ალბათ გსმენიათ რობოტის შესახებ, რომელიც ამოდის და მოგცემთ კოლას, როცა ეტყვით, რომ გწყურიათ. თქვენ ასევე გსმენიათ მეტყველების ამოცნობის სისტემის შესახებ, რომელიც მართავს თქვენს საყოფაცხოვრებო ნივთები? და თქვენ ალბათ გსმენიათ თვითმფრინავის ტრენაჟორების შესახებ, რომლებიც დაგეხმარებიან თვითმფრინავის ფრენის რეალური გარემოს აღდგენაში?
1956 წელს მსოფლიოში ცნობილმა ამერიკელმა მეცნიერმა ჯონ მაკკარტიმ შემოიტანა ტერმინი, რომელიც დგას ყველა ამ შესაძლებლობისა და მრავალი სხვა. ტერმინი, რომელიც მან გამოიგონა, იყო "ხელოვნური ინტელექტი". ხელოვნური ინტელექტი, მოკლედ ხელოვნური ინტელექტი, არის მეცნიერება და ინჟინერია, რომელიც მუშაობს როგორც ინტელექტუალური მანქანების, ასევე ინტელექტუალური კომპიუტერული პროგრამების შესაქმნელად, რომლებსაც შეუძლიათ რეაგირება მოახდინონ ადამიანის მსგავსად. ანუ ისეთი მანქანების შექმნა, რომლებსაც შეუძლიათ იგრძნონ სამყარო მათ გარშემო, გაიგონ საუბრები და მიიღონ გადაწყვეტილებები ადამიანის არჩევანის მსგავსი. რეალურ ცხოვრებაში ხელოვნურმა ინტელექტმა ყველაფერი მოგვცა სკანერიდან რობოტებამდე.
დღეს ხელოვნური ინტელექტის სფერო შეიძლება შეფასდეს, როგორც შემეცნებითი გამოთვლის, ფსიქოლოგიის, ლინგვისტიკისა და მათემატიკის წვნიანი, რომელიც ელვისებური ელვის მოლოდინშია - მკვლევარებისა და რესურსების ძალისხმევის გაერთიანების მცდელობა, ახალი მიდგომების შემუშავება, მსოფლიო ცოდნის საცავების გამოყენება. შექმენით ნაპერწკალი, ისეთი, რომ ის შექმნის ახალი ფორმაცხოვრება.
ხელოვნური ინტელექტის სფეროში ჩვენ ვზრდით ბავშვის მანქანას ბავშვობიდან სრულწლოვანებამდე, ისე, რომ ვქმნით სრულიად ახალ მიდგომებს მანქანათმცოდნეობის მიმართ.
ხელოვნური ინტელექტის ფილიალები
ჯონ მაკკართიმ გამოავლინა ხელოვნური ინტელექტის ზოგიერთი ფილიალი, რომლებიც აღწერილია ქვემოთ. მან ასევე აღნიშნა, რომ რამდენიმე მათგანის იდენტიფიცირება ჯერ კიდევ არ არის დადგენილი.
ხელოვნური ინტელექტის ლოგიკა: AI-ის პროგრამამ უნდა იცოდეს ფაქტები და სიტუაციები.
ნიმუშის ამოცნობა:როდესაც პროგრამა აკეთებს დაკვირვებას, ის ჩვეულებრივ დაპროგრამებულია ამოცნობისა და ნიმუშის შესატყვისად. მაგალითად, მეტყველების ამოცნობის სისტემა ან სახის ამოცნობის სისტემა.
წარმომადგენლობა:უნდა არსებობდეს გზა სამყაროს შესახებ ფაქტების წარმოსაჩენად AI მოწყობილობაზე. რეპრეზენტაციისთვის გამოიყენება მათემატიკური ენა.
დასკვნა:დასკვნა, საშუალებას გაძლევთ ამოიღოთ ახალი ფაქტები არსებული ფაქტებიდან. ზოგიერთი ფაქტიდან სხვების დასკვნა შეიძლება.
დაგეგმვა:დაგეგმვის პროგრამა იწყება ფაქტებითა და მიზნის განცხადებით. მათგან პროგრამა გამოიმუშავებს სტრატეგიას მიზნის მისაღწევად.
ხელმისაწვდომობა საღი აზრი და მსჯელობა- ხელოვნური ინტელექტის კვლევისა და შესწავლის ეს აქტიური სფერო გაჩნდა 1950-იან წლებში, მაგრამ შედეგი ჯერ კიდევ შორს არის ადამიანის დონისგან.
ეპისტემოლოგიაარის აპარატით სწავლისა და ცოდნის მიღების შესაძლებლობა. საშუალებას გაძლევთ ისწავლოთ ცოდნის ტიპები, რომლებიც საჭიროა კონკრეტული ტიპის ამოცანისთვის.
ევრისტიკულიარის პროგრამაში ჩადებული იდეის პოვნის საშუალება.
გენეტიკური პროგრამირება– LISP (List Processing) პროგრამის ავტომატური შექმნა, რომელიც პრობლემის გადაჭრის საშუალებას იძლევა.
ინსტრუმენტები, რომლებიც გამოიყენება ხელოვნური ინტელექტის შექმნისას რთული პრობლემების გადასაჭრელად
გასული ექვსი ათწლეულის განმავლობაში შეიქმნა სხვადასხვა ინსტრუმენტები ამ სფეროში რთული პრობლემების გადასაჭრელად კომპიუტერული მეცნიერება. ზოგიერთი მათგანია:
ძებნა და ოპტიმიზაცია
AI-ში არსებული პრობლემების უმეტესობა თეორიულად შეიძლება მოგვარდეს შესაძლო გადაწყვეტილებების კომპეტენტური ძიების დახმარებით. მაგრამ მარტივი ამომწურავი ძიება იშვიათად არის გამოსადეგი და საკმარისი რეალური პრობლემების უმეტესობისთვის. 1990-იან წლებში, განსხვავებული სახეობებიპოპულარული გახდა საძიებო სისტემები, რომლებიც დაფუძნებული იყო ოპტიმიზაციაზე. პრობლემების უმეტესობისთვის შეგიძლიათ გამოიცნოთ და შემდეგ დახვეწოთ თქვენი მოთხოვნა. ძიების პროცესის დასახმარებლად დაიწერა სხვადასხვა ოპტიმიზაციის ალგორითმები.
ლოგიკა
ლოგიკა არგუმენტების შესწავლის საშუალებას იძლევა. AI-ში იგი გამოიყენება ცოდნის წარმოსაჩენად და ასევე გამოიყენება პრობლემების გადასაჭრელად. ხელოვნური ინტელექტის კვლევაში სხვადასხვა სახის ლოგიკა გამოიყენება. პირველი რიგის ლოგიკა იყენებს რაოდენობებს და პრედიკატებს და ეხმარება ფაქტებისა და მათი თვისებების წარმოდგენაში. Fuzzy ლოგიკა არის პირველი რიგის ლოგიკა, რომელიც საშუალებას გაძლევთ იპოვოთ განცხადების ჭეშმარიტება, რომელიც წარმოდგენილი იქნება როგორც 1 (true) ან 0 (false).
ალბათობის თეორია
ალბათობა არის ცოდნის გამოხატვის საშუალება. ამ კონცეფციას მიენიჭა მათემატიკური მნიშვნელობა ალბათობის თეორიაში, რომელიც ფართოდ გამოიყენება AI-ში.
ხელოვნური ინტელექტი და მისი გამოყენება
ხელოვნური ინტელექტი ამჟამად გამოიყენება ფართო სპექტრში, მათ შორის სიმულაცია, რობოტიკა, მეტყველების ამოცნობა, ფინანსები და აქციები, სამედიცინო დიაგნოსტიკა, ავიაცია, უსაფრთხოება, თამაშები და სხვა.
მოდით უფრო ახლოს მივხედოთ ზოგიერთ სფეროს:
თამაში სფერო:არის მანქანები, რომლებზეც ჭადრაკის თამაში შეიძლება პროფესიული დონე. AI ასევე გამოიყენება სხვადასხვა ვიდეო თამაშებზე.
Სიტყვის აღიარება:კომპიუტერებსა და რობოტებს, რომლებსაც ენა ესმით ადამიანის დონეზე, აქვთ ჩაშენებული AI.
სიმულატორები:სიმულაცია არის რაღაც რეალური ნივთის იმიტაცია. იგი გამოიყენება მრავალ კონტექსტში, ვიდეო თამაშებიდან ავიაციამდე. ტრენაჟორებში შედის ფრენის სიმულატორები პილოტებისთვის, რომლებიც გამოიყენება "საჰაერო ხომალდის" პილოტირებისთვის მოსამზადებლად.
რობოტიკა:რობოტები ჩვეულებრივი გახდა მრავალ ინდუსტრიაში, რადგან რობოტები ადამიანებზე უფრო ეფექტურია, განსაკუთრებით განმეორებით სამუშაოებში, სადაც ადამიანები კარგავენ ყურადღებას.
ფინანსები:ბანკები და სხვა ფინანსური ინსტიტუტები ეყრდნობიან ინტელექტუალურ პროგრამულ უზრუნველყოფას, რათა უზრუნველყონ მონაცემთა ზუსტი ანალიზი და დაეხმარონ ამ მონაცემებზე დაყრდნობით პროგნოზების გაკეთებას.
Წამალი:ხელოვნური ინტელექტის სისტემები გამოიყენება საავადმყოფოებში პაციენტების განრიგის სამართავად, პერსონალის როტაციის უზრუნველსაყოფად და სამედიცინო ინფორმაციის მიწოდებისთვის. ხელოვნური ნერვული ქსელი, რომელიც არის მათემატიკური მოდელი, რომელიც შთაგონებულია სტრუქტურით და/ან ფუნქციური ასპექტებიბიოლოგიური ნერვული ქსელები, ეხმარება მედიცინაში დიაგნოზის დადგენაში.
ხელოვნური ინტელექტი პოულობს გამოყენებას სხვადასხვა სფეროში და აპლიკაციებში. უსაფრთხოების სისტემები, ტექსტისა და სიტყვის ამოცნობის სისტემები, მონაცემთა მოპოვება, ელ.ფოსტის სპამის ფილტრაცია და უამრავი სხვა მაგალითი. ბრიტანულმა სატელეკომუნიკაციო ჯგუფმა გამოიყენა ევრისტიკა განრიგის აპლიკაციისთვის, რომელიც 20 ათასზე მეტ ინჟინერს ატარებს. ხელოვნური ინტელექტის გამოყენებამ ასევე იპოვა ადგილი სატვირთო მანქანების ინდუსტრიაში, სადაც შემუშავებულია ბუნდოვანი ლოგიკის კონტროლერები მანქანებში ავტომატური ტრანსმისიებისთვის.
პრობლემები, რომლებსაც აწყდებიან ხელოვნური ინტელექტის შემქმნელები
ბოლო ექვსი ათწლეულის განმავლობაში მეცნიერები აქტიურად მუშაობდნენ ადამიანის ინტელექტის სიმულაციაზე, მაგრამ ზრდა შენელდა ხელოვნური ინტელექტის სიმულაციის მრავალი პრობლემის გამო. ამ პრობლემებიდან ზოგიერთია:
Ცოდნის ბაზა:ფაქტების რაოდენობა, რომელიც ადამიანმა იცის, უბრალოდ ძალიან ბევრია. მონაცემთა ბაზის მომზადება, რომელიც შეიცავს ამ სამყაროს მთელ ცოდნას, უზარმაზარი შრომატევადი ამოცანაა.
გამოყვანა, მსჯელობა და პრობლემის გადაჭრა: AI უნდა გადაჭრას ნებისმიერი პრობლემა ეტაპობრივად. როგორც წესი, ადამიანები წყვეტენ პრობლემებს ინტუიციური განსჯის საფუძველზე, შემდეგ კი ადგენენ სამოქმედო გეგმას, პროგრამას. ხელოვნური ინტელექტი ნელა პროგრესირებს პრობლემის გადაჭრის ადამიანის მეთოდის მიბაძვის მიზნით.
ბუნებრივი ენის დამუშავება:ბუნებრივი ენა არის ენა, რომელზეც ხალხი საუბრობს. ხელოვნური ინტელექტის ერთ-ერთი მთავარი გამოწვევა არის ხალხის ნათქვამის ამოცნობა და გაგება.
დაგეგმვა:დაგეგმვა მხოლოდ ადამიანებს ზღუდავს, რადგან მათ შეუძლიათ აზროვნება. ადამიანურად დაგეგმვისა და აზროვნების უნარი აუცილებელია ინტელექტუალური აგენტებისთვის. ადამიანების მსგავსად, მათაც უნდა შეეძლოთ მომავლის ვიზუალიზაცია.
ხელოვნური ინტელექტის გამოყენების დადებითი ასპექტები
უკვე შეგვიძლია ვიხილოთ ხელოვნური ინტელექტის მცირე აპლიკაციები ჩვენს სახლში. მაგალითად, ჭკვიანი ტელევიზორი, ჭკვიანი მაცივარი და ა.შ. მომავალში, AI იქნება წარმოდგენილი ყველა სახლში. ნანოტექნოლოგიით ან სხვა ტექნოლოგიებით ხელოვნურმა ინტელექტიმ შეიძლება გამოიწვიოს ახალი დარგების გაჩენა მეცნიერების სფეროში. რა თქმა უნდა, ხელოვნური ინტელექტის განვითარება გამოიწვევს იმ ფაქტს, რომ ის გახდება ჩვენი ნაწილი Ყოველდღიური ცხოვრების. უკვე ზოგიერთ სამუშაო ადგილზე ადამიანებს რობოტები ანაცვლებენ. სამხედრო ინდუსტრიაში ხელოვნური ინტელექტი საშუალებას მისცემს შექმნას სხვადასხვა თანამედროვე იარაღი, როგორიცაა რობოტები, რომლებიც შეამცირებენ სიკვდილიანობას ომების შემთხვევაში.
ხელოვნური ინტელექტის გამოყენების ნაკლოვანებები
მიუხედავად იმისა, რომ ხელოვნურ ინტელექტს ბევრი უპირატესობა აქვს, ბევრი უარყოფითი მხარეა.
მეტისთვის საბაზო დონე, ხელოვნური ინტელექტის გამოყენება ყოველდღიურ ამოცანებში შეიძლება გამოიწვიოს ადამიანის მხრიდან სიზარმაცის ჩამოყალიბება და ამან შეიძლება გამოიწვიოს ხალხის დიდი ნაწილის დეგრადაცია.
ხელოვნური ინტელექტისა და ნანოტექნოლოგიის გამოყენებას სამხედრო ინდუსტრიაში, რა თქმა უნდა, აქვს მრავალი დადებითი ასპექტი, როგორიცაა იდეალური დამცავი ფარის შექმნა ნებისმიერი თავდასხმისგან, მაგრამ არის ბნელი მხარეც. ხელოვნური ინტელექტისა და ნანოტექნოლოგიის დახმარებით ჩვენ შევძლებთ შევქმნათ ძალიან ძლიერი და დესტრუქციული იარაღი და უყურადღებოდ გამოყენების შემთხვევაში მათ შეიძლება გამოუსწორებელი შედეგები მოჰყვეს.
ხელოვნური ინტელექტის მასიური გამოყენება ადამიანებისთვის სამუშაო ადგილების შემცირებას გამოიწვევს.
გარდა ამისა, ხელოვნური ინტელექტისა და რობოტიკის განვითარებისა და გამოყენების სწრაფმა ტემპმა შეიძლება დედამიწა უბიძგოს ეკოლოგიური კატასტროფისკენ. ახლაც კომპიუტერის კომპონენტების ნარჩენები და სხვა ელექტრონული მოწყობილობებიდიდი ზიანი მიაყენოს ჩვენს პლანეტას.
თუ გონებას მივცეთ მანქანებს, ისინი შეძლებენ მის მაქსიმალურ გამოყენებას. ინტელექტის მქონე მანქანები გახდებიან უფრო ჭკვიანები, ვიდრე მათი შემქმნელები და ამან შეიძლება გამოიწვიოს ტერმინატორის ფილმების სერიაში ნაჩვენები შედეგი.
დასკვნა და მომავალი განაცხადი
ხელოვნური ინტელექტი არის სფერო, სადაც მრავალი კვლევა გრძელდება. ხელოვნური ინტელექტი არის კომპიუტერული მეცნიერების ფილიალი, რომელიც ეხება ინტელექტის ბუნების გაგებას და კომპიუტერული სისტემების შექმნას, რომლებსაც შეუძლიათ ინტელექტუალური მოქმედებები. მიუხედავად იმისა, რომ ადამიანებს აქვთ ინტელექტი, მათ არ შეუძლიათ მისი მაქსიმალურად გამოყენება. მანქანები შეძლებენ გამოიყენონ თავიანთი ინტელექტის 100%, თუ ჩვენ მათ ამ ინტელექტს მივცემთ. ეს არის როგორც უპირატესობა, ასევე მინუსი. ჩვენ დამოკიდებულნი ვართ მანქანებზე თითქმის ყველა გამოყენებისთვის ცხოვრებაში. მანქანები ახლა ჩვენი ცხოვრების ნაწილია და ყველგან გამოიყენება. ამრიგად, ჩვენ უნდა ვიცოდეთ მეტი მანქანების შესახებ და უნდა ვიცოდეთ მომავლის შესახებ, რა შეიძლება მოხდეს, თუ მათ დაზვერვას მივცემთ. ხელოვნური ინტელექტი არ შეიძლება იყოს კარგი ან ცუდი. ის იცვლება ჩვენ მიერ მის გამოყენებაში.
იმ მომენტიდან, როდესაც ხელოვნური ინტელექტი მეცნიერულ მიმართულებად იქნა აღიარებული და ეს მოხდა გასული საუკუნის 50-იანი წლების შუა ხანებში, ინტელექტუალური სისტემების შემქმნელებს ბევრი პრობლემის გადაჭრა მოუწიათ. პირობითად, ყველა დავალება შეიძლება დაიყოს რამდენიმე კლასად: ადამიანის ენის ამოცნობა და თარგმანი, თეორემის ავტომატური დადასტურება, თამაშის პროგრამების შექმნა, გამოსახულების ამოცნობა და მანქანური კრეატიულობა. მოკლედ განვიხილოთ თითოეული კლასის პრობლემების არსი.
თეორემების დადასტურება.
ავტომატური თეორემის დამტკიცება ხელოვნური ინტელექტის უძველესი გამოყენებაა. ბევრი კვლევა ჩატარდა ამ სფეროში, რის შედეგადაც გამოჩნდა ფორმალიზებული საძიებო ალგორითმები და ფორმალური წარმოდგენის ენები, როგორიცაა PROLOG - ლოგიკური პროგრამირების ენა და პრედიკატების გაანგარიშება.
თეორემების ავტომატური მტკიცებულებები მიმზიდველია, რადგან ისინი ემყარება ლოგიკის ზოგადობასა და სიმკაცრეს. ფორმალურ სისტემაში ლოგიკა გულისხმობს ავტომატიზაციის შესაძლებლობას, რაც იმას ნიშნავს, რომ თუ წარმოგიდგენიათ დავალება და მასთან დაკავშირებული Დამატებითი ინფორმაციალოგიკური აქსიომების კომპლექტის სახით და პრობლემის განსაკუთრებული შემთხვევების სახით - როგორც თეორემები, რომლებიც საჭიროებენ მტკიცებულებას, შეგიძლიათ მიიღოთ მრავალი პრობლემის გადაწყვეტა. ამ პრინციპს ეფუძნება მათემატიკური დასაბუთების სისტემები და თეორემების ავტომატური მტკიცებულებები. გასულ წლებში განმეორებით ცდილობდნენ დაეწერათ პროგრამა თეორემების ავტომატური მტკიცებულებისთვის, მაგრამ ვერ მოხერხდა ისეთი სისტემის შექმნა, რომელიც პრობლემების ერთი მეთოდით გადაჭრის საშუალებას იძლევა. ნებისმიერ შედარებით რთულ ევრისტიკულ სისტემას შეეძლო მრავალი შეუსაბამო დასამტკიცებელი თეორემის გენერირება, რის შედეგადაც პროგრამებს უნდა დაემტკიცებინათ ისინი, სანამ არ აღმოიჩენდნენ სწორს. ამის გამო გაჩნდა მოსაზრება, რომ დიდი ფართების მოგვარება შესაძლებელია მხოლოდ კონკრეტული შემთხვევებისთვის სპეციალურად შემუშავებული არაფორმალური სტრატეგიების დახმარებით. პრაქტიკაში ეს მიდგომა საკმაოდ ნაყოფიერი აღმოჩნდა და სხვებთან ერთად საექსპერტო სისტემების საფუძველი იყო.
