Направления и области применения искусственного интеллекта. Использование ИИ в госуправлении. Риск для развития человеческой цивилизации

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

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

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

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

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

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

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

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

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

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

Можно отметить следующие принципы самоорганизации математических моделей:

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

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

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

В математической кибернетике различают два вида итеративных процессов развития систем:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Рис. 3.

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

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

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

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

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

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

Определение

Искусственный интеллект можно определить как научную дисциплину, которая занимается автоматизацией разумного поведения.

Искусственный интеллект (ИИ , англ. Artificial intelligence, AI ) - наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Цели и задачи

Целью исскуственного интеллекта является создание технических систем, способных решать задачи невычислительного характера и выполнять действия, требующие переработки содержательной ин­формации и считающиеся прерогативой человеческого мозга. К числу таких задач относятся, например, задачи на доказательство тео­рем, игровые задачи (скажем, при игре в шахматы), задачи по пере­воду с одного языка на другой, по сочинению музыки, распознаванию зрительных образов, решению сложных творческих про­блем науки и общественной практики. Одной из важных задач исскуственного интеллекта является создание интеллектуальных роботов, способных автоном­но совершать операции по достижению целей, поставленных че­ловеком, и вносить коррективы в свои действия.

Структура понятия

"Искусственный интеллект" складывается из нескольких основных положений и дисциплин, являющихся его основой. Более подробно это описано на рисунке предоставленном ниже. Изображение взято из

Ниже приведены основные определения использованных на картинке терминов.

Нечёткая логика и теория нечётких множеств - раздел математики, являющийся обобщением классической логики и теории множеств. Понятие нечёткой логики было впервые введено профессором Лютфи Заде в 1965 году. В этой статье понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале , а не только 0 или 1. Такие множества были названы нечёткими. Также автором были предложены различные логические операции над нечёткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Искусственные нейронные сети (ИНС) - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Интеллектуальный агент - программа, самостоятельно выполняющая задание, указанное пользователем компьютера, в течение длительных промежутков времени. Интеллектуальные агенты используются для содействия оператору или сбора информации. Одним из примеров заданий, выполняемых агентами, может служить задача постоянного поиска и сбора необходимой информации в Интернете. Компьютерные вирусы, боты, поисковые роботы - всё это также можно отнести к интеллектуальным агентам. Хотя такие агенты имеют строгий алгоритм, «интеллектуальность» в этом контексте понимается как способность приспосабливаться и обучаться.

Экспертная система (ЭС, expert system) - компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

Генетический алгоритм (англ. genetic algorithm ) - это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

Модели и методы исследований

Символьное моделирование мыслительных процессов

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

Работа с естественными языками

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

Накопление и использование знаний

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

К области машинного обучения относится большой класс задач на распознавание образов . Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования (см. след. пункт). Особо стоит упомянуть компьютерное зрение , которое связано ещё и с робототехникой.

Биологическое моделирование искусственного интеллекта

Отличается от понимания искусственного интеллекта по Джону Маккарти, когда исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и протекающие в ней процессы, присущие биологическим системам, сторонники данного подхода считают, что феномены человеческого поведения, его способность к обучению и адаптации, есть следствие именно биологической структуры и особенностей ее функционирования.

Сюда можно отнести несколько направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы - агента, взаимодействующего с внешней средой, называется агентным подходом .

Перспективы развития

На данный момент в развитии искусственного интеллекта произошло разветвление на основные отрасли, которым уделяется основное внимание в виде материальных и интеллектуальных вложений. Изображение взято из

Литература

1) "Управление знаниями корпорации и реинжиниринг бизнеса" Абдикеев, Киселев

Основными ресурсами развития компаний во все большей мере становятся люди и знания, которыми они обладают, интеллектуальный капитал и растущая профессиональная компетенция кадров. Сегодня требуются новые методы развития организации, основанные на стыке гуманитарного и инженерного подходов, что позволит получить синергетический эффект от их взаимодействия. Этот подход базируется на современных достижениях информационных технологий, а именно когнитивных технологиях развития организации. Актуально развитие симбиоза концепции управления знаниями, реинжиниринга бизнес-процессов и когнитивной человеческой составляющей.
Для менеджеров высшего звена, бизнес-аналитиков, слушателей программ МВА по направлениям "Стратегический менеджмент", "Антикризисное управление", студентов экономических вузов магистерского уровня, аспирантов и преподавателей в области корпоративного менеджмента и реинжиниринга бизнеса.

2) " Модели и методы искусственного интеллекта. Применение в экономике." М.Г. Матвеев, А.С. Свиридов, Н.А. Алейникова

П редставлены теоретические основы искусственного интеллекта: информационные аспекты, сведения о бинарной и нечеткой логике, а также методы и модели актуальных направлений искусственного интеллекта, экспертных систем, инженерии знаний, нейронных сетей и генетических алгоритмов. Подробно рассмотрены вопросы практической реализации интеллектуальных систем. Приведено множество примеров, иллюстрирующих разработку и применение рассматриваемых методов и моделей. Особое внимание уделено экономическим задачам.

3) "Искусственный интеллект и интеллектуальные системы управления. " И. М. Макаров, В. М. Лохин, С. В. Манько, М. П. Романов; отв. ред. И. М. Макарова

Рассматривается новый, активно развивающийся класс интеллектуальных систем автоматического управления, построенных на технологии обработки знаний с позиций эффективного применения при решении задач управления в условиях неопределенности. Изложены основы построения интеллектуальных систем.

4) "Искусственный интеллект: современный подход. " С. Рассел, П. Норвиг

В книге представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течениe последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в области знаний, ставших стимулом к развитию искусственного интеллекта как науки проектирования рациональных агентов.

Список источников

5) http://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B%D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82

Данный раздел посвящен генетическим алгоритмам. Что такое генетические алгоритмы? По сути, это оптимизационные алгоритмы, относящиеся к классу эвристик. Данные алгоритмы позволяют исключить перебор всех вариантов и значительно сокращают время вычислений. Специфика работы этих алгоритмов сводится к имитации эволюционных процессов.

9) http://www.gotai.net/implementations.aspx

Здесь Вы найдете идеи и готовые решения по применению искусственного интеллекта и связанных теорий для решения тех или иных практических задач.

10) http://www.gotai.net/documents-logic.aspx

В этом разделе собраны материалы, так или иначе относящиеся к классическому способу моделирования систем ИИ, моделирования на основе различных логических аппаратов. Как правило, это материалы, связанные с экспертными системами, системами поддержки принятия решения и агентными системы.

11) http://khpi-iip.mipk.kharkiv.edu/library/ai/conspai/12.html

Тенденции развития AI

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ

Международный институт «ИНФО-Рутения»

КУРСОВАЯ РАБОТА

Дисциплина:

Исследование систем управления

Тема: Области применения искусственного интеллекта на предприятии

Балацкая Е.Н.

Введение

2. Искусственный интеллект: сферы применения

3. Искусственный интеллект и перспективы его развития

Заключение

Глоссарий

Введение

Наука об искусственном интеллекте ведёт своё начало с середины XX века. Начиная с того времени, во многих исследовательских лабораториях учёные ведут работу над созданием компьютеров, обладающих способностью думать на таком же уровне, что и человек. В то время уже существовали предпосылки к возникновению искусственного разума. Так, психологами была создана модель мозга человека и изучены процессы мышления. Учёные-математики создали теорию алгоритмов, ставшую фундаментом математической теории вычислений, были упорядочены и структурированы знания о мире, решены вопросы оптимальных расчетов и созданы самые первые компьютеры.

