Лекция 1 5 . Технологии искусственного интеллекта

План

Понятие искусственного интеллекта.

Области применения ИИ.

Понятие экспертной системы .

Понятие искусственного интеллекта

«Интеллект – совокупность всех познавательных функций индивида: от ощущений и восприятия до мышления и воображения; в более узком смысле – мышление. И. – основная форма познания человеком действительности. Существуют три разновидности в понимании функции И.: 1) способности к обучению; 2) оперирование символами; 3) способность к активному овладению закономерностей окружающей нас действительности» (Рапацевич Е.С. Словарь-справочник по научно-техническому творчеству. – Мн.: ООО «Этоним», 1995. – 384 с. – С. 51-52.). (Сл 2 )

Всякая интеллектуальная деятельность опирается на знания. В эти знания включаются характеристики текущей ситуации, оценки возможности выполнения тех или иных действий, законы и закономерности того мира, в котором совершается деятельность, и многое другое. В программах, которые стали создаваться, когда появились компьютеры, необходимые знания хранились в памяти программистов, которые писали программы. Компьютер ее механически выполнял заложенную в его память последовательность команд программы. Никаких знаний для этого компьютеру не требовалось.

«Интеллект искусственный – 1) условное обозначение кибернетических систем и их логико-математического обеспечения, предназначенных для решения некоторых задач, обычно требующих использования интеллектуальных способностей человека; 2) совокупность функциональных возможностей электронно-вычислительной машины (ЭВМ) решать задачи, ранее требовавшие обязательного участия человека» (Там же, с. 54).

Принципиальное отличие систем искусственного интеллекта состоит в том, что для такого рода систем программист не готовит конкретные программы для исполнения . Человек лишь дает машине нужное задание, а программу, выполняющую это задание, система должна построить сама. Для этого нужны знания как о предметной области, к которой относится задание, так и о том, как строятся программы. Все эти знания хранятся в интеллектуальных системах в специальном блоке, называемом базой знаний.

Знания, хранящиеся в базе знаний, записываются в специальной формализованной форме. В базе знаний могут реализоваться процедуры обобщения корректировки хранимых знаний, а также процедуры, создающие новые знания на основании тех, которые уже там имеются.

Искусственный интеллект – одно из новейших направлений науки, появившееся в середине 60-х г.г. ХХ в. на базе вычислительной техники, математической логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект – это образец междисциплинарных исследований, где соединяются профессиональные интересы специалистов разного профиля. Само название новой науки возникло в конце 60-х гг,. а в1969 г. в Вашингтоне (США) состоялась первая Всемирная конференция по искусственному интеллекту.

Когда в конце 40-х – начале 50-х гг. появились ЭВМ, стало ясно, что инженеры и математики создали не просто быстро работающее устройство для вычислений, а нечто более значительное. Оказалось, что с помощью ЭИМ можно решать различные головоломки, логические задачи, играть в шахматы, создавать игровые программы. ЭВМ стали принимать участие в творческих процессах: сочинять музыкальные мелодии, стихотворения и даже сказки. Появились программы для перевода с одного языка на другой, для распознавания образов, доказательства теорем. Это свидетельствовало о том, что с помощью ЭВМ и соответствующих программ можно автоматизировать такие виды человеческой деятельности, которые называются интеллектуальными и считаются доступными лишь человеку. Несмотря на большое разнообразие невычислительных программ, созданных к началу 60-х гг., программирование в сфере интеллектуальной деятельности находилось в гораздо худшем положении, чем решение расчетных задач. Причина очевидна. Программирование для задач расчетного характера опиралось на соответствующую теорию – вычислительную математику. На основе этой теории было разработано много методов решения задач. Эти методы стали основой для соответствующих программ. Ничего подобного для невычислительных задач не было. Любая программа была здесь уникальной, как произведение искусства. Опыт создания таких программ никак не обобщался, умение их создавать не формализовалось.

Когда программист создавал программу для игры в шахматы, то использовал собственные знания о процессе игры. Он вкладывал их в программу, а компьютер лишь технически выполнял эту программу. Можно сказать, что компьютер «не отличал» вычислительные программы от невычислительных. Он одинаковым образом находил корни квадратного уравнения или писал стихи. В памяти компьютера не было знаний о том, что он на самом деле делает.

Об интеллекте компьютера можно было бы говорить, если бы он сам , на основании знаний о том, как протекает игра в шахматы и как играют в эту игру люди, сумел составить шахматную программу или синтезировал программу для писания несложных вальсов и маршей.

Не сами процедуры, с помощью которых выполняется та или иная интеллектуальная деятельность, а понимание того, как их создать, как научиться новому виду интеллектуальной деятельности , - вот где скрыто то, что можно назвать интеллектом. Специальные процедуры обучения новым видам интеллектуальной деятельности отличают человека от компьютера. Следовательно, в создании искусственного интеллекта основной задачей становится реализация машинными средствами тех процедур, которые используются в интеллектуальной деятельности человека. Что это за процедуры?

Можно сформулировать основные цели и задачи искусственного интеллекта. Объектом изучения искусственного интеллекта являются процедуры, используемые при решении человеком задач, традиционно называемых интеллектуальными, или творческими. Но если психология мышления изучает эти процедуры применительно к человеку, то искусственный интеллект создает программные (а сейчас уже и программно-аппаратные) модели таких процедур.

Цель исследований в области искусственного интеллекта – создание арсенала процедур, достаточного для того, чтобы ЭВМ (или другие технические системы, например роботы) могли находить по постановкам задач их решения. Иными словами, стали автономными программистами, способными выполнять работу профессиональных программистов – прикладников (создающих программы для решения задач в определенной предметной области). Разумеется, сформулированная цель не исчерпывает всех задач, которые ставит перед собой искусственный интеллект. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в области мышления человека, которые лежат вне сферы рационального и выразимого словесно (вербально) мышления. Ибо в поиске решения многих задач, особенно сильно отличающихся от ранее решенных, большую роль играет та сфера мышления, которую называют подсознательной, бессознательной, или интуитивной.

Основными методами, используемыми в искусственном интеллекте, являются разного рода программные модели и средства, эксперимент на ЭВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяют специалистов по искусственному интеллекту. Они не имеют ничего общего с тем, как устроен человеческий мозг, поэтому идет интенсивный поиск новых технических структур, способных лучше решать задачи, связанные с интеллектуальными процессами. Сюда относятся исследования по нейроподобным искусственным сетям, попытки построить молекулярные машины, работы в области голографических систем и многое другое.

Существуют несколько основных проблем, изучаемых в искусственном интеллекте.

Представление знаний – разработка методов и приемов для формализации и последующего ввода в память интеллектуальной системы знаний из различных проблемных областей, обобщение и классификация накопленных знаний при решении задач.

Моделирование рассуждений – изучение и формализация различных схем человеческих умозаключений, используемых в процессе решения разнообразных задач, создание эффективных программ для реализации этих схем в вычислительных машинах.

Диалоговые процедуры общения на естественном языке, обеспечивающие контакт между интеллектуальной системой и человеком-специалистом в процессе решения задач.

Планирование целесообразной деятельности – разработка методов построения программ сложной деятельности на основании тех знаний о проблемной области, которые хранятся в интеллектуальной системе.

Обучение интеллектуальных систем в процессе их деятельности, создание комплекса средств для накопления и обобщения умений и навыков, накапливаемых в таких системах.

Кроме этих проблем исследуются многие другие, составляющие тот задел, на который будут опираться специалисты на следующем витке развития теории искусственного интеллекта.

В практику человеческой деятельности интеллектуальные системы уже внедряются. Это и наиболее известные широкому кругу специалистов экспертные системы, передающие опыт более подготовленных специалистов менее подготовленным, и интеллектуальные информационные системы (например, системы машинного перевода), и интеллектуальные роботы, другие системы, имеющие полное право называться интеллектуальными. Без таких систем современный научно-технических прогресс уже невозможен.

В настоящее время ИИ – мощная ветвь информатики, имеющая как фундаментальные, чисто научные основы, так и весьма развитые технические, прикладные аспекты, связанные с созданием и эксплуатацией работоспособных образцов интеллектуальных систем. Именно от результатов этих работ зависит появление ЭВМ 5 поколения.

Любая задача, алгоритм решения которой не известен, может быть отнесена к сфере ИИ (игра в шахматы, медицинская диагностики, резюме текста, перевод на иностранный язык). Характерные черты задач ИИ – использование информации в символьной форме и наличие выбора из множества вариантов в условиях неопределенности.

Наиболее перспективным направлением развития систем компьютерного обучения является технология искусственного интеллекта. Системы, использующие методику ИИ, называют интеллектуальными обучающими системами (ИОС). ИОС реализует адаптивное и двухстороннее взаимодействие, направленное на эффективную передачу знаний.Наиболее перспективным путем развития ИОС является, по-видимому, путь создания самообучающихся систем, приобретающих знания в диалоге с человеком.

2. Области применения ии

Под системами, обладающими ИИ, понимаются устройства или программы, имеющие такие характеристики, присущие человеческому интеллектуальному поведению как понимание и использование языка, причинная обусловленность поведения, способность к решению проблем, способность гибко реагировать на ситуацию, использовать преимущество благоприятных ситуаций, находить решение в неоднозначных или противоречивых ситуациях, распознавать относительную важность различных элементов ситуаций, находить сходство между ними несмотря на их различие.

Программные системы, реализующие алгоритмы, для которых не существует формальной модели решения, называются эвристическими и относятся к ИИ. Задачи ИИ – это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения.

Наиболее широко системы искусственного интеллекта применяют для решения следующих задач:

Распознавание образов – это технические системы, воспринимающие визуальную и звуковую информацию, (кодируют и размещают ее в памяти), проблемы понимания и логического рассуждения в процессе обработки визуальной и речевой информации.