ამავდროულად, ფორმალურ ლოგიკაზე დამყარებული მსჯელობის იგნორირება არ შეიძლება. ფორმალიზებული მიდგომა მრავალი პრობლემის გადაჭრის საშუალებას იძლევა. კერძოდ, მისი გამოყენებით შეგიძლიათ მართოთ რთული სისტემები, შეამოწმოთ კომპიუტერული პროგრამების სისწორე, შეიმუშავოთ და შეამოწმოთ ლოგიკური სქემები. გარდა ამისა, ავტომატური თეორემის დამადასტურებელი მკვლევარებმა შეიმუშავეს მძლავრი ევრისტიკა ლოგიკური გამონათქვამების სინტაქსური ფორმის შეფასების საფუძველზე. შედეგად, შესაძლებელი გახდა საძიებო სივრცის სირთულის დონის შემცირება სპეციალური სტრატეგიების შემუშავების გარეშე.
თეორემების ავტომატური მტკიცება ასევე საინტერესოა მეცნიერებისთვის იმ მიზეზით, რომ განსაკუთრებით რთული პრობლემებისთვის შესაძლებელია სისტემის გამოყენებაც, თუმცა არა ადამიანის ჩარევის გარეშე. ამჟამად, პროგრამები ხშირად მოქმედებენ როგორც ასისტენტები. სპეციალისტები დავალებას რამდენიმე ქვეამოცნებად ყოფენ, შემდეგ კი ევრისტიკა მოფიქრებულია შესაძლო მიზეზების დასალაგებლად. შემდეგი, პროგრამა ამტკიცებს ლემებს, ამოწმებს ნაკლებად არსებით ვარაუდებს და აკეთებს დამატებებს პიროვნების მიერ ასახული მტკიცებულებების ფორმალურ ასპექტებში.
ნიმუშის ამოცნობა.
ნიმუშის ამოცნობა არის არსებითი მახასიათებლების შერჩევა, რომლებიც ახასიათებს საწყის მონაცემებს მახასიათებლების მთლიანი ნაკრებიდან და მიღებული ინფორმაციის საფუძველზე, მონაცემების მინიჭება გარკვეულ კლასზე.
ნიმუშის ამოცნობის თეორია არის კომპიუტერული მეცნიერების ფილიალი, რომლის ამოცანაა შეიმუშაოს ობიექტების (ობიექტები, პროცესები, ფენომენები, სიტუაციები, სიგნალები და ა. თვისებები და თვისებები. პრაქტიკაში, საკმაოდ ხშირად აუცილებელია ობიექტების იდენტიფიცირება. ტიპიური სიტუაციაა შუქნიშნის ფერის ამოცნობა და გადაწყვეტილების მიღება ამ მომენტშიქუჩის გადაკვეთა. არის სხვა სფეროები, სადაც ობიექტების ამოცნობა შეუძლებელია, მაგალითად, ანალოგური სიგნალების დიგიტალიზაცია, სამხედრო საქმეები, უსაფრთხოების სისტემები და ა.შ., ამიტომ დღეს მეცნიერები აგრძელებენ აქტიურ მუშაობას გამოსახულების ამოცნობის სისტემების შექმნაზე.
სამუშაოები ტარდება ორი ძირითადი მიმართულებით:
- · ცოცხალი არსებებისთვის დამახასიათებელი ამოცნობის უნარების კვლევა, ახსნა და მოდელირება.
- · თეორიული და მეთოდოლოგიური საფუძვლების შემუშავება მოწყობილობების შესაქმნელად, რომლებიც საშუალებას მისცემს ინდივიდუალური პრობლემების გადაჭრას გამოყენებითი მიზნებისთვის.
ამომცნობი ამოცანების ფორმულირება ხორციელდება მათემატიკური ენის გამოყენებით. მიუხედავად იმისა, რომ ხელოვნური ნერვული ქსელების თეორია ემყარება ექსპერიმენტების საშუალებით შედეგების მიღებას, ნიმუშის ამოცნობის პრობლემების ფორმულირება ეფუძნება არა ექსპერიმენტს, არამედ მათემატიკური მტკიცებულებებისა და ლოგიკური მსჯელობის საფუძველზე.
განვიხილოთ ასეთი პრობლემის კლასიკური ფორმულირება. არსებობს მრავალი ობიექტი, რომელთა მიმართაც აუცილებელია კლასიფიცირება. ნაკრები შედგება ქვეჯგუფებისგან, ან კლასებისგან. დაზუსტებულია: ინფორმაცია, რომელიც აღწერს კომპლექტს, ინფორმაცია კლასების შესახებ და ერთი ობიექტის აღწერა მისი კონკრეტული კლასის კუთვნილების მითითების გარეშე. დავალება: არსებული მონაცემების საფუძველზე განსაზღვრეთ რომელ კლასს ეკუთვნის ობიექტი.
თუ პრობლემებში არის მონოქრომული გამოსახულებები, ისინი შეიძლება ჩაითვალოს ფუნქციებად თვითმფრინავში. ფუნქცია იქნება გამოსახულების ფორმალური ჩანაწერი და თითოეულ წერტილში გამოხატავს ამ სურათის გარკვეულ მახასიათებელს - ოპტიკურ სიმკვრივეს, გამჭვირვალობას, სიკაშკაშეს და ა.შ. ამ შემთხვევაში გამოსახულების ნაკრების მოდელი იქნება სიბრტყეზე ფუნქციების ნაკრები. . ამოცნობის პრობლემის ფორმულირება დამოკიდებულია იმაზე, თუ როგორი უნდა იყოს აღიარების შემდგომი ეტაპები.
ნიმუშის ამოცნობის მეთოდები მოიცავს ფ. როზენბლატის ექსპერიმენტებს, რომელმაც შემოიტანა ტვინის მოდელის კონცეფცია. ექსპერიმენტის ამოცანაა აჩვენოს, თუ როგორ წარმოიქმნება ფსიქოლოგიური ფენომენები ფიზიკურ სისტემაში ცნობილი ფუნქციური თვისებებითა და სტრუქტურით. მეცნიერმა აღწერა ამოცნობის უმარტივესი ექსპერიმენტები, მაგრამ მათი მახასიათებელია არადეტერმინისტული ამოხსნის ალგორითმი.
უმარტივესი ექსპერიმენტი, რომლის საფუძველზეც შეიძლება მივიღოთ ფსიქოლოგიურად მნიშვნელოვანი ინფორმაცია სისტემის შესახებ, არის შემდეგი: პერცეპტრონი წარმოდგენილია ორი განსხვავებული სტიმულის თანმიმდევრობით, რომელთაგან თითოეულზე უნდა რეაგირება მოახდინოს რაიმე ფორმით და სხვადასხვა სტიმულისთვის. რეაქცია განსხვავებული უნდა იყოს. ასეთი ექსპერიმენტის მიზანი შეიძლება განსხვავებული იყოს. ექსპერიმენტატორს შეიძლება შეექმნას ამოცანა, შეისწავლოს წარმოდგენილი სტიმულის სისტემის მიერ სპონტანური დისკრიმინაციის შესაძლებლობა გარე ჩარევის გარეშე, ან, პირიქით, შეისწავლოს იძულებითი ამოცნობის შესაძლებლობა. მეორე შემთხვევაში, ექსპერიმენტატორი ასწავლის სისტემას სხვადასხვა ობიექტების კლასიფიკაციას, რომლებიც შეიძლება იყოს ორზე მეტი. სწავლის გამოცდილება შემდეგნაირად მიმდინარეობს: პერცეპტრონი წარმოდგენილია გამოსახულებებით, რომელთა შორის არიან ყველა კლასის წარმომადგენლები, რომლებიც უნდა ამოიცნონ. სწორი პასუხი გაძლიერებულია მეხსიერების მოდიფიკაციის წესების მიხედვით. ამის შემდეგ, ექსპერიმენტატორი წარუდგენს საკონტროლო სტიმულს პერცეტრონს და განსაზღვრავს მოცემული პასუხის მიღების ალბათობას ამ კლასის სურათებზე. საკონტროლო სტიმული შეიძლება ემთხვეოდეს ტრენინგის თანმიმდევრობაში წარმოდგენილ ერთ-ერთ ობიექტს ან განსხვავდებოდეს ყველა წარმოდგენილი ობიექტისგან. ამის მიხედვით მიიღება შემდეგი შედეგები:
- · თუ საკონტროლო სტიმული განსხვავდება ყველა ადრე წარმოდგენილი სასწავლო სტიმულისგან, მაშინ წმინდა დისკრიმინაციის გარდა, ექსპერიმენტი იკვლევს განზოგადების ელემენტებს.
- · თუ საკონტროლო სტიმული იწვევს სენსორული ელემენტების გარკვეული ჯგუფის გააქტიურებას, რომლებიც არ ემთხვევა არცერთ ელემენტს, რომელიც გააქტიურდა იმავე კლასის სტიმულის გავლენის ქვეშ, ადრე წარმოდგენილი, მაშინ ექსპერიმენტი იკვლევს წმინდა განზოგადებას და არ მოიცავს აღიარების შესწავლას.
იმისდა მიუხედავად, რომ პერცეპტრონებს არ შეუძლიათ სუფთა განზოგადება, ისინი დამაკმაყოფილებლად უმკლავდებიან ამოცნობის ამოცანებს, განსაკუთრებით იმ შემთხვევებში, როდესაც ნაჩვენებია სურათები, რომელთა მიმართ პერცეპტრონს უკვე აქვს გარკვეული გამოცდილება.
ადამიანის მეტყველების ამოცნობა და მანქანური თარგმანი.
ხელოვნური ინტელექტის გრძელვადიანი მიზნები მოიცავს პროგრამების შექმნას, რომლებსაც შეუძლიათ ადამიანის ენის ამოცნობა და მისი გამოყენება მნიშვნელოვანი ფრაზების ასაგებად. ბუნებრივი ენის გაგებისა და გამოყენების უნარი ადამიანის ინტელექტის ფუნდამენტური მახასიათებელია. ამ შესაძლებლობის წარმატებული ავტომატიზაცია კომპიუტერებს ბევრად უფრო ეფექტურს გახდის. დღემდე დაწერილია მრავალი პროგრამა, რომელსაც შეუძლია ბუნებრივი ენის გაგება და ისინი წარმატებით გამოიყენება შეზღუდულ კონტექსტში, მაგრამ ჯერჯერობით არ არსებობს სისტემები, რომლებსაც შეუძლიათ გამოიყენონ ბუნებრივი ენები იგივე ზოგადი და მოქნილობით, როგორც ამას ადამიანი აკეთებს. ფაქტია, რომ ბუნებრივი ენის გაგების პროცესი არ არის მხოლოდ წინადადებების კომპონენტებად დაყოფა და ცალკეული სიტყვების მნიშვნელობების ძიება ლექსიკონებში. ეს არის ზუსტად ის, რასაც პროგრამები კარგად აკეთებენ. ადამიანის მეტყველების გამოყენება მოითხოვს ფართო ცოდნას საუბრის თემაზე, მასთან დაკავშირებული იდიომების შესახებ, გარდა ამისა, გაურკვევლობის, გამოტოვების, პროფესიონალიზმის, ჟარგონის, სასაუბრო გამონათქვამების და მრავალი სხვა რამის გაგების უნარს, რაც თან ახლავს ნორმალურ ადამიანურ მეტყველებას. .
მაგალითია საუბარი ფეხბურთზე, სადაც გამოიყენება ისეთი სიტყვები, როგორიცაა „ფორვარდი“, „პასი“, „ტრანსფერი“, „პენალტი“, „მცველი“, „ფორვარდი“, „კაპიტანი“ და სხვა. თითოეულ ამ სიტყვას ახასიათებს მნიშვნელობების ნაკრები და ცალკეული სიტყვები საკმაოდ გასაგებია, მაგრამ მათგან შედგენილი ფრაზა გაუგებარი იქნება მათთვის, ვისაც ფეხბურთი არ უყვარს და არაფერი იცის ამის ისტორიის, წესებისა და პრინციპების შესახებ. თამაში. ამგვარად, ადამიანის ენის გასაგებად და გამოსაყენებლად, საჭიროა საფუძვლიანი ცოდნა, და ერთ-ერთი მთავარი პრობლემა ადამიანის ბუნებრივი ენის გაგებისა და გამოყენების ავტომატიზაციისას არის ასეთი ცოდნის შეგროვება და სისტემატიზაცია.
მას შემდეგ, რაც სემანტიკური მნიშვნელობები ასე ფართოდ გამოიყენება ხელოვნურ ინტელექტში, მეცნიერებმა შეიმუშავეს მრავალი მეთოდი, რომელიც მათ გარკვეულწილად სტრუქტურირებულის საშუალებას აძლევს. თუმცა, სამუშაოს უმეტესობა კეთდება პრობლემურ სფეროებში, რომლებიც კარგად არის გასაგები და სპეციალიზებული. ამის მაგალითია „მიკროსამყაროს“ ტექნიკა. ერთ-ერთი პირველი პროგრამა, სადაც ის გამოიყენეს, იყო ტერი ვინოგრადის მიერ შემუშავებული SHRDLU პროგრამა, რომელიც ადამიანის მეტყველების გაგების ერთ-ერთი სისტემაა. პროგრამის შესაძლებლობები საკმაოდ შეზღუდული იყო და გადაიზარდა „საუბარზე“ ბლოკების ადგილმდებარეობის შესახებ. სხვადასხვა ფერებიდა ფორმები, ასევე უმარტივესი მოქმედებების დაგეგმვა. პროგრამამ გასცა პასუხები კითხვებზე, როგორიცაა "რა ფერის არის პირამიდა ჯვარედინი ზოლზე?" და შეეძლო ინსტრუქციების მიცემა, როგორიცაა "დააყენე ლურჯი ბლოკი წითელზე". ასეთ პრობლემებს ხშირად ეხებოდნენ ხელოვნური ინტელექტის მკვლევარები და მოგვიანებით გახდა ცნობილი როგორც "ბლოკების სამყარო".
იმისდა მიუხედავად, რომ SHRDLU პროგრამამ წარმატებით „ალაპარაკა“ ბლოკების ადგილმდებარეობის შესახებ, მას არ ჰქონდა ამ „მიკროსამყაროს“ აბსტრაქციის უნარი. ის იყენებდა მეთოდებს, რომლებიც ძალიან მარტივი იყო უფრო მაღალი სირთულის საგნების სემანტიკური ორგანიზაციის გადმოსაცემად.
ბუნებრივი ენების გაგებისა და გამოყენების სფეროში მიმდინარე სამუშაოები ძირითადად მიმართულია საკმარისად ზოგადი წარმომადგენლობითი ფორმალიზმების ძიებაზე, რომლებიც შეიძლება ადაპტირდეს მოცემული ტერიტორიების სპეციფიკურ სტრუქტურებთან და გამოყენებული იქნას აპლიკაციების ფართო სპექტრში. არსებული მეთოდების უმეტესობა, რომლებიც წარმოადგენს სემიოტიკური ქსელების მოდიფიკაციას, შესწავლილია და გამოიყენება წერილობით პროგრამებში, რომლებსაც შეუძლიათ ბუნებრივი ენის ამოცნობა ვიწრო საგნობრივ სფეროებში. ამავდროულად, თანამედროვე შესაძლებლობები არ იძლევა საშუალებას შექმნას უნივერსალური პროგრამა, რომელსაც შეუძლია გაიგოს ადამიანის მეტყველება მთელი მისი მრავალფეროვნებით.
ნიმუშის ამოცნობის მრავალფეროვან პრობლემებს შორის შეიძლება გამოიყოს შემდეგი:
- დოკუმენტების კლასიფიკაცია
- მინერალური საბადოების განსაზღვრა
- გამოსახულების ამოცნობა
- · შტრიხკოდის ამოცნობა
- პერსონაჟების ამოცნობა
- · Სიტყვის აღიარება
- სახის ამოცნობა
- · სანომრე ნიშნის ამოცნობა
ხელოვნური ინტელექტი სათამაშო პროგრამებში.
თამაშის ხელოვნური ინტელექტი მოიცავს არა მხოლოდ ტრადიციული ხელოვნური ინტელექტის მეთოდებს, არამედ ზოგადად კომპიუტერული მეცნიერების ალგორითმებს, კომპიუტერულ გრაფიკას, რობოტიკას და კონტროლის თეორიას. არა მხოლოდ სისტემის მოთხოვნები, არამედ თამაშის ბიუჯეტიც დამოკიდებულია იმაზე, თუ როგორ ხორციელდება ხელოვნური ინტელექტი, ამიტომ დეველოპერებმა უნდა დააბალანსონ, შეეცადონ უზრუნველყონ, რომ თამაში ხელოვნური ინტელექტის შექმნას მინიმალური დანახარჯით და ამავე დროს. არის საინტერესო და რესურსების მიმართ არამოთხოვნილი. ის იყენებს სრულიად განსხვავებულ მიდგომას, ვიდრე ტრადიციული ხელოვნური ინტელექტის შემთხვევაში. კერძოდ, ფართოდ გამოიყენება ემულაციები, მოტყუებები და სხვადასხვა გამარტივებები. მაგალითი: პირველი პირის მსროლელთა მახასიათებელია ბოტების უნარი გადაადგილდნენ ზუსტად და მყისიერად დამიზნონ, მაგრამ ამავდროულად, ადამიანს არ აქვს ერთი შანსი, ამიტომ ბოტების შესაძლებლობები ხელოვნურად არ არის შეფასებული. ამავდროულად, საგუშაგოები განთავსებულია იმ დონეზე, რომ ბოტებმა შეძლონ გუნდურად იმოქმედონ, მოაწყონ ჩასაფრები და ა.შ. ხელოვნური ინტელექტის სურათი
თამაშის ხელოვნური ინტელექტის მიერ კონტროლირებად კომპიუტერულ თამაშებში წარმოდგენილია პერსონაჟების შემდეგი კატეგორიები:
- ბრბო - პერსონაჟები დაბალი დონეინტელექტი მტრულად განწყობილი ადამიანის მოთამაშის მიმართ. მოთამაშეები ანადგურებენ ბრბოებს, რათა გაიარონ ტერიტორია, მიიღონ არტეფაქტები და გამოცადონ ქულები.
- · არამოთამაშის პერსონაჟები - ჩვეულებრივ, ეს პერსონაჟები მოთამაშის მიმართ მეგობრული ან ნეიტრალურია.
- · ბოტები - მოთამაშეების მიმართ მტრულად განწყობილი პერსონაჟები, ყველაზე რთული დასაპროგრამებელი. მათი შესაძლებლობები უახლოვდება თამაშის პერსონაჟებს. ნებისმიერ დროს, ბოტების გარკვეული რაოდენობა ეწინააღმდეგება მოთამაშეს.
კომპიუტერული თამაშის ფარგლებში, არსებობს მრავალი სფერო, სადაც გამოიყენება მრავალფეროვანი ხელოვნური თამაშის ინტელექტის ევრისტიკული ალგორითმები. ყველაზე ფართოდ გამოყენებული თამაში AI არის არამოთამაშე პერსონაჟების კონტროლის ერთ-ერთი გზა. კონტროლის კიდევ ერთი თანაბრად გავრცელებული მეთოდია სკრიპტირება. თამაშის ხელოვნური ინტელექტის კიდევ ერთი აშკარა გამოყენება, განსაკუთრებით რეალურ დროში სტრატეგიულ თამაშებში, არის ბილიკი, ანუ მეთოდი იმის დასადგენად, თუ როგორ შეუძლია NPC-ს გადავიდეს რუკაზე ერთი წერტილიდან მეორეზე. ამასთან, გასათვალისწინებელია დაბრკოლებები, რელიეფი და შესაძლო „ომის ნისლი“. მობების დინამიური დაბალანსება ასევე არ არის სრულყოფილი ხელოვნური ინტელექტის გამოყენების გარეშე. ბევრმა თამაშმა სცადა არაპროგნოზირებადი ინტელექტის კონცეფცია. ეს არის თამაშები, როგორიცაა Nintendogs, Black & White, Creatures და კარგად ცნობილი Tamagotchi სათამაშო. ამ თამაშებში პერსონაჟები არიან შინაური ცხოველები, რომელთა ქცევა იცვლება მოთამაშის მოქმედებების მიხედვით. პერსონაჟებს, როგორც ჩანს, შეუძლიათ სწავლა, როდესაც სინამდვილეში მათი მოქმედებები არჩევანის შეზღუდული ნაკრებიდან არჩევის შედეგია.
