Určite ste už počuli o robotovi, ktorý príde a dá vám plechovku koly, keď mu poviete, že ste smädný. Tiež ste už určite počuli o systéme rozpoznávania reči, ktorý ovláda vaše domáce spotrebiče? A pravdepodobne ste už počuli o leteckých simulátoroch, ktoré vám môžu pomôcť vytvoriť skutočné letové prostredie lietadla?
V roku 1956 svetoznámy americký vedec John McCarthy vymyslel termín, ktorý je srdcom všetkých týchto možností a mnohých ďalších. Termín, ktorý vytvoril, bol „umelá inteligencia“. Umelá inteligencia alebo skrátene AI je veda a inžinierstvo, ktoré pracuje na vytváraní inteligentných strojov, ako aj inteligentných počítačových programov, ktoré sú schopné reagovať ako človek. Teda vytvorenie takých strojov, ktoré dokážu vnímať svet okolo seba, rozumejú rozhovorom a robia rozhodnutia, ktoré sa podobajú na ľudskú voľbu. Umelá inteligencia nám dala všetko od skenera po roboty v reálnom živote.
Oblasť umelej inteligencie možno dnes označiť za polievku kognitívnej informatiky, psychológie, lingvistiky a matematiky, čakanie na blesk je pokusom spojiť úsilie výskumníkov a zdrojov, vyvinúť nové prístupy, využiť svetové úložiská vedomostí. vytvoriť iskru, ktorá vytvorí novú formu života.
V oblasti umelej inteligencie vychovávame stroj dieťaťa od detstva až po dospelosť tak, že vytvárame čisto nové prístupy k učeniu sa stroja.
Odvetvia umelej inteligencie
John McCarthy identifikoval niektoré z odvetví AI, ktoré sú popísané nižšie. Poznamenal tiež, že viaceré z nich ešte nie sú určené.
Logika umelej inteligencie: program AI si musí byť vedomý faktov a situácií.
Rozpoznanie vzoru: keď program sleduje, je zvyčajne naprogramovaný tak, aby rozpoznal a zhodoval sa so vzorom. Napríklad systém rozpoznávania reči alebo systém rozpoznávania tváre.
zastúpenie: musí existovať spôsob, ako prezentovať fakty o svete zariadeniu AI. Na prezentáciu sa používa matematický jazyk.
záver: inferencia, umožňuje extrahovať nové fakty z existujúcich faktov. Z niektorých skutočností možno usudzovať na iné.
Plánovanie: plánovací program začína faktami a vyhlásením účelu. Z nich program vygeneruje stratégiu na dosiahnutie stanoveného cieľa.
Dostupnosť Zdravý rozum a zdôvodnenie- Tento aktívny smer výskumu a štúdia AI sa objavil v 50. rokoch 20. storočia, no výsledok má stále ďaleko od ľudskej úrovne.
Epistemológia- toto je príležitosť na školenie a získavanie vedomostí pomocou zariadenia. Umožňuje vám preskúmať typy znalostí, ktoré sú potrebné pre konkrétny typ úlohy.
Heuristika Je to spôsob, ako sa pokúsiť nájsť myšlienku vnorenú do programu.
Genetické programovanie- automatické vytvorenie programu LISP (Spracovanie zoznamu), ktorý umožňuje vyriešiť problém.
Nástroje používané na riešenie zložitých problémov AI
Za posledných šesť desaťročí boli vyvinuté rôzne nástroje na riešenie zložitých problémov v tejto oblasti počítačová veda... Niektoré z nich sú:
Vyhľadávanie a optimalizácia
Väčšina problémov v AI sa dá teoreticky vyriešiť pomocou inteligentného vyhľadávania. možné riešenia... Ale jednoduché vyčerpávajúce vyhľadávanie je zriedka užitočné a postačujúce pre väčšinu skutočných problémov. V 90. rokoch 20. storočia rôzne druhy populárne sa stali vyhľadávače, ktoré boli založené na optimalizácii. Pri väčšine problémov môžete urobiť predpoklad a potom svoju požiadavku spresniť. Na uľahčenie procesu vyhľadávania boli napísané rôzne optimalizačné algoritmy.
Logika
Logika umožňuje štúdium argumentov. V AI sa používa na reprezentáciu vedomostí a tiež sa používa na riešenie problémov. Pri výskume umelej inteligencie sa používajú rôzne typy logiky. Logika prvého rádu používa kvantifikátory a predikáty a pomáha pri reprezentácii faktov a ich vlastností. Fuzzy logika je druh logiky prvého poriadku, ktorý vám umožňuje nájsť pravdivosť výroku, ktorý má byť reprezentovaný ako 1 (pravda) alebo 0 (nepravda).
Teória pravdepodobnosti
Pravdepodobnosť je spôsob vyjadrenia vedomostí. Tento pojem dostal matematický význam v teórii pravdepodobnosti, ktorá je v AI široko používaná.
Umelá inteligencia a jej aplikácie
Umelá inteligencia sa v súčasnosti používa v širokej škále oblastí vrátane simulácie, robotiky, rozpoznávania reči, financií a akcií, lekárskej diagnostiky, letectva, bezpečnosti, hier a ďalších.
Pozrime sa bližšie na niektoré oblasti:
Herňa guľa: Existujú stroje, na ktorých sa dá hrať šach profesionálna úroveň... AI je tiež použiteľná pre rôzne videohry.
Rozpoznávanie reči: Počítače a roboty, ktoré rozumejú jazyku na ľudskej úrovni, majú v sebe zabudovanú AI.
Simulátory: Simulácia je imitácia nejakej skutočnej veci. Používa sa v mnohých kontextoch, od videohier až po letectvo. Simulátory zahŕňajú letecké simulátory pre pilotov, pomocou ktorých prebieha príprava na pilotovanie „vzducholode“.
Robotické: Roboty sa stali samozrejmosťou v mnohých priemyselných odvetviach, pretože sa ukázalo, že roboty sú efektívnejšie ako ľudia, najmä v opakujúcich sa prácach, kde ľudia majú tendenciu strácať koncentráciu.
Financie: Banky a iné finančné inštitúcie sa spoliehajú na inteligentný softvér, ktorý poskytuje presnú analýzu údajov a pomáha pri predpovediach na základe týchto údajov.
liek: Systémy umelej inteligencie sa používajú v nemocniciach na riadenie plánov pacientov, rotáciu personálu a poskytovanie lekárskych informácií. Umelá neurónová sieť, čo je matematický model inšpirovaný štruktúrou a/alebo funkčné aspekty biologické neurónové siete, pomáha v medicíne pri určovaní diagnózy.
Umelá inteligencia nachádza využitie v rôznych oblastiach a aplikáciách. Bezpečnostné systémy, systémy rozpoznávania textu a reči, dolovanie dát, filtrovanie Email zo spamu a obrovské množstvo iných príkladov. Britská telekomunikačná skupina aplikovala heuristické vyhľadávanie na plánovaciu aplikáciu, ktorá plánuje viac ako dvadsaťtisíc inžinierov. Aplikácie AI si našli cestu aj do odvetvia nákladnej dopravy, kde boli vyvinuté ovládače fuzzy logiky pre automatické prevodovky v automobiloch.
Výzvy, ktorým čelia tvorcovia umelej inteligencie
Za posledných šesť desaťročí vedci aktívne pracovali na simulácii ľudskej inteligencie, ale rast sa spomalil kvôli mnohým problémom pri simulácii umelej inteligencie. Niektoré z týchto problémov sú:
Vedomostná základňa: množstvo faktov, ktoré človek pozná, je jednoducho priveľa. Pripraviť databázu, ktorá bude obsahovať všetky poznatky tohto sveta, je obrovská časovo náročná úloha.
Dedukcia, uvažovanie a riešenie problémov: AI musí vyriešiť akýkoľvek problém krok za krokom. Ľudia spravidla riešia problémy na základe intuitívnych úsudkov a potom vytvárajú akčný plán, program. Umelá inteligencia pomaly napreduje v napodobňovaní riešenia ľudských problémov.
Spracovanie prirodzeného jazyka: Prirodzený jazyk je jazyk, ktorým ľudia hovoria. Jednou z hlavných výziev, ktorým AI čelí, je rozpoznanie a pochopenie toho, čo ľudia hovoria.
Plánovanie: Plánovanie má tendenciu ľudí iba obmedzovať, pretože môžu myslieť. Schopnosť plánovať a myslieť ako človek je pre inteligentných agentov nevyhnutná. Rovnako ako ľudia, aj oni si musia vedieť predstaviť budúcnosť.
Výhody používania AI
Malé aplikácie umelej inteligencie už môžeme vidieť aj u nás doma. Napríklad smart TV, smart chladnička atď. V budúcnosti bude AI prítomná v každej domácnosti. Umelá inteligencia s nanotechnológiou alebo inými technológiami by mohla viesť k vzniku nových vedných odborov. Rozvoj umelej inteligencie určite povedie k tomu, že sa stane našou súčasťou Každodenný život... Už teraz ľudí na niektorých pracoviskách nahrádzajú roboty. Vo vojenskom priemysle umelá inteligencia umožní vytvárať rôzne moderné zbrane, napríklad roboty, ktoré znížia úmrtnosť pri vypuknutí vojny.
Nevýhody používania AI
Umelá inteligencia má síce veľa výhod, no má aj veľa nevýhod.
Na základnej úrovni môže používanie umelej inteligencie v každodenných úlohách viesť k formovaniu lenivosti človeka, čo môže viesť k degradácii väčšiny ľudí.
Využitie umelej inteligencie a nanotechnológií vo vojenskom priemysle má, samozrejme, mnoho pozitívnych stránok, napríklad vytvorenie ideálneho ochranného štítu proti akýmkoľvek útokom, no je tu aj temná stránka. Pomocou umelej inteligencie a nanotechnológie sa nám podarí vytvoriť veľmi silnú a ničivú zbraň a pri neopatrnom použití to môže viesť k nezvratným následkom.
Masívne využívanie umelej inteligencie povedie k znižovaniu pracovných miest pre ľudí.
Navyše rýchle tempo vývoja a aplikácie umelej inteligencie a robotiky by mohlo posunúť Zem k environmentálnej katastrofe. Už teraz je plytvanie počítačovými komponentmi a iné elektronické zariadenia spôsobiť veľkú škodu našej planéte.
Ak strojom dáme inteligenciu, dokážu ju maximálne využiť. Inteligentné stroje sa stanú inteligentnejšími ako ich tvorcovia, a to by mohlo viesť k výsledku, ktorý je demonštrovaný v sérii Terminátor.
Záver a budúca aplikácia
Umelá inteligencia je oblasť, v ktorej prebieha množstvo výskumov. Umelá inteligencia je odvetvie informatiky o pochopení podstaty inteligencie a budovaní počítačových systémov schopných inteligentného konania. Napriek tomu, že ľudia majú inteligenciu, nedokážu ju využiť v maximálnej možnej miere. Stroje budú môcť využiť 100 % svojej inteligencie, ak im túto inteligenciu dáme. To je výhoda aj nevýhoda. Sme závislí na strojoch takmer pre každú aplikáciu v živote. Stroje sú dnes súčasťou nášho života a používajú sa všade. Preto musíme vedieť viac o strojoch a musíme si byť vedomí budúcnosti, čo sa môže stať, ak im dáme inteligenciu. Umelá inteligencia nemôže byť dobrá alebo zlá. Mení sa v spôsobe, akým ho používame.
Od chvíle, keď bola umelá inteligencia uznaná za vedný odbor, a to sa stalo v polovici 50. rokov minulého storočia, museli vývojári inteligentných systémov riešiť mnohé problémy. Všetky úlohy sa zvyčajne dajú rozdeliť do niekoľkých tried: rozpoznávanie a preklad ľudského jazyka, automatické dokazovanie teorémov, tvorba herných programov, rozpoznávanie obrázkov a strojová kreativita. Pozrime sa stručne na podstatu každej triedy problémov.
Dôkaz teorémov.
Automatizované dokazovanie teorémov je najstaršou aplikáciou v umelej inteligencii. V tejto oblasti sa uskutočnilo množstvo výskumov, ktorých výsledkom bol vznik formalizovaných vyhľadávacích algoritmov a jazykov formálnej reprezentácie, ako je PROLOG, logický programovací jazyk a predikátový kalkul.
Automatické dokazovanie teorémov je atraktívne, pretože je založené na všeobecnosti a prísnosti logiky. Logika vo formálnom systéme predpokladá možnosť automatizácie, čo znamená, že ak je problém a s ním súvisiace dodatočné informácie prezentované vo forme súboru logických axióm a špeciálnych prípadov problému ako vety vyžadujúce dôkaz, je možné získať riešenie mnohých problémov. Na tomto princípe sú založené systémy matematického zdôvodnenia a automatického dokazovania vety. V minulých rokoch sa uskutočnili početné pokusy napísať program na automatické dokazovanie viet, nepodarilo sa však vytvoriť systém, ktorý by umožňoval riešiť problémy jednotnou metódou. Akýkoľvek relatívne zložitý heuristický systém mohol generovať veľa irelevantných viet, ktoré bolo potrebné dokázať, a v dôsledku toho ich programy museli dokázať, kým sa nenašla tá správna. Z tohto dôvodu vznikol názor, že veľké priestory je možné riešiť len neformálnymi stratégiami špeciálne navrhnutými pre špecifické prípady. V praxi sa tento prístup ukázal ako celkom plodný a bol spolu s inými využívaný v rámci expertných systémov.