Моделирование рассуждений - изучение человеческих рассуждений в искусственном интеллекте только начинается, но без создания формальных моделей для таких рассуждений очень трудно производить в интеллектуальных системах все особенности рассуждений специалистов, решающих те задачи, которые мы хотим сделать доступными для искусственных систем. В созданных уже сегодня экспертных системах реализуются не только достоверные логические выводы, но и правдоподобные рассуждения и ряд иных немонотонных рассуждений. Появились первые программы для рассуждений по аналогии и ассоциации.

Системы символьных вычислений

Системы с нечеткой логикой - нечеткий вывод используется очень широко, ибо он отражает суму человеческих знаний о многих явлениях реального мира. При планировании поведения в роботах и других системах искусственного интеллекта, действующих в не полностью описанных средах, при принятии решений в условиях отсутствия исчерпывающей информации, в экспертных системах при частичных знаниях о предметной области и во многих других ситуациях без нечеткого вывода не обойтись

Когнитивная психология – одно из направлений современной психологической науки, связанное с поиском внутренних причин того или иного поведения живой системы. Как правило, объектом изучения выступает знание человека о себе и окружающем мире, а также познавательные процессы, обеспечивающие приобретение, сохранение и трансформацию этого знания.

Понимание естественного языка – анализ и генерация текстов, их внутреннего представления.

Экспертные системы – системы, использующие знания специалистов в конкретных видах деятельности.

На стыке вычислительной техники и лингвистики родилась компьютерная лингвистика. Новая наука несколько раз меняла название; сначала она называлась математической лингвистикой, потом структурной лингвистикой, и вычислительной лингвистикой, затем уже - компьютерная лингвистика.

Появилась возможность автоматизировать многие трудоемкие процессы, ведение разнообразных словарных и лексических карточек. Машинный перевод теперь является реальностью.

Машинный интеллект – совокупность аппаратных и программных средств ЭВМ, с помощью которого обеспечивается такое общение человека с машиной (интерфейс), которое по своему уровню приближается к общению между собой специалистов, решающих совместную задачу..

Планирование поведения – одно из направлений исследований по искусственному интеллекту. Основная задача этого направления – поиск процедур, которые могли бы автоматически предлагать наикратчайший путь к достижению поставленной цели, исходя из данной ситуации. Задачи такого типа оказались наиболее актуальными для роботов, действующих автономно. Решая поставленную перед ним задачу, робот должен составить план ее решения и постараться его выполнить. Если в процессе реализации этого плана робот убедится, что имеются непреодолимые препятствия, то он должен построить другой план, в котором этих препятствий не существует.

Интеллектуальные роботы.

Игры – игры, характеризующиеся конечным числом ситуаций и четко определенными правилами, в них превзойден уровень человека средних способностей; но уровень лучших специалистов не достигнут.

Решение задач – постановка, анализ и представление конкретных жизненных ситуаций, для решения которых требуется изобретательность, способность обобщать. Компьютерные технологии пытаются применить для реализации интеллектуальных процессов поиска решения, когда конечный результат непредсказуем, является плодом логических заключений и выводов, к которым приходит самостоятельно.

Новейший российский истребитель оснащаются системами искусственного интеллекта Гораздо более радикальные изменения внесены в бортовые электронные системы самолета. В результате введения многоканальной цифровой электродистанционной системы управления самолетом, включающей системы искусственного интеллекта, Су-37, по сравнению с Су-35, получит дополнительные беспрецедентные возможности:Возможность нанесения упреждающих ударов по любому воздушному противнику (в том числе и малозаметному самолету); Многоканальность и алгоритмическую защищенность всех информационных и прицельных систем; Атаку наземных целей без входа в зону ПВО противника; Маловысотный полет с облетом и обходом наземных препятствий, в том числе и в автоматическом режиме; Автоматизированные групповые действия по воздушным и наземным целям; Противодействие радиоэлектронным и оптико-электронным средствам противника; Автоматизацию всех этапов полета и боевого применения

Компания Panasonic объявляет о начале поставок нового проектора pt AE500E с искусственным интеллектом. Встроенный искусственный интеллект, автоматически управляющий яркостью лампы в зависимости от входного видеосигнала, обеспечивающий уровень контраста 1300:1.

Развитие информационных технологий будоражит человеческий ум уже добрых полвека. Компьютеры прочно вошли в нашу повседневную жизнь. Работа в современном офисе немыслима без интернета, электронной почты, а заслуженный отдых для многих начинается только тогда, когда включается игровая приставка. Мобильные телефоны третьего поколения теперь не только передают голос, но и легко заменяют практически любое офисное оборудование. Появились даже автомобили с бортовыми компьютерами, которые могут составить маршрут поездки и доставить пассажира до точки назначения.

В первом процессоре, выпущенном Intel 11 ноября 1971 г., 2.300 транзисторов умеcтились на схеме размером с ноготь. Микрочип выполнял 60 тыс. операций в секунду - ничто по современным меркам, но тогда это был серьезный прорыв. С тех пор вычислительные технологии шагнули далеко вперед. Например, подсчитано, что за 30 лет существования микропроцессоров минимальный размер элементов процессора уменьшился в 17 раз, тогда как количество транзисторов увеличилось в 18 тыс. раз, а тактовая частота возросла в 14 тыс. раз. Нынешняя технология производства процессоров, применяемая корпорацией Intel, позволяет производить транзисторы размером с молекулу, а в будущем - в несколько атомных слоев.

Индустрия информационных технологий - одна из наиболее динамично развивающихся сфер жизни. В соответствии с законом Мура , в 2020 году компьютеры достигнут мощности человеческого мозга, т.к. смогут выполнять 20 квадриллионов (т.е. 20.000.000 миллиардов) операций в секунду, а к 2060 году, как считают некоторые футурологи, компьютер сравняется по силе разума со всем человечеством. Впрочем, еще в 1994 году ПК на базе процессора Intel Pentium со смехотворной, по нынешним временам, частотой 90 МГц обыграл в серии турниров по шахматам нескольких сильнейших гроссмейстеров мира, включая действующего чемпиона планеты - Гарри Каспарова.

Уже сегодня существуют реальные возможности применения интеллектуальных технологий в практически любом автомобиле. Например, телефонная гарнитура BlueConnect производства компании Johnson Controls - интегрированный автомодуль hands-free на базе процессоров Intel PXA250 и Intel PXA210 - позволяет водителю выполнять самые разнообразные действия, активизируемые голосом, с помощью сотового телефона и технологии Bluetooth.

Очевидно, что с каждым годом все более мощные микропроцессоры будут применяться во все большем количестве различных бытовых устройствах. Недавно специалистами Intel были разработаны транзисторы, скорость действия которых превышает скорость Pentium 4 почти на 1000%. Тем самым, заявляют ученые корпорации, было доказано, что нет никаких фундаментальных препятствий для продолжения развития микропроцессоров в соответствии с законом Мура до конца текущего десятилетия.

Такие транзисторы, имеющие размер всего 20 нанометров, позволят компании Intel к 2007 г. создать процессоры с миллиардом транзисторов, работающие на частоте до 20 ГГц при напряжении питания около 1 вольт. А руководство компании уже говорит о грядущих процессорах с тактовой частотой до 30 ГГц. Предпосылки для производства таких микропроцессоров в Intel уже созданы, заявляют представители компании.

Сторонники искусственного интеллекта искренне уверены, что цель существования Человечества - создать компьютерный сверхразум

Искусственный интеллект, в самом настоящем понимании этого термина, подразумевает суррогатный, но конкурентноспособный относительно человеческого вид разума, «живущий», например, на компьютерной основе. Пока удалось создать лишь некие подобия, «обезьяньи имитаторы» человеческой разумной деятельности. Да, марсоходы, самостоятельно избегая тривиальных препятствий, автономно распахивают безжизненность пустынь Красной планеты, но для задания направления исследований все равно нужна человеческая команда с Земли. Да, полупроводниковые агрегаты, напичканные сотнями миллионов транзисторов, научились худо-бедно записывать текст под диктовку, но самая элементарная оговорка, понятная живому слушателю, сразу ставит их в тупик. Да, компьютер научили автоматически переводить слова с одного языка на другой, но полученные от такого «искусственного переводчика» тексты без правки живым знатоком языка по-прежнему не очень качественны.

Процитированное в преамбуле определение искусственного интеллекта, данное Джоном Маккарти в 1956 году на конференции в Дартмутском университете , не связано напрямую с пониманием интеллекта у человека. Согласно Маккарти, ИИ-исследователи вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем .

В то же время существует и точка зрения, согласно которой интеллект может быть только биологическим феноменом .

Как указывает председатель Петербургского отделения Российской ассоциации искусственного интеллекта Т. А. Гаврилова, в английском языке словосочетание artificial intelligence не имеет той слегка фантастической антропоморфной окраски, которую оно приобрело в довольно неудачном русском переводе. Слово intelligence означает «умение рассуждать разумно», а вовсе не «интеллект», для которого есть английский аналог intellect .

Участники Российской ассоциации искусственного интеллекта дают следующие определения искусственного интеллекта:

Одно из частных определений интеллекта, общее для человека и «машины», можно сформулировать так: «Интеллект - способность системы создавать в ходе самообучения программы (в первую очередь эвристические) для решения задач определённого класса сложности и решать эти задачи» .

Предпосылки развития науки искусственного интеллекта

История искусственного интеллекта как нового научного направления начинается в середине XX века . К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчётов и представления знаний о мире в формализованном виде; наконец, зародился фундамент математической теории вычислений - теории алгоритмов - и были созданы первые компьютеры.

Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учёном сообществе зародился вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека? В 1950 году один из пионеров в области вычислительной техники, английский учёный Алан Тьюринг , пишет статью под названием «Может ли машина мыслить?» , в которой описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга .

История развития искусственного интеллекта в СССР и России

В СССР работы в области искусственного интеллекта начались в 1960-х годах . В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных Вениамином Пушкиным и Д. А. Поспеловым . С начала 1960-х М. Л. Цетлин с коллегами разрабатывали вопросы, связанные с обучением конечных автоматов.

