Karta primjene tehnologija umjetne inteligencije: medicina, obrazovanje, promet i druga područja. Nosov N.Yu., Sokolov M.D. Trendovi razvoja umjetne inteligencije

Vjerojatno ste čuli za robota koji dolazi i daje vam limenku Cole kada mu kažete da ste žedni. Također ste vjerojatno čuli za sustav za prepoznavanje govora koji kontrolira vaš Kućanski aparati? Vjerojatno ste čuli za simulatore zrakoplova koji mogu pomoći u rekreaciji stvarnog letnog okruženja zrakoplova?

Godine 1956. svjetski poznati američki znanstvenik John McCarthy skovao je pojam koji je u središtu svih ovih i mnogih drugih mogućnosti. Izraz koji je on skovao bio je "umjetna inteligencija". Umjetna inteligencija, ili skraćeno AI, znanost je i inženjering koji radi na stvaranju inteligentnih strojeva, kao i inteligentnih računalnih programa, koji su sposobni reagirati poput ljudi. Odnosno, stvaranje takvih strojeva sposobnih osjetiti svijet oko sebe, razumjeti razgovore i donositi odluke slične ljudskim izborima. Umjetna inteligencija nam je dala sve od skenera do robota u stvarnom životu.

Danas se područje umjetne inteligencije može opisati kao juha kognitivne informatike, psihologije, lingvistike i matematike koja čeka bljesak munje - pokušaj udruživanja napora istraživača i resursa, razvoj novih pristupa, korištenje svjetskih repozitorija znanje za stvaranje iskre, takve da će stvoriti nova uniformaživot.

U području umjetne inteligencije njegujemo dječji stroj od djetinjstva do odrasle dobi na način da stvaramo potpuno nove pristupe strojnom učenju.

Grane umjetne inteligencije

John McCarthy identificirao je neke od grana umjetne inteligencije koje su opisane u nastavku. Također je istaknuo da nekoliko njih tek treba identificirati.

Logika umjetne inteligencije: AI program mora biti svjestan činjenica i situacija.

Prepoznavanje uzorka: Kada program napravi opažanje, obično je programiran da prepozna i uskladi uzorak. Na primjer, sustav za prepoznavanje govora ili sustav za prepoznavanje lica.

Izvođenje: Mora postojati način da se činjenice o svijetu predstave AI uređaju. Za reprezentaciju se koristi matematički jezik.

Zaključak: zaključivanje omogućuje izdvajanje novih činjenica iz postojećih činjenica. Iz nekih činjenica mogu se zaključiti druge.

Planiranje: program planiranja počinje činjenicama i izjavom o svrsi. Iz njih program generira strategiju za postizanje cilja.

Dostupnost Zdrav razum i Rasuđivanje- Ovo aktivno područje istraživanja i proučavanja umjetne inteligencije nastalo je 1950-ih, no rezultat je još uvijek daleko od ljudske razine.

Epistemologija– to je sposobnost uređaja da uči i stječe znanje. Omogućuje vam proučavanje vrsta znanja potrebnih za određenu vrstu zadatka.

Heuristički je način da pokušate pronaći ideju ugrađenu u program.

Genetsko programiranje– automatska izrada LISP (List Processing) programa koji vam omogućuje rješavanje problema.

Alati koji se koriste za rješavanje složenih problema u stvaranju umjetne inteligencije

Tijekom proteklih šest desetljeća razvijeni su različiti alati za rješavanje složenih problema na terenu informatika. Neki od njih su:

Pretraga i optimizacija

Većina problema u AI može se riješiti teoretski inteligentnim traženjem mogućih rješenja. Ali jednostavno iscrpno pretraživanje rijetko je korisno ili dovoljno za većinu problema iz stvarnog svijeta. 1990-ih god. različite vrste postale su popularne tražilice koje su se temeljile na optimizaciji. Za većinu problema možete pogoditi i zatim pročistiti svoj upit. Različiti algoritmi za optimizaciju napisani su kao pomoć u procesu pretraživanja.

Logike

Logika omogućuje proučavanje argumenata. U umjetnoj inteligenciji koristi se za predstavljanje znanja i također za rješavanje problema. U istraživanju umjetne inteligencije koriste se različite vrste logike. Logika prvog reda koristi kvantifikatore i predikate te pomaže u predstavljanju činjenica i njihovih svojstava. Neizrazita logika je vrsta logike prvog reda koja omogućuje pronalaženje istinitosti izjave koja će biti predstavljena kao 1 (točno) ili 0 (netočno).

Teorija vjerojatnosti

Vjerojatnost je način izražavanja znanja. Ovom konceptu je dano matematičko značenje u teoriji vjerojatnosti, koja se naširoko koristi u umjetnoj inteligenciji.

Umjetna inteligencija i njezine primjene

Umjetna inteligencija trenutno se koristi u širokom rasponu područja, uključujući modeliranje, robotiku, prepoznavanje govora, financije i dionice, medicinsku dijagnostiku, zrakoplovstvo, sigurnost, igre itd.

Pogledajmo pobliže neka od područja:

Igre Sfera: Postoje strojevi na kojima se može igrati šah profesionalna razina. AI je također primjenjiv na razne video igre.

Prepoznavanje govora: Računala i roboti koji razumiju jezik na ljudskoj razini imaju ugrađenu umjetnu inteligenciju.

Simulatori: Manekenstvo je imitacija neke prave stvari. Koristi se u mnogim kontekstima, od videoigara do zrakoplovstva. Simulatori uključuju simulatore leta za pilote koji se pripremaju za upravljanje "zračnim brodom".

Robotika: Roboti su postali uobičajena pojava u mnogim industrijama jer su se pokazali učinkovitijima od ljudi, posebno u poslovima koji se ponavljaju gdje ljudi gube koncentraciju.

Financije: Banke i druge financijske institucije oslanjaju se na inteligentni softver koji pruža točnu analizu podataka i pomaže u predviđanju na temelju tih podataka.

Lijek: Sustavi umjetne inteligencije koriste se u bolnicama za upravljanje rasporedom pacijenata, osiguranje rotacije osoblja i pružanje medicinskih informacija. Umjetna neuronska mreža, koja je matematički model inspiriran strukturom i/ili funkcionalni aspekti biološke neuronske mreže, pomaže u medicini pri određivanju dijagnoze.

Umjetna inteligencija nalazi primjenu u raznim područjima i primjenama. Sigurnosni sustavi, sustavi za prepoznavanje teksta i govora, rudarenje podataka, filtriranje neželjene e-pošte i veliki broj drugih primjera. Britanska telekomunikacijska grupa koristila je heurističko pretraživanje u aplikaciji za raspoređivanje koja planira rad više od dvadeset tisuća inženjera. AI je također pronašao svoj put u industriju kamionskog prijevoza, gdje su razvijeni neizraziti logički kontroleri za automatske mjenjače u automobilima.

Izazovi s kojima se susreću kreatori umjetne inteligencije

Tijekom proteklih šest desetljeća znanstvenici su aktivno radili na imitiranju ljudske inteligencije, no rast je usporen zbog mnogih izazova u simulaciji umjetne inteligencije. Neki od tih problema su:

Baza znanja: broj činjenica koje osoba zna jednostavno je prevelik. Priprema baze podataka koja će sadržavati svo znanje ovoga svijeta je dugotrajan posao.

Dedukcija, zaključivanje i rješavanje problema: AI mora rješavati svaki problem korak po korak. Tipično, ljudi rješavaju probleme na temelju intuitivnih prosudbi, a zatim stvaraju akcijski plan, program. Umjetna inteligencija sporo napreduje u oponašanju ljudske metode rješavanja problema.

Obrada prirodnog jezika: Prirodni jezik je jezik kojim ljudi govore. Jedan od glavnih izazova s kojima se AI suočava je prepoznavanje i razumijevanje onoga što ljudi govore.

Planiranje: Planiranje samo ograničava ljude jer mogu razmišljati. Sposobnost planiranja i razmišljanja poput čovjeka neophodna je za inteligentne agente. Poput ljudi, moraju moći vizualizirati budućnost.

Pozitivni aspekti korištenja AI

Male primjene umjetne inteligencije već možemo vidjeti u našim domovima. Na primjer, pametni TV, pametni hladnjak itd. U budućnosti će umjetna inteligencija biti prisutna u svakom domu. Umjetna inteligencija s nanotehnologijom ili drugim tehnologijama može dovesti do pojave novih industrija u području znanosti. Zasigurno će razvoj umjetne inteligencije dovesti do toga da ona postane dio našeg Svakidašnjica. Na nekim radnim mjestima ljude već zamjenjuju roboti. U vojnoj industriji umjetna inteligencija omogućit će stvaranje raznih suvremenih oružja, poput robota, koji će smanjiti smrtnost u slučaju ratova.

Negativni aspekti korištenja AI

Iako umjetna inteligencija ima mnoge prednosti, postoje i mnogi nedostaci.
Za više osnovna razina, korištenje umjetne inteligencije u svakodnevnim poslovima može dovesti do lijenosti kod ljudi, a to može dovesti do degradacije većine ljudi.

Korištenje umjetne inteligencije i nanotehnologije u vojnoj industriji svakako ima puno pozitivnih strana, poput stvaranja idealnog zaštitnog štita od bilo kakvog napada, no postoji i mračna strana. Uz pomoć umjetne inteligencije i nanotehnologije moći ćemo stvoriti vrlo moćna i razorna oružja, a neoprezno korištenje može dovesti do nepovratnih posljedica.

Masovna uporaba umjetne inteligencije dovest će do smanjenja radnih mjesta za ljude.

Osim toga, brz tempo razvoja i primjene umjetne inteligencije i robotike mogao bi gurnuti Zemlju prema ekološkoj katastrofi. Čak i sada, rasipanje komponenata i ostalog elektronički uređaji nanose veliku štetu našem planetu.

Ako damo inteligenciju strojevima, oni će je moći maksimalno iskoristiti. Strojevi s inteligencijom postat će pametniji od svojih tvoraca i to može dovesti do ishoda koji je prikazan u seriji filmova Terminator.

Zaključak i buduća primjena

Umjetna inteligencija je područje u kojem se nastavljaju mnoga istraživanja. Umjetna inteligencija je grana računalne znanosti o razumijevanju prirode inteligencije i izgradnji računalnih sustava sposobnih za inteligentne radnje. Iako ljudi imaju inteligenciju, ne mogu je iskoristiti u najvećoj mogućoj mjeri. Strojevi će moći koristiti 100% svoje inteligencije ako im damo tu inteligenciju. Ovo je prednost, ali i nedostatak. Ovisimo o strojevima za gotovo svaku primjenu u životu. Strojevi su sada dio naših života i koriste se posvuda. Stoga bismo trebali znati više o strojevima i trebali bismo biti svjesni budućnosti što se može dogoditi ako im damo inteligenciju. Umjetna inteligencija ne može biti ni dobra ni loša. Mijenja se kako ga koristimo.