Новые машины были способны производить вычисления гораздо быстрее человека, поэтому учёные задумались о возможности создания вычислительных машин, достигших уровня развития людей. В 1950 английским учёным Аланом Тьюрингом была опубликована статья «Способна ли машина мыслить?». В этой статье он предлагает определять степень разумности машины с помощью разработанного им теста, впоследствии получившего название «тест Тьюринга».

Другие учёные также работали в области создания ИИ, но им пришлось столкнуться с рядом проблем, которые не могли быть решены в рамках традиционной информатики. Оказалось, что прежде всего должны быть изучены механизмы чувственного восприятия, усвоения информации, а также природа языка. Имитировать работу мозга оказалось крайне сложно, так как для этого пришлось бы воспроизвести работу миллиардов нейронов, взаимодействующих между собой. Но ещё более сложной задачей, чем имитация работы мозга, оказалось изучение принципов и механизмов его функционирования. Данная проблема, вставшая перед исследователями интеллекта, затрагивала теоретическую сторону психологии. Учёным и до сих пор не удаётся прийти к единому мнению относительно того, что же есть интеллект. Одни считают признаком интеллекта способность решать задачи высокой сложности; для других интеллект - это, прежде всего способность к обучению, обобщению и анализу информации; третьи считают, что это возможность эффективно взаимодействовать с окружающим миром, способность к общению, восприятию и осознанию воспринятой информации.

В данной курсовой работе объектом исследования является искусственный интеллект. Предмет исследования - возможные способы его совершенствования и развития.

Цель работы: выявить области человеческой деятельности, в которых может применяться искусственный интеллект.

В ходе исследования, проведённого в рамках данной работы, предполагается решить несколько задач:

) Рассмотреть историю возникновения искусственного интеллекта;

) Выявить основные цели создания искусственного интеллекта;

) Ознакомить читателя с видами применения искусственного интеллекта в современном мире;

) Изучить перспективные направления, в которых может применяться искусственный интеллект;

) Рассмотреть, каким может быть будущее с применением искусственного интеллекта.

Представленная курсовая работа может быть интересна всем, кто интересуется историей возникновения и развития искусственного интеллекта, кроме того, она может быть использована как учебное пособие.

1. Значение термина «искусственный интеллект»

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

Как и другие прикладные науки, наука об искусственном интеллекте представлена теоретической и экспериментальной частями. Практически, «Искусственный интеллект» занимает промежуточное положение между информатикой и вычислительной техникой и такими дисциплинами как когнитивная и поведенческая психология и нейрофизиология. Что касается теоретической основы, ей служит «Философия искусственного интеллекта», но до тех пор, пока нет значимых результатов в данной сфере, теория не имеет самостоятельного значения. Тем не менее, уже сейчас следует различать науку об искусственном интеллекте и другие теоретические дисциплины и методики (робототехнические, алгоритмические, математические, физиологические), которые имеют самостоятельное значение.

Сейчас развитие ИИ происходит по двум направлениям: нейрокибернетика и кибернетика чёрного ящика. Одно из направлений - нейрокибернетика, или искусственный разум, основывается на моделировании работы человеческого мозга с помощью систем искусственного интеллекта, известных как нейронные сети или нейросети. Второе направление ИИ - кибернетика чёрного ящика, или машинный интеллект, занимается поисками и разработкой алгоритмов для эффективного решения интеллектуальных задач с помощью имеющихся моделей компьютеров. Для этого направления главное - не конструкция устройства, а принцип его работы: реакция «мыслящей» машины на входные воздействия должна быть такой же, как у человеческого мозга.

Об искусственном интеллекте написано много книг, но ни один автор не даёт однозначного ответа на вопрос, чем занимается эта наука. Большинство авторов рассматривают лишь одно определение ИИ, рассматривая научные достижения лишь в свете данного определения. Следующая проблема касается природы человеческого интеллекта и его статуса: в философии до сих пор не существует их однозначного критерия. Нет и единого подхода к определению степени «разумности» машины. Однако существует множество гипотез, предложенных ещё на заре искусственного интеллекта. Это и тест Тьюринга, о котором говорилось выше, и гипотеза Ньюэлла - Саймона, и множество других подходов к разработке ИИ, из которых можно выделить два основных:

семиотический, или нисходящий: основывается на создании баз знаний, систем логического вывода и экспертных систем, имитирующих различные психические процессы высокого уровня, такие как мышление, эмоции, речь, творчество, рассуждение и т. д.

биологический, или восходящий: в его основе лежит создание и изучение нейронных сетей, имитирующих процессы деятельности головного мозга человека, а также создание биокомпьютеров, нейрокомпьютеров и других подобных вычислительных систем.

Второй подход выходит за рамки определения, данного Джоном Маккарти, однако имеет ту же конечную цель, поэтому есть все основания для того, чтобы отнести его к сфере искусственного интеллекта.

В сочетании с когнитивной психологией, эпистемологией и нейрофизиологией искусственный интеллект образует ещё одну науку - когнитологию. Эпистемология непосредственно связана с проблемами ИИ, так как она представляет собой науку о знании (часть философии), а философия, в свою очередь, играет не самую последнюю роль в искусственном интеллекте. Философы и инженеры ИИ решают сходные задачи: те и другие ищут наилучшие способы представления и использования информации и знаний.

Когнитивное моделирование - метод, предложенный и впервые опробованный Аксельродом. Метод используется для принятия решений в недостаточно определенных ситуациях. В его основе - моделирование на основе знаний субъективных представлений о ситуации одного или нескольких экспертов. Модель представлений эксперта представляет собой когнитивную карту (F, W). W - совокупность причинно-следственных связей между ситуационными факторами, а также множество методов анализа ситуации, F - все имеющиеся факторы ситуации. В настоящее время основным направлением развития когнитивного моделирования является совершенствование аппарата моделирования и анализа ситуации. частности, разрабатываются различные методы прогнозирования ситуации и способы решения обратных задач.

В компьютерных науках решение проблем искусственного интеллекта осуществляется с применением проектирования баз знаний и экспертных систем. Базы знаний представляют собой совокупность знаний и правил, согласно которым информация может подвергаться осмысленной обработке. В целом проблемы искусственного интеллекта в компьютерных науках исследуются с целью создания информационных систем, их эксплуатации и совершенствования. Вопросами подготовки разработчиков и пользователей таких систем занимаются специалисты в области информационных технологий.

Вполне естественно, что попытки создать искусственный разум привлекали и привлекают внимание учёных-философов. Появление первых интеллектуальных систем не могло не затронуть многих аспектов, касающихся человеческих знаний, мироустройства и места человека в мире. Условно все философские проблемы в данной сфере можно разделить на две группы: возможности создания искусственного интеллекта и этика искусственного интеллекта. В первой группе большая часть вопросов посвящена возможности и способам создания ИИ. Вторая группа проблем связана с возможными последствиями появления ИИ для всего человечества. При этом в трансгуманизме создание ИИ считается одной из первостепенных задач, стоящих перед человечеством.

Учёные в Институте сингулярности (SIAI), расположенном в США, активно изучают возможности глобальных рисков, которые могут возникнуть в результате создания сверхчеловеческого искусственного интеллекта. Для предотвращения таких рисков следует запрограммировать ИИ на дружественность к людям. В фильме «Я, робот» вполне обоснованно затронута проблема этики искусственного интеллекта. Некоторые учёные считают, что законы робототехники могут побудить «компьютерный разум» к захвату власти на Земле с целью «защиты» населения от вреда.

