Напрями та сфери застосування штучного інтелекту. Використання ІІ у держуправлінні. Ризик у розвиток людської цивілізації

Штучний інтелектІІ (artificial intelligence) зазвичай сприймається як властивість автоматичних систем брати він окремі функції розумової здібності людини, наприклад, вибирати і приймати оптимальні рішенняна основі раніше отриманого досвіду та раціонального аналізу зовнішніх впливів. Йдеться, в першу чергу, про системи, в основу яких покладено принципи навчання, самоорганізації та еволюції за мінімальної участі людини, але залучення її як учитель і партнер, гармонійний елемент людино-машинної системи.

Природно, що спроби створити ІІ на базі комп'ютерів почалися на зорі розвитку комп'ютерної техніки. Тоді панувала комп'ютерна парадигма, ключовими тезами якої стверджувалося, що машина Тьюринга є теоретичною моделлюмозку, а комп'ютер – реалізацією універсальної машиниі будь-який інформаційний процес можна відтворити на комп'ютері. Така парадигма була домінуючою довгий час, принесла багато цікавих результатів, але головне завдання - побудови ІІ у сенсі моделювання мислення людини, не досягла. Комп'ютерна парадигма створення ІІ, яка зазнала краху у зв'язку з неправильним набором ключових передумов, логічно трансформувалася в нейроінформатику, що розвиває некомп'ютерний підхід до моделювання інтелектуальних процесів. Людський мозок, що оперує з нерозчленованою інформацією, виявився значно складнішим за машину Тьюринга. Кожна людська думка має свій контекст, поза яким вона безглузда, знання зберігаються у формі образів, що характеризуються нечіткістю, розмитістю, система образів слабо чутлива до протиріч. Система зберігання знань людини характеризується високою надійністю внаслідок розподіленого зберігання знань, а оперування з інформацією характеризується великою глибиною та високим паралелізмом.

Переробка інформації у будь-яких інтелектуальних системах ґрунтується на використанні фундаментального процесу – навчання. Образи мають характерні об'єктивні властивості в тому сенсі, що різні системи, що розпізнають, що навчаються на різному матеріаліспостережень, переважно однаково і незалежно друг від друга класифікують одні й самі об'єкти. Саме ця об'єктивність образів дозволяє людям усього світу розуміти одне одного. Навчанням зазвичай називають процес вироблення в деякій системі специфічної реакції на групи зовнішніх ідентичних сигналів шляхом багаторазового впливу на систему сигналів зовнішньої коригування, що розпізнає. Механізм генерації цього коригування, яке найчастіше має сенс заохочення та покарання, практично повністю визначає алгоритм навчання. Самонавчання відрізняється від навчання тим, що тут додаткова інформація про вірність реакції системі не повідомляється.

Інтелектуальні інформаційні системи можуть використовувати "бібліотеки" різних методів і алгоритмів, що реалізують різні підходи до процесів навчання, самоорганізації та еволюції при синтезі систем ІІ. Оскільки досі немає ні узагальнюючої теорії штучного інтелекту, ні працюючого зразка повнофункціональної ІІ-моделі, то не можна сказати, який з цих підходів є правильним, а який помилковим: швидше за все вони здатні гармонійно доповнювати один одного. Докладніше про проблеми штучного інтелекту можна дізнатися на сайтах www.ccas.ru та www.iseu.by/rus/educ/envmon.

Штучний інтелект реалізується з використанням чотирьох підходів (насилу утримаємося, щоб не вимовити модне "парадигм"): логічного, еволюційного, імітаційного та структурного. Усі ці чотири напрями розвиваються паралельно, часто взаємно переплітаючись.

Основою для логічного підходу служить булева алгебра та її логічні оператори (насамперед, знайомий всім оператор IF ["якщо"]). Свій подальший розвиток булева алгебра отримала у вигляді обчислення предикатів, в якому вона розширена за рахунок введення предметних символів, відносин між ними, кванторів існування та загальності. Практично кожна система ІІ, побудована на логічному принципі, є машиною доказу теорем. У цьому вихідні дані зберігаються у базі даних як аксіом, а правила логічного висновку - як відносини з-поміж них.

Більшість логічних методів характерна велика трудомісткість, оскільки під час пошуку докази можливий повний перебір варіантів. Тому даний підхід вимагає ефективної реалізації обчислювального процесу, і гарна робота зазвичай гарантується за порівняно невеликому розмірібази даних. Прикладом практичної реалізації логічних методів є дерева рішень, які в концентрованому вигляді реалізують процес "навчання" або синтезу вирішального правила.

Досягти більшої виразності логічного підходу дозволяє такий порівняно новий напрямок, як нечітка логіка. Після основних робіт Л. Заде термін fuzzy (англ. нечіткий, розмитий) став ключовим словом. На відміну від традиційної математики, що вимагає на кожному кроці моделювання точних та однозначних формулювань закономірностей, нечітка логіка пропонує зовсім інший рівень мислення, завдяки якому творчий процес моделювання відбувається на вищому рівні абстракції, при якому постулюється лише мінімальний набірзакономірностей. Наприклад, правдивість логічного висловлюванняможе приймати в нечітких системах, крім звичайних "так/ні" (1/0), ще й проміжні значення: "не знаю" (0.5), "пацієнт швидше живий, ніж мертвий" (0.75), "пацієнт швидше мертвий, ніж живий" (0.25) і т.д. Даний підхід більше схожий на мислення людини, яка рідко відповідає на запитання лише "так" чи "ні". Теоретичні основи та прикладні аспекти інтелектуальних систем оцінювання та прогнозування в умовах невизначеності, засновані на теорії нечітких множин, докладно викладені в літературних джерелах [Аверкін з співавт, 1986; Борисов із співавт., 1989; Нетрадиційні моделі.., 1991; Васильєв, Іллясов, 1995].

Під терміном "самоорганізація" розуміється на думку Івахненка "процес мимовільного (спонтанного) збільшення порядку, або організації в системі, що складається з багатьох елементів, що відбувається під дією зовнішнього середовища".

Принципи самоорганізації були предметом дослідження багатьох видатних вчених Дж. фон Неймана, Н. Вінера, У.Р. Ешбі та ін. Великий внесок у розвиток цього напряму зробили роботи українських кібернетиків під керівництвом О.Г. Івахненка, який розробив цілий клас адаптивних самоорганізованих моделей (англ. selforganisation models), який можна було б назвати "інтелектуальним узагальненням" емпірико-статистичних методів.

Можна відмітити наступні принциписамоорганізації математичних моделей:

• - принцип неостаточних рішень (запропонований Д. Габором і полягає у необхідності збереження достатньої "свободи вибору" кількох найкращих рішеньна кожному кроці самоорганізації),
• - принцип зовнішнього доповнення (базується на теоремі К. Геделя і полягає в тому, що тільки зовнішні критерії, що базуються на новій інформації, дозволяють синтезувати справжню модель об'єкта, приховану в зашумлених експериментальних даних);
• - принцип масової селекції (запропонований О.Г. Івахненко і вказує найбільш доцільний шлях поступового ускладнення моделі, що самоорганізується, з тим щоб критерій її якості проходив через свій мінімум).

Для виникнення самоорганізації необхідно мати вихідну структуру, механізм її випадкових мутацій і критерії відбору, завдяки якому мутація оцінюється з точки зору корисності для поліпшення якості системи. Тобто. при побудові цих систем ІІ дослідник задає лише вихідну організацію та список змінних, а також критерії якості, що формалізують мету оптимізації, та правила, за якими модель може змінюватися (самоорганізовуватись або еволюціонувати). Причому сама модель може належати до різних типів: лінійна або нелінійна регресія, набір логічних правил або будь-яка інша модель.

Самоорганізуються моделі служать, переважно, для прогнозування поведінки й структури екосистем, оскільки за логікою їх побудови участь дослідника у цьому процесі зведено до мінімуму. Можна навести ряд конкретних прикладіввикористання алгоритмів МГУА: для довгострокових прогнозів екологічної системи оз. Байкал, моделювання геоботанічних описів; системи "хижак-жертва", приросту дерев, прогнозування токсикологічних показників полютантів, оцінки динаміки чисельності співтовариств зоопланктону.

У математичній кібернетиці розрізняють два види ітеративних процесів розвитку систем:

• - адаптація, за якої екстремум (мета руху системи) залишається постійною;
• - еволюція, за якої рух супроводжується зміною та положення екстремуму.

Якщо самоорганізація пов'язані тільки з адаптаційними механізмами підстроювання реакцій системи (наприклад, зміною значень вагових коефіцієнтів), то поняття еволюції пов'язані з можливістю эффектора (термін, введений З. Лемом) змінювати власну структуру, тобто. кількість елементів, спрямованість та інтенсивність зв'язків, налаштовуючи їх оптимальним чином щодо поставлених завдань у кожний конкретний момент часу. У процесі еволюції в умовах складного та змінного середовища ефектор здатний придбати принципово нові якості, вийти на наступний рівень розвитку. Наприклад, у процесі біологічної еволюції виникли надзвичайно складні і водночас напрочуд продуктивно функціонуючі живі організми.

Еволюційне моделювання є істотно універсальним способом побудови прогнозів макростанів системи за умов, коли повністю відсутня апостеріорна інформація, а апріорні дані задають лише передісторію цих станів. Загальна схема алгоритму еволюції виглядає так:

• - задається вихідна організація системи (в еволюційному моделюванні у цій якості може фігурувати, наприклад, кінцевий детермінований автомат Милі);
• - Проводять випадкові "мутації", тобто. змінюють випадковим чином поточний кінцевий автомат;
• - відбирають для подальшого "розвитку" ту організацію (той автомат), яка є "кращою" у сенсі деякого критерію, наприклад, максимальної точності передбачення послідовності значень макростанів екосистеми.

Критерій якості моделі в цьому випадку мало чим відрізняється, наприклад, від мінімуму середньоквадратичної помилки на навчальній послідовності методу найменших квадратів (з усіма недоліками, що звідси випливають). Проте, на відміну адаптації, в еволюційному програмуванні структура вирішального пристрою мало змінюється під час переходу від однієї мутації до іншої, тобто. не відбувається перерозподілу ймовірностей, які б закріплювали мутації, що призвели до успіху на попередньому кроці. Пошук оптимальної структури відбувається переважно випадковим і нецеленаправленным, що затягує процес пошуку, але забезпечує найкраще пристосування до конкретних змінних умов.

Під структурним підходом маються на увазі спроби побудови систем ІІ шляхом моделювання структури людського мозку. В останні десять років вражає феномен вибуху інтересу до структурних методів самоорганізації - нейромережевого моделювання, яке успішно застосовується в різних областях - бізнесі, медицині, техніці, геології, фізики, тобто. скрізь, де потрібно вирішувати завдання прогнозування, класифікації чи управління.

