Читать онлайн Основные понятия систем искусственного иттеллекта бесплатно

ВВЕДЕНИЕ

Иску́сственный интелле́кт в самом широком смысле— это интеллект, демонстрируемый компьютерными системами. Это область исследований в области компьютерных наук, которая разрабатывает и изучает методы и программное обеспечение, позволяющие машинам воспринимать окружающую среду и использовать обучение и интеллект для выполнения действий, которые максимально увеличивают их шансы на достижение поставленных целей.

Некоторые из наиболее известных приложений искусственного интеллекта включают в себя передовые поисковые системы (например, Google Search); рекомендательные системы (используемые YouTube, Amazon и Netflix); взаимодействие посредством человеческой речи (например, Google Assistant Siri и Alexa); автономные транспортные средства (например, Waymo); генеративные и творческие инструменты (например, ChatGPT, Apple Intelligence и искусство искусственного интеллекта); а также сверхчеловеческую игру и анализ в стратегических играх (например, шахматы).

В целом, сегодня ИИ всё ещё остаётся относительно новым научным направлением, исследующим важные и пока не решённые фундаментальные проблемы. К ним относятся аспекты сознания, мышления, принятия решений, оптимизации систем, обработки больших данных и «машинного обучения», нечёткой логики и генетических алгоритмов.

Принцип работы ИИ заключается в сочетании большого объема данных с возможностями быстрой, итеративной обработки этих данных интеллектуальными алгоритмами, что позволяет программам автоматически обучаться на базе закономерностей и признаков, содержащихся в данных. При создании систем ИИ в настоящее время разработчики в большинстве своем ориентируются на технологии машинного обучения: компьютерная программа обрабатывает данные и предлагает решение вне зависимости от строго обозначенных схем (алгоритмов). Программа «находит» закономерности, зависимости, формулирует ответы и выдает прогнозы в заданиях с большим набором параметров, что не под силу человеку. Для обработки данных в системах ИИ используются искусственные нейронные сети (ИНС), созданные по подобию биологических нейронных сетей.

Для использования и развития искусственного интеллекта необходимо наличие как минимум трех составляющих:

1. значительные вычислительные мощности,

2. большие объемы данных и знаний,

3.развитые интеллектуальные алгоритмы.

В 21-м веке существенно выросли вычислительные мощности, математиками и программистами разработаны новые эффективные методы и алгоритмы в области ИИ (в, частности, методы «глубокого обучения»). Это в совокупности и обусловило значимый прогресс в области создания современных технологий ИИ и, что является важным, стимулировало правительства многих стран серьезно заняться вопросами поддержки развития ИИ в своих странах.

В России 30 мая 2019 года на совещании по развитию цифровой экономики под председательством В.В. Путина было принято решение о подготовке национальной стратегии по искусственному интеллекту. В этом же году В. В. Путин своим указом утвердил национальную стратегию развития искусственного интеллекта в России до 2030 года.

ГЛАВА 1 ЕСТЕСТВЕННЫЙ ИНТЕЛЛЕКТ И ЕГО КОГНИТИВНЫЕ ФУНКЦИИ

1.1. Мозг как физическая и психологическая основа естественного интеллекта

Интеллект – это набор умений и навыков, которые позволяют людям решать задачи в условиях ограниченности ресурсов. К этим умениям и навыкам относятся:

–способность к обучению,

–абстрактное мышление,

–умение планировать

–а также воображение и творчество.

В конце 1930-х−начале 1950-х гг. проводились исследования в области нейрофизиологии, которые показали, что мозг можно рассматривать как электрическую сеть нейронов, при этом правомерна схема реального нейрона как структурной единицы центральной нервной системы.

Каждая нервная клетка состоит из трех частей: из тела, нескольких ветвистых отростков (дендритов) и протяженного нервного волокна (аксона), длина которого может составлять от нескольких миллиметров до десятков сантиметров, рис.1.1.

Рис.1.1. Упрощенная схема передачи сигнала в биологических нейронах

Нервные клетки взаимодействуют между собой в местах стыка (синапсах), где встречаются аксон пресинаптического нейрона и дендрит постсинаптического нейрона. Дендриты являются входными каналами для нервных импульсов, поступающих через аксоны от других нейронов. Эти импульсы могут либо возбуждать (увеличивать), либо подавлять (уменьшать) мембранный потенциал тела нейрона, который со временем возвращается к своему нормальному значению. Если количество возбуждающих импульсов превышает пороговое значение, то нейрон сам генерирует импульс.

Биологический нейрон в ответ на возбуждение может генерировать нервный импульс, распространяющийся вдоль аксона. Его форма и скорость распространения не зависят от того, как и из-за чего он возник. Доходя до конца аксона, он вызывает выделение веществ, называемых нейромедиаторами. Воздействуя на дендриты других нейронов, они могут в свою очередь вызвать появление в них нервных импульсов. Другими словами, на этом уровне развития когнитивных наук нейрон трактовался как управляемый логический элемент. На сегодняшний день эта модель выглядит крайне упрощенной. Нейрофизиологи выявили множество механизмов управления нейроном, и они действуют в сложной иерархической взаимосвязи. Взаимодействующие между собой посредством передачи возбуждений нейроны формируют нейронные сети. К настоящему времени уже есть основания рассматривать каждый нейрон как отдельный компьютер или даже как компьютерную сеть. Процессы обработки информации в мозгу человека не совпадают с аналогичными процессами в компьютере. Человек получает информацию из внешнего мира от своих пяти органов чувств, которая помещается в буфер кратковременной памяти для анализа, рис.1.2.