Что касается религиозных конфессий, большинство из них относятся к созданию ИИ достаточно спокойно. Например, духовный лидер буддистов, далай-лама, считает, что сознание на компьютерной основе вполне может существовать. Религиозное течение раэлитов активно поддерживает разработки в данной сфере. Другие конфессии затрагивают вопросы, связанные с ИИ, достаточно редко, чтобы можно было говорить о ярко выраженной позиции.

Искусственный интеллект: сферы применения

С того момента, как искусственный интеллект был признан научным направлением, а это произошло в середине 50-х годов прошлого века, разработчикам интеллектуальных систем пришлось решать множество задач. Условно все задачи можно разделить на несколько классов: распознавание человеческого языка и перевод, автоматические доказательства теорем, создание игровых программ, распознавание изображений и машинное творчество. Рассмотрим кратко сущность каждого класса задач.

Доказательство теорем.

Автоматическое доказательство теорем является старейшей сферой применения искусственного интеллекта. В этой области было проведено немало исследований, результатом которых стало появление формализованных алгоритмов поиска и языков формальных представлений, таких как PROLOG - логический язык программирования, и исчисление предикатов.

Автоматические доказательства теорем привлекательны тем, что они основываются на общности и строгости логики. Логика в формальной системе предполагает возможность автоматизации, а это значит, что если представить задачу и относящуюся к ней дополнительную информацию в виде совокупности логических аксиом, а частные случаи задачи - как теоремы, требующие доказательства, можно получить решение многих проблем. Системы математических обоснований и автоматические доказательства теорем содержат в своей основе именно этот принцип. В прошлые годы делались неоднократные попытка написать программу для автоматических доказательств теорем, однако так и не удалось создать систему, позволяющую решать задачи с использованием единого метода. Любая относительно сложная эвристическая система могла генерировать множество доказуемых теорем, не относящихся к делу, в результате программам приходилось доказывать их до тех пор, пока не обнаруживалась нужная. Из-за этого возникло мнение, что с большими пространствами можно работать только с помощью неформальных стратегий, специально разработанных для конкретных случаев. На практике этот подход оказался достаточно плодотворным и был положен, наряду с другими, в основу экспертных систем.

Вместе с тем, нельзя игнорировать рассуждения, основанные на формальной логике. Формализованный подход позволяет решить многие проблемы. В частности, применяя его, можно управлять сложными системами, проверять корректность компьютерных программ, проектировать и проверять логические цепи. Кроме того, исследователи автоматического доказательства теорем разработали мощные эвристики, в основе которых находится оценка синтаксической формы логических выражений. В результате стало возможным понижать уровень сложности пространства поиска, не прибегая к разработке специальных стратегий.

Автоматическое доказательство теорем вызывает интерес учёных и по той причине, что для особо сложных проблем также можно использовать систему, хотя и не без вмешательства человека. В настоящее время программы часто выступают в роли помощников. Специалисты разбивают задачу на несколько подзадач, затем продумываются эвристики для перебора возможных оснований. Далее программа доказывает леммы, проверяет менее существенные предположения и осуществляет дополнения к формальным аспектам доказательств, очерченных человеком.

Распознавание образов.

Распознавание образов представляет собой выделение существенных признаков, характеризующих исходные данные, из общей совокупности признаков, и на основании полученной информации отнесение данных к определённому классу.

Теория распознавания образов - это раздел информатики, в задачи которого входит развитие основ и методов идентификации и классификации объектов (предметов, процессов, явлений, ситуаций, сигналов и т. д.), каждый из которых наделён совокупностью некоторых признаков и свойств. На практике идентифицировать объекты приходится довольно часто. Характерная ситуация - распознавание цвета светофора и принятие решения о том, следует ли в данный момент переходить улицу. Существуют и другие области, в которых нельзя обойтись без распознавания объектов, например, оцифровка аналоговых сигналов, военное дело, системы безопасности и так далее, поэтому на сегодняшний день учёные продолжают активную работу над созданием систем распознавания образов.

Работа ведётся в двух основных направлениях:

Исследование, объяснение и моделирование способностей к распознаванию, присущих живым существам.

Развитие теоретических и методологических основ создания устройств, которые позволяли бы решать отдельные задачи в прикладных целях.

Постановка задач распознавания осуществляется с использованием математического языка. В то время как теория искусственных нейронных сетей базируется на получении результатов путём экспериментов, постановка задач распознавания образов происходит не на основе эксперимента, а на основе математических доказательств и логических рассуждений.

Рассмотрим классическую постановку такой задачи. Имеется множество объектов, относительно которых следует провести классификацию. Множество состоит из подмножеств, или классов. Задано: информация, описывающая множество, информация о классах и описание отдельно взятого объекта без указания на его принадлежность к определённому классу. Задача: на основании имеющихся данных определить, к какому классу относится объект.

Если в задачах присутствуют монохромные изображения, они могут быть рассмотрены как функции на плоскости. Функция будет представлять собой формальную запись изображения и в каждой точке выражать определённую характеристику данного изображения - оптическую плотность, прозрачность, яркость и т. д. В таком случае моделью множества изображения будет являться множество функций на плоскости. Постановка задачи распознавания зависит от того, какими должны этапы, следующие за распознаванием.

К методам распознавания образов относятся эксперименты Ф. Розенблатта, который ввёл понятие модели мозга. Задача эксперимента - показать, как возникают психологические явления в физической системе с известными функциональными свойствами и структурой. Учёный описал простейшие эксперименты по распознаванию, однако их особенностью является не детерминированный алгоритм решения.

Наиболее простой эксперимент, на основе которого может быть получена психологически значимая информация о системе, заключается в следующем: персептрону предъявляется последовательность из двух различных стимулов, на каждый из которых он должен реагировать некоторым образом, причём для разных стимулов реакция должна быть различной. Цели такого эксперимента могут быть разными. Перед экспериментатором может стоять задача изучить возможность спонтанного различения системой представленных стимулов без вмешательства извне, или же наоборот, изучить возможность принудительного распознавания. Во втором случае экспериментатор обучает систему классифицировать различные объекты, которых может быть более двух. Опыт с обучением проходит следующим образом: персептрону предъявляют образы, среди которых есть представители всех классов, подлежащих распознаванию. Правильная реакция подкрепляется в соответствии с правилами модификации памяти. После этого экспериментатор предъявляет персептрону контрольный стимул и определяет вероятность получения заданной реакции для образов данного класса. Контрольный стимул может совпадать с одним из объектов, представленных в обучающей последовательности, или отличаться от всех представленных объектов. В зависимости от этого получают следующие результаты:

Если контрольный стимул отличается от всех представленных ранее обучающих стимулов, то кроме чистого различения эксперимент исследует элементы обобщения.

Если контрольный стимул вызывает активизацию некоторой группы сенсорных элементов, не совпадающих ни с одним из элементов, активизировавшихся при воздействии стимулов того же класса, предъявленных ранее, то эксперимент исследует чистое обобщение и не включает исследование распознавания.

Несмотря на то, что персептроны не способны к чистому обобщению, они удовлетворительно справляются с задачами распознавания, особенно в тех случаях, когда демонстрируются образы, в отношении которых у персептроны уже имеется определённый опыт.

Распознавание человеческой речи и машинный перевод.