Zároveň nemožno ignorovať úvahy založené na formálnej logike. Formalizovaný prístup môže vyriešiť veľa problémov. Najmä pomocou neho môžete ovládať zložité systémy, kontrolovať správnosť počítačových programov, navrhovať a testovať logické obvody. Overovatelia teorémov navyše vyvinuli výkonnú heuristiku založenú na hodnotení syntaktickej formy logických výrazov. V dôsledku toho bolo možné znížiť zložitosť vyhľadávacieho priestoru bez použitia špeciálnych stratégií.
Automatické dokazovanie teorémov je pre vedcov zaujímavé aj z toho dôvodu, že systém je možné použiť aj pri obzvlášť zložitých problémoch, aj keď nie bez zásahu človeka. V súčasnosti programy často fungujú ako asistenti. Odborníci rozdelia úlohu do niekoľkých podúloh, potom premyslia heuristiku, aby vymenovali možné dôvody. Ďalej program dokazuje lemmy, testuje menej významné predpoklady a pridáva k formálnym aspektom dôkazov načrtnutých osobou.
Rozpoznávanie vzorov.
Rozpoznávanie vzorov je výber základných znakov, ktoré charakterizujú počiatočné dáta zo všeobecného súboru znakov, a na základe prijatých informácií sú dáta priradené určitej triede.
Teória rozpoznávania vzorov je oblasť informatiky, ktorej úlohy zahŕňajú vývoj základov a metód identifikácie a klasifikácie objektov (objektov, procesov, javov, situácií, signálov atď.), z ktorých každý je vybavený súborom určitých znakov a vlastností. V praxi je potrebné identifikovať predmety pomerne často. Typickou situáciou je rozpoznanie farby semafora a rozhodnutie, či v danej chvíli prejsť cez ulicu. Existujú aj iné oblasti, v ktorých sa rozpoznávanie objektov nedá obísť, napríklad digitalizácia analógových signálov, vojenská veda, bezpečnostné systémy atď., takže dnes vedci naďalej aktívne pracujú na vytváraní systémov rozpoznávania obrazu.
Práca sa vykonáva v dvoch hlavných smeroch:
- · Výskum, vysvetlenie a modelovanie rozpoznávacích schopností obsiahnutých v živých organizmoch.
- · Rozvoj teoretických a metodických základov pre vytváranie zariadení, ktoré by umožňovali riešiť jednotlivé problémy pre aplikačné účely.
Úlohy na rozpoznávanie sú formulované pomocou matematického jazyka. Zatiaľ čo teória umelých neurónových sietí je založená na získavaní výsledkov pomocou experimentov, k formulovaniu problémov rozpoznávania vzorov nedochádza na základe experimentu, ale na základe matematických dôkazov a logických úvah.
Uvažujme o klasickej formulácii takéhoto problému. Existuje veľa objektov, ktoré je potrebné klasifikovať. Množina sa skladá z podmnožín alebo tried. Dané: informácie popisujúce množinu, informácie o triedach a popis jedného objektu bez uvedenia jeho príslušnosti k určitej triede. Úloha: na základe dostupných údajov určiť, do ktorej triedy objekt patrí.
Ak sú v úlohách monochromatické obrázky, možno ich považovať za funkcie v rovine. Funkcia bude predstavovať formálny záznam obrazu a v každom bode bude vyjadrovať určitú charakteristiku daného obrazu - optickú hustotu, priehľadnosť, jas a pod. V tomto prípade bude modelom množiny obrazu množina funkcie v lietadle. Vyjadrenie problému rozpoznávania závisí od krokov, ktoré nasledujú po rozpoznávaní.
K metódam rozpoznávania vzorov patria experimenty F. Rosenblatta, ktorý zaviedol koncept modelu mozgu. Cieľom experimentu je ukázať, ako vznikajú psychologické javy vo fyzikálnom systéme so známymi funkčnými vlastnosťami a štruktúrou. Vedec opísal najjednoduchšie experimenty s rozpoznávaním, ale ich črtou je nedeterministický algoritmus riešenia.
Najjednoduchší experiment, na základe ktorého možno získať psychologicky významné informácie o systéme, je nasledovný: perceptrónu sa predloží sekvencia dvoch rôznych podnetov, na každý z nich musí nejakým spôsobom reagovať a reakcia musí byť odlišný pre rôzne podnety. Ciele takéhoto experimentu môžu byť rôzne. Experimentátor môže stáť pred úlohou študovať možnosť spontánnej diskriminácie systémom prezentovaných podnetov bez vonkajších zásahov, alebo naopak študovať možnosť vynúteného rozpoznania. V druhom prípade experimentátor naučí systém klasifikovať rôzne objekty, ktorých môže byť viac ako dva. Učebná skúsenosť je nasledovná: perceptrón je prezentovaný s obrázkami, medzi ktorými sú zástupcovia všetkých tried, ktoré treba rozpoznať. Správna odpoveď je posilnená pravidlami modifikácie pamäte. Potom experimentátor predloží perceptrónu kontrolný stimul a určí pravdepodobnosť získania danej reakcie pre obrázky danej triedy. Kontrolný stimul sa môže zhodovať s jedným z predmetov prezentovaných v trénovacej sekvencii alebo sa môže líšiť od všetkých prezentovaných objektov. V závislosti od toho sa získajú nasledujúce výsledky:
- · Ak sa kontrolný podnet líši od všetkých predtým prezentovaných tréningových podnetov, potom okrem čistej diskriminácie experiment skúma prvky zovšeobecňovania.
- · Ak kontrolný stimul spôsobí aktiváciu určitej skupiny zmyslových prvkov, ktoré sa nezhodujú so žiadnym z prvkov, ktoré boli aktivované pri vystavení stimulom rovnakej triedy prezentovaným skôr, potom experiment skúma čisté zovšeobecnenie a nezahŕňa štúdiu uznania.
Napriek tomu, že perceptróny nie sú schopné čistého zovšeobecnenia, vyhovujú pre rozpoznávacie úlohy, najmä v prípadoch, keď sa zobrazujú obrázky, s ktorými už má perceptrón nejaké skúsenosti.
Rozpoznávanie ľudskej reči a strojový preklad.
Medzi dlhodobé ciele umelej inteligencie patrí vytváranie programov, ktoré dokážu rozpoznať ľudský jazyk a použiť ho na vytváranie zmysluplných fráz. Schopnosť porozumieť a aplikovať prirodzený jazyk je základnou črtou ľudskej inteligencie. Úspešná automatizácia tejto schopnosti by výrazne zlepšila efektivitu počítačov. K dnešnému dňu bolo napísaných veľa programov, ktoré dokážu porozumieť prirodzenému jazyku a úspešne sa používajú v obmedzených kontextoch, ale stále neexistujú žiadne systémy, ktoré by mohli používať prirodzené jazyky s rovnakou všeobecnosťou a flexibilitou ako ľudia. Faktom je, že proces porozumenia prirodzenému jazyku nie je len jednoduché rozoberanie viet na ich zložky a hľadanie významov jednotlivých slov v slovníkoch. Programy sa s touto úlohou úspešne vyrovnajú. Na používanie ľudskej reči sú potrebné rozsiahle znalosti o predmete konverzácie, o idiómoch, ktoré s ňou súvisia, okrem toho schopnosť porozumieť nejednoznačnostiam, opomenutiam, profesionalite, žargónu, ľudovým výrazom a mnohým ďalším veciam, ktoré sú vlastné normálnej ľudskej reči. sa vyžaduje.
Príkladom je rozhovor o futbale, kde sa používajú slová ako „útočník“, „prihrávka“, „prihrávka“, „priamy kop“, „obranca“, „útočník“, „kapitán“ a iné. Každé z týchto slov sa vyznačuje súborom významov a jednotlivo sú slová celkom zrozumiteľné, ale fráza z nich zložená bude nezrozumiteľná pre každého, kto sa nezaujíma o futbal a nevie nič o histórii, pravidlách a princípoch tohto hra. Pochopenie a aplikácia ľudského jazyka si teda vyžaduje súbor základných znalostí a jedným z hlavných problémov pri automatizácii porozumenia a aplikácie prirodzeného ľudského jazyka je zhromažďovanie a systematizácia takýchto znalostí.
Keďže sémantické významy sú v umelej inteligencii veľmi široko používané, vedci vyvinuli množstvo metód, ktoré umožňujú ich do určitej miery štruktúrovať. Väčšina práce sa však robí v tých problémových oblastiach, ktoré sú dobre pochopené a špecializované. Príkladom je technika „mikrosveta“. Jedným z prvých programov, kde bol použitý, bol program SHRDLU vyvinutý Terrym Winogradom, ktorý je jedným zo systémov na pochopenie ľudskej reči. Možnosti programu boli dosť obmedzené a zredukované na „rozhovor“ o umiestnení blokov rôzne farby a formulárov, ako aj plánovanie najjednoduchších akcií. Program dal odpovede na otázky ako "Akej farby je pyramída na priečke?" a mohol by dávať pokyny ako „Položte modrý blok na červený“. Takýchto úloh sa často dotýkali výskumníci umelej inteligencie a neskôr sa stali známymi ako „svet blokov“.
Napriek tomu, že program SHRDLU úspešne „hovoril“ o usporiadaní blokov, nebol obdarený schopnosťou abstrahovať z tohto „mikrosveta“. Používala príliš jednoduché techniky, ktoré neboli schopné sprostredkovať sémantickú organizáciu tematických oblastí vyššej zložitosti.
Súčasná práca v oblasti porozumenia a aplikácie prirodzených jazykov je zameraná najmä na nájdenie dostatočne všeobecných reprezentačných formalizmov, ktoré by bolo možné prispôsobiť špecifickým štruktúram daných oblastí a aplikovať v širokej škále aplikácií. Väčšina existujúcich techník, ktoré sú modifikáciami semiotických sietí, je študovaná a aplikovaná na písanie programov, ktoré dokážu rozpoznať prirodzený jazyk v úzkych tematických oblastiach. Moderné možnosti zároveň neumožňujú vytvoriť univerzálny program schopný porozumieť ľudskej reči v celej jej rozmanitosti.
Medzi rôznymi úlohami rozpoznávania obrazu možno rozlíšiť nasledovné:
- Klasifikácia dokumentov
- Stanovenie ložísk nerastných surovín
- Rozpoznávanie obrázkov
- Rozpoznávanie čiarových kódov
- Rozpoznávanie znakov
- · Rozpoznávanie reči
- Rozpoznávanie tváre
- Rozpoznávanie ŠPZ
Umelá inteligencia v herných programoch.
Herná umelá inteligencia zahŕňa nielen tradičné metódy AI, ale aj algoritmy pre informatiku všeobecne, počítačovú grafiku, robotiku a teóriu riadenia. Ako presne je implementovaná AI nezávisí len od systémových požiadaviek, ale aj od rozpočtu hry, takže vývojári musia balansovať a snažiť sa zabezpečiť, aby umelá inteligencia hry vznikala s minimálnymi nákladmi a zároveň aby je to zaujímavé a nenáročné na zdroje. Chce to úplne iný prístup ako tradičná umelá inteligencia. Hojne sa využívajú najmä emulácie, klamstvá a rôzne zjednodušenia. Príklad: Funkciou strieľačiek z pohľadu prvej osoby je schopnosť robotov pohybovať sa presne a okamžite mieriť, no zároveň človek nemá jedinú šancu, takže schopnosť robotov je umelo podceňovaná. Kontrolné body sú zároveň umiestnené na úrovni tak, aby boti mohli pôsobiť ako tím, vytvárať zálohy atď. obrázok umelej inteligencie
V počítačových hrách riadených hernou umelou inteligenciou existujú tieto kategórie postáv:
- Mobovia - postavy s nízky level inteligenciu, nepriateľskú voči ľudskému hráčovi. Hráči ničia davy, aby mohli prejsť územím, získať artefakty a skúsenostné body.
- · Postavy, ktoré nie sú hráčmi – zvyčajne sú tieto postavy voči hráčovi priateľské alebo neutrálne.
- · Boti – postavy nepriateľské voči hráčom, najnáročnejšie na programovanie. Ich schopnosti sa približujú schopnostiam herných postáv. V každom danom čase je proti hráčovi určitý počet robotov.
V rámci počítačovej hry existuje veľa oblastí, ktoré využívajú širokú škálu heuristických algoritmov pre umelú hernú inteligenciu. Herná AI sa najčastejšie používa ako jeden zo spôsobov ovládania NPC. Ďalším, nemenej bežným spôsobom ovládania, je skriptovanie. Ďalším zjavným využitím hernej AI, najmä v stratégiách v reálnom čase, je hľadanie ciest alebo metóda na určenie toho, ako sa môže NPC dostať z jedného bodu na mape do druhého. Pri tom treba počítať s prekážkami, terénom a prípadnou „hmlou vojny“. Dynamické vyvažovanie mobov sa tiež nezaobíde bez použitia umelej inteligencie. Mnoho hier vyskúšalo koncept nepredvídateľnej inteligencie. Ide o hry ako Nintendogs, Black & White, Creatures a známa hračka „Tamagotchi“. V týchto hrách sú postavami domáci miláčikovia, ktorých správanie sa mení na základe činov hráča. Postavy sa zdajú byť schopné učenia, pričom v skutočnosti sú ich činy výsledkom výberu z obmedzeného súboru rozhodnutí.