ბევრი თამაშის პროგრამისტი განიხილავს ნებისმიერ ტექნიკას, რომელიც ქმნის ინტელექტის ილუზიას, როგორც თამაშის ხელოვნური ინტელექტის ნაწილად. თუმცა, ეს მიდგომა არ არის მთლად სწორი, რადგან იგივე ტექნიკის გამოყენება შესაძლებელია არა მხოლოდ თამაშის AI ძრავებში. მაგალითად, ბოტების შექმნისას გამოიყენება ალგორითმები მათში შეყვანილი შესაძლო მომავალი შეჯახების შესახებ, რის შედეგადაც ბოტები იძენენ ამ შეჯახების თავიდან აცილების „უნარს“. მაგრამ ეს იგივე ტექნიკა არის ფიზიკის ძრავის მნიშვნელოვანი და აუცილებელი კომპონენტი. კიდევ ერთი მაგალითი: ბოტის დამიზნების სისტემის მნიშვნელოვანი კომპონენტია წყლის მონაცემები და იგივე მონაცემები ფართოდ გამოიყენება გრაფიკულ ძრავში რენდერის დროს. საბოლოო მაგალითია სკრიპტირება. ამ ხელსაწყოს წარმატებით გამოყენება შესაძლებელია თამაშის განვითარების ყველა ასპექტში, მაგრამ ყველაზე ხშირად ის განიხილება, როგორც NPC-ების მოქმედებების კონტროლის ერთ-ერთი საშუალება.
პურისტების აზრით, გამოთქმას „თამაშის ხელოვნური ინტელექტი“ არსებობის უფლება არ აქვს, რადგან ეს გაზვიადებულია. როგორც მთავარ არგუმენტს, მათ წამოაყენეს ის ფაქტი, რომ თამაშში ხელოვნური ინტელექტის შესახებ გამოიყენება მეცნიერების მხოლოდ ზოგიერთი სფერო კლასიკური ხელოვნური ინტელექტის შესახებ. გასათვალისწინებელია ისიც, რომ ხელოვნური ინტელექტის მიზნები არის თვითსწავლების სისტემების შექმნა და ხელოვნური ინტელექტის შექმნაც კი, რომელსაც შეუძლია მსჯელობა, თუმცა ხშირად შემოიფარგლება ევრისტიკით და რამდენიმე წესის ნაკრებით, რომლებიც საკმარისია შესაქმნელად. კარგი გეიმპლეი და აძლევს მოთამაშეს ნათელ შთაბეჭდილებებს და გრძნობებს თამაშიდან.
ამჟამად, კომპიუტერული თამაშების შემქმნელები ინტერესდებიან აკადემიური ხელოვნური ინტელექტის მიმართ, ხოლო აკადემიური საზოგადოება, თავის მხრივ, იწყებს დაინტერესებას კომპიუტერული თამაშებით. ეს აჩენს კითხვას, რამდენად განსხვავდება თამაში და კლასიკური AI ერთმანეთისგან. ამავდროულად, თამაშის ხელოვნური ინტელექტი კვლავ განიხილება კლასიკურის ერთ-ერთ ქვედანაყოფად. ეს გამოწვეულია იმით, რომ ხელოვნურ ინტელექტს აქვს სხვადასხვა აპლიკაციის სფერო, რომელიც განსხვავდება ერთმანეთისგან. თუ ვსაუბრობთ თამაშის ინტელექტზე, აქ მნიშვნელოვანი განსხვავებაა მოტყუების შესაძლებლობა, რათა გადაჭრას გარკვეული პრობლემები "ლეგიტიმური" გზებით. ერთის მხრივ, მოტყუების მინუსი არის ის, რომ ის ხშირად იწვევს არარეალურ ხასიათის ქცევას და ამ მიზეზით ყოველთვის არ შეიძლება მისი გამოყენება. მეორეს მხრივ, ასეთი მოტყუების შესაძლებლობა არის მნიშვნელოვანი განსხვავება თამაშის AI-ს შორის.
ხელოვნური ინტელექტის კიდევ ერთი საინტერესო ამოცანაა კომპიუტერს ჭადრაკის თამაშის სწავლება. მის გადაწყვეტაში მეცნიერები მთელი მსოფლიოდან იყვნენ დაკავებულნი. ამ ამოცანის თავისებურება ის არის, რომ კომპიუტერის ლოგიკური შესაძლებლობების დემონსტრირება შესაძლებელია მხოლოდ რეალური მოწინააღმდეგის თანდასწრებით. პირველი ასეთი დემონსტრაცია გაიმართა 1974 წელს, სტოკჰოლმში, სადაც ჩატარდა ჭადრაკის მსოფლიო ჩემპიონატი ჭადრაკის პროგრამებს შორის. ეს კონკურსი გაიმარჯვა პროგრამით Kaissa, შექმნილი საბჭოთა მეცნიერების მიერ მოსკოვში მდებარე სსრკ მეცნიერებათა აკადემიის მართვის პრობლემების ინსტიტუტიდან.
ხელოვნური ინტელექტი მანქანურ შემოქმედებაში.
ადამიანის ინტელექტის ბუნება ჯერ კიდევ არ არის საკმარისად შესწავლილი და ადამიანის შემოქმედების ბუნების შესწავლის ხარისხი კიდევ უფრო ნაკლებია. თუმცა, ხელოვნური ინტელექტის ერთ-ერთი სფეროა მანქანური შემოქმედება. თანამედროვე კომპიუტერები ქმნიან მუსიკალურ, ლიტერატურულ და ფერწერულ ნაწარმოებებს, კომპიუტერული თამაშებისა და კინოინდუსტრიაში დიდი ხანია იყენებენ მანქანების მიერ შექმნილ რეალისტურ სურათებს. არსებული პროგრამები ქმნიან სხვადასხვა სურათებს, რომლებიც ადვილად აღიქვამენ და ესმის ადამიანს. ეს განსაკუთრებით მნიშვნელოვანია, როდესაც საქმე ეხება ინტუიციურ ცოდნას, რომლის ფორმალიზებული გადამოწმებისთვის საჭიროა მნიშვნელოვანი გონებრივი ძალისხმევა. ამრიგად, მუსიკალური ამოცანები წარმატებით წყდება პროგრამირების ენის გამოყენებით, რომელთაგან ერთ-ერთია CSound ენა. სპეციალური პროგრამული უზრუნველყოფა, რომლის დახმარებითაც იქმნება მუსიკალური ნაწარმოებები, წარმოდგენილია ალგორითმული კომპოზიციური პროგრამებით, ინტერაქტიული კომპოზიციური სისტემებით, ხმის სინთეზისა და დამუშავების სისტემებით.
საექსპერტო სისტემები.
თანამედროვე საექსპერტო სისტემების შემუშავება მკვლევარებმა განახორციელეს 1970-იანი წლების დასაწყისიდან, ხოლო 1980-იანი წლების დასაწყისში საექსპერტო სისტემების შემუშავება დაიწყო კომერციულ საფუძველზე. საექსპერტო სისტემების პროტოტიპები, შემოთავაზებული 1832 წელს რუსი მეცნიერის ს. ნ. კორსაკოვის მიერ, იყო მექანიკური მოწყობილობები, სახელწოდებით "ინტელექტუალური მანქანები", რამაც შესაძლებელი გახადა გამოსავლის პოვნა მოცემულ პირობებში. მაგალითად, გაანალიზდა პაციენტში დაფიქსირებული დაავადების სიმპტომები და ამ ანალიზის შედეგების საფუძველზე შემოგვთავაზეს ყველაზე შესაფერისი მედიკამენტები.
კომპიუტერული მეცნიერება განიხილავს საექსპერტო სისტემებს ცოდნის ბაზებთან ერთად. სისტემები არის ექსპერტთა ქცევის მოდელები, რომლებიც დაფუძნებულია გადაწყვეტილების მიღების პროცედურების გამოყენებასა და ლოგიკურ დასკვნებზე. ცოდნის საფუძვლები განიხილება, როგორც დასკვნის წესებისა და ფაქტების ერთობლიობა, რომელიც უშუალოდ არის დაკავშირებული საქმიანობის არჩეულ სფეროსთან.
გასული საუკუნის ბოლოს განვითარდა საექსპერტო სისტემების გარკვეული კონცეფცია, რომელიც ღრმად იყო ორიენტირებული ადამიანისა და მანქანის ტექსტური ინტერფეისისკენ, რაც საყოველთაოდ მიღებული იყო იმ დროს. ამჟამად, ამ კონცეფციამ სერიოზული კრიზისი განიცადა, როგორც ჩანს, იმის გამო, რომ მომხმარებლის აპლიკაციებში ტექსტზე დაფუძნებული ინტერფეისი შეიცვალა გრაფიკულით. გარდა ამისა, რელაციური მონაცემთა მოდელი და ექსპერტთა სისტემების აგების „კლასიკური“ შეხედულება ცუდად შეესაბამება ერთმანეთს. შესაბამისად, საექსპერტო სისტემების ცოდნის ბაზების ორგანიზება ვერ განხორციელდება ეფექტურად, ყოველ შემთხვევაში, მონაცემთა ბაზების მართვის თანამედროვე სამრეწველო სისტემების გამოყენებით. ლიტერატურასა და ონლაინ წყაროებში მოყვანილია საექსპერტო სისტემების მრავალი მაგალითი, რომელსაც უწოდებენ "საერთო" ან "საყოველთაოდ ცნობილი". სინამდვილეში, ყველა ეს საექსპერტო სისტემა შეიქმნა გასული საუკუნის 80-იან წლებში და ამ დროისთვის ან შეწყვიტა არსებობა, ან უიმედოდ მოძველებულია და არსებობს რამდენიმე ენთუზიასტის წყალობით. მეორეს მხრივ, თანამედროვე პროგრამული პროდუქტების შემქმნელები ხშირად მოიხსენიებენ თავიანთ შემოქმედებას, როგორც ექსპერტულ სისტემებს. ასეთი განცხადებები სხვა არაფერია, თუ არა მარკეტინგული ხრიკი, რადგან სინამდვილეში ეს პროდუქტები არ არის საექსპერტო სისტემები (მაგალითად შეიძლება გამოვიდეს ნებისმიერი კომპიუტერული იურიდიული საცნობარო სისტემა). ენთუზიასტები ცდილობენ დააკავშირონ მომხმარებლის ინტერფეისის შექმნის მიდგომები ექსპერტული სისტემების შექმნის "კლასიკურ" მიდგომებთან. ეს მცდელობები აისახება ისეთ პროექტებში, როგორიცაა CLIPS.NET, CLIPS Java Native Interface და სხვა, თუმცა დიდი კომპანიებიპროგრამული უზრუნველყოფის კომპანიებს არ სურთ მსგავსი პროექტების დაფინანსება და ამ მიზეზით განვითარება არ სცილდება ექსპერიმენტულ ეტაპს.
სფეროების მთელი მრავალფეროვნება, რომლებშიც შესაძლებელია ცოდნაზე დაფუძნებული სისტემების გამოყენება, შეიძლება დაიყოს კლასებად: სამედიცინო დიაგნოსტიკა, დაგეგმვა, პროგნოზირება, კონტროლი და მართვა, ტრენინგი, ინტერპრეტაცია, ხარვეზის დიაგნოზი ელექტრო და მექანიკურ აღჭურვილობაში, ტრენინგი. მოდით შევხედოთ თითოეულ ამ კლასს უფრო დეტალურად.
ა) სამედიცინო დიაგნოსტიკური სისტემები.
ასეთი სისტემების დახმარებით დგინდება, თუ როგორ ხდება სხვადასხვა სახის დარღვევები სხეულის აქტივობაში და მათში შესაძლო მიზეზები. ყველაზე ცნობილი დიაგნოსტიკური სისტემაა MYCIN. იგი გამოიყენება მენინგიტის დიაგნოსტიკისთვის და ბაქტერიული ინფექციები, ასევე იმ პაციენტების მდგომარეობის მონიტორინგი, რომლებსაც აქვთ ეს დაავადებები. სისტემის პირველი ვერსია შეიქმნა 70-იან წლებში. დღეისათვის მისი შესაძლებლობები მნიშვნელოვნად გაფართოვდა: სისტემა დებს დიაგნოზს იმავე პროფესიულ დონეზე, როგორც სპეციალისტი ექიმი და შეიძლება გამოყენებულ იქნას მედიცინის სხვადასხვა დარგში.
ბ) პროგნოზირების სისტემები.
სისტემები შექმნილია მოვლენების ან მოვლენების შედეგების პროგნოზირებისთვის არსებული სიტუაციის ან ობიექტის მდგომარეობის დამახასიათებელი არსებული მონაცემების საფუძველზე. ამრიგად, პროგრამა "უოლ სტრიტის დაპყრობა", რომელიც იყენებს თავის მუშაობას სტატისტიკური მეთოდებიალგორითმები, შეუძლია ბაზრის პირობების ანალიზი და საინვესტიციო გეგმის შემუშავება. პროგრამა იყენებს ტრადიციული პროგრამირების ალგორითმებსა და პროცედურებს, ამიტომ ის არ შეიძლება კლასიფიცირდეს როგორც ცოდნაზე დაფუძნებული სისტემა. დღეს უკვე არსებობს პროგრამები, რომლებსაც შეუძლიათ წინასწარ განსაზღვრონ მგზავრთა ნაკადი, მოსავლის მოსავალი და ამინდი არსებული მონაცემების ანალიზით. ასეთი პროგრამები საკმაოდ მარტივია და ზოგიერთი მათგანის გამოყენება შესაძლებელია ჩვეულებრივ პერსონალურ კომპიუტერებზე. თუმცა, ჯერ კიდევ არ არსებობს საექსპერტო სისტემები, რომლებიც, ბაზრის მონაცემებზე დაყრდნობით, შემოგთავაზებენ კაპიტალის გაზრდას.
გ) დაგეგმვა.
დაგეგმვის სისტემები შექმნილია პრობლემების გადასაჭრელად ცვლადების დიდი რაოდენობით, კონკრეტული შედეგების მისაღწევად. პირველად კომერციულ სფეროში მსგავსი სისტემები დამასკოს ფირმა „ინფორმატმა“ გამოიყენა. კომპანიის ხელმძღვანელობამ ოფისის ფოიეში 13 სადგურის დამონტაჟება გასცა, რაც განხორციელდა უფასო კონსულტაციებიმყიდველებისთვის, ვისაც სურს შეიძინოს კომპიუტერი. მანქანები დაეხმარა არჩევანის გაკეთებას, რომელიც საუკეთესოდ შეეფერება მყიდველის ბიუჯეტს და სურვილებს. საექსპერტო სისტემები Boeing-მა ასევე გამოიყენა ისეთი მიზნებისთვის, როგორიცაა ვერტმფრენების შეკეთება, თვითმფრინავის ძრავების გაუმართაობის მიზეზების დადგენა და კოსმოსური სადგურების დიზაინი. DEC-მა შექმნა XCON საექსპერტო სისტემა, რომელსაც შეუძლია განსაზღვროს და გადააკეთოს VAX კომპიუტერული სისტემები მომხმარებელთა მოთხოვნების დასაკმაყოფილებლად. DEC ამჟამად ავითარებს უფრო მძლავრ XSEL სისტემას, რომელიც მოიცავს XCON ცოდნის ბაზას. სისტემის შექმნის მიზანია დაეხმაროს მომხმარებლებს საჭირო კონფიგურაციის გამოთვლითი სისტემის შერჩევაში. განსხვავება XSEL-სა და XCON-ს შორის არის ის, რომ ის ინტერაქტიულია.
დ) ინტერპრეტაცია.
ინტერპრეტიულ სისტემებს შეუძლიათ დაკვირვების შედეგების საფუძველზე დასკვნების გამოტანა. ერთ-ერთი ყველაზე ცნობილი ინტერპრეტაციის სისტემაა PROSPECTOR სისტემა. ის მუშაობს ცხრა ექსპერტის ცოდნაზე დაფუძნებული მონაცემების გამოყენებით. სისტემის ეფექტურობა შეიძლება შეფასდეს ერთი მაგალითით: გამოკვლევის ცხრა განსხვავებული მეთოდის გამოყენებით სისტემამ აღმოაჩინა მადნის საბადო, რომელსაც არც ერთი ექსპერტი არ მოელოდა. კიდევ ერთი ცნობილი ინტერპრეტაციის ტიპის სისტემაა HASP/SIAP. ის იყენებს აკუსტიკური თვალთვალის სისტემების მონაცემებს და მათზე დაყრდნობით განსაზღვრავს გემების მდებარეობას წყნარ ოკეანეში და მათ ტიპებს.
ე) ინტელექტუალური კონტროლისა და მართვის სისტემები.
საექსპერტო სისტემები წარმატებით გამოიყენება კონტროლისა და მართვისთვის. მათ შეუძლიათ გააანალიზონ რამდენიმე წყაროდან მიღებული მონაცემები და მიიღონ გადაწყვეტილებები ანალიზის შედეგებზე დაყრდნობით. ასეთ სისტემებს შეუძლიათ განახორციელონ სამედიცინო მონიტორინგი და გააკონტროლონ თვითმფრინავების მოძრაობა, გარდა ამისა, ისინი გამოიყენება ატომურ ელექტროსადგურებში. ასევე, მათი დახმარებით რეგულირდება საწარმოს ფინანსური საქმიანობა და მუშავდება გადაწყვეტილებები კრიტიკულ სიტუაციებში.
ვ) ელექტრო და მექანიკური მოწყობილობების დიაგნოსტიკა და პრობლემების აღმოფხვრა.
ცოდნაზე დაფუძნებული სისტემები გამოიყენება ისეთ შემთხვევებში, როგორიცაა:
დიზელის ლოკომოტივების, ავტომობილების და სხვა ელექტრო და მექანიკური მოწყობილობების შეკეთება;
კომპიუტერების პროგრამულ უზრუნველყოფასა და აპარატურაში შეცდომების და გაუმართაობის დიაგნოსტიკა და აღმოფხვრა.
და) კომპიუტერული სისტემებისწავლა.
საგანმანათლებლო მიზნებისთვის ცოდნაზე დაფუძნებული სისტემების გამოყენება საკმაოდ ეფექტურია. სისტემა აანალიზებს ობიექტის ქცევას და აქტივობას და მიღებული ინფორმაციის შესაბამისად ცვლის ცოდნის ბაზას. უმარტივესი მაგალითიასეთი ტრენინგი კომპიუტერული თამაში, რომელშიც დონეები უფრო რთული ხდება მოთამაშის უნარის მატებასთან ერთად. საინტერესო სასწავლო სისტემა - EURISCO - შეიმუშავა დ.ლენატმა. იგი იყენებს მარტივ ევრისტიკას. სისტემა გამოყენებული იყო თამაშის სიმულაციაში ბრძოლა. თამაშის არსი არის ფლოტილის ოპტიმალური შემადგენლობის განსაზღვრა, რომელსაც შეუძლია დამარცხების მიყენება მრავალი წესის დაცვით. სისტემამ წარმატებით გაართვა თავი ამ ამოცანას, მათ შორის ფლოტილის შემადგენლობაში ერთი პატარა ხომალდი და რამდენიმე ხომალდი, რომელსაც შეუძლია შეტევის განხორციელება. თამაშის წესები ყოველწლიურად იცვლებოდა, მაგრამ EURISCO სისტემა მუდმივად იმარჯვებდა სამი წლის განმავლობაში.