К долгосрочным целям искусственного интеллекта относится создание программ, способных распознавать человеческий язык и использовать его для построения осмысленных фраз. Способность к пониманию и применению естественного языка - фундаментальная особенность человеческого интеллекта. Успешная автоматизация этой способности позволила бы намного повысить эффективность компьютеров. К настоящему времени написано много программ, способных понимать естественный язык, и они с успехом применяются в ограниченных контекстах, однако до сих пор не существует систем, которые могли бы применять естественные языки с такой же общностью и гибкостью, как это делает человек. Дело в том, что процесс понимания естественного языка заключается не только в простом разборе предложений на составляющие и поиске значений отдельных слов в словарях. Как раз с этой задачей программы успешно справляются. Для применения человеческой речи необходимы обширные знания о предмете беседы, об идиомах, имеющих к нему отношение, кроме того, необходима способность понимать неясности, недомолвки, профессионализмы, жаргонизмы, просторечные выражения и многое другие из того, что присуще нормальной человеческой речи.

В качестве примера можно привести разговор о футболе, где используются такие слова как «нападающий», «пас», «передача», «штрафной», «защитник», «форвард», «капитан» и другие. Каждое из этих слов характеризуется набором значений, и по отдельности слова вполне доступны для понимания, но фраза, составленная из них, будет непонятна любому, кто не увлекается футболом и ничего не знает об истории, правилах и принципах этой игры. Таким образом, для понимания и применения человеческого языка необходима совокупность фоновых знаний, и одной из главных проблем в автоматизации понимания и применения естественного человеческого языка является сбор и систематизация таких знаний.

Поскольку семантические значения используются в искусственном интеллекте очень широко, учёные разработали ряд методов, позволяющих в какой-то степени их структурировать. Всё же большая часть работы ведётся в тех проблемных областях, которые являются хорошо понимаемыми и специализированными. Примером может служить методика «микромира». Одной из первых программ, где она была использована, стала программа SHRDLU, разработанная Терри Виноградом, представляющая собой одну из систем понимания человеческой речи. Возможности программы были довольно ограниченными и сводились к «беседе» о расположении блоков разных цветов и форм, а также к планированию простейших действий. Программа давала ответы на вопросы типа «Какого цвета пирамидка на кросном бруске?» и могла давать указания вида «Поставьте синий блок на красный». Подобные задачи часто затрагивались исследователями искусственного интеллекта и в дальнейшем получили известность под названием «мир блоков».

Несмотря на то, что программа SHRDLU успешно «беседовала» о расположении блоков, она не была наделена способностью абстрагироваться от этого «микромира». В ней использовались слишком простые методики, которым была недоступна передача семантической организации предметных областей более высокой сложности.

Текущие работы в области понимания и применения естественных языков направлены в основном на поиск достаточно общих формализмов представления, которые можно было бы адаптировать к специфичным структурам заданных областей и применять в широком круге приложений. Большинство существующих методик, представляющих собой модификации семиотических сетей, исследуются и применяются при написании программ, способных распознавать естественный язык в узких предметных областях. В то же время, современные возможности не позволяют создать универсальную программу, способную понимать человеческую речь во всём её многообразии.

Среди многообразия задач распознавания образов можно выделить следующие:

Определение месторождений полезных ископаемых

Распознавание изображений

Распознавание штрих-кодов

Распознавание символов

Распознавание речи

Распознавание лиц

Распознавание номеров автомобилей

Искусственный интеллект в игровых программах.

Игровой искусственный интеллект включает в себя не только методы традиционного ИИ, но также и алгоритмы информатики в целом, компьютерной графики, робототехники и теории управления. От того, как именно реализован ИИ, зависят не только системные требования, но и бюджет игры, поэтому разработчикам приходится балансировать, стараясь, чтобы игровой искусственный интеллект был создан с минимальными затратами, и чтобы при этом он был интересным и нетребовательным к ресурсам. Здесь используется совершенно иной подход, чем в случае с традиционным искусственным интеллектом. В частности, широко применяются эмуляции, обманы и различные упрощения. Пример: особенностью шутеров от первого лица является способность ботов к безошибочному движению и мгновенному прицеливанию, но при этом у человека не остаётся ни единого шанса, поэтому способности ботов искусственно занижаются. В то же время, на уровне расставляются контрольные точки, для того чтобы боты могли действовать командой, устраивать засады и т. д.

В компьютерных играх, которыми управляет игровой искусственный интеллект, присутствуют следующие категории персонажей:

мобы - персонажи с низким уровнем интеллекта, враждебные к человеческому игроку. Игроки уничтожают мобов с целью прохождения территории, получения артефактов и очков опыта.

неигровые персонажи - обычно эти персонажи дружественны или нейтральны к игроку.

боты - персонажи, враждебные по отношению к игрокам, наиболее сложные в программировании. Их возможности приближаются к возможностям игровых персонажей. В любой момент времени против игрока выступает некоторое количество ботов.

Внутри компьютерной игры существует множество областей, в которых используется широкое многообразие эвристических алгоритмов искусственного игрового интеллекта. Наиболее широко игровой ИИ применяется как один из способов контроля неигровых персонажей. Другим, не менее распространённым способом контроля, является скриптинг. Ещё одно очевидное применение игрового ИИ, особенно в стратегиях реального времени, - поиск пути, или метод, позволяющий определить, как неигровой персонаж может попасть из одной точки на карте в другую. При этом нужно учитывать препятствия, ландшафт и возможный «туман войны». Динамическая балансировка мобов также не обходится без применения искусственного интеллекта. Во многих играх была опробована концепция непредсказуемого интеллекта. Это такие игры как Nintendogs, Black & White, Creatures и всем известная игрушка «тамагочи». В этих играх персонажами являются домашние животные, поведение которых изменяется с учётом действий, произведённых игроком. Создаётся впечатление, что персонажи способны обучаться, хотя на самом деле их действия являются результатом выбора из ограниченного множества решений.

Многие игровые программисты считают частью игрового искусственного интеллекта любую методику, с помощью которой создаётся иллюзия интеллекта. Однако этот подход не совсем верен, так как те же самые методики могут использоваться не только в движках игрового ИИ. Например, при создании ботов используются алгоритмы с введенной в них информацией о возможных будущих столкновениях, вследствие чего боты приобретают «умение» избегать этих столкновений. Но эти же методики представляют собой важный и необходимый компонент физического движка. Ещё один пример: важным компонентом системы прицеливания бота являются водные данные, и те же самые данные широко применяются в графическом движке при рендеринге. Финальный пример - скриптинг. Этот инструмент с успехом может применяться во всех аспектах игровой разработки, но чаще всего его рассматривают как один из способов контролирования действий неигровых персонажей.

По мнению пуристов, выражение «игровой искусственный интеллект» не имеет права на существование, так как является преувеличением. В качестве главного аргумента они выдвигают то, что в игровом ИИ используются лишь некоторые направления науки о классическом искусственном интеллекте. Следует принять во внимание и то, что целями ИИ является создание самообучающихся систем и даже создание искусственного интеллекта, способного рассуждать, в то время как часто ограничивается эвристикой и набором из нескольких эмпирических правил, которых бывает достаточно для создания хорошего геймплея и предоставления игроку ярких впечатлений и ощущений от игры.

В настоящее время разработчики компьютерных игр проявляют интерес к академическому ИИ, а академическое сообщество, в свою очередь, начинает интересоваться компьютерными играми. В связи с этим возникает вопрос, в какой степени игровой и классический ИИ различаются между собой. Вместе с тем, игровой искусственный интеллект всё ещё рассматривается как одна из под-отраслей классического. Это обусловлено тем, что искусственный интеллект имеет различные прикладные области, отличающиеся друг от друга. Ели говорить об игровом интеллекте, важным отличием здесь является возможность обмана с целью решения некоторых задач «законными» способами. С одной стороны, недостаток обмана в том, что зачастую он приводит к нереалистичному поведению персонажа и по этой причине не всегда может быть использован. С другой стороны, сама возможность такого обмана служит важным отличием игрового ИИ.