Mnoho herných programátorov považuje akúkoľvek techniku, ktorá vytvára ilúziu inteligencie, za súčasť hernej umelej inteligencie. Tento prístup však nie je úplne správny, keďže rovnaké techniky možno použiť nielen v herných AI engine. Napríklad pri vytváraní robotov sa používajú algoritmy, do ktorých sa zadávajú informácie o možných budúcich kolíziách, v dôsledku čoho roboti získavajú „zručnosť“ vyhnúť sa týmto kolíziám. Ale tieto isté techniky sú dôležitou a nevyhnutnou súčasťou fyzikálneho motora. Ďalší príklad: dôležitou súčasťou zameriavacieho systému robota sú údaje o vode a tie isté údaje sa široko používajú v grafickom engine na vykresľovanie. Posledným príkladom je skriptovanie. Tento nástroj možno s úspechom použiť vo všetkých aspektoch vývoja hier, no najčastejšie sa naň pozerá ako na jeden zo spôsobov ovládania akcií NPC.
Podľa puristov výraz „herná umelá inteligencia“ nemá právo na existenciu, keďže ide o zveličenie. Ako hlavný argument uviedli fakt, že v hernej AI sa využívajú len niektoré oblasti vedy klasickej umelej inteligencie. Treba tiež brať do úvahy, že cieľom AI je vytvárať samoučiace sa systémy a dokonca vytvárať umelú inteligenciu schopnú uvažovať, pričom je často limitovaná heuristikou a súborom niekoľkých zásad, ktoré stačia na vytvorenie dobrého hrateľnosť a poskytnúť hráčovi živé dojmy a pocit z hry.
V súčasnosti vývojári počítačových hier prejavujú záujem o akademickú AI a akademická obec sa zasa začína zaujímať o počítačové hry. V tejto súvislosti vyvstáva otázka, do akej miery sa od seba hra a klasická AI líšia. Herná umelá inteligencia je zároveň stále považovaná za jednu z pododvetví tej klasickej. Je to spôsobené tým, že umelá inteligencia má rôzne oblasti použitia, ktoré sa navzájom líšia. Keď už hovoríme o hernej inteligencii, dôležitým rozdielom je tu schopnosť podvádzať s cieľom vyriešiť určité problémy „legálnymi“ spôsobmi. Na jednej strane je nevýhodou podvádzania to, že často vedie k nereálnemu správaniu postáv, a preto sa nedá vždy použiť. Na druhej strane, samotná možnosť takéhoto podvodu je dôležitým rozlišovacím znakom hernej AI.
Ďalšou zaujímavou úlohou umelej inteligencie je naučiť počítač hrať šach. Na jeho riešení sa podieľali vedci z celého sveta. Zvláštnosťou tejto úlohy je, že demonštrácia logických schopností počítača je možná len v prítomnosti skutočného protivníka. Prvýkrát sa takáto demonštrácia uskutočnila v roku 1974 v Štokholme, kde sa konali majstrovstvá sveta v šachu medzi šachovými programami. Víťazom v tejto súťaži sa stal program Kaissa, ktorý vytvorili sovietski vedci z Ústavu pre problémy manažmentu Akadémie vied ZSSR so sídlom v Moskve.
Umelá inteligencia v strojovej tvorivosti.
Povaha ľudskej inteligencie ešte nie je dostatočne preskúmaná a stupeň štúdia podstaty ľudskej tvorivosti je ešte menší. Jedným z odvetví umelej inteligencie je však strojová kreativita. Moderné počítače vytvárajú hudobné, literárne a obrazové diela a počítačové hry a filmový priemysel už dlho používajú realistické obrázky vytvorené strojmi. Existujúce programy vytvárajú rôzne obrazy, ktoré môže človek ľahko vnímať a pochopiť. To je dôležité najmä pri intuitívnych poznatkoch, ktorých formalizované overenie by si vyžadovalo značné duševné úsilie. Hudobné problémy sa teda úspešne riešia pomocou programovacieho jazyka, z ktorých jedným je jazyk CSound. Špeciálny softvér, pomocou ktorého vznikajú hudobné diela, predstavujú algoritmické kompozičné programy, interaktívne kompozičné systémy, systémy na syntézu a spracovanie zvuku.
Expertné systémy.
Vývoju moderných expertných systémov sa výskumníci venovali od začiatku 70. rokov a začiatkom 80. rokov sa expertné systémy začali vyvíjať na komerčnej báze. Prototypy expertných systémov, ktoré v roku 1832 navrhol ruský vedec S. N. Korsakov, boli mechanické zariadenia nazývané „inteligentné stroje“, ktoré umožňovali nájsť riešenie, riadené danými podmienkami. Napríklad sa analyzovali symptómy ochorenia pozorované u pacienta a na základe výsledkov tejto analýzy sa navrhli najvhodnejšie lieky.
Informatika zvažuje expertné systémy v spojení so znalostnými bázami. Systémy sú modely expertného správania založené na aplikácii rozhodovacích postupov a logických záverov. Znalostné bázy sa považujú za súbor pravidiel a faktov odvodzovania, ktoré priamo súvisia so zvolenou oblasťou činnosti.
Koncom minulého storočia sa rozvinul určitý koncept expertných systémov, hlboko zameraný na textové rozhranie človek-stroj, ktorý bol v tom čase všeobecne akceptovaný. V súčasnosti tento koncept prešiel vážnou krízou spojenou zrejme s tým, že grafické rozhranie nahradilo textové rozhranie v používateľských aplikáciách. Navyše, relačný dátový model a „klasický“ pohľad na konštrukciu expertných systémov sa navzájom nezhodujú. V dôsledku toho nie je možné efektívne organizovať znalostné bázy expertných systémov, aspoň s využitím moderných priemyselných databázových systémov. Literárne a online zdroje poskytujú mnoho príkladov expertných systémov nazývaných „rozšírené“ alebo „všeobecne známe“. V skutočnosti všetky tieto expertné systémy vznikli ešte v 80. rokoch minulého storočia a dnes už buď prestali existovať, alebo sú beznádejne zastarané a existujú vďaka niekoľkým nadšencom. Na druhej strane vývojári moderných softvérových produktov často označujú svoje výtvory ako expertné systémy. Takéto vyhlásenia nie sú ničím iným ako marketingovým ťahom, pretože v skutočnosti tieto produkty nie sú expertnými systémami (príkladom je ktorýkoľvek z počítačových právnych referenčných systémov). Nadšenci sa snažia skombinovať prístupy k tvorbe používateľského rozhrania s „klasickými“ prístupmi k budovaniu expertných systémov. Tieto pokusy sa odzrkadlili v projektoch ako CLIPS.NET, CLIPS Java Native Interface a ďalších, no veľké softvérové spoločnosti sa s financovaním takýchto projektov neponáhľajú a z tohto dôvodu vývoj nepostupuje ďalej, ako je experimentálna fáza.
Celú škálu oblastí, v ktorých je možné aplikovať systémy založené na vedomostiach, možno rozdeliť do tried: lekárska diagnostika, plánovanie, prognózovanie, riadenie a riadenie, školenia, interpretácie, diagnostika porúch elektrických a mechanických zariadení, školenia. Pozrime sa bližšie na každú z týchto tried.
a) Lekárske diagnostické systémy.
Pomocou takýchto systémov sa zisťuje, ako spolu súvisia rôzne poruchy činnosti organizmu a ich možné príčiny. Najznámejším diagnostickým systémom je MYCIN. Používa sa na diagnostiku meningitídy a bakteriálne infekcie, ako aj na sledovanie stavu pacientov, ktorí majú tieto ochorenia. Prvá verzia systému bola vyvinutá v 70-tych rokoch. Dnes sa jeho možnosti výrazne rozšírili: systém robí diagnózy na rovnakej odbornej úrovni ako odborný lekár a je použiteľný v rôznych oblastiach medicíny.
b) Prediktívne systémy.
Systémy sú navrhnuté tak, aby predpovedali udalosti alebo výsledky udalostí na základe dostupných údajov charakterizujúcich aktuálnu situáciu alebo stav objektu. Teda program „Dobytie Wall Street“, ktorý pri svojej práci využíva štatistické metódy algoritmy, je schopný analyzovať podmienky na trhu a vypracovať plán kapitálových investícií. Program využíva algoritmy a postupy tradičného programovania, preto ho nemožno klasifikovať ako znalostný systém. Už dnes existujú programy, ktoré dokážu predpovedať tok cestujúcich, výnosy a počasie, pričom analyzujú dostupné údaje. Takéto programy sú pomerne jednoduché a niektoré z nich možno použiť na bežných osobných počítačoch. Stále však neexistujú expertné systémy, ktoré by na základe údajov o trhových podmienkach dokázali navrhnúť spôsob navyšovania kapitálu.
c) Plánovanie.
Plánovacie systémy sú navrhnuté tak, aby riešili problémy s veľkým počtom premenných s cieľom dosiahnuť konkrétne výsledky. Prvýkrát v komerčnej sfére takéto systémy použila damašská spoločnosť Informat. Vedenie spoločnosti objednalo vo vestibule kancelárie inštaláciu 13 staníc, ktoré poskytovali bezplatné konzultácie pre kupujúcich, ktorí si chceli kúpiť počítač. Stroje pomohli urobiť výber, ktorý najlepšie vyhovoval rozpočtu a želaniam kupujúceho. Expertné systémy využíval Boeing aj na také účely, ako sú opravy vrtuľníkov, zisťovanie príčin zlyhania leteckých motorov a navrhovanie komiksových staníc. DEC vytvoril expertný systém XCON schopný definovať a rekonfigurovať počítačové systémy VAX tak, aby vyhovovali požiadavkám zákazníkov. DEC v súčasnosti vyvíja výkonnejší systém XSEL, ktorý zahŕňa bázu znalostí XCON. Účelom systému je pomôcť spotrebiteľom vybrať si výpočtový systém s požadovanou konfiguráciou. Rozdiel medzi XSEL a XCON je v tom, že je interaktívny.
d) Výklad.
Interpretačné systémy sú schopné vyvodiť závery na základe výsledkov pozorovania. Jedným z najznámejších tlmočníckych systémov je systém PROSPECTOR. Funguje na základe údajov založených na znalostiach deviatich odborníkov. Efektívnosť systému je možné posúdiť na jednom príklade: pomocou deviatich rôznych metód skúmania systém objavil rudné ložisko, ktorého prítomnosť nemohol predpokladať žiadny odborník. Ďalším známym systémom interpretačného typu je HASP / SIAP. Na určenie polohy a typov lodí v Tichom oceáne využíva údaje z akustických sledovacích systémov.
e) Inteligentné systémy kontroly a riadenia.
Na monitorovanie a kontrolu sa úspešne využívajú expertné systémy. Sú schopní analyzovať dáta získané z viacerých zdrojov a rozhodovať sa na základe výsledkov analýzy. Takéto systémy sú schopné vykonávať lekárske monitorovanie a riadiť pohyb lietadiel, okrem toho sa používajú v jadrových elektrárňach. Pomáhajú tiež regulovať finančné aktivity podniku a vyvíjajú riešenia v kritických situáciách.
f) Diagnostika a odstraňovanie porúch elektrických a mechanických zariadení.
Znalostné systémy sa používajú v takých prípadoch, ako sú:
opravy dieselových lokomotív, automobilov a iných elektrických a mechanických zariadení;
diagnostika a odstraňovanie chýb a porúch v softvéri a hardvéri počítačov.
g) Počítačové systémy učenie.
Používanie systémov založených na vedomostiach na účely výučby je pomerne efektívne. Systém analyzuje správanie a aktivitu objektu a v súlade s prijatými informáciami mení bázu znalostí. Najjednoduchším príkladom takéhoto tréningu je počítačová hra, v ktorej sa úrovne stávajú ťažšími so zvyšujúcou sa schopnosťou hráča. Zaujímavý tréningový systém - EURISCO - vyvinutý D. Lenatom. Používa jednoduchú heuristiku. Systém bol aplikovaný v hre, ktorá simuluje bojovanie... Podstatou hry je určiť optimálne zloženie flotily, ktorá by mohla spôsobiť porážku, pri dodržaní mnohých pravidiel. Systém sa s touto úlohou úspešne vyrovnal, vrátane jednej malej lode a niekoľkých lodí schopných viesť útok vo flotile. Pravidlá hry sa každým rokom menili, no systém EURISCO v priebehu troch rokov neustále triumfoval.
Existuje mnoho expertných systémov, ktoré možno z hľadiska obsahu vedomostí zaradiť do niekoľkých typov naraz. Napríklad systém, ktorý vykonáva plánovanie, môže byť aj tréningovým systémom. Vie určiť úroveň vedomostí žiaka a na základe týchto informácií zostaviť učebný plán. Riadiace systémy sa používajú na plánovanie, prognózovanie, diagnostiku a riadenie. Systémy určené na ochranu domu či bytu dokážu sledovať zmeny prostredia, predpovedať vývoj situácie a zostaviť plán ďalšieho postupu. Napríklad sa otvorilo okno a zlodej sa ním snaží dostať do miestnosti, preto je potrebné zavolať políciu.