Od trenutka kada je umjetna inteligencija priznata kao znanstveno područje, a to se dogodilo sredinom 50-ih godina prošlog stoljeća, razvijači inteligentnih sustava morali su rješavati brojne probleme. Konvencionalno, svi se zadaci mogu podijeliti u nekoliko klasa: prepoznavanje i prevođenje ljudskog jezika, automatsko dokazivanje teorema, kreiranje programa igrica, prepoznavanje slika i strojna kreativnost. Razmotrimo ukratko bit svake klase problema.

Dokaz teorema.

Automatsko dokazivanje teorema je najstarija primjena umjetne inteligencije. U ovom su području provedena mnoga istraživanja koja su rezultirala pojavom formaliziranih algoritama pretraživanja i formalnih reprezentacijskih jezika, kao što su PROLOG - logički programski jezik i predikatnog računa.

Automatski dokazi teorema su atraktivni jer se temelje na općenitosti i strogosti logike. Logika u formalnom sustavu podrazumijeva mogućnost automatizacije, što znači da ako zamislite zadatak i vezano uz njega Dodatne informacije u obliku skupa logičkih aksioma, te posebnih slučajeva problema - kao teorema koji zahtijevaju dokaz, može se dobiti rješenje mnogih problema. Sustavi matematičkog opravdanja i automatskih dokaza teorema temelje se na ovom principu. Proteklih godina više puta se pokušavalo napisati program za automatsko dokazivanje teorema, ali nikada nije bilo moguće stvoriti sustav koji bi omogućio rješavanje problema samo jednom metodom. Bilo koji relativno složeni heuristički sustav mogao bi generirati mnoge dokazive teoreme koji su bili irelevantni, zbog čega bi ih programi morali dokazivati dok se ne otkrije ispravan. To je dovelo do uvjerenja da se s velikim prostorima može nositi samo putem neformalnih strategija skrojenih za specifične situacije. U praksi se ovaj pristup pokazao dosta plodotvornim i korišten je, zajedno s drugima, kao osnova za ekspertne sustave.

U isto vrijeme, zaključivanje temeljeno na formalnoj logici ne može se zanemariti. Formalizirani pristup omogućuje vam rješavanje mnogih problema. Konkretno, pomoću njega možete kontrolirati složene sustave, provjeriti ispravnost računalnih programa, dizajnirati i testirati logičke sklopove. Osim toga, istraživači automatskog dokazivanja teorema razvili su moćnu heuristiku koja se oslanja na procjenu sintaktičkog oblika logičkih izraza. Kao rezultat toga, postalo je moguće smanjiti razinu složenosti prostora pretraživanja bez pribjegavanja razvoju posebnih strategija.

Automatsko dokazivanje teorema zanimljivo je znanstvenicima i zato što se sustav može koristiti i za posebno složene probleme, iako ne bez ljudske intervencije. U današnje vrijeme programi često djeluju kao pomoćnici. Stručnjaci dijele zadatak na nekoliko podzadataka, a zatim osmišljavaju heuristiku kako bi sortirali moguće razloge. Program potom dokazuje leme, testira manje značajne pretpostavke i dodaje formalne aspekte ljudskog dokaza.

Prepoznavanje uzorka.

Prepoznavanje uzoraka je odabir bitnih značajki koje karakteriziraju izvorne podatke iz općeg skupa značajki i, na temelju primljenih informacija, dodjeljivanje podataka određenoj klasi.

Teorija prepoznavanja uzoraka grana je računalne znanosti čiji zadaci uključuju razvoj temelja i metoda za identificiranje i klasificiranje objekata (objekata, procesa, pojava, situacija, signala itd.), od kojih je svaki obdaren skupom određene znakove i svojstva. U praksi je potrebno vrlo često identificirati objekte. Tipična situacija je prepoznavanje boje semafora i odluka da li ovaj trenutak prijeći ulicu. Postoje i druga područja u kojima je nemoguće bez prepoznavanja objekata, na primjer, digitalizacija analognih signala, vojni poslovi, sigurnosni sustavi i tako dalje, tako da danas znanstvenici nastavljaju aktivno raditi na stvaranju sustava za prepoznavanje slike.

Rad se odvija u dva glavna smjera:

· Istraživanje, objašnjenje i modeliranje sposobnosti prepoznavanja svojstvenih živim bićima.
· Razvoj teorijskih i metodoloških temelja za izradu uređaja koji bi omogućili rješavanje pojedinačnih problema za primijenjene namjene.

Problemi prepoznavanja formulirani su matematičkim jezikom. Dok se teorija umjetnih neuronskih mreža temelji na dobivanju rezultata eksperimentima, formuliranje problema prepoznavanja uzoraka ne događa se na temelju eksperimenta, već na temelju matematičkih dokaza i logičkog zaključivanja.

Razmotrimo klasičnu formulaciju takvog problema. Postoje mnogi objekti u vezi s kojima bi se klasifikacija trebala provesti. Skup se sastoji od podskupova ili klasa. Zadano: informacije koje opisuju skup, informacije o klasama i opis jednog objekta bez naznake njegove pripadnosti određenoj klasi. Zadatak: na temelju dostupnih podataka odrediti kojem razredu predmet pripada.

Ako problemi sadrže jednobojne slike, mogu se smatrati funkcijama na ravnini. Funkcija će predstavljati formalni zapis slike iu svakoj točki izražavati određenu karakteristiku ove slike - optičku gustoću, prozirnost, svjetlinu itd. U ovom slučaju model skupa slike bit će skup funkcija na ravnini . Formulacija problema prepoznavanja ovisi o tome koje bi faze trebale slijediti nakon prepoznavanja.

Metode prepoznavanja uzoraka uključuju eksperimente F. Rosenblatta, koji je uveo koncept modela mozga. Svrha eksperimenta je pokazati kako nastaju psihološki fenomeni u fizičkom sustavu s poznatim funkcionalnim svojstvima i strukturom. Znanstvenik je opisao najjednostavnije eksperimente prepoznavanja, ali njihova je značajka nedeterministički algoritam rješenja.

Najjednostavniji eksperiment, na temelju kojeg se mogu dobiti psihološki značajne informacije o sustavu, je sljedeći: perceptronu se predoči slijed od dva različita podražaja, na svaki od njih on mora na neki način reagirati, a reakcija mora biti različit za različite podražaje. Ciljevi takvog eksperimenta mogu biti različiti. Eksperimentator se može suočiti sa zadatkom proučavanja mogućnosti spontane diskriminacije sustavom prezentiranih podražaja bez vanjske intervencije ili, obrnuto, proučavanjem mogućnosti prisilnog prepoznavanja. U drugom slučaju, eksperimentator trenira sustav za klasificiranje različitih objekata, kojih može biti više od dva. Iskustvo učenja odvija se na sljedeći način: perceptronu se prikazuju slike među kojima se nalaze predstavnici svih klasa koje treba prepoznati. Točan odgovor se pojačava u skladu s pravilima modifikacije pamćenja. Nakon toga, eksperimentator predstavlja kontrolni podražaj perceptronu i određuje vjerojatnost dobivanja dane reakcije za slike dane klase. Kontrolni podražaj može biti isti kao jedan od objekata prikazanih u nizu treninga ili različit od svih prikazanih objekata. Ovisno o tome postižu se sljedeći rezultati:

· Ako se kontrolni podražaj razlikuje od svih prethodno prikazanih podražaja treninga, tada se u eksperimentu osim čiste diskriminacije ispituju i elementi generalizacije.
· Ako kontrolni podražaj uzrokuje aktivaciju određene skupine senzornih elemenata koji se ne podudaraju ni s jednim od elemenata aktiviranih pod utjecajem podražaja iste klase koji su ranije predstavljeni, tada eksperiment ispituje čistu generalizaciju i ne uključuje studiju prepoznavanja.

Unatoč činjenici da perceptroni nisu sposobni za čistu generalizaciju, oni se zadovoljavajuće nose sa zadacima prepoznavanja, posebno u slučajevima kada se prikazuju slike za koje perceptron već ima određeno iskustvo.

Prepoznavanje ljudskog govora i strojno prevođenje.

Dugoročni ciljevi umjetne inteligencije uključuju stvaranje programa koji mogu prepoznati ljudski jezik i koristiti ga za konstruiranje smislenih fraza. Sposobnost razumijevanja i korištenja prirodnog jezika temeljna je značajka ljudske inteligencije. Uspješna automatizacija ove sposobnosti uvelike bi poboljšala učinkovitost računala. Mnogi su programi napisani za razumijevanje prirodnog jezika i uspješno su korišteni u ograničenim kontekstima, ali još uvijek nema sustava koji mogu koristiti prirodne jezike s istom općenitošću i fleksibilnošću kao što to rade ljudi. Činjenica je da se proces razumijevanja prirodnog jezika ne sastoji samo od jednostavnog rastavljanja rečenica na komponente i traženja značenja pojedinačnih riječi u rječnicima. Programi se uspješno nose s ovim zadatkom. Da biste koristili ljudski govor, potrebno vam je opsežno znanje o predmetu razgovora, o idiomima koji su s njim povezani, osim toga, potrebna vam je sposobnost razumijevanja dvosmislenosti, propusta, profesionalizma, žargona, kolokvijalnih izraza i još mnogo toga što je svojstveno normalnom ljudskom govoru .

Primjer je razgovor o nogometu, gdje se koriste riječi kao što su "napadač", "dodaj", "dodaj", "slobodan udarac", "branič", "napadač", "kapetan" i druge. Svaku od ovih riječi karakterizira skup značenja, a pojedinačno su riječi sasvim razumljive, no fraza sastavljena od njih bit će nerazumljiva svakome tko se ne bavi nogometom i ne zna ništa o povijesti, pravilima i principima ove igre . Dakle, razumijevanje i korištenje ljudskog jezika zahtijeva tijelo temeljnog znanja, a jedan od glavnih izazova u automatizaciji razumijevanja i upotrebe prirodnog ljudskog jezika je prikupljanje i sistematizacija takvog znanja.

Budući da se semantička značenja vrlo široko koriste u umjetnoj inteligenciji, znanstvenici su razvili niz metoda koje dopuštaju njihovo strukturiranje u određenoj mjeri. Ipak, većina posla obavlja se u problematičnim područjima koja su dobro shvaćena i specijalizirana. Primjer je tehnika "mikrosvijeta". Jedan od prvih programa gdje je korišten bio je program SHRDLU, koji je razvio Terry Winograd, a koji je jedan od sustava za razumijevanje ljudskog govora. Mogućnosti programa bile su prilično ograničene i svele su se na "razgovor" o lokaciji blokova različite boje i obrascima, kao i planiranje jednostavnih radnji. Program je dao odgovore na pitanja poput "Koje je boje piramida na bloku križa?" i može dati upute poput "Postavite plavi blok na crveni." Istraživači umjetne inteligencije često su se bavili takvim problemima, a kasnije su postali poznati kao "svijet blokova".