Рис.1.2. Схема процесса обработки информации в мозге человека

В другой области памяти (долговременной) хранятся символы и смысловые связи между ними, которые используются для объяснения новой информации, поступающей из кратковременной памяти. Важно подчеркнуть, что в долговременной памяти хранятся не столько факты и данные, сколько объекты и связи между ними т.е. символьные образы. При этом доступ к информации в долговременной памяти осуществляется очень эффективно: практически любой элемент данных может быть извлечен в течение цикла обращения и затем преобразован.

С точки зрения системного подхода именно кора головного мозга представляет собою основное аппаратное средство переработки информации, аналогом которого в компьютере является сочетание центрального процессора и памяти. В последние годы выявлены также другие механизмы регулирования информационных потоков в мозге, не имеющие аналогии в современном компьютере – в том числе механизмы параллельной фильтрации всех сигналов, идущих в мозг, с целью оценки их относительной важности. Очевидно, что это существенно экономит информационные резервы мозга.

Фундаментальным достижением психологии XX века явилось открытие функциональной асимметрии полушарий головного мозга: установлено, что каждое полушарие имеет свою специализацию по выполняемым функциям. Это позволяет рассматривать мир с двух различных точек зрения: с формально-логической (левое полушарие) и пространственно-образной (правое полушарие). Эти позиции– и создает основу для творческой активности.

Человек рождается, имея готовыми к действию только две формы психики − сенсорику (систему органов чувств) и моторику (систему управления двигательной активностью), остальные приобретает в ходе индивидуального развития. При этом все органы чувств готовы полностью, а моторика развивается посредством взаимодействия генетически заданных моторных актов и недифференцированных движений на базе генетически заданных механизмов памяти. Механизмы классификации и структурирования у человека базируются на той картине мира, которая существует у него на текущий момент развития, т.е. новую информацию он воспринимает соответственно тем категориям образов, которые постепенно устанавливаются после рождения. В динамике развития психики человека вначале формируется образная система, а потом понятийно-логическая. Психология достоверно показала, что при восприятии новой информации у человека сначала возникает единый образ – гештальт, а затем происходит его детализация. Базой служат врожденные общие алгоритмы, относящиеся ко всем модальностям и основанные на принципах равновесия и простоты (например, квадрат и круг – эталоны простых форм):

–разделение образа на фигуру и фон;

–заполнение пробелов;

–группировка элементов по разным признакам (близости, сходства, единого направления).

Таким образом, механизмы классификации и структурирования, реализуемые психикой, кардинально отличаются от подхода, принятого в науке, где в первую очередь за счет сходства и различия формируется общая система понятий, а затем она используется для логического вывода. Более привычные сигналы распознаются автоматически, почти тотчас же (это феномен «обыденных сведений» или «здравого смысла», на котором споткнулись ранние ИИ системы). В других случаях, когда информация новая, неполная или неоднозначная, наш мозг действует путем выдвижения гипотез, которые он одну за другой проверяет, чтобы принять ту, которая кажется ему наиболее правдоподобной или наиболее приемлемой.

Запоминание (т.е. формирование долговременной памяти) имеет молекулярные механизмы, и многие из них связаны с процессами, происходящими не между клетками, а внутри клетки, когда сигнал передается от мембраны геному. Формирование памяти проходит как бы две фазы: синтеза белка и экспрессии генов. На первой стадии, сразу после обучения (на стадии кратковременной памяти) активируются так называемые ранние гены. Вслед за этим идет вторая волна активации – после действия продуктов ранних генов на геном (на так называемые поздние гены). Иначе говоря, клетка перестраивает программу своей работы под влиянием ситуации обучения. В результате память человека выражается в проводимости конкретных нейронных синапсов. Интересно, что этот процесс:

–имеет место в отдельных нейронах, которые можно идентифицировать;

–не является одномоментным, а продолжается в течение 5–20 минут; если в это время человеку дается новая задача, которую он должен запомнить, то эта новая задача мешает запоминанию старой информации;

–идентичен при развитии мозга в детском состоянии и при обучении взрослых.

Таким образом, каждый акт познания (т.е. каждое решение отдельной задачи) для человека – это маленький эпизод морфогенеза и следующего развития. Это, а не скорость операций, обеспечивает мозгу способность к генерации новых решений в динамически меняющейся среде. Сформированная (консолидированная) память стабильно хранится в сетях дифференцировавшихся нейронов (до сотни миллионов нейронов). Но в момент извлечения старой памяти активируются молекулярные механизмы, похожие на те, которые активируются в момент запоминания, т.е. происходит своего рода перезапись. Большой экспериментальный материал показывает, что емкость и длительность долговременной памяти в принципе безграничны. Однако большей ее частью человек в обычных для себя условиях воспользоваться не может, так как не имеет к ней доступа. В памяти человека механизма произвольной адресации нет, а основой адресации является контекст. Другими словами, информация всегда воспроизводится на основе той структуры, в составе которой она запоминалась. Таким образом, память – только одна из характеристик работы больших систем нервных клеток, это искусственно выделенный аспект работы мозга. Нет такого «куска» мозга, который бы занимался только памятью (как жесткий диск в компьютере). То же самое касается сознания. Сознание – это не след, а процесс, который современная нейробиология также может визуализировать с высокой детальностью – до уровня отслеживания активности отдельной нервной клетки во время отдельного поведенческого акта.

С позиций психологии мышление – это психологический процесс с открытием нового (возможно, субъективно, то есть только для мыслящего) знания и решение проблем на основе переработки полученной информации. Современная психология сформировала модель мышления, основанную на асимметрии полушарий мозга. В процессе мышления участвуют оба полушария. В каждый момент времени обработка информации происходит только в одном полушарии. При доминировании левого полушария у человека результаты его деятельности могут быть выражены вербально (в словах) и осознаны. При доминировании правого полушария результаты не вербализуются и не осознаются. Переходы из левого в правое полушарие и обратно происходят скачком, при этом только при переходе из правого (образного) в левое (вербальное) возникает ощущение внезапности полученного решения. В этом случае мы считаем, что решение найдено интуитивно или путем «инсайта». Другими словами, механизм интуиции связан с накоплением и обработкой информации в одном полушарии до момента достижения некоторого порога, при котором полуфабрикат решения скачком передается в другое полушарие для реализации, завершения или осознания.