Здатність нейронної мережі до навчання вперше було досліджено Дж. Маккалоком і У. Піттом, як у 1943 р. вийшла їхня робота " Логічне обчислення ідей, які стосуються нервової діяльності " . У ній була представлена ​​модель нейрона та сформульовані принципи побудови штучних нейронних мереж.

Великий поштовх розвитку нейрокібернетики дав американський нейрофізіолог Ф. Розенблатт, який запропонував 1962 р. свою модель нейронної мережі - персептрон. Сприйнятий спочатку з великим ентузіазмом, персептрон незабаром зазнав інтенсивних нападів з боку великих наукових авторитетів. І хоча докладний аналізїхніх аргументів показує, що вони заперечували не зовсім той персептрон, який пропонував Розенблатт, великі дослідження нейронних мереж були згорнуті майже на 10 років.

Інший важливий клас нейронних систем було введено на розгляд фіном Т. Кохоненом. У цього класу гарна назва: "Відображення станів, що самоорганізуються, зберігають топологію сенсорного простору". Теорія Кохонена активно використовує теорію адаптивних систем, яку розвивав багато років академік РАН Я.З. Ципкін.

Дуже популярна зараз у всьому світі оцінка можливостей систем, що навчаються, зокрема, нейронних мереж, заснована на теорії розмірності, створеної в 1966 р. радянськими математиками В.М. Вапніком та А.Я. Червоненкісом. Ще один клас нейроподібних моделей представляють мережі зі зворотним поширенням помилок, у розвитку сучасних модифікацій яких провідну роль відіграв проф. О.М. Горбань та очолювана ним красноярська школа нейроінформатики. Велику наукову та популяризаторську роботу проводить Російська асоціація нейроінформатики під керівництвом президента В.Л. Дуніна-Барковського.

В основі всього нейромережевого підходу лежить ідея побудови обчислювального пристрою з великої кількості простих елементів, що паралельно працюють, - формальних нейронів. Ці нейрони функціонують незалежно один від одного та пов'язані між собою односпрямованими каналами передачі інформації. Ядром нейромережевих уявлень є ідея, що кожен окремий нейрон можна моделювати досить простими функціями, а вся складність мозку, гнучкість його функціонування та інші. найважливіші якостівизначаються зв'язками між нейронами. Граничним виразом цієї точки зору може бути гасло: "структура зв'язків - все, властивості елементів - ніщо".

Нейронні мережі (НС) - дуже потужний метод моделювання, що дозволяє відтворювати надзвичайно складні залежності, нелінійні за своєю природою. Як правило, нейронна мережа використовується тоді, коли невідомі припущення про вид зв'язків між входами та виходами (хоча, звичайно, від користувача вимагається якийсь набір евристичних знань про те, як слід відбирати та готувати дані, вибирати потрібну архітектуру мережі та інтерпретувати результати) .

На вхід нейронної мережі подаються представницькі дані та запускається алгоритм навчання, який автоматично аналізує структуру даних та генерує залежність між входом та виходом. Для навчання НС застосовуються алгоритми двох типів: кероване ("навчання з учителем") та некероване ("без учителя").

Найпростіша мережа має структуру багатошарового персептрона із прямою передачею сигналу (див. рис. 3), яка характеризується найбільш стійкою поведінкою. Вхідний шар служить для введення значень вихідних змінних, потім послідовно відпрацьовують проміжні нейрони і вихідного шарів. Кожен із прихованих та вихідних нейронів, як правило, з'єднаний з усіма елементами попереднього шару (для більшості варіантів мережі повна система зв'язків є кращою). У вузлах мережі активний нейрон обчислює своє значення активації, беручи виважену суму виходів елементів попереднього шару та віднімаючи від неї граничне значення. Потім значення активації перетворюється за допомогою функції активації (або передавальної функції), і в результаті виходить вихід нейрона. Після того, як вся мережа відпрацює, вихідні значення елементів останнього шару приймаються за вихід усієї мережі загалом.

Рис. 3.

Поряд із моделлю багатошарового персептрона, пізніше виникли й інші моделі нейронних мереж, що відрізняються за будовою окремих нейронів, за топологією зв'язків між ними та алгоритмами навчання. Серед найбільш відомих зараз варіантів можна назвати НС зі зворотним поширенням помилки, засновані на радіальних базисних функціях, узагальнено-регресійні мережі, НС Хопфілда і Хеммінга, карти Кохонена, що самоорганізуються, стохастичні нейронні мережі і т.д. Існують роботи з рекурентних мереж (тобто що містять зворотні зв'язки, що ведуть назад від більш далеких до ближніх нейронів), які можуть мати дуже складну динаміку поведінки. Починають ефективно використовуватися нейронні мережі, які в багатьох випадках виявляються кращими, ніж традиційні повнозв'язні НС.

Для моделей, побудованих за мотивами людського мозку, характерні як легке розпаралелювання алгоритмів і пов'язана з цим висока продуктивність, так і не надто велика виразність представлених результатів, що не сприяє вилученню нових знань про середовище, що моделюється. Тому основне призначення нейромережевих моделей - прогнозування.

Важливою умовою застосування СР, як і будь-яких статистичних методів, є об'єктивно існуючий зв'язок між відомими вхідними значеннями та невідомим відгуком. Цей зв'язок може мати випадковий характер, спотворений шумом, але він має існувати. Це пояснюється, по-перше, тим, що ітераційні алгоритми спрямованого перебору комбінацій параметрів нейромережі виявляються дуже ефективними і дуже швидкими лише за хорошої якості вихідних даних. Однак, якщо цієї умови не дотримується, число ітерацій швидко зростає і обчислювальна складність виявляється порівнянною з експоненційною складністю алгоритмів повного перебору можливих станів. По-друге, мережа схильна вчитися передусім тому, чому найпростіше навчитися, а, за умов сильної невизначеності і зашумленості ознак, це - насамперед артефакти та явища "хибної кореляції".

Відбір інформативних змінних у традиційній регресії та таксономії здійснюють шляхом "зважування" ознак з використанням різних статистичних критеріїв та покрокових процедур, заснованих у тій чи іншій формі на аналізі коефіцієнтів приватних кореляцій або підступів. Для цих цілей використовують різні секвенційні (послідовні) процедури, які не завжди призводять до результату, досить близького до оптимального. Ефективний автоматизований підхід до вибору значних вхідних змінних можна реалізувати з допомогою генетичного алгоритму.

У зв'язку з цим, у загальній схемі статистичного моделюванняметодами ІІ рекомендується послідовне виконання двох різних процедур:

• - за допомогою еволюційних методів у бінарному просторі ознак шукається така мінімальна комбінація змінних, яка забезпечує незначну втрату інформації у вихідних даних,
• - Отримана на попередньому етапі мінімізована матриця даних подається на вхід нейронної мережі для навчання.

Визначення

Штучний інтелектможна визначити як наукову дисципліну, яка займається автоматизацією розумної поведінки.

Штучний інтелект (ІІ, англ. Artificial intelligence, AI) - наука та технологія створення інтелектуальних машин, особливо інтелектуальних комп'ютерних програм. ІІ пов'язані з подібним завданням використання комп'ютерів розуміння людського інтелекту, але з обов'язково обмежується біологічно правдоподібними методами.

Цілі і завдання

Метою штучного інтелекту є створення технічних систем, здатних вирішувати завдання необчислювального характеру та виконувати дії, що вимагають переробки змістовної інформації та вважаються прерогативою людського мозку. До таких завдань відносяться, наприклад, завдання на доказ теорем, ігрові завдання (скажімо, при грі в шахи), завдання з перекладу з однієї мови на іншу, з твору музики, розпізнавання зорових образів, вирішення складних творчих проблем науки і суспільної практики. Однією з важливих завдань штучного інтелекту є створення інтелектуальних роботів, здатних автономно здійснювати операції з досягненню цілей, поставлених людиною, та вносити корективи у свої дії.

Структура поняття

"Штучний інтелект" складається з кількох основних положень та дисциплін, які є його основою. Докладніше це описано на малюнку, наведеному нижче. Зображення взято з

Нижче наведено основні визначення використаних на зображенні термінів.

Нечітка логікаі теорія нечітких множин - розділ математики, що є узагальненням класичної логіки та теорії множин. Поняття нечіткої логіки було вперше запроваджено професором Лютфі Заде у 1965 році. У цій статті поняття множини було розширено припущенням, що функція приналежності елемента до множини може приймати будь-які значення в інтервалі , а не тільки 0 або 1. Такі множини були названі нечіткими. Також автором були запропоновані різні логічні операції над нечіткими множинами та запропоновано поняття лінгвістичної змінної, як значення якої виступають нечіткі множини.

Штучні нейронні мережі(ІНС) - математичні моделі, а також їх програмні чи апаратні реалізації, побудовані за принципом організації та функціонування біологічних нейронних мереж – мереж нервових клітин живого організму. Це поняття виникло щодо процесів, які у мозку, і за спробі змоделювати ці процеси. Першою такою спробою були нейронні мережі Маккалока та Піттса. Згодом, після розробки алгоритмів навчання, одержувані моделі стали використовувати в практичних цілях: завдання прогнозування, для розпізнавання образів, завдання управління і ін.

Інтелектуальний агент- програма, що самостійно виконує завдання, вказане користувачем комп'ютера протягом тривалих проміжків часу. Інтелектуальні агенти використовуються для сприяння оператору або збору інформації. Одним із прикладів завдань, що виконуються агентами, може бути завдання постійного пошуку та збору необхідної інформації в Інтернеті. Комп'ютерні віруси, роботи, пошукові роботи - все це також можна віднести до інтелектуальних агентів. Хоча такі агенти мають суворий алгоритм, «інтелектуальність» у цьому контексті розуміється як здатність пристосовуватися та навчатися.

Експертна система (ЕС, expert system) - комп'ютерна програма, здатна частково замінити фахівця-експерта у вирішенні проблемної ситуації Сучасні ЕС почали розроблятися дослідниками штучного інтелекту у 1970-х роках, а у 1980-х отримали комерційне підкріплення. Предтечі експертних систем були запропоновані в 1832 С. Н. Корсаковим, який створив механічні пристрої, так звані «інтелектуальні машини», що дозволяли знаходити рішення за заданими умовами, наприклад визначати найбільш підходящі ліки за симптомами захворювання, що спостерігаються у пацієнта.

Генетичний алгоритм(англ. genetic algorithm) - це евристичний алгоритм пошуку, що використовується для вирішення задач оптимізації та моделювання шляхом випадкового підбору, комбінування та варіації шуканих параметрів з використанням механізмів, що нагадують біологічну еволюцію. Є різновидом еволюційних обчислень. Відмінною особливістю генетичного алгоритму є акцент на використання оператора схрещування, який проводить операцію рекомбінації рішень-кандидатів, роль якої аналогічна ролі схрещування в живій природі.