В 1964 году была опубликована работа ленинградского логика Сергея Маслова «Обратный метод установления выводимости в классическом исчислении предикатов», в которой впервые предлагался метод автоматического поиска доказательства теорем в исчислении предикатов.

До 1970-х годов в СССР все исследования ИИ велись в рамках кибернетики . По мнению Д. А. Поспелова , науки «информатика» и «кибернетика» были в это время смешаны, по причине ряда академических споров. Только в конце 1970-х в СССР начинают говорить о научном направлении «искусственный интеллект» как разделе информатики . При этом родилась и сама информатика, подчинив себе прародительницу «кибернетику». В конце 1970-х создаётся толковый словарь по искусственному интеллекту, трёхтомный справочник по искусственному интеллекту и энциклопедический словарь по информатике, в котором разделы «Кибернетика» и «Искусственный интеллект» входят наряду с другими разделами в состав информатики. Термин «информатика» в 1980-е годы получает широкое распространение, а термин «кибернетика» постепенно исчезает из обращения, сохранившись лишь в названиях тех институтов, которые возникли в эпоху «кибернетического бума» конца 1950-х - начала 1960-х годов . Такой взгляд на искусственный интеллект, кибернетику и информатику разделяется не всеми. Это связано с тем, что на Западе границы данных наук несколько отличаются .

Подходы и направления

Подходы к пониманию проблемы

Единого ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

• нисходящий (англ. Top-Down AI ), семиотический - создание экспертных систем , баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы : мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий (англ. Bottom-Up AI ), биологический - изучение нейронных сетей и эволюционных вычислений , моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер .

Последний подход, строго говоря, не относится к науке о ИИ в смысле, данном Джоном Маккарти, - их объединяет только общая конечная цель.

Тест Тьюринга и интуитивный подход

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений .

Гибридный подход

Гибридный подход предполагает, что только синергийная комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности.

Модели и методы исследований

Символьное моделирование мыслительных процессов

Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений . Долгие годы развитие этой науки двигалось именно по этому пути, и теперь это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем , на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована , то есть переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п. В это направление входят: доказательство теорем , принятие решений и теория игр , планирование и диспетчеризация , прогнозирование .

Работа с естественными языками

Немаловажным направлением является обработка естественного языка , в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В рамках этого направления ставится цель такой обработки естественного языка, которая была бы в состоянии приобрести знание самостоятельно, читая существующий текст, доступный по Интернету. Некоторые прямые применения обработки естественного языка включают информационный поиск (в том числе, глубокий анализ текста) и машинный перевод .

Представление и использование знаний

Направление инженерия знаний объединяет задачи получения знаний из простой информации , их систематизации и использования. Это направление исторически связано с созданием экспертных систем - программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.

Производство знаний из данных - одна из базовых проблем интеллектуального анализа данных . Существуют различные подходы к решению этой проблемы, в том числе - на основе нейросетевой технологии , использующие процедуры вербализации нейронных сетей .

Машинное обучение

Проблематика машинного обучения касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Это направление было центральным с самого начала развития ИИ . В 1956 году, на Дартмундской летней конференции, Рей Соломонофф написал отчёт о вероятностной машине, обучающейся без учителя , назвав её: «Индуктивная машина вывода» .

Робототехника

Машинное творчество

Природа человеческого творчества ещё менее изучена, чем природа интеллекта. Тем не менее, эта область существует, и здесь поставлены проблемы написания компьютером музыки , литературных произведений (часто - стихов или сказок), художественное творчество . Создание реалистичных образов широко используется в кино и индустрии игр.

Отдельно выделяется изучение проблем технического творчества систем искусственного интеллекта. Теория решения изобретательских задач , предложенная в 1946 году Г. С. Альтшуллером , положила начало таким исследованиям.

Добавление данной возможности к любой интеллектуальной системе позволяет весьма наглядно продемонстрировать, что именно система воспринимает и как это понимает. Добавлением шума вместо недостающей информации или фильтрация шума имеющимися в системе знаниями производит из абстрактных знаний конкретные образы, легко воспринимаемые человеком, особенно это полезно для интуитивных и малоценных знаний, проверка которых в формальном виде требует значительных умственных усилий.

Другие области исследований

Наконец, существует масса приложений искусственного интеллекта, каждое из которых образует почти самостоятельное направление. В качестве примеров можно привести программирование интеллекта в компьютерных играх , нелинейное управление , интеллектуальные системы информационной безопасности .

В перспективе предполагается тесная связь развития искусственного интеллекта с разработкой квантового компьютера , так как некоторые свойства искусственного интеллекта имеют схожие принципы действия с квантовыми компьютерами .

Можно заметить, что многие области исследований пересекаются. Это свойственно любой науке. Но в искусственном интеллекте взаимосвязь между, казалось бы, различными направлениями выражена особенно сильно, и это связано с философским спором о сильном и слабом ИИ .

Современный искусственный интеллект

Можно выделить два направления развития ИИ:

• решение проблем, связанных с приближением специализированных систем ИИ к возможностям человека, и их интеграции, которая реализована природой человека (см. Усиление интеллекта );
• создание искусственного разума, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества (см. Сильный и слабый искусственный интеллект ).

Но в настоящий момент в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к ИИ, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа пока так и не подошла. Ниже представлены лишь некоторые наиболее известные разработки в области ИИ.

Применение

Некоторые из самых известных ИИ-систем:

Банки применяют системы искусственного интеллекта (СИИ) в страховой деятельности (актуарная математика), при игре на бирже и управлении собственностью. Методы распознавания образов (включая, как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности.

Психология и когнитология

Методология когнитивного моделирования предназначена для анализа и принятия решений в плохо определённых ситуациях. Была предложена Аксельродом .

Основана на моделировании субъективных представлений экспертов о ситуации и включает: методологию структуризации ситуации: модель представления знаний эксперта в виде знакового орграфа (когнитивной карты) (F, W), где F - множество факторов ситуации, W - множество причинно-следственных отношений между факторами ситуации; методы анализа ситуации. В настоящее время методология когнитивного моделирования развивается в направлении совершенствования аппарата анализа и моделирования ситуации. Здесь предложены модели прогноза развития ситуации; методы решения обратных задач.

Философия

Наука «о создании искусственного разума» не могла не привлечь внимание философов. С появлением первых интеллектуальных систем были затронуты фундаментальные вопросы о человеке и знании, а отчасти о мироустройстве.

Философские проблемы создания искусственного интеллекта можно разделить на две группы, условно говоря, «до и после разработки ИИ». Первая группа отвечает на вопрос: «Что такое ИИ, возможно ли его создание, и, если возможно, то как это сделать?» Вторая группа (этика искусственного интеллекта) задаётся вопросом: «Каковы последствия создания ИИ для человечества?»

Термин «сильный искусственный интеллект» ввёл Джон Сёрль , его же словами подход и характеризуется:

Более того, такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом, в том же смысле, в котором человеческий разум - это разум .

При этом нужно понять, возможен ли «чистый искусственный» разум («метаразум»), понимающий и решающий реальные проблемы и, вместе с тем, лишённый эмоций, характерных для человека и необходимых для его индивидуального выживания [ ] .

Напротив, сторонники слабого ИИ предпочитают рассматривать программы лишь как инструмент, позволяющий решать те или иные задачи, которые не требуют полного спектра человеческих познавательных способностей.

Этика

Другие традиционные конфессии достаточно редко описывают проблематику ИИ. Но отдельные богословы тем не менее обращают на это внимание. Например, протоиерей Михаил Захаров, рассуждая с точки зрения христианского мировоззрения, ставит следующий вопрос: «Человек есть разумно-свободное существо, сотворенное Богом по Его образу и подобию. Мы привыкли все эти определения относить к биологическому виду Homo Sapiens. Но насколько это обосновано?» . Отвечает он на этот вопрос так:

Если предположить, что исследования в области искусственного интеллекта когда-либо приведут к появлению искусственного существа, превосходящего человека по интеллекту, обладающего свободой воли, будет ли это означать, что это существо - человек? … человек есть творение Божие. Можем ли мы это существо назвать творением Божиим? На первый взгляд, оно есть творение человека. Но и при сотворении человека вряд ли стоит буквально понимать, что Бог Своими руками из глины вылепил первого человека. Вероятно это иносказание, указывающее на материальность человеческого тела, созданного по воле Божией. Но без воли Божией ничего не происходит в этом мире. Человек, как со-творец этого мира, может, исполняя волю Божию, создавать новые твари. Такие твари, созданные руками человека по Божией воле, вероятно можно назвать творениями Божиими. Ведь человек создает новые виды животных и растений. А мы считаем растения и животных творениями Божиими. Так же можно относиться и к искусственному существу не биологической природы.

Научная фантастика

Тема ИИ рассматривается под разными углами в творчестве Роберта Хайнлайна : гипотеза возникновения самоосознания ИИ при усложнении структуры далее определённого критического уровня и наличии взаимодействия с окружающим миром и другими носителями разума («The Moon Is a Harsh Mistress», «Time Enough For Love», персонажи Майкрофт, Дора и Ая в цикле «История будущего»), проблемы развитии ИИ после гипотетического самоосознания и некоторые социально-этические вопросы («Friday»). Социально-психологические проблемы взаимодействия человека с ИИ рассматривает и роман Филипа К. Дика «Снятся ли андроидам электроовцы? », известный также по экранизации «Бегущий по лезвию».

В творчестве фантаста и философа Станислава Лема описано и во многом предвосхищено создание виртуальной реальности, искусственного интеллекта, нанороботов и многих других проблем философии искусственного интеллекта. Особенно стоит отметить футурологию Сумма технологии . Кроме того, в приключениях Ийона Тихого неоднократно описываются взаимоотношения живых существ и машин: бунт бортового компьютера с последующими неожиданными событиями (11 путешествие), адаптация роботов в человеческом обществе («Стиральная трагедия» из «Воспоминаний Ийона Тихого»), построение абсолютного порядка на планете путём переработки живых жителей (24-ое путешествие), изобретения Коркорана и Диагора («Воспоминания Ийона Тихого»), психиатрическая клиника для роботов («Воспоминания Ийона Тихого»). Кроме того, существует целый цикл повестей и рассказов Кибериада , где почти всеми персонажами являются роботы, которые являются далёкими потомками роботов, сбежавших от людей (людей они именуют бледнотиками и считают их мифическими существами).