Unatoč činjenici da je program SHRDLU uspješno "razgovarao" o lokaciji blokova, nije bio obdaren sposobnošću apstrahiranja od ovog "mikrosvijeta". Koristio je prejednostavne tehnike koje nisu mogle prenijeti semantičku organizaciju predmetnih područja veće složenosti.

Trenutačni rad na području razumijevanja i primjene prirodnih jezika uglavnom je usmjeren na pronalaženje formalizama reprezentacije koji su dovoljno opći da se mogu prilagoditi specifičnim strukturama danih domena i primijeniti na širok raspon primjena. Većina postojećih tehnika, koje su modifikacije semiotičkih mreža, istražuje se i koristi za pisanje programa sposobnih za prepoznavanje prirodnog jezika u uskim tematskim područjima. Istodobno, moderne mogućnosti ne dopuštaju nam stvaranje univerzalnog programa koji bi mogao razumjeti ljudski govor u svoj njegovoj raznolikosti.

Među raznim problemima prepoznavanja uzoraka mogu se razlikovati sljedeći:

· Klasifikacija dokumenata
· Identifikacija mineralnih naslaga
Prepoznavanje slike
· Prepoznavanje crtičnog koda
· Prepoznavanje likova
· Prepoznavanje govora
· Prepoznavanje lica
· Prepoznavanje registarskih pločica

Umjetna inteligencija u gaming programima.

Umjetna inteligencija u igricama uključuje ne samo tradicionalne metode umjetne inteligencije, već i algoritme iz računalne znanosti općenito, računalne grafike, robotike i teorije upravljanja. Način na koji je AI implementiran utječe ne samo na zahtjeve sustava, već i na proračun igre, tako da programeri moraju balansirati pokušavajući osigurati da se umjetna inteligencija igre stvara uz minimalne troškove, a da je u isto vrijeme zanimljiva i nezahtjevna na resursima. Ovo ima potpuno drugačiji pristup od tradicionalne umjetne inteligencije. Konkretno, naširoko se koriste simulacije, prijevare i razna pojednostavljenja. Primjer: značajka pucačina iz prvog lica je sposobnost botova da se točno kreću i trenutno ciljaju, ali u isto vrijeme osoba nema niti jednu priliku, pa su sposobnosti botova umjetno smanjene. U isto vrijeme, kontrolne točke su postavljene na razini kako bi botovi mogli djelovati kao tim, postavljati zasjede itd. slika umjetne inteligencije

U računalnim igrama kojima upravlja umjetna inteligencija, prisutne su sljedeće kategorije likova:

· rulje - likovi sa niska razina inteligencija, neprijateljski raspoložena prema ljudskom igraču. Igrači uništavaju rulje kako bi prošli teritorij, dobili artefakte i bodove iskustva.
· likovi koji nisu igrači - obično su ti likovi prijateljski raspoloženi ili neutralni prema igraču.
· botovi su likovi koji su neprijateljski raspoloženi prema igračima i najteže ih je programirati. Njihove mogućnosti približavaju se sposobnostima likova iz igre. U bilo kojem trenutku određeni broj robota djeluje protiv igrača.

Unutar računalne igre postoje mnoga područja u kojima se koristi širok izbor heurističkih algoritama za umjetnu igraću inteligenciju. AI u igrama najčešće se koristi kao način kontrole likova koji nisu igrači. Druga, ne manje uobičajena metoda kontrole je skriptiranje. Još jedna očita upotreba umjetne inteligencije u igrama, posebno u strateškim igrama u stvarnom vremenu, je pronalaženje puta ili metoda za određivanje kako lik koji nije igrač može doći od jedne točke na karti do druge. U tom slučaju morate uzeti u obzir prepreke, teren i moguću "maglu rata". Dinamičko balansiranje mobova također nije potpuno bez upotrebe umjetne inteligencije. Mnoge igre istraživale su koncept nepredvidive inteligencije. Riječ je o igrama kao što su Nintendogs, Black & White, Creatures i dobro poznata igračka Tamagotchi. U ovim igrama, likovi su kućni ljubimci, čije se ponašanje mijenja ovisno o radnjama koje igrač izvodi. Čini se da su likovi sposobni učiti, dok su zapravo njihovi postupci rezultat izbora iz ograničenog skupa odluka.

Mnogi programeri igara smatraju svaku tehniku koja stvara iluziju inteligencije dijelom umjetne inteligencije igranja. Međutim, ovaj pristup nije sasvim točan, budući da se iste tehnike mogu koristiti ne samo u AI motorima igara. Na primjer, prilikom izrade botova koriste se algoritmi u koje su unesene informacije o mogućim budućim kolizijama, čime botovi stječu “vještinu” izbjegavanja tih sudara. Ali te iste tehnike su važna i neophodna komponenta fizičkog motora. Još jedan primjer: važna komponenta sustava za ciljanje robota su podaci o vodi, a isti se podaci intenzivno koriste u grafičkom pogonu za renderiranje. Posljednji primjer je skriptiranje. Ovaj se alat može uspješno koristiti u svim aspektima razvoja igrica, no najčešće se smatra jednim od načina kontrole radnji likova koji nisu igrači.

Prema puristima, izraz "igra umjetne inteligencije" nema pravo na postojanje, jer je pretjerivanje. Njihov glavni argument je da AI za igranje koristi samo neka područja znanosti klasične umjetne inteligencije. Također treba uzeti u obzir da su ciljevi umjetne inteligencije stvaranje samoučećih sustava, pa čak i stvaranje umjetne inteligencije sposobne zaključivanja, dok je često ograničena na heuristiku i skup nekoliko praktičnih pravila, koja su dovoljna za stvaranje dobar gameplay i pružiti igraču živopisne dojmove i osjećaj igre.

Trenutno razvijači računalnih igara pokazuju interes za akademsku umjetnu inteligenciju, a akademska zajednica, zauzvrat, postaje zainteresirana za računalne igre. Postavlja se pitanje u kojoj se mjeri gaming i klasični AI razlikuju. U isto vrijeme, umjetna inteligencija za igranje igrica i dalje se smatra jednom od podgrana klasične inteligencije. To je zbog činjenice da umjetna inteligencija ima različita područja primjene koja se međusobno razlikuju. Ako govorimo o gaming inteligenciji, bitna razlika ovdje je mogućnost prijevare kako bi se određeni problemi riješili na “legalne” načine. S jedne strane, nedostatak prijevare je što često dovodi do nerealnog ponašanja lika i zbog toga se ne može uvijek koristiti. S druge strane, sama mogućnost takve prijevare služi kao važna razlika između AI igara.

Još jedan zanimljiv zadatak umjetne inteligencije je učenje računala igranju šaha. U njenom rješavanju angažirani su znanstvenici diljem svijeta. Posebnost ovog zadatka je da je demonstracija logičkih sposobnosti računala moguća samo u prisutnosti pravog protivnika. Prva takva demonstracija održana je 1974. godine u Stockholmu, gdje je održano Svjetsko šahovsko prvenstvo među šahovskim programima. Program "Kaissa", koji su izradili sovjetski znanstvenici s Instituta za probleme upravljanja Akademije znanosti SSSR-a, koji se nalazi u Moskvi, pobijedio je na ovom natjecanju.

Umjetna inteligencija u strojnoj kreativnosti.

Priroda ljudske inteligencije još nije dovoljno proučena, a još manje je proučena priroda ljudske kreativnosti. Međutim, jedno područje umjetne inteligencije je kreativnost strojeva. Moderna računala stvaraju glazbena, književna i umjetnička djela, a industrija računalnih igara i filma već dugo koriste realistične slike koje stvaraju strojevi. Postojeći programi stvaraju različite slike koje ljudi mogu lako percipirati i razumjeti. To je posebno važno kada se radi o intuitivnom znanju, čija bi formalna provjera zahtijevala znatan mentalni napor. Tako se glazbeni problemi uspješno rješavaju pomoću programskog jezika, od kojih je jedan jezik CSound. Poseban softver pomoću kojeg se stvaraju glazbena djela predstavljaju programi za algoritamsko skladanje, interaktivni sustavi za skladanje, sustavi za sintezu i obradu zvuka.

Ekspertni sustavi.

Razvojem suvremenih ekspertnih sustava bave se istraživači od ranih 1970-ih, a početkom 1980-ih ekspertni sustavi počinju se razvijati na komercijalnoj osnovi. Prototipovi ekspertnih sustava, koje je 1832. predložio ruski znanstvenik S. N. Korsakov, bili su mehanički uređaji nazvani “inteligentni strojevi”, koji su omogućavali pronalaženje rješenja na temelju zadanih uvjeta. Na primjer, analizirani su simptomi bolesti uočeni kod pacijenta i na temelju rezultata te analize predloženi su najprikladniji lijekovi.

Računarska znanost razmatra ekspertne sustave zajedno s bazama znanja. Sustavi su modeli stručnog ponašanja temeljeni na primjeni postupaka odlučivanja i logičkog zaključivanja. Baze znanja smatraju se skupom pravila logičkog zaključivanja i činjenica koje su izravno povezane s odabranim područjem djelovanja.

Krajem prošlog stoljeća razvio se određeni koncept ekspertnih sustava, duboko fokusiran na u to vrijeme općeprihvaćeno tekstualno sučelje čovjek-stroj. Trenutno je ovaj koncept doživio ozbiljnu krizu, očito zbog činjenice da je u korisničkim aplikacijama tekstualno sučelje zamijenjeno grafičkim. Osim toga, relacijski podatkovni model i "klasični" pogled na izgradnju ekspertnih sustava ne pristaju dobro jedan s drugim. Posljedično, organizacija baza znanja ekspertnih sustava ne može se učinkovito provesti, barem korištenjem suvremenih industrijskih sustava za upravljanje bazama podataka. Literarni i internetski izvori pružaju mnoge primjere ekspertnih sustava koji se nazivaju "uobičajeni" ili "dobro poznati". Zapravo, svi ti ekspertni sustavi nastali su još 80-ih godina prošlog stoljeća i do sada su ili prestali postojati ili su beznadno zastarjeli i postoje zahvaljujući nekolicini entuzijasta. S druge strane, programeri modernih softverskih proizvoda često svoje kreacije nazivaju ekspertnim sustavima. Takve izjave nisu ništa više od marketinškog trika, jer u stvarnosti ti proizvodi nisu ekspertni sustavi (primjer bi bio bilo koji od računalnih pravnih referentnih sustava). Entuzijasti pokušavaju kombinirati pristupe kreiranja korisničkog sučelja s “klasičnim” pristupima kreiranju ekspertnih sustava. Ti se pokušaji odražavaju u takvim projektima kao što su CLIPS.NET, CLIPS Java Native Interface i drugi, međutim velike tvrtke Softverske tvrtke ne žure financirati takve projekte i iz tog razloga razvoj ne napreduje dalje od eksperimentalne faze.