Моделі та методи досліджень

Символьне моделювання розумових процесів

Аналізуючи історію ІІ, можна виділити такий широкий напрямок як моделювання міркувань. Довгі роки розвиток цієї науки рухався саме цим шляхом, і тепер це одна з найрозвиненіших областей у сучасному ІІ. Моделювання міркувань має на увазі створення символьних систем, на вході яких поставлено якесь завдання, а на виході потрібно її вирішення. Як правило, запропонована задача вже формалізована, тобто переведена в математичну форму, але або не має алгоритму рішення, або він занадто складний, трудомісткий і т. п. У цей напрямок входять: доказ теорем, прийняття рішень та теорія ігор, планування та диспетчеризація, прогнозування.

Робота з природними мовами

Важливим напрямком є обробка природної мови, в рамках якого проводиться аналіз можливостей розуміння, обробки та генерації текстів «людською» мовою. Зокрема, тут ще не вирішено проблему машинного перекладу текстів з однієї мови на іншу. В сучасному світі велику рольграє розробка методів інформаційного пошуку. За своєю природою, оригінальний тест Тьюринга пов'язаний із цим напрямком.

Накопичення та використання знань

На думку багатьох вчених, важливою властивістю інтелекту є здатність до навчання. Таким чином, на перший план виходить інженерія знань, що поєднує завдання отримання знань із простої інформації, їх систематизації та використання. Досягнення у цій галузі зачіпають майже всі інші напрями досліджень ІІ. Тут також не можна не відзначити дві важливі підобласті. Перша з них - машинне навчання- стосується процесу самостійногоотримання знань інтелектуальною системою у її роботи. Друге пов'язане із створенням експертних систем- програм, що використовують спеціалізовані бази знань для отримання достовірних висновків з будь-якої проблеми.

До галузі машинного навчання відноситься великий клас завдань на розпізнавання образів. Наприклад, це розпізнавання символів, рукописного тексту, промови, аналіз текстів. Багато завдань успішно вирішуються за допомогою біологічного моделювання (див. пункт). Особливо варто згадати комп'ютерний зір, яке пов'язане ще з робототехнікою.

Біологічне моделювання штучного інтелекту

Відрізняється від розуміння штучного інтелекту щодо Джона Маккарті, коли виходять із положення про те, що штучні системине зобов'язані повторювати у своїй структурі та функціонуванні структуру та протікають у ній процеси, властиві біологічним системам, прихильники цього підходу вважають, що феномени людської поведінки, її здатність до навчання та адаптації, є наслідком саме біологічної структури та особливостей її функціонування.

Сюди можна зарахувати кілька напрямів. Нейронні сітівикористовуються для вирішення нечітких та складних проблем, таких як розпізнавання геометричних фігур чи кластеризація об'єктів. Генетичний підхідзаснований на ідеї, що якийсь алгоритм може стати більш ефективним, якщо запозичить найкращі характеристикив інших алгоритмів («батьків»). Щодо новий підхід, де ставиться завдання створення автономної програми - агента, що взаємодіє із зовнішнім середовищем, називається агентним підходом.

Перспективи розвитку

На даний момент у розвитку штучного інтелекту відбулося розгалуження на основні галузі, яким приділяється основна увага у вигляді матеріальних та інтелектуальних вкладень. Зображення взято з

Література

1)"Управління знаннями корпорації та реінжиніринг бізнесу"Абдікеєв, Кисельов

Основними ресурсами розвитку компаній все більшою мірою стають люди і знання, якими вони мають, інтелектуальний капітал тазростаюча професійна компетенціякадрів. Сьогодні потрібні нові методи розвитку організації, що базуються на стику гуманітарного та інженерного підходів, що дозволить отримати синергетичний ефект від їхньої взаємодії. Цей підхід базується на сучасних здобутках інформаційних технологій, а саме когнітивних технологіях розвитку організації. Актуальний розвиток симбіозуконцепції управління знаннями, реінжинірингу бізнес-процесів та когнітивної людської складової.
Для менеджерів вищої ланки, бізнес-аналітиків, слухачів програм МВА напрямів "Стратегічний менеджмент","Антикризове управління", студентів економічних вузів магістерського рівня, аспірантів та викладачів у галузі корпоративного менеджменту та реінжинірингу бізнесу.

2) " Моделі та методи штучного інтелекту. Застосування економіки."М.Г. Матвєєв, А.С. Свиридов, Н.А. Алейнікова

П представлені теоретичні основи штучного інтелекту: інформаційні аспекти, відомості про бінарну та нечітку логіку, а також методи та моделіактуальних напрямів штучного інтелекту, експертних систем, інженерії знань, нейронних мереж та генетичних алгоритмів. Докладно розглянуто питання практичної реалізації інтелектуальних систем. Наведено безліч прикладів, що ілюструють розробку та застосування аналізованих методів та моделей. Особливу увагу приділено економічним завданням.

3) "Штучний інтелект та інтелектуальні системи управління.І. М. Макаров, В. М. Лохін, С. В. Манько, М. П. Романов; відп. ред. І. М. Макарова

Розглядається новий клас інтелектуальних систем автоматичного управління, що активно розвивається, побудованих на технології обробки знань з позицій ефективного застосування при вирішенні завдань управління в умовах невизначеності. Викладено основи побудови інтелектуальних систем.

4) "Штучний інтелект: сучасний підхід. С. Рассел, П. Норвіг

У книзі представлені всі сучасні досягнення та викладені ідеї, які були сформульовані в дослідженнях, що проводилися протягом останніх п'ятдесяти років, а також зібрані протягом двох тисячоліть у галузі знань, що стали стимулом до розвитку штучного інтелекту як науки проектування раціональних агентів.

Список джерел

5) http://ua.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

Цей розділ присвячений генетичним алгоритмам. Що таке генетичні алгоритми? Власне, це оптимізаційні алгоритми, які стосуються класу евристик. Дані алгоритми дають змогу виключити перебір усіх варіантів і значно скорочують час обчислень. Специфіка цих алгоритмів зводиться до імітації еволюційних процесів.

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

Тут Ви знайдете ідеї та готові рішення щодо застосування штучного інтелекту та пов'язаних теорій для вирішення тих чи інших практичних завдань.

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

У цьому розділі зібрані матеріали, що так чи інакше стосуються класичного способумоделювання систем ІІ, моделювання на основі різних логічних апаратів. Як правило, це матеріали, пов'язані з експертними системами, системами підтримки ухвалення рішення та агентними системами.

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

Тенденції розвитку AI

МІНІСТЕРСТВО ОСВІТИ І НАУКИ РФ

Міжнародний інститут «ІНФО-Рутенія»

КУРСОВА РОБОТА

Дисципліна:

Дослідження систем керування

Тема: Області застосування штучного інтелекту на підприємстві

Балацька О.М.

Вступ

2. Штучний інтелект: сфери застосування

3. Штучний інтелект та перспективи його розвитку

Висновок

Глосарій

Вступ

Наука про штучний інтелект веде свій початок із середини XX століття. Починаючи з того часу, у багатьох дослідницьких лабораторіях вчені ведуть роботу над створенням комп'ютерів, які мають здатність думати на такому ж рівні, що й людина. На той час вже існували передумови виникнення штучного розуму. Так, психологами було створено модель мозку людини та вивчено процеси мислення. Вчені-математики створили теорію алгоритмів, яка стала фундаментом математичної теорії обчислень, було впорядковано і структуровано знання про світ, вирішено питання оптимальних розрахунків та створено найперші комп'ютери.

Нові машини були здатні проводити обчислення набагато швидше за людину, тому вчені задумалися про можливість створення обчислювальних машин, що досягли рівня розвитку людей. У 1950 англійським вченим Аланом Тьюрінгом була опублікована стаття «Чи здатна машина мислити?». У цій статті він пропонує визначати ступінь розумності машини за допомогою розробленого ним тесту, який згодом отримав назву «тест Тьюринга».

Інші вчені також працювали в галузі створення ІІ, але їм довелося зіткнутися з низкою проблем, які не могли бути вирішені в рамках традиційної інформатики. Виявилося, що насамперед мають бути вивчені механізми чуттєвого сприйняття, засвоєння інформації, а також природа мови Імітувати роботу мозку виявилося дуже складно, тому що для цього довелося б відтворити роботу мільярдів нейронів, що взаємодіють між собою. Але ще більше складним завданням, Чим імітація роботи мозку, виявилося вивчення принципів та механізмів його функціонування. Ця проблема, що постала перед дослідниками інтелекту, торкалася теоретичної сторони психології. Вченим і досі не вдається дійти єдиної думки щодо того, що є інтелект. Одні вважають ознакою інтелекту здатність вирішувати завдання високої складності; для інших інтелект - це насамперед здатність до навчання, узагальнення та аналізу інформації; треті вважають, що це можливість ефективно взаємодіяти з навколишнім світом, здатність до спілкування, сприйняття та усвідомлення сприйнятої інформації.

У цій роботі об'єктом дослідження є штучний інтелект. Предмет дослідження – можливі способи його вдосконалення та розвитку.

Мета роботи: виявити галузі людської діяльності, в яких може застосовуватися штучний інтелект.

У ході дослідження, проведеного в рамках даної роботи, передбачається вирішити декілька завдань:

) Розглянути історію виникнення штучного інтелекту;

) Виявити основні цілі створення штучного інтелекту;

) Ознайомити читача з видами застосування штучного інтелекту у сучасному світі;

) Вивчити перспективні напрями, у яких може застосовуватися штучний інтелект;

) Розглянути, яким може бути майбутнє із застосуванням штучного інтелекту.

Представлена ​​курсова робота може бути цікавою всім, хто цікавиться історією виникнення та розвитку штучного інтелекту, крім того, вона може бути використана як навчальний посібник.

1. Значення терміна «штучний інтелект»

Вперше людство почуло про штучний інтелект понад 50 років тому. Це сталося на конференції, що проходила в 1956 році в університеті Дартму, на якій Джон Маккарті дав терміну чітке і ясне визначення. «Штучний інтелект є наукою про створення інтелектуальних машин та комп'ютерних програм. З метою даної науки комп'ютери використовуються як засіб для розуміння особливостей людського інтелекту, в той же час вивчення ІІ не повинно обмежуватися застосуванням біологічно правдоподібних методів.