Široké prijímanie expertných systémov začalo v 80. rokoch 20. storočia, keď boli prvýkrát komercializované. ES sa používajú v mnohých oblastiach vrátane obchodu, vedy, technológie, výroby a iných priemyselných odvetví, ktoré sa vyznačujú veľmi špecifickou tematickou oblasťou. V tomto kontexte „celkom určitý“ znamená, že človek môže rozdeliť líniu uvažovania do samostatných etáp, a teda vyriešiť akýkoľvek problém, ktorý je v rámci tejto oblasti. teda podobné akcie môže vykonávať aj počítačový program. Dá sa s istotou povedať, že využitie schopností umelej inteligencie otvára ľudstvu nekonečné možnosti.
Spomedzi najdôležitejších tried úloh, ktoré boli kladené na vývojárov inteligentných systémov od definície umelej inteligencie ako vedeckého smeru (od polovice 50. rokov dvadsiateho storočia), treba zdôrazniť nasledovné. smery umelej inteligencie ktoré riešia problémy, ktoré sa ťažko formalizujú: dokazovanie teorémov, rozpoznávanie obrazu, strojový preklad a porozumenie ľudskej reči, herné programy, strojová kreativita, expertné systémy. Pozrime sa stručne na ich podstatu.
Smery umelej inteligencie
Dôkaz vety... Štúdium techník dokazovania teorémov zohralo dôležitú úlohu vo vývoji umelej inteligencie. Mnohé neformálne problémy, napríklad medicínska diagnostika, sa využívajú pri riešení metodických prístupov, ktoré sa použili na automatizáciu dokazovania vety. Nájdenie dôkazu matematickej vety si vyžaduje nielen odvodzovanie z hypotéz, ale aj vytváranie intuitívnych predpokladov o tom, aké prechodné tvrdenia by sa mali dokázať pre všeobecný dôkaz hlavnej vety.
Rozpoznávanie obrázkov... Využitie umelej inteligencie na rozpoznávanie vzorov umožnilo vytvárať prakticky fungujúce systémy na identifikáciu grafických objektov na základe podobných vlastností. Akékoľvek charakteristiky objektov, ktoré sa majú rozpoznať, možno považovať za znaky. Vlastnosti by mali byť invariantné k orientácii, veľkosti a tvaru predmetov. Abecedu značiek tvorí dizajnér systému. Kvalita rozpoznávania do značnej miery závisí od toho, ako dobre je zavedená abeceda znakov. Rozpoznanie spočíva v získaní a priori vektora znakov pre samostatný objekt zvýraznený na obrázku a potom v určení, ktorému zo štandardov abecedy znakov tento vektor zodpovedá.
Strojový preklad a pochopenie ľudskej reči... Úloha analyzovať vety ľudskej reči pomocou slovníka je typickou úlohou systémov umelej inteligencie. Na jeho vyriešenie bol vytvorený sprostredkujúci jazyk na uľahčenie porovnávania fráz z rôzne jazyky... Následne sa tento sprostredkujúci jazyk zmenil na sémantický model na reprezentáciu významov textov, ktoré sa majú preložiť. Evolúcia sémantického modelu viedla k vytvoreniu jazyka pre vnútornú reprezentáciu vedomostí. Výsledkom je, že moderné systémy analyzujú texty a frázy v štyroch hlavných fázach: morfologický rozbor, syntaktická, sémantická a pragmatická analýza.
Herné programy... Väčšina herných programov je založená na niekoľkých základných myšlienkach umelej inteligencie, ako je vymenovanie možností a samoučenie. Jednou z najzaujímavejších výziev pri hraní AI je naučiť počítač hrať šach. Bola založená na úsvite výpočtovej techniky, koncom 50-tych rokov.
V šachu existujú určité úrovne zručností, stupeň kvality hry, ktoré môžu poskytnúť jasné kritériá na hodnotenie intelektuálneho rastu systému. Vedci z celého sveta sa preto aktívne zapájali do počítačového šachu a výsledky ich úspechov sa využívajú v inom intelektuálnom vývoji, ktorý má skutočnú praktickú hodnotu.
V roku 1974 sa v rámci ďalšieho kongresu IFIP (Medzinárodná federácia spracovania informácií) v Štokholme po prvý raz konal svetový šampionát medzi šachovými programami. Víťazom tejto súťaže sa stal šachový program Kaissa. Bol vytvorený v Moskve v Ústave problémov manažmentu Akadémie vied ZSSR.
Strojová kreativita... Jednou z oblastí použitia umelej inteligencie sú softvérové systémy, ktoré dokážu samostatne vytvárať hudbu, poéziu, príbehy, články, diplomy a dokonca aj dizertačné práce. Dnes existuje celá trieda hudobných programovacích jazykov (napríklad jazyk C-Sound). Pre rôzne hudobné úlohy bol vytvorený špeciálny softvér: systémy na spracovanie zvuku, systémy na syntézu zvuku, interaktívne kompozičné systémy, algoritmické kompozičné programy.
Expertné systémy... Metódy umelej inteligencie našli uplatnenie pri tvorbe automatizovaných poradenských systémov alebo expertných systémov. Prvé expertné systémy boli vyvinuté ako výskumné nástroje v 60. rokoch 20. storočia.
Boli to systémy umelej inteligencie špeciálne navrhnuté na riešenie zložitých problémov v úzkej tematickej oblasti, akou je napríklad lekárska diagnostika chorôb. Klasickým cieľom tohto smeru bolo spočiatku vytvorenie univerzálneho systému umelej inteligencie, ktorý by bol schopný vyriešiť akýkoľvek problém bez špecifických znalostí v predmetnej oblasti. Vzhľadom na obmedzené možnosti výpočtových zdrojov sa táto úloha ukázala ako príliš náročná na riešenie s prijateľným výsledkom.
Komerčná implementácia expertných systémov sa stalo začiatkom 80. rokov a odvtedy sa expertné systémy rozšírili. Používajú sa v obchode, vede, technike, výrobe, ako aj v mnohých iných oblastiach, kde je presne definovaná oblasť. Hlavným významom výrazu „celkom určitý“ je, že odborník na človeka je schopný určiť štádiá uvažovania, pomocou ktorých možno vyriešiť akýkoľvek problém v danej tematickej oblasti. To znamená, že podobné akcie môže vykonávať počítačový program.
Teraz to môžeme s istotou povedať používanie systémov umelej inteligencie otvára široké hranice.
Expertné systémy sú dnes jednou z najúspešnejších aplikácií technológie umelej inteligencie. Preto odporúčame, aby ste sa oboznámili s.
MINISTERSTVO ŠKOLSTVA A VEDY RUSKEJ FEDERÁCIE
Medzinárodný inštitút "INFO-Ruthenia"
KURZOVÁ PRÁCA
Disciplína:
Výskum riadiacich systémov
Téma: Oblasti využitia umelej inteligencie v podniku
Balatskaya E.N.
Úvod
2. Umelá inteligencia: aplikácie
3. Umelá inteligencia a perspektívy jej rozvoja
Záver
Slovník pojmov
Úvod
Veda o umelej inteligencii sa datuje do polovice 20. storočia. Odvtedy vedci v mnohých výskumných laboratóriách pracujú na vytváraní počítačov, ktoré majú schopnosť myslieť na rovnakej úrovni ako ľudia. V tom čase už existovali predpoklady pre vznik umelej inteligencie. Psychológovia teda vytvorili model ľudského mozgu a študovali procesy myslenia. Vedci-matematici vytvorili teóriu algoritmov, ktorá sa stala základom matematickej teórie výpočtov, usporiadali sa a štruktúrovali poznatky o svete, vyriešili sa problémy optimálnych výpočtov a vznikli prvé počítače.
Nové stroje boli schopné vykonávať výpočty oveľa rýchlejšie ako ľudia, a tak sa vedci zamysleli nad možnosťou vytvorenia počítačov, ktoré by dosiahli úroveň ľudského rozvoja. V roku 1950 anglický vedec Alan Turing publikoval článok "Je stroj schopný myslieť?" V tomto článku navrhuje určiť stupeň inteligencie stroja pomocou testu, ktorý vyvinul, neskôr nazvaného „Turingov test“.
V oblasti vytvárania AI pracovali aj ďalší vedci, ktorí však museli čeliť množstvu problémov, ktoré nebolo možné vyriešiť v rámci tradičnej informatiky. Ukázalo sa, že v prvom rade by sa mali študovať mechanizmy zmyslového vnímania, asimilácie informácií, ako aj povaha jazyka. Ukázalo sa, že je mimoriadne ťažké napodobniť prácu mozgu, pretože na to by bolo potrebné reprodukovať prácu miliárd neurónov, ktoré navzájom interagujú. Ale ešte viac náročná úloha ako napodobňovanie mozgu sa ukázalo študovať princípy a mechanizmy jeho fungovania. Tento problém, ktorému čelia výskumníci inteligencie, sa dotýkal teoretickej stránky psychológie. Vedcom sa stále nedarí dospieť ku konsenzu o tom, čo je inteligencia. Niektorí považujú schopnosť riešiť problémy vysokej zložitosti za znak inteligencie; pre iných je inteligencia predovšetkým schopnosť učiť sa, zovšeobecňovať a analyzovať informácie; iní veria, že je to schopnosť efektívne interagovať s vonkajším svetom, schopnosť komunikovať, vnímať a chápať vnímané informácie.
V tejto práci je predmetom výskumu umelá inteligencia. Predmetom skúmania sú možné spôsoby jeho zlepšovania a rozvoja.
Účel práce: identifikovať oblasti ľudskej činnosti, v ktorých je možné uplatniť umelú inteligenciu.
V priebehu štúdie realizovanej v rámci tejto práce má vyriešiť niekoľko problémov:
) Zvážte históriu vzniku umelej inteligencie;
) Identifikovať hlavné ciele vytvárania umelej inteligencie;
) Oboznámiť čitateľa s využitím umelej inteligencie v modernom svete;
) Preskúmať sľubné oblasti, v ktorých možno uplatniť umelú inteligenciu;
) Zvážte, aká by mohla byť budúcnosť s využitím umelej inteligencie.
Prezentovaná kurzová práca môže zaujať každého, kto sa zaujíma o históriu vzniku a vývoja umelej inteligencie, navyše sa dá využiť ako učebnica.
1. Význam pojmu "umelá inteligencia"
Ľudstvo prvýkrát počulo o umelej inteligencii pred viac ako 50 rokmi. Stalo sa tak na konferencii konanej v roku 1956 na univerzite v Dartmouthe, na ktorej John McCarthy dal tomuto pojmu jasnú a stručnú definíciu. „Umelá inteligencia je veda o vytváraní inteligentných strojov a počítačových programov. Na účely tejto vedy sa počítače používajú ako prostriedok na pochopenie charakteristík ľudskej inteligencie a zároveň by sa štúdium AI nemalo obmedzovať na používanie biologicky hodnoverných metód.
Podobne ako iné aplikované vedy, aj veda o umelej inteligencii je zastúpená teoretickou a experimentálnou časťou. V praxi zastáva „umelá inteligencia“ strednú pozíciu medzi počítačovou vedou a výpočtovou technikou a disciplínami, akými sú kognitívna a behaviorálna psychológia a neurofyziológia. Čo sa týka teoretického základu, je to „Filozofia umelej inteligencie“, ale pokiaľ v tejto oblasti neexistujú žiadne významné výsledky, teória nemá samostatný význam. Už teraz je však potrebné rozlišovať medzi vedou o umelej inteligencii a inými teoretickými disciplínami a metódami (robotickými, algoritmickými, matematickými, fyziologickými), ktoré majú samostatný význam.
V súčasnosti sa AI vyvíja dvoma smermi: neurokybernetika a kybernetika čiernej skrinky. Jedna z oblastí – neurokybernetika, alebo umelá inteligencia, je založená na modelovaní práce ľudského mozgu pomocou systémov umelej inteligencie známych ako neurónové siete alebo neurónové siete. Druhý smer AI - kybernetika čiernej skrinky alebo strojová inteligencia sa zaoberá hľadaním a vývojom algoritmov na efektívne riešenie intelektuálnych problémov pomocou existujúcich počítačových modelov. V tomto smere nie je hlavnou vecou dizajn zariadenia, ale princíp jeho fungovania: reakcia „mysliaceho“ stroja na vstupné vplyvy by mala byť rovnaká ako reakcia ľudského mozgu.
O umelej inteligencii bolo napísaných veľa kníh, no ani jeden autor nedáva jednoznačnú odpoveď na otázku, čomu sa táto veda venuje. Väčšina autorov zvažuje iba jednu definíciu AI, pričom vedecké pokroky berie do úvahy len vo svetle túto definíciu... Ďalší problém sa týka podstaty ľudskej inteligencie a jej postavenia: vo filozofii pre ne stále neexistuje jednoznačné kritérium. Neexistuje ani jednotný prístup k určovaniu stupňa „racionality“ stroja. Existuje však veľa hypotéz, ktoré boli navrhnuté už od úsvitu umelej inteligencie. Toto je Turingov test, ktorý bol uvedený vyššie, a hypotéza Newell - Simon a mnoho ďalších prístupov k vývoju AI, z ktorých možno rozlíšiť dva hlavné:
semiotické alebo zhora nadol: založené na vytváraní znalostných báz, inferenčných systémov a expertných systémov, ktoré simulujú rôzne mentálne procesy vysokej úrovni, ako je myslenie, emócie, reč, kreativita, uvažovanie atď.
biologický, alebo zdola nahor: je založený na vytváraní a štúdiu neurónových sietí, ktoré napodobňujú procesy ľudskej mozgovej činnosti, ako aj na vytváraní biopočítačov, neuropočítačov a iných podobných výpočtových systémov.