Različita područja u kojima se mogu koristiti sustavi temeljeni na znanju mogu se podijeliti u razrede: medicinska dijagnostika, planiranje, predviđanje, praćenje i kontrola, obuka, tumačenje, dijagnoza kvarova u električnoj i mehaničkoj opremi, obuka. Pogledajmo detaljnije svaku od ovih klasa.

a) Medicinski dijagnostički sustavi.

Uz pomoć takvih sustava utvrđuju kako različiti poremećaji tjelesne aktivnosti i njihove mogući razlozi. Najpoznatiji dijagnostički sustav je MYCIN. Koristi se za dijagnosticiranje meningitisa i bakterijske infekcije, kao i za praćenje stanja pacijenata koji imaju ove bolesti. Prva verzija sustava razvijena je 70-ih godina prošlog stoljeća. Danas su njegove mogućnosti značajno proširene: sustav postavlja dijagnoze na istoj profesionalnoj razini kao i liječnik specijalist, a može se koristiti u različitim područjima medicine.

b) Prediktivni sustavi.

Sustavi su dizajnirani za predviđanje događaja ili rezultata događaja na temelju dostupnih podataka koji karakteriziraju trenutnu situaciju ili stanje objekta. Dakle, program “Osvajanje Wall Streeta” koji u svom radu koristi statističke metode algoritme, sposoban je analizirati tržišne uvjete i razviti plan kapitalnih ulaganja. Program koristi algoritme i postupke tradicionalnog programiranja, pa se ne može klasificirati kao sustav temeljen na znanju. Već danas postoje programi koji mogu predvidjeti protok putnika, prinose i vremenske prilike analizom dostupnih podataka. Takvi programi su prilično jednostavni, a neki od njih mogu se koristiti na običnim osobnim računalima. No, još uvijek ne postoje ekspertni sustavi koji bi na temelju podataka o tržišnim uvjetima sugerirali kako povećati kapital.

c) Planiranje.

Sustavi planiranja dizajnirani su za rješavanje problema s velikim brojem varijabli kako bi se postigli određeni rezultati. Po prvi put u komercijalnoj sferi takve sustave upotrijebila je tvrtka Informat iz Damaska. Uprava tvrtke naredila je postavljanje 13 stanica u predvorju ureda, što je i izvršeno besplatne konzultacije za kupce koji žele kupiti računalo. Strojevi su nam pomogli da napravimo izbor koji najbolje odgovara budžetu i željama kupca. Boeing je također koristio ekspertne sustave za popravak helikoptera, utvrđivanje uzroka kvarova motora zrakoplova i projektiranje svemirskih postaja. DEC je stvorio XCON ekspertni sustav, koji je sposoban identificirati i rekonfigurirati VAX računalne sustave na temelju zahtjeva kupaca. DEC trenutno razvija snažniji XSEL sustav koji uključuje XCON bazu znanja. Svrha izrade sustava je pomoći potrošačima u odabiru računalnog sustava potrebne konfiguracije. Razlika između XSEL i XCON je u tome što je interaktivan.

d) Tumačenje.

Interpretativni sustavi mogu donositi zaključke na temelju rezultata opažanja. Jedan od najpoznatijih interpretacijskih sustava je sustav PROSPECTOR. Radi pomoću podataka temeljenih na znanju devet stručnjaka. Učinkovitost sustava može se procijeniti na jednom primjeru: pomoću devet različitih metoda ispitivanja sustav je otkrio ležište rude koje nijedan stručnjak nije mogao predvidjeti. Još jedan dobro poznati sustav interpretativnog tipa je HASP/SIAP. Koristi podatke iz akustičnih sustava za praćenje i pomoću njih određuje lokaciju brodova u Tihom oceanu i njihove vrste.

e) Inteligentni sustavi kontrole i upravljanja.

Ekspertni sustavi se uspješno koriste za kontrolu i upravljanje. Sposobni su analizirati podatke dobivene iz više izvora i donositi odluke na temelju rezultata analize. Takvi sustavi mogu obavljati medicinski nadzor i kontrolirati kretanje zrakoplova, osim toga, koriste se u nuklearnim elektranama. Oni također pomažu regulirati financijske aktivnosti poduzeća i razvijaju rješenja u kritičnim situacijama.

f) Dijagnostika i otklanjanje kvarova električne i mehaničke opreme.

Sustavi temeljeni na znanju koriste se u slučajevima kao što su:

popravak dizel lokomotiva, automobila i drugih električnih i mehaničkih uređaja;

dijagnostika i otklanjanje grešaka i kvarova u računalnom softveru i hardveru.

i) Računalni sustavi trening.

Korištenje sustava temeljenih na znanju u obrazovne svrhe prilično je učinkovito. Sustav analizira ponašanje i aktivnost objekta te mijenja bazu znanja u skladu s primljenim informacijama. Najjednostavniji primjer takav trening - računalna igra, u kojem razine postaju teže kako igračeva vještina raste. Zanimljiv sustav obuke - EURISCO - razvio je D. Lenat. Koristi jednostavnu heuristiku. Sustav je primijenjen u simulaciji igre boreći se. Bit igre je odrediti optimalan sastav flotile, koja bi mogla nanijeti poraze uz poštivanje mnogih pravila. Sustav se uspješno nosio s ovim zadatkom, uključujući u flotilu jedno malo plovilo i nekoliko brodova sposobnih za izvođenje napada. Pravila igre mijenjala su se svake godine, ali je sustav EURISCO tri godine uporno pobjeđivao.

Postoje mnogi ekspertni sustavi koji se, na temelju sadržaja znanja, mogu klasificirati u više tipova odjednom. Na primjer, sustav koji provodi planiranje može biti i sustav za učenje. U stanju je utvrditi razinu znanja učenika i na temelju tih podataka izraditi nastavni plan i program. Upravljački sustavi služe za planiranje, predviđanje, dijagnostiku i upravljanje. Sustavi namijenjeni zaštiti kuće ili stana mogu pratiti promjene koje se događaju u okolini, predvidjeti razvoj situacije i izraditi plan daljnjeg djelovanja. Na primjer, otvorio se prozor i kroz njega lopov pokušava ući u prostoriju, stoga je potrebno pozvati policiju.

Široka uporaba ekspertnih sustava započela je 1980-ih, kada su prvi put komercijalno predstavljeni. ES se koriste u mnogim područjima, uključujući poslovanje, znanost, tehnologiju, proizvodnju i druge industrije koje karakterizira vrlo specifično predmetno područje. U ovom kontekstu, “dobro definirano” znači da osoba može tijek rasuđivanja podijeliti u zasebne faze, te na taj način može riješiti svaki problem koji je unutar zadanog područja. Stoga, slične akcije To može učiniti i računalni program. Slobodno se može reći da korištenje sposobnosti umjetne inteligencije otvara beskrajne mogućnosti za čovječanstvo.

Među najvažnijim klasama zadataka koji se postavljaju pred programere inteligentnih sustava od definiranja umjetne inteligencije kao znanstvenog pravca (od sredine 50-ih godina 20. stoljeća) treba istaknuti sljedeće: područja umjetne inteligencije, koji rješavaju probleme koje je teško formalizirati: dokaz teorema, prepoznavanje slika, strojno prevođenje i razumijevanje ljudskog govora, igrice, kreativnost strojeva, ekspertni sustavi. Razmotrimo ukratko njihovu suštinu.

Smjerovi umjetne inteligencije

Dokaz teorema. Proučavanje tehnika dokazivanja teorema imalo je važnu ulogu u razvoju umjetne inteligencije. Mnogi neformalni problemi, primjerice medicinska dijagnostika, rješavaju se pomoću metodoloških pristupa koji su korišteni za automatiziranje dokazivanja teorema. Pronalaženje dokaza matematičkog teorema ne zahtijeva samo dedukciju iz hipoteza, već i stvaranje intuitivnih pretpostavki o tome koje međutvrdnje treba dokazati za cjelokupni dokaz glavnog teorema.

Prepoznavanje slike. Korištenje umjetne inteligencije za prepoznavanje slika omogućilo je stvaranje praktično funkcionalnih sustava za prepoznavanje grafičkih objekata na temelju sličnih značajki. Sve karakteristike objekata koje treba prepoznati mogu se smatrati značajkama. Značajke moraju biti nepromjenjive u odnosu na orijentaciju, veličinu i oblik objekata. Abecedu značajki oblikuje programer sustava. Kvaliteta prepoznavanja uvelike ovisi o tome koliko je dobro razvijena abeceda obilježja. Prepoznavanje se sastoji od a priori dobivanja vektora obilježja za zasebni objekt odabran na slici i potom utvrđivanja kojem od standarda abecede obilježja taj vektor odgovara.

Strojno prevođenje i razumijevanje ljudskog govora. Zadatak analize rečenica u ljudskom govoru pomoću rječnika tipičan je zadatak za sustave umjetne inteligencije. Kako bi se riješio ovaj problem, stvoren je posrednički jezik koji olakšava usporedbu fraza iz različiti jezici. Naknadno se ovaj posrednički jezik pretvorio u semantički model za predstavljanje značenja tekstova koji se prevode. Evolucija semantičkog modela dovela je do stvaranja jezika za unutarnje predstavljanje znanja. Kao rezultat, moderni sustavi analizirati tekstove i fraze u četiri glavne faze: morfološku analizu, sintaktička, semantička i pragmatička analiza.

Programi za igre. Većina programa za igre temelji se na nekoliko osnovnih ideja umjetne inteligencije, kao što su ponavljanje i samoučenje. Jedan od najzanimljivijih problema u području igraćih programa koji koriste metode umjetne inteligencije je učenje računala igranju šaha. Osnovan je još u ranim danima računarstva, u kasnim 50-ima.

U šahu postoje određene razine vještine, stupnjevi kvalitete igre, koji mogu dati jasne kriterije za procjenu intelektualnog rasta sustava. Stoga su računalni šah aktivno proučavali znanstvenici iz cijelog svijeta, a rezultati njihovih postignuća koriste se u drugim intelektualnim razvojima koji imaju stvarno praktično značenje.

Godine 1974. prvi put je održano svjetsko prvenstvo među šahovskim programima u sklopu redovnog kongresa IFIP-a (International Federation of Information Processing) u Stockholmu. Pobjednik ovog natjecanja je šahovski program “Kaissa”. Nastao je u Moskvi, u Institutu za probleme upravljanja Akademije znanosti SSSR-a.

Strojna kreativnost. Jedno od područja primjene umjetne inteligencije uključuje programski sustavi, sposobni samostalno stvarati glazbu, poeziju, priče, članke, diplome pa čak i disertacije. Danas postoji cijela klasa glazbenih programskih jezika (na primjer, jezik C-Sound). Za različite glazbene zadatke izrađen je poseban softver: sustavi za obradu zvuka, sinteza zvuka, interaktivni skladateljski sustavi, algoritamski programi za skladanje.