Фильмы

Начиная практически с 1960-х годов вместе с написанием фантастических рассказов и повестей, снимаются фильмы об искусственном интеллекте. Многие повести авторов, признанных во всём мире, экранизируются и становятся классикой жанра, другие становятся вехой в развитии

• Мустафина Наиля Мугаттаровна , бакалавр, студент
• Башкирский Государственный Аграрный Университет
• Шарафутдинов Айдар Газизьянович , кандидат наук, доцент, доцент
• Башкирский государственный аграрный университет

• ВЫЧИСЛИТЕЛЬНЫЕ МАШИНЫ
• ТЕХНИКА
• НАУКА
• ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Сегодня стремительно развивается научно-технический прогресс. Одним из его быстроразвивающихся отраслей является искусственный интеллект.

Сегодня стремительно развивается технический прогресс. Наука не стоит на месте и с каждым годом люди придумывают все более усовершенствованные технологии. Одним из новых направлений развития технического прогресса является искусственный интеллект.

Впервые человечество услышало об искусственном интеллекте более 50 лет назад. Это случилось на конференции, проходившей в 1956 году в Дартмутском университете, на которой Джон Маккарти дал термину чёткое и ясное определение. «Искусственный интеллект является наукой о создании интеллектуальных машин и компьютерных программ. В целях данной науки компьютеры используются как средство для понимания особенностей человеческого интеллекта, в то же время, изучение ИИ не должно ограничиваться применением биологически правдоподобных методов.

Искусственный интеллект современных компьютеров довольно высокого уровня, но не до того уровня, чтобы их поведенческие способности не уступали хотя бы самым примитивным животным.

Итогом исследований по вопросам «искусственного интеллекта» является стремление понять работу мозга, раскрыть секреты человеческого сознания и проблему создания машин обладающих определенным уровнем человеческого интеллекта. Принципиальная возможность моделирования интеллектуальных процессов следует, что любую функцию мозга, любую умственную деятельность, описанную языком со строго однозначной семантикой с помощью конечного числа слов, в принципе можно передать электронной цифровой вычислительной машине.

В настоящее время разработаны некоторые модели искусственного интеллекта в различных областях, но до сих пор не создан компьютер способный обрабатывать информацию в любой новой области.

Среди важнейших классов задач, которые ставились перед разработчиками интеллектуальных систем с момента определения искусственного интеллекта как научного направления, следует выделить следующие направления искусственного интеллекта:

• Доказательство теорем. Изучение приемов доказательства теорем сыграло важную роль в развитии искусственного интеллекта. Много неформальных задач, например, медицинская диагностика, применяют при решении методические подходы, которые использовались при автоматизации доказательства теорем. Поиск доказательства математической теоремы требует не только провести дедукцию, исходя из гипотез, но также создать интуитивные предположения о том, какие промежуточные утверждение следует доказать для общего доказательства основной теоремы.
• Распознавание изображений. Применение искусственного интеллекта для распознавании образов позволила создавать практически работающие системы идентификации графических объектов на основе аналогичных признаков. В качестве признаков могут рассматриваться любые характеристики объектов, подлежащих распознаванию. Признаки должны быть инвариантны к ориентации, размера и формы объектов. Алфавит признаков формируется разработчиком системы. Качество распознавания во многом зависит от того, насколько удачно сложившийся алфавит признаков. Распознавания состоит в априорном получении вектора признаков для выделенного на изображении отдельного объекта и, затем, в определении которой из эталонов алфавита признаков этот вектор отвечает.
• Машинный перевод и понимание человеческой речи. Задача анализа предложений человеческой речи с применением словаря является типичной задачей систем искусственного интеллекта. Для ее решения был создан язык-посредник, облегчающий сопоставление фраз из разных языков. В дальнейшем этот язык-посредник превратилась в семантическую модель представления значений текстов, подлежащих переводу. Эволюция семантической модели привела к созданию языка для внутреннего представления знаний. В результате, современные системы осуществляют анализ текстов и фраз в четыре основных этапа: морфологический анализ, синтаксический, семантический и прагматический анализ.
• Игровые программы. В основу большинства игровых программ положены несколько базовых идей искусственного интеллекта, таких как перебор вариантов и самообучения. Одна из наиболее интересных задач в сфере игровых программ, использующих методы искусственного интеллекта, заключается в обучении компьютера игры в шахматы. Она была основана еще на заре вычислительной техники, в конце 50-х годов. В шахматах существуют определенные уровни мастерства, степени качества игры, которые могут дать четкие критерии оценки интеллектуального роста системы. Поэтому компьютерными шахматами активно занимался ученые со всего мира, а результаты их достижений применяются в других интеллектуальных разработках, имеющих реальное практическое значение.
• Машинная творчество. К одной из областей применений искусственного интеллекта можно отнести программные системы, способные самостоятельно создавать музыку, стихи, рассказы, статьи, дипломы и даже диссертации. Сегодня существует целый класс музыкальных языков программирования (например, язык C-Sound). Для различных музыкальных задач было создано специальное программное обеспечение: системы обработки звука, синтеза звука, системы интерактивного композиции, программы алгоритмической композиции.
• Экспертные системы. Методы искусственного интеллекта нашли применение в создании автоматизированных консультирующих систем или экспертных систем. Первые экспертные системы были разработаны, как научно-исследовательские инструментальные средства в 1960-х годах. Они были системами искусственного интеллекта, специально предназначенными для решения сложных задач в узкой предметной области, такой, например, как медицинская диагностика заболеваний. Классической целью этого направления изначально было создание системы искусственного интеллекта общего назначения, которая была бы способна решить любую проблему без конкретных знаний в предметной области. Ввиду ограниченности возможностей вычислительных ресурсов, эта задача оказалась слишком сложной для решения с приемлемым результатом.

Можно сказать, что основная цель разработки искусственного интеллекта – это оптимизация, вы только представьте, как человек не подвергаясь опасности, смог бы изучать другие планеты, добывал бы драгоценные металлы.

Таким образом, можно сделать вывод, что изучение и развитие искусственного интеллекта имеет важное значение для всего общества. Ведь с применением данной системы можно обезопасить и облегчить человеческую жизнь.

Список литературы

1. Ясницкий Л.Н. О возможностях применения искусственного интеллекта [Электронный ресурс]: научная электронная библиотека. URL: http://cyberleninka.ru/ (дата обращения 01.06.2016)
2. Ястреб Н.А. Искусственный интеллект [Электронный ресурс]: научная электронная библиотека. URL: http://cyberleninka.ru/ (дата обращения 01.06.2016)
3. Абдулатипова М.А. Искусственный интеллект [Электронный ресурс]: научная электронная библиотека. URL: http://cyberleninka.ru/ (дата обращения 01.06.2016)

Искусственный интеллект (ИИ) (англ. Artificial intelligence, AI) - это наука и разработка интеллектуальных машин и систем, особенно интеллектуальных компьютерных программ, направленных на то, чтобы понять человеческий интеллект. При этом используемые методы не обязательно биологически правдоподобны. Но проблема состоит в том, что неизвестно какие вычислительные процедуры мы хотим называть интеллектуальными. А так как мы понимаем только некоторые механизмы интеллекта, то под интеллектом в пределах этой науки мы понимаем только вычислительную часть способности достигать целей в мире.

Различные виды и степени интеллекта существуют у многих людей, животных и некоторых машин, интеллектуальных информационных систем и различных моделей экспертных систем с различными базами знаний. При этом как видим такое определение интеллекта не связано с пониманием интеллекта у человека – это разные вещи. Более того, эта наука моделирует человеческий интеллект, так как, с одной стороны, можно изучить кое-что о том, как заставить машины решить проблемы, наблюдая других людей, а с другой – большинство работ в ИИ изучают проблемы, которые требуется решать человечеству в промышленном и технологическом смысле. Поэтому ИИ-исследователи вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем.

Именно в таком смысле термин ввел Дж. Маккарти в 1956 году на конференции в Дартмутском университете, и до сих пор, несмотря на критику тех, кто считает, что интеллект – это только биологический феномен, в научной среде термин сохранил свой первоначальный смысл, несмотря на явные противоречия с точки зрения человеческого интеллекта.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла-Саймона. Поэтому, несмотря на множество подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

· нисходящий (англ. Top-Down AI ), семиотический – создание экспертных систем, баз знаний и систем логического вывода, имитирующие высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;

· восходящий (англ. Bottom-Up AI ), биологический – изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе более мелких «неинтеллектуальных» элементов.

Последний подход, строго говоря, не относится к науке о искусственном интеллекте в смысле, данном Дж. Маккарти, их объединяет только общая конечная цель.

История искусственного интеллекта как нового научного направления начинается в середине XX века. К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчётов и представления знаний о мире в формализованном виде; наконец, зародился фундамент математической теории вычислений - теории алгоритмов, и были созданы первые компьютеры.

Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учёном сообществе был поставлен вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека? В 1950 году один из пионеров в области вычислительной техники, английский учёный Алан Тьюринг, в статье «Может ли машина мыслить?», дает ответы на подобные вопросы, и описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга.