Ещё одной интересной задачей искусственного интеллекта является обучение компьютера игре в шахматы. Её решением занимались учёные всего мира. Особенность данной задачи в том, что демонстрация логических способностей компьютера возможна только при наличии реального противника. Впервые такая демонстрация состоялась в 1974 году, в Стокгольме, где прошёл чемпионат мира по шахматам среди шахматных программ. В данном соревновании победила программа «Каисса, созданная советскими учёными из Института проблем управления академии наук СССР, расположенного в Москве.

Искусственный интеллект в машинном творчестве.

Природа человеческого интеллекта пока изучена недостаточно, а степень изучения природы человеческого творчества - ещё меньше. Тем не менее, одним из направлений искусственного интеллекта является машинное творчество. Современные компьютеры создают музыкальные, литературные и живописные произведения, а в индустрии компьютерных игр и кинофильмов уже давно используются реалистичные образы, создаваемые машинами. Существующие программы создают различные образы, которые могут быть легко восприняты и поняты человеком. Это особенно важно, когда речь идёт об интуитивных знаниях, для формализованной проверки которых пришлось бы приложить немалые умственные усилия. Так, музыкальные задачи с успехом решаются с использованием языком программирования, одним из которых является язык CSound. Специальное программное обеспечение, с помощью которого создаются музыкальные произведения, представлено программами алгоритмической композиции, системами интерактивной композиции, системами синтеза и обработки звука.

Экспертные системы.

Разработка современных экспертных систем ведётся исследователями с начала 1970-х годов, а в начале 1980-х экспертные системы начали разрабатываться и на коммерческой основе. Прообразами экспертных систем, предложенными в 1832 году русским учёным С. Н. Корсаковым, стали механические устройства, названные «интеллектуальными машинами», которые позволяли находить решение, руководствуясь заданными условиями. Например, анализировались симптомы заболевания, наблюдаемые у пациента, и по результатам этого анализа предлагались самые подходящие лекарства.

Информатика рассматривает экспертные системы совместно с базами знаний. Системы представляют собой модели поведения экспертов, основанные на применении процедур принятия решений и логических выводов. Базы знаний рассматриваются как совокупность правил логического вывода и фактов, имеющих непосредственное отношение к выбранной сфере деятельности.

В конце прошлого века сложилась определённая концепция экспертных систем, глубоко ориентированная на текстовый человеко-машинный интерфейс, который в то время был общепринятым. В настоящее время эта концепция подверглась серьёзному кризису, связанному, по всей видимости, с тем, что в пользовательских приложениях на смену текстовому интерфейсу пришёл графический. Кроме того, реляционная модель данных и «классический» взгляд на построение экспертных систем плохо согласуются между собой. Следовательно, организация баз знаний экспертных систем не может проводиться эффективно, по крайней мере, с использованием современных промышленных систем управления базами данных. В литературных и сетевых источниках приводится множество примеров экспертных систем, называемых «распространёнными» или «широко известными». На деле все эти экспертные системы были созданы ещё в 80-х годах прошлого столетия и к настоящему моменту либо прекратили своё существование, либо являются безнадёжно устаревшими и существуют благодаря немногочисленным энтузиастам. С другой стороны, разработчики современных программных продуктов часто именуют свои творения экспертными системами. Подобные заявления - не более чем маркетинговый ход, ведь в действительности эти продукты не являются экспертными системами (примером может служить любая из компьютерных справочно-правовых систем). Энтузиасты пытаются объединить подходы к созданию пользовательского интерфейса с «классическими» подходами к созданию экспертных систем. Эти попытки нашли отражение в таких проектах как CLIPS.NET, CLIPS Java Native Interface и других, однако крупные компании, выпускающие программное обеспечение, не торопятся финансировать подобные проекты, и по этой причине разработки не продвигаются дальше экспериментальной стадии.

Всё многообразие областей, в которых могут применяться системы, основанные на знаниях, можно разделить на классы: медицинская диагностика, планирование, прогнозирование, контроль и управление, обучение, интерпретация, диагностика неисправностей в электрическом и механическом оборудовании, обучение. Рассмотрим каждый из этих классов подробнее.

а) Медицинские диагностические системы.

С помощью таких систем определяют, как связаны между собой различные нарушения деятельности организма и их возможные причины. Самой известной диагностической системой является MYCIN. Её применяют для диагностики менингита и бактериальных инфекций, а также для наблюдения за состоянием больных, у которых обнаружены данные заболевания. Первая версия системы была разработана в 70-х годах. На сегодняшний день её возможности значительно расширились: система ставит диагнозы на том же профессиональном уровне, что и врач-специалист, и может применяться в разных областях медицины.

б) Прогнозирующие системы.

Системы предназначены для предсказания событий или результатов событий на основе имеющихся данных, характеризующих текущую ситуацию или состояние объекта. Так, программа «Завоевание Уолл-Стрита», использующая в свой работе статистические методы алгоритмов, способна анализировать конъюнктуру рынка и разрабатывать план капиталовложений. В программе используются алгоритмы и процедуры традиционного программирования, поэтому её нельзя отнести к системам, основанным на знаниях. Уже сегодня существуют программы, способные предсказывать поток пассажиров, урожайность и погоду, анализируя имеющиеся данные. Такие программы достаточно просты, и некоторые из них могут использоваться на обычных персональных компьютерах. Однако до сих пор не существует экспертных систем, которые могли бы, основываясь на данных о конъюнктуре рынка, подсказать, как можно увеличить капитал.

в) Планирование.

Системы планирования предназначены для решения задач с большим количество переменных с целью достижения конкретных результатов. Впервые в коммерческой сфере такие системы были использованы дамасской фирмой Informat. Руководство компании распорядилось становить в холле офиса 13 станций, которые проводили бесплатные консультации для покупателей, желающих приобрести компьютер. Машины помогали сделать выбор, максимально соответствующий бюджету и пожеланиям покупателя. Также экспертные системы были применены компанией Boeing для таких целей как ремонт вертолётов, установление причин выхода из строя самолётных двигателей и проектирование комических станций. Фирма DEC создала экспертную систему XCON, способную определять и изменять конфигурацию компьютерных систем VAX с учётом требований покупателей. В настоящее время фирма DEC занимается разработкой более мощной системы XSEL, в которую входит база знаний XCON. Цель создания системы - помощь потребителям в подборе вычислительной системы с требуемой конфигурацией. Отличие системы XSEL от XCON в том, что она является интерактивной.

г) Интерпретация.

Интерпретирующие системы способны делать заключения, основываясь на результатах наблюдения. Одной из самых известных интерпретирующих систем является система PROSPECTOR. Она работает, используя данные, основанные на знаниях девяти экспертов. Эффективность системы можно оценить по одному примеру: используя девять различных методов экспертизы, система обнаружила месторождение руды, наличие которого не мог предполагать ни один эксперт. Другая известная система интерпретирующего типа - HASP/SIAP. Она использует данные акустических систем слежения и на их основе определяет местонахождение судов в Тихом океане и их типы.

д) Интеллектуальные системы контроля и управления.

Экспертные системы успешно применяются для контроля и управления. Они способны анализировать данные, полученные от нескольких источников, и по результатам анализа принимать решения. Такие системы способны осуществлять медицинский контроль и управлять движением самолётов, кроме того, они применяются на атомных электростанциях. Также с их помощью осуществляется регулирование финансовой деятельности предприятия и вырабатываются решения в критических ситуациях.

