metožu un algoritmu "bibliotēkas", kas AI sistēmu sintēzē īsteno dažādas pieejas mācīšanās, pašorganizācijas un evolūcijas procesiem. Tā kā līdz šim nav ne vispārējas mākslīgā intelekta teorijas, ne pilnībā funkcionējoša AI modeļa darba parauga, nav iespējams pateikt, kura no šīm pieejām ir pareiza un kura nepareiza: visticamāk, tās var harmoniski papildināt viena otru. Vairāk informācijas par mākslīgā intelekta problēmām var atrast interneta vietnēs www.ccas.ru un www.iseu.by/rus/educ/envmon.

Mākslīgais intelekts tiek īstenots, izmantojot četras pieejas (grūti neteikt modernas "paradigmas"): loģiskā, evolucionārā, simulācijas un strukturālā. Visi šie četri virzieni attīstās paralēli, bieži vien savstarpēji savijoties.

Loģiskās pieejas pamatā ir Būla algebra un tās loģiskie operatori (galvenokārt pazīstamais IF ["ja"] operators). Būla algebra savu tālāko attīstību saņēma predikātu aprēķina veidā, kurā tā tika paplašināta, ieviešot objektu simbolus, attiecības starp tiem, eksistenciālos un universālos kvantorus. Praktiski katra AI sistēma, kas veidota uz loģiska principa, ir teorēmu pierādīšanas mašīna. Šajā gadījumā sākotnējie dati tiek glabāti datubāzē aksiomu veidā, bet secinājumu noteikumi - kā attiecības starp tiem.

Lielākajai daļai loģisko metožu raksturīga augsta darbietilpība, jo pierādījumu meklēšanas laikā ir iespējams pilnīgs iespēju uzskaitījums. Tāpēc šī pieeja prasa efektīva īstenošana skaitļošanas process, un laba veiktspēja parasti tiek garantēta salīdzinoši mazs izmērs Datu bāze. Piemērs praktiska īstenošana loģiskās metodes ir lēmumu koki, kas koncentrētā veidā īsteno lēmuma likuma "mācīšanās" vai sintēzes procesu.

Panākt lielāku izteiksmīgumu loģiskā pieeja pieļauj tādu salīdzinoši jaunu virzienu kā izplūdušā loģika. Pēc L. Zadeha fundamentālajiem darbiem par atslēgas vārdu kļuva termins fuzzy (angļu valodā fuzzy, fuzzy). Atšķirībā no tradicionālās matemātikas, kas prasa precīzus un nepārprotamus likumsakarību formulējumus katrā modelēšanas solī, izplūdušā loģika piedāvā pavisam citu domāšanas līmeni, pateicoties kam modelēšanas radošais process notiek augstākā abstrakcijas līmenī, kurā tikai minimāls. tiek postulēts likumsakarību kopums. Piemēram, loģiskā apgalvojuma patiesīgums var pieņemt izplūdušās sistēmas, papildus parastajiem "jā/nē" (1/0), arī starpvērtības: "Es nezinu" (0,5), "pacients ir vairāk dzīvs nekā miris" (0,75), "pacients ir vairāk miris nekā dzīvs" (0,25) utt. Šī pieeja vairāk atgādina tāda cilvēka domāšanas veidu, kurš reti atbild uz jautājumiem jā vai nē. Intelektuālās novērtēšanas un prognozēšanas sistēmu teorētiskie pamati un pielietotie aspekti nenoteiktības apstākļos, pamatojoties uz izplūdušo kopu teoriju, ir detalizēti aprakstīti literatūrā [Averkin et al., 1986; Borisovs et al., 1989; Netradicionālie modeļi.., 1991; Vasiļjevs un Iljasovs, 1995].

Jēdziens "pašorganizēšanās" saskaņā ar Ivakhnenko teikto tiek saprasts kā "spontānas (spontānas) kārtības palielināšanās process vai organizācija sistēmā, kas sastāv no daudziem elementiem, kas notiek ārējās vides ietekmē".

Pašorganizācijas principus pētīja daudzi ievērojami zinātnieki: J. fon Noimans, N. Vīners, W.R. Ešbijs un citi.Lielu ieguldījumu šī virziena attīstībā sniedza Ukrainas kibernētikas darbs A.G. vadībā. Ivahņenko, kurš izstrādāja veselu klasi adaptīvo pašorganizācijas modeļu, ko varētu saukt par empīriski statistisko metožu "inteliģentu vispārinājumu".