არსებობს მრავალი საექსპერტო სისტემა, რომელიც, ცოდნის შინაარსის მიხედვით, შეიძლება ერთდროულად რამდენიმე ტიპს მივაკუთვნოთ. მაგალითად, სისტემა, რომელიც ახორციელებს დაგეგმვას, ასევე შეიძლება იყოს სასწავლო სისტემა. მას შეუძლია მოსწავლის ცოდნის დონის განსაზღვრა და ამ ინფორმაციის საფუძველზე სასწავლო გეგმის შედგენა. კონტროლის სისტემები გამოიყენება დაგეგმვის, პროგნოზირების, დიაგნოსტიკისა და კონტროლისთვის. სახლის ან ბინის დასაცავად შექმნილ სისტემებს შეუძლიათ თვალყური ადევნონ გარემოში არსებულ ცვლილებებს, იწინასწარმეტყველონ სიტუაციის განვითარება და შეადგინონ შემდგომი მოქმედებების გეგმა. მაგალითად, ფანჯარა გაიღო და ქურდი ოთახში შესვლას ცდილობს, ამიტომ აუცილებელია პოლიციის გამოძახება.
საექსპერტო სისტემების ფართო გამოყენება დაიწყო 1980-იან წლებში, როდესაც ისინი პირველად იქნა დანერგილი კომერციულად. ES გამოიყენება ბევრ სფეროში, მათ შორის ბიზნესში, მეცნიერებაში, ტექნოლოგიაში, წარმოებაში და სხვა ინდუსტრიებში, რომლებიც ხასიათდება კარგად განსაზღვრული საგნით. ამ კონტექსტში „კარგად განსაზღვრული“ ნიშნავს, რომ ადამიანს შეუძლია მსჯელობის კურსი ცალკეულ ეტაპებად დაყოს და ამგვარად, ნებისმიერი პრობლემა, რომელიც ამ სფეროს ფარგლებშია, შეიძლება გადაიჭრას. შესაბამისად, მსგავსი ქმედებებიშეიძლება გაკეთდეს კომპიუტერული პროგრამით. თამამად შეიძლება ითქვას, რომ ხელოვნური ინტელექტის გამოყენება კაცობრიობას გაუთავებელ შესაძლებლობებს უხსნის.
ამოცანების ყველაზე მნიშვნელოვან კლასებს შორის, რომლებიც დაეკისრათ ინტელექტუალური სისტემების შემქმნელებს ხელოვნური ინტელექტის, როგორც სამეცნიერო მიმართულების განსაზღვრის შემდეგ (1950-იანი წლების შუა პერიოდიდან), უნდა გამოვყოთ შემდეგი: ხელოვნური ინტელექტის მიმართულებები, რომლებიც აგვარებენ პრობლემებს, რომლებიც რთულად ფორმალურია: თეორემის დადასტურება, გამოსახულების ამოცნობა, მანქანური თარგმანი და ადამიანის მეტყველების გაგება, თამაშის პროგრამები, მანქანური კრეატიულობა, საექსპერტო სისტემები. მოკლედ განვიხილოთ მათი არსი.
ხელოვნური ინტელექტის მიმართულებები
თეორემის მტკიცებულება. ხელოვნური ინტელექტის განვითარებაში მნიშვნელოვანი როლი ითამაშა თეორემის დამადასტურებელი ტექნიკის შესწავლამ. ბევრი არაფორმალური პრობლემა, მაგალითად, სამედიცინო დიაგნოსტიკა, იყენებს მეთოდოლოგიურ მიდგომებს, რომლებიც გამოიყენებოდა ამოხსნისას თეორემების დადასტურების ავტომატიზაციისთვის. მათემატიკური თეორემის მტკიცებულების ძიება მოითხოვს არა მხოლოდ ჰიპოთეზებიდან გამოყვანას, არამედ ინტუიციას იმის შესახებ, თუ რომელი შუალედური დებულებები უნდა დადასტურდეს მთავარი თეორემის ზოგადი დადასტურებისთვის.
გამოსახულების ამოცნობა. ნიმუშის ამოცნობისთვის ხელოვნური ინტელექტის გამოყენებამ შესაძლებელი გახადა მსგავსი მახასიათებლების საფუძველზე გრაფიკული ობიექტების იდენტიფიკაციის პრაქტიკულად სამუშაო სისტემების შექმნა. ამოსაცნობი ობიექტების ნებისმიერი მახასიათებელი შეიძლება ჩაითვალოს მახასიათებლებად. მახასიათებლები უნდა იყოს უცვლელი ობიექტების ორიენტაციის, ზომისა და ფორმის მიმართ. ნიშნების ანბანი ჩამოყალიბებულია სისტემის შემქმნელის მიერ. აღიარების ხარისხი დიდწილად დამოკიდებულია იმაზე, თუ რამდენად კარგად არის ჩამოყალიბებული მახასიათებლების ანბანი. ამოცნობა გულისხმობს სურათზე შერჩეული ცალკეული ობიექტისთვის მახასიათებლების ვექტორის აპრიორულ მიღებას და, შემდეგ, მახასიათებლების ანბანის რომელ სტანდარტებს შეესაბამება ეს ვექტორი.
მანქანური თარგმანი და ადამიანის მეტყველების გაგება. ლექსიკონის გამოყენებით ადამიანის სამეტყველო წინადადებების ანალიზის ამოცანა ხელოვნური ინტელექტის სისტემების ტიპიური ამოცანაა. მის გადასაჭრელად შეიქმნა შუამავალი ენა, რათა ხელი შეუწყოს ფრაზების შესაბამისობას სხვადასხვა ენებზე. მომავალში ეს შუამავალი ენა გადაიქცა სათარგმნი ტექსტების მნიშვნელობების წარმოდგენის სემანტიკურ მოდელად. სემანტიკური მოდელის ევოლუციამ გამოიწვია ცოდნის შინაგანი წარმოდგენის ენის შექმნა. Როგორც შედეგი, თანამედროვე სისტემებიგანახორციელეთ ტექსტებისა და ფრაზების ანალიზი ოთხ ძირითად ეტაპად: მორფოლოგიური ანალიზი, სინტაქსური, სემანტიკური და პრაგმატული ანალიზი.
თამაშის პროგრამები. თამაშის პროგრამების უმეტესობა ეფუძნება ხელოვნური ინტელექტის რამდენიმე ძირითად იდეას, როგორიცაა ვარიანტების ჩამოთვლა და თვითსწავლება. ხელოვნური ინტელექტის მეთოდების გამოყენებით სათამაშო პროგრამების სფეროში ერთ-ერთი ყველაზე საინტერესო ამოცანაა კომპიუტერის ჭადრაკის სწავლება. იგი დაარსდა გამოთვლის პირველ დღეებში, 1950-იანი წლების ბოლოს.
ჭადრაკში არსებობს გარკვეული დონის უნარები, თამაშის ხარისხის ხარისხი, რამაც შეიძლება მკაფიო კრიტერიუმები მისცეს სისტემის ინტელექტუალური ზრდის შესაფასებლად. ამიტომ, მეცნიერები მთელი მსოფლიოდან აქტიურად იყვნენ ჩართულნი კომპიუტერულ ჭადრაკში და მათი მიღწევების შედეგები გამოიყენება სხვა რეალური პრაქტიკული მნიშვნელობის ინტელექტუალურ განვითარებაში.
1974 წელს სტოკჰოლმში IFIP (ინფორმაციის დამუშავების საერთაშორისო ფედერაციის) მორიგი კონგრესის ფარგლებში პირველად ჩატარდა ჭადრაკის პროგრამებს შორის მსოფლიო ჩემპიონატი. ამ შეჯიბრში გამარჯვებული გახდა საჭადრაკო პროგრამა „კაისა“. იგი შეიქმნა მოსკოვში, სსრკ მეცნიერებათა აკადემიის კონტროლის პრობლემების ინსტიტუტში.
მანქანების კრეატიულობა. ხელოვნური ინტელექტის გამოყენების ერთ-ერთი სფეროა პროგრამული სისტემებიშეუძლია დამოუკიდებლად შექმნას მუსიკა, ლექსები, მოთხრობები, სტატიები, დიპლომები და დისერტაციებიც კი. დღეს არის მუსიკალური პროგრამირების ენების მთელი კლასი (მაგალითად, C-Sound ენა). სხვადასხვა მუსიკალური ამოცანებისთვის შეიქმნა სპეციალური პროგრამული უზრუნველყოფა: ხმის დამუშავების სისტემები, ხმის სინთეზი, ინტერაქტიული კომპოზიციური სისტემები, ალგორითმული კომპოზიციის პროგრამები.
საექსპერტო სისტემები. ხელოვნური ინტელექტის მეთოდებმა იპოვეს გამოყენება ავტომატური საკონსულტაციო სისტემების ან საექსპერტო სისტემების შექმნაში. პირველი საექსპერტო სისტემები კვლევის იარაღად შეიქმნა გასული საუკუნის 60-იან წლებში.
ისინი წარმოადგენდნენ ხელოვნური ინტელექტის სისტემებს, რომლებიც სპეციალურად შექმნილია ვიწრო საგნის კომპლექსური პრობლემების გადასაჭრელად, როგორიცაა დაავადებების სამედიცინო დიაგნოსტიკა. ამ მიმართულების კლასიკური მიზანი თავდაპირველად იყო ზოგადი დანიშნულების ხელოვნური ინტელექტის სისტემის შექმნა, რომელიც შეძლებდა ნებისმიერი პრობლემის გადაჭრას საგნის სფეროში კონკრეტული ცოდნის გარეშე. გამოთვლითი რესურსების შეზღუდული სიმძლავრის გამო, ეს პრობლემა საკმაოდ რთული გადასაჭრელი აღმოჩნდა მისაღები შედეგით.
საექსპერტო სისტემების კომერციული დანერგვამოხდა 1980-იანი წლების დასაწყისში და მას შემდეგ საექსპერტო სისტემები ფართოდ გავრცელდა. ისინი გამოიყენება ბიზნესში, მეცნიერებაში, ტექნოლოგიაში, წარმოებაში, ისევე როგორც ბევრ სხვა სფეროში, სადაც არის კარგად განსაზღვრული საგანი. გამოთქმის "საკმაოდ განსაზღვრული" მთავარი მნიშვნელობა არის ის, რომ ადამიანურ ექსპერტს შეუძლია განსაზღვროს მსჯელობის ის ეტაპები, რომლითაც შესაძლებელია მოცემული საგნის სფეროში ნებისმიერი პრობლემის გადაჭრა. ეს ნიშნავს, რომ მსგავსი ქმედებები შეიძლება შესრულდეს კომპიუტერული პროგრამის მიერ.
ახლა ჩვენ შეგვიძლია დარწმუნებით ვთქვათ, რომ ხელოვნური ინტელექტის სისტემების გამოყენებახსნის ფართო საზღვრებს.
დღეს საექსპერტო სისტემები ხელოვნური ინტელექტის ტექნოლოგიის ერთ-ერთი ყველაზე წარმატებული პროგრამაა. ამიტომ, გირჩევთ გაეცნოთ.
რუსეთის ფედერაციის განათლებისა და მეცნიერების სამინისტრო
საერთაშორისო ინსტიტუტი "INFO-Ruthenia"
საკურსო სამუშაო
დისციპლინა:
კონტროლის სისტემების კვლევა
თემა: ხელოვნური ინტელექტის გამოყენება საწარმოში
ბალაცკაია ე.ნ.
შესავალი
2. ხელოვნური ინტელექტი: გამოყენების სფეროები
3. ხელოვნური ინტელექტი და მისი განვითარების პერსპექტივები
დასკვნა
ლექსიკონი
შესავალი
ხელოვნური ინტელექტის მეცნიერება მე-20 საუკუნის შუა ხანებიდან იღებს სათავეს. მას შემდეგ ბევრ კვლევით ლაბორატორიაში მეცნიერები მუშაობდნენ კომპიუტერების შექმნაზე, რომლებსაც აქვთ უნარი აზროვნების იმავე დონეზე, როგორც ადამიანს. იმ დროს ხელოვნური ინტელექტის გაჩენის წინაპირობები უკვე არსებობდა. ასე რომ, ფსიქოლოგებმა შექმნეს ადამიანის ტვინის მოდელი და შეისწავლეს აზროვნების პროცესები. მათემატიკოსებმა შექმნეს ალგორითმების თეორია, რომელიც გახდა გამოთვლის მათემატიკური თეორიის საფუძველი, დალაგდა და სტრუქტურირებული იყო ცოდნა სამყაროს შესახებ, გადაწყდა ოპტიმალური გამოთვლების კითხვები და შეიქმნა პირველი კომპიუტერები.
ახალმა მანქანებმა შეძლეს გამოთვლების შესრულება ბევრად უფრო სწრაფად, ვიდრე ადამიანები, ამიტომ მეცნიერები ფიქრობდნენ კომპიუტერების შექმნის შესაძლებლობაზე, რომლებიც მიაღწიეს ადამიანის განვითარების დონეს. 1950 წელს ინგლისელმა მეცნიერმა ალან ტურინგმა გამოაქვეყნა სტატია „შეუძლია თუ არა მანქანას აზროვნება?“. ამ სტატიაში ის გვთავაზობს განისაზღვროს აპარატის ინტელექტის ხარისხი მის მიერ შემუშავებული ტესტის გამოყენებით, რომელიც მოგვიანებით გახდა ცნობილი როგორც "ტურინგის ტესტი".
ხელოვნური ინტელექტის სფეროში სხვა მეცნიერებიც მუშაობდნენ, მაგრამ მათ მოუწიათ მთელი რიგი პრობლემების წინაშე, რომლებიც ვერ გადაიჭრებოდა ტრადიციული კომპიუტერული მეცნიერების ფარგლებში. აღმოჩნდა, რომ უპირველეს ყოვლისა, შესწავლილი უნდა იყოს სენსორული აღქმის, ინფორმაციის ათვისების მექანიზმები, ასევე ენის ბუნება. აღმოჩნდა, რომ ძალიან რთული იყო ტვინის მუშაობის იმიტაცია, რადგან ამისათვის საჭირო იქნებოდა მილიარდობით ნეირონების მუშაობის რეპროდუცირება, რომლებიც ურთიერთქმედებენ ერთმანეთთან. მაგრამ უფრო მეტიც რთული ამოცანავიდრე ტვინის მუშაობის იმიტაცია, აღმოჩნდა მისი ფუნქციონირების პრინციპებისა და მექანიზმების შესწავლა. Ეს პრობლემადაზვერვის მკვლევარების წინაშე, გავლენა მოახდინა ფსიქოლოგიის თეორიულ მხარეზე. მეცნიერებმა ჯერ ვერ მიაღწიეს კონსენსუსს იმის შესახებ, თუ რა არის ინტელექტი. ზოგი ინტელექტის ნიშნად მიიჩნევს მაღალი სირთულის პრობლემების გადაჭრის უნარს; სხვებისთვის ინტელექტი, უპირველეს ყოვლისა, ინფორმაციის სწავლის, განზოგადებისა და ანალიზის უნარია; სხვები თვლიან, რომ ეს არის გარე სამყაროსთან ეფექტური ურთიერთობის შესაძლებლობა, კომუნიკაციის, აღქმისა და აღქმული ინფორმაციის გააზრების უნარი.
ამ საკურსო ნაშრომში შესწავლის ობიექტია ხელოვნური ინტელექტი. სასწავლო საგანი - შესაძლო გზებიმისი გაუმჯობესება და განვითარება.
სამუშაოს მიზანი: გამოავლინოს ადამიანის საქმიანობის სფეროები, რომლებშიც შესაძლებელია ხელოვნური ინტელექტის გამოყენება.
ამ სამუშაოს ფარგლებში ჩატარებული კვლევის მსვლელობისას გათვალისწინებულია რამდენიმე პრობლემის გადაჭრა:
) განვიხილოთ ხელოვნური ინტელექტის გაჩენის ისტორია;
) ხელოვნური ინტელექტის შექმნის ძირითადი მიზნების განსაზღვრა;
) მკითხველს გააცნოს თანამედროვე სამყაროში ხელოვნური ინტელექტის აპლიკაციების სახეები;
) გამოიკვლიეთ პერსპექტიული სფეროები, რომლებშიც შესაძლებელია ხელოვნური ინტელექტის გამოყენება;
) დაფიქრდით, როგორი შეიძლება იყოს მომავალი ხელოვნური ინტელექტით.
წარმოდგენილი კურსის ნამუშევარი შეიძლება დაინტერესდეს ყველასთვის, ვისაც აინტერესებს ხელოვნური ინტელექტის გაჩენისა და განვითარების ისტორია, გარდა ამისა, ის შეიძლება გამოყენებულ იქნას როგორც სასწავლო დამხმარე საშუალება.
1. ტერმინის „ხელოვნური ინტელექტის“ მნიშვნელობა.
კაცობრიობამ პირველად გაიგო ხელოვნური ინტელექტის შესახებ 50 წელზე მეტი ხნის წინ. ეს მოხდა 1956 წელს დარტმუთის უნივერსიტეტში გამართულ კონფერენციაზე, სადაც ჯონ მაკკარტიმ ტერმინს მკაფიო და ზუსტი განმარტება მისცა. „ხელოვნური ინტელექტი არის ინტელექტუალური მანქანებისა და კომპიუტერული პროგრამების შექმნის მეცნიერება. ამ მეცნიერების მიზნებისთვის კომპიუტერები გამოიყენება, როგორც საშუალება ადამიანის ინტელექტის მახასიათებლების გასაგებად, ამავდროულად, ხელოვნური ინტელექტის შესწავლა არ უნდა შემოიფარგლოს ბიოლოგიურად დამაჯერებელი მეთოდების გამოყენებით.
სხვა გამოყენებითი მეცნიერებების მსგავსად, ხელოვნური ინტელექტის მეცნიერება წარმოდგენილია თეორიული და ექსპერიმენტული ნაწილებით. პრაქტიკაში, "ხელოვნური ინტელექტი" იკავებს შუალედურ პოზიციას კომპიუტერულ მეცნიერებასა და გამოთვლას და ისეთ დისციპლინებს შორის, როგორიცაა კოგნიტური და ქცევითი ფსიქოლოგია და ნეიროფიზიოლოგია. რაც შეეხება თეორიულ საფუძველს, ეს არის „ხელოვნური ინტელექტის ფილოსოფია“, მაგრამ სანამ ამ სფეროში მნიშვნელოვანი შედეგები არ არის, თეორიას დამოუკიდებელი ღირებულება არ აქვს. მიუხედავად ამისა, უკვე ახლა აუცილებელია განასხვავოთ ხელოვნური ინტელექტის მეცნიერება და სხვა თეორიული დისციპლინები და მეთოდები (რობოტული, ალგორითმული, მათემატიკური, ფიზიოლოგიური), რომლებსაც დამოუკიდებელი მნიშვნელობა აქვთ.
ახლა ხელოვნური ინტელექტის განვითარება ორი მიმართულებით მიმდინარეობს: ნეიროკიბერნეტიკა და შავი ყუთის კიბერნეტიკა. ერთ-ერთი მიმართულება – ნეიროკიბერნეტიკა, ანუ ხელოვნური ინტელექტი, სამუშაოს მოდელირებას ეფუძნება ადამიანის ტვინიხელოვნური ინტელექტის სისტემების გამოყენებით, რომლებიც ცნობილია როგორც ნერვული ქსელები ან ნერვული ქსელები. ხელოვნური ინტელექტის მეორე მიმართულება - შავი ყუთის კიბერნეტიკა, ანუ მანქანური ინტელექტი, ეწევა ალგორითმების ძიებას და განვითარებას. ეფექტური გადაწყვეტაინტელექტუალური ამოცანები არსებული კომპიუტერული მოდელების გამოყენებით. ამ მიმართულებისთვის მთავარია არა მოწყობილობის დიზაინი, არამედ მისი მუშაობის პრინციპი: "მოაზროვნე" მანქანის რეაქცია შეყვანის მოქმედებებზე უნდა იყოს იგივე, რაც ადამიანის ტვინის.
ხელოვნური ინტელექტის შესახებ მრავალი წიგნი დაიწერა, მაგრამ არც ერთი ავტორი არ იძლევა ცალსახა პასუხს კითხვაზე, რას აკეთებს ეს მეცნიერება. ავტორთა უმეტესობა განიხილავს ხელოვნური ინტელექტის მხოლოდ ერთ განმარტებას, მეცნიერული მიღწევების გათვალისწინებით მხოლოდ ამ განმარტებას. შემდეგი პრობლემა ეხება ადამიანის ინტელექტის ბუნებას და მის სტატუსს: ფილოსოფიაში მათთვის ჯერ კიდევ არ არსებობს ცალსახა კრიტერიუმი. არ არსებობს ერთიანი მიდგომა მანქანის „გონივრული“ ხარისხის დასადგენად. თუმცა, არსებობს მრავალი ჰიპოთეზა შემოთავაზებული ხელოვნური ინტელექტის გარიჟრაჟიდან მოყოლებული. ეს არის ტურინგის ტესტი, რომელიც ზემოთ იყო ნახსენები, და ნიუელ-საიმონის ჰიპოთეზა და მრავალი სხვა მიდგომა ხელოვნური ინტელექტის განვითარებისთვის, რომელთაგან ორი ძირითადი შეიძლება გამოიყოს:
სემიოტიკური, ან ზემოდან ქვევით: ეფუძნება ცოდნის ბაზების, დასკვნის სისტემების და საექსპერტო სისტემების შექმნას, რომლებიც ბაძავს სხვადასხვა ფსიქიკური პროცესებიმაღალი დონე, როგორიცაა აზროვნება, ემოციები, მეტყველება, კრეატიულობა, მსჯელობა და ა.შ.