Druhý prístup presahuje definíciu, ktorú uviedol John McCarthy, ale má rovnaký konečný cieľ, takže existujú všetky dôvody na to, aby sme ho klasifikovali ako umelú inteligenciu.
V kombinácii s kognitívnou psychológiou, epistemológiou a neurofyziológiou tvorí umelá inteligencia ďalšiu vedu – kognitológiu. Epistemológia priamo súvisí s problémami AI, keďže ide o vedu o poznaní (súčasť filozofie) a filozofia zasa hrá dôležitú úlohu v umelej inteligencii. Filozofi a inžinieri AI riešia podobné problémy: obaja hľadajú najlepšie spôsoby prezentácia a využitie informácií a vedomostí.
Kognitívne modelovanie je metóda navrhnutá a prvýkrát testovaná Axelrodom. Metóda sa používa na rozhodovanie v nedostatočne definovaných situáciách. Je založená na znalostnom modelovaní subjektívnych predstáv o situácii jedného alebo viacerých odborníkov. Model pohľadu experta je kognitívna mapa (F, W). W - súbor kauzálnych vzťahov medzi situačnými faktormi, ako aj rôzne metódy na analýzu situácie, F - všetky dostupné faktory situácie. V súčasnosti je hlavným smerom rozvoja kognitívneho modelovania zlepšovanie aparátu na modelovanie a analýzu situácie. Vyvíjajú sa najmä rôzne metódy prognózovania situácie a metódy riešenia inverzných problémov.
V informatike sa riešenie problémov umelej inteligencie uskutočňuje pomocou návrhu znalostných báz a expertných systémov. Znalostné bázy sú súhrnom vedomostí a pravidiel, podľa ktorých možno inteligentne spracovávať informácie. Vo všeobecnosti sa problematika umelej inteligencie v informatike študuje s cieľom tvorby informačných systémov, ich prevádzky a zlepšovania. Špecialisti na informačné technológie sa podieľajú na školení vývojárov a používateľov takýchto systémov.
Pokusy o vytvorenie umelej inteligencie celkom prirodzene priťahovali a stále priťahujú pozornosť filozofov. Vznik prvých inteligentných systémov nemohol ovplyvniť mnohé aspekty ľudského poznania, svetový poriadok a miesto človeka vo svete. Všetky filozofické problémy v tejto oblasti možno bežne rozdeliť do dvoch skupín: možnosti vytvárania umelej inteligencie a etika umelej inteligencie. V prvej skupine je väčšina otázok venovaná možnostiam a metódam tvorby AI. Druhá skupina problémov súvisí s možné následky vznik AI pre celé ľudstvo. Zároveň sa v transhumanizme vytvorenie AI považuje za jednu z primárnych úloh, ktorým ľudstvo čelí.
Vedci z amerického Inštitútu Singularity (SIAI) aktívne skúmajú potenciál globálnych rizík, ktoré by mohli vzniknúť pri vytváraní nadľudskej umelej inteligencie. Aby sa predišlo takýmto rizikám, AI by mala byť naprogramovaná tak, aby bola priateľská k ľuďom. Film „Ja, robot“ sa celkom správne dotýka problému etiky umelej inteligencie. Niektorí vedci sa domnievajú, že zákony robotiky môžu prinútiť „počítačovú myseľ“ prevziať moc na Zemi s cieľom „chrániť“ obyvateľstvo pred poškodením.
Čo sa týka náboženských denominácií, väčšina z nich je o vytvorení AI celkom pokojná. Napríklad duchovný vodca budhistov, dalajláma, verí, že vedomie založené na počítači môže dobre existovať. Náboženské hnutie Raelitov aktívne podporuje vývoj v tejto oblasti. Iné vierovyznania vyvolávajú problémy súvisiace s AI len zriedka natoľko, aby sa hovorilo o vyslovenej pozícii.
Umelá inteligencia: Aplikácie
Od chvíle, keď bola umelá inteligencia uznaná za vedný odbor, a to sa stalo v polovici 50. rokov minulého storočia, museli vývojári inteligentných systémov riešiť mnohé problémy. Všetky úlohy sa zvyčajne dajú rozdeliť do niekoľkých tried: rozpoznávanie a preklad ľudského jazyka, automatické dokazovanie teorémov, tvorba herných programov, rozpoznávanie obrázkov a strojová kreativita. Pozrime sa stručne na podstatu každej triedy problémov.
Dôkaz teorémov.
Automatizované dokazovanie teorémov je najstaršou aplikáciou v umelej inteligencii. V tejto oblasti sa uskutočnilo množstvo výskumov, ktorých výsledkom bol vznik formalizovaných vyhľadávacích algoritmov a jazykov formálnej reprezentácie, ako je PROLOG, logický programovací jazyk a predikátový kalkul.
Automatické dokazovanie teorémov je atraktívne, pretože je založené na všeobecnosti a prísnosti logiky. Logika vo formálnom systéme predpokladá možnosť automatizácie, čo znamená, že ak je problém a s ním súvisiace dodatočné informácie prezentované vo forme súboru logických axióm a špeciálnych prípadov problému ako vety vyžadujúce dôkaz, je možné získať riešenie mnohých problémov. Na tomto princípe sú založené systémy matematického zdôvodnenia a automatického dokazovania vety. V minulých rokoch sa uskutočnili početné pokusy napísať program na automatické dokazovanie viet, nepodarilo sa však vytvoriť systém, ktorý by umožňoval riešiť problémy jednotnou metódou. Akýkoľvek relatívne zložitý heuristický systém mohol generovať veľa irelevantných viet, ktoré bolo potrebné dokázať, a v dôsledku toho ich programy museli dokázať, kým sa nenašla tá správna. Z tohto dôvodu vznikol názor, že veľké priestory je možné riešiť len neformálnymi stratégiami špeciálne navrhnutými pre špecifické prípady. V praxi sa tento prístup ukázal ako celkom plodný a bol spolu s inými využívaný v rámci expertných systémov.
Zároveň nemožno ignorovať úvahy založené na formálnej logike. Formalizovaný prístup môže vyriešiť veľa problémov. Najmä pomocou neho môžete ovládať zložité systémy, kontrolovať správnosť počítačových programov, navrhovať a testovať logické obvody. Overovatelia teorémov navyše vyvinuli výkonnú heuristiku založenú na hodnotení syntaktickej formy logických výrazov. V dôsledku toho bolo možné znížiť zložitosť vyhľadávacieho priestoru bez použitia špeciálnych stratégií.
Automatické dokazovanie teorémov je pre vedcov zaujímavé aj z toho dôvodu, že systém je možné použiť aj pri obzvlášť zložitých problémoch, aj keď nie bez zásahu človeka. V súčasnosti programy často fungujú ako asistenti. Odborníci rozdelia úlohu do niekoľkých podúloh, potom premyslia heuristiku, aby vymenovali možné dôvody. Ďalej program dokazuje lemmy, testuje menej významné predpoklady a pridáva k formálnym aspektom dôkazov načrtnutých osobou.
Rozpoznávanie vzorov.
Rozpoznávanie vzorov je výber základných znakov, ktoré charakterizujú počiatočné dáta zo všeobecného súboru znakov, a na základe prijatých informácií sú dáta priradené určitej triede.
Teória rozpoznávania vzorov je oblasť informatiky, ktorej úlohy zahŕňajú vývoj základov a metód identifikácie a klasifikácie objektov (objektov, procesov, javov, situácií, signálov atď.), z ktorých každý je vybavený súborom určitých znakov a vlastností. V praxi je potrebné identifikovať predmety pomerne často. Typickou situáciou je rozpoznanie farby semafora a rozhodnutie, či v danej chvíli prejsť cez ulicu. Existujú aj iné oblasti, v ktorých sa rozpoznávanie objektov nedá obísť, napríklad digitalizácia analógových signálov, vojenská veda, bezpečnostné systémy atď., takže dnes vedci naďalej aktívne pracujú na vytváraní systémov rozpoznávania obrazu.
Práca sa vykonáva v dvoch hlavných smeroch:
Výskum, vysvetlenie a modelovanie rozpoznávacích schopností, ktoré sú súčasťou živých vecí.
Rozvoj teoretických a metodických základov pre vytváranie zariadení, ktoré by umožňovali riešiť jednotlivé problémy pre aplikačné účely.
Úlohy na rozpoznávanie sú formulované pomocou matematického jazyka. Zatiaľ čo teória umelých neurónových sietí je založená na získavaní výsledkov pomocou experimentov, k formulovaniu problémov rozpoznávania vzorov nedochádza na základe experimentu, ale na základe matematických dôkazov a logických úvah.
Uvažujme o klasickej formulácii takéhoto problému. Existuje veľa objektov, ktoré je potrebné klasifikovať. Množina sa skladá z podmnožín alebo tried. Dané: informácie popisujúce množinu, informácie o triedach a popis jedného objektu bez uvedenia jeho príslušnosti k určitej triede. Úloha: na základe dostupných údajov určiť, do ktorej triedy objekt patrí.
Ak sú v úlohách monochromatické obrázky, možno ich považovať za funkcie v rovine. Funkcia bude predstavovať formálny záznam obrazu a v každom bode bude vyjadrovať určitú charakteristiku daného obrazu - optickú hustotu, priehľadnosť, jas a pod. V tomto prípade bude modelom množiny obrazu množina funkcie v lietadle. Vyjadrenie problému rozpoznávania závisí od krokov, ktoré nasledujú po rozpoznávaní.
K metódam rozpoznávania vzorov patria experimenty F. Rosenblatta, ktorý zaviedol koncept modelu mozgu. Cieľom experimentu je ukázať, ako vznikajú psychologické javy vo fyzikálnom systéme so známymi funkčnými vlastnosťami a štruktúrou. Vedec opísal najjednoduchšie experimenty s rozpoznávaním, ale ich črtou je nedeterministický algoritmus riešenia.
Najjednoduchší experiment, na základe ktorého možno získať psychologicky významné informácie o systéme, je nasledovný: perceptrónu sa predloží sekvencia dvoch rôznych podnetov, na každý z nich musí nejakým spôsobom reagovať a reakcia musí byť odlišný pre rôzne podnety. Ciele takéhoto experimentu môžu byť rôzne. Experimentátor môže stáť pred úlohou študovať možnosť spontánnej diskriminácie systémom prezentovaných podnetov bez vonkajších zásahov, alebo naopak študovať možnosť vynúteného rozpoznania. V druhom prípade experimentátor naučí systém klasifikovať rôzne objekty, ktorých môže byť viac ako dva. Učebná skúsenosť je nasledovná: perceptrón je prezentovaný s obrázkami, medzi ktorými sú zástupcovia všetkých tried, ktoré treba rozpoznať. Správna odpoveď je posilnená pravidlami modifikácie pamäte. Potom experimentátor predloží perceptrónu kontrolný stimul a určí pravdepodobnosť získania danej reakcie pre obrázky danej triedy. Kontrolný stimul sa môže zhodovať s jedným z predmetov prezentovaných v trénovacej sekvencii alebo sa môže líšiť od všetkých prezentovaných objektov. V závislosti od toho sa získajú nasledujúce výsledky:
Ak sa kontrolný podnet líši od všetkých predtým prezentovaných tréningových podnetov, potom experiment okrem čistej diskriminácie skúma prvky zovšeobecňovania.
Ak kontrolný stimul spôsobí aktiváciu určitej skupiny zmyslových prvkov, ktoré sa nezhodujú so žiadnym z prvkov, ktoré boli aktivované, keď boli vystavené stimulom rovnakej triedy prezentovaným skôr, potom experiment skúma čisté zovšeobecnenie a nezahŕňa štúdium uznanie.
Napriek tomu, že perceptróny nie sú schopné čistého zovšeobecnenia, vyhovujú pre rozpoznávacie úlohy, najmä v prípadoch, keď sa zobrazujú obrázky, s ktorými už má perceptrón nejaké skúsenosti.
Rozpoznávanie ľudskej reči a strojový preklad.
Medzi dlhodobé ciele umelej inteligencie patrí vytváranie programov, ktoré dokážu rozpoznať ľudský jazyk a použiť ho na vytváranie zmysluplných fráz. Schopnosť porozumieť a aplikovať prirodzený jazyk je základnou črtou ľudskej inteligencie. Úspešná automatizácia tejto schopnosti by výrazne zlepšila efektivitu počítačov. K dnešnému dňu bolo napísaných veľa programov, ktoré dokážu porozumieť prirodzenému jazyku a úspešne sa používajú v obmedzených kontextoch, ale stále neexistujú žiadne systémy, ktoré by mohli používať prirodzené jazyky s rovnakou všeobecnosťou a flexibilitou ako ľudia. Faktom je, že proces porozumenia prirodzenému jazyku nie je len jednoduché rozoberanie viet na ich zložky a hľadanie významov jednotlivých slov v slovníkoch. Programy sa s touto úlohou úspešne vyrovnajú. Na používanie ľudskej reči sú potrebné rozsiahle znalosti o predmete konverzácie, o idiómoch, ktoré s ňou súvisia, okrem toho schopnosť porozumieť nejednoznačnostiam, opomenutiam, profesionalite, žargónu, ľudovým výrazom a mnohým ďalším veciam, ktoré sú vlastné normálnej ľudskej reči. sa vyžaduje.