ГЛАВА 2. ПОНЯТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Искусственный интеллект (ИИ) – это способность вычислительных систем выполнять задачи, обычно связанные с человеческим интеллектом, такие как обучение, рассуждение, решение проблем, восприятие и принятие решений. ИИ использует алгоритмы, которые позволяют компьютеру обрабатывать большие объёмы данных и находить в них закономерности. На основе этих закономерностей он может делать выводы, предсказывать события или принимать решения.

Искусственным интеллектом называют комплекс программ, разработанных с целью воспроизведения навыков, присущих человеку. Это способность заниматься решением проблем, планированием, пополнять запас своих знаний, улучшать подход к выполнению поставленных задач в ходе работы над ними.

Искусственный интеллект – это искусственная система, имитирующая интеллектуальную деятельность человека. Основополагающей работой, заложившей фундамент для создания искусственных моделей нейронов и нейронных сетей, явилась работа Уоррена С. Мак-Каллока и Вальтера Питтса "Логическое исчисление идей, относящихся к нервной активности", опубликованная в 1943 г., в которой была предложена модель формального нейрона.

Имитация интеллектуальной деятельности человека может быть осуществлена разными способами. В связи с этим назовем три основных направления исследований в искусственном интеллекте: эвристическое (или информационное), бионическое и эволюционное.

Эвристическое, или информационное, направление исследований в искусственном интеллекте включает специалистов, занимающихся созданием машинных способов решения интеллектуальных задач, а также созданием программ для вычислительных машин, решающих такие задачи. При этом как будут устроены подобные программы, насколько близки или далеки будут те способы, которыми они достигают поставленной цели по сравнению с человеческими способами, абсолютно не имеет никакого значения. Главное – конечный результат, его совпадение с результатом, получаемым человеком при решении той же задачи.

Бионическое направление исследований в искусственном интеллекте изучает процессы, протекающие в мозгу человека, когда он решает задачи. Программы для вычислительной машины создаются для имитации процессов получения результатов решения у человека и для изучения этих процессов. Ученые, работающие в бионическом направлении, пытаются воссоздать техническими средствами сам объект, в котором бы протекали процессы, схожие с психическими процессами, проявляющимися у человека во время решения задач. Такие исследователи специально конструируют сети искусственных нейронов и другие аналоги, присущие нервной системе человека.

Эволюционное моделирование- направление в искусственном интеллекте, в основе которого лежат принципы и понятийный аппарат, заимствованные из эволюционной биологии и популяционной генетики и объединяющие компьютерные методы (генетические алгоритмы, генетическое программирование, эволюционное программирование и эволюционные стратегии) моделирования эволюционных процессов в искусственных системах.

Эволюционное программирование– это метод оптимизации, основанный на моделировании процесса биологической эволюции. Здесь основной упор делается на связь между родительскими особями и их потомками, а изменения происходят только путем мутаций, без скрещивания. Каждое решение характеризуется набором параметров и способностью к изменению. Процесс оптимизации происходит путем последовательного создания новых поколений решений, где каждое следующее поколение создается на основе лучших представителей предыдущего.

Развитие систем искусственного интеллекта продолжается стремительными темпами, меняя окружающую действительность на наших глазах. Мы уже увидели умные беспилотные автомобили, чипы с ИИ, мощные онлайн-инфраструктуры Azure-Microsoft на базе искусственного интеллекта и множество других блестящих изобретений.

Система искусственного интеллекта принимает входные данные в виде речи, текста, изображения, а затем обрабатывает их, применяя различные правила и алгоритмы. После обработки система выдает результат, т. е. успех или неудачу, при вводе данных. Затем результат оценивается посредством анализа, открытия и обратной связи. Наконец, система использует свои оценки для корректировки входных данных, правил и алгоритмов, а также целевых результатов. Этот цикл продолжается до тех пор, пока не будет достигнут желаемый результат.

Когнитивные вычисления направлены на воссоздание мыслительного процесса человека в компьютерной модели. Технология стремится имитировать логику работы человеческого сознания и улучшить взаимодействие между людьми и машинами. Это происходит, например, через распознавание ИИ человеческого языка и значения изображений для последующего самообучения. Реализовать систему когнитивных вычислений сегодня возможно только в таких сложных машинах, как суперкомпьютер IBM Watson.

В целом искусственный интеллект представляет собой набор моделей и методов, который способен на основе полученной информации сделать те или иные выводы. Общая характеристика для всех моделей – способность извлечь знания из набора данных. Что-то вроде вычисление значения функции с миллионами и миллиардами переменных. Кроме того, ИИ— это наука на стыке математики, биологии, психологии, кибернетики и ещё кучи всего. Она изучает технологии, которые позволяют человеку писать «интеллектуальные» программы и учить компьютеры решать задачи самостоятельно. Главная задача ИИ— понять, как устроен человеческий интеллект, и смоделировать его.

Главными теоретическими проблемами были и остаются следующие проблемы. Центральная проблема искусственного интеллекта – это проблема представления знаний в компьютере. Здесь немаловажным является вопрос: «Чтό такое знание?» Следующий вопрос: «Кáк представлять знания?» – возникает сразу, если мы собираемся использовать их с применением компьютера.