ბიოლოგიური ან აღმავალი: ის ეფუძნება ნერვული ქსელების შექმნას და შესწავლას, რომლებიც ასახავს ადამიანის ტვინის პროცესებს, ასევე ბიოკომპიუტერების, ნეიროკომპიუტერების და სხვა მსგავსი გამოთვლითი სისტემების შექმნას.
მეორე მიდგომა სცილდება ჯონ მაკარტის მიერ მოცემულ განმარტებას, მაგრამ აქვს იგივე საბოლოო მიზანი, ამიტომ არსებობს ყველა მიზეზი, რომ იგი მივაწეროთ ხელოვნური ინტელექტის სფეროს.
კოგნიტურ ფსიქოლოგიასთან, ეპისტემოლოგიასთან და ნეიროფიზიოლოგიასთან ერთად ხელოვნური ინტელექტი აყალიბებს სხვა მეცნიერებას - კოგნიტოლოგიას. ეპისტემოლოგია პირდაპირ კავშირშია ხელოვნური ინტელექტის პრობლემებთან, ვინაიდან ის არის ცოდნის მეცნიერება (ფილოსოფიის ნაწილი), ხოლო ფილოსოფია, თავის მხრივ, მნიშვნელოვან როლს ასრულებს ხელოვნურ ინტელექტში. ფილოსოფოსები და AI ინჟინრები წყვეტენ მსგავს პრობლემებს: ისინი ორივე ეძებენ საუკეთესო გზებიინფორმაციისა და ცოდნის პრეზენტაცია და გამოყენება.
კოგნიტური მოდელირება არის აქსელროდის მიერ შემოთავაზებული და პირველად გამოცდილი მეთოდი. მეთოდი გამოიყენება არასაკმარისად განსაზღვრულ სიტუაციებში გადაწყვეტილების მისაღებად. იგი ეფუძნება მოდელირებას, რომელიც დაფუძნებულია ერთი ან რამდენიმე ექსპერტის მდგომარეობის შესახებ სუბიექტური იდეების ცოდნაზე. ექსპერტის წარმოდგენის მოდელი არის კოგნიტური რუკა (F, W). W - სიტუაციურ ფაქტორებს შორის მიზეზ-შედეგობრივი კავშირის ერთობლიობა, ასევე სიტუაციის ანალიზის მეთოდების ნაკრები, F - სიტუაციის ყველა ხელმისაწვდომი ფაქტორი. ამჟამად კოგნიტური მოდელირების განვითარების მთავარი მიმართულება მოდელირებისა და სიტუაციის ანალიზის აპარატის გაუმჯობესებაა. კერძოდ, მუშავდება სიტუაციის პროგნოზირების სხვადასხვა მეთოდი და ინვერსიული პრობლემების გადაჭრის მეთოდები.
კომპიუტერულ მეცნიერებაში ხელოვნური ინტელექტის პრობლემების გადაწყვეტა ხორციელდება ცოდნის ბაზებისა და საექსპერტო სისტემების დიზაინის გამოყენებით. ცოდნის ბაზები არის ცოდნისა და წესების ერთობლიობა, რომლის მიხედვითაც შესაძლებელია ინფორმაციის მნიშვნელოვნად დამუშავება. ზოგადად, კომპიუტერულ მეცნიერებაში ხელოვნური ინტელექტის პრობლემების შესწავლა ხდება შექმნის მიზნით ინფორმაციული სისტემები, მათი ფუნქციონირება და გაუმჯობესება. ასეთი სისტემების შემქმნელებისა და მომხმარებლების ტრენინგს ახორციელებენ საინფორმაციო ტექნოლოგიების დარგის სპეციალისტები.
სავსებით ბუნებრივია, რომ ხელოვნური ინტელექტის შექმნის მცდელობამ მიიპყრო და მიიპყრო მეცნიერ-ფილოსოფოსების ყურადღება. პირველი ინტელექტუალური სისტემების გაჩენამ არ შეიძლება გავლენა მოახდინოს ბევრ ასპექტზე, რომელიც ეხება ადამიანის ცოდნას, მსოფლიო წესრიგს და ადამიანის ადგილს სამყაროში. პირობითად, ამ სფეროში ყველა ფილოსოფიური პრობლემა შეიძლება დაიყოს ორ ჯგუფად: ხელოვნური ინტელექტის შექმნის შესაძლებლობა და ხელოვნური ინტელექტის ეთიკა. პირველ ჯგუფში კითხვების უმეტესობა ეძღვნება ხელოვნური ინტელექტის შექმნის შესაძლებლობას და გზებს. პრობლემების მეორე ჯგუფი დაკავშირებულია შესაძლო შედეგებიხელოვნური ინტელექტის გამოჩენა მთელი კაცობრიობისთვის. ამავდროულად, ტრანსჰუმანიზმში ხელოვნური ინტელექტის შექმნა ითვლება კაცობრიობის ერთ-ერთ უპირველეს ამოცანად.
Singularity Institute-ის (SIAI) მეცნიერები, რომლებიც დაფუძნებულია აშშ-ში, აქტიურად იკვლევენ გლობალური რისკების პოტენციალს, რომელიც შეიძლება წარმოიშვას ზეადამიანური ხელოვნური ინტელექტის შექმნით. ასეთი რისკების თავიდან ასაცილებლად, ხელოვნური ინტელექტი უნდა იყოს დაპროგრამებული, რომ იყოს ადამიანისთვის მეგობრული. ფილმში „მე, რობოტი“ ხელოვნური ინტელექტის ეთიკის პრობლემას საკმაოდ გონივრულად შეეხო. ზოგიერთი მეცნიერი თვლის, რომ რობოტიკის კანონებმა შესაძლოა წაახალისოს „კომპიუტერული ინტელექტი“ ძალაუფლების ხელში ჩაგდებას დედამიწაზე, რათა „დაიცვან“ მოსახლეობა ზიანისგან.
რაც შეეხება რელიგიურ კონფესიებს, მათი უმრავლესობა საკმაოდ მშვიდად არის განწყობილი ხელოვნური ინტელექტის შექმნაზე. მაგალითად, ბუდისტი სულიერი ლიდერი დალაი ლამა თვლის, რომ კომპიუტერზე დაფუძნებული ცნობიერება შესაძლოა არსებობდეს. რაელიტების რელიგიური მოძრაობა აქტიურად უჭერს მხარს ამ სფეროში განვითარებულ მოვლენებს. სხვა რელიგიები აჩენენ AI-თან დაკავშირებულ საკითხებს, რაც იშვიათად არის საკმარისი იმისათვის, რომ ვისაუბროთ გამოხატულ პოზიციაზე.
ხელოვნური ინტელექტი: აპლიკაციები
იმ მომენტიდან, როდესაც ხელოვნური ინტელექტი მეცნიერულ მიმართულებად იქნა აღიარებული და ეს მოხდა გასული საუკუნის 50-იანი წლების შუა ხანებში, ინტელექტუალური სისტემების შემქმნელებს ბევრი პრობლემის გადაჭრა მოუწიათ. პირობითად, ყველა დავალება შეიძლება დაიყოს რამდენიმე კლასად: ადამიანის ენის ამოცნობა და თარგმანი, თეორემის ავტომატური დადასტურება, თამაშის პროგრამების შექმნა, გამოსახულების ამოცნობა და მანქანური კრეატიულობა. მოკლედ განვიხილოთ თითოეული კლასის პრობლემების არსი.
თეორემების დადასტურება.
ავტომატური თეორემის დამტკიცება ხელოვნური ინტელექტის უძველესი გამოყენებაა. ბევრი კვლევა ჩატარდა ამ სფეროში, რის შედეგადაც გამოჩნდა ფორმალიზებული საძიებო ალგორითმები და ფორმალური წარმოდგენის ენები, როგორიცაა PROLOG - ლოგიკური პროგრამირების ენა და პრედიკატების გაანგარიშება.
თეორემების ავტომატური მტკიცებულებები მიმზიდველია, რადგან ისინი ემყარება ლოგიკის ზოგადობასა და სიმკაცრეს. ფორმალურ სისტემაში ლოგიკა გულისხმობს ავტომატიზაციის შესაძლებლობას, რაც ნიშნავს, რომ თუ პრობლემას და მასთან დაკავშირებულ დამატებით ინფორმაციას წარმოადგენთ ლოგიკური აქსიომების ერთობლიობაში და პრობლემის განსაკუთრებულ შემთხვევებს, როგორც თეორემებს, რომლებიც საჭიროებენ მტკიცებულებას, შეგიძლიათ მიიღოთ გამოსავალი. ბევრ პრობლემაზე. ამ პრინციპს ეფუძნება მათემატიკური დასაბუთების სისტემები და თეორემების ავტომატური მტკიცებულებები. გასულ წლებში განმეორებით ცდილობდნენ დაეწერათ პროგრამა თეორემების ავტომატური მტკიცებულებისთვის, მაგრამ ვერ მოხერხდა ისეთი სისტემის შექმნა, რომელიც პრობლემების ერთი მეთოდით გადაჭრის საშუალებას იძლევა. ნებისმიერ შედარებით რთულ ევრისტიკულ სისტემას შეეძლო მრავალი შეუსაბამო დასამტკიცებელი თეორემის გენერირება, რის შედეგადაც პროგრამებს უნდა დაემტკიცებინათ ისინი, სანამ არ აღმოიჩენდნენ სწორს. ამის გამო გაჩნდა მოსაზრება, რომ დიდი ფართების მოგვარება შესაძლებელია მხოლოდ კონკრეტული შემთხვევებისთვის სპეციალურად შემუშავებული არაფორმალური სტრატეგიების დახმარებით. პრაქტიკაში ეს მიდგომა საკმაოდ ნაყოფიერი აღმოჩნდა და სხვებთან ერთად საექსპერტო სისტემების საფუძველი იყო.
ამავდროულად, ფორმალურ ლოგიკაზე დამყარებული მსჯელობის იგნორირება არ შეიძლება. ფორმალიზებული მიდგომა მრავალი პრობლემის გადაჭრის საშუალებას იძლევა. კერძოდ, მისი გამოყენებით შეგიძლიათ მართოთ რთული სისტემები, შეამოწმოთ კომპიუტერული პროგრამების სისწორე, შეიმუშავოთ და შეამოწმოთ ლოგიკური სქემები. გარდა ამისა, ავტომატური თეორემის დამადასტურებელი მკვლევარებმა შეიმუშავეს მძლავრი ევრისტიკა ლოგიკური გამონათქვამების სინტაქსური ფორმის შეფასების საფუძველზე. შედეგად, შესაძლებელი გახდა საძიებო სივრცის სირთულის დონის შემცირება სპეციალური სტრატეგიების შემუშავების გარეშე.
თეორემების ავტომატური მტკიცება ასევე საინტერესოა მეცნიერებისთვის იმ მიზეზით, რომ განსაკუთრებით რთული პრობლემებისთვის შესაძლებელია სისტემის გამოყენებაც, თუმცა არა ადამიანის ჩარევის გარეშე. ამჟამად, პროგრამები ხშირად მოქმედებენ როგორც ასისტენტები. სპეციალისტები დავალებას რამდენიმე ქვეამოცნებად ყოფენ, შემდეგ კი ევრისტიკა მოფიქრებულია შესაძლო მიზეზების დასალაგებლად. შემდეგი, პროგრამა ამტკიცებს ლემებს, ამოწმებს ნაკლებად არსებით ვარაუდებს და აკეთებს დამატებებს პიროვნების მიერ ასახული მტკიცებულებების ფორმალურ ასპექტებში.
ნიმუშის ამოცნობა.
ნიმუშის ამოცნობა არის არსებითი მახასიათებლების შერჩევა, რომლებიც ახასიათებს საწყის მონაცემებს მახასიათებლების მთლიანი ნაკრებიდან და მიღებული ინფორმაციის საფუძველზე, მონაცემების მინიჭება გარკვეულ კლასზე.
ნიმუშის ამოცნობის თეორია არის კომპიუტერული მეცნიერების ფილიალი, რომლის ამოცანაა შეიმუშაოს ობიექტების (ობიექტები, პროცესები, ფენომენები, სიტუაციები, სიგნალები და ა. თვისებები და თვისებები. პრაქტიკაში, საკმაოდ ხშირად აუცილებელია ობიექტების იდენტიფიცირება. ტიპიური სიტუაციაა შუქნიშნის ფერის ამოცნობა და გადაწყვეტილების მიღება, გადაკვეთა თუ არა ქუჩა ამ მომენტში. არის სხვა სფეროები, სადაც ობიექტების ამოცნობა შეუძლებელია, მაგალითად, ანალოგური სიგნალების დიგიტალიზაცია, სამხედრო საქმეები, უსაფრთხოების სისტემები და ა.შ., ამიტომ დღეს მეცნიერები აგრძელებენ აქტიურ მუშაობას გამოსახულების ამოცნობის სისტემების შექმნაზე.
სამუშაოები ტარდება ორი ძირითადი მიმართულებით:
ცოცხალ არსებებში თანდაყოლილი ამოცნობის უნარების კვლევა, ახსნა და მოდელირება.
თეორიული და მეთოდოლოგიური საფუძვლების შემუშავება მოწყობილობების შესაქმნელად, რომლებიც საშუალებას მისცემს ინდივიდუალური პრობლემების გადაჭრას გამოყენებითი მიზნებისთვის.
ამომცნობი ამოცანების ფორმულირება ხორციელდება მათემატიკური ენის გამოყენებით. მიუხედავად იმისა, რომ ხელოვნური ნერვული ქსელების თეორია ემყარება ექსპერიმენტების საშუალებით შედეგების მიღებას, ნიმუშის ამოცნობის პრობლემების ფორმულირება ეფუძნება არა ექსპერიმენტს, არამედ მათემატიკური მტკიცებულებებისა და ლოგიკური მსჯელობის საფუძველზე.
განვიხილოთ ასეთი პრობლემის კლასიკური ფორმულირება. არსებობს მრავალი ობიექტი, რომელთა მიმართაც აუცილებელია კლასიფიცირება. ნაკრები შედგება ქვეჯგუფებისგან, ან კლასებისგან. დაზუსტებულია: ინფორმაცია, რომელიც აღწერს კომპლექტს, ინფორმაცია კლასების შესახებ და ერთი ობიექტის აღწერა მისი კონკრეტული კლასის კუთვნილების მითითების გარეშე. დავალება: არსებული მონაცემების საფუძველზე განსაზღვრეთ რომელ კლასს ეკუთვნის ობიექტი.
თუ პრობლემებში არის მონოქრომული გამოსახულებები, ისინი შეიძლება ჩაითვალოს ფუნქციებად თვითმფრინავში. ფუნქცია იქნება გამოსახულების ფორმალური ჩანაწერი და თითოეულ წერტილში გამოხატავს ამ სურათის გარკვეულ მახასიათებელს - ოპტიკურ სიმკვრივეს, გამჭვირვალობას, სიკაშკაშეს და ა.შ. ამ შემთხვევაში გამოსახულების ნაკრების მოდელი იქნება სიბრტყეზე ფუნქციების ნაკრები. . ამოცნობის პრობლემის ფორმულირება დამოკიდებულია იმაზე, თუ როგორი უნდა იყოს აღიარების შემდგომი ეტაპები.
ნიმუშის ამოცნობის მეთოდები მოიცავს ფ. როზენბლატის ექსპერიმენტებს, რომელმაც შემოიტანა ტვინის მოდელის კონცეფცია. ექსპერიმენტის ამოცანაა აჩვენოს, თუ როგორ წარმოიქმნება ფსიქოლოგიური ფენომენები ფიზიკურ სისტემაში ცნობილი ფუნქციური თვისებებითა და სტრუქტურით. მეცნიერმა აღწერა ამოცნობის უმარტივესი ექსპერიმენტები, მაგრამ მათი მახასიათებელია არადეტერმინისტული ამოხსნის ალგორითმი.
უმარტივესი ექსპერიმენტი, რომლის საფუძველზეც შეიძლება მივიღოთ ფსიქოლოგიურად მნიშვნელოვანი ინფორმაცია სისტემის შესახებ, არის შემდეგი: პერცეპტრონი წარმოდგენილია ორი განსხვავებული სტიმულის თანმიმდევრობით, რომელთაგან თითოეულზე უნდა რეაგირება მოახდინოს რაიმე ფორმით და სხვადასხვა სტიმულისთვის. რეაქცია განსხვავებული უნდა იყოს. ასეთი ექსპერიმენტის მიზანი შეიძლება განსხვავებული იყოს. ექსპერიმენტატორს შეიძლება შეექმნას ამოცანა, შეისწავლოს წარმოდგენილი სტიმულის სისტემის მიერ სპონტანური დისკრიმინაციის შესაძლებლობა გარე ჩარევის გარეშე, ან, პირიქით, შეისწავლოს იძულებითი ამოცნობის შესაძლებლობა. მეორე შემთხვევაში, ექსპერიმენტატორი ასწავლის სისტემას სხვადასხვა ობიექტების კლასიფიკაციას, რომლებიც შეიძლება იყოს ორზე მეტი. სწავლის გამოცდილება შემდეგნაირად მიმდინარეობს: პერცეპტრონი წარმოდგენილია გამოსახულებებით, რომელთა შორის არიან ყველა კლასის წარმომადგენლები, რომლებიც უნდა ამოიცნონ. სწორი პასუხი გაძლიერებულია მეხსიერების მოდიფიკაციის წესების მიხედვით. ამის შემდეგ, ექსპერიმენტატორი წარუდგენს საკონტროლო სტიმულს პერცეტრონს და განსაზღვრავს მოცემული პასუხის მიღების ალბათობას ამ კლასის სურათებზე. საკონტროლო სტიმული შეიძლება ემთხვეოდეს ტრენინგის თანმიმდევრობაში წარმოდგენილ ერთ-ერთ ობიექტს ან განსხვავდებოდეს ყველა წარმოდგენილი ობიექტისგან. ამის მიხედვით მიიღება შემდეგი შედეგები:
თუ საკონტროლო სტიმული განსხვავდება ყველა ადრე წარმოდგენილი სასწავლო სტიმულისგან, მაშინ, წმინდა დისკრიმინაციის გარდა, ექსპერიმენტი იკვლევს განზოგადების ელემენტებს.
თუ საკონტროლო სტიმული იწვევს სენსორული ელემენტების გარკვეული ჯგუფის გააქტიურებას, რომლებიც არ ემთხვევა არცერთ ელემენტს, რომელიც გააქტიურდა ადრე წარმოდგენილი იმავე კლასის სტიმულის გავლენის ქვეშ, მაშინ ექსპერიმენტი იკვლევს წმინდა განზოგადებას და არ მოიცავს კვლევას. აღიარების.
იმისდა მიუხედავად, რომ პერცეპტრონებს არ შეუძლიათ სუფთა განზოგადება, ისინი დამაკმაყოფილებლად უმკლავდებიან ამოცნობის ამოცანებს, განსაკუთრებით იმ შემთხვევებში, როდესაც ნაჩვენებია სურათები, რომელთა მიმართ პერცეპტრონს უკვე აქვს გარკვეული გამოცდილება.
ადამიანის მეტყველების ამოცნობა და მანქანური თარგმანი.