Тест Тьюринга – это эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум», опубликованной в 1950 году в философском журнале «Mind ». Целью данного теста является определение возможности искусственного мышления близкого к человеческому. Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы - ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

Существует три подхода к определению искусственного интеллекта:

1) Логический подход к созданию систем искусственного интеллекта направлен на создание экспертных систем с логическими моделями баз знаний с использованием языка предикатов. Учебной моделью систем искусственного интеллекта в 80-х годах был принят язык и система логического программирования Пролог. Базы знаний, записанные на языке Пролог, представляют наборы фактов и правил логического вывода, записанных языка логических. Логическая модель баз знаний позволяет записывать не только конкретные сведения и данные в форме фактов на языке Пролог, но и обобщенные сведения с помощью правил и процедур логического вывода и в том числе логических правил определения понятий, выражающих определённые знания как конкретные и обобщенные сведения. В целом исследования проблем искусственного интеллекта в информатике в рамках логического подхода к проектированию баз знаний и экспертных систем направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы обучения студентов и школьников, а также подготовки пользователей и разработчиков таких интеллектуальных информационных систем.

2) Агентно-ориентированный подход развивается с начала 1990-х годов. Согласно этому подходу, интеллект - это вычислительная часть (планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов. Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно сильнее изучаются алгоритмы поиска и принятия решений.

3) Интуитивный подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём, в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Определением выбраны, следующие направления исследований в области ИИ:

- Символьное моделирование мыслительных процессов.

Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений. Долгие годы развитие ИИ как науки двигалось именно по этому пути, и теперь это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована, то есть переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п. В это направление входят: доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование.

- Работа с естественными языками.

Немаловажным направлением является обработка естественного языка, в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В частности, здесь ещё не решена проблема машинного перевода текстов с одного языка на другой. В современном мире большую роль играет разработка методов информационного поиска. По своей природе, оригинальный тест Тьюринга связан с этим направлением.

- Накопление и использование знаний.

Согласно мнению многих учёных, важным свойством интеллекта является способность к обучению. Таким образом, на первый план выходит инженерия знаний, объединяющая задачи получения знаний из простой информации, их систематизации и использования. Достижения в этой области затрагивают почти все остальные направления исследований ИИ. Здесь также нельзя не отметить две важные подобласти. Первая из них - машинное обучение - касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Второе связано с созданием экспертных систем - программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.

К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования. Биологическое моделирование

Большие и интересные достижения имеются в области моделирования биологических систем. Строго говоря, сюда можно отнести несколько независимых направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы - агента, взаимодействующего с внешней средой, называется агентным подходом. Особо стоит упомянуть компьютерное зрение, которое связано ещё и с робототехникой.

- Робототехника.

Вообще, робототехника и искусственный интеллект часто ассоциируется друг с другом. Интегрирование этих двух наук, создание интеллектуальных роботов, можно считать ещё одним направлением ИИ.

- Машинное творчество.

Природа человеческого творчества ещё менее изучена, чем природа интеллекта. Тем не менее, эта область существует, и здесь поставлены проблемы написания компьютером музыки, литературных произведений (часто - стихов или сказок), художественное творчество. Создание реалистичных образов широко используется в кино и индустрии игр. Добавление данной возможности к любой интеллектуальной системе позволяет весьма наглядно продемонстрировать что именно система воспринимает и как это понимает. Добавлением шума вместо недостающей информации или фильтрация шума имеющимися в системе знаниями производит из абстрактных знаний конкретные образы, легко воспринимаемые человеком, особенно это полезно для интуитивных и малоценных знаний, проверка которых в формальном виде требует значительных умственных усилий.

- Другие области исследований.

Существует масса приложений искусственного интеллекта, каждое из которых образует почти самостоятельное направление. В качестве примеров можно привести программирование интеллекта в компьютерных играх, нелинейное управление, интеллектуальные системы информационной безопасности.

Подходы к созданию интеллектуальных систем. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами. От умения выделить только существенную информацию зависит эффективность и вообще результативность. Широта классов задач, эффективно решаемых человеческим разумом, требует невероятной гибкости в методах абстрагирования. Не доступной при любом инженерном подходе, который исследователь выбирает изначально по заведомо порочному признаку, за его способность быстро дать эффективное решение какой-то наиболее близкой этому исследователю задачи. То есть уже за реализованную в виде правил единственную модель абстрагирования и конструирования сущностей. Это выливается в значительные затраты ресурсов для непрофильных задач, то есть система от интеллекта возвращается к грубой силе на большинстве задач и сама суть интеллекта улетучивается из проекта.

Особенно трудно без символьной логики приходится когда задача заключается в выработке правил так как их составляющие, не будучи полноценными единицами знаний, не логичны. Большинство исследований останавливается как раз на невозможности хотя бы обозначить новые возникшие трудности средствами выбранных на предыдущих этапах символьных системах. Тем более решить их и тем более обучить компьютер решать их или хотя бы идентифицировать и выходить из таких ситуаций.

Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Интеллекта как такового, без всяких оговорок и условностей.

Широко практикуется создание гибридных интеллектуальных систем, в которых применяются сразу несколько моделей. Экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения.

Развитие теории нечетких множеств. Начало развитию теории нечетких множеств положила статья «Нечеткие множества», опубликованная профессором из США Лотфи Заде, который впервые ввел понятие нечеткого множества, предложил идею и первую концепцию тео­рии, которая давала возможность нечеткого описания реальных систем. Важнейшим направлением теории нечетких множеств является нечеткая логика, применяемая для управления системами, а также в экспериментах по формированию их моделей.

В 60-е годы начался период быстрого развития компьютеров и цифровых технологий на базе двоичной логики. В то время считалось, что использование данной логики позволит решать многие научные и технические проблемы. По этой причине появление нечеткой логики оставалось почти незамеченным, несмотря на всю ее концептуальную революционность. Тем не менее, важность нечеткой логики была осознана рядом представителей научного сообщества и она получила развитие, а также практическую реализацию в рамках различных промышленных приложений. Через некоторое время стал повышаться интерес к ней и со стороны научных школ, объединявших приверженцев технологий на основе двоичной логики. Это произошло из-за того, что обнаружилось достаточно много практических задач, которые не поддавались решению с помощью традиционных математических моделей и методов, несмотря на существенно возросшие доступные скорости реализации вычислений. Требовалась новая методология, характерные черты которой предстояло найти в нечеткой логике.

Подобно робототехнике, нечеткая логика была с большим интересом встречена не в стране своего происхождения, США, а за ее пределами, и как следствие этого, первый опыт промышленного использования нечеткой логики - для управления котельными установками электростанций - связан с Европой. Все попытки использовать для управления паровым котлом традиционные методы, порой весьма замыслова­тые, оканчивались неудачей - настолько сложной оказалась эта нелинейная система. И только применение нечеткой логики позволило синте­зировать регулятор, который удовлетворял всем требованиям. В 1976 г. нечеткая логика была положена в основу системы автоматического управления карусельной печью в производстве цемента. Однако, первые практические результаты использования нечеткой логики, полученные в Европе и Америке, не вызвали какого-либо значительного повышения интереса к ней. Точно так же, как было с робототехникой, страной, которая первой начала повсеместное внедрение нечеткой логики, осознав ее огромный потенциал, стала Япония.

Среди созданных в Японии прикладных нечетких систем наибольшую известность получила разработанная компанией Hitachi система управления поездами метрополитена в г. Сендай. Реализация проекта велась с участием опытного машиниста, знания и опыт которого легли в основу разработанной модели управления. Система автоматически снижа­ла скорость поезда при подъезде его к станции, обеспечивая остановку в требуемом месте. Еще одним преимуществом поезда была его высокая комфортабельность, обусловленная плавностью набора и снижения скорости. Имелся и целый ряд других преимуществ по сравнению с традиционными системами управления.

Быстрое развитие нечеткой логики в Японии привело к тому, что ее практические приложения появились не только в промышленности, но и в производстве товаров народного потребления. Примером здесь может служить видеокамера, оборудованная нечеткой подсистемой стабилизации изображения, применявшейся для компенсации колебаний изображения, вызванных малоопытностью оператора. Данная задача была слишком сложной для решения ее традиционными методами, поскольку требовалось отличать случайные колебания изображения от целенаправленного перемещения объектов съемки (например, движения людей).

Другим примером является автоматическая стиральная ма­шина, управляемая одним нажатием кнопки (Zimmerman 1994 г.). Подобная «целостность» вызвала интерес и была встречена с одобрением. Использование методов нечеткой логики позволило оптимизировать процесс стирки, обеспечивая автоматическое распознавание типа, объема и степе­ни загрязненности одежды, не говоря уже о том, что сведение механизма управления машиной к одной единственной кнопке позволило значительно упростить обращение с ней.

Изобретения в области нечеткой логики были воплощены японскими фирмами и во многих других устройствах, среди которых микроволновые печи (Sanyo), антиблокировочные системы и автоматические коробки передач (Nissan), интегрированное управление динамическими характеристиками автомобиля (INVEC), а также регуляторы жестких дисков в компьютерах, обеспечивающие уменьшение времени доступа к информации.

Помимо упоминавшихся выше приложений, с начала 90-х годов. наблюдается интенсивное развитие нечетких методов в рамках целого ряда прикладных областей, в том числе и не связанных с техникой:

Система управления электронным кардиостимулятором;

Система управления механическими транспортными средствами;

Системы охлаждения;

Кондиционеры и вентиляционное оборудование;

Оборудование для сжигания мусора;

Стеклоплавильная печь;

Система контроля кровяного давления;

Диагностика опухолей;

Диагностика текущего состояния сердечно-сосудистой системы;

Система управления подъемными и мостовыми кранами;

Обработка изображений;

Быстродействующее зарядное устройство;

Распознавание слов;

Управление биопроцессорами;

Управление электродвигателями;

Сварочное оборудование и процессы сварки;

Системы управления движением транспорта;

Биомедицинские исследования;

Водоочистные сооружения.

В настоящий момент в создании искусственного интеллекта (в первоначальном смысле этого слова, экспертные системы и шахматные программы сюда не относятся) наблюдается интенсивное перемалывание всех предметных областей, имеющих хоть какое-то отношение к ИИ, в базы знаний. Практически все подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа так и не подошла.