Решение проблемы представления знаний опирается на исследования в области компьютерной лингвистики и в области компьютерной логики. Компьютерная лингвистика лежит в основе естественно-языкового общения с компьютером и автоматического перевода, а компьютерная логика служит для формализации всего богатства человеческих рассуждений.

Другая главная проблема искусственного интеллекта – это проблема выявления и исследования интеллектуальных мета процедур человека. Сложность этой проблемы обусловлена специфичностью устройства человеческого мозга, его полушарной асимметрией. Дело в том, что наш мозг состоит из двух полушарий, левого и правого. Левое полушарие строго логично, рационально. Мета процедуры, характерные для него, могут быть описаны словесно, они могут быть формализованы в четкие алгоритмы, реализуемые на современных компьютерах с архитектурой Неймана-Тьюринга. Правое полушарие имеет дело (можно сказать «мыслит») чувственными образами. Интуитивные рассуждения, озарения, вещие сны и т. п. являются, по-видимому, результатом работы именно правого полушария

По прогнозам ученых, дальнейшее развитие исследований в искусственном интеллекте приведет: – к смене парадигмы (модели) ЗНАНИЯ + ВЫВОД парадигмой ЗНАНИЕ + ОБОСНОВАНИЕ. Это позволит в интеллектуальных системах использовать:

–методы обоснования и аргументы;

–современные языки программирования, ориентированные на вывод одних знаний из других;

–совершенствовать инструментальные средства искусственного интеллекта, в частности, языков программирования, ориентированных на обоснование;

– модернизацию архитектуры вычислительных машин пятого и последующих поколений, сейчас модернизация идет в 4-х направлениях: гигантские суперкомпьютеры; нейробионическое направление (сотни тысяч процессоров с программируемой конфигурацией); территориально удаленные компьютеры и базы с высокоскоростными каналами связи;

–специальные процессоры для обработки зрительных образов и знаний и для проведения рассуждений автономно, т. е. без помощи человека;

–появление методов распараллеливания решения задач на уровне архитектурных решений о структуре компьютера и на логически-теоретическом уровне;

–появление новых моделей представления знаний, позволяющих проводить обработку интегрированной информации (символической, текстовой, зрительной, акустической, тактильной;

–синтез разнотипных экспертных систем, которые будут использоваться совместно для выработки решений, т. е. как консилиум экспертных систем разного типа

Любая программная система, создаваемая в рамках искусственного интеллекта, всегда ориентирована на использование знаний. Знания, выраженные на естественном языке, черпаются из книг, статей и других источников и в том виде, в котором содержатся в этих источниках, не могут быть использованы для обработки на компьютере. Требуется выбрать подходящий способ их формализации (представления) для получения возможности обработки знаний на вычислительных машинах. Сама обработка знаний на компьютере заключается в получении по определенным правилам вывода других знаний на основе имеющихся.

Первичными базовыми понятиями искусственного интеллекта являются понятия знание, представление знаний и вывод. Знаниями принято называть хранимую (в компьютере) информацию, формализованную в соответствии с определенными структурными правилами, которую компьютер может автономно использовать при решении проблем по таким алгоритмам, как логические выводы. Знания можно разделить на факты (фактические знания), правила (знания для принятия решений) и метазнания (знания о знаниях).

Для того чтобы манипулировать всевозможными знаниями о реальном мире с помощью компьютера, необходимо сначала представить их в виде, пригодном для использования на компьютере.

С помощью ИИ автоматизируют работу, повышают эффективность и решают сложные задачи в разных областях.

Искусственный интеллект может помочь человеку в следующем.

1.Автоматизировать рутинные процессы. ИИ экономит время и ресурсы человека. Например, чат-боты в службах поддержки заменяют операторов – они обрабатывают стандартные запросы.

2.Обрабатывать большие данные. ИИ способен анализировать огромные объемы информации и находить закономерности, которые трудно обнаружить человеку. Например, в маркетинге ИИ анализирует поведение пользователей и предлагает персонализированные рекомендации.

3.Улучшать точность и скорость. ИИ используют там, где нужны высокая точность и скорость принятия решений. В медицине системы на базе искусственного интеллекта помогают диагностировать заболевания – они изучают снимки и результаты анализов.

4.Повышать удобство и качество жизни. ИИ внедряют в бытовую технику, транспорт, приложения и устройства. Это делает их более умными и удобными. Например, умные дома с голосовыми ассистентами управляют освещением, температурой и безопасностью.

5.Развивать инновации. ИИ открывает новые возможности в науке, технике и других областях. Например, с его помощью быстрее разрабатывают новые лекарства.

6.Оптимизировать производства. Роботы на производственных линиях повышают производительность и снижают затраты.

В основе искусственного интеллекта – набор базовых принципов, которые определяют, как системы ИИ создают, обучают и используют.

Технические принципы:

1.ИИ обучают с помощью данных. Он анализирует их и выявляет закономерности. Чем больше данных и чем они качественнее, тем точнее и эффективнее система. Например, чат-бот можно обучить на основе истории взаимодействия с пользователями.

2.Для обучения используют математические модели и алгоритмы – машинное обучение, нейронные сети и методы глубокого обучения. Так ИИ может, например, научиться распознавать объекты на изображениях.

3.ИИ способен адаптироваться к изменениям в данных и среде и улучшать свои прогнозы и решения со временем. Например, рекомендательные системы – Netflix или YouTube – предлагают всё более релевантные фильмы и видео.

4.ИИ может функционировать без постоянного вмешательства человека – принимать решения на основе данных и заданных правил. Например, автономные автомобили самостоятельно определяют маршрут и избегают препятствий.

Принципы работы искусственного интеллекта включают в себя машинное обучение, нейронные сети и обработку естественного языка, что делает эту технологию все более востребованной и эффективной в различных сферах деятельности.