Var atzīmēt šādus matemātisko modeļu pašorganizācijas principus:

• - negalīgo lēmumu princips (to ierosināja D. Gabors un kas sastāv no nepieciešamības saglabāt pietiekamu vairāku "izvēles brīvību" labākie risinājumi katrā pašorganizēšanās solī),
• - ārējās pievienošanas princips (pamatojoties uz K. Gēdeļa teorēmu un slēpjas tajā, ka tikai ārējie kritēriji, kas balstīti uz jaunu informāciju, ļauj sintezēt patiesu objekta modeli, kas paslēpts trokšņainos eksperimentālos datos);
• - masveida atlases princips (to ierosināja A. G. Ivakhnenko un norāda vispiemērotāko veidu, kā pakāpeniski sarežģīt pašorganizējošu modeli, lai tā kvalitātes kritērijs izietu cauri tā minimumam).

Lai rastos pašorganizēšanās, ir nepieciešama sākotnējā struktūra, tās nejaušo mutāciju mehānisms un atlases kritēriji, pateicoties kuriem mutācija tiek novērtēta pēc tās lietderības sistēmas kvalitātes uzlabošanai. Tie. veidojot šīs AI sistēmas, pētnieks norāda tikai sākotnējo organizāciju un mainīgo lielumu sarakstu, kā arī kvalitātes kritērijus, kas formalizē optimizācijas mērķi, un noteikumus, pēc kuriem modelis var mainīties (pašorganizēties vai attīstīties). Turklāt pats modelis var piederēt pie dažādiem veidiem: lineārai vai nelineārai regresijai, loģisko noteikumu kopumam vai jebkuram citam modelim.

Pašorganizējošie modeļi galvenokārt kalpo ekosistēmu uzvedības un struktūras prognozēšanai, jo saskaņā ar to uzbūves loģiku pētnieka līdzdalība šajā procesā tiek samazināta līdz minimumam. Var sniegt vairākus konkrētus GMDH algoritmu izmantošanas piemērus: ezera ekoloģiskās sistēmas ilgtermiņa prognozēm. Baikāls, ģeobotānisko aprakstu modelēšana; sistēmas "plēsējs-medījums", koku augšana, piesārņojošo vielu toksikoloģisko rādītāju prognozēšana, zooplanktona sabiedrību skaita dinamikas novērtējums.

Matemātiskajā kibernētikā izšķir divu veidu iteratīvos sistēmas attīstības procesus:

• - adaptācija, kurā ekstrēms (sistēmas kustības mērķis) paliek nemainīgs;
• - evolūcija, kurā kustību pavada ekstremitātes stāvokļa maiņa.

Ja pašorganizācija ir saistīta tikai ar adaptīviem mehānismiem sistēmas reakciju pielāgošanai (piemēram, mainot svara koeficientu vērtības), tad evolūcijas jēdziens ir saistīts ar efektora spēju (termins, ko ieviesa S. Lem) mainīt savu struktūru, t.i. elementu skaitu, savienojumu virzienu un intensitāti, pielāgojot tos optimālā veidā attiecībā uz uzdevumiem katrā konkrētajā laika momentā. Evolūcijas procesā sarežģītā un mainīgā vidē efektors spēj iegūt principiāli jaunas īpašības, sasniegt nākamo attīstības pakāpi. Piemēram, bioloģiskās evolūcijas procesā ir radušies ārkārtīgi sarežģīti un tajā pašā laikā pārsteidzoši produktīvi dzīvi organismi.

Evolūcijas modelēšana ir būtībā universāla metode sistēmas makrostāvokļu prognožu konstruēšanai apstākļos, kad a posteriori informācija pilnībā nav pieejama, un a priori dati norāda tikai šo stāvokļu aizvēsturi. Evolūcijas algoritma vispārējā shēma ir šāda:

• - precizēta sistēmas sākotnējā organizācija (evolūcijas modelēšanā, piemēram, šajā kapacitātē var parādīties galīgs deterministisks Mīla automāts);
• - veikt nejaušas "mutācijas", t.i. nejauši mainot pašreizējā stāvokļa mašīnu;
• - atlasiet tālākai "attīstīšanai" to organizāciju (to automātu), kas ir "labākā" kāda kritērija izpratnē, piemēram, ekosistēmas makrostāvokļa vērtību secības prognozēšanas maksimālā precizitāte.

Modeļa kvalitātes kritērijs šajā gadījumā daudz neatšķiras, piemēram, no mazāko kvadrātu metodes apmācības secības vidējās kvadrātiskās kļūdas minimuma (ar visiem no tā izrietošajiem trūkumiem). Taču, atšķirībā no adaptācijas, evolucionārajā programmēšanā risinātāja struktūra mainās maz, pārejot no vienas mutācijas uz otru, t.i. nav iespējamību pārdales, kas saglabātu mutācijas, kas noveda pie panākumiem iepriekšējā solī. Optimālās struktūras meklēšana ir vairāk nejauša un nemērķēta, kas aizkavē meklēšanas procesu, bet nodrošina vislabāko pielāgošanos konkrētiem mainīgiem apstākļiem.