Príkladom je rozhovor o futbale, kde sa používajú slová ako „útočník“, „prihrávka“, „prihrávka“, „priamy kop“, „obranca“, „útočník“, „kapitán“ a iné. Každé z týchto slov sa vyznačuje súborom významov a jednotlivo sú slová celkom zrozumiteľné, ale fráza z nich zložená bude nezrozumiteľná pre každého, kto sa nezaujíma o futbal a nevie nič o histórii, pravidlách a princípoch tohto hra. Pochopenie a aplikácia ľudského jazyka si teda vyžaduje súbor základných znalostí a jedným z hlavných problémov pri automatizácii porozumenia a aplikácie prirodzeného ľudského jazyka je zhromažďovanie a systematizácia takýchto znalostí.
Keďže sémantické významy sú v umelej inteligencii veľmi široko používané, vedci vyvinuli množstvo metód, ktoré umožňujú ich do určitej miery štruktúrovať. Väčšina práce sa však robí v tých problémových oblastiach, ktoré sú dobre pochopené a špecializované. Príkladom je technika „mikrosveta“. Jedným z prvých programov, kde bol použitý, bol program SHRDLU vyvinutý Terrym Winogradom, ktorý je jedným zo systémov na pochopenie ľudskej reči. Možnosti programu boli dosť obmedzené a zredukovali sa na „rozhovor“ o usporiadaní blokov rôznych farieb a tvarov, ako aj o plánovaní najjednoduchších akcií. Program dal odpovede na otázky ako "Akej farby je pyramída na priečke?" a mohol by dávať pokyny ako „Položte modrý blok na červený“. Takýchto úloh sa často dotýkali výskumníci umelej inteligencie a neskôr sa stali známymi ako „svet blokov“.
Napriek tomu, že program SHRDLU úspešne „hovoril“ o usporiadaní blokov, nebol obdarený schopnosťou abstrahovať z tohto „mikrosveta“. Používala príliš jednoduché techniky, ktoré neboli schopné sprostredkovať sémantickú organizáciu tematických oblastí vyššej zložitosti.
Súčasná práca v oblasti porozumenia a aplikácie prirodzených jazykov je zameraná najmä na nájdenie dostatočne všeobecných reprezentačných formalizmov, ktoré by bolo možné prispôsobiť špecifickým štruktúram daných oblastí a aplikovať v širokej škále aplikácií. Väčšina existujúcich techník, ktoré sú modifikáciami semiotických sietí, je študovaná a aplikovaná na písanie programov, ktoré dokážu rozpoznať prirodzený jazyk v úzkych tematických oblastiach. Moderné možnosti zároveň neumožňujú vytvoriť univerzálny program schopný porozumieť ľudskej reči v celej jej rozmanitosti.
Medzi rôznymi úlohami rozpoznávania obrazu možno rozlíšiť nasledovné:
Stanovenie ložísk nerastných surovín
Rozpoznávanie obrázkov
Rozpoznávanie čiarových kódov
Rozpoznávanie znakov
Rozpoznávanie reči
Rozpoznávanie tváre
Rozpoznanie ŠPZ
Umelá inteligencia v herných programoch.
Herná umelá inteligencia zahŕňa nielen tradičné metódy AI, ale aj algoritmy pre informatiku všeobecne, počítačovú grafiku, robotiku a teóriu riadenia. Ako presne je implementovaná AI nezávisí len od systémových požiadaviek, ale aj od rozpočtu hry, takže vývojári musia balansovať a snažiť sa zabezpečiť, aby umelá inteligencia hry vznikala s minimálnymi nákladmi a zároveň aby je to zaujímavé a nenáročné na zdroje. Chce to úplne iný prístup ako tradičná umelá inteligencia. Hojne sa využívajú najmä emulácie, klamstvá a rôzne zjednodušenia. Príklad: Funkciou strieľačiek z pohľadu prvej osoby je schopnosť robotov pohybovať sa presne a okamžite mieriť, no zároveň človek nemá jedinú šancu, takže schopnosť robotov je umelo podceňovaná. Kontrolné body sú zároveň umiestnené na úrovni, aby boti mohli pôsobiť ako tím, zakladať prepady atď.
V počítačových hrách riadených hernou umelou inteligenciou existujú tieto kategórie postáv:
moby – postavy s nízkou inteligenciou, nepriateľské voči ľudskému hráčovi. Hráči ničia davy, aby mohli prejsť územím, získať artefakty a skúsenostné body.
NPC – Zvyčajne sú tieto postavy voči hráčovi priateľské alebo neutrálne.
boti sú postavy nepriateľské voči hráčom, ktorých programovanie je najťažšie. Ich schopnosti sa približujú schopnostiam herných postáv. V každom danom čase je proti hráčovi určitý počet robotov.
V rámci počítačovej hry existuje veľa oblastí, ktoré využívajú širokú škálu heuristických algoritmov pre umelú hernú inteligenciu. Herná AI sa najčastejšie používa ako jeden zo spôsobov ovládania NPC. Ďalším, nemenej bežným spôsobom ovládania, je skriptovanie. Ďalším zjavným využitím hernej AI, najmä v stratégiách v reálnom čase, je hľadanie ciest alebo metóda na určenie toho, ako sa môže NPC dostať z jedného bodu na mape do druhého. Pri tom treba počítať s prekážkami, terénom a prípadnou „hmlou vojny“. Dynamické vyvažovanie mobov sa tiež nezaobíde bez použitia umelej inteligencie. Mnoho hier vyskúšalo koncept nepredvídateľnej inteligencie. Ide o hry ako Nintendogs, Black & White, Creatures a známa hračka „Tamagotchi“. V týchto hrách sú postavami domáci miláčikovia, ktorých správanie sa mení na základe činov hráča. Postavy sa zdajú byť schopné učenia, pričom v skutočnosti sú ich činy výsledkom výberu z obmedzeného súboru rozhodnutí.
Mnoho herných programátorov považuje akúkoľvek techniku, ktorá vytvára ilúziu inteligencie, za súčasť hernej umelej inteligencie. Tento prístup však nie je úplne správny, keďže rovnaké techniky možno použiť nielen v herných AI engine. Napríklad pri vytváraní robotov sa používajú algoritmy, do ktorých sa zadávajú informácie o možných budúcich kolíziách, v dôsledku čoho roboti získavajú „zručnosť“ vyhnúť sa týmto kolíziám. Ale tieto isté techniky sú dôležitou a nevyhnutnou súčasťou fyzikálneho motora. Ďalší príklad: dôležitou súčasťou zameriavacieho systému robota sú údaje o vode a tie isté údaje sa široko používajú v grafickom engine na vykresľovanie. Posledným príkladom je skriptovanie. Tento nástroj možno s úspechom použiť vo všetkých aspektoch vývoja hier, no najčastejšie sa naň pozerá ako na jeden zo spôsobov ovládania akcií NPC.
Podľa puristov výraz „herná umelá inteligencia“ nemá právo na existenciu, keďže ide o zveličenie. Ako hlavný argument uviedli fakt, že v hernej AI sa využívajú len niektoré oblasti vedy klasickej umelej inteligencie. Treba tiež brať do úvahy, že cieľom AI je vytvárať samoučiace sa systémy a dokonca vytvárať umelú inteligenciu schopnú uvažovať, pričom je často limitovaná heuristikou a súborom niekoľkých zásad, ktoré stačia na vytvorenie dobrého hrateľnosť a poskytnúť hráčovi živé dojmy a pocit z hry.
V súčasnosti vývojári počítačových hier prejavujú záujem o akademickú AI a akademická obec sa zasa začína zaujímať o počítačové hry. V tejto súvislosti vyvstáva otázka, do akej miery sa od seba hra a klasická AI líšia. Herná umelá inteligencia je zároveň stále považovaná za jednu z pododvetví tej klasickej. Je to spôsobené tým, že umelá inteligencia má rôzne oblasti použitia, ktoré sa navzájom líšia. Keď už hovoríme o hernej inteligencii, dôležitým rozdielom je tu schopnosť podvádzať s cieľom vyriešiť určité problémy „legálnymi“ spôsobmi. Na jednej strane je nevýhodou podvádzania to, že často vedie k nereálnemu správaniu postáv, a preto sa nedá vždy použiť. Na druhej strane, samotná možnosť takéhoto podvodu je dôležitým rozlišovacím znakom hernej AI.
Ďalšou zaujímavou úlohou umelej inteligencie je naučiť počítač hrať šach. Na jeho riešení sa podieľali vedci z celého sveta. Zvláštnosťou tejto úlohy je, že demonštrácia logických schopností počítača je možná len v prítomnosti skutočného protivníka. Prvýkrát sa takáto demonštrácia uskutočnila v roku 1974 v Štokholme, kde sa konali majstrovstvá sveta v šachu medzi šachovými programami. Víťazom v tejto súťaži sa stal program Kaissa, ktorý vytvorili sovietski vedci z Ústavu pre problémy manažmentu Akadémie vied ZSSR so sídlom v Moskve.
Umelá inteligencia v strojovej tvorivosti.
Povaha ľudskej inteligencie ešte nie je dostatočne preskúmaná a stupeň štúdia podstaty ľudskej tvorivosti je ešte menší. Jedným z odvetví umelej inteligencie je však strojová kreativita. Moderné počítače vytvárajú hudobné, literárne a obrazové diela a počítačové hry a filmový priemysel už dlho používajú realistické obrázky vytvorené strojmi. Existujúce programy vytvárajú rôzne obrazy, ktoré môže človek ľahko vnímať a pochopiť. To je dôležité najmä pri intuitívnych poznatkoch, ktorých formalizované overenie by si vyžadovalo značné duševné úsilie. Hudobné problémy sa teda úspešne riešia pomocou programovacieho jazyka, z ktorých jedným je jazyk CSound. Špeciálny softvér, pomocou ktorého vznikajú hudobné diela, predstavujú algoritmické kompozičné programy, interaktívne kompozičné systémy, systémy na syntézu a spracovanie zvuku.
Expertné systémy.
Vývoju moderných expertných systémov sa výskumníci venovali od začiatku 70. rokov a začiatkom 80. rokov sa expertné systémy začali vyvíjať na komerčnej báze. Prototypy expertných systémov, ktoré v roku 1832 navrhol ruský vedec S. N. Korsakov, boli mechanické zariadenia nazývané „inteligentné stroje“, ktoré umožňovali nájsť riešenie, riadené danými podmienkami. Napríklad sa analyzovali symptómy ochorenia pozorované u pacienta a na základe výsledkov tejto analýzy sa navrhli najvhodnejšie lieky.
Informatika zvažuje expertné systémy v spojení so znalostnými bázami. Systémy sú modely expertného správania založené na aplikácii rozhodovacích postupov a logických záverov. Znalostné bázy sa považujú za súbor pravidiel a faktov odvodzovania, ktoré priamo súvisia so zvolenou oblasťou činnosti.
Koncom minulého storočia sa rozvinul určitý koncept expertných systémov, hlboko zameraný na textové rozhranie človek-stroj, ktorý bol v tom čase všeobecne akceptovaný. V súčasnosti tento koncept prešiel vážnou krízou spojenou zrejme s tým, že grafické rozhranie nahradilo textové rozhranie v používateľských aplikáciách. Navyše, relačný dátový model a „klasický“ pohľad na konštrukciu expertných systémov sa navzájom nezhodujú. V dôsledku toho nie je možné efektívne organizovať znalostné bázy expertných systémov, aspoň s využitím moderných priemyselných databázových systémov. Literárne a online zdroje poskytujú mnoho príkladov expertných systémov nazývaných „rozšírené“ alebo „všeobecne známe“. V skutočnosti všetky tieto expertné systémy vznikli ešte v 80. rokoch minulého storočia a dnes už buď prestali existovať, alebo sú beznádejne zastarané a existujú vďaka niekoľkým nadšencom. Na druhej strane vývojári moderných softvérových produktov často označujú svoje výtvory ako expertné systémy. Takéto vyhlásenia nie sú ničím iným ako marketingovým ťahom, pretože v skutočnosti tieto produkty nie sú expertnými systémami (príkladom je ktorýkoľvek z počítačových právnych referenčných systémov). Nadšenci sa snažia skombinovať prístupy k tvorbe používateľského rozhrania s „klasickými“ prístupmi k budovaniu expertných systémov. Tieto pokusy sa odzrkadlili v projektoch ako CLIPS.NET, CLIPS Java Native Interface a ďalších, no veľké softvérové spoločnosti sa s financovaním takýchto projektov neponáhľajú a z tohto dôvodu vývoj nepostupuje ďalej, ako je experimentálna fáza.
Celú škálu oblastí, v ktorých je možné aplikovať systémy založené na vedomostiach, možno rozdeliť do tried: lekárska diagnostika, plánovanie, prognózovanie, riadenie a riadenie, školenia, interpretácie, diagnostika porúch elektrických a mechanických zariadení, školenia. Pozrime sa bližšie na každú z týchto tried.
a) Lekárske diagnostické systémy.