Ekspertni sustavi. Metode umjetne inteligencije našle su primjenu u izradi automatiziranih konzultantskih sustava ili ekspertnih sustava. Prvi ekspertni sustavi razvijeni su kao istraživački alati 1960-ih.

Bili su to sustavi umjetne inteligencije posebno dizajnirani za rješavanje složenih problema u uskom tematskom području, kao što je medicinska dijagnoza bolesti. Klasični cilj ovog smjera u početku je bio stvoriti sustav umjetne inteligencije opće namjene koji bi bio u stanju riješiti bilo koji problem bez specifičnog znanja iz predmetnog područja. Zbog ograničenih računalnih resursa ovaj se problem pokazao presloženim da bi se riješio s prihvatljivim rezultatom.

Komercijalna implementacija ekspertnih sustava dogodio se ranih 1980-ih, a od tada su ekspertni sustavi postali široko rasprostranjeni. Koriste se u poslovanju, znanosti, tehnologiji, proizvodnji iu mnogim drugim područjima gdje postoji dobro definirano predmetno područje. Glavno značenje izraza "dobro definiran" jest da je ljudski stručnjak sposoban odrediti stupnjeve razmišljanja uz pomoć kojih se može riješiti bilo koji problem u određenom predmetnom području. To znači da slične radnje može izvesti računalni program.

Sada to možemo sa sigurnošću reći korištenje sustava umjetne inteligencije otvara široke granice.

Danas su ekspertni sustavi jedna od najuspješnijih primjena tehnologije umjetne inteligencije. Stoga preporučujemo da se upoznate s.

MINISTARSTVO OBRAZOVANJA I ZNANOSTI RF

Međunarodni institut "INFO-Rutenija"

NASTAVNI RAD

Disciplina:

Istraživanje sustava upravljanja

Tema: Područja primjene umjetne inteligencije u poduzeću

Balatskaja E.N.

Uvod

2. Umjetna inteligencija: područja primjene

3. Umjetna inteligencija i perspektive njezina razvoja

Zaključak

Glosar

Uvod

Znanost o umjetnoj inteligenciji datira još od sredine 20. stoljeća. Od tog vremena znanstvenici u mnogim istraživačkim laboratorijima rade na stvaranju računala koja imaju sposobnost razmišljanja na istoj razini kao i ljudi. Tada su već postojali preduvjeti za nastanak umjetne inteligencije. Tako su psiholozi stvorili model ljudskog mozga i proučavali procese mišljenja. Matematičari su stvorili teoriju algoritama, koja je postala temelj matematičke teorije izračuna, uređeno je i strukturirano znanje o svijetu, razriješena su pitanja optimalnih izračuna i stvorena su prva računala.

Novi strojevi mogli su računati puno brže od ljudi, pa su znanstvenici razmišljali o mogućnosti stvaranja računala koja su dosegla razinu razvoja ljudi. Godine 1950. engleski znanstvenik Alan Turing objavio je članak "Može li stroj misliti?" U ovom članku predlaže određivanje stupnja inteligencije stroja pomoću testa koji je on razvio, a koji je kasnije postao poznat kao "Turingov test".

I drugi su znanstvenici radili na području stvaranja umjetne inteligencije, ali su se morali suočiti s nizom problema koji se nisu mogli riješiti u okviru tradicionalne računalne znanosti. Ispostavilo se da prije svega treba proučavati mehanizme osjetilne percepcije, asimilacije informacija, kao i prirodu jezika. Ispostavilo se da je vrlo teško oponašati rad mozga, jer bi to zahtijevalo reproduciranje rada milijardi neurona koji međusobno djeluju. Ali još više izazovan zadatak Umjesto oponašanja rada mozga, pokazalo se da je riječ o proučavanju principa i mehanizama njegova funkcioniranja. Ovaj problem, koji je suočio istraživače inteligencije, dotakao se teorijske strane psihologije. Znanstvenici još uvijek ne mogu doći do konsenzusa o tome što je inteligencija. Neki smatraju sposobnost rješavanja problema visoke složenosti znakom inteligencije; za druge je inteligencija prije svega sposobnost učenja, generalizacije i analize informacija; Drugi pak vjeruju da je to sposobnost učinkovite interakcije s vanjskim svijetom, sposobnost komunikacije, percepcije i razumijevanja primljenih informacija.

U ovom kolegiju predmet istraživanja je umjetna inteligencija. Predmet studija - moguće načine njegovo poboljšanje i razvoj.

Svrha rada: identificirati područja ljudske djelatnosti u kojima se može koristiti umjetna inteligencija.

Tijekom istraživanja provedenog u sklopu ovog rada očekuje se rješavanje nekoliko problema:

) Razmotriti povijest umjetne inteligencije;

) Identificirati glavne ciljeve stvaranja umjetne inteligencije;

) Upoznati čitatelja s vrstama primjene umjetne inteligencije u suvremenom svijetu;

) Istražiti obećavajuća područja u kojima se može koristiti umjetna inteligencija;

) Razmotrite kako bi budućnost mogla izgledati uz korištenje umjetne inteligencije.

Predstavljeni kolegij može biti zanimljiv svima koji su zainteresirani za povijest nastanka i razvoja umjetne inteligencije, osim toga, može se koristiti kao pomoć u nastavi.

1. Značenje pojma "umjetna inteligencija"

Čovječanstvo je prvi put čulo za umjetnu inteligenciju prije više od 50 godina. Dogodilo se to na konferenciji održanoj 1956. godine na Sveučilištu Dartmouth, gdje je John McCarthy dao jasnu i preciznu definiciju pojma. “Umjetna inteligencija je znanost o stvaranju inteligentnih strojeva i računalnih programa. Za potrebe ove znanosti, računala se koriste kao sredstvo za razumijevanje karakteristika ljudske inteligencije, u isto vrijeme, proučavanje AI ne bi trebalo biti ograničeno na korištenje biološki prihvatljivih metoda.

Kao i druge primijenjene znanosti, znanost o umjetnoj inteligenciji zastupljena je teorijskim i eksperimentalnim dijelom. U praksi, "Umjetna inteligencija" zauzima srednji položaj između računalne znanosti i disciplina kao što su kognitivna i bihevioralna psihologija i neurofiziologija. Što se tiče teorijske osnove, njoj služi “Filozofija umjetne inteligencije”, ali dok ne dođe do značajnijih rezultata na ovom području, teorija nema samostalno značenje. No, već sada je potrebno razlikovati znanost o umjetnoj inteligenciji od ostalih teorijskih disciplina i tehnika (robotskih, algoritamskih, matematičkih, fizioloških), koje imaju samostalan značaj.

Trenutno se razvoj umjetne inteligencije odvija u dva smjera: neurokibernetika i kibernetika crne kutije. Jedan od pravaca - neurokibernetika, odnosno umjetna inteligencija, temelji se na simulaciji rada ljudski mozak pomoću sustava umjetne inteligencije poznatih kao neuronske mreže ili neuronske mreže. Drugi smjer AI - kibernetika crne kutije, odnosno strojna inteligencija, bavi se traženjem i razvojem algoritama za učinkovito rješenje intelektualne zadatke korištenjem postojećih računalnih modela. Za ovaj smjer glavna stvar nije dizajn uređaja, već princip njegova rada: reakcija "razmišljajućeg" stroja na ulazne utjecaje trebala bi biti ista kao i reakcija ljudskog mozga.

Mnogo je knjiga napisano o umjetnoj inteligenciji, ali niti jedan autor ne daje jasan odgovor na pitanje čime se ta znanost bavi. Većina autora razmatra samo jednu definiciju umjetne inteligencije, promatrajući znanstvena dostignuća samo u svjetlu ovu definiciju. Sljedeći problem tiče se prirode ljudske inteligencije i njezina statusa: u filozofiji još uvijek ne postoji jednoznačan kriterij za njih. Ne postoji jedinstveni pristup određivanju stupnja "inteligencije" stroja. Međutim, postoje mnoge hipoteze predložene u zoru umjetne inteligencije. Ovo je Turingov test, koji je gore spomenut, i Newell-Simonova hipoteza, te mnogi drugi pristupi razvoju umjetne inteligencije, od kojih se mogu razlikovati dva glavna:

semiotički ili top-down: temeljen na stvaranju baza znanja, sustava zaključivanja i ekspertnih sustava koji simuliraju različite mentalni procesi visoka razina, poput razmišljanja, emocija, govora, kreativnosti, zaključivanja itd.

biološki, ili bottom-up: temelji se na stvaranju i proučavanju neuronskih mreža koje oponašaju procese u ljudskom mozgu, kao i na stvaranju bioračunala, neuroračunala i drugih sličnih računalnih sustava.

Drugi pristup nadilazi definiciju Johna McCarthyja, ali ima isti krajnji cilj, pa postoji svaki razlog da ga se klasificira kao umjetna inteligencija.

U kombinaciji s kognitivnom psihologijom, epistemologijom i neurofiziologijom, umjetna inteligencija čini još jednu znanost - kognitivnu znanost. Epistemologija je izravno povezana s problemima umjetne inteligencije, budući da je ona znanost o znanju (dio filozofije), a filozofija pak ima važnu ulogu u umjetnoj inteligenciji. Filozofi i inženjeri umjetne inteligencije rješavaju slične probleme: i jedni i drugi traže najbolji načini prezentiranje i korištenje informacija i znanja.

Kognitivno modeliranje je metoda koju je predložio i prvi testirao Axelrod. Metoda se koristi za donošenje odluka u loše definiranim situacijama. Temelji se na modeliranju, na temelju poznavanja subjektivnih ideja o situaciji jednog ili više stručnjaka. Model uvjerenja stručnjaka je kognitivna mapa (Ž, Ž). W je skup uzročno-posljedičnih veza između situacijskih čimbenika, kao i mnoge metode za analizu situacije, F su svi dostupni čimbenici situacije. Trenutačno je glavni smjer razvoja kognitivnog modeliranja poboljšanje aparata za modeliranje i analizu situacije. Konkretno, razvijaju se različite metode za predviđanje situacije i metode za rješavanje inverznih problema.

U informatici se problemi umjetne inteligencije rješavaju dizajnom baza znanja i ekspertnih sustava. Baze znanja skup su znanja i pravila prema kojima se informacije mogu smisleno obrađivati. Općenito, problemi umjetne inteligencije u računalnoj znanosti proučavaju se s ciljem stvaranja informacijski sustavi, njihov rad i unapređenje. Stručnjaci za informacijske tehnologije uključeni su u obuku programera i korisnika takvih sustava.