Strukturālā pieeja attiecas uz mēģinājumiem veidot AI sistēmas, modelējot cilvēka smadzeņu struktūru. Pēdējos desmit gados parādījies intereses eksplozijas fenomens par strukturālajām pašorganizēšanās metodēm – neironu tīklu modelēšanu, ko veiksmīgi izmanto dažādās jomās – uzņēmējdarbībā, medicīnā, tehnoloģijās, ģeoloģijā, fizikā, t.i. visur, kur nepieciešams risināt prognozēšanas, klasifikācijas vai kontroles problēmas.

Neironu tīkla spēju mācīties pirmo reizi pētīja J. McCulloch un W. Pitt, kad 1943. gadā tika publicēts viņu darbs "Ar nervu darbību saistīto ideju loģiskā aprēķins". Tajā tika prezentēts neirona modelis un formulēti mākslīgo neironu tīklu veidošanas principi.

Lielu impulsu neirokibernētikas attīstībai deva amerikāņu neirofiziologs F. Rozenblats, kurš 1962. gadā ierosināja savu neironu tīkla modeli – perceptronu. Sākotnēji uztverts ar lielu entuziasmu, perceptrons drīz vien nokļuva intensīvu lielāko zinātnes iestāžu uzbrukumā. Un, lai gan detalizēta viņu argumentu analīze liecina, ka viņi apstrīdēja ne gluži Rozenblata piedāvāto perceptronu, liela mēroga neironu tīklu pētījumi tika ierobežoti gandrīz 10 gadus.

Vēl vienu svarīgu neironu sistēmu klasi ieviesa soms T. Kohonens. Šai klasei ir skaists vārds: "pašorganizējoša stāvokļa kartēšana, kas saglabā sensoru telpas topoloģiju". Kohonena teorija aktīvi izmanto adaptīvo sistēmu teoriju, kuru daudzu gadu garumā izstrādāja Krievijas Zinātņu akadēmijas akadēmiķis Ya.Z. Cipkins.

Šobrīd visā pasaulē ir ļoti populāri novērtēt mācību sistēmu, jo īpaši neironu tīklu, iespējas, pamatojoties uz dimensijas teoriju, ko 1966. gadā izveidoja padomju matemātiķi V.N. Vapņiks un A.Ya. Červoņenkis. Vēl vienu neironu modeļu klasi pārstāv atpakaļizplatīšanās tīkli, kuru moderno modifikāciju izstrādē Prof. A.N. Gorbans un viņa vadītā Krasnojarskas neiroinformātikas skola. Krievijas Neiroinformātikas asociācija prezidenta V.L. vadībā. Dunins-Barkovskis.

Visa neironu tīkla pieeja ir balstīta uz ideju izveidot skaitļošanas ierīci no daudziem vienkāršiem elementiem, kas darbojas paralēli - formāliem neironiem. Šie neironi darbojas neatkarīgi viens no otra un ir savstarpēji saistīti ar vienvirziena informācijas pārraides kanāliem. Neironu tīklu koncepciju kodols ir ideja, ka katru atsevišķu neironu var modelēt ar diezgan vienkāršām funkcijām un ka visu smadzeņu sarežģītību, to funkcionēšanas elastību un citas svarīgas īpašības nosaka savienojumi starp neironiem. Šī viedokļa galējā izpausme var būt sauklis: "savienojumu struktūra ir viss, elementu īpašības nav nekas."

Neironu tīkli (NN) ir ļoti spēcīgs modelēšanas paņēmiens, kas ļauj reproducēt ārkārtīgi sarežģītas atkarības, kas pēc būtības ir nelineāras. Parasti neironu tīklu izmanto, ja nav zināmi pieņēmumi par savienojumu veidu starp ieejām un izejām (lai gan, protams, lietotājam ir nepieciešamas zināmas heiristiskās zināšanas par to, kā atlasīt un sagatavot datus, izvēlēties vēlamo tīklu arhitektūra un interpretēt rezultātus).

Reprezentatīvie dati tiek ievadīti neironu tīkla ievadē, un tiek palaists mācību algoritms, kas automātiski analizē datu struktūru un ģenerē attiecības starp ievadi un izvadi. NN apmācīšanai tiek izmantoti divu veidu algoritmi: kontrolēta (“uzraudzīta mācīšanās”) un neuzraudzīta (“bez uzraudzības”).