ხელოვნური ინტელექტის გრძელვადიანი მიზნები მოიცავს პროგრამების შექმნას, რომლებსაც შეუძლიათ ადამიანის ენის ამოცნობა და მისი გამოყენება მნიშვნელოვანი ფრაზების ასაგებად. ბუნებრივი ენის გაგებისა და გამოყენების უნარი ადამიანის ინტელექტის ფუნდამენტური მახასიათებელია. ამ შესაძლებლობის წარმატებული ავტომატიზაცია კომპიუტერებს ბევრად უფრო ეფექტურს გახდის. დღემდე დაწერილია მრავალი პროგრამა, რომელსაც შეუძლია ბუნებრივი ენის გაგება და ისინი წარმატებით გამოიყენება შეზღუდულ კონტექსტში, მაგრამ ჯერჯერობით არ არსებობს სისტემები, რომლებსაც შეუძლიათ გამოიყენონ ბუნებრივი ენები იგივე ზოგადი და მოქნილობით, როგორც ამას ადამიანი აკეთებს. ფაქტია, რომ ბუნებრივი ენის გაგების პროცესი არ არის მხოლოდ წინადადებების კომპონენტებად დაყოფა და ცალკეული სიტყვების მნიშვნელობების ძიება ლექსიკონებში. ეს არის ზუსტად ის, რასაც პროგრამები კარგად აკეთებენ. ადამიანის მეტყველების გამოყენება მოითხოვს ფართო ცოდნას საუბრის თემაზე, მასთან დაკავშირებული იდიომების შესახებ, გარდა ამისა, გაურკვევლობის, გამოტოვების, პროფესიონალიზმის, ჟარგონის, სასაუბრო გამონათქვამების და მრავალი სხვა რამის გაგების უნარს, რაც თან ახლავს ნორმალურ ადამიანურ მეტყველებას. .
მაგალითია საუბარი ფეხბურთზე, სადაც გამოიყენება ისეთი სიტყვები, როგორიცაა „ფორვარდი“, „პასი“, „ტრანსფერი“, „პენალტი“, „მცველი“, „ფორვარდი“, „კაპიტანი“ და სხვა. თითოეულ ამ სიტყვას ახასიათებს მნიშვნელობების ნაკრები და ცალკეული სიტყვები საკმაოდ გასაგებია, მაგრამ მათგან შედგენილი ფრაზა გაუგებარი იქნება მათთვის, ვისაც ფეხბურთი არ უყვარს და არაფერი იცის ამის ისტორიის, წესებისა და პრინციპების შესახებ. თამაში. ამგვარად, ადამიანის ენის გასაგებად და გამოსაყენებლად, საჭიროა საფუძვლიანი ცოდნა, და ერთ-ერთი მთავარი პრობლემა ადამიანის ბუნებრივი ენის გაგებისა და გამოყენების ავტომატიზაციისას არის ასეთი ცოდნის შეგროვება და სისტემატიზაცია.
მას შემდეგ, რაც სემანტიკური მნიშვნელობები ასე ფართოდ გამოიყენება ხელოვნურ ინტელექტში, მეცნიერებმა შეიმუშავეს მრავალი მეთოდი, რომელიც მათ გარკვეულწილად სტრუქტურირებულის საშუალებას აძლევს. თუმცა, სამუშაოს უმეტესობა კეთდება პრობლემურ სფეროებში, რომლებიც კარგად არის გასაგები და სპეციალიზებული. ამის მაგალითია „მიკროსამყაროს“ ტექნიკა. ერთ-ერთი პირველი პროგრამა, სადაც ის გამოიყენეს, იყო ტერი ვინოგრადის მიერ შემუშავებული SHRDLU პროგრამა, რომელიც ადამიანის მეტყველების გაგების ერთ-ერთი სისტემაა. პროგრამის შესაძლებლობები საკმაოდ შეზღუდული იყო და შემცირდა „საუბარში“ სხვადასხვა ფერისა და ფორმის ბლოკების ადგილმდებარეობის შესახებ, ასევე უმარტივესი მოქმედებების დაგეგმვაზე. პროგრამამ გასცა პასუხები კითხვებზე, როგორიცაა "რა ფერის არის პირამიდა ჯვარედინი ზოლზე?" და შეეძლო ინსტრუქციების მიცემა, როგორიცაა "დააყენე ლურჯი ბლოკი წითელზე". ასეთ პრობლემებს ხშირად ეხებოდნენ ხელოვნური ინტელექტის მკვლევარები და მოგვიანებით გახდა ცნობილი როგორც "ბლოკების სამყარო".
იმისდა მიუხედავად, რომ SHRDLU პროგრამამ წარმატებით „ალაპარაკა“ ბლოკების ადგილმდებარეობის შესახებ, მას არ ჰქონდა ამ „მიკროსამყაროს“ აბსტრაქციის უნარი. ის იყენებდა მეთოდებს, რომლებიც ძალიან მარტივი იყო უფრო მაღალი სირთულის საგნების სემანტიკური ორგანიზაციის გადმოსაცემად.
ბუნებრივი ენების გაგებისა და გამოყენების სფეროში მიმდინარე სამუშაოები ძირითადად მიმართულია საკმარისად ზოგადი წარმომადგენლობითი ფორმალიზმების ძიებაზე, რომლებიც შეიძლება ადაპტირდეს მოცემული ტერიტორიების სპეციფიკურ სტრუქტურებთან და გამოყენებული იქნას აპლიკაციების ფართო სპექტრში. არსებული მეთოდების უმეტესობა, რომლებიც წარმოადგენს სემიოტიკური ქსელების მოდიფიკაციას, შესწავლილია და გამოიყენება წერილობით პროგრამებში, რომლებსაც შეუძლიათ ბუნებრივი ენის ამოცნობა ვიწრო საგნობრივ სფეროებში. ამავდროულად, თანამედროვე შესაძლებლობები არ იძლევა საშუალებას შექმნას უნივერსალური პროგრამა, რომელსაც შეუძლია გაიგოს ადამიანის მეტყველება მთელი მისი მრავალფეროვნებით.
ნიმუშის ამოცნობის მრავალფეროვან პრობლემებს შორის შეიძლება გამოიყოს შემდეგი:
მინერალური საბადოების განმარტება
გამოსახულების ამოცნობა
შტრიხკოდის ამოცნობა
პერსონაჟების ამოცნობა
Სიტყვის აღიარება
Სახის ამოცნობა
მანქანის ნომრის ამოცნობა
ხელოვნური ინტელექტი სათამაშო პროგრამებში.
თამაშის ხელოვნური ინტელექტი მოიცავს არა მხოლოდ ტრადიციული ხელოვნური ინტელექტის მეთოდებს, არამედ ზოგადად კომპიუტერული მეცნიერების ალგორითმებს, კომპიუტერულ გრაფიკას, რობოტიკას და კონტროლის თეორიას. არა მხოლოდ სისტემის მოთხოვნები, არამედ თამაშის ბიუჯეტიც დამოკიდებულია იმაზე, თუ როგორ ხორციელდება ხელოვნური ინტელექტი, ამიტომ დეველოპერებმა უნდა დააბალანსონ, შეეცადონ უზრუნველყონ, რომ თამაში ხელოვნური ინტელექტის შექმნას მინიმალური დანახარჯით და ამავე დროს. არის საინტერესო და რესურსების მიმართ არამოთხოვნილი. ის იყენებს სრულიად განსხვავებულ მიდგომას, ვიდრე ტრადიციული ხელოვნური ინტელექტის შემთხვევაში. კერძოდ, ფართოდ გამოიყენება ემულაციები, მოტყუებები და სხვადასხვა გამარტივებები. მაგალითი: პირველი პირის მსროლელთა მახასიათებელია ბოტების უნარი გადაადგილდნენ ზუსტად და მყისიერად დამიზნონ, მაგრამ ამავდროულად, ადამიანს არ აქვს ერთი შანსი, ამიტომ ბოტების შესაძლებლობები ხელოვნურად არ არის შეფასებული. ამავდროულად, საგუშაგოები განთავსებულია იმ დონეზე, რომ ბოტებმა შეძლონ გუნდურად იმოქმედონ, ჩასაფრების დაყენება და ა.შ.
თამაშის ხელოვნური ინტელექტის მიერ კონტროლირებად კომპიუტერულ თამაშებში წარმოდგენილია პერსონაჟების შემდეგი კატეგორიები:
ბრბო არის დაბალი დონის ინტელექტის მქონე პერსონაჟები, მტრულად განწყობილი ადამიანების მოთამაშის მიმართ. მოთამაშეები ანადგურებენ ბრბოებს, რათა გაიარონ ტერიტორია, მიიღონ არტეფაქტები და გამოცადონ ქულები.
არამოთამაშის პერსონაჟები - ჩვეულებრივ, ეს პერსონაჟები მოთამაშის მიმართ მეგობრული ან ნეიტრალურია.
ბოტები მოთამაშეების მიმართ მტრულად განწყობილი პერსონაჟებია, ყველაზე რთული დასაპროგრამებელი. მათი შესაძლებლობები უახლოვდება თამაშის პერსონაჟებს. ნებისმიერ დროს, ბოტების გარკვეული რაოდენობა ეწინააღმდეგება მოთამაშეს.
კომპიუტერული თამაშის ფარგლებში, არსებობს მრავალი სფერო, სადაც გამოიყენება მრავალფეროვანი ხელოვნური თამაშის ინტელექტის ევრისტიკული ალგორითმები. ყველაზე ფართოდ გამოყენებული თამაში AI არის არამოთამაშე პერსონაჟების კონტროლის ერთ-ერთი გზა. კონტროლის კიდევ ერთი თანაბრად გავრცელებული მეთოდია სკრიპტირება. თამაშის ხელოვნური ინტელექტის კიდევ ერთი აშკარა გამოყენება, განსაკუთრებით რეალურ დროში სტრატეგიულ თამაშებში, არის ბილიკი, ანუ მეთოდი იმის დასადგენად, თუ როგორ შეუძლია NPC-ს გადავიდეს რუკაზე ერთი წერტილიდან მეორეზე. ამასთან, გასათვალისწინებელია დაბრკოლებები, რელიეფი და შესაძლო „ომის ნისლი“. მობების დინამიური დაბალანსება ასევე არ არის სრულყოფილი ხელოვნური ინტელექტის გამოყენების გარეშე. ბევრმა თამაშმა სცადა არაპროგნოზირებადი ინტელექტის კონცეფცია. ეს არის თამაშები, როგორიცაა Nintendogs, Black & White, Creatures და კარგად ცნობილი Tamagotchi სათამაშო. ამ თამაშებში პერსონაჟები არიან შინაური ცხოველები, რომელთა ქცევა იცვლება მოთამაშის მოქმედებების მიხედვით. პერსონაჟებს, როგორც ჩანს, შეუძლიათ სწავლა, როდესაც სინამდვილეში მათი მოქმედებები არჩევანის შეზღუდული ნაკრებიდან არჩევის შედეგია.
ბევრი თამაშის პროგრამისტი განიხილავს ნებისმიერ ტექნიკას, რომელიც ქმნის ინტელექტის ილუზიას, როგორც თამაშის ხელოვნური ინტელექტის ნაწილად. თუმცა, ეს მიდგომა არ არის მთლად სწორი, რადგან იგივე ტექნიკის გამოყენება შესაძლებელია არა მხოლოდ თამაშის AI ძრავებში. მაგალითად, ბოტების შექმნისას გამოიყენება ალგორითმები მათში შეყვანილი შესაძლო მომავალი შეჯახების შესახებ, რის შედეგადაც ბოტები იძენენ ამ შეჯახების თავიდან აცილების „უნარს“. მაგრამ ეს იგივე ტექნიკა არის ფიზიკის ძრავის მნიშვნელოვანი და აუცილებელი კომპონენტი. კიდევ ერთი მაგალითი: ბოტის დამიზნების სისტემის მნიშვნელოვანი კომპონენტია წყლის მონაცემები და იგივე მონაცემები ფართოდ გამოიყენება გრაფიკულ ძრავში რენდერის დროს. საბოლოო მაგალითია სკრიპტირება. ამ ხელსაწყოს წარმატებით გამოყენება შესაძლებელია თამაშის განვითარების ყველა ასპექტში, მაგრამ ყველაზე ხშირად ის განიხილება, როგორც NPC-ების მოქმედებების კონტროლის ერთ-ერთი საშუალება.
პურისტების აზრით, გამოთქმას „თამაშის ხელოვნური ინტელექტი“ არსებობის უფლება არ აქვს, რადგან ეს გაზვიადებულია. როგორც მთავარ არგუმენტს, მათ წამოაყენეს ის ფაქტი, რომ თამაშში ხელოვნური ინტელექტის შესახებ გამოიყენება მეცნიერების მხოლოდ ზოგიერთი სფერო კლასიკური ხელოვნური ინტელექტის შესახებ. გასათვალისწინებელია ისიც, რომ ხელოვნური ინტელექტის მიზნები არის თვითსწავლების სისტემების შექმნა და ხელოვნური ინტელექტის შექმნაც კი, რომელსაც შეუძლია მსჯელობა, თუმცა ხშირად შემოიფარგლება ევრისტიკით და რამდენიმე წესის ნაკრებით, რომლებიც საკმარისია შესაქმნელად. კარგი გეიმპლეი და აძლევს მოთამაშეს ნათელ შთაბეჭდილებებს და გრძნობებს თამაშიდან.
ამჟამად, კომპიუტერული თამაშების შემქმნელები ინტერესდებიან აკადემიური ხელოვნური ინტელექტის მიმართ, ხოლო აკადემიური საზოგადოება, თავის მხრივ, იწყებს დაინტერესებას კომპიუტერული თამაშებით. ეს აჩენს კითხვას, რამდენად განსხვავდება თამაში და კლასიკური AI ერთმანეთისგან. ამავდროულად, თამაშის ხელოვნური ინტელექტი კვლავ განიხილება კლასიკურის ერთ-ერთ ქვედანაყოფად. ეს გამოწვეულია იმით, რომ ხელოვნურ ინტელექტს აქვს სხვადასხვა აპლიკაციის სფერო, რომელიც განსხვავდება ერთმანეთისგან. თუ ვსაუბრობთ თამაშის ინტელექტზე, აქ მნიშვნელოვანი განსხვავებაა მოტყუების შესაძლებლობა, რათა გადაჭრას გარკვეული პრობლემები "ლეგიტიმური" გზებით. ერთის მხრივ, მოტყუების მინუსი არის ის, რომ ის ხშირად იწვევს არარეალურ ხასიათის ქცევას და ამ მიზეზით ყოველთვის არ შეიძლება მისი გამოყენება. მეორეს მხრივ, ასეთი მოტყუების შესაძლებლობა არის მნიშვნელოვანი განსხვავება თამაშის AI-ს შორის.
ხელოვნური ინტელექტის კიდევ ერთი საინტერესო ამოცანაა კომპიუტერს ჭადრაკის თამაშის სწავლება. მის გადაწყვეტაში მეცნიერები მთელი მსოფლიოდან იყვნენ დაკავებულნი. ამ ამოცანის თავისებურება ის არის, რომ კომპიუტერის ლოგიკური შესაძლებლობების დემონსტრირება შესაძლებელია მხოლოდ რეალური მოწინააღმდეგის თანდასწრებით. პირველი ასეთი დემონსტრაცია გაიმართა 1974 წელს, სტოკჰოლმში, სადაც ჩატარდა ჭადრაკის მსოფლიო ჩემპიონატი ჭადრაკის პროგრამებს შორის. ეს კონკურსი გაიმარჯვა პროგრამით Kaissa, შექმნილი საბჭოთა მეცნიერების მიერ მოსკოვში მდებარე სსრკ მეცნიერებათა აკადემიის მართვის პრობლემების ინსტიტუტიდან.
ხელოვნური ინტელექტი მანქანურ შემოქმედებაში.
ადამიანის ინტელექტის ბუნება ჯერ კიდევ არ არის საკმარისად შესწავლილი და ადამიანის შემოქმედების ბუნების შესწავლის ხარისხი კიდევ უფრო ნაკლებია. თუმცა, ხელოვნური ინტელექტის ერთ-ერთი სფეროა მანქანური შემოქმედება. თანამედროვე კომპიუტერები ქმნიან მუსიკალურ, ლიტერატურულ და ფერწერულ ნაწარმოებებს, კომპიუტერული თამაშებისა და კინოინდუსტრიაში დიდი ხანია იყენებენ მანქანების მიერ შექმნილ რეალისტურ სურათებს. არსებული პროგრამები ქმნიან სხვადასხვა სურათებს, რომლებიც ადვილად აღიქვამენ და ესმის ადამიანს. ეს განსაკუთრებით მნიშვნელოვანია, როდესაც საქმე ეხება ინტუიციურ ცოდნას, რომლის ფორმალიზებული გადამოწმებისთვის საჭიროა მნიშვნელოვანი გონებრივი ძალისხმევა. ამრიგად, მუსიკალური ამოცანები წარმატებით წყდება პროგრამირების ენის გამოყენებით, რომელთაგან ერთ-ერთია CSound ენა. სპეციალური პროგრამული უზრუნველყოფა, რომლის დახმარებითაც იქმნება მუსიკალური ნაწარმოებები, წარმოდგენილია ალგორითმული კომპოზიციური პროგრამებით, ინტერაქტიული კომპოზიციური სისტემებით, ხმის სინთეზისა და დამუშავების სისტემებით.
საექსპერტო სისტემები.
თანამედროვე საექსპერტო სისტემების შემუშავება მკვლევარებმა განახორციელეს 1970-იანი წლების დასაწყისიდან, ხოლო 1980-იანი წლების დასაწყისში საექსპერტო სისტემების შემუშავება დაიწყო კომერციულ საფუძველზე. საექსპერტო სისტემების პროტოტიპები, შემოთავაზებული 1832 წელს რუსი მეცნიერის ს. ნ. კორსაკოვის მიერ, იყო მექანიკური მოწყობილობები, სახელწოდებით "ინტელექტუალური მანქანები", რამაც შესაძლებელი გახადა გამოსავლის პოვნა მოცემულ პირობებში. მაგალითად, გაანალიზდა პაციენტში დაფიქსირებული დაავადების სიმპტომები და ამ ანალიზის შედეგების საფუძველზე შემოგვთავაზეს ყველაზე შესაფერისი მედიკამენტები.
კომპიუტერული მეცნიერება განიხილავს საექსპერტო სისტემებს ცოდნის ბაზებთან ერთად. სისტემები არის ექსპერტთა ქცევის მოდელები, რომლებიც დაფუძნებულია გადაწყვეტილების მიღების პროცედურების გამოყენებასა და ლოგიკურ დასკვნებზე. ცოდნის საფუძვლები განიხილება, როგორც დასკვნის წესებისა და ფაქტების ერთობლიობა, რომელიც უშუალოდ არის დაკავშირებული საქმიანობის არჩეულ სფეროსთან.
გასული საუკუნის ბოლოს განვითარდა საექსპერტო სისტემების გარკვეული კონცეფცია, რომელიც ღრმად იყო ორიენტირებული ადამიანისა და მანქანის ტექსტური ინტერფეისისკენ, რაც საყოველთაოდ მიღებული იყო იმ დროს. ამჟამად, ამ კონცეფციამ სერიოზული კრიზისი განიცადა, როგორც ჩანს, იმის გამო, რომ მომხმარებლის აპლიკაციებში ტექსტზე დაფუძნებული ინტერფეისი შეიცვალა გრაფიკულით. გარდა ამისა, რელაციური მონაცემთა მოდელი და ექსპერტთა სისტემების აგების „კლასიკური“ შეხედულება ცუდად შეესაბამება ერთმანეთს. შესაბამისად, საექსპერტო სისტემების ცოდნის ბაზების ორგანიზება ვერ განხორციელდება ეფექტურად, ყოველ შემთხვევაში, მონაცემთა ბაზების მართვის თანამედროვე სამრეწველო სისტემების გამოყენებით. ლიტერატურასა და ონლაინ წყაროებში მოყვანილია საექსპერტო სისტემების მრავალი მაგალითი, რომელსაც უწოდებენ "საერთო" ან "საყოველთაოდ ცნობილი". სინამდვილეში, ყველა ეს საექსპერტო სისტემა შეიქმნა გასული საუკუნის 80-იან წლებში და ამ დროისთვის ან შეწყვიტა არსებობა, ან უიმედოდ მოძველებულია და არსებობს რამდენიმე ენთუზიასტის წყალობით. მეორეს მხრივ, თანამედროვე პროგრამული პროდუქტების შემქმნელები ხშირად მოიხსენიებენ თავიანთ შემოქმედებას, როგორც ექსპერტულ სისტემებს. ასეთი განცხადებები სხვა არაფერია, თუ არა მარკეტინგული ხრიკი, რადგან სინამდვილეში ეს პროდუქტები არ არის საექსპერტო სისტემები (მაგალითად შეიძლება გამოვიდეს ნებისმიერი კომპიუტერული იურიდიული საცნობარო სისტემა). ენთუზიასტები ცდილობენ დააკავშირონ მომხმარებლის ინტერფეისის შექმნის მიდგომები ექსპერტული სისტემების შექმნის "კლასიკურ" მიდგომებთან. ეს მცდელობები აისახა ისეთ პროექტებში, როგორიცაა CLIPS.NET, CLIPS Java Native Interface და სხვა, მაგრამ მსხვილი პროგრამული კომპანიები არ ჩქარობენ ასეთი პროექტების დაფინანსებას და ამ მიზეზით, განვითარება არ სცილდება ექსპერიმენტულ ეტაპს.