Pomocou takýchto systémov sa zisťuje, ako spolu súvisia rôzne poruchy činnosti organizmu a ich možné príčiny. Najznámejším diagnostickým systémom je MYCIN. Používa sa na diagnostiku meningitídy a bakteriálnych infekcií, ako aj na sledovanie stavu pacientov, ktorí majú tieto ochorenia. Prvá verzia systému bola vyvinutá v 70-tych rokoch. Dnes sa jeho možnosti výrazne rozšírili: systém robí diagnózy na rovnakej odbornej úrovni ako odborný lekár a je použiteľný v rôznych oblastiach medicíny.
b) Prediktívne systémy.
Systémy sú navrhnuté tak, aby predpovedali udalosti alebo výsledky udalostí na základe dostupných údajov charakterizujúcich aktuálnu situáciu alebo stav objektu. Program „Dobytie Wall Street“, ktorý pri svojej práci využíva štatistické metódy algoritmov, je teda schopný analyzovať podmienky na trhu a vypracovať plán kapitálových investícií. Program využíva algoritmy a postupy tradičného programovania, preto ho nemožno klasifikovať ako znalostný systém. Už dnes existujú programy, ktoré dokážu predpovedať tok cestujúcich, výnosy a počasie, pričom analyzujú dostupné údaje. Takéto programy sú pomerne jednoduché a niektoré z nich možno použiť na bežných osobných počítačoch. Stále však neexistujú expertné systémy, ktoré by na základe údajov o trhových podmienkach dokázali navrhnúť spôsob navyšovania kapitálu.
c) Plánovanie.
Plánovacie systémy sú navrhnuté tak, aby riešili problémy s veľkým počtom premenných s cieľom dosiahnuť konkrétne výsledky. Prvýkrát v komerčnej sfére takéto systémy použila damašská spoločnosť Informat. Vedenie spoločnosti objednalo vo vestibule kancelárie inštaláciu 13 staníc, ktoré poskytovali bezplatné konzultácie pre kupujúcich, ktorí si chceli kúpiť počítač. Stroje pomohli urobiť výber, ktorý najlepšie vyhovoval rozpočtu a želaniam kupujúceho. Expertné systémy využíval Boeing aj na také účely, ako sú opravy vrtuľníkov, zisťovanie príčin zlyhania leteckých motorov a navrhovanie komiksových staníc. DEC vytvoril expertný systém XCON schopný definovať a rekonfigurovať počítačové systémy VAX tak, aby vyhovovali požiadavkám zákazníkov. DEC v súčasnosti vyvíja výkonnejší systém XSEL, ktorý zahŕňa bázu znalostí XCON. Účelom systému je pomôcť spotrebiteľom vybrať si výpočtový systém s požadovanou konfiguráciou. Rozdiel medzi XSEL a XCON je v tom, že je interaktívny.
d) Výklad.
Interpretačné systémy sú schopné vyvodiť závery na základe výsledkov pozorovania. Jedným z najznámejších tlmočníckych systémov je systém PROSPECTOR. Funguje na základe údajov založených na znalostiach deviatich odborníkov. Efektívnosť systému je možné posúdiť na jednom príklade: pomocou deviatich rôznych metód skúmania systém objavil rudné ložisko, ktorého prítomnosť nemohol predpokladať žiadny odborník. Ďalším známym systémom interpretačného typu je HASP / SIAP. Na určenie polohy a typov lodí v Tichom oceáne využíva údaje z akustických sledovacích systémov.
e) Inteligentné systémy kontroly a riadenia.
Na monitorovanie a kontrolu sa úspešne využívajú expertné systémy. Sú schopní analyzovať dáta získané z viacerých zdrojov a rozhodovať sa na základe výsledkov analýzy. Takéto systémy sú schopné vykonávať lekárske monitorovanie a riadiť pohyb lietadiel, okrem toho sa používajú v jadrových elektrárňach. Pomáhajú tiež regulovať finančné aktivity podniku a vyvíjajú riešenia v kritických situáciách.
f) Diagnostika a odstraňovanie porúch elektrických a mechanických zariadení.
Znalostné systémy sa používajú v takých prípadoch, ako sú:
opravy dieselových lokomotív, automobilov a iných elektrických a mechanických zariadení;
diagnostika a odstraňovanie chýb a porúch v softvéri a hardvéri počítačov.
g) Počítačové školiace systémy.
Používanie systémov založených na vedomostiach na účely výučby je pomerne efektívne. Systém analyzuje správanie a aktivitu objektu a v súlade s prijatými informáciami mení bázu znalostí. Najjednoduchším príkladom takéhoto tréningu je počítačová hra, v ktorej sa úrovne stávajú ťažšími so zvyšujúcou sa úrovňou zručností hráča. Zaujímavý tréningový systém - EURISCO - vyvinutý D. Lenatom. Používa jednoduchú heuristiku. Systém bol aplikovaný v bojovej simulačnej hre. Podstatou hry je určiť optimálne zloženie flotily, ktorá by mohla spôsobiť porážku, pri dodržaní mnohých pravidiel. Systém sa s touto úlohou úspešne vyrovnal, vrátane jednej malej lode a niekoľkých lodí schopných viesť útok vo flotile. Pravidlá hry sa každým rokom menili, no systém EURISCO v priebehu troch rokov neustále triumfoval.
Existuje mnoho expertných systémov, ktoré možno z hľadiska obsahu vedomostí zaradiť do niekoľkých typov naraz. Napríklad systém, ktorý vykonáva plánovanie, môže byť aj tréningovým systémom. Vie určiť úroveň vedomostí žiaka a na základe týchto informácií zostaviť učebný plán. Riadiace systémy sa používajú na plánovanie, prognózovanie, diagnostiku a riadenie. Systémy určené na ochranu domu či bytu dokážu sledovať zmeny prostredia, predpovedať vývoj situácie a zostaviť plán ďalšieho postupu. Napríklad sa otvorilo okno a zlodej sa ním snaží dostať do miestnosti, preto je potrebné zavolať políciu.
Široké prijímanie expertných systémov začalo v 80. rokoch 20. storočia, keď boli prvýkrát komercializované. ES sa používajú v mnohých oblastiach vrátane obchodu, vedy, technológie, výroby a iných priemyselných odvetví, ktoré sa vyznačujú veľmi špecifickou tematickou oblasťou. V tomto kontexte „celkom určitý“ znamená, že človek môže rozdeliť líniu uvažovania do samostatných etáp, a teda vyriešiť akýkoľvek problém, ktorý je v rámci tejto oblasti. Preto môže počítačový program vykonávať podobné akcie. Dá sa s istotou povedať, že využitie schopností umelej inteligencie otvára ľudstvu nekonečné možnosti.
Umelá inteligencia a perspektívy jej rozvoja
V akademickom svete literárnej kritiky má román Davida Lodgea Malý svet úžasnú scénu. Hlavný hrdina kladie skupine významných literárnych teoretikov otázku, čo by sa stalo, keby mali pravdu. Medzi teoretikmi nastal zmätok. Nesúhlasili medzi sebou, ale nikto z nich sa nikdy nezamýšľal nad tým, že dohadovať sa o nevyvrátiteľných teóriách je nezmyselné cvičenie. Ak by ste sa spýtali na podobný prieskum vedcov skúmajúcich umelú inteligenciu, zrejme by boli tiež zmätení. Čo by sa stalo, keby sa im podarilo dosiahnuť svoje ciele? Koniec koncov, inteligentné počítače už vykazujú pozoruhodné úspechy a každý chápe, že sú užitočnejšie ako stroje, ktoré inteligenciu nemajú. Zdalo by sa, že sa niet čoho obávať. Existuje však množstvo etických problémov, ktoré je potrebné vziať do úvahy.
Inteligentné počítače sú výkonnejšie ako neinteligentné počítače, ale je možné zabezpečiť, aby sa táto sila vždy používala len na dobro, ale nie na zlo? Výskumníci v oblasti umelej inteligencie, ktorí celý svoj život zasvätili vývoju v tejto oblasti, by si mali uvedomiť mieru svojej zodpovednosti za to, že výsledky ich práce budú mať na ľudstvo len pozitívny vplyv. Miera tohto vplyvu priamo súvisí s mierou umelej inteligencie. Už prvé pokroky v tejto oblasti mali významný vplyv na výučbu informatiky a vývoj softvéru a hardvéru. Umelá inteligencia umožnila vytvárať vyhľadávače, roboty, efektívne vonkajšie sledovacie systémy, systémy riadenia zásob, rozpoznávanie reči a množstvo ďalších zásadne nových aplikácií.
Úspechy strednej úrovne dosiahnuté v umelej inteligencii môžu mať podľa vývojárov obrovský vplyv na životný štýl obyvateľstva na celej planéte. Až doteraz mal takýto všadeprítomný vplyv iba internet a komunikácia cez mobilné telefóny a miera vplyvu umelej inteligencie zostala zanedbateľná. Dá sa však predpokladať, aký úžitok bude mať ľudstvo zo vzhľadu osobných asistentov pre domácnosť či kanceláriu a ako sa s ich vzhľadom zlepší kvalita každodenného života, aj keď to môže spočiatku znamenať množstvo ekonomických problémov. Technologické príležitosti, ktoré sa ľudstvu otvorili, môžu zároveň viesť k vytvoreniu autonómnych zbraní a ich vzhľad je podľa mnohých nežiaduci. Nakoniec sa môže celkom dobre stať, že úspech vo vytváraní umelej inteligencie, ktorá svojou úrovňou prevyšuje ľudskú myseľ, môže radikálne zmeniť život ľudstva. Ľudia začnú pracovať iným spôsobom, oddýchnu si, zabavia sa, zmenia sa predstavy o vedomí, inteligencii a o samotnej budúcnosti ľudstva. Je ľahké pochopiť, že objavenie sa inteligencie, ktorá prevyšuje ľudskú inteligenciu, môže spôsobiť vážne poškodenie slobody, sebaurčenia a ľudskej existencie. Prinajmenšom všetky tieto aspekty môžu byť ohrozené. Výskum súvisiaci s umelou inteligenciou sa preto musí vykonávať s vedomím jej možných dôsledkov.
Aká by mohla byť budúcnosť? Vo väčšine vedecko-fantastických románov sa zápletky nevyvíjajú podľa optimistických, ale podľa pesimistických scenárov, možno len preto, že takéto diela sú pre čitateľov atraktívnejšie. Ale v skutočnosti to bude s najväčšou pravdepodobnosťou inak. Vývoj umelej inteligencie prebieha rovnako, ako sa svojho času vyvíjala telefónia, letectvo, strojárske vybavenie, tlač a ďalšie revolučné technológie, ktorých zavedenie prinieslo skôr pozitívne ako negatívne dôsledky.
Za zmienku tiež stojí, že aj napriek krátkej histórii umelej inteligencie došlo v tejto oblasti k výraznému pokroku. Ak by sa však ľudstvo mohlo pozrieť do budúcnosti, videlo by, ako málo sa urobilo viac v porovnaní s tým, čo je ešte potrebné urobiť.
Záver
odborník na umelú inteligenciu
Vedecká komunita neprestáva debatovať o možnosti vytvorenia umelej inteligencie. Podľa mnohých bude vytvorenie AI znamenať poníženie ľudskej dôstojnosti. Keď už hovoríme o schopnostiach AI, nesmieme zabúdať na potrebu rozvíjať a zlepšovať ľudskú inteligenciu.
Výhody používania AI sú v tom, že poskytuje stimul pre ďalší pokrok a tiež výrazne zvyšuje produktivitu práce automatizáciou výroby. Ale so všetkými výhodami kybernetiky existujú aj niektoré nevýhody, ktorým by ľudstvo malo venovať veľkú pozornosť. Hlavnou nevýhodou je nebezpečenstvo, ktoré môže predstavovať práca s AI. Ďalší problém súvisí s tým, že ľudia môžu stratiť motiváciu ku kreativite. Počítače sú v umení všadeprítomné a zdá sa, že vyháňajú ľudí z umenia. Ostáva dúfať, že zručná tvorivá práca bude pre ľudí aj naďalej príťažlivá a že tie najlepšie hudobné, literárne a obrazové diela budú aj naďalej vytvárať ľudia.
Existuje ešte jedna skupina problémov, závažnejšia. Moderné stroje a programy majú schopnosť prispôsobiť sa meniacim sa vonkajším faktorom, to znamená učiť sa. Veľmi skoro budú vyvinuté stroje s takou mierou adaptability a spoľahlivosti, čo človeku umožní nezasahovať do rozhodovacieho procesu. To môže viesť k tomu, že ľudia nie sú schopní primerane konať v prípade núdzový... Je tiež možné, že v prípade núdze nebude môcť človek prevziať riadiace funkcie v momente, keď to bude potrebné. To znamená, že už teraz stojí za to uvažovať o zavedení niektorých limitov do automatizácie procesov, najmä tých, ktoré sú spojené so vznikom zložitých núdzové situácie... V takom prípade bude osoba, ktorá riadi stroj, schopná správne zareagovať a urobiť správne rozhodnutie pre konkrétnu nepredvídanú situáciu.