Як і інші прикладні науки, наука про штучний інтелект представлена ​​теоретичною та експериментальною частинами. Практично, «Штучний інтелект» займає проміжне положення між інформатикою та обчислювальною технікою та такими дисциплінами як когнітивна та поведінкова психологія та нейрофізіологія. Що стосується теоретичної основи, їй служить «Філософія штучного інтелекту», але до того часу, поки немає значних результатів у цій сфері, теорія немає самостійного значення. Проте вже зараз слід розрізняти науку про штучний інтелект та інші теоретичні дисципліни та методики (робототехнічні, алгоритмічні, математичні, фізіологічні), які мають самостійне значення.

Зараз розвиток ІІ відбувається за двома напрямками: нейрокібернетика та кібернетика чорного ящика. Один із напрямів - нейрокібернетика, або штучний розум, ґрунтується на моделюванні роботи людського мозку за допомогою систем штучного інтелекту, відомих як нейронні мережі або нейромережі. Другий напрямок ІІ - кібернетика чорного ящика, або машинний інтелект, займається пошуками та розробкою алгоритмів для ефективного вирішення інтелектуальних завдань за допомогою наявних моделей комп'ютерів. Для цього напряму головне - не конструкція пристрою, а принцип його роботи: реакція машини, що «мислить», на вхідні впливи повинна бути такою ж, як у людського мозку.

Про штучний інтелект написано багато книг, але жоден автор не дає однозначної відповіді на питання, чим займається ця наука. Більшість авторів розглядають лише одне визначення ІІ, розглядаючи наукові досягнення лише у світлі даного визначення. Наступна проблема стосується природи людського інтелекту та його статусу: у філософії досі не існує їхнього однозначного критерію. Немає і єдиного підходу до визначення ступеня розумності машини. Однак існує безліч гіпотез, запропонованих ще на зорі штучного інтелекту. Це і тест Тьюринга, про який говорилося вище, і гіпотеза Ньюелла - Саймона, і безліч інших підходів до розробки ІІ, з яких можна виділити два основні:

семіотичний, або низхідний: ґрунтується на створенні баз знань, систем логічного висновку та експертних систем, що імітують різні психічні процеси високого рівня, такі як мислення, емоції, мова, творчість, міркування і т.д.

біологічний, або висхідний: в його основі лежить створення та вивчення нейронних мереж, що імітують процеси діяльності головного мозку людини, а також створення біокомп'ютерів, нейрокомп'ютерів та інших подібних обчислювальних систем.

Другий підхід виходить за рамки визначення, даного Джоном Маккарті, однак має ту саму кінцеву метуТому є всі підстави для того, щоб віднести його до сфери штучного інтелекту.

У поєднанні з когнітивною психологією, епістемологією та нейрофізіологією штучний інтелект утворює ще одну науку – когнітологію. Епістемологія безпосередньо пов'язана з проблемами ІІ, оскільки вона є наукою про знання (частина філософії), а філософія, у свою чергу, відіграє не останню роль у штучному інтелекті. Філософи та інженери ІІ вирішують подібні завдання: ті та інші шукають найкращі способиподання та використання інформації та знань.

Когнітивне моделювання - метод, запропонований та вперше випробуваний Аксельродом. Метод використовується прийняття рішень у недостатньо певних ситуаціях. У його основі - моделювання на основі знань суб'єктивних уявлень про ситуацію одного чи кількох експертів. Модель уявлень експерта є когнітивною картою (F, W). W – сукупність причинно-наслідкових зв'язків між ситуаційними факторами, а також безліч методів аналізу ситуації, F – усі наявні фактори ситуації. В даний час основним напрямом розвитку когнітивного моделювання є вдосконалення апарату моделювання та аналізу ситуації. зокрема, розробляються різні методи прогнозування ситуації та способи вирішення обернених завдань.

У комп'ютерних науках вирішення проблем штучного інтелекту здійснюється із застосуванням проектування баз знань та експертних систем. Бази знань є сукупність знань і правил, за якими інформація може піддаватися осмисленій обробці. Загалом проблеми штучного інтелекту у комп'ютерних науках досліджуються з метою створення інформаційних систем, їх експлуатації та вдосконалення. Питаннями підготовки розробників та користувачів таких систем займаються фахівці у галузі інформаційних технологій.

Цілком природно, що спроби створити штучний розум привертали увагу науковців-філософів. Поява перших інтелектуальних систем не могла не торкнутися багатьох аспектів, що стосуються людських знань, світоустрою та місця людини у світі. Умовно все філософські проблемиу цій сфері можна поділити на дві групи: можливості створення штучного інтелекту та етика штучного інтелекту. У першій групі більшість питань присвячена можливості та способам створення ІІ. Друга група проблем пов'язана з можливими наслідками появи ІІ для людства. При цьому в трансгуманізм створення ІІ вважається одним з першорядних завдань, що стоять перед людством.

Вчені в Інституті сингулярності (SIAI), розташованому в США, активно вивчають можливості глобальних ризиків, які можуть виникнути внаслідок створення надлюдського штучного інтелекту. Для запобігання таким ризикам слід запрограмувати ІІ на дружність до людей. У фільмі «Я, робот» цілком обґрунтовано порушено проблему етики штучного інтелекту. Деякі вчені вважають, що закони робототехніки можуть спонукати комп'ютерний розум до захоплення влади на Землі з метою захисту населення від шкоди.

Щодо релігійних конфесій, більшість із них ставляться до створення ІІ досить спокійно. Наприклад, духовний лідер буддистів, далай-лама, вважає, що свідомість на комп'ютерній основі цілком може існувати. Релігійна течіяраелітів активно підтримує розробки у цій сфері. Інші конфесії торкаються питань, пов'язаних з ІІ, досить рідко, щоб можна було говорити про яскраво виражену позицію.

Штучний інтелект: сфери застосування

З того моменту, як штучний інтелект був визнаний науковим напрямом, а це сталося в середині 50-х років минулого століття, розробникам інтелектуальних систем довелося вирішувати багато завдань. Умовно всі завдання можна розділити на кілька класів: розпізнавання людської мови та перекладу, автоматичні докази теорем, створення ігрових програм, розпізнавання зображень та машинну творчість. Розглянемо коротко сутність кожного класу завдань.

Доказ теорем.

Автоматичний доказ теорем є найстарішою сферою застосування штучного інтелекту. У цій галузі було проведено чимало досліджень, результатом яких стала поява формалізованих алгоритмів пошуку та мов формальних уявлень, таких як PROLOG – логічна мова програмування, та обчислення предикатів.

Автоматичні докази теорем привабливі тим, що вони ґрунтуються на спільності та суворості логіки. Логіка в формальній системі передбачає можливість автоматизації, а це означає, що якщо уявити завдання і додаткову інформацію, що відноситься до неї, у вигляді сукупності логічних аксіом, а окремі випадки завдання - як теореми, що вимагають докази, можна отримати вирішення багатьох проблем. Системи математичних обґрунтувань та автоматичні докази теорем містять у своїй основі саме цей принцип. У минулі роки робилися неодноразові спроби написати програму для автоматичних доказів теорем, однак так і не вдалося створити систему, що дозволяє вирішувати завдання з використанням єдиного методу. Будь-яка відносно складна евристична система могла генерувати безліч доведених теорем, що не належать до справи, в результаті програмам доводилося доводити їх доти, доки не виявлялася потрібна. Через це виникла думка, що з великими просторами можна працювати лише за допомогою неформальних стратегій спеціально розроблених для конкретних випадків. Насправді цей підхід виявився досить плідним і було покладено, поруч із іншими, основою експертних систем.

Разом про те, не можна ігнорувати міркування, засновані на формальної логіці. Формалізований підхід дозволяє вирішити багато проблем. Зокрема, застосовуючи його, можна керувати складними системами, перевіряти коректність комп'ютерних програм, проектувати та перевіряти логічні ланцюги. Крім того, дослідники автоматичного доказу теорем розробили потужні евристики, в основі яких є оцінка синтаксичної форми логічних виразів. В результаті стало можливим знижувати рівень складності простору пошуку, не вдаючись до розробки спеціальних стратегій.

Автоматичний доказ теорем викликає інтерес вчених і з тієї причини, що для особливо складних проблем можна використовувати систему, хоча і не без втручання людини. В даний час програми часто виступають у ролі помічників. Фахівці розбивають завдання на кілька підзавдань, потім продумують евристики для перебору можливих підстав. Далі програма доводить леми, перевіряє менш суттєві припущення та здійснює доповнення до формальних аспектів доказів, окреслених людиною.

Розпізнавання образів.

Розпізнавання образів є виділення істотних ознак, що характеризують вихідні дані, із загальної сукупності ознак, і виходячи з отриманої інформації віднесення даних до певному класу.

Теорія розпізнавання образів - це розділ інформатики, завдання якого входить розвиток основ і методів ідентифікації та класифікації об'єктів (предметів, процесів, явищ, ситуацій, сигналів тощо. буд.), кожен із яких наділений сукупністю деяких ознак і властивостей. Насправді ідентифікувати об'єкти доводиться досить часто. Характерна ситуація - розпізнавання кольору світлофора та ухвалення рішення про те, чи слід зараз переходити вулицю. Існують й інші області, в яких не можна обійтися без розпізнавання об'єктів, наприклад, оцифрування аналогових сигналів, військова справа, системи безпеки тощо, тому на сьогоднішній день вчені продовжують активну роботу над створенням систем розпізнавання образів.

Робота ведеться у двох основних напрямках:

Дослідження, пояснення та моделювання здібностей до розпізнавання, властивих живим істотам.

Розвиток теоретичних та методологічних засадстворення пристроїв, які дозволяли б вирішувати окремі завдання з прикладною метою.

Постановка завдань розпізнавання здійснюється з математичної мови. У той час як теорія штучних нейронних мереж базується на отриманні результатів шляхом експериментів, постановка завдань розпізнавання образів відбувається не на основі експерименту, а на основі математичних доказів та логічних міркувань.

Розглянемо класичну постановку такого завдання. Існує безліч об'єктів, щодо яких слід провести класифікацію. Безліч складається з підмножин або класів. Задано: інформація, що описує безліч, інформація про класи та опис окремо взятого об'єкта без вказівки на його належність до певного класу. Завдання: виходячи з наявних даних визначити, якого класу належить об'єкт.

Якщо в завданнях є монохромні зображення, вони можуть бути розглянуті як функції на площині. Функція буде формальним записом зображення і в кожній точці виражати певну характеристику даного зображення - оптичну щільність, прозорість, яскравість і т. д. У такому випадку моделлю безлічі зображення буде безліч функцій на площині. Постановка завдання розпізнавання залежить від цього, якими повинні етапи, наступні за розпізнаванням.

До методів розпізнавання образів належать експерименти Ф. Розенблатта, який запровадив поняття моделі мозку. Завдання експерименту – показати, як виникають психологічні явища у фізичній системі з відомими функціональними властивостями та структурою. Вчений описав найпростіші експерименти з розпізнавання, проте їх особливістю є детермінований алгоритм рішення.