Одним из основных принципов работы искусственного интеллекта является машинное обучение. Этот процесс позволяет программам и системам самостоятельно учиться на основе опыта и данных, что делает их все более эффективными и точными в выполнении задач.

Другим важным принципом является нейронные сети, которые представляют собой модель обработки информации по принципу работы человеческого мозга. Нейронные сети позволяют искусственному интеллекту анализировать данные, выявлять закономерности и делать предсказания на основе полученных знаний.

Нейросети – это один из подходов к созданию ИИ, который вдохновлён системой нейронов в мозге. Вместо того чтобы писать сложные алгоритмы для решения задач, нейросети обучаются на основе большого количества данных и находят в них закономерности. Чтобы работать с нейросетями, не нужно быть учёным. Например, можно освоить профессию инженера машинного обучения. Он работает с данными и создаёт на их основе алгоритмы машинного обучения, которые помогают решать прикладные задачи.

ИИ можно разделить на несколько подкатегорий, таких как машинное обучение, глубокое обучение, обработка естественного языка (NLP) и компьютерное зрение. Машинное обучение включает в себя создание алгоритмов, которые могут обучаться на данных и делать прогнозы или принимать решения без явного программирования. Глубокое обучение, в свою очередь, является подкатегорией машинного обучения и использует нейронные сети для анализа данных и принятия решений.

Обработка естественного языка (NLP) занимается взаимодействием между компьютерами и человеческим языком, что позволяет системам ИИ понимать, интерпретировать и генерировать человеческий язык. Компьютерное зрение, с другой стороны, фокусируется на анализе и интерпретации визуальной информации из окружающего мира.

Базовые направления в рамках искусственного интеллекта и их соотношения представлены на рис. 2.1

Рис.2.1 Соотношение базовых направлений в рамках искусственного интеллекта

Еще одним ключевым принципом является обработка естественного языка. С помощью алгоритмов искусственного интеллекта системы могут понимать и обрабатывать человеческую речь, а также генерировать тексты и отвечать на вопросы, что является важным в различных областях, включая бизнес. Система искусственного интеллекта принимает входные данные в виде речи, текста, изображения, а затем обрабатывает их, применяя различные правила и алгоритмы. После обработки система выдает результат, т. е. успех или неудачу, при вводе данных. Затем результат оценивается посредством анализа, открытия и обратной связи. Наконец, система использует свои оценки для корректировки входных данных, правил и алгоритмов, а также целевых результатов. Этот цикл продолжается до тех пор, пока не будет достигнут желаемый результат.

Когнитивные вычисления направлены на воссоздание мыслительного процесса человека в компьютерной модели. Технология стремится имитировать логику работы человеческого сознания и улучшить взаимодействие между людьми и машинами. Это происходит, например, через распознавание ИИ человеческого языка и значения изображений для последующего самообучения. Реализовать систему когнитивных вычислений сегодня возможно только в таких сложных машинах, как суперкомпьютер IBM Watson.

ГЛАВА 3. КЛАССИФИКАЦИЯ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В настоящее время практические работы в области искусственного интеллекта ведутся, в основном, по двум направлениям, рис.3.1:

1. бионическое (нейрокибернетика) – попытки смоделировать с помощью искусственных систем психофизиологическую деятельность человеческого мозга с целью создания искусственного разума;

2. прагматическое (кибернетика черного ящика) – создание программ, позволяющих с использованием ЭВМ воспроизводить не саму мыслительную деятельность, а являющиеся ее результатами процессы. Здесь достигнуты важнейшие результаты, имеющие практическую ценность.

Рис.3.1. Направления исследований в области искусственного интеллекта

3.1. Бионическое направление

Ученые, работающие в бионическом направлении, пытаются воссоздать техническими средствами сам объект, в котором бы протекали процессы, схожие с психическими процессами, проявляющимися у человека во время решения задач. Такие исследователи специально конструируют сети искусственных нейронов и другие аналоги, присущие нервной системе человека. Нейронные модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования:

–первая—понять функционирование нервной системы человека на уровне физиологии и психологии,

–вторая—создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.

Еще в 1949 г. была создана модель человеческого обучения – модель Д. Хэбба. Он предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. В пятидесятые и шестидесятые годы группа исследователей создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования.

Широкий интерес научной общественности к нейросетям начался в начале восмидесятых годов после теоретических работ физика Хопфилда. Он и его последователи обогатили теорию параллельных вычислений многими идеями: коллективное взаимодействие нейронов. Практическое применение нейросетей началось после публикации Румельхартом метода обучения многослойного персептрона. Удельная стоимость современных нейровычислений на порядок ниже, чему традиционных компьютеров, а быстродействие – в сотни раз выше. Системы нейронной обработки можно классифицировать следующим образом, рис.3.2.

Рис. 3.2. Классификация систем нейронной обработки.

Реально нейрокомпьютеры используются в специализированных системах, где требуется обучать и постоянно переобучать сотни нейросетей, объединенные в единые информационные комплексы, или в системах реального времени, где скорость обработки данных критична (например, при обработке экспериментов на современных ускорителях элементарных частиц используют нейрокомпьютер CNAPS с производительностью 10

и каждый процессор состоит из 512 нейронов).

Доступность и возросшие вычислительные возможности современных компьютеров привели к широкому распространению программ, использующих принципы нейросетевой обработки данных, Этот подход не использует параллелизм, но ориентируется исключительно на способность нейросетей решать неформализованные задачи и реализуется нейроэмуляторами.

Сторонники нейробионики моделируют искусственным образом процессы, происходящие в мозгу человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента – аналога нейрона.

Нейроподобные сети в последнее время являются одним из самых перспективных направлений в области искусственного интеллекта и постепенно входят в бытность людей в широком спектре деятельности и подразделяются на несколько групп.