Sasvim je prirodno da su pokušaji stvaranja umjetne inteligencije privlačili i privlače pažnju filozofskih znanstvenika. Pojava prvih intelektualnih sustava nije mogla ne utjecati na mnoge aspekte koji se odnose na ljudsko znanje, svjetski poredak i mjesto čovjeka u svijetu. Konvencionalno se svi filozofski problemi u ovom području mogu podijeliti u dvije skupine: mogućnost stvaranja umjetne inteligencije i etika umjetne inteligencije. U prvoj skupini najviše pitanja je posvećeno mogućnostima i metodama stvaranja AI. Druga skupina problema odnosi se na moguće posljedice pojava umjetne inteligencije za cijelo čovječanstvo. Istodobno, u transhumanizmu se stvaranje umjetne inteligencije smatra jednim od primarnih zadataka s kojima se čovječanstvo suočava.

Znanstvenici Singularity Institute (SIAI), koji se nalazi u Sjedinjenim Američkim Državama, aktivno proučavaju mogućnosti globalnih rizika koji bi mogli nastati kao rezultat stvaranja nadljudske umjetne inteligencije. Kako bi se spriječili takvi rizici, umjetna inteligencija bi trebala biti programirana tako da bude prilagođena ljudima. Film “Ja, robot” s pravom se dotiče problematike etike umjetne inteligencije. Neki znanstvenici vjeruju da zakoni robotike mogu potaknuti "računalnu inteligenciju" da preuzme Zemlju kako bi "zaštitila" stanovništvo od zla.

Što se tiče religijskih denominacija, većina njih je prilično mirna u pogledu stvaranja AI. Na primjer, duhovni vođa budista, Dalaj Lama, vjeruje da kompjuterski utemeljena svijest možda postoji. Religiozni pokret Raelite aktivno podupire razvoj na ovom području. Druge se denominacije dovoljno rijetko dotiču pitanja vezanih uz umjetnu inteligenciju da bi opravdale čvrst stav.

Umjetna inteligencija: područja primjene

Dokaz teorema.

Automatski dokazi teorema su atraktivni jer se temelje na općenitosti i strogosti logike. Logika u formalnom sustavu podrazumijeva mogućnost automatizacije, što znači da ako problem i dodatne informacije vezane uz njega predstavite kao skup logičkih aksioma, a posebne slučajeve problema kao teoreme koji zahtijevaju dokaz, možete dobiti rješenje za puno problema. Sustavi matematičkog opravdanja i automatskih dokaza teorema temelje se na ovom principu. Proteklih godina više puta se pokušavalo napisati program za automatsko dokazivanje teorema, ali nikada nije bilo moguće stvoriti sustav koji bi omogućio rješavanje problema samo jednom metodom. Bilo koji relativno složeni heuristički sustav mogao bi generirati mnoge dokazive teoreme koji su bili irelevantni, zbog čega bi ih programi morali dokazivati dok se ne otkrije ispravan. To je dovelo do uvjerenja da se s velikim prostorima može nositi samo putem neformalnih strategija skrojenih za specifične situacije. U praksi se ovaj pristup pokazao dosta plodotvornim i korišten je, zajedno s drugima, kao osnova za ekspertne sustave.

Prepoznavanje uzorka.

Prepoznavanje uzoraka je odabir bitnih značajki koje karakteriziraju izvorne podatke iz općeg skupa značajki i, na temelju primljenih informacija, dodjeljivanje podataka određenoj klasi.

Teorija prepoznavanja uzoraka grana je računalne znanosti čiji zadaci uključuju razvoj temelja i metoda za identificiranje i klasificiranje objekata (objekata, procesa, pojava, situacija, signala itd.), od kojih je svaki obdaren skupom određene znakove i svojstva. U praksi je potrebno vrlo često identificirati objekte. Tipična situacija je prepoznavanje boje semafora i odluka hoćete li u tom trenutku prijeći ulicu. Postoje i druga područja u kojima je nemoguće bez prepoznavanja objekata, na primjer, digitalizacija analognih signala, vojni poslovi, sigurnosni sustavi i tako dalje, tako da danas znanstvenici nastavljaju aktivno raditi na stvaranju sustava za prepoznavanje slike.

Rad se odvija u dva glavna smjera:

Istraživanje, objašnjavanje i modeliranje sposobnosti razlikovanja svojstvenih živim bićima.

Razvoj teorijskih i metodoloških temelja za izradu uređaja koji bi omogućili rješavanje pojedinačnih problema primijenjene namjene.

Ako se kontrolni podražaj razlikuje od svih prethodno prikazanih podražaja treninga, tada se u eksperimentu osim čiste diskriminacije ispituju i elementi generalizacije.

Ako kontrolni podražaj uzrokuje aktivaciju određene skupine senzornih elemenata koji se ne podudaraju ni s jednim elementom aktiviranim podražajima iste klase koji su ranije predstavljeni, tada eksperiment ispituje čistu generalizaciju i ne uključuje studiju prepoznavanja.

Prepoznavanje ljudskog govora i strojno prevođenje.

Budući da se semantička značenja vrlo široko koriste u umjetnoj inteligenciji, znanstvenici su razvili niz metoda koje dopuštaju njihovo strukturiranje u određenoj mjeri. Ipak, većina posla obavlja se u problematičnim područjima koja su dobro shvaćena i specijalizirana. Primjer je tehnika "mikrosvijeta". Jedan od prvih programa gdje je korišten bio je program SHRDLU, koji je razvio Terry Winograd, a koji je jedan od sustava za razumijevanje ljudskog govora. Mogućnosti programa bile su prilično ograničene i svele su se na "razgovor" o rasporedu blokova različitih boja i oblika, kao i planiranje jednostavnih akcija. Program je dao odgovore na pitanja poput "Koje je boje piramida na bloku križa?" i može dati upute poput "Postavite plavi blok na crveni." Istraživači umjetne inteligencije često su se bavili takvim problemima, a kasnije su postali poznati kao "svijet blokova".

Među raznim problemima prepoznavanja uzoraka mogu se razlikovati sljedeći:

Identifikacija mineralnih naslaga

Prepoznavanje slike

Prepoznavanje crtičnog koda

Prepoznavanje likova

Prepoznavanje govora

Prepoznavanje lica

Prepoznavanje registarskih tablica

Umjetna inteligencija u gaming programima.

U računalnim igrama kojima upravlja umjetna inteligencija, prisutne su sljedeće kategorije likova:

mobovi su likovi s niskom razinom inteligencije, neprijateljski raspoloženi prema ljudskom igraču. Igrači uništavaju rulje kako bi prošli teritorij, dobili artefakte i bodove iskustva.

likovi koji nisu igrači - obično su ti likovi prijateljski raspoloženi ili neutralni prema igraču.

botovi su likovi koji su neprijateljski raspoloženi prema igračima i najteže ih je programirati. Njihove mogućnosti približavaju se sposobnostima likova iz igre. U bilo kojem trenutku određeni broj robota djeluje protiv igrača.

Umjetna inteligencija u strojnoj kreativnosti.

Ekspertni sustavi.

Krajem prošlog stoljeća razvio se određeni koncept ekspertnih sustava, duboko fokusiran na u to vrijeme općeprihvaćeno tekstualno sučelje čovjek-stroj. Trenutno je ovaj koncept doživio ozbiljnu krizu, očito zbog činjenice da je u korisničkim aplikacijama tekstualno sučelje zamijenjeno grafičkim. Osim toga, relacijski podatkovni model i "klasični" pogled na izgradnju ekspertnih sustava ne pristaju dobro jedan s drugim. Posljedično, organizacija baza znanja ekspertnih sustava ne može se učinkovito provesti, barem korištenjem suvremenih industrijskih sustava za upravljanje bazama podataka. Literarni i internetski izvori pružaju mnoge primjere ekspertnih sustava koji se nazivaju "uobičajeni" ili "dobro poznati". Zapravo, svi ti ekspertni sustavi nastali su još 80-ih godina prošlog stoljeća i do sada su ili prestali postojati ili su beznadno zastarjeli i postoje zahvaljujući nekolicini entuzijasta. S druge strane, programeri modernih softverskih proizvoda često svoje kreacije nazivaju ekspertnim sustavima. Takve izjave nisu ništa više od marketinškog trika, jer u stvarnosti ti proizvodi nisu ekspertni sustavi (primjer bi bio bilo koji od računalnih pravnih referentnih sustava). Entuzijasti pokušavaju kombinirati pristupe kreiranja korisničkog sučelja s “klasičnim” pristupima kreiranju ekspertnih sustava. Ti se pokušaji ogledaju u projektima kao što su CLIPS.NET, CLIPS Java Native Interface i drugi, ali velike softverske tvrtke ne žure financirati takve projekte, i iz tog razloga razvoj ne napreduje dalje od eksperimentalne faze.

a) Medicinski dijagnostički sustavi.

Uz pomoć takvih sustava utvrđuju kako su različiti poremećaji u tjelesnoj aktivnosti i njihovi mogući uzroci međusobno povezani. Najpoznatiji dijagnostički sustav je MYCIN. Koristi se za dijagnostiku meningitisa i bakterijskih infekcija, kao i za praćenje stanja pacijenata koji imaju ove bolesti. Prva verzija sustava razvijena je 70-ih godina prošlog stoljeća. Danas su njegove mogućnosti značajno proširene: sustav postavlja dijagnoze na istoj profesionalnoj razini kao i liječnik specijalist, a može se koristiti u različitim područjima medicine.

b) Prediktivni sustavi.

Sustavi su dizajnirani za predviđanje događaja ili rezultata događaja na temelju dostupnih podataka koji karakteriziraju trenutnu situaciju ili stanje objekta. Tako je program “Osvajanje Wall Streeta”, koji u svom radu koristi statističke metode algoritama, sposoban analizirati tržišne uvjete i razviti investicijski plan. Program koristi algoritme i postupke tradicionalnog programiranja, pa se ne može klasificirati kao sustav temeljen na znanju. Već danas postoje programi koji mogu predvidjeti protok putnika, prinose i vremenske prilike analizom dostupnih podataka. Takvi programi su prilično jednostavni, a neki od njih mogu se koristiti na običnim osobnim računalima. No, još uvijek ne postoje ekspertni sustavi koji bi na temelju podataka o tržišnim uvjetima sugerirali kako povećati kapital.

c) Planiranje.

Sustavi planiranja dizajnirani su za rješavanje problema s velikim brojem varijabli kako bi se postigli određeni rezultati. Po prvi put u komercijalnoj sferi takve sustave upotrijebila je tvrtka Informat iz Damaska. Uprava tvrtke naručila je postavljanje 13 stanica u predvorju ureda, koje su pružale besplatne konzultacije za kupce koji žele kupiti računalo. Strojevi su nam pomogli da napravimo izbor koji najbolje odgovara budžetu i željama kupca. Boeing je također koristio ekspertne sustave za popravak helikoptera, utvrđivanje uzroka kvarova motora zrakoplova i projektiranje svemirskih postaja. DEC je stvorio XCON ekspertni sustav, koji je sposoban identificirati i rekonfigurirati VAX računalne sustave na temelju zahtjeva kupaca. DEC trenutno razvija snažniji XSEL sustav koji uključuje XCON bazu znanja. Svrha izrade sustava je pomoći potrošačima u odabiru računalnog sustava potrebne konfiguracije. Razlika između XSEL i XCON je u tome što je interaktivan.

d) Tumačenje.

e) Inteligentni sustavi kontrole i upravljanja.

f) Dijagnostika i otklanjanje kvarova električne i mehaničke opreme.