Исследования ИИ влились в общий поток технологий сингулярности (видового скачка, экспотенциального развития человека), таких как информатика, экспертные системы, нанотехнология, молекулярная биоэлектроника, теоретическая биология, квантовая теория(и), ноотропики, экстромофилы и т. д. см. ежедневный поток новостей Курцвейля, MIT .

Результаты разработок в области ИИ вошли в высшее и среднее образование России в форме учебников информатики, где теперь изучаются вопросы работы и создания баз знаний, экспертных систем на базе персональных компьютеров на основе отечественных систем логического программирования, а также изучения фундаментальных вопросов математики и информатики на примерах работы с моделями баз знаний и экспертных систем в школах и вузах.

Разработанны следующие системы искусственного интеллекта:

1. Deep Blue - победил чемпиона мира по шахматам. (Матч Каспаров против суперЭВМ не принёс удовлетворения ни компьютерщикам, ни шахматистам и система не была признана Каспаровым, хотя оригинальные компактные шахматные программы - неотъемлемый элемент шахматного творчества. Затем линия суперкомпьютеров IBM проявилась в проектах brute force BluGene (молекулярное моделирование) и моделирование системы пирамидальных клеток в швейцарском центре Blue Brain. Данная история - пример запутанных и засекреченных отношений ИИ, бизнеса и национальных стратегических задач.)

2. Mycin – одна из ранних экспертных систем, которая могла диагностировать небольшой набор заболеваний, причем часто так же точно, как и доктора.

3. 20q – проект, основанный на идеях ИИ, по мотивам классической игры «20 вопросов». Стал очень популярен после появления в Интернете на сайте 20q.net.

4. Распознавание речи. Системы такие как ViaVoice способны обслуживать потребителей.

5. Роботы в ежегодном турнире RoboCup соревнуются в упрощённой форме футбола.

Банки применяют системы искусственного интеллекта (СИИ) в страховой деятельности (актуарная математика) при игре на бирже и управлении собственностью. В августе 2001 года роботы выиграли у людей в импровизированном соревновании по трейдингу (BBC News, 2001). Методы распознавания образов, (включая, как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности.

Разработчики компьютерных игр вынуждены применять ИИ той или иной степени проработанности. Стандартными задачами ИИ в играх являются нахождение пути в двухмерном или трёхмерном пространстве, имитация поведения боевой единицы, расчёт верной экономической стратегии и так далее.

Искусственный интеллект тесно связан с трансгуманизмом. А вместе с нейрофизиологией, эпистемологией когнитивной психологией он образует более общую науку, называемую когнитивистикой. Отдельную роль в искусственном интеллекте играет философия. Также, с проблемами искусственного интеллекта тесно связана эпистемология - наука о знании в рамках философии. Философы, занимающиеся данной проблематикой, решают вопросы, схожие с теми, которые решаются инженерами ИИ о том, как лучше представлять и использовать знания и информацию. Производство знаний из данных - одна из базовых проблем интеллектуального анализа данных. Существуют различные подходы к решению этой проблемы, в том числе - на основе нейросетевой технологии, использующие процедуры вербализации нейронных сетей.

В информатике проблемы искусственного интеллекта рассматриваются с позиций проектирования экспертных систем и баз знаний. Под базами знаний понимается совокупность данных и правил вывода, допускающих логический вывод и осмысленную обработку информации. В целом исследования проблем искусственного интеллекта в информатике направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы подготовки пользователей и разработчиков таких систем.

Наука «о создании искусственного разума» не могла не привлечь внимание философов. С появлением первых интеллектуальных систем были затронуты фундаментальные вопросы о человеке и знании, а отчасти о мироустройстве. С одной стороны, они неразрывно связаны с этой наукой, а с другой - привносят в неё некоторый хаос. Философские проблемы создания искусственного интеллекта можно разделить на две группы, условно говоря, «до и после разработки ИИ». Первая группа отвечает на вопрос: «Что такое ИИ, возможно ли его создание, и, если возможно, то как это сделать?» Вторая группа (этика искусственного интеллекта) задаётся вопросом: «Каковы последствия создания ИИ для человечества?»

Вопросы создания искусственного интеллекта. Просматриваются два направления развития ИИ: первое - решении проблем, связанных с приближением специализированных систем ИИ к возможностям человека, и их интеграции, которая реализована природой человека, второе - в создании Искусственного Разума, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества.

Среди исследователей ИИ до сих пор не существует какой-либо доминирующей точки зрения на критерии интеллектуальности, систематизацию решаемых целей и задач, нет даже строгого определения науки. Существуют разные точки зрения на вопрос, что считать интеллектом. Аналитический подход предполагает анализ высшей нервной деятельности человека до низшего, неделимого уровня (функция высшей нервной деятельности, элементарная реакция на внешние раздражители (стимулы), раздражение синапсов совокупности связанных функцией нейронов) и последующее воспроизведение этих функций.

Некоторые специалисты за интеллект принимают способность рационального, мотивированного выбора, в условиях недостатка информации. То есть интеллектуальной просто считается та программа деятельности, которая сможет выбрать из определённого множества альтернатив, например, куда идти в случае «налево пойдёшь…», «направо пойдёшь…», «прямо пойдёшь…».

Наиболее горячие споры в философии искусственного интеллекта вызывает вопрос возможности мышления творения человеческих рук. Вопрос «Может ли машина мыслить?», который подтолкнул исследователей к созданию науки о моделировании человеческого разума, был поставлен Аланом Тьюрингом в 1950 году. Две основных точки зрения на этот вопрос носят названия гипотез сильного и слабого искусственного интеллекта.

Термин «сильный искусственный интеллект» ввел Джон Сёрль, его же словами подход и характеризуется: «Такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом, в том же смысле, в котором человеческий разум - это разум». Напротив, сторонники слабого ИИ предпочитают рассматривать программы лишь как инструмент, позволяющий решать те или иные задачи, которые не требуют полного спектра человеческих познавательных способностей.

Мысленный эксперимент «Китайская комната» Джона Сёрля - аргумент в пользу того, что прохождение теста Тьюринга не является критерием наличия у машины подлинного процесса мышления. Мышление есть процесс обработки находящейся в памяти информации: анализ, синтез и самопрограммирование. Аналогичную позицию занимает и Роджер Пенроуз, который в своей книге «Новый ум короля» аргументирует невозможность получения процесса мышления на основе формальных систем.

6. Вычислительные устройства и микропроцессоры.

Микропроцессор (МП) – это устройство, которое осуществляет прием, об­работку и выдачу информации. Конструктивно МП содержит одну или несколько интегральных схем и выполняет действия, определенные программой, записанной в памяти.(рис. 6.1)

Рисунок 6.1 – Внешний вид МП

Ранние процессоры создавались в виде уникальных составных частей для единственных в своём роде компьютерных систем. Позднее от дорогостоящего способа разработки процессоров, предназначенных для выполнения одной единственной или нескольких узкоспециализированных программ, производители компьютеров перешли к серийному изготовлению типовых классов многоцелевых процессорных устройств. Тенденция к стандартизации компьютерных комплектующих зародилась в эпоху бурного развития полупроводниковых элементов, мейнфреймов и миникомпьютеров, а с появлением интегральных схем она стала ещё более популярной. Создание микросхем позволило ещё больше увеличить сложность ЦП с одновременным уменьшением их физических размеров.

Стандартизация и миниатюризация процессоров привели к глубокому проникновению основанных на них цифровых устройств в повседневную жизнь человека. Современные процессоры можно найти не только в таких высокотехнологичных устройствах, как компьютеры, но и в автомобилях, калькуляторах, мобильных телефонах и даже в детских игрушках. Чаще всего они представлены микроконтроллерами, где помимо вычислительного устройства на кристалле расположены дополнительные компоненты (память программ и данных, интерфейсы, порты ввода/вывода, таймеры, и др.). Вычислительные возможности микроконтроллера сравнимы с процессорами персональных ЭВМ десятилетней давности, а чаще даже значительно превосходят их показатели.

Микропроцессорная система (МПС) – это вычислительная, контрольно-измерительная или управляющая система, основным устройством обработки информации в которой является МП. Микропроцессорная система строится из набора микропроцессорных БИС (рис. 6.2).

Рисунок 6.2 – Пример микропроцессорной системы

Генератор тактовых импульсов задаёт временной интервал, который является единицей измерения (квантом) продолжительности выполнения команды. Чем выше частота, тем при прочих равных условиях более быстродействующей является МПС. МП, ОЗУ и ПЗУ - это неотъемлемые части системы. Интерфейсы ввода и вывода - устройства сопряжения МПС с блоками ввода и вывода информации. Для измерительных приборов характерны устройства ввода в виде кнопочного пульта и измерительных преобразователей (АЦП, датчиков, блоки ввода цифровой информации). Устройства вывода обычно представляют цифровые табло, графический экран (дисплей), внешние устройства сопряжения с измерительной системой. Все блоки МПС связаны между собой шинами передачи цифровой информации. В МПС используют магистральный принцип связи, при котором блоки обмениваются информацией по единой шине данных. Количество линий в шине данных обычно соответствует разрядности МПС (количеству бит в слове данных). Шина адреса применяется для указания направления передачи данных - по ней передаётся адрес ячейки памяти или блока ввода-вывода, которые получают или передают информацию в данный момент. Шина управления служит для передачи сигналов, синхронизирующих всю работу МПС.

В основу построения МПС положены три принципа:

Магистральность;

Модульность;

Микропрограммное управление.

Принцип магистральности – определяет характер связей между функциональными блоками МПС – все блоки соединяются с единой системной шиной.

Принцип модульности состоит в том, что система строится на основе ограниченного количества типов конструктивно и функционально законченных модулей.

Принципы магистральности и модульности позволяют наращивать управляющие и вычислительные возможности МП путем подсоединения других модулей к системной шине.

Принцип микропрограммного управления заключается в возможности осуществления элементарных операций - микрокоманд (сдвигов, пересылок информации, логических операций), с помощью которых создается технологический язык, т. е. набор команд, максимально соответствующий назначению системы.