Сети первой группы, такие, как сети обратного распространения ошибки, сети Хопфилда и др., используются для распознавания образов, анализа и синтеза речи, перевода с одного языка на другой и прогнозирования.

Сети второй группы используются как системы управления в реальном времени несложных объектов. Это управление популярными в последнее время интеллектуальными агентами, исполняющими роль виртуальных секретарей. Особенностями данной группы является появление некоторых внутренних стимулов, возможность к самообучению и функционированию в реальном времени.

Сети третьей группы, являющиеся дальнейшим развитием предыдущих, представляют собой уже нейроподобные системы, и нацелены они на создание экзотических в настоящее время виртуальных личностей, информационных копий человека, средой обитания которых является глобальная сеть Интернет.

К бионическому направлению относятся исследования и разработки эволюционных и генетических алгоритмов, а также роевого интеллекта.

Класс эволюционных алгоритмов представляет собой исследования, в которых изучаются и моделируются процессы естественного и искусственного отбора. Все эволюционные алгоритмы моделируют базовые эволюционные процессы в природе – наследование, мутации и отбор.

В применении к технологиям искусственного интеллекта работа эволюционных алгоритмов всегда связана с взаимодействием искусственной интеллектуальной системы с какой-либо средой, а опосредованно через неё, возможно, и с другими интеллектуальными системами (как искусственными, так и естественными). В эволюционной стратегии осуществляется поиск целевого вектора, который наилучшим образом подходит под решение задачи. И компонентами этого вектора являются только действительные числа.

Для поиска решения осуществляются скрещивание особей и мутации. Далее применяется функция отбора, которая принимает на вход всю когорту – и родительские особи, и множество их потомков. Отбор осуществляется детерминированным образом – оставляются самые лучшие особи, причём без повторений.

Операция мутации может быть произвольной над действительными числами, но обычно используется простое добавление нормально распределённого случайного числа к компонентам векторов. Важным дополнением эволюционной стратегии является то, что в процессе эволюции параметры нормального распределения добавляемой в рамках мутации случайной величины адаптируются под поиск решения задачи.

Генетический алгоритм позволяет найти оптимальное или субоптимальное решение задачи с требуемой точностью в тех случаях, когда существует возможность представить входные данные в виде вектора значений, а критерий останова выразить в виде предиката, возвращающего истину на тех входных параметрах, которые достаточны для решения. Предикат зависит от так называемой фитнес-функции, которая возвращает степень соответствия входного вектора целевому значению. Ну и, само собой разумеется, искомое значение должно существовать, иначе алгоритм никогда не остановится.

При помощи генетического алгоритма можно отобрать подходящее значение в пространстве поиска. Генетический алгоритм состоит из следующих шагов: генерация начальной популяции, цикличный процесс рождения новых поколений и отбора, остановка и возвращение результатов поиска.

На этапе генерации начальной популяции необходимо подготовить некоторое количество «начальных» значений в пространстве поиска, с которых алгоритм начнёт свою работу. Начать можно с произвольных значений, но если такие значения будут как можно более близки к целевому, то алгоритм отработает намного быстрее.

Далее – запуск цикличного процесса рождения новых поколений и отбора. Фактически, это и есть сам генетический алгоритм, который раз за разом запускает процесс порождения новых поколений, изучения новых особей и отбора наиболее интересных.

Роевой интеллект (РИ). Рассматривается в теории искусственного интеллекта как метод оптимизации. Понятие роевого интеллекта все теснее переплетается с алгоритмами обработки и оптимизации больших количеств и потоков информации. Ещё давным-давно люди стали интересоваться так называемым “роевым поведением” – каким образом птицы летят на юг огромными косяками, не сбиваясь с курса. Как огромные колонии муравьёв работают так слаженно и возводят структуры, по сложности не уступающие современным мегаполисам. Как пчёлы могут так точно определять и добывать в необходимом для всей колонии питание. Все эти большие группы животных/насекомых можно объединить одним общим словом – рой. Благо, человечество не стоит на месте и, развиваясь, люди стали изобретать компьютеры, при помощи которых инженеры стали моделировать “роевой интеллект”– попытки сделать роботизированные, автоматические и автоматизированные рои. Хоть далеко не все попытки были успешными, но, тем не менее, они положили начало созданию РИ, заложив к его основанию некоторые фундаментальные правила. Одним из них является тот факт, что для роевого интеллекта необходимо большое (достаточно) количество агентов, способных взаимодействовать между собой и окружающей их средой локально. Наблюдая за различными естественными примерами роёв, человечество придумало различные модели РИ, чьё поведение основывалось на различных путях взаимодействия с окружающей средой и между собой. У данного метода есть три основные теории, которые описывают его функционирование и взаимодействие между элементами: – теория отрицательного отбора; – теория иммунной сети; – теория клональной селекции.

Метод роя частиц (МРЧ) является методом численной оптимизации, поддерживающий общее количество возможных решений, которые называются частицами или агентами, и перемещая их в пространстве к наилучшему найденному в этом пространстве решению, всё время находящемуся в изменении из-за нахождения агентами более выгодных решений. Классическая компьютерная модель МРЧ была создана лишь в 1995 году Расселом Эберхартом и Джеймсом Кеннеди. Их модель отличается тем, что частицы-агенты роя, помимо подчинения неким правилам обмениваются информацией друг с другом, а текущее состояние каждой частицы характеризуется местоположением частицы в пространстве решений и скоростью перемещения. Если проводить аналогию со стаей, то можно сказать, что все агенты алгоритма (частицы), в стае они могут быть птицами или рыбами, ставят для себя три довольно простых задачи:

– все агенты должны избегать пересечения с окружающими их агентам;

–каждая частица должна корректировать свою скорость в соответствии со скоростями окружающих её частиц;

–каждый агент должен стараться сохранять достаточно малое расстояние между собой и окружающими его агентами.