Vienkāršākajam tīklam ir daudzslāņu perceptrona struktūra ar tiešu signāla pārraidi (sk. 3. att.), kam raksturīga visstabilākā uzvedība. Ievades slāni izmanto, lai ievadītu sākotnējo mainīgo vērtības, pēc tam secīgi tiek apstrādāti starpposma un izvades slāņa neironi. Katrs no slēptajiem un izejas neironiem, kā likums, ir savienots ar visiem iepriekšējā slāņa elementiem (lielākajai daļai tīkla opciju ir vēlama pilnīga savienojumu sistēma). Tīkla mezglos aktīvais neirons aprēķina savu aktivizācijas vērtību, ņemot iepriekšējā slāņa elementu izejas svērto summu un no tās atņemot sliekšņa vērtību. Aktivizācijas vērtība pēc tam tiek konvertēta, izmantojot aktivizācijas funkciju (vai pārsūtīšanas funkciju), un rezultāts ir neirona izvade. Kad viss tīkls ir nostrādājis, pēdējā slāņa elementu izvades vērtības tiek uzskatītas par visa tīkla izvadi kopumā.

Rīsi. 3.

Kopā ar daudzslāņu perceptronu modeli vēlāk parādījās arī citi neironu tīklu modeļi, kas atšķiras gan atsevišķu neironu struktūrā, gan to savstarpējo savienojumu topoloģijā, gan mācīšanās algoritmos. Starp šobrīd vispazīstamākajām iespējām ir atpakaļpropagācijas NN, kuru pamatā ir radiālās bāzes funkcijas, vispārināti regresijas tīkli, Hopfīlda un Haminga NN, pašorganizējošās Kohonena kartes, stohastiskie neironu tīkli utt. Ir darbi atkārtotos tīklos (t.i., kas satur atsauksmes, kas ved atpakaļ no tālākiem uz tuvākiem neironiem), kuriem var būt ļoti sarežģīta uzvedības dinamika. Sāk efektīvi izmantot pašorganizējošus (augošus vai attīstošus) neironu tīklus, kas daudzos gadījumos izrādās vēlamāki nekā tradicionālie pilnībā savienotie neironu tīkli.

Uz cilvēka smadzenēm balstītus modeļus raksturo gan viegla algoritmu paralēlizēšana, gan ar to saistītā augstā veiktspēja, gan ne pārāk izteikta uzrādīto rezultātu izteiksmība, kas neveicina jaunu zināšanu ieguvi par simulēto vidi. Tāpēc neironu tīklu modeļu galvenais mērķis ir prognozēšana.

Svarīgs nosacījums NN, kā arī jebkuru statistikas metožu izmantošanai ir objektīvi pastāvoša saikne starp zināmām ievades vērtībām un nezināmu atbildi. Šis savienojums var būt nejaušs, izkropļots ar troksni, bet tam ir jābūt. Tas ir izskaidrojams, pirmkārt, ar to, ka iteratīvie algoritmi neironu tīkla parametru kombināciju virzītai uzskaitīšanai izrādās ļoti efektīvi un ļoti ātri tikai tad, ja laba kvalitāte sākotnējie dati. Tomēr, ja šis nosacījums nav izpildīts, iterāciju skaits strauji pieaug, un skaitļošanas sarežģītība ir salīdzināma ar algoritmu eksponenciālo sarežģītību, lai pilnībā uzskaitītu iespējamos stāvokļus. Otrkārt, tīklam ir tendence apgūt, pirmkārt, to, kas ir visvieglāk apgūstams, un spēcīgas nenoteiktības un trokšņainu iezīmju apstākļos tie, pirmkārt, ir artefakti un "viltus korelācijas" parādības.

Informatīvo mainīgo atlase tradicionālajā regresijā un taksonomijā tiek veikta ar "svēruma" pazīmēm, izmantojot dažādus statistikas kritērijus un pakāpeniskas procedūras, kas vienā vai otrā veidā balstītas uz daļēju korelāciju vai kovariāciju koeficientu analīzi. Šajos nolūkos tiek izmantotas dažādas secīgas (secīgas) procedūras, kas ne vienmēr noved pie rezultāta pietiekami tuvu optimālajam. Izmantojot ģenētisku algoritmu, var ieviest efektīvu automatizētu pieeju nozīmīgu ievades mainīgo atlasei.

Šajā sakarā vispārējā statistiskās modelēšanas ar AI metodēm shēmā ieteicams secīgi veikt divas dažādas procedūras:

• - ar evolucionāro metožu palīdzību pazīmju binārajā telpā tiek meklēta tāda minimālā mainīgo kombinācija, kas nodrošina nelielu informācijas zudumu sākotnējos datos,
• - iepriekšējā posmā iegūtā minimizētā datu matrica tiek ievadīta apmācībai neironu tīkla ievadā.