По назначению МП разделяют на универсальные и специализированные.

Универсальными микропроцессорами являются МП общего назначения, кото­рые решают широкий класс задач вычисления, обработки и управления. Примером использования универсальных МП являются компьютеры, построенные на IBM и Macintosh платформах.

Специализированные микропроцессоры предназначены для решения задач лишь определенного класса. К специализированным МП относятся: сигнальные, мультимедийные МП и транспьютеры.

Сигнальные процессоры (DSP) предназначены для цифровой обработки сигналов в реальном масштабе времени (например, для фильтрации сигналов, вычис­ления свертки, вычисления корреляционной функции, ограничения и пре­образования сигнала, выполнения прямого и обратного преобразования Фурье). (рисунок 6.3) К сигнальным процесорам относятся процессоры компаний Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx и DSP9600x.

Рисунок 6.3 – Пример внутренней структуры DSP

Медийные и мультимедийные процессоры предназначены для обработки аудиосигналов, графической информации, видеоизображений, а также для решения ряда задач в мультимедиакомпьютерах, игровых приставках, бытовой технике. К таковым процессорам относятся процессоры компаний MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Reserch - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.

Транспьютеры предназначены для организации массовых параллельных вычислений и работы в мультипроцессорных системах. Для них характер­ным является наличие внутренней памяти и встроенного межпроцессорного интерфейса, т. е. каналов связи с другими БИС МП.

По типу архитектуры, или принципу построения, различают МП с фоннеймановской и МП с гарвардской архитектурой.

Понятие архитектуры микропроцессора определяет его составные части, а также связи и взаимодействие между ними.

Архитектура включает:

Структурную схему МП;

Программную модель МП (описание функций регистров);

Информацию об организации памяти (емкость и способы адресации памяти);

Описание организации процедур ввода/вывода.

Фоннеймановскую архитектуру (рис. 6.4, а) предложил в 1945 году американский математик Джо фон Нейман. Ее особенностью является то, что программа и данные находятся в общей памяти, доступ к которой осуществляется по одной шине данных и команд.

Гарвардская архитектура впервые была реализована в 1944 году в релейной вычислительной машине Гарвардского университета (США). Особенностью этой архитектуры является то, что память данных и память программ раз­делены и имеют отдельные шину данных и шину команд (рис. 6.4, б), что позволяет повысить быстродействие МП системы.

Рисунок 6.4. Основные типы архитектур: (а - фоннеймановская; 6 - гарвардская)

По типу системы команд различают CISC-процессоры (Complete Instruction Set Computing) с полным набором команд (типичными представителями CISC является семейство микропроцессоров Intel x86) и RISC-процессоры (Reduced Instruction Set Computing) с сокращенным набором команд (характеризуется наличием команд фиксированной длины, большого количества регистров, операций типа регистр-регистр, а также отсутствием косвенной адресации).

Однокристальный микроконтроллер (MCU) – микросхема, предназначенная для управления электронными устройствами (рисунок 5). Типичный микроконтроллер сочетает в себе функции процессора и периферийных устройств, может содержать ОЗУ и ПЗУ. По сути, это однокристальный компьютер, способный выполнять простые задачи. Использование одной микросхемы, вместо целого набора значительно снижает размеры, энергопотребление и стоимость устройств, созданных на базе микроконтроллеров.

Рисунок 6.5 – примеры исполнения микроконтроллеров

Микроконтроллеры являются основой для построения встраиваемых систем, их можно встретить во многих современных приборах, таких, как телефоны, стиральные машины и т. п. Бо́льшая часть выпускаемых в мире процессоров - микроконтроллеры.

На сегодняшний день популярностью у разработчиков пользуются 8-битные микроконтроллеры, совместимые с i8051 фирмы Intel, микроконтроллеры PIC фирмы Microchip Technology и AVR фирмы Atmel, шестнадцатибитные MSP430 фирмы TI, а также ARM, архитектуру которых разрабатывает фирма ARM и продаёт лицензии другим фирмам для их производства.

При проектировании микроконтроллеров приходится соблюдать баланс между размерами и стоимостью с одной стороны и гибкостью и производительностью с другой. Для разных приложений оптимальное соотношение этих и других параметров может различаться очень сильно. Поэтому существует огромное количество типов микроконтроллеров, отличающихся архитектурой процессорного модуля, размером и типом встроенной памяти, набором периферийных устройств, типом корпуса и т. д.

Неполный список периферии, которая может присутствовать в микроконтроллерах, включает в себя:

Универсальные цифровые порты, которые можно настраивать на ввод или вывод;

Различные интерфейсы ввода-вывода, такие как UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Аналого-цифровые и цифро-аналоговые преобразователи;

Компараторы;

Широтно-импульсные модуляторы;

Таймеры, встроенный тактовый генератор и сторожевой таймер;

Контроллеры бесколлекторных двигателей;

Контроллеры дисплеев и клавиатур;

Радиочастотные приемники и передатчики;

Массивы встроенной флэш-памяти.

Искусственный интеллект ИИ (artificial intelligence) обычно трактуется как свойство автоматических систем брать на себя отдельные функции мыслительной способности человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Речь идет, в первую очередь, о системах, в основу которых положены принципы обучения, самоорганизации и эволюции при минимальном участии человека, но привлечении его в качестве учителя и партнёра, гармоничного элемента человеко-машинной системы.

Естественно, что попытки создать ИИ на базе компьютеров начались на заре развития компьютерной техники. Тогда господствовала компьютерная парадигма, ключевыми тезисами которой утверждалось, что машина Тьюринга является теоретической моделью мозга, а компьютер - реализацией универсальной машины и любой информационный процесс может быть воспроизведён на компьютере. Такая парадигма была доминирующей долгое время, принесла много интересных результатов, но главной задачи - построения ИИ в смысле моделирования мышления человека, так и не достигла. Компьютерная парадигма создания ИИ, потерпевшая крах в связи с неправильным набором ключевых предпосылок, логично трансформировалась в нейроинформатику, развивающую некомпьютерный подход к моделированию интеллектуальных процессов. Человеческий мозг, оперирующий с нерасчленённой информацией, оказался значительно сложнее машины Тьюринга. Каждая человеческая мысль имеет свой контекст, вне которого она бессмысленна, знания хранятся в форме образов, которые характеризуются нечёткостью, размытостью, система образов слабо чувствительна к противоречиям. Система хранения знаний человека характеризуется высокой надёжностью вследствие распределённого хранения знаний, а оперирование с информацией характеризуется большой глубиной и высоким параллелизмом.

Переработка информации в любых интеллектуальных системах основывается на использовании фундаментального процесса - обучения. Образы обладают характерными объективными свойствами в том смысле, что разные распознающие системы, обучающиеся на различном материале наблюдений, большей частью одинаково и независимо друг от друга классифицируют одни и те же объекты. Именно эта объективность образов позволяет людям всего мира понимать друг друга. Обучением обычно называют процесс выработки в некоторой системе специфической реакции на группы внешних идентичных сигналов путем многократного воздействия на распознающую систему сигналов внешней корректировки. Механизм генерации этой корректировки, которая чаще всего имеет смысл поощрения и наказания, практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе не сообщается.

Интеллектуальные информационные системы могут использовать "библиотеки" самых различных методов и алгоритмов, реализующих разные подходы к процессам обучения, самоорганизации и эволюции при синтезе систем ИИ. Поскольку к настоящему времени нет ни обобщающей теории искусственного интеллекта, ни работающего образца полнофункциональной ИИ-модели, то нельзя сказать, какой из этих подходов является правильным, а какой ошибочным: скорее всего они способны гармонично дополнять друг друга. Подробнее о проблемах искусственного интеллекта можно узнать на сайтах www.ccas.ru и www.iseu.by/rus/educ/envmon.

Искусственный интеллект реализуется с использованием четырех подходов (с трудом удержимся, чтобы не произнести модное "парадигм"): логического, эволюционного, имитационного и структурного. Все эти четыре направления развиваются параллельно, часто взаимно переплетаясь.

Основой для логического подхода служит булева алгебра и ее логические операторы (в первую очередь, знакомый всем оператор IF ["если"]). Свое дальнейшее развитие булева алгебра получила в виде исчисления предикатов, в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода - как отношения между ними.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных. Примером практической реализации логических методов являются деревья решений, которые реализуют в концентрированном виде процесс "обучения" или синтеза решающего правила.

Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. После основополагающих работ Л. Заде термин fuzzy (англ. нечеткий, размытый) стал ключевым словом. В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на более высоком уровне абстракции, при котором постулируется лишь минимальный набор закономерностей. Например, правдивость логического высказывания может принимать в нечетких системах, кроме обычных "да / нет" (1/0), еще и промежуточные значения: "не знаю" (0.5), "пациент скорее жив, чем мертв" (0.75), "пациент скорее мертв, чем жив" (0.25) и т.д. Данный подход больше похож на мышление человека, который редко отвечает на вопросы только "да" или "нет". Теоретические основы и прикладные аспекты интеллектуальных систем оценивания и прогнозирования в условиях неопределенности, основанные на теории нечетких множеств, подробно изложены в литературных источниках [Аверкин с соавт, 1986; Борисов с соавт., 1989; Нетрадиционные модели.., 1991; Васильев, Ильясов, 1995].

Под термином "самоорганизация" понимается по мнению Ивахненко "процесс самопроизвольного (спонтанного) увеличения порядка, или организации в системе, состоящей из многих элементов, происходящий под действием внешней среды".

Принципы самоорганизации были предметом исследования многих выдающихся ученых: Дж. фон Неймана, Н. Винера, У.Р. Эшби и др. Большой вклад в развитие этого направления внесли работы украинских кибернетиков под руководством А.Г. Ивахненко, разработавших целый класс адаптивных самоорганизующихся моделей (англ. selforganisation models), который можно было бы назвать "интеллектуальным обобщением" эмпирико-статистических методов.