Алгоритм роя частиц – итеративный процесс, постоянно находящийся в изменении. Так же все частицы знают местоположение наилучшего результата поиска во всём рое и с каждой итерацией агенты корректируют вектора своих скоростей и их направления, стараясь приблизиться к наилучшей точке роя и при этом быть поближе к своему индивидуальному максимуму. При этом постоянно происходит расчёт искомой функции и поиск наилучшего значения. Концепцию данного алгоритма описывает формула, согласно которой корректируется модуль и направление скорости агентов.

v⍵v+rnd()(Pbest-x)c1+rnd()(gbest-x)c2,

где: ⍵ – коэффициент инерции, определяющий баланс между тем, насколько широко будет “заходить” в исследовании агент и тем, насколько сильно агент будет желать остаться рядом с найденными ранее оптимальными решениями;

–Pbest – координаты наилучшей найденной агентом точкой; -gbest – координаты наилучшей роевой точки; x – текущие координаты точки;

–rnd() – случайный коэффициент, принимающий значение от 0 до 1; c1, c2 – постоянные ускорения.

Изначально этот алгоритм применялся для исследований социального психолога, Кеннеди, но самое большое распространение этот алгоритм смог получить при решениях задач оптимизации различных нелинейно-многомерных уравнениях. Этот алгоритм в современном мире применяется в машинном обучении, для решений задач оптимизации и в различных точных и экспериментальных науках, таких как биоинженерия и т. д.

3.2. Информационное (прагматическое) направление

Сторонники информационного направления убеждены, что «важнее всего результат», т. е. хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов.

Информационное направление разделяется на три составляющие.

1.Эвристическое программирование – это разработка оригинальных методов, алгоритмов решения задач, подобных человеческим, а в некоторых случаях даже и лучших. Под эвристикой понимается правило, стратегия, метод или прием, используемые для повышения эффективности системы, которая пытается найти решения сложных задач. Эвристическая программа – это программа для компьютера, использующая эвристики.

Разработка машинных эвристических программ идет по двум основным направлениям:

а) создаются специализированные программы для решения относительно узких классов задач с использованием особенностей этих же классов;

б) программы второго направления претендуют на универсальное замещение человеческого интеллекта. Они чаще всего отождествляются с моделями мыслительного процесса.

Эвристические программы могут играть в шахматы, шашки, карточные игры, находить ответы на вопросы, находить решения из области математических исчислений; доказывать теоремы в математической логике и геометрии; способны обучаться на основе своего опыта; решать различные классы задач. Здесь исследователь воспроизводит в компьютере методы, используемые людьми, т.к. интеллект человека выше интеллекта компьютера. Структура программ решения интеллектуальных задач, предложенная Д. А. Поспеловым, представлена на рис. 3.3.

Рис. 3.3. Программы решения интеллектуальных задач

2.Системы, основанные на знаниях. Это направление в искусственном интеллекте образует его фундамент. Именно здесь создается теория данного научного направления, решаются основные проблемы, связанные с центральным объектом изучения искусственного интеллекта.

Структура знаний систем, основанных на знаниях, рис.3.4.

Рис. 3.4. Системы, основанные на знаниях.

Всякая предметная (проблемная) область деятельности может быть описана в виде некоторой совокупности сведений о структуре этой области, основных ее характеристиках, процессах, протекающих в ней, а также о способах решения возникающих в ней задач. При использовании интеллектуальных систем для решения задач в данной предметной области необходимо собрать о ней сведения и создать концептуальную модель этой области. Источниками знаний могут быть документы, статьи, книги, фотографии, киносъемка и многое другое. Из этих источников надо извлечь содержащиеся в них знания. Этот процесс может оказаться достаточно трудным, ибо надо заранее оценить важность тех или иных знаний для работы интеллектуальной системы.

В области извлечения знаний можно выделить два основных направления: формализация качественных знаний и интеграция знаний. Первое направление связано с созданием разнообразных методов, позволяющих переходить от знаний, выраженных в текстовой форме, к их аналогам, пригодным для ввода в память интеллектуальной системы. В связи с этой проблемой развивались не только традиционные методы обработки экспериментальных данных, но и совершенно новое направление, получившее название нечеткой математики.

Нечеткая математика и ее методы оказали существенное влияние на многие области искусственного интеллекта и, в частности, на весь комплекс проблем, связанных с представлением и переработкой качественной информации.

Когда инженер по знаниям получает знания из различных источников, он должен интегрировать их в некоторую взаимосвязанную и непротиворечивую систему знаний о предметной области. Знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно. Значительная часть профессионального опыта остается вне этих источников, в головах профессионалов, не могущих словесно их выразить. Такие знания часто называют профессиональным умением или интуицией. Для того, чтобы приобрести такие знания, нужны специальные приемы и методы. Они используются в инструментальных системах по приобретению знаний, создание которых – одна из современных задач инженерии знаний.

Следующая большая проблема, изучаемая в искусственном интеллекте, – это представление знаний в памяти системы. Для этого разрабатываются разнообразные модели представления знаний. В настоящее время в интеллектуальных системах используются четыре основные модели знаний. Первая модель, возможно, наиболее близка к тому, как представляются знания в текстах на естественном языке. В ее основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек вида: (a R b), где a и b два объекта или понятия, а R – двоичное отношение между ними. Такая модель графически может представляться в виде сети, в которой вершинам соответствуют объекты или понятия, а дугам – отношения между ними. Дуги помечены именами соответствующих отношений. Такая модель носит название семантической сети.