Takéto situácie môžu nastať v oblasti dopravy, jadrovej energetiky a raketových síl. V druhom prípade môže chyba viesť k strašným následkom. Pravdepodobnosť chýb však vždy existuje a zostáva aj v prípade duplikácie a viacnásobných opakovaných kontrol. To znamená, že musí byť prítomný operátor, ktorý stroj monitoruje.
Už teraz je zrejmé, že ľudia budú musieť neustále riešiť problémy spojené s umelou inteligenciou, ako sa objavujú teraz a budú sa objavovať aj v budúcnosti.
V tejto práci na kurze boli zvážené úlohy umelej inteligencie, história jej vzhľadu, oblasti použitia a niektoré problémy súvisiace s AI. Informácie uvedené v tejto práci budú zaujímavé pre tých, ktorí majú záujem moderné technológie a pokroky súvisiace s umelou inteligenciou. Ciele tejto kurzovej práce sú splnené.
Slovník pojmov
№ p / n Definícia pojmu 1 Umelá neurónová sieť matematický model vybudovaný na princípe fungovania a organizácie biologickej neurónovej siete 2 Kybernetika je veda o riadení, komunikácii a spracovaní informácií 3 Kognitológia je oblasť činnosti súvisiacej s analýza znalostí a ich poskytnutie (znalosti) pre ďalší rozvoj 4 Proces vykresľovania získania obrazu na základe scenára 5 Skriptovanie (skripty) v interpretovaných programovacích jazykoch
Zoznam použitých zdrojov
Devyatkov V.V. Systémy umelej inteligencie / Ch. vyd. I. B. Fedorov. - M .: Vydavateľstvo MSTU im. N.E.Bauman, 2001 .-- 352 s. - (Informatika na Technickej univerzite). - 3000 kópií.
Yu.I. Zhuravlev O algebraickom prístupe k riešeniu problémov rozpoznávania a klasifikácie // Problémy kybernetiky. - M .: Nauka, 1978, č. 33.
McCarthy D. Čo je umelá inteligencia?, - M.: 2007.
Petrunin Yu. Yu., Ryazanov M. A., Savelyev A. V. Filozofia umelej inteligencie v konceptoch neurovied. (Vedecká monografia). - M.: MAKS Press, 2010.
Peter Jackson Úvod do expertných systémov. - 3. vyd. - M.: Williams, 2001.-- S. 624.
Russell S., Norvig P. Umelá inteligencia: moderný prístup / Per. z angličtiny a vyd. K. A. Ptitsyna. - 2. vyd. - M.: Williams, 2006.-- 1408 s. - 3000 kópií.
Tu J., Gonzalez R. Principles of Pattern Recognition, - M.: 1978
Jemné V.S. Rozpoznanie obrazu, - M.: 1970
Študijné otázky
- Koncept umelej inteligencie
- Nástroje SRI
- Účel a štruktúra expertných systémov
Umelá inteligencia je vedná disciplína, ktorá vznikla v 50. rokoch na priesečníku kybernetiky, lingvistiky, psychológie a programovania.
Umelá inteligencia má dlhú históriu. Už Platón, Aristoteles, Sokrates, R. Descartes, G. Leibniz, J. Buhl, potom N. Wiener a mnohí ďalší bádatelia sa pokúšali opísať myslenie ako súbor nejakých elementárnych operácií, pravidiel a postupov.
Tu sú niektoré definície umelej inteligencie publikované v rôznych zdrojoch.
1. AI - konvenčné označenie kybernetických systémov modelovanie niektorých aspektov intelektuálnej (rozumnej) ľudskej činnosti: logické a analytické myslenie.
2. AI - schopnosť robota alebo počítača napodobňovať ľudské zručnosti používané na riešenie problémov, učenie sa problémov, uvažovanie a sebazdokonaľovanie.
3. AI je vedecký smer súvisiaci s vývoj algoritmov a programy na automatizáciu činností, ktoré si vyžadujú ľudskú inteligenciu.
4. AI je jednou z oblastí informatiky, ktorej účelom je - vývoj hardvéru a softvéru, umožňujúci používateľovi-neprogramátorovi nastavovať a riešiť svoje problémy, tradične považované za intelektuálne, komunikujúce s počítačom v obmedzenej podmnožine prirodzeného jazyka.
Od začiatku výskumu v oblasti AI sa rozlišujú dve oblasti:
AI sa rozdelí na dve časti vedeckých smerov: neurokybernetika (alebo umelá inteligencia) a kybernetika čiernej skrinky (alebo strojová inteligencia).
Pripomeňme, že kybernetika je veda o riadení, komunikácii a spracovaní informácií. Kybernetika študuje objekty bez ohľadu na ich materiálnu povahu (živé a neživé systémy).
Prvá oblasť – neurokybernetika – je založená na hardvérovom modelovaní ľudského mozgu, ktorého základom je veľké množstvo (asi 14 miliárd) prepojených a interagujúcich nervové bunky- neuróny.
Systémy umelej inteligencie, ktoré simulujú fungovanie mozgu, sa nazývajú neurónové siete (alebo neurónové siete). Prvé neurónové siete vytvorili koncom 50. rokov dvadsiateho storočia americkí vedci G. Rosenblatt a P. McCulloch.
Pre druhý smer AI – kybernetiku „čiernej skrinky“ – nezáleží na dizajne „mysliaceho“ zariadenia. Hlavné je, že na dané vstupné vplyvy reaguje rovnako ako ľudský mozog.
Používatelia počítačov sa často stretávajú s prejavom umelej inteligencie. Napríklad pri práci s textovým editorom sa automaticky kontroluje pravopis (s prihliadnutím na použitý jazyk). Pri tabuľkách nemusíte zadávať všetky dni v týždni ani všetky mesiace v roku. Stačí urobiť jeden alebo dva záznamy a počítač bude môcť zoznam neomylne doplniť. Pomocou mikrofónu a špeciálneho programu môžete hlasom ovládať prácu programu. Pri zadávaní e-mailovej adresy sa prehliadač pokúša predpovedať adresu a pridať ju. Vyhľadávanie informácií v globálnej sieti pre dané kľúčové slová prebieha aj so zapojením prvkov AI. Pri skenovaní rukou písaného textu systémy AI rozpoznávajú písmená a čísla.
Nápady AI sa používajú v herná teória, napríklad vytvoriť počítač, ktorý hrá šach, dámu, reverz a iné logické a strategické hry.
Pomocou MM problém vyriešia syntéza reči a inverzný problém - analýza a rozpoznávanie reči. Vo väčšine prípadov sa AI používa na nájdenie spôsobu riešenia určitého problému. Matematika je jednou z hlavných oblastí aplikácie metód AI. Symbolická matematika (počítačová algebra) je jedným z najväčších prejavov umelej inteligencie.
Oblasť AI zahŕňa úlohy rozpoznávania vzorov (optické a akustické). Identifikácia odtlačkov prstov, porovnanie ľudskej tváre sú úlohy rozpoznávania vzorov.
Expertné systémy založené na nápadoch AI zhromažďujú skúsenosti, znalosti, zručnosti špecialistov (expertov), aby ich v správnom čase preniesli na akéhokoľvek používateľa počítača.
Vývoj inteligentných programov sa výrazne líši od bežného programovania a uskutočňuje sa budovaním systému umelej inteligencie.
Ak môže byť bežný počítačový program reprezentovaný ako:
Program = Algoritmus + Dáta
Potom je pre systémy AI charakteristická nasledujúca štruktúra:
FII = Knowledge + Knowledge Processing Strategy
Hlavný punc FIS pracuje so znalosťami.
Na rozdiel od údajov majú znalosti tieto vlastnosti:
Interná interpretovateľnosť- spolu s informáciami v znalostnej báze sú prezentované informačné štruktúry, ktoré umožňujú poznatky nielen uchovávať, ale aj využívať.
Štruktúrovanosť- vykonáva sa rozklad zložitých objektov na jednoduchšie a nadväzovanie spojení medzi nimi.
Konektivita- Zobrazujú sa zákonitosti týkajúce sa faktov, procesov, javov a vzťahov príčin a následkov medzi nimi.
Aktivita- vedomosti predpokladajú cieľavedomé využívanie informácií, schopnosť riadiť informačné procesy na riešenie určitých problémov.
Všetky tieto vlastnosti by mali v konečnom dôsledku zabezpečiť schopnosť SRI simulovať ľudské uvažovanie pri riešení aplikovaných problémov – s poznatkami úzko súvisí aj koncepcia postupu pri získavaní riešení problémov (stratégia spracovania poznatkov).
V systémoch spracovania znalostí sa takýto postup nazýva inferenčný mechanizmus, inferencia alebo inferenčný mechanizmus. Princípy konštrukcie inferenčného mechanizmu vo FII sú určené spôsobom prezentácie vedomostí a typom modelovaného uvažovania.
Na organizovanie interakcie s FIS musí mať komunikačný prostriedok s používateľom, to znamená rozhranie. Rozhranie poskytuje prácu so znalostnou bázou a mechanizmom inferencie v jazyku dostatočne vysokej úrovne, blízkom odbornému jazyku špecialistov v aplikovanej oblasti, do ktorej FIS patrí.
Funkcie rozhrania okrem toho zahŕňajú podporu dialógu používateľa so systémom, čo umožňuje používateľovi dostávať vysvetlenia o činnosti systému, podieľať sa na hľadaní riešenia problému, dopĺňať a opravovať bázu znalostí.
Hlavné časti znalostných systémov sú:
2. Mechanizmus stiahnutia
3. Používateľské rozhranie.
Každá z týchto častí môže byť usporiadaná inak rôznych systémov, tieto rozdiely môžu byť v detailoch a princípoch. Všetky SRI sa však vyznačujú tým simulácia ľudského uvažovania.
Vedomosti, na ktoré sa človek spolieha pri riešení konkrétneho problému, sú veľmi heterogénne:
Konceptuálne znalosti (súbor pojmov a ich vzťah)
Konštruktívne znalosti (vedomosti o štruktúre a interakcii častí rôznych predmetov)
Procedurálne znalosti (metódy, algoritmy a programy na riešenie rôznych problémov).
Faktografické poznatky (kvantitatívne a kvalitatívne charakteristiky predmetov, javov a ich prvkov).
Charakteristickým znakom systémov reprezentácie znalostí je, že modelujú ľudské aktivity, často vykonávané v neformálnej forme. Modely reprezentácie znalostí sa zaoberajú informáciami získanými od odborníkov, ktoré sú často kvalitatívne a protichodné. Na spracovanie pomocou počítača musia byť takéto informácie zredukované na jednoznačnú formalizovanú formu. Veda – logika sa zaoberá štúdiom metód formalizovanej reprezentácie vedomostí.
V súčasnosti sa výskum v oblasti AI orientuje nasledovne:
Expertné systémy
Automatické dokazovanie vety
robotické
Rozpoznávanie vzorov atď.
Najrozšírenejšie sa dosahujú pri tvorbe ES, ktoré sú rozšírené a využívajú sa pri riešení praktických problémov.
- Nástroje SRI
Nástroje používané na vývoj FIS možno rozdeliť do niekoľkých typov:
Programovanie systémov vo vyšších jazykoch;
Programovacie systémy v jazykoch reprezentujúcich znalosti;
Škrupiny systémov umelej inteligencie - kostrové systémy;
Prostriedky automatizovaného vytvárania ES.
Programovanie systémov vo vyšších jazykoch sa najmenej zameriavajú na riešenie problémov AI. Neobsahujú nástroje určené na reprezentáciu a spracovanie vedomostí. Napriek tomu je pomerne veľký, ale časom klesajúci podiel FIS vyvinutý pomocou tradičných jadrových zariadení.
Programovacie systémy v jazykoch reprezentujúcich znalosti majú špeciálne nástroje určené na vytvorenie FIS. Obsahujú vlastné prostriedky na reprezentáciu vedomostí (v súlade s určitým modelom) a podporu inferencií. Vývoj FIS pomocou programovacích systémov na NAP je založený na konvenčnej programovacej technológii. Najpoužívanejším logickým programovacím jazykom je PROLOGUE.
Nástroje na automatizovanú tvorbu ES sú flexibilné softvérové systémy, ktoré umožňujú použitie viacerých modelov reprezentácie znalostí, metód inferencie a typov rozhraní a obsahujú pomôcok vytvorenie ES. Konštrukcia ES pomocou uvažovaných prostriedkov spočíva vo formalizácii počiatočných znalostí, ich zaznamenaní vo vstupnom jazyku reprezentácie znalostí a opísaní pravidiel logického vyvodzovania rozhodnutí. Okrem toho je expertný systém naplnený vedomosťami.
Mušle alebo prázdne ES sú hotové ES bez bázy znalostí. Príklady ES shellov, ktoré sú široko používané, sú zahraničný EMYCIN shell a domáci vývoj Expert-micro, zameraný na vytváranie ES na riešenie diagnostických problémov. Technológia vytvárania a používania ES shellu spočíva v tom, že znalosti z bázy znalostí sa z hotového expertného systému odstránia a báza sa potom naplní znalosťami orientovanými na iné aplikácie. Výhodou škrupín je ich jednoduché použitie - špecialista potrebuje iba naplniť škrupinu vedomosťami bez vytvárania programov. Nevýhodou použitia mušlí je možný nesúlad medzi konkrétnym plášťom a aplikovaným ES vyvinutým s jeho pomocou.