სფეროების მთელი მრავალფეროვნება, რომლებშიც შესაძლებელია ცოდნაზე დაფუძნებული სისტემების გამოყენება, შეიძლება დაიყოს კლასებად: სამედიცინო დიაგნოსტიკა, დაგეგმვა, პროგნოზირება, კონტროლი და მართვა, ტრენინგი, ინტერპრეტაცია, ხარვეზის დიაგნოზი ელექტრო და მექანიკურ აღჭურვილობაში, ტრენინგი. მოდით შევხედოთ თითოეულ ამ კლასს უფრო დეტალურად.
ა) სამედიცინო დიაგნოსტიკური სისტემები.
ასეთი სისტემების დახმარებით დგინდება, თუ როგორ არის ერთმანეთთან დაკავშირებული ორგანიზმის აქტივობის სხვადასხვა დარღვევა და მათი შესაძლო მიზეზები. ყველაზე ცნობილი დიაგნოსტიკური სისტემაა MYCIN. იგი გამოიყენება მენინგიტისა და ბაქტერიული ინფექციების დიაგნოსტიკისთვის, ასევე ამ დაავადებების მქონე პაციენტების მდგომარეობის მონიტორინგისთვის. სისტემის პირველი ვერსია შეიქმნა 70-იან წლებში. დღეისათვის მისი შესაძლებლობები მნიშვნელოვნად გაფართოვდა: სისტემა დებს დიაგნოზს იმავე პროფესიულ დონეზე, როგორც სპეციალისტი ექიმი და შეიძლება გამოყენებულ იქნას მედიცინის სხვადასხვა დარგში.
ბ) პროგნოზირების სისტემები.
სისტემები შექმნილია მოვლენების ან მოვლენების შედეგების პროგნოზირებისთვის არსებული სიტუაციის ან ობიექტის მდგომარეობის დამახასიათებელი არსებული მონაცემების საფუძველზე. ამრიგად, Wall Street Conquest პროგრამას, რომელიც თავის მუშაობაში იყენებს ალგორითმების სტატისტიკურ მეთოდებს, შეუძლია ბაზრის პირობების ანალიზი და საინვესტიციო გეგმის შემუშავება. პროგრამა იყენებს ტრადიციული პროგრამირების ალგორითმებსა და პროცედურებს, ამიტომ ის არ შეიძლება კლასიფიცირდეს როგორც ცოდნაზე დაფუძნებული სისტემა. დღეს უკვე არსებობს პროგრამები, რომლებსაც შეუძლიათ წინასწარ განსაზღვრონ მგზავრთა ნაკადი, მოსავლის მოსავალი და ამინდი არსებული მონაცემების ანალიზით. ასეთი პროგრამები საკმაოდ მარტივია და ზოგიერთი მათგანის გამოყენება შესაძლებელია ჩვეულებრივ პერსონალურ კომპიუტერებზე. თუმცა, ჯერ კიდევ არ არსებობს საექსპერტო სისტემები, რომლებიც, ბაზრის მონაცემებზე დაყრდნობით, შემოგთავაზებენ კაპიტალის გაზრდას.
გ) დაგეგმვა.
დაგეგმვის სისტემები შექმნილია პრობლემების გადასაჭრელად ცვლადების დიდი რაოდენობით, კონკრეტული შედეგების მისაღწევად. პირველად კომერციულ სფეროში მსგავსი სისტემები დამასკოს ფირმა „ინფორმატმა“ გამოიყენა. კომპანიის ხელმძღვანელობამ ოფისის ფოიეში 13 სადგურის დამონტაჟება დაავალა, რომელიც კომპიუტერის შეძენის მსურველ მყიდველებს უფასო კონსულტაციებს უწევდა. მანქანები დაეხმარა არჩევანის გაკეთებას, რომელიც საუკეთესოდ შეეფერება მყიდველის ბიუჯეტს და სურვილებს. საექსპერტო სისტემები Boeing-მა ასევე გამოიყენა ისეთი მიზნებისთვის, როგორიცაა ვერტმფრენების შეკეთება, თვითმფრინავის ძრავების გაუმართაობის მიზეზების დადგენა და კოსმოსური სადგურების დიზაინი. DEC-მა შექმნა XCON საექსპერტო სისტემა, რომელსაც შეუძლია განსაზღვროს და გადააკეთოს VAX კომპიუტერული სისტემები მომხმარებელთა მოთხოვნების დასაკმაყოფილებლად. DEC ამჟამად ავითარებს უფრო მძლავრ XSEL სისტემას, რომელიც მოიცავს XCON ცოდნის ბაზას. სისტემის შექმნის მიზანია დაეხმაროს მომხმარებლებს საჭირო კონფიგურაციის გამოთვლითი სისტემის შერჩევაში. განსხვავება XSEL-სა და XCON-ს შორის არის ის, რომ ის ინტერაქტიულია.
დ) ინტერპრეტაცია.
ინტერპრეტიულ სისტემებს შეუძლიათ დაკვირვების შედეგების საფუძველზე დასკვნების გამოტანა. ერთ-ერთი ყველაზე ცნობილი ინტერპრეტაციის სისტემაა PROSPECTOR სისტემა. ის მუშაობს ცხრა ექსპერტის ცოდნაზე დაფუძნებული მონაცემების გამოყენებით. სისტემის ეფექტურობა შეიძლება შეფასდეს ერთი მაგალითით: გამოკვლევის ცხრა განსხვავებული მეთოდის გამოყენებით სისტემამ აღმოაჩინა მადნის საბადო, რომელსაც არც ერთი ექსპერტი არ მოელოდა. კიდევ ერთი ცნობილი ინტერპრეტაციის ტიპის სისტემაა HASP/SIAP. ის იყენებს აკუსტიკური თვალთვალის სისტემების მონაცემებს და მათზე დაყრდნობით განსაზღვრავს გემების მდებარეობას წყნარ ოკეანეში და მათ ტიპებს.
ე) ინტელექტუალური კონტროლისა და მართვის სისტემები.
საექსპერტო სისტემები წარმატებით გამოიყენება კონტროლისა და მართვისთვის. მათ შეუძლიათ გააანალიზონ რამდენიმე წყაროდან მიღებული მონაცემები და მიიღონ გადაწყვეტილებები ანალიზის შედეგებზე დაყრდნობით. ასეთ სისტემებს შეუძლიათ განახორციელონ სამედიცინო მონიტორინგი და გააკონტროლონ თვითმფრინავების მოძრაობა, გარდა ამისა, ისინი გამოიყენება ატომურ ელექტროსადგურებში. ასევე, მათი დახმარებით რეგულირდება საწარმოს ფინანსური საქმიანობა და მუშავდება გადაწყვეტილებები კრიტიკულ სიტუაციებში.
ვ) ელექტრო და მექანიკური მოწყობილობების დიაგნოსტიკა და პრობლემების აღმოფხვრა.
ცოდნაზე დაფუძნებული სისტემები გამოიყენება ისეთ შემთხვევებში, როგორიცაა:
დიზელის ლოკომოტივების, ავტომობილების და სხვა ელექტრო და მექანიკური მოწყობილობების შეკეთება;
კომპიუტერების პროგრამულ უზრუნველყოფასა და აპარატურაში შეცდომების და გაუმართაობის დიაგნოსტიკა და აღმოფხვრა.
ზ) განათლების კომპიუტერული სისტემები.
საგანმანათლებლო მიზნებისთვის ცოდნაზე დაფუძნებული სისტემების გამოყენება საკმაოდ ეფექტურია. სისტემა აანალიზებს ობიექტის ქცევას და აქტივობას და მიღებული ინფორმაციის შესაბამისად ცვლის ცოდნის ბაზას. ასეთი სწავლის უმარტივესი მაგალითია კომპიუტერული თამაში, რომელშიც დონეები რთულდება მოთამაშის უნარის მატებასთან ერთად. საინტერესო სასწავლო სისტემა - EURISCO - შეიმუშავა დ.ლენატმა. იგი იყენებს მარტივ ევრისტიკას. სისტემა გამოიყენებოდა საბრძოლო ოპერაციების სიმულაციის თამაშში. თამაშის არსი არის ფლოტილის ოპტიმალური შემადგენლობის განსაზღვრა, რომელსაც შეუძლია დამარცხების მიყენება მრავალი წესის დაცვით. სისტემამ წარმატებით გაართვა თავი ამ ამოცანას, მათ შორის ფლოტილის შემადგენლობაში ერთი პატარა ხომალდი და რამდენიმე ხომალდი, რომელსაც შეუძლია შეტევის განხორციელება. თამაშის წესები ყოველწლიურად იცვლებოდა, მაგრამ EURISCO სისტემა მუდმივად იმარჯვებდა სამი წლის განმავლობაში.
არსებობს მრავალი საექსპერტო სისტემა, რომელიც, ცოდნის შინაარსის მიხედვით, შეიძლება ერთდროულად რამდენიმე ტიპს მივაკუთვნოთ. მაგალითად, სისტემა, რომელიც ახორციელებს დაგეგმვას, ასევე შეიძლება იყოს სასწავლო სისტემა. მას შეუძლია მოსწავლის ცოდნის დონის განსაზღვრა და ამ ინფორმაციის საფუძველზე სასწავლო გეგმის შედგენა. კონტროლის სისტემები გამოიყენება დაგეგმვის, პროგნოზირების, დიაგნოსტიკისა და კონტროლისთვის. სახლის ან ბინის დასაცავად შექმნილ სისტემებს შეუძლიათ თვალყური ადევნონ გარემოში არსებულ ცვლილებებს, იწინასწარმეტყველონ სიტუაციის განვითარება და შეადგინონ შემდგომი მოქმედებების გეგმა. მაგალითად, ფანჯარა გაიღო და ქურდი ოთახში შესვლას ცდილობს, ამიტომ აუცილებელია პოლიციის გამოძახება.
საექსპერტო სისტემების ფართო გამოყენება დაიწყო 1980-იან წლებში, როდესაც ისინი პირველად იქნა დანერგილი კომერციულად. ES გამოიყენება ბევრ სფეროში, მათ შორის ბიზნესში, მეცნიერებაში, ტექნოლოგიაში, წარმოებაში და სხვა ინდუსტრიებში, რომლებიც ხასიათდება კარგად განსაზღვრული საგნით. ამ კონტექსტში „კარგად განსაზღვრული“ ნიშნავს, რომ ადამიანს შეუძლია მსჯელობის კურსი ცალკეულ ეტაპებად დაყოს და ამგვარად, ნებისმიერი პრობლემა, რომელიც ამ სფეროს ფარგლებშია, შეიძლება გადაიჭრას. ამიტომ, კომპიუტერულ პროგრამას შეუძლია მსგავსი მოქმედებების შესრულება. თამამად შეიძლება ითქვას, რომ ხელოვნური ინტელექტის გამოყენება კაცობრიობას გაუთავებელ შესაძლებლობებს უხსნის.
ხელოვნური ინტელექტი და მისი განვითარების პერსპექტივები
დევიდ ლოჯის პატარა სამყარო, რომანი ლიტერატურული კრიტიკის აკადემიური სამყაროს შესახებ, აღწერს ღირსშესანიშნავ სცენას. გმირი მიმართავს ლიტერატურის გამოჩენილ თეორეტიკოსთა ჯგუფს კითხვაზე, რა მოხდებოდა, თუ ისინი მართლები იყვნენ. დაბნეულობა წარმოიშვა თეორეტიკოსებს შორის. ისინი ერთმანეთს არ ეთანხმებოდნენ, მაგრამ მანამდე არავის უფიქრია, რომ უტყუარ თეორიებზე კამათი ყოველგვარ აზრს მოკლებული ოკუპაციაა. ასეთი გამოკითხვა ხელოვნური ინტელექტის მკვლევარ მეცნიერებს რომ დაეკითხათ, ისინიც დაბნეული იქნებოდნენ. რა მოხდებოდა, თუ მათ მოახერხეს თავიანთი მიზნების მიღწევა? ყოველივე ამის შემდეგ, ინტელექტუალური კომპიუტერები უკვე აჩვენებენ შესანიშნავი მიღწევებს და ყველას ესმის, რომ ისინი უფრო სასარგებლოა, ვიდრე მანქანები, რომლებსაც არ აქვთ ინტელექტი. როგორც ჩანს, სანერვიულო არაფერია. მაგრამ არის მთელი რიგი ეთიკური საკითხები, რომლებიც გასათვალისწინებელია.
ინტელექტუალური კომპიუტერები უფრო ძლიერია ვიდრე არაინტელექტუალური, მაგრამ შესაძლებელია თუ არა დარწმუნდეთ, რომ ეს ძალა ყოველთვის გამოიყენება მხოლოდ სიკეთისთვის და არა ბოროტებისთვის? ხელოვნური ინტელექტის მკვლევარებმა, რომლებმაც მთელი ცხოვრება მიუძღვნეს ამ სფეროში განვითარებულ მოვლენებს, უნდა იცოდნენ თავიანთი პასუხისმგებლობის ხარისხი იმის უზრუნველსაყოფად, რომ მათი მუშაობის შედეგებმა მხოლოდ დადებითი გავლენა მოახდინოს კაცობრიობაზე. ამ გავლენის ხარისხი პირდაპირ კავშირშია ხელოვნური ინტელექტის ხარისხთან. ამ სფეროში მიღწეულმა ადრეულმა მიღწევებმაც კი მნიშვნელოვანი გავლენა მოახდინა კომპიუტერული მეცნიერების სწავლებაზე და პროგრამული უზრუნველყოფის და აპარატურის შემუშავებაზე. ხელოვნურმა ინტელექტმა შესაძლებელი გახადა საძიებო სისტემების, რობოტების, ეფექტური სათვალთვალო სისტემების, ინვენტარის მართვის სისტემების, მეტყველების ამოცნობის და რიგი სხვა ფუნდამენტურად ახალი აპლიკაციების შექმნა.
დეველოპერების აზრით, ხელოვნური ინტელექტის მიღწეული საშუალო დონის მიღწევებმა შეიძლება უზარმაზარი გავლენა იქონიოს პლანეტის მოსახლეობის ცხოვრების წესზე. აქამდე მხოლოდ ინტერნეტს და ფიჭურ სატელეფონო კომუნიკაციებს ჰქონდა ასეთი გავრცელებული გავლენა და ხელოვნური ინტელექტის გავლენის ხარისხი უმნიშვნელო რჩებოდა. მაგრამ შეიძლება წარმოიდგინოთ, რა სარგებელს მოუტანს კაცობრიობას სახლისა თუ ოფისის პირადი თანაშემწეების გარეგნობა და როგორ გაუმჯობესდება მათი გარეგნობით ყოველდღიური ცხოვრების ხარისხი, თუმცა თავდაპირველად ამან შეიძლება გამოიწვიოს მთელი რიგი ეკონომიკური პრობლემები. ამავდროულად, ტექნოლოგიურმა შესაძლებლობებმა, რომელიც კაცობრიობას გაუხსნა, შესაძლოა ავტონომიური იარაღის შექმნამდე მიგვიყვანოს და მისი გამოჩენა, ბევრის აზრით, არასასურველია. და ბოლოს, შესაძლოა, წარმატებამ ხელოვნური ინტელექტის შექმნაში, რომელიც ადამიანის გონებაზე მაღლა დგას, რადიკალურად შეცვალოს კაცობრიობის ცხოვრება. ადამიანები განსხვავებულად იმუშავებენ, დაისვენებენ, გაერთობენ, შეიცვლება იდეები ცნობიერების, ინტელექტისა და კაცობრიობის მომავლის შესახებ. ადვილი გასაგებია, რომ უმაღლესი ინტელექტის გაჩენამ შეიძლება სერიოზული ზიანი მიაყენოს ადამიანების თავისუფლებას, თვითგამორკვევას და არსებობას. სულ მცირე, ყველა ეს ასპექტი შეიძლება იყოს რისკის ქვეშ. ამიტომ ხელოვნურ ინტელექტთან დაკავშირებული კვლევები უნდა ჩატარდეს მათი შესაძლო შედეგების გაცნობიერებით.
რა შეიძლება იყოს მომავალი? სამეცნიერო ფანტასტიკის რომანების უმეტესობა პესიმისტურ და არა ოპტიმისტურ სცენარებს მიჰყვება, ალბათ იმიტომ, რომ ასეთი რომანები უფრო მიმზიდველია მკითხველისთვის. მაგრამ სინამდვილეში, სავარაუდოდ, ყველაფერი სხვაგვარად იქნება. ხელოვნური ინტელექტის განვითარება ხდება ისე, როგორც ერთ დროს განვითარებული ტელეფონი, აერონავტიკა, საინჟინრო აღჭურვილობა, ბეჭდვა და სხვა რევოლუციური ტექნოლოგიები, რომელთა დანერგვამ უფრო მეტი დადებითი, ვიდრე უარყოფითი შედეგები მოიტანა.
აღსანიშნავია ისიც, რომ მიუხედავად მოკლე ისტორიახელოვნური ინტელექტის არსებობით, ამ სფეროში მნიშვნელოვანი პროგრესია მიღწეული. თუმცა, თუ კაცობრიობას შეეძლო მომავლისკენ შეხედვა, დაინახავდა, რამდენად ცოტა გაკეთდა ჯერ კიდევ გასაკეთებელთან შედარებით.
დასკვნა
ხელოვნური ინტელექტის ექსპერტი
ხელოვნური ინტელექტის შექმნის შესაძლებლობის შესახებ დავა არ წყდება სამეცნიერო საზოგადოებაში. ბევრის აზრით, ხელოვნური ინტელექტის შექმნა ადამიანის ღირსების დამცირებას გამოიწვევს. ხელოვნური ინტელექტის შესაძლებლობებზე საუბრისას, არ უნდა დავივიწყოთ ადამიანის ინტელექტის განვითარებისა და გაუმჯობესების აუცილებლობა.
ხელოვნური ინტელექტის გამოყენების სარგებელი არის ის, რომ ის იძლევა იმპულსს შემდგომი პროგრესისთვის და ასევე მნიშვნელოვნად ზრდის შრომის პროდუქტიულობას წარმოების ავტომატიზაციის გზით. მაგრამ ყველა უპირატესობით, კიბერნეტიკას აქვს გარკვეული უარყოფითი მხარეებიც, რასაც კაცობრიობამ დიდი ყურადღება უნდა მიაქციოს. მთავარი მინუსი არის საშიშროება, რომელიც შეიძლება გამოიწვიოს AI-სთან მუშაობამ. კიდევ ერთი პრობლემა ის არის, რომ ადამიანებს შეუძლიათ დაკარგონ შემოქმედებითი სტიმული. კომპიუტერები ყველგან არის ხელოვნებაში და, როგორც ჩანს, ხალხს უბიძგებს ხელოვნებიდან. რჩება იმედი, რომ გამოცდილი შემოქმედებითი საქმიანობა კვლავაც მიმზიდველი იქნება ადამიანისთვის და საუკეთესო მუსიკალური, ლიტერატურული და ფერწერული ნაწარმოებები გააგრძელებს ხალხის შექმნას.