Sustavi temeljeni na znanju koriste se u slučajevima kao što su:

popravak dizel lokomotiva, automobila i drugih električnih i mehaničkih uređaja;

dijagnostika i otklanjanje grešaka i kvarova u računalnom softveru i hardveru.

g) Računalni sustavi obuke.

Korištenje sustava temeljenih na znanju u obrazovne svrhe prilično je učinkovito. Sustav analizira ponašanje i aktivnost objekta te mijenja bazu znanja u skladu s primljenim informacijama. Najjednostavniji primjer takvog treninga je računalna igra u kojoj razine postaju sve teže kako igračeva vještina raste. Zanimljiv sustav obuke - EURISCO - razvio je D. Lenat. Koristi jednostavnu heuristiku. Sustav je korišten u igrici koja simulira borbene operacije. Bit igre je odrediti optimalan sastav flotile, koja bi mogla nanijeti poraze uz poštivanje mnogih pravila. Sustav se uspješno nosio s ovim zadatkom, uključujući u flotilu jedno malo plovilo i nekoliko brodova sposobnih za izvođenje napada. Pravila igre mijenjala su se svake godine, ali je sustav EURISCO tri godine uporno pobjeđivao.

Široka uporaba ekspertnih sustava započela je 1980-ih, kada su prvi put komercijalno predstavljeni. ES se koriste u mnogim područjima, uključujući poslovanje, znanost, tehnologiju, proizvodnju i druge industrije koje karakterizira vrlo specifično predmetno područje. U ovom kontekstu, “dobro definirano” znači da osoba može tijek rasuđivanja podijeliti u zasebne faze, te na taj način može riješiti svaki problem koji je unutar zadanog područja. Stoga računalni program može izvoditi slične radnje. Slobodno se može reći da korištenje sposobnosti umjetne inteligencije otvara beskrajne mogućnosti za čovječanstvo.

Umjetna inteligencija i perspektive njezina razvoja

Roman Mali svijet Davida Lodgea, o akademskom svijetu književne kritike, opisuje nevjerojatan prizor. Glavni lik obraća se skupini istaknutih teoretičara književnosti s pitanjem što bi bilo da su bili u pravu. Među teoretičarima je nastala zbrka. Međusobno se nisu slagali, ali niti jedan od njih do tada nije smatrao da je prepiranje o nepobitnim teorijama aktivnost lišena ikakvog smisla. Da ste postavili sličnu anketu znanstvenicima koji istražuju umjetnu inteligenciju, vjerojatno bi i oni bili zbunjeni. Što bi se dogodilo da su uspjeli ostvariti svoje ciljeve? Uostalom, inteligentna računala već pokazuju izvanredna postignuća i svi shvaćaju da su korisnija od strojeva koji nemaju inteligenciju. Čini se da nema razloga za brigu. Ali postoji niz etičkih pitanja koja treba uzeti u obzir.

Inteligentna računala su moćnija od neinteligentnih, ali je li moguće osigurati da se ta moć uvijek koristi samo za dobro, a ne za zlo? Istraživači umjetne inteligencije koji su cijeli svoj život posvetili razvoju na ovom području moraju shvatiti svoju odgovornost kako bi rezultati njihova rada imali samo pozitivan utjecaj na čovječanstvo. Stupanj tog utjecaja izravno je povezan sa stupnjem umjetne inteligencije. Čak su i najraniji pomaci u ovom području imali značajan utjecaj na način poučavanja informatike i razvoj softvera i hardvera. Umjetna inteligencija omogućila je stvaranje tražilica, robota, učinkovitih sustava vanjskog nadzora, sustava upravljanja inventarom, prepoznavanja govora i niza drugih temeljno novih aplikacija.

Prema programerima, uspjesi srednje razine postignuti u umjetnoj inteligenciji mogu imati ogroman utjecaj na način života stanovništva diljem planeta. Do sada su samo internet i mobilne telefonske komunikacije imali tako sveobuhvatan utjecaj, a stupanj utjecaja umjetne inteligencije ostao je neznatan. No, možemo zamisliti koliko će dolazak osobnih asistenata za dom ili ured koristiti čovječanstvu, te kako će se s njihovom pojavom poboljšati kvaliteta svakodnevnog života, iako to u početku može povući niz ekonomskih problema. Istodobno, tehnološke mogućnosti koje su se otvorile za čovječanstvo mogu dovesti do stvaranja autonomnog oružja, a njegov izgled, prema mnogima, nije poželjan. Konačno, vrlo je moguće da bi uspjeh u stvaranju umjetne inteligencije koja nadilazi ljudski um mogao radikalno promijeniti život čovječanstva. Ljudi će drukčije raditi, opuštati se i zabavljati; promijenit će se ideje o svijesti, inteligenciji i samoj budućnosti čovječanstva. Lako je razumjeti da pojava superiorne inteligencije može nanijeti ozbiljnu štetu slobodi, samoodređenju i egzistenciji ljudi. U najmanju ruku, svi ti aspekti mogu biti ugroženi. Stoga se istraživanja vezana uz umjetnu inteligenciju moraju provoditi sa sviješću o njezinim mogućim posljedicama.

Kakva bi mogla biti budućnost? U većini znanstvenofantastičnih romana razvoj radnje ne odvija se prema optimističnim, već prema pesimističnim scenarijima, možda samo zato što su takva djela privlačnija čitateljima. Ali u stvarnosti će najvjerojatnije sve biti drugačije. Razvoj umjetne inteligencije odvija se na isti način kao što su se u svoje vrijeme razvile telefonija, aeronautika, inženjerska oprema, tiskanje i druge revolucionarne tehnologije čije je uvođenje donijelo više pozitivnih nego negativnih posljedica.

Također je vrijedno napomenuti da unatoč pripovijetka postojanjem umjetne inteligencije, došlo je do značajnog napretka u ovom području. Međutim, kada bi čovječanstvo moglo pogledati u budućnost, vidjelo bi koliko je malo učinjeno u usporedbi s onim što još treba učiniti.

Zaključak

stručnjak za umjetnu inteligenciju

Znanstvena zajednica i dalje raspravlja o mogućnosti stvaranja umjetne inteligencije. Prema mnogima, stvaranje umjetne inteligencije podrazumijeva degradaciju ljudskog dostojanstva. Govoreći o mogućnostima umjetne inteligencije, ne smijemo zaboraviti na potrebu razvoja i poboljšanja ljudske inteligencije.

Prednosti korištenja umjetne inteligencije su u tome što daje poticaj za daljnji napredak, a također uvelike povećava produktivnost rada kroz automatizaciju proizvodnje. Ali uz sve prednosti, kibernetika ima i neke nedostatke, na koje čovječanstvo treba obratiti najveću pažnju. Glavni nedostatak je opasnost koju može izazvati rad s umjetnom inteligencijom. Drugi je problem što ljudi mogu izgubiti poticaj da budu kreativni. Računala se koriste posvuda u umjetnosti i čini se da istiskuju ljude s ovih prostora. Ostaje se nadati da će vješti kreativni rad i dalje biti privlačan ljudima, te da će najbolja glazbena, književna i likovna djela i dalje stvarati ljudi.

Postoji još jedna skupina problema, ozbiljnija. Suvremeni strojevi i programi imaju sposobnost prilagodbe promjenjivim vanjskim čimbenicima, odnosno učenja. Vrlo brzo će se razviti strojevi s takvim stupnjem prilagodljivosti i pouzdanosti koji će omogućiti ljudima da se ne miješaju u proces donošenja odluka. To može dovesti do toga da ljudi ne mogu djelovati na odgovarajući način u slučaju nužde. hitan slučaj. Također je moguće da u slučaju nužde osoba neće moći preuzeti upravljačke funkcije u trenutku kada je to potrebno. To znači da sada vrijedi razmisliti o uvođenju nekih ograničenja za automatizaciju procesa, posebno onih povezanih s pojavom teških hitne situacije. U tom će slučaju osoba koja upravlja upravljačkim strojem moći ispravno reagirati i donijeti odgovarajuću odluku za određenu nepredviđenu situaciju.

Takve situacije mogu se pojaviti u prometnom sektoru, nuklearnoj energiji i raketnim snagama. U potonjem slučaju, pogreška može dovesti do strašnih posljedica. Ali mogućnost pogreške uvijek postoji i ostaje čak iu slučaju dupliciranja i višestrukih dvostrukih provjera. To znači da operater mora biti prisutan kako bi nadzirao stroj.

Već sada je očito da će ljudi stalno morati rješavati probleme vezane uz umjetnu inteligenciju, kakvi se sada pojavljuju i pojavljivat će se u budućnosti.

U ovom kolegiju obrađeni su zadaci umjetne inteligencije, povijest njezine pojave, područja primjene i neki problemi vezani uz AI. Informacije predstavljene u ovom radu bit će zanimljive onima koji su zainteresirani moderne tehnologije i napredak vezan uz umjetnu inteligenciju. Ciljevi ovog rada su ispunjeni.

Glosar

Br. Koncept Definicija 1 Umjetna neuronska mreža, matematički model izgrađen na principu funkcioniranja i organizacije biološke neuronske mreže 2 Kibernetika, znanost o kontroli, komunikaciji i obradi informacija 3 Kognitologija je područje djelovanja povezano s analiza znanja i osiguranje njegovog (znanja) daljnjeg razvoja 4 Renderiranje, proces dobivanja slike pomoću modela 5 Skriptiranje, pisanje skripti (skripti) u interpretiranim programskim jezicima

Popis korištenih izvora

Devyatkov V.V. Sustavi umjetne inteligencije / Ch. izd. I. B. Fedorov. - M.: Izdavačka kuća MSTU im. N. E. Bauman, 2001. - 352 str. - (Informatika u tehničko sveučilište). - 3000 primjeraka.

Zhuravlev Yu.I. O algebarskom pristupu rješavanju problema prepoznavanja i klasifikacije // Problemi kibernetike. - M.: Nauka, 1978, br. 33.

McCarthy D. Što je umjetna inteligencija?, - M.: 2007.

Petrunin Yu. Yu., Ryazanov M. A., Savelyev A. V. Filozofija umjetne inteligencije u konceptima neuroznanosti. (Znanstvena monografija). - M.: MAKS Press, 2010.

Peter Jackson Uvod u ekspertne sustave. - 3. izd. - M.: Williams, 2001. - P. 624.