е) Диагностика и устранение неисправностей в электрическом и механическом оборудовании.

Системы, основанные на знаниях, применяются в таких случаях, как:

ремонт дизельных локомотивов, автомобилей и других электрических и механических устройств;

диагностика и устранение ошибок и неисправностей в программном и аппаратном обеспечении вычислительных машин.

ж) Компьютерные системы обучения.

Достаточно эффективно использование систем, основанных на знаниях, в обучающих целях. Система анализирует поведение и деятельность объекта и в соответствии с полученной информацией изменяет базу знаний. Простейший пример такого обучения - компьютерная игра, в которой уровни становятся сложнее по мере того, как возрастает квалификация игрока. Интересная обучающая система - EURISCO - разработана Д. Ленатом. В ней используются простые эвристики. Система была применена в игре, имитирующей боевые действия. Суть игры - определить оптимальный состав флотилии, которая могла бы наносить поражения, соблюдая множество правил. Система успешно справилась с этой задачей, включив в состав флотилии одно маленькое судно и несколько кораблей, способных провести атаку. Правила игры менялись ежегодно, но система EURISCO неизменно одерживала победу на протяжении трёх лет.

Существует множество экспертных систем, которые по содержанию знаний могут быть отнесены сразу к нескольким типам. К примеру, система, которая осуществляет планирование, может быть также и обучающей. Она способна определять уровень знаний обучаемого и, основываясь на этой информации, составлять учебный план. Управляющие системы применяются для планирования, прогнозирования, диагностики и контроля. Системы, предназначенные для охраны дома или квартиры, могут отслеживать изменения, происходящие в окружающей обстановке, прогнозировать развитие ситуации и составлять план дальнейших действий. Например, открылось окно и через него в помещение пытается проникнуть вор, следовательно, необходимо вызвать полицию.

Широкое распространение экспертных систем началось в 1980-х годах, когда впервые произошло их коммерческое внедрение. ЭС используются во многих сферах, включая бизнес, науку, технику, производство и другие отрасли, характеризующиеся вполне определённой предметной областью. В данном контексте «вполне определённая» означает, что человек может разделить ход рассуждения на отдельные этапы, и таким образом может быть решена любая задача, которая находится в рамках данной области. Следовательно, аналогичные действия может выполнить и компьютерная программа. Можно с уверенностью сказать, что использование возможностей искусственного интеллекта открывает перед человечеством безграничные возможности.

Искусственный интеллект и перспективы его развития

В романе Дэвида Лоджа «Small World», посвящённом академическому миру литературной критики, описана замечательная сцена. Главные герой обращается к группе выдающихся теоретиков литературы с вопросом о том, что было бы, если бы они оказались правы. Среди теоретиков возникло замешательство. Они были несогласны между собой, но ни один до этого не задумывался о том, что вести споры, касающиеся неопровержимых теорий - занятие, лишённое всякого смысла. Если задать подобный опрос учёным, исследующим искусственный интеллект, вероятно, они также оказались бы в замешательстве. Что было бы, если бы им удалось достичь своих целей? Ведь интеллектуальные компьютеры и так демонстрируют замечательные достижения, и всем понятно, что они более полезны, чем машины, не обладающие интеллектом. Казалось бы, беспокоиться не о чем. Но существует ряд этических проблем, которые нужно принимать во внимание.

Интеллектуальные компьютеры мощнее неинтеллектуальных, но возможно ли сделать так, чтобы эта мощь всегда использовалась только во благо, но не во зло? Исследователи искусственного интеллекта, посвятившие разработкам в этой области всю свою жизнь, должны осознавать свою степень ответственности за то, чтобы результаты их работы оказывали только положительное влияние на человечество. Степень этого влияния напрямую связана со степенью искусственного интеллекта. Даже самые первые успехи, достигнутые в этой области, оказали существенное влияние на методы преподавание компьютерных наук и разработку программного и аппаратного обеспечения. Искусственный интеллект позволил создать машины поиска, роботов, эффективные системы наружного наблюдения, системы управления запасами, распознавания речи и ряд других принципиально новых приложений.

По мнению разработчиков, успехи среднего уровня, достигнутые в искусственном интеллекте, способны оказать колоссальное влияние на образ жизни населения на всей планете. До настоящего времени таким всепроникающим воздействием обладали лишь Internet и сотовая телефонная связь, а степень влияния искусственного интеллекта оставалась незначительной. Но можно предположить, какую пользу окажет человечеству появление персональных помощников для дома или офиса, и как улучшится с их появлением качество повседневной жизни, хотя на первых порах это может повлечь за собой ряд экономических проблем. В то же время, технологические возможности, открывшиеся перед человечеством, могут привести к созданию автономного оружия, а его появление, по мнению многих, нежелательно. Наконец, вполне может быть, что успех в создании искусственного интеллекта, превосходящего по уровню человеческий разум, может кардинально изменить жизнь человечества. Люди станут по-другому работать, отдыхать, развлекаться, изменятся представления о сознании, интеллекте и о самом будущем человечества. Легко понять, что появление интеллекта, превосходящего человеческий, может нанести серьёзный ущерб свободе, самоопределению и существованию людей. По крайней мере, все эти аспекты могут оказаться под угрозой. Поэтому исследования, касающиеся искусственного интеллекта, должны проводиться с осознанием их возможных последствий.

Каким может быть будущее? В большинстве научно-фантастических романов развитие сюжетов происходит не по оптимистическим, а по пессимистическим сценариям, возможно, лишь потому, что такие произведения более привлекательны для читателей. Но в действительности, скорее всего, всё будет иначе. Развитие искусственного интеллекта происходит так же, как развивались в своё время телефония, воздухоплавание, инженерное оборудование, типографское дело и прочие революционные технологии, внедрение которых принесло больше положительных, а не отрицательных последствий.

Также стоит отметить, что несмотря на короткую историю существования искусственного интеллекта, в этой области произошёл существенный прогресс. Тем не менее, если бы человечество могло заглянуть в будущее, оно бы увидело, как мало ещё сделано по сравнению с тем, что предстоит сделать.

Заключение

искусственный интеллект экспертный

В научном сообществе не прекращаются споры о возможности создания искусственного интеллекта. По мнению многих, создание ИИ повлечёт за собой унижение человеческого достоинства. Говоря о возможностях ИИ, нельзя забывать о необходимости развития и совершенствования человеческого интеллекта.

Преимущества использования ИИ состоят в том, что оно даёт стимул к дальнейшему прогрессу, а также намного повышает продуктивность труда путём автоматизации производства. Но при всех плюсах у кибернетики имеются и некоторые минусы, которым человечество должно уделять самое пристальное внимание. Главный минус заключается в опасности, которую может вызвать работа с ИИ. Ещё одна проблема связана с тем, что люди могут утратить стимул к творческой деятельности. Компьютеры повсеместно используются в сфере искусств, и создаётся впечатление, что они вытесняют из этой сферы людей. Остаётся надеяться, что квалифицированная творческая деятельность по-прежнему будет привлекательной для человека, и что самые лучшие музыкальные, литературные и живописные произведения по-прежнему будут создаваться людьми.