არის პრობლემების კიდევ ერთი ჯგუფი, უფრო სერიოზული. თანამედროვე მანქანებსა და პროგრამებს აქვთ უნარი მოერგოს ცვალებად გარე ფაქტორებს, ანუ ისწავლონ. ძალიან მალე შეიმუშავებს მანქანები ადაპტირებულობისა და საიმედოობის ხარისხით, რაც საშუალებას მისცემს ადამიანს არ ჩაერიოს გადაწყვეტილების მიღების პროცესში. ამან შეიძლება გამოიწვიოს ის ფაქტი, რომ ადამიანებს არ შეუძლიათ ადეკვატური მოქმედება ამ შემთხვევაში სასწრაფო. ასევე არ არის გამორიცხული, რომ საგანგებო სიტუაციის დროს პირმა ვერ შეძლოს საკონტროლო ფუნქციების აღება იმ მომენტში, როცა ეს აუცილებელია. ეს ნიშნავს, რომ უკვე ახლა ღირს ფიქრი პროცესის ავტომატიზაციის გარკვეული შეზღუდვების შემოღებაზე, განსაკუთრებით ის, რაც დაკავშირებულია მძიმე გართულებების წარმოქმნასთან. გადაუდებელი შემთხვევები. ამ შემთხვევაში, საკონტროლო მანქანას მაკონტროლებელი პირი შეძლებს სწორად უპასუხოს და მიიღოს სწორი გადაწყვეტილება კონკრეტული გაუთვალისწინებელი სიტუაციისთვის.
ასეთი სიტუაციები შეიძლება წარმოიშვას ტრანსპორტის სფეროში, ბირთვულ ენერგიასა და სარაკეტო ძალებში. ამ უკანასკნელ შემთხვევაში, შეცდომამ შეიძლება გამოიწვიოს საშინელი შედეგები. მაგრამ შეცდომების ალბათობა ყოველთვის არსებობს და რჩება დუბლირებისა და მრავალჯერადი გადამოწმების შემთხვევაშიც კი. ეს ნიშნავს, რომ ოპერატორი უნდა იყოს წარმოდგენილი, რომ მართოს მანქანა.
უკვე აშკარაა, რომ ადამიანებს მუდმივად მოუწევთ ხელოვნურ ინტელექტთან დაკავშირებული პრობლემების გადაჭრა, როგორც ახლა ჩნდება და მომავალშიც გამოჩნდება.
ამ საკურსო ნაშრომში განხილული იყო ხელოვნური ინტელექტის ამოცანები, მისი გარეგნობის ისტორია, გამოყენების სფეროები და AI-თან დაკავშირებული ზოგიერთი პრობლემა. ამ ნაშრომში წარმოდგენილი ინფორმაცია საინტერესო იქნება მათთვის, ვინც დაინტერესებულია თანამედროვე ტექნოლოგიებიდა ხელოვნურ ინტელექტთან დაკავშირებული მიღწევები. ამ კურსის მუშაობის მიზნები შესრულებულია.
ლექსიკონი
№ p / n კონცეფციის განმარტება (სკრიპტები) ინტერპრეტირებული პროგრამირების ენებში
გამოყენებული წყაროების სია
Devyatkov V.V. ხელოვნური ინტელექტის სისტემები / ჩ. რედ. ი.ბ.ფედოროვი. - მ.: MSTU im. N. E. Bauman, 2001. - 352 გვ. - (ინფორმატიკაში ტექნიკური უნივერსიტეტი). - 3000 ეგზემპლარი.
ჟურავლევი იუ.ი. ამოცნობისა და კლასიფიკაციის პრობლემების გადაჭრის ალგებრული მიდგომის შესახებ // კიბერნეტიკის პრობლემები. - მ.: ნაუკა, 1978, No. 33.
McCarthy D. რა არის ხელოვნური ინტელექტი?, - M.: 2007 წ.
პეტრუნინი იუ., რიაზანოვი MA, Saveliev AV ხელოვნური ინტელექტის ფილოსოფია ნეირომეცნიერების ცნებებში. (სამეცნიერო მონოგრაფია). - M.: MAKS Press, 2010 წ.
პიტერ ჯექსონი საექსპერტო სისტემების შესავალი. - მე-3 გამოცემა. - M.: Williams, 2001. - S. 624.
რასელ ს., ნორვიგ პ. ხელოვნური ინტელექტი: თანამედროვე მიდგომა/ პერ. ინგლისურიდან. და რედ. კ.ა.პტიცინა. - მე-2 გამოცემა. - მ.: უილიამსი, 2006. - 1408 გვ. - 3000 ეგზემპლარი.
Tu J., Gonzalez R. ნიმუშების ამოცნობის პრინციპები, - M.: 1978 წ.
Fine V. S. გამოსახულების ამოცნობა, - M .: 1970 წ
სასწავლო კითხვები
- ხელოვნური ინტელექტის კონცეფცია
- AIS ინსტრუმენტები
- საექსპერტო სისტემების დანიშნულება და სტრუქტურა
ხელოვნური ინტელექტი არის სამეცნიერო დისციპლინა, რომელიც გაჩნდა 1950-იან წლებში კიბერნეტიკის, ლინგვისტიკის, ფსიქოლოგიის და პროგრამირების კვეთაზე.
ხელოვნურ ინტელექტს დიდი ისტორია აქვს. პლატონი, არისტოტელე, სოკრატე, რ. დეკარტი, გ. ლაიბნიცი, ჯ. ბული, შემდეგ ნ. ვინერი და მრავალი სხვა მკვლევარიც კი ცდილობდნენ აღეწერათ აზროვნება, როგორც ელემენტარული ოპერაციების, წესებისა და პროცედურების ერთობლიობა.
აქ მოცემულია ხელოვნური ინტელექტის რამდენიმე განმარტება, რომელიც გამოქვეყნებულია სხვადასხვა წყაროში.
1. AI - სიმბოლო კიბერნეტიკური სისტემები, ადამიანის ინტელექტუალური (გონივრული) საქმიანობის ზოგიერთი ასპექტის მოდელირება: ლოგიკური და ანალიტიკური აზროვნება.
2. AI - რობოტის ან კომპიუტერის უნარიმიბაძოს ადამიანის უნარებს, რომლებიც გამოიყენება პრობლემის გადაჭრის, პრობლემის სწავლის, მსჯელობისა და თვითგანვითარებისთვის.
3. AI არის სამეცნიერო მიმართულება დაკავშირებული ალგორითმის შემუშავებადა აქტივობების ავტომატიზაციის პროგრამები, რომლებიც საჭიროებენ ადამიანის ინტელექტს.
4. AI არის ინფორმატიკის ერთ-ერთი მიმართულება, რომლის დანიშნულებაა ტექნიკისა და პროგრამული უზრუნველყოფის განვითარება,საშუალებას აძლევს არაპროგრამისტ მომხმარებელს დააყენოს და გადაჭრას თავისი ამოცანები, რომლებიც ტრადიციულად ინტელექტუალურად არის მიჩნეული, კომპიუტერთან კომუნიკაცია ბუნებრივი ენის შეზღუდული ქვეჯგუფით.
ხელოვნური ინტელექტის სფეროში კვლევების დაწყებიდან ორი მიმართულება გამოიყო:
AI იყოფა ორად სამეცნიერო მიმართულებები: ნეიროკიბერნეტიკა (ან ხელოვნური ინტელექტი) და "შავი ყუთი" კიბერნეტიკა (ან მანქანური ინტელექტი).
შეგახსენებთ, რომ კიბერნეტიკა არის მეცნიერება კონტროლის, კომუნიკაციისა და ინფორმაციის დამუშავების შესახებ. კიბერნეტიკა იკვლევს ობიექტებს მათი მატერიალური ბუნების მიუხედავად (ცოცხალი და არაცოცხალი სისტემები).
პირველი მიმართულება - ნეიროკიბერნეტიკა - ემყარება ადამიანის ტვინის აპარატურულ მოდელირებას, რომელიც დაფუძნებულია დიდ რაოდენობაზე (დაახლოებით 14 მილიარდი) დაკავშირებული და ურთიერთქმედებით. ნერვული უჯრედები- ნეირონები.
ხელოვნური ინტელექტის სისტემებს, რომლებიც ახდენენ ტვინის მუშაობის სიმულაციას, ეწოდება ნერვული ქსელები (ან ნერვული ქსელები). პირველი ნერვული ქსელები მეოცე საუკუნის 50-იანი წლების ბოლოს შექმნეს ამერიკელმა მეცნიერებმა გ.როზენბლატმა და პ. მაკკალოჩმა.
ხელოვნური ინტელექტის მეორე მიმართულებისთვის - "შავი ყუთის" კიბერნეტიკისთვის - არ აქვს მნიშვნელობა როგორია "მოაზროვნე" მოწყობილობის დიზაინი. მთავარი ის არის, რომ იგი რეაგირებს მოცემულ შეყვანის მოქმედებებზე ისევე, როგორც ადამიანის ტვინი.
კომპიუტერის მომხმარებლები საკმაოდ ხშირად ხვდებიან ხელოვნური ინტელექტის გამოვლინებას. მაგალითად, ტექსტის რედაქტორთან მუშაობისას, მართლწერა ავტომატურად მოწმდება (და გამოყენებული ენის გათვალისწინებით). ცხრილებთან მუშაობისას არ გჭირდებათ კვირის ყველა დღე ან წელიწადის ყველა თვე. საკმარისია ერთი ან ორი ჩანაწერის გაკეთება და კომპიუტერი შეძლებს სიის ზუსტად შევსებას. მიკროფონისა და სპეციალური პროგრამის საშუალებით შეგიძლიათ აკონტროლოთ პროგრამის მუშაობა თქვენი ხმით. აკრეფისას ელექტრონული მისამართიბრაუზერი ცდილობს გამოიცნოს მისამართი და დაუმატოს მას. გლობალურ ქსელში ინფორმაციის ძიება მოცემული საკვანძო სიტყვებისთვის ასევე ხდება AI ელემენტების ჩართვით. ხელნაწერი ტექსტის სკანირებისას, ხელოვნური ინტელექტის სისტემები აღიარებენ ასოებსა და ციფრებს.
AI იდეები გამოიყენება თამაშის თეორია,მაგალითად, შევქმნათ კომპიუტერი, რომელიც თამაშობს ჭადრაკს, ქამს, რევერსის და სხვა ლოგიკურ და სტრატეგიულ თამაშებს.
პრობლემის გადაჭრა MM-ის გამოყენებით მეტყველების სინთეზიხოლო შებრუნებული პრობლემა - ანალიზი და სიტყვის აღიარება.უმეტეს შემთხვევაში, AI გამოიყენება გარკვეული პრობლემის გადაჭრის მეთოდის მოსაძებნად. მათემატიკა ხელოვნური ინტელექტის მეთოდების გამოყენების ერთ-ერთი მთავარი სფეროა. სიმბოლური მათემატიკა (კომპიუტერული ალგებრა) ხელოვნური ინტელექტის ერთ-ერთი უდიდესი გამოვლინებაა.
ხელოვნური ინტელექტის სფერო მოიცავს ნიმუშების ამოცნობის ამოცანებს (ოპტიკური და აკუსტიკური). თითის ანაბეჭდების ამოცნობა, ადამიანის სახეების შედარება ნიმუშების ამოცნობის ამოცანაა.
ხელოვნური ინტელექტის იდეებზე აგებული საექსპერტო სისტემები აგროვებენ სპეციალისტების (ექსპერტების) გამოცდილებას, ცოდნას, უნარებს, რათა საჭირო დროს გადასცენ ისინი კომპიუტერის ნებისმიერ მომხმარებელს.
ინტელექტუალური პროგრამების შემუშავება მნიშვნელოვნად განსხვავდება ჩვეულებრივი პროგრამირებისგან და ხორციელდება ხელოვნური ინტელექტის სისტემის აგებით.
თუ ჩვეულებრივი კომპიუტერის პროგრამა შეიძლება წარმოდგენილი იყოს როგორც:
პროგრამა = ალგორითმი + მონაცემები
შემდეგ AI სისტემები ხასიათდება შემდეგი სტრუქტურით:
SII = ცოდნა + ცოდნის დამუშავების სტრატეგია
მთავარი დამახასიათებელი ნიშანი SII არის ცოდნით მუშაობა.
მონაცემებისგან განსხვავებით, ცოდნას აქვს შემდეგი თვისებები:
შიდა ინტერპრეტაცია- ცოდნის ბაზაში არსებულ ინფორმაციასთან ერთად წარმოდგენილია საინფორმაციო სტრუქტურები, რომლებიც საშუალებას იძლევა არა მხოლოდ ცოდნის შენახვა, არამედ მისი გამოყენებაც.
სტრუქტურირებული– რთული ობიექტები იშლება უფრო მარტივებად და მათ შორის მყარდება ურთიერთობები.
დაკავშირება- ნაჩვენებია შაბლონები ფაქტებთან, პროცესებთან, ფენომენებთან და მათ შორის მიზეზ-შედეგობრივ კავშირებთან დაკავშირებით.
აქტივობა- ცოდნა გულისხმობს ინფორმაციის მიზანმიმართულ გამოყენებას, ინფორმაციული პროცესების მართვის უნარს გარკვეული პრობლემების გადასაჭრელად.
ყველა ეს თვისება საბოლოო ჯამში უნდა უზრუნველყოს AIS-ის უნარს, მოახდინოს ადამიანის მსჯელობის მოდელირება გამოყენებული პრობლემების გადაჭრისას - პრობლემის გადაჭრის პროცედურის კონცეფცია (ცოდნის დამუშავების სტრატეგიები) მჭიდრო კავშირშია ცოდნასთან.
ცოდნის დამუშავების სისტემებში ასეთ პროცედურას უწოდებენ დასკვნის მექანიზმს, ლოგიკურ დასკვნას ან დასკვნის ძრავას. SII-ში დასკვნის მექანიზმის აგების პრინციპები განისაზღვრება ცოდნის წარმოდგენით და მოდელირებული მსჯელობის ტიპით.
AIS-თან ურთიერთობის ორგანიზებისთვის მას უნდა ჰქონდეს მომხმარებელთან კომუნიკაციის საშუალება, ანუ ინტერფეისი. ინტერფეისი უზრუნველყოფს ცოდნის ბაზასთან და გამომავალი მექანიზმთან მუშაობას საკმარისად მაღალი დონის ენაზე, აპლიკაციის სფეროს სპეციალისტების პროფესიულ ენასთან ახლოს, რომელსაც AIS ეკუთვნის.
გარდა ამისა, ინტერფეისის ფუნქციები მოიცავს მომხმარებლის დიალოგის მხარდაჭერას სისტემასთან, რაც მომხმარებელს საშუალებას აძლევს მიიღოს სისტემის მოქმედებების ახსნა, მონაწილეობა მიიღოს პრობლემის გადაჭრის ძიებაში, შეავსოს და გამოასწოროს ცოდნის ბაზა.
ცოდნაზე დაფუძნებული სისტემების ძირითადი ნაწილებია:
2. გამომავალი მექანიზმი
3. ინტერფეისი მომხმარებელთან.
თითოეული ეს ნაწილი შეიძლება განსხვავებულად იყოს მოწყობილი სხვადასხვა სისტემები, ეს განსხვავებები შეიძლება იყოს დეტალებში და პრინციპებში. თუმცა, ყველა SIS-ისთვის დამახასიათებელია ადამიანის მსჯელობის სიმულაცია.
ცოდნა, რომელსაც ადამიანი ეყრდნობა კონკრეტული პრობლემის გადაჭრისას, ძალიან არაერთგვაროვანია:
კონცეპტუალური ცოდნა (ცნებების ერთობლიობა და მათი ურთიერთობები)
კონსტრუქციული ცოდნა (ცოდნა სხვადასხვა ობიექტების ნაწილების სტრუქტურისა და ურთიერთქმედების შესახებ)
პროცედურული ცოდნა (სხვადასხვა პრობლემის გადაჭრის მეთოდები, ალგორითმები და პროგრამები).
ფაქტოგრაფიული ცოდნა (ობიექტების, ფენომენების და მათი ელემენტების რაოდენობრივი და ხარისხობრივი მახასიათებლები).
ცოდნის წარმომადგენლობის სისტემების მახასიათებელია ის, რომ ისინი აყალიბებენ ადამიანის საქმიანობას, რომელიც ხშირად ხორციელდება არაფორმალური გზით. ცოდნის წარმოდგენის მოდელები ეხება ექსპერტებისგან მიღებულ ინფორმაციას, რომელიც ხშირად ხარისხობრივი და წინააღმდეგობრივი ხასიათისაა. კომპიუტერული დამუშავებისთვის, ასეთი ინფორმაცია უნდა შემცირდეს ცალსახა ფორმალიზებულ ფორმამდე. მეცნიერება - ლოგიკა ეწევა ცოდნის ფორმალიზებული წარმოდგენის მეთოდების შესწავლას.
ამჟამად, AI კვლევას აქვს შემდეგი განაცხადის ორიენტაცია:
საექსპერტო სისტემები
ავტომატური თეორემის დადასტურება
რობოტები
ნიმუშის ამოცნობა და ა.შ.
ყველაზე დიდი განაწილება მიღწეულია ES-ების შექმნაში, რომლებიც ფართოდ გამოიყენება და გამოიყენება პრაქტიკული პრობლემების გადაჭრაში.
- AIS ინსტრუმენტები
AIS-ის განვითარებისთვის გამოყენებული ინსტრუმენტები შეიძლება დაიყოს რამდენიმე ტიპად:
პროგრამირების სისტემები მაღალი დონის ენებზე;
პროგრამირების სისტემები ცოდნის წარმომადგენლობით ენებში;
ხელოვნური ინტელექტის სისტემების ჭურვები - ჩონჩხის სისტემები;
ES-ის ავტომატური შექმნის საშუალებები.
პროგრამირების სისტემები მაღალი დონის ენებზეყველაზე ნაკლებად ორიენტირებული AI პრობლემების გადაჭრაზე. ისინი არ შეიცავს ინსტრუმენტებს, რომლებიც შექმნილია ცოდნის წარმოსაჩენად და დასამუშავებლად. მიუხედავად ამისა, AIS-ის საკმაოდ დიდი, მაგრამ დროთა განმავლობაში კლებადი წილი ვითარდება ტრადიციული NED-ის გამოყენებით.
პროგრამირების სისტემები ცოდნის წარმომადგენლობით ენებშიაქვს სპეციალური ხელსაწყოები, რომლებიც შექმნილია AIS-ის შესაქმნელად. ისინი შეიცავს ცოდნის წარმოდგენის (გარკვეული მოდელის მიხედვით) და დასკვნის მხარდაჭერის საკუთარ საშუალებებს. AIS-ის განვითარება YaPZ-ში პროგრამირების სისტემების გამოყენებით ეფუძნება ჩვეულებრივ პროგრამირების ტექნოლოგიას. ყველაზე ფართოდ გამოყენებული ლოგიკური პროგრამირების ენაა PROLOGUE.
ES-ის ავტომატური შექმნის საშუალებებიარის მოქნილი პროგრამული სისტემები, რომლებიც ცოდნის წარმოდგენის რამდენიმე მოდელის, დასკვნის მეთოდებისა და ინტერფეისის ტიპების გამოყენების საშუალებას იძლევა და შეიცავს შიდსი ES-ის შექმნა. განხილული საშუალებების დახმარებით ES-ის აგება მოიცავს საწყისი ცოდნის ფორმალიზებას, ცოდნის წარმოდგენის შეყვანის ენაზე დაწერას და გადაწყვეტილების გამოტანის წესების აღწერას. გარდა ამისა, საექსპერტო სისტემა სავსეა ცოდნით.
ჭურვები ან ცარიელი EC-ებიარის მზა ES ცოდნის ბაზის გარეშე. ES ჭურვების მაგალითები, რომლებიც ფართოდ იქნა გამოყენებული, არის უცხოური EMYCIN ჭურვი და Expert-micro-ის შიდა განვითარება, რომელიც ორიენტირებულია ES-ის შექმნაზე დიაგნოსტიკური პრობლემების გადასაჭრელად. ES ჭურვის შექმნისა და გამოყენების ტექნოლოგია არის ის, რომ ცოდნის ბაზიდან მიღებული ცოდნა ამოღებულია დასრულებული საექსპერტო სისტემიდან, შემდეგ კი ბაზა ივსება სხვა აპლიკაციებზე ორიენტირებული ცოდნით. ჭურვების უპირატესობა გამოყენების სიმარტივეა - სპეციალისტს სჭირდება მხოლოდ ჭურვის შევსება ცოდნით, პროგრამების შექმნის გარეშე. ჭურვების გამოყენების მინუსი არის შესაძლო შეუსაბამობა კონკრეტულ გარსსა და მის დახმარებით შემუშავებულ გამოყენებულ ES-ს შორის.