Найбільш простий експеримент, на основі якого може бути отримана психологічно значуща інформація про систему, полягає в наступному: персептрон пред'являється послідовність із двох різних стимулів, на кожен з яких він повинен реагувати деяким чином, причому для різних стимулів реакція має бути різною. Цілі такого експерименту можуть бути різними. Перед експериментатором може стояти завдання вивчити можливість спонтанного розрізнення системою представлених стимулів без втручання ззовні, або навпаки, вивчити можливість примусового розпізнавання. У другому випадку експериментатор навчає систему класифікувати різні об'єкти, Яких може бути більше двох. Досвід із навчанням проходить так: персептрону пред'являють образи, серед яких є представники всіх класів, що підлягають розпізнаванню. Правильна реакція підкріплюється відповідно до правил модифікації пам'яті. Після цього експериментатор пред'являє персептрон контрольний стимул і визначає ймовірність отримання заданої реакції для образів даного класу. Контрольний стимул може збігатися з одним з об'єктів, представлених у навчальній послідовності, або відрізнятись від усіх представлених об'єктів. Залежно від цього одержують такі результати:

Якщо контрольний стимул відрізняється від усіх представлених раніше навчальних стимулів, крім чистого розрізнення експеримент досліджує елементи узагальнення.

Якщо контрольний стимул викликає активізацію певної групи сенсорних елементів, які збігаються з жодним із елементів, активізованих при впливі стимулів тієї ж класу, пред'явлених раніше, експеримент досліджує чисте узагальнення і включає дослідження розпізнавання.

Незважаючи на те, що персептрони не здатні до чистого узагальнення, вони задовільно справляються із завданнями розпізнавання, особливо в тих випадках, коли демонструються образи, щодо яких персептрони вже є певний досвід.

Розпізнавання людської мови та машинний переклад.

До довгострокових цілей штучного інтелекту відноситься створення програм, здатних розпізнавати людську мову і використовувати її для побудови осмислених фраз. Здатність до розуміння та застосування природної мови – фундаментальна особливість людського інтелекту. Успішна автоматизація цієї здатності дозволила набагато підвищити ефективність комп'ютерів. На сьогодні написано багато програм, здатних розуміти природну мову, і вони з успіхом застосовуються в обмежених контекстах, проте досі не існує систем, які могли б застосовувати природні мови з такою самою спільністю та гнучкістю, як це робить людина. Справа в тому, що процес розуміння природної мови полягає не тільки в простому розборі речень на складові та пошуку значень окремих слів у словниках. Саме з цим завданням програми успішно справляються. Для застосування людської мови необхідні великі знання про предмет бесіди, про ідіоми, що мають до нього відношення, крім того, необхідна здатність розуміти неясності, недомовки, професіоналізми, жаргонізми, просторічні висловлювання та багато іншого з того, що притаманне нормальному людському мовленню.

Як приклад можна навести розмову про футбол, де використовуються такі слова як «нападник», «пас», «передача», «штрафний», «захисник», «форвард», «капітан» та інші. Кожне з цих слів характеризується набором значень, і окремо слова цілком доступні для розуміння, але фраза, складена з них, буде незрозуміла будь-кому, хто не захоплюється футболом і нічого не знає про історію, правила та принципи цієї гри. Таким чином, для розуміння та застосування людської мови необхідна сукупність фонових знань, і однією з головних проблем в автоматизації розуміння та застосування природної людської мови є збирання та систематизація таких знань.

Оскільки семантичні значення використовуються у штучному інтелекті дуже широко, вчені розробили низку методів, що дозволяють якоюсь мірою їх структурувати. Все ж більша частина роботи ведеться в тих проблемних галузях, які добре розуміються і спеціалізованими. Прикладом може бути методика «мікросвіту». Однією з перших програм, де вона була використана, стала програма SHRDLU, розроблена Террі Виноградом, що є однією з систем розуміння людської мови. Можливості програми були досить обмеженими і зводилися до «бесіди» про розташування блоків різних кольорів та форм, а також планування найпростіших дій. Програма давала відповіді на запитання на кшталт «Якого кольору пірамідка на кросному бруску?» і могла давати вказівки виду "Поставте синій блок на червоний". Подібні завдання часто торкалися дослідниками штучного інтелекту і надалі набули популярності під назвою «світ блоків».

Незважаючи на те, що програма SHRDLU успішно «розмовляла» про розташування блоків, вона не була наділена здатністю абстрагуватися від цього «мікросвіту». У ній використовувалися надто прості методики, яким була недоступна передача семантичної організації предметних областей вищої складності.

Поточні роботи в галузі розуміння та застосування природних мов спрямовані в основному на пошук досить загальних формалізмів уявлення, які можна було б адаптувати до специфічних структур заданих областей та застосовувати у широкому колі додатків. Більшість існуючих методик, що є модифікацією семіотичних мереж, досліджуються і застосовуються при написанні програм, здатних розпізнавати природну мову у вузьких предметних областях. У той самий час, сучасні можливості неможливо створити універсальну програму, здатну розуміти людську мову у всьому її різноманітті.

Серед розмаїття завдань розпізнавання образів можна назвати такі:

Визначення родовищ корисних копалин

Розпізнавання зображень

Розпізнавання штрих-кодів

Розпізнавання символів

Розпізнавання мови

Розпізнавання осіб

Розпізнавання номерів автомобілів

Штучний інтелект у ігрових програмах.

Ігровий штучний інтелект включає у собі як методи традиційного ІІ, а й алгоритми інформатики загалом, комп'ютерної графіки, робототехніки і теорії управління. Від того, як саме реалізовано ІІ, залежать не лише системні вимоги, Але і бюджет гри, тому розробникам доводиться балансувати, намагаючись, щоб ігровий штучний інтелект був створений з мінімальними витратами, і щоб при цьому він був цікавим та невибагливим до ресурсів. Тут використовується зовсім інший підхід, ніж у випадку із традиційним штучним інтелектом. Зокрема, широко застосовуються емуляції, обмани та різні спрощення. Приклад: особливістю шутерів від першої особи є здатність ботів до безпомилкового руху та миттєвого прицілювання, але при цьому у людини не залишається жодного шансу, тому здібності ботів штучно занижуються. У той же час, на рівні розставляються контрольні точки, щоб боти могли діяти командою, влаштовувати засідки і т.д.

У комп'ютерних іграх, якими управляє ігровий штучний інтелект, є такі категорії персонажів:

моби – персонажі з низьким рівнем інтелекту, ворожі до людського гравця. Гравці знищують мобів з метою проходження території, отримання артефактів та окулярів досвіду.

неігрові персонажі - зазвичай ці персонажі дружні чи нейтральні до гравця.

боти - персонажі, ворожі стосовно гравців, найскладніші у програмуванні. Їхні можливості наближаються до можливостей ігрових персонажів. У будь-який момент часу проти гравця виступає кілька ботів.

Усередині комп'ютерної гри існує безліч областей, у яких використовується широке різноманіття евристичних алгоритмів штучного ігрового інтелекту. Найбільш широко ігровий ІІ застосовується як із способів контролю неігрових персонажів. Іншим, не менш поширеним способом контролю є скриптинг. Ще одне очевидне застосування ігрового ІІ, особливо у стратегіях реального часу, - пошук шляху, або метод, що дозволяє визначити, як неігровий персонаж може потрапити з однієї точки на карті в іншу. При цьому слід враховувати перешкоди, ландшафт та можливий «туман війни». Динамічна балансуваннямобів також не обходиться без застосування штучного інтелекту. У багатьох іграх було випробувано концепцію непередбачуваного інтелекту. Це такі ігри як Nintendogs, Black & White, Creatures та всім відома іграшка «тамагочі». У цих іграх персонажами є свійські тварини, поведінка яких змінюється з урахуванням дій, здійснених гравцем. Складається враження, що персонажі здатні вчитися, хоча насправді їхні дії є результатом вибору обмеженої множини рішень.

Багато ігрових програмістів вважають частиною ігрового штучного інтелекту будь-яку методику, за допомогою якої створюється ілюзія інтелекту. Однак цей підхід не зовсім вірний, тому що ті ж методики можуть використовуватися не тільки в двигунах ігрового ІІ. Наприклад, при створенні ботів використовуються алгоритми з введеною в них інформацією про можливі майбутні зіткнення, внаслідок чого боти набувають «вміння» уникати цих зіткнень. Але ці ж методики є важливим і необхідним компонентом фізичного двигуна. Ще один приклад: важливим компонентом системи прицілювання бота є водні дані, і ті ж дані широко застосовуються в графічному движку при рендерингу. Фінальний приклад – скриптинг. Цей інструмент успішно може застосовуватися у всіх аспектах ігрової розробки, але найчастіше його розглядають як один із способів контролю дій неігрових персонажів.

На думку пуристів, вираз «ігровий штучний інтелект» немає права існування, оскільки є перебільшенням. Як головний аргумент вони висувають те, що в ігровому ІІ використовуються лише деякі напрями науки про класичний штучний інтелект. Слід взяти до уваги й те, що метою ІІ є створення самонавчаючих систем і навіть створення штучного інтелекту, здатного міркувати, тоді як часто обмежується евристикою та набором з кількох емпіричних правил, яких буває достатньо для створення гарного геймплею та надання гравцеві яскравих вражень. відчуттів від гри.

В даний час розробники комп'ютерних ігор виявляють інтерес до академічного ІІ, а академічна спільнота, у свою чергу, починає цікавитися комп'ютерними іграми. У зв'язку з цим виникає питання, якою мірою ігровий та класичний ІІ різняться між собою. Разом з тим, ігровий штучний інтелект все ще розглядається як одна з підгалузей класичного. Це пов'язано з тим, що штучний інтелект має різні прикладні області, відмінні друг від друга. Їли говорити про ігровий інтелект, важливою відмінністю тут є можливість обману з метою вирішення деяких завдань «законними» способами. З одного боку, недолік обману в тому, що часто він призводить до нереалістичної поведінки персонажа і тому не завжди може бути використаний. З іншого боку, сама можливість такого обману є важливою відмінністю ігрового ІІ.

Ще одним цікавим завданням штучного інтелекту є навчання комп'ютера грі в шахи. Її рішення займалися вчені всього світу. Особливість цього завдання у цьому, що демонстрація логічних здібностей комп'ютера можлива лише за наявності реального противника. Вперше така демонстрація відбулася 1974 року, у Стокгольмі, де пройшов чемпіонат світу з шахів серед шахових програм. У цьому змаганні перемогла програма «Каїса, створена радянськими вченими з Інституту проблем управління академії наук СРСР, що у Москві.

Штучний інтелект у машинній творчості.