Есть и ещё одна группа проблем, более серьёзная. Современные машины и программы обладают способностью приспосабливаться к изменяющимся внешним факторам, то есть обучаться. Совсем скоро будут разработаны машины с такой степенью приспособляемости и надежности, которая позволит человеку не вмешиваться в процесс принятия решений. Это может привести к тому, что люди окажутся неспособными адекватно действовать в случае возникновения чрезвычайной ситуации. Возможно и такое, что в случае ЧС человек не сможет принять на себя функции управления в тот момент, когда это будет необходимо. Это значит, что уже сейчас стоит задуматься о введении некоторых пределов автоматизации процессов, особенно тех, которые связаны с возникновением тяжёлых аварийных ситуаций. В таком случае человек, контролирующий управляющую машину, сможет правильно отреагировать и принять подходящее решение для той или иной непредвиденной ситуации.

Такие ситуации могут возникать в сфере транспорта, в ядерной энергетике и ракетных войсках. В последнем случае ошибка может привести к ужасным последствиям. Но вероятность ошибок всегда существует и остаётся даже в случае дублирования и многократных перепроверок. Это значит, что необходимо присутствие оператора, контролирующего машину.

Уже сейчас очевидно, что людям постоянно придется решать проблемы, связанные с искусственным интеллектом, так они появляются сейчас и будут появляться в дальнейшем.

В данной курсовой работе были рассмотрены задачи искусственного интеллекта, история его появления, области применения и некоторые проблемы, касающиеся ИИ. Сведения, изложенные в данной работе, будут интересны тем, кого интересуют современные технологии и достижения, имеющие отношение к искусственному интеллекту. Цели данной курсовой работы выполнены.

Глоссарий

№ п/пПонятиеОпределение1Искусственная нейронная сетьматематическая модель, построенная по принципу функционирования и организации биологической нейронной сети.2Кибернетиканаука об управлении, связи и переработке информации.3Когнитологияэто сфера деятельности, связанная с анализом знания и обеспечением его (знания) дальнейшего развития.4Рендерингпроцесс получения изображения по модели5Скриптингнаписание сценариев (скриптов) на интерпретируемых языках программирования

Список использованных источников

Девятков В. В. Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. - 352 с. - (Информатика в техническом университете). - 3000 экз.

Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. - М.: Наука, 1978, вып. 33.

Маккарти Д. What is Artificial Intelligence?, - М.: 2007.

Петрунин Ю. Ю., Рязанов М. А., Савельев А. В. Философия искусственного интеллекта в концепциях нейронаук. (Научная монография). - М.: МАКС Пресс, 2010.

Питер Джексон Введение в экспертные системы. - 3-е изд. - М.: Вильямс, 2001. - С. 624.

Рассел С., Норвиг П. Искусственный интеллект: современный подход/ Пер. с англ. и ред. К. А. Птицына. - 2-е изд. - М.: Вильямс, 2006. - 1408 с. - 3000 экз.

Ту Дж., Гонсалес Р. Принципы распознавания образов, - М.: 1978

Файн В. С. Опознавание изображений, - М.: 1970

Согласно определению Д.А. Поспелова, "Система называется интеллектуальной, если в ней реализованы следующие основные функции:

• накапливать знания об окружающем систему мире, классифицировать и оценивать их с точки зрения прагматической полезности и непротиворечивости, инициировать процессы получения новых знаний, осуществлять соотнесение новых знаний с ранее хранимыми;
• пополнять поступившие знания с помощью логического вывода, отражающего закономерности в окружающем систему мире в накопленных ею ранее знаниях, получать обобщенные знания на основе более частных знаний и логически планировать свою деятельность;
• общаться с человеком на языке, максимально приближенном к естественному человеческому языку;
• получать информацию от каналов, аналогичных тем, которые использует человек при восприятии окружающего мира;
• уметь формировать для себя или по просьбе человека (пользователя) объяснение собственной деятельности;
• оказывать пользователю помощь за счет тех знаний, которые хранятся в памяти, и тех логических средств рассуждений, которые присущи системе".

Перечисленные функции можно назвать функциями представления и обработки знаний, рассуждения и общения. Наряду с обязательными компонентами, в зависимости от решаемых задач и области применения в конкретной системе, эти функции могут быть реализованы в различной степени, что определяет индивидуальность архитектуры. На рис. 2.1 в наиболее общем виде представлена структура интеллектуальной системы в виде совокупности блоков и связей между ними.

База знаний представляет собой совокупность сред, хранящих знания различных типов. Рассмотрим кратко их назначение.

База фактов (данных) хранит конкретные данные, а база правил - элементарные выражения, называемые в теории искусственного интеллекта продукциями .

База процедур содержит прикладные программы, с помощью которых выполняются все необходимые преобразования и вычисления.

База закономерностей включает различные сведения, относящиеся к особенностям той среды, в которой действует система.

База метазнаний (база знаний о себе) содержит описание самой системы и способов ее функционирования: сведения о том, как внутри системы представляются единицы информации различного типа, как взаимодействуют различные компоненты системы, как было получено решение задачи.

База целей содержит целевые структуры, называемые сценариями, позволяющие организовать процессы движения от исходных фактов, правил, процедур к достижению той цели, которая поступила в систему от пользователя либо была сформулирована самой системой в процессе ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний , и организацию их взаимодействия осуществляет система управления базами знаний . С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Выполнение второй функции обеспечивает часть интеллектуальной системы, называемая решателем и состоящая из ряда блоков, которые управляются системой управления решателя . Часть из блоков реализует логический вывод .

Блок дедуктивного вывода осуществляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний , фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого, данный блок реализует эвристические процедуры поиска решений задач как поиск путей решения задачи по сценариям при заданной конечной цели.

Для реализации рассуждений, которые не носят дедуктивного характера, т. е. для поиска по аналогии, по прецеденту и т. д., используются блоки индуктивного и правдоподобного выводов .

Блок планирования применяется в задачах планирования решений совместно с блоком дедуктивного вывода .

Назначение блока функциональных преобразований состоит в решении задач расчетно-логического и алгоритмического типов.

Третья функция - функция общения - реализуется как с помощью компоненты естественно-языкового интерфейса, так и с помощью рецепторов и эффекторов, которые осуществляют так называемое невербальное общение и используются в интеллектуальных роботах.

2.2. Разновидности интеллектуальных систем

В зависимости от набора компонентов, реализующих рассмотренные функции, можно выделить следующие основные разновидности интеллектуальных систем:

• интеллектуальные информационно-поисковые системы ;
• экспертные системы (ЭС);
• расчетно-логические системы ;
• гибридные экспертные системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фактографическими) базами данных на естественном, точнее, ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них характерно использование (помимо базы знаний , реализующей семантическую модель представления знаний о проблемной области) лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали создаваться в математически слабоформализованных областях науки и техники, таких как медицина, геология, биология и другие. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области , а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае по описанию проблемы на языке предметной области обеспечивается автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области . Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

В последнее время в специальный класс выделяются гибридные экспертные системы . Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и информационно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы.

Важное место в теории искусственного интеллекта (ИИ) занимает проблема представления знаний. В настоящее время выделяют следующие основные типы моделей представления знаний:

• семантические сети , в том числе функциональные;
• фреймы и сети фреймов ;
• продукционные модели .

Семантические сети определяют как граф общего вида, в котором можно выделить множество вершин и ребер. Каждая вершина графа представляет некоторое понятие, а дуга - отношение между парой понятий. Метка и направление дуги конкретизируют семантику. Метки вершин семантической нагрузки не несут, а используются как справочная информация .

Различные разновидности семантических сетей обладают различной семантической мощностью, следовательно, можно описать одну и ту же предметную область более компактно или громоздко.