Russell S., Norvig P. Umjetna inteligencija: moderan pristup/ Per. s engleskog i ur. K. A. Ptitsyna. - 2. izd. - M.: Williams, 2006. - 1408 str. - 3000 primjeraka.

Tu J., Gonzalez R. Principi prepoznavanja uzoraka, - M.: 1978.

Fain V.S. Identifikacija slike, - M.: 1970

Studijska pitanja

Koncept umjetne inteligencije
SII alati
Namjena i struktura ekspertnih sustava

Umjetna inteligencija je znanstvena disciplina koja je nastala 50-ih godina prošlog stoljeća na razmeđi kibernetike, lingvistike, psihologije i programiranja.

Umjetna inteligencija ima dugu povijest. Još Platon, Aristotel, Sokrat, R. Descartes, G. Leibniz, J. Boole, zatim N. Wiener i mnogi drugi istraživači nastojali su mišljenje opisati kao skup nekih elementarnih operacija, pravila i postupaka.

Evo nekoliko definicija umjetne inteligencije objavljenih u različitim izvorima.

1. AI – simbol kibernetičkih sustava, modeliranje nekih aspekata ljudske intelektualne (razumske) djelatnosti: logičko i analitičko mišljenje.

2. AI – sposobnost robota ili računala oponašati ljudske vještine koje se koriste za rješavanje problema, istraživanje problema, rasuđivanje i samousavršavanje.

3. AI je znanstveni pravac vezan uz razvoj algoritama i programe za automatizaciju aktivnosti koje zahtijevaju ljudsku inteligenciju.

4. AI je jedno od područja računalne znanosti čiji je cilj razvoj hardvera i softvera, dopuštajući korisniku koji nije programer da postavlja i rješava vlastite probleme, koji se tradicionalno smatraju intelektualnim, komunicirajući s računalom u ograničenom podskupu prirodnog jezika.

Od početka istraživanja u području umjetne inteligencije razlikuju se dva pravca:

AI se dijeli na dva znanstvenih pravaca: neurokibernetika (ili umjetna inteligencija) i kibernetika “crne kutije” (ili strojna inteligencija).

Podsjetimo, kibernetika je znanost o kontroli, komunikaciji i obradi informacija. Kibernetika proučava objekte bez obzira na njihovu materijalnu prirodu (živi i neživi sustavi).

Prvi smjer - neurokibernetika - temelji se na hardverskom modeliranju funkcioniranja ljudskog mozga, čija je osnova veliki broj (oko 14 milijardi) povezanih i međusobno povezanih nervne ćelije– neuroni.

Sustavi umjetne inteligencije koji modeliraju funkcioniranje mozga nazivaju se neuronske mreže (ili neuronske mreže). Prve neuronske mreže kreirali su kasnih 50-ih godina 20. stoljeća američki znanstvenici G. Rosenblatt i P. McCulloch.

Za drugi smjer umjetne inteligencije - kibernetiku "crne kutije" - nije važno kakav je dizajn "mislećeg" uređaja. Glavno je da reagira na dane ulazne utjecaje na isti način kao i ljudski mozak.

Korisnici računala često se susreću s manifestacijama umjetne inteligencije. Na primjer, kada radite s uređivačem teksta, pravopis se provjerava automatski (uzimajući u obzir jezik koji se koristi). Kada radite s proračunskim tablicama, ne morate unijeti sve dane u tjednu ili sve mjesece u godini. Dovoljno je napraviti jedan ili dva unosa, a računalo će moći točno popuniti popis. Koristeći mikrofon i poseban program, možete kontrolirati rad programa svojim glasom. Prilikom biranja email adresa preglednik pokušava predvidjeti adresu i dodati je. Traženje informacija na globalnoj mreži pomoću zadanih ključnih riječi također uključuje elemente umjetne inteligencije. Prilikom skeniranja rukom pisanog teksta, AI sustavi prepoznaju slova i brojke.

Ideje umjetne inteligencije koriste se u teorija igara, na primjer, stvoriti računalo koje igra šah, damu, reversi i druge logičke i strateške igre.

Korištenje MM-a za rješavanje problema sinteza govora i inverzni problem – analiza i prepoznavanje govora. U većini slučajeva AI se koristi za pronalaženje metode za rješavanje nekog problema. Matematika je jedno od glavnih područja primjene metoda umjetne inteligencije. Simbolička matematika (računalna algebra) jedna je od najvećih manifestacija umjetne inteligencije.

Područje umjetne inteligencije uključuje probleme prepoznavanja slike (optičke i akustičke). Identificiranje otisaka prstiju i usporedba ljudskih lica zadaci su prepoznavanja uzoraka.

Ekspertni sustavi izgrađeni na AI idejama akumuliraju iskustvo, znanje i vještine stručnjaka (stručnjaka) kako bi ih prenijeli bilo kojem korisniku računala u pravom trenutku.

Razvoj inteligentnih programa bitno se razlikuje od konvencionalnog programiranja i odvija se izgradnjom sustava umjetne inteligencije.

Ako se uobičajeni PC program može predstaviti kao:

Program = Algoritam + Podaci

Zatim je sljedeća struktura tipična za AI sustave:

AII = znanje + strategija obrade znanja

Glavni obilježje SII je rad znanja.

Za razliku od podataka, znanje ima sljedeća svojstva:

Interna interpretabilnost– zajedno s informacijama, KB predstavlja informacijske strukture koje omogućuju ne samo pohranu znanja, već i njegovu upotrebu.

Strukturirano– složeni objekti se rastavljaju na jednostavnije i među njima se uspostavljaju veze.

Povezanost- prikazuju se zakonitosti vezane uz činjenice, procese, pojave i uzročno-posljedične veze među njima.

Aktivnost– znanje pretpostavlja svrhovito korištenje informacija, sposobnost upravljanja informacijskim procesima za rješavanje određenih problema.

Sva ta svojstva trebala bi u konačnici osigurati sposobnost umjetne inteligencije da simulira ljudsko zaključivanje pri rješavanju primijenjenih problema – koncept postupka za dobivanje rješenja problema (strategija obrade znanja) usko je povezan sa znanjem.

U sustavima za obradu znanja takav se postupak naziva mehanizam zaključivanja, logički zaključak ili mehanizam zaključivanja. Načela za konstruiranje mehanizma zaključivanja u AIS-u određena su načinom na koji je znanje predstavljeno i vrstom razmišljanja koje se modelira.

Da bi se organizirala interakcija s umjetnom inteligencijom, ona mora imati sredstva komunikacije s korisnikom, odnosno sučelje. Sučelje osigurava rad s bazom znanja i izlaznim mehanizmom na jeziku prilično visoke razine, bliskom stručnom jeziku stručnjaka u primijenjenom području kojem AIS pripada.

Osim toga, funkcije sučelja uključuju podršku za dijalog korisnika sa sustavom, koji korisniku omogućuje primanje objašnjenja o radnjama sustava, sudjelovanje u traženju rješenja problema te dopunjavanje i ispravljanje baze znanja.

Glavni dijelovi sustava temeljenih na znanju su:

2. Izlazni mehanizam

3. Korisničko sučelje.

Svaki od ovih dijelova može se drugačije rasporediti raznih sustava, te razlike mogu biti u detaljima i principima. Međutim, sve SII karakteriziraju modeliranje ljudskog razmišljanja.

Znanje na koje se osoba oslanja pri rješavanju određenog problema vrlo je heterogeno:

Konceptualno znanje (skup pojmova i njihovih odnosa)

Konstruktivno znanje (znanje o strukturi i međudjelovanju dijelova različitih objekata)

Proceduralna znanja (metode, algoritmi i programi za rješavanje različitih problema).

Činjenično znanje (kvantitativne i kvalitativne karakteristike objekata, pojava i njihovih elemenata).

Osobitost sustava za reprezentaciju znanja je da modeliraju ljudske aktivnosti, koje se često provode neformalno. Modeli reprezentacije znanja bave se informacijama dobivenim od stručnjaka, koje su često kvalitativne i kontradiktorne. Da bi se mogle obraditi pomoću računala, takve informacije moraju biti svedene u nedvosmisleni formalizirani oblik. Znanost logike proučava metode formaliziranog predstavljanja znanja.

Trenutačno istraživanje u području umjetne inteligencije ima sljedeću primijenjenu orijentaciju:

Ekspertni sustavi

Automatsko dokazivanje teorema

Robotika

Prepoznavanje uzoraka, itd.

Najveća distribucija postignuta je u stvaranju elektroničkih sustava, koji su postali široko rasprostranjeni i koriste se u rješavanju praktičnih problema.

SII alati

Alati koji se koriste za razvoj AIS-a mogu se podijeliti u nekoliko vrsta:

Programski sustavi na jezicima visoke razine;

Programski sustavi u jezicima za predstavljanje znanja;

Ljuske sustava umjetne inteligencije su skeletni sustavi;

Alati za automatsku izradu ES-a.

Programski sustavi na jezicima visoke razine najmanje usmjereni na rješavanje problema umjetne inteligencije. Ne sadrže alate dizajnirane za predstavljanje i obradu znanja. Ipak, prilično velik, ali s vremenom sve manji, udio AIS-a razvija se korištenjem tradicionalnih nuklearnih računala.

Programski sustavi u jezicima za predstavljanje znanja imaju posebne alate dizajnirane za stvaranje umjetne inteligencije. Sadrže vlastita sredstva predstavljanja znanja (u skladu s određenim modelom) i podržavaju logičko zaključivanje. Razvoj umjetne inteligencije korištenjem programskih sustava u YaPL-u temelji se na konvencionalnoj tehnologiji programiranja. Najrašireniji logički programski jezik je PROLOG.

Alati za automatsku izradu ES-a su fleksibilni softverski sustavi koji omogućuju korištenje nekoliko modela reprezentacije znanja, metoda logičkog zaključivanja i vrsta sučelja te sadrže pomagala stvaranje ES-a. Konstrukcija ES-a korištenjem sredstava koja se razmatraju sastoji se od formaliziranja početnog znanja, njegovog bilježenja u ulaznom jeziku za predstavljanje znanja i opisivanja pravila za logično zaključivanje odluka. Zatim se ekspertni sustav puni znanjem.

Školjke ili prazan ES Oni su gotovi ES bez baze znanja. Primjeri ES ljuski koje su postale naširoko korištene su strana EMYCIN ljuska i domaći razvoj Expert-Micro, usmjeren na stvaranje ES rješenja za dijagnostičke probleme. Tehnologija za izradu i korištenje ES ljuske sastoji se u tome da se znanje iz baze znanja uklanja iz gotovog ekspertnog sustava, a zatim se baza podataka puni znanjem usmjerenim na druge aplikacije. Prednost ljuski je njihova jednostavnost korištenja - stručnjak treba samo ispuniti ljusku znanjem bez stvaranja programa. Nedostatak korištenja ljuski je moguće odstupanje između određene ljuske i primijenjenog ES-a razvijenog pomoću nje.