Природа людського інтелекту поки що вивчена недостатньо, а ступінь вивчення природи людської творчості ще менше. Тим не менш, одним із напрямів штучного інтелекту є машинна творчість. Сучасні комп'ютери створюють музичні, літературні та мальовничі твори, а промисловості комп'ютерних ігор і кінофільмів вже давно застосовуються реалістичні образи, створювані машинами. Існуючі програми створюють різні образи, які можуть бути легко сприйняті та зрозумілі людиною. Це особливо важливо, коли йдеться про інтуїтивні знання, для формалізованої перевірки яких довелося б докласти чималих розумових зусиль. Так, музичні завдання успішно вирішуються з використанням мовою програмування, одним з яких є мова CSound. Спеціальне програмне забезпечення, за допомогою якого створюються музичні твори, представлено програмами алгоритмічної композиції, системами інтерактивної композиції, системами синтезу та обробки звуку.

Експертні системи.

Розробка сучасних експертних систем ведеться дослідниками з початку 1970-х, а на початку 1980-х експертні системи почали розроблятися і на комерційній основі. Прообразами експертних систем, запропонованими 1832 року російським ученим З. М. Корсаковим, стали механічні пристрої, названі «інтелектуальними машинами», які дозволяли шукати рішення, керуючись заданими умовами. Наприклад, аналізувалися симптоми захворювання, що спостерігаються у пацієнта, і за результатами цього аналізу пропонувалися найкращі ліки.

Інформатика розглядає експертні системи разом із базами знань. Системи є моделі поведінки експертів, засновані на застосуванні процедур прийняття рішень та логічних висновків. Основи знань розглядаються як сукупність правил логічного висновку та фактів, що мають безпосереднє відношення до обраної сфери діяльності.

Наприкінці минулого століття склалася певна концепція експертних систем, глибоко орієнтована на текстовий людино-машинний інтерфейс, який на той час був загальноприйнятим. В даний час ця концепція зазнала серйозної кризи, пов'язаної, мабуть, з тим, що в додатках користувача на зміну текстовому інтерфейсу прийшов графічний. Крім того, реляційна модель даних та «класичний» погляд на побудову експертних систем погано узгоджуються між собою. Отже, організація баз знань експертних систем не може проводитися ефективно принаймні з використанням сучасних промислових систем управління базами даних. У літературних та мережевих джерелах наводиться безліч прикладів експертних систем, які називаються «поширеними» або «широко відомими». Насправді всі ці експертні системи були створені ще в 80-х роках минулого століття і зараз або припинили своє існування, або є безнадійно застарілими та існують завдяки нечисленним ентузіастам. З іншого боку, розробники сучасних програмних продуктів найчастіше називають свої твори експертними системами. Подібні заяви - не більше ніж маркетинговий хід, адже насправді ці продукти не є експертними системами (прикладом може бути будь-яка з комп'ютерних довідково-правових систем). Ентузіасти намагаються об'єднати підходи до створення інтерфейсу користувача з «класичними» підходами до створення експертних систем. Ці спроби знайшли свій відбиток у таких проектах як CLIPS.NET, CLIPS Java Native Interface та інших, проте великі компанії, що випускають програмне забезпечення, не поспішають фінансувати подібні проекти, і тому розробки не просуваються далі експериментальної стадії.

Все різноманіття областей, у яких можуть застосовуватися системи, засновані на знаннях, можна поділити на класи: медична діагностика, планування, прогнозування, контроль та управління, навчання, інтерпретація, діагностика несправностей в електричному та механічному устаткуванні, навчання. Розглянемо кожен із цих класів докладніше.

а) Медичні діагностичні системи.

За допомогою таких систем визначають, як пов'язані між собою різні порушення діяльності організму та їх можливі причини. Найвідомішою діагностичною системою є Mycin. Її застосовують для діагностики менінгіту та бактеріальних інфекцій, а також для спостереження за станом хворих, у яких виявлено дані захворювання. Перша версія системи була розроблена у 70-х роках. На сьогоднішній день її можливості значно розширилися: система ставить діагнози на тому ж професійному рівні, що і лікар-фахівець, і може застосовуватись у різних областяхмедицини.

б) Прогнозуючі системи.

Системи призначені для передбачення подій або результатів подій на основі наявних даних, що характеризують поточну ситуаціючи стан об'єкта. Так, програма «Завоювання Уолл-Стріта», що використовує у своїй роботі статистичні методи алгоритмів, здатна аналізувати кон'юнктуру ринку та розробляти план капіталовкладень. У програмі використовуються алгоритми та процедури традиційного програмування, тому її не можна віднести до систем, заснованих на знаннях. Вже сьогодні існують програми, здатні передбачати потік пасажирів, врожайність та погоду, аналізуючи наявні дані. Такі програми досить прості, деякі з них можуть використовуватися на звичайних персональних комп'ютерах. Однак досі не існує експертних систем, які могли б, ґрунтуючись на даних про кон'юнктуру ринку, підказати, як можна збільшити капітал.

в) Планування.

Системи планування призначені для вирішення завдань з великою кількістю змінних з метою досягнення конкретних результатів. Вперше у комерційній сфері такі системи використали дамаської фірмою Informat. Керівництво компанії розпорядилося складати в холі офісу 13 станцій, які проводили безкоштовні консультації для покупців, які бажають придбати комп'ютер. Машини допомагали зробити вибір, що максимально відповідає бюджету та побажанням покупця. Також експертні системи були застосовані компанією Boeing для таких цілей як ремонт гелікоптерів, встановлення причин виходу з ладу літакових двигунів та проектування комічних станцій. Фірма DEC створила експертну систему XCON, здатну визначати та змінювати конфігурацію комп'ютерних систем VAX з урахуванням вимог покупців. В даний час фірма DEC займається розробкою потужнішої системи XSEL, в яку входить база знань XCON. Мета створення системи - допомога споживачам у доборі обчислювальної системи з необхідною конфігурацією. Відмінність системи XSEL від XCON у тому, що вона є інтерактивною.

г) Інтерпретація.

Інтерпретують системи здатні робити висновки, ґрунтуючись на результатах спостереження. Однією з найвідоміших систем, що інтерпретують, є система PROSPECTOR. Вона працює, використовуючи дані, що базуються на знаннях дев'яти експертів. Ефективність системи можна оцінити за одним прикладом: використовуючи дев'ять різних методів експертизи, система виявила родовище руди, наявність якого було припускати жоден експерт. Інша відома система інтерпретуючого типу – HASP/SIAP. Вона використовує дані акустичних системстеження та на їх основі визначає місцезнаходження суден у Тихому океаніта їх типи.

д) Інтелектуальні системи контролю та управління.

Експертні системи успішно застосовуються для контролю та управління. Вони здатні аналізувати дані, отримані від кількох джерел, і за результатами аналізу приймати рішення. Такі системи здатні здійснювати медичний контроль та керувати рухом літаків, крім того, вони застосовуються на атомних електростанціях. Також з їх допомогою здійснюється регулювання фінансової діяльності підприємства та виробляються рішення у критичних ситуаціях.

е) Діагностика та усунення несправностей в електричному та механічному обладнанні.

Системи, що базуються на знаннях, застосовуються в таких випадках, як:

ремонт дизельних локомотивів, автомобілів та інших електричних та механічних пристроїв;

діагностика та усунення помилок та несправностей у програмному та апаратному забезпеченні обчислювальних машин.

ж) Комп'ютерні системи навчання.

Досить ефективно використання систем, заснованих на знаннях, у навчальних цілях. Система аналізує поведінку та діяльність об'єкта та відповідно до отриманої інформації змінює базу знань. Найпростіший прикладтакого навчання - комп'ютерна гра, у якій рівні стають складнішими у міру того, як зростає кваліфікація гравця. Цікава навчальна система – EURISCO – розроблена Д. Ленатом. У ній використовуються прості евристики. Система була застосована у грі, що імітує бойові дії. Суть гри - визначити оптимальний склад флотилії, яка б завдавати поразки, дотримуючись безліч правил. Система успішно впоралася з цим завданням, включивши до складу флотилії одне маленьке судно та кілька кораблів, здатних провести атаку. Правила гри змінювалися щорічно, але система EURISCO незмінно здобувала перемогу протягом трьох років.

Існує безліч експертних систем, які за змістом знань можуть бути віднесені одразу до кількох типів. Наприклад, система, яка здійснює планування, може бути також і навчальною. Вона здатна визначати рівень знань учня і, ґрунтуючись на цій інформації, складати навчальний план. Керуючі системи застосовуються для планування, прогнозування, діагностики та контролю. Системи, призначені для охорони будинку чи квартири, можуть відслідковувати зміни, що відбуваються в навколишній обстановці, прогнозувати розвиток ситуації та складати план подальших дій. Наприклад, відкрилося вікно і через нього до приміщення намагається проникнути злодій, отже необхідно викликати поліцію.

Широке поширення експертних систем почалося у 1980-х роках, коли вперше відбулося їхнє комерційне впровадження. ЕС використовуються у багатьох сферах, включаючи бізнес, науку, техніку, виробництво та інші галузі, що характеризуються цілком певною предметною областю. У даному контексті «цілком визначена» означає, що людина може розділити хід міркування на окремі етапи, і таким чином може бути вирішена будь-яка задача, яка знаходиться в рамках цієї галузі. Отже, аналогічні дії може виконати комп'ютерна програма. Можна впевнено сказати, що використання можливостей штучного інтелекту відкриває перед людством безмежні можливості.

Штучний інтелект та перспективи його розвитку

У романі Девіда Лоджа "Small World", присвяченому академічному світу літературної критики, описано чудову сцену. Головні герой звертається до групи видатних теоретиків літератури з питанням про те, що було б, якби вони мали рацію. Серед теоретиків виникло замішання. Вони були незгодні між собою, але жоден раніше не замислювався про те, що вести суперечки, що стосуються незаперечних теорій - заняття, позбавлене будь-якого сенсу. Якщо задати подібне опитування вченим, які досліджують штучний інтелект, ймовірно, вони також опинилися б збентежені. Що було б, якби їм удалося досягти своїх цілей? Адже інтелектуальні комп'ютери і так демонструють чудові досягнення, і всім зрозуміло, що вони корисніші, ніж машини, які не мають інтелекту. Здавалося б, турбуватися нема про що. Але існує низка етичних проблем, які потрібно брати до уваги.