Фреймом называют структуру данных для представления и описания стереотипных объектов, событий или ситуаций. Фреймовая модель представления знаний состоит из двух частей:

• набора фреймов , составляющих библиотеку внутри представляемых знаний;
• механизмов их преобразования, связывания и т. д. Существует два типа фреймов :
• образец (прототип) - интенсиональное описание некоторого множества экземпляров;
• экземпляр (пример) - экстенсиональное представление фрейм -образца.

В общем виде фрейм может быть представлен следующим кортежем:

<ИФ, (ИС, ЗС, ПП),..., (ИС, ЗС, ПП)>,

где ИФ - имя фрейма ; ИС - имя слота ; ЗС - значение слота ; ПП - имя присоединенной процедуры (необязательный параметр ).

Слоты - это некоторые незаполненные подструктуры фрейма , заполнение которых приводит к тому, что данный фрейм ставится в соответствие некоторой ситуации, явлению или объекту.

В качестве данных фрейм может содержать обращения к процедурам (так называемые присоединенные процедуры). Выделяют два вида процедур: процедуры-демоны и процедуры-слуги. Процедуры-демоны активизируются при каждой попытке добавления или удаления данных из

Термин искусственный интеллект (ИИ) является русским переводом английского термина artificalintelligence. Создателем ИИ многие ученые считают Алана Тьюринга, автора знаменитой машины Тьюринга, которая стала одним из математических определений алгоритма . В 1950 году в английском журнале “Mind” в статье “ComputingMachineryandIntelligence” (в русском переводе статья называлась «Может ли машина мыслить?») Алан Тьюринг предложил критерий, позволяющий определить, обладает ли машина мыслительными способностями. Этот тест заключается в следующем: человек и машина при помощи записок ведут диалог, а судья (человек), находясь в другом месте, должен определить по запискам, кому они принадлежат, человеку или машине. Если ему это не удается, то это будет означать, что машина успешно прошла тест. До сих пор не одна машина такой тест не прошла.

Не существует единого и общепринятого определения ИИ. Это не удивительно, так как нет универсального определения человеческого интеллекта.

ИИ – это область информатики, предметом которой является разработка компьютерных систем, обладающих возможностями, традиционно связываемыми со способностями естественного интеллекта.

К области ИИ принято относить ряд алгоритмов и программных систем, которые могут решать некоторые задачи так, как это делает человек.

Первый шаг в исследованиях по ИИ был сделан в направлении изучения естественного интеллекта. При изучении этого вопроса был сделан ряд открытий в различных областях знаний. Так, в 1962 году Фрэнком Розенблаттом были предложены модели мозга, имитирующие биофизические процессы, которые протекают в головном мозге и которые были названы персептронами . Персептроны представляют собой различного вида сети из искусственных нейронов, в основе которых лежат модели, разработанные еще в 1943 году Уильямом Маккалоком и Уолтером Питтсом.

Первоначально, изучение персептронов было связано с задачей распознавания образов, однако, в настоящее время нейронные сети широко используются для решения задач аппроксимации, классификации и распознавания образов, прогнозирования, идентификации и оценивания, ассоциативного управления . Нейронные сети представляют собой низкоуровневые модели мозговой деятельности человека.

Другое направление моделирования естественного интеллекта связано с созданием высокоуровневых моделей деятельности мозга человека, которые позволяют моделировать процессы рассуждений и принятия решений.

В целом можно сказать, что изучение разумного поведения человека привело к появлению эвристических методов, моделирующих деятельность человека в проблемной ситуации и к разработке программно-аппаратных средств, реализующих эти методы, то есть к разработке систем искусственного интеллекта, называемых решателями задач .

Другим результатом этих исследований можно считать создание экспертных систем , то есть систем искусственного интеллекта, основанных на знаниях человека-эксперта.

Также к специфическим особенностям деятельности человека обычно относят способности к распознаванию сложных зрительных и слуховых образов, пониманию естественных языков, способности к обучению, рассуждениям и логическим выводам. Все эти особенности стали реализовываться в системах искусственного интеллекта.

В Советском союзе ИИ получил официальное признание в 1974 году, когда при президиуме АН СССР был создан научный совет по проблеме «Искусственный интеллект», хотя работы в этом направлении велись с 60-х годов Вениамином Пушкиным, Дмитрием Александровичем Поспеловым, Сергеем Масловым, В.Ф.Турчиным.

Первые положительные результаты были получены в области теории управления, так как в этой области имелся ряд задач, для решения которых традиционные методы не были пригодны из-за невозможности формализации цели управления объектом и невозможности установления точных количественных зависимостей между параметрами, оказывающими влияние на процесс управления . В результате проведенных работ появились логико-лингвистические модели, в которых решающее значение имеют тексты на естественном языке. В таких моделях для принятия решения при управлении объектами используется семантическая информация для описания модели объекта, модели среды и блока принятия решения.

Моделирование рассуждений человека, осуществление логического вывода с помощью вычислительной машины стало возможным, благодаря использованию методов поиска решений в исчислении предикатов . Эти методы стали основой общей теории дедуктивных систем. При этом все «творческие задачи» решаются интеллектуальным перебором в четко очерченном множестве – в фиксированной формальной теории, которая является ветвью математической логики и в которой реализуется процесс нахождения решений.

В настоящее время выделяют следующие направления развития исследований в области искусственного интеллекта :

Разработка систем, основанных на знаниях. Целью этого направления является имитация способностей человека в области анализа неструктурированных и слабоструктурированных задач. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ). К данному классу систем также относятсяэкспертные системы (ЭС).

Разработка естественно-языковых интерфейсов и машинный перевод. Данные системы строятся как интеллектуальные системы, так как основаны на БЗ в определенной предметной области и сложных моделях, обеспечивающих трансляцию «исходный язык – язык смысла – язык перевода». Эти модели основаны на последовательном анализе и синтезе естественно-языковых сообщений и ассоциативном поиске аналогичных фрагментов текста и их переводов в специальных базах данных (БД).

Генерация и распознавание речи. Решаются задачи обработки, анализа и синтеза фонемных текстов.

Обработка визуальной информации. Решаются задачи обработки, анализа и синтеза изображений. В задаче анализа исходные изображения преобразуются в данные другого типа, например, текстовые описания. При синтезе изображений в качестве входной информации используются алгоритмы построения изображений, а выходными данными являются графические объекты.

Обучение и самообучение. Данная область ИИ включает модели, методы и алгоритмы, реализующие автоматическое накопление и генерацию знаний с использованием процедур анализа и обобщения знаний. К данному направлению относятся системы добычи данных (Data - mining ) и системыпоиска закономерностей в компьютерных базах данных (Knowledge Discovery ) .

Распознавание образов. Распознавание образов осуществляется на применении специальных математических моделей, обеспечивающих отнесение объектов к классам, которые описываются совокупностями определенных значений признаков.

Игры и машинное творчество. К данной области относятся системы сочинения компьютерной музыки, стихов, изобретения новых объектов, а также интеллектуальные компьютерные игры.

Программное обеспечение систем ИИ. К данной области относятся инструментальные средства для разработки интеллектуальных систем, включая специальные языки программирования, ориентирование на обработку символьной информации (LISP,SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS5,KRL,FRL), интегрирование программные среды (KE,ARTS,GURU,G2), а также оболочки экспертных систем (BUILD,EMYGIN,EXSYSProfessional, ЭКСПЕРТ).

Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они имеют очень высокую стоимость и недостаточную совместимость с существующими вычислительными средствами.

Интеллектуальные роботы. В настоящее время данная область ИИ развивается очень бурно. Достигнуты значительные успехи в создании бытовых роботов, роботов, используемых в космических исследованиях, медицинских роботов.