Можно отметить следующие принципы самоорганизации математических моделей:

• - принцип неокончательных решений (предложен Д. Габором и заключается в необходимости сохранения достаточной "свободы выбора" нескольких лучших решений на каждом шаге самоорганизации),
• - принцип внешнего дополнения (базируется на теореме К. Геделя и заключается в том, что только внешние критерии, основанные на новой информации, позволяют синтезировать истинную модель объекта, скрытую в зашумленных экспериментальных данных);
• - принцип массовой селекции (предложен А.Г. Ивахненко и указывает наиболее целесообразный путь постепенного усложнения самоорганизующейся модели, с тем чтобы критерий ее качества проходил через свой минимум).

Для возникновения самоорганизации необходимо иметь исходную структуру, механизм случайных ее мутаций и критерии отбора, благодаря которому мутация оценивается с точки зрения полезности для улучшения качества системы. Т.е. при построении этих систем ИИ исследователь задает только исходную организацию и список переменных, а также критерии качества, формализующие цель оптимизации, и правила, по которым модель может изменяться (самоорганизовываться или эволюционировать). Причем сама модель может принадлежать самым различным типам: линейная или нелинейная регрессия, набор логических правил или любая другая модель.

Самоорганизующиеся модели служат, в основном, для прогнозирования поведения и структуры экосистем, так как по самой логике их построения участие исследователя в этом процессе сведено к минимуму. Можно привести ряд конкретных примеров использования алгоритмов МГУА: для долгосрочных прогнозов экологической системы оз. Байкал, моделирования геоботанических описаний; системы "хищник-жертва", прироста деревьев, прогнозирования токсикологических показателей поллютантов, оценки динамики численности сообществ зоопланктона.

В математической кибернетике различают два вида итеративных процессов развития систем:

• - адаптация, при которой экстремум (цель движения системы) остается постоянной;
• - эволюция, при которой движение сопровождается изменением и положения экстремума.

Если самоорганизация связана только с адаптационными механизмами подстройки реакций системы (например, изменением значений весовых коэффициентов), то понятие эволюции связано с возможностью эффектора (термин, введенный С. Лемом) изменять свою собственную структуру, т.е. количество элементов, направленность и интенсивность связей, настраивая их оптимальным образом относительно поставленных задач в каждый конкретный момент времени. В процессе эволюции в условиях сложной и меняющейся среды эффектор способен приобрести принципиально новые качества, выйти на следующую ступень развития. Например, в процессе биологической эволюции возникли чрезвычайно сложные и вместе с тем удивительно продуктивно функционирующие живые организмы.

Эволюционное моделирование представляет собой существенно универсальный способ построения прогнозов макросостояний системы в условиях, когда полностью отсутствует апостериорная информация, а априорные данные задают лишь предысторию этих состояний. Общая схема алгоритма эволюции выглядит следующим образом:

• - задается исходная организация системы (в эволюционном моделировании в этом качестве может фигурировать, например, конечный детерминированный автомат Мили);
• - проводят случайные "мутации", т.е. изменяют случайным образом текущий конечный автомат;
• - отбирают для дальнейшего "развития" ту организацию (тот автомат), которая является "лучшей" в смысле некоторого критерия, например, максимальной точности предсказания последовательности значений макросостояний экосистемы.

Критерий качества модели в этом случае мало чем отличается, например, от минимума среднеквадратической ошибки на обучающей последовательности метода наименьших квадратов (со всеми вытекающими отсюда недостатками). Однако, в отличии от адаптации, в эволюционном программировании структура решающего устройства мало меняется при переходе от одной мутации к другой, т.е. не происходит перераспределения вероятностей, которые бы закрепляли мутации, приведшие к успеху на предыдущем шаге. Поиск оптимальной структуры происходит в большей степени случайным и нецеленаправленным, что затягивает процесс поиска, но обеспечивает наилучшее приспособление к конкретным изменяющимся условиям.

Под структурным подходом подразумеваются попытки построения систем ИИ путем моделирования структуры человеческого мозга. В последние десять лет впечатляет феномен взрыва интереса к структурным методам самоорганизации - нейросетевому моделированию, которое успешно применяется в самых различных областях - бизнесе, медицине, технике, геологии, физике, т.е. везде, где нужно решать задачи прогнозирования, классификации или управления.

Способность нейронной сети к обучению впервые была исследована Дж. Маккалоком и У. Питтом, когда в 1943 г. вышла их работа "Логическое исчисление идей, относящихся к нервной деятельности". В ней была представлена модель нейрона и сформулированы принципы построения искусственных нейронных сетей.

Крупный толчок развитию нейрокибернетики дал американский нейрофизиолог Ф. Розенблатт, предложивший в 1962 г. свою модель нейронной сети - персептрон. Воспринятый первоначально с большим энтузиазмом, персептрон вскоре подвергся интенсивным нападкам со стороны крупных научных авторитетов. И, хотя подробный анализ их аргументов показывает, что они оспаривали не совсем тот персептрон, который предлагал Розенблатт, крупные исследования по нейронным сетям были свернуты почти на 10 лет.

Другой важный класс нейронных систем был введен в рассмотрение финном Т. Кохоненом. У этого класса красивое название: "самоорганизующиеся отображения состояний, сохраняющие топологию сенсорного пространства". Теория Кохонена активно использует теорию адаптивных систем, которую развивал на протяжении многих лет академик РАН Я.З. Цыпкин.

Весьма популярна сейчас во всем мире оценка возможностей обучающихся систем, в частности, нейронных сетей, основанная на теории размерности, созданной в 1966 г. советскими математиками В.Н. Вапником и А.Я. Червоненкисом. Еще один класс нейроподобных моделей представляют сети с обратным распространением ошибок, в развитии современных модификаций которых ведущую роль сыграл проф. А.Н. Горбань и возглавляемая им красноярская школа нейроинформатики. Большую научную и популяризаторскую работу проводит Российская ассоциации нейроинформатики под руководством президента В.Л. Дунина-Барковского.

В основе всего нейросетевого подхода лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов - формальных нейронов. Эти нейроны функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации. Ядром нейросетевых представлений является идея о том, что каждый отдельный нейрон можно моделировать довольно простыми функциями, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Предельным выражением этой точки зрения может служить лозунг: "структура связей - все, свойства элементов - ничто".

Нейронные сети (НС) - очень мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, нелинейные по свой природе. Как правило, нейронная сеть используется тогда, когда неизвестны предположения о виде связей между входами и выходами (хотя, конечно, от пользователя требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты).

На вход нейронной сети подаются представительные данные и запускается алгоритм обучения, который автоматически анализирует структуру данных и генерирует зависимость между входом и выходом. Для обучения НС применяются алгоритмы двух типов: управляемое ("обучение с учителем") и неуправляемое ("без учителя").

Простейшая сеть имеет структуру многослойного персептрона с прямой передачей сигнала (см. рис. 3), которая характеризуется наиболее устойчивым поведением. Входной слой служит для ввода значений исходных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из скрытых и выходных нейронов, как правило, соединен со всеми элементами предыдущего слоя (для большинства вариантов сети полная система связей является предпочтительной). В узлах сети активный нейрон вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуется с помощью функции активации (или передаточной функции), и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов последнего слоя принимаются за выход всей сети в целом.

Рис. 3.

Наряду с моделью многослойного персептрона, позднее возникли и другие модели нейронных сетей, различающихся по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов можно назвать НС с обратным распространением ошибки, основанные на радиальных базисных функциях, обобщенно-регрессионные сети, НС Хопфилда и Хэмминга, самоорганизующиеся карты Кохонена, стохастические нейронные сети и т.д. Существуют работы по рекуррентным сетям (т.е. содержащим обратные связи, ведущие назад от более дальних к более ближним нейронам), которые могут иметь очень сложную динамику поведения. Начинают эффективно использоваться самоорганизующиеся (растущие или эволюционирующие) нейронные сети, которые во многих случаях оказываются более предпочтительными, чем традиционные полносвязные НС.

Для моделей, построенных по мотивам человеческого мозга, характерны как легкое распараллеливание алгоритмов и связанная с этим высокая производительность, так и не слишком большая выразительность представленных результатов, не способствующая извлечению новых знаний о моделируемой среде. Поэтому основное назначение нейросетевых моделей, - прогнозирование.

Важным условием применения НС, как и любых статистических методов, является объективно существующая связь между известными входными значениями и неизвестным откликом. Эта связь может носить случайный характер, искажена шумом, но она должна существовать. Это объясняется, во-первых, тем, что итерационные алгоритмы направленного перебора комбинаций параметров нейросети оказываются весьма эффективными и очень быстрыми лишь при хорошем качестве исходных данных. Однако, если это условие не соблюдается, число итераций быстро растет и вычислительная сложность оказывается сопоставимой с экспоненциальной сложностью алгоритмов полного перебора возможных состояний. Во-вторых, сеть склонна обучаться прежде всего тому, чему проще всего обучиться, а, в условиях сильной неопределенности и зашумленности признаков, это - прежде всего артефакты и явления "ложной корреляции".

Отбор информативных переменных в традиционной регрессии и таксономии осуществляют путем "взвешивания" признаков с использованием различных статистических критериев и пошаговых процедур, основанных, в той или иной форме, на анализе коэффициентов частных корреляций или ковариаций. Для этих целей используют различные секвенциальные (последовательные) процедуры, не всегда приводящие к результату, достаточно близкому к оптимальному. Эффективный автоматизированный подход к выбору значимых входных переменных может быть реализован с использованием генетического алгоритма.

В связи с этим, в общей схеме статистического моделирования методами ИИ рекомендуется последовательное выполнение двух разных процедур:

• - с помощью эволюционных методов в бинарном пространстве признаков ищется такая минимальная комбинация переменных, которая обеспечивает незначительную потерю информации в исходных данных,
• - полученная на предыдущем этапе минимизированная матрица данных подается на вход нейронной сети для обучения.