Інтелектуальні комп'ютери потужніші за неінтелектуальні, але чи можливо зробити так, щоб ця міць завжди використовувалася тільки на благо, але не на зло? Дослідники штучного інтелекту, які присвятили розробкам у цій галузі все своє життя, повинні усвідомлювати свій ступінь відповідальності за те, щоб результати їхньої роботи мали лише позитивний вплив на людство. Ступінь цього впливу пов'язана зі ступенем штучного інтелекту. Навіть найперші успіхи, досягнуті в цій галузі, істотно вплинули на методи викладання комп'ютерних наук і розробку програмного та апаратного забезпечення. Штучний інтелект дозволив створити машини пошуку, роботів, ефективні системи зовнішнього спостереження, системи управління запасами, розпізнавання мови та інших принципово нових додатків.

На думку розробників, успіхи середнього рівня, досягнуті в штучному інтелекті, здатні вплинути на спосіб життя населення на всій планеті. До теперішнього часу таким всепроникним впливом мали лише Internet і стільниковий телефонний зв'язок, а ступінь впливу штучного інтелекту залишалася незначною. Але можна припустити, яку користь надасть людству поява персональних помічників для дому чи офісу, і як покращиться з їх появою якість повсякденного життя, хоча спочатку це може спричинити низку економічних проблем. У той же час, технологічні можливості, що відкрилися перед людством, можуть призвести до створення автономної зброї, а її поява, на думку багатьох, є небажаною. Нарешті, цілком можливо, що успіх у створенні штучного інтелекту, що перевищує за рівнем людський розум, може кардинально змінити життя людства. Люди по-іншому працюватимуть, відпочиватимуть, розважатимуться, зміняться уявлення про свідомість, інтелект і про майбутнє людства. Легко зрозуміти, що поява інтелекту, що перевершує людський, може завдати серйозної шкоди свободі, самовизначенню та існуванню людей. Принаймні всі ці аспекти можуть опинитися під загрозою. Тому дослідження, що стосуються штучного інтелекту, мають проводитися з усвідомленням можливих наслідків.

Яким може бути майбутнє? У більшості науково-фантастичних романів розвиток сюжетів відбувається не за оптимістичними, а за песимістичними сценаріями, можливо лише тому, що такі твори привабливіші для читачів. Але насправді все швидше буде інакше. Розвиток штучного інтелекту відбувається так, як розвивалися свого часу телефонія, повітроплавання, інженерне обладнання, друкарська справа та інші революційні технології, впровадження яких принесло більше позитивних, а не негативних наслідків.

Також варто зазначити, що незважаючи на коротку історіюіснування штучного інтелекту, у цій галузі відбувся суттєвий прогрес. Проте, якби людство могло зазирнути в майбутнє, воно побачило б, як мало ще зроблено в порівнянні з тим, що належить зробити.

Висновок

штучний інтелект експертний

У науковому співтоваристві не припиняються суперечки щодо можливості створення штучного інтелекту. На думку багатьох, створення ІІ спричинить приниження людської гідності. Говорячи про можливості ІІ, не можна забувати про необхідність розвитку та вдосконалення людського інтелекту.

Переваги використання ІІ полягають у тому, що воно дає стимул до подальшого прогресу, а також значно підвищує продуктивність праці шляхом автоматизації виробництва. Але за всіх плюсів у кібернетики є й деякі мінуси, яким людство має приділяти найпильнішу увагу. Головний мінус полягає в небезпеці, яку може спричинити робота з ІІ. Ще одна проблема пов'язана з тим, що люди можуть втратити стимул до творчої діяльності. Комп'ютери повсюдно використовуються у сфері мистецтв, і складається враження, що вони витісняють із цієї сфери людей. Залишається сподіватися, що кваліфікована творча діяльність, як і раніше, буде привабливою для людини, і що найкращі музичні, літературні та мальовничі твори, як і раніше, створюватимуться людьми.

Є ще одна група проблем, більш серйозна. Сучасні машиниі програми мають здатність пристосовуватися до зовнішніх факторів, що змінюються, тобто навчатися. Незабаром будуть розроблені машини з таким ступенем пристосовності і надійності, яка дозволить людині не втручатися в процес прийняття рішень. Це може призвести до того, що люди виявляться нездатними адекватно діяти у разі надзвичайної ситуації. У випадку НС людина не зможе прийняти на себе функції управління в той момент, коли це буде потрібно. Це означає, що вже зараз варто задуматися про запровадження деяких меж автоматизації процесів, особливо тих, що пов'язані з виникненням важких аварійних ситуацій. У такому разі людина, яка контролює керуючу машину, зможе правильно відреагувати і прийняти відповідне рішення для тієї чи іншої непередбаченої ситуації.

Такі ситуації можуть виникати у сфері транспорту, ядерної енергетики та ракетних військ. У разі помилка може призвести до жахливих наслідків. Але ймовірність помилок завжди існує і залишається навіть у разі дублювання та багаторазових повторних перевірки. Це означає, що потрібна присутність оператора, що контролює машину.

Вже зараз очевидно, що людям постійно доведеться вирішувати проблеми, пов'язані зі штучним інтелектом, то вони з'являються зараз і з'являтимуться надалі.

У цій роботі були розглянуті завдання штучного інтелекту, історія його появи, галузі застосування та деякі проблеми, що стосуються ІІ. Відомості, викладені у цій роботі, будуть цікаві тим, кого цікавлять сучасні технології та досягнення, що стосуються штучного інтелекту. Цілі даної курсової роботи виконані.

Глосарій

№ п/п Поняття Визначення 1 Штучна нейронна мережа математична модель, побудована за принципом функціонування та організації біологічної нейронної мережі. (скриптів) інтерпретованими мовами програмування

Список використаних джерел

Дев'ятков В. В. Системи штучного інтелекту/Гол. ред. І. Б. Федоров. - М: Вид-во МДТУ ім. Н. Е. Баумана, 2001. – 352 с. - (Інформатика у технічному університеті). - 3000 екз.

Журавльов Ю.І. Про алгебраїчний підхід до вирішення завдань розпізнавання та класифікації // Проблеми кібернетики. - М: Наука, 1978, вип. 33.

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

Петрунін Ю. Ю., Рязанов М. А., Савельєв А. В. Філософія штучного інтелекту в концепціях нейронаук. (Наукова монографія). - М: МАКС Прес, 2010.

Пітер Джексон Вступ до експертних систем. - 3-тє вид. – М.: Вільямс, 2001. – С. 624.

Рассел С., Норвіг П. Штучний інтелект: сучасний підхід/Пер. з англ. та ред. К. А. Птіцина. - 2-ге вид. – М.: Вільямс, 2006. – 1408 с. - 3000 екз.

Ту Дж., Гонсалес Р. Принципи розпізнавання образів - М.: 1978

Файн Ст С. Впізнання зображень, - М.: 1970

Відповідно до визначення Д.А. Поспелова, "Система називається інтелектуальною, якщо в ній реалізовані такі основні функції:

• накопичувати знання про навколишній світ, класифікувати та оцінювати їх з погляду прагматичної корисності та несуперечності, ініціювати процеси отримання нових знань, здійснювати співвіднесення нових знань з раніше збереженими;
• поповнювати знання, що надійшли за допомогою логічного висновку, що відображає закономірності в навколишньому світі в накопичених нею раніше знаннях, отримувати узагальнені знання на основі більш приватних знань і логічно планувати свою діяльність;
• спілкуватися з людиною мовою, максимально наближеною до природної людської мови;
• отримувати інформацію від каналів, аналогічних тим, які використовує людина для сприйняття навколишнього світу;
• вміти формувати собі чи на прохання людини (користувача) пояснення своєї діяльності;
• надавати користувачеві допомогу з допомогою тих знань, які зберігаються у пам'яті, і тих логічних засобів міркувань, властивих системі " .

Перелічені функції можна назвати функціями представлення та обробки знань, міркування та спілкування. Поряд з обов'язковими компонентами, залежно від розв'язуваних завдань та сфери застосування в конкретній системі, ці функції можуть бути реалізовані різною мірою, що визначає індивідуальність архітектури. На рис. 2.1 у найбільш загальному вигляді представлена ​​структура інтелектуальної системи у вигляді сукупності блоків та зв'язків між ними.

База знань є сукупність середовищ, які зберігають знання різних типів. Розглянемо коротко їхнє призначення.

База фактів (даних) зберігає конкретні дані, а база правил- елементарні висловлювання, звані теоретично штучного інтелекту продукціями.

База процедур містить прикладні програми, за допомогою яких виконуються всі необхідні перетворення та обчислення.

База закономірностейвключає різні відомості, що стосуються особливостей того середовища, в якому діє система.

База метазнань (база знань про себе) містить опис самої системи та способів її функціонування: відомості про те, як усередині системи надаються одиниці інформації різного типу, як взаємодіють різні компоненти системи, як було отримано рішення задачі.

База цілей містить цільові структури, звані сценаріями, що дозволяють організувати процеси руху від вихідних фактів, правил, процедур до досягнення тієї мети, яка надійшла в систему від користувача або була сформульована самою системою у процесі її діяльності у проблемному середовищі.

Управління всіма базами, що входять до бази знань, та організацію їх взаємодії здійснює система управління базами знань. З її ж допомогою реалізуються зв'язки баз знань із довкіллям. Таким чином, машина бази знань здійснює першу функцію інтелектуальної системи.

Виконання другої функції забезпечує частину інтелектуальної системи, яка називається вирішувачемі що складається з низки блоків, які управляються системою управління решателя . Частина з блоків реалізує логічний висновок.

Блок дедуктивного виведенняздійснює в решателе дедуктивні міркування, з допомогою яких із закономірностей з бази знань , фактів з бази фактів і з бази правил виводяться нові факти. Крім цього, даний блок реалізує евристичні процедури пошуку розв'язків задач як пошук шляхів розв'язання задачі за сценаріями за заданої кінцевої мети.

Для реалізації міркувань, які не мають дедуктивного характеру, тобто для пошуку за аналогією, за прецедентом тощо, використовуються блоки індуктивного та правдоподібного висновків.

Блок плануваннязастосовується в задачах планування рішень спільно з блоком дедуктивного виведення.

Призначення блоку функціональних перетвореньполягає у вирішенні завдань розрахунково-логічного та алгоритмічного типів.

Третя функція – функція спілкування – реалізується як за допомогою компоненти природно-мовного інтерфейсу, так і за допомогою рецепторів та ефекторів, які здійснюють так зване невербальне спілкування та використовуються в інтелектуальних роботах.

2.2. Різновиди інтелектуальних систем

Залежно від набору компонентів, що реалізують розглянуті функції, можна виділити такі основні різновиди інтелектуальних систем:

• інтелектуальні інформаційно-пошукові системи;
• експертні системи (ЕС);
• розрахунково-логічні системи;
• гібридні експертні системи

Інтелектуальні інформаційно-пошукові системиє системами взаємодії з проблемно-орієнтованими (фактографічними) базами даних природною, точніше, обмеженою як граматично, так і лексично (професійною лексикою) природною мовою (мовою ділової прози). Для них характерне використання (крім бази знань, що реалізує семантичну модель представлення знаньпро проблемну область) лінгвістичного процесора.

Експертні системиє одним із класів інтелектуальних систем, що бурхливо розвиваються. Дані системи в першу чергу стали створюватися в математично слабоформалізованих галузях науки і техніки, таких як медицина, геологія, біологія та інші. Їх характерна акумуляція у системі знань і правил міркувань досвідчених фахівців у цій предметної області, і навіть наявність спеціальної системи пояснень.

Розрахунково-логічні системидозволяють вирішувати управлінські та проектні завдання щодо їх постановок (описів) та вихідних даних незалежно від складності математичних моделей цих завдань. При цьому кінцевому користувачеві надається можливість контролювати у режимі діалогу всі стадії обчислювального процесу. У загальному випадку щодо опису проблеми мовою предметної областізабезпечується автоматичне побудова математичної моделіта автоматичний синтез робочих програм при формулюванні функціональних завдань з даної предметної області. Ці властивості реалізуються завдяки наявності бази знань у вигляді функціональної семантичної мережіта компонентів дедуктивного виведення та планування.

У Останнім часому спеціальний клас виділяються гібридні експертні системи. Зазначені системи повинні увібрати в себе найкращі риси як експертних, так і розрахунково-логічних та інформаційно-пошукових систем. Розробки у сфері гібридних експертних систем перебувають у початковому етапі.

Найбільш значних успіхів нині досягнуто у такому класі інтелектуальних систем, як експертні системи.

Важливе місце у теорії штучного інтелекту(ІІ) займає проблема уявлення знань. В даний час виділяють такі основні типи моделей уявлення знань:

• семантичні мережі, у тому числі функціональні;
• фрейми та мережі фреймів;
• продукційні моделі.

Семантичні мережівизначають як граф загального виду, у якому можна виділити безліч вершинта ребер. Кожна вершина графа є деяким поняттям, а дуга - відношення між парою понять. Мітка та напрямок дуги конкретизують семантику. Мітки вершин семантичного навантаження не несуть, а використовуються як довідкова інформація.

Різні різновиди семантичних мережволодіють різною семантичною потужністю, отже, можна описати ту саму предметну область більш компактно або громіздко.

Фреймом називають структуру даних для представлення та опису стереотипних об'єктів, подій чи ситуацій. Фреймова модель представлення знаньскладається з двох частин:

• набору фреймів , що становлять бібліотеку всередині знань;
• механізмів їх перетворення, зв'язування і т. д. Існує два типи фреймів:
• зразок (прототип) - інтенсіональний опис деякої множини екземплярів;
• екземпляр (приклад) - екстенсіональне подання фрейм-зразка.

У загальному вигляді кадр може бути представлений наступним кортежем:

<ИФ, (ИС, ЗС, ПП),..., (ИС, ЗС, ПП)>,

де ІФ - ім'я кадру; ІС - ім'я слота; ЗС - значення слота; ПП - ім'я приєднаної процедури (необов'язковий параметр).

Слоти - це деякі незаповнені підструктури кадру, заповнення яких призводить до того, що цей кадр ставиться у відповідність певній ситуації, явищу або об'єкту.

В якості даних кадр може містити звернення до процедур (так звані приєднані процедури). Виділяють два види процедур: процедури-демони та процедури-слуги. Процедури-демони активізуються при кожній спробі додавання або видалення даних з

Термін штучний інтелект (ІІ) є російським перекладом англійського терміну artificalintelligence. Творцем ІІ багато вчених вважають Алана Тьюринга, автора знаменитої машини Тьюринга, яка стала одним із математичних визначень алгоритму. У 1950 році в англійському журналі "Mind" у статті "ComputingMachineryandIntelligence" (у російському перекладі стаття називалася «Чи може машина мислити?») Алан Т'юрінг запропонував критерій, що дозволяє визначити, чи має машина розумовими здібностями. Цей тест полягає в наступному: людина та машина за допомогою записок ведуть діалог, а суддя (людина), перебуваючи в іншому місці, має визначити за записками, кому вони належать, людині чи машині. Якщо йому це не вдається, це означатиме, що машина успішно пройшла тест. Досі не одна машина такого тесту не пройшла.

Немає єдиного і загальноприйнятого визначення ІІ. Не дивно, оскільки немає універсального визначення людського інтелекту.

ІІ – це область інформатики, предметом якої є розробка комп'ютерних систем, що мають можливості, що традиційно пов'язуються зі здібностями природного інтелекту.

До області ІІ прийнято відносити ряд алгоритмів та програмних систем, які можуть вирішувати деякі завдання так, як це робить людина.

Перший крок у дослідженнях з ІІ було зроблено у напрямі вивчення природного інтелекту. При вивченні цього питання було зроблено низку відкриттів у різних галузях знань. Так, у 1962 році Френком Розенблаттом було запропоновано моделі мозку, що імітують біофізичні процеси, які протікають у головному мозку та які були названі персептронами. Персептрони є різного виду мережі зі штучних нейронів, в основі яких лежать моделі, розроблені ще в 1943 році Вільямом Маккалоком і Уолтером Піттсом.

Спочатку вивчення персептронів було пов'язане із завданням розпізнавання образів, однак, в даний час нейронні сітішироко використовуються для вирішення завдань апроксимації, класифікації та розпізнавання образів, прогнозування, ідентифікації та оцінювання, асоціативного управління. Нейронні мережі є низькорівневими моделями мозкової діяльності людини.

Інший напрямок моделювання природного інтелекту пов'язаний із створенням високорівневих моделей діяльності мозку людини, які дозволяють моделювати процеси міркувань та прийняття рішень.

Загалом можна сказати, що вивчення розумної поведінки людини призвело до появи евристичних методів, що моделюють діяльність людини в проблемній ситуації та розробки програмно-апаратних засобів, що реалізують ці методи, тобто до розробки систем штучного інтелекту, званих вирішувачами завдань.

Іншим результатом цих досліджень можна вважати створіння експертнихсистемтобто систем штучного інтелекту, заснованих на знаннях людини-експерта.

Також до специфічних особливостей діяльності людини зазвичай відносять здібності до розпізнавання складних зорових та слухових образів, розуміння природних мов, здатності до навчання, міркувань та логічних висновків. Всі ці особливості стали реалізовуватись у системах штучного інтелекту.

У Радянському союзі ІІ отримав офіційне визнання в 1974 році, коли при президії АН СРСР була створена наукова рада з проблеми «Штучний інтелект», хоча роботи в цьому напрямі велися з 60-х років Веніаміном Пушкіним, Дмитром Олександровичем Поспєловим, Сергієм Масловим, В.А. Ф.Турчин.

Перші позитивні результати були отримані в галузі теорії управління, так як у цій галузі був ряд завдань, для вирішення яких традиційні методи не були придатні через неможливість формалізації мети управління об'єктом та неможливості встановлення точних кількісних залежностей між параметрами, що впливають на процес управління. В результаті проведених робіт з'явились логіко-лінгвістичні моделі,у яких вирішальне значення мають тексти природною мовою. У таких моделях для прийняття рішення при керуванні об'єктами використовується семантична інформація для опису моделі об'єкта, моделі середовища та блоку прийняття рішення.

Моделювання міркувань людини, здійснення логічного висновку за допомогою обчислювальної машини стало можливим завдяки використанню методів пошуку рішень у обчисленні предикатів. Ці методи стали основою загальної теорії дедуктивних систем. При цьому всі «творчі завдання» вирішуються інтелектуальним перебором у чітко окресленій множині – у фіксованій формальній теорії, яка є гілкою математичної логіки та в якій реалізується процес знаходження рішень.

В даний час виділяють такі напрямки розвитку досліджень у галузі штучного інтелекту:

Розробка систем, що базуються на знаннях. Метою цього напряму є імітація здібностей людини у галузі аналізу неструктурованих та слабоструктурованих завдань. У цій галузі досліджень здійснюється розробка моделей представлення, добування та структурування знань, а також вивчаються проблеми створення баз знань(БЗ). До даного класу систем також належать експертні системи(ЕС).

Розробка природно-мовних інтерфейсів та машинний переклад. Дані системи будуються як інтелектуальні системи, оскільки засновані на БЗ у певній предметній галузі та складних моделях, які забезпечують трансляцію «вихідна мова – мова сенсу – мова перекладу». Ці моделі засновані на послідовному аналізі та синтезі природно-мовних повідомлень та асоціативному пошуку аналогічних фрагментів тексту та їх перекладів у спеціальних бази даних(БД).

Генерація та розпізнавання мови. Вирішуються завдання обробки, аналізу та синтезу фонемних текстів.

Обробка візуальної інформації. Вирішуються завдання обробки, аналізу та синтезу зображень. У задачі аналізу вихідні зображення перетворюються на дані іншого типу, наприклад, текстові описи. При синтезі зображень як вхідна інформація використовуються алгоритми побудови зображень, а вихідними даними є графічні об'єкти.

Навчання та самонавчання. Ця область ІІ включає моделі, методи та алгоритми, що реалізують автоматичне накопичення та генерацію знань з використанням процедур аналізу та узагальнення знань. До цього напряму належать системи видобутку даних(Data- mining) та системи пошуку закономірностей у комп'ютерних базах даних (Knowledge Discovery) .

Розпізнавання образів. Розпізнавання образів здійснюється на застосуванні спеціальних математичних моделей, що забезпечують віднесення об'єктів до класів, що описуються сукупностями певних значень ознак.

Ігри та машинна творчість. До цієї галузі належать системи твору комп'ютерної музики, віршів, винаходи нових об'єктів, і навіть інтелектуальні комп'ютерні гри.

Програмне забезпечення систем ІІ. До цієї галузі належать інструментальні засоби розробки інтелектуальних систем, включаючи спеціальні мови програмування, орієнтування на обробку символьної інформації (LISP,SMALLTALK, РЕФАЛ), мови логічного програмування (PROLOG), мови уявлення знань (OPS5,KRL,FRL), інтегрування програмні середовища (KE,ARTS,GURU,G2), а також оболонки експертних систем (BUILD,EMYGIN,EXSYSProfessional, ЕКСПЕРТ).

Нова архітектура комп'ютерів. Цей напрямок пов'язаний із створенням комп'ютерів не фон-нейманівської архітектури, орієнтованих на обробку символьної інформації. Відомі вдалі промислові рішення паралельних та векторних комп'ютерів, проте в даний час вони мають дуже високу вартістьта недостатню сумісність з існуючими обчислювальними засобами.

Інтелектуальні роботи. Нині ця область ІІ розвивається дуже бурхливо. Досягнуто значних успіхів у створенні побутових роботів, роботів, що використовуються в космічних дослідженнях, медичних роботів.