3. Интеллектуальное программирование. Трудоемкость разработки интеллектуальных приложений зависит от использованного языка, инструментальных систем, парадигмы программирования, средств разработки ИИС и приобретения знаний, систем когнитивной графики, рис.3.5.

Рис. 3.5. Инструментальные средства интеллектуальных систем.

Особняком стоят языки для представления знаний. Это языки, ориентированные на фреймы KL-1, KRL, FRL или язык ПИЛОТ, ориентированный на модель знаний в виде продукций

Системы когнитивной графики одно из направлений в интеллектуальном программировании. Одна из центральных идей искусственного интеллекта – это идея о том, что суть самого феномена интеллекта состоит в совместной работе двух систем переработки информации: зрительной, создающей образную картину мира, и символической, способной к абстрактному мышлению, к оперированию с понятиями, интегрирующими образы внешнего мира.

Возможность перехода от зрительной картины к ее текстовому (символическому) описанию и от текста к некоторой зрительной картине, составляет, по-видимому, основу того, что называется мышлением. Мы пока еще точно не знаем о том, как хранятся зрительные образы в памяти человека, как они обрабатываются, как они соотносятся с текстами, им соответствующими. Когнитивная графика и занимается приемами соотнесения текстов и зрительных картин через общее представление знаний, интегрирующих текстовые и зрительные образы. Примерами являются программы оживления картин, но не на основе жестких процедур, а в соответствии с некоторыми текстами на ограниченном естественном языке.

Если интерактивная компьютерная графика (ИКГ) реализует две связанные между собой функции: иллюстративную и когнитивную, то одновременный вывод ИКГ-изображений в разные окна дисплея создает у пользователя синтетический полиоконный ИКГ-образ. Иллюстративная функция обеспечивает визуальную адекватность графического образа оригиналу, т. е. визуальную «узнаваемость» оригинала. Когнитивная функция позволяет (при определенных условиях) изображать в наглядной графической форме внутреннее содержание оригинала. Функциональное содержание ИКГ представлено на рис. 3.6.

Рис. 3.6. Функциональное содержание ИКГ.

Эвристические программы повышают "интеллектуальный уровень" машины. Однако программы создания системы "общего интеллекта", т. е. универсальной эвристической программы, не существует. Трудности и неудачи в решении данного вопроса в значительной степени связаны со следующим.

1.Не учитываются в полном объеме реальные гносеологические характеристики человеческого интеллекта, приоритет отдается только выбору. Методы гносеологии включают в себя анализ, сравнение, эксперимент, наблюдение и другие инструменты, которые помогают нам получить достоверные знания.

2.Символы в эвристических программах не имеют интерпретации, отсутствует и содержательно обусловленный выбор. Поэтому в памяти ЭВМ не представлены ни сложная внутренняя структура образа, ни сеть его отношений с другими образами.

3.Вновь поступающая информация не влияет на базу данных, вследствие чего она не используется в решении задачи.

4.Семантика, вложенная в машину, не многоярусная: формальные аналоги категорий не имеют аналогов чувственных образов;

5.Данные, вносимые сегодня в ЭВМ, не имеют базы "целей". В результате этого в совокупные ее функции не включены элементы целеполагания собственно информационных и деятельностных аспектов функционирования интеллектуальных систем.

ГЛАВА 4

. ТИПЫ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта можно условно разделить на две большие категории: ИИ на основе возможностей и ИИ на основе функциональности. Каждая из этих разновидностей, в свою очередь, делится на более специализированные подкатегории, рис. 4.1.

Рис. 4.1. Типы искусственного интеллекта

1. ИИ на основе возможностей.

а). Узкий ИИ. Узкий или слабый искусственный интеллект (Narrow AI, NAI или Artificial Narrow Intelligence, ANI) – это узко специализированный ИИ, обученный выполнять конкретную задачу. Слабый ИИ работает в рамках ограниченного и заранее определенного набора параметров, ограничений и контекстов. Примерами использования NAI могут служить пользовательские рекомендации по видео/аудио контенту в популярных онлайн-кинотеатрах или соцсетях, предложения о покупке на сайтах электронной коммерции, автономные автомобили, а также системы распознавания речи и изображений и промышленные роботы и виртуальные персональные помощники, такие как Siri от Apple.

б). Общий ИИ. Общий или сильный искусственный интеллект (General AI, GAI или Artificial General Intelligence, AGI) – версия ИИ, которая выполняет любую интеллектуальную задачу с человеческой эффективностью. Целью общего ИИ является разработка системы, способной думать самостоятельно, как это делают люди. В настоящее время общий ИИ все еще находится в стадии исследования, и предпринимаются усилия по разработке машин с расширенными когнитивными способностями. Общий искусственный интеллект, описывает программирование, которое может воспроизвести когнитивные способности человеческого мозга. При столкновении с незнакомой задачей сильная система ИИ может использовать нечеткую логику для применения знаний из одной области к другой и автономного поиска решения задачи.

в) Супер-ИИ. Искусственный суперинтеллект (Super AI, SAI) – это версия ИИ, которая превосходит людской интеллект и может выполнять любую задачу лучше, чем человек. Возможности машины с супер-ИИ включают следующие виды самостоятельной деятельности: мышление, аргументация, решение головоломок, вынесение суждений, обучение, общение. Сегодня это гипотетическая концепция, но она представляет собой будущее ИИ.

2. ИИ на основе функциональности.

а). Реактивные машины. Реактивные машины – базовая разновидность ИИ, представители которой не хранят прошлый опыт или воспоминания для будущих действий. Такие системы фокусируются на текущих сценариях и реагируют на них, основываясь на наилучших возможных действиях. Популярные примеры реактивных машин включают шахматный суперкомпьютер Deep Blue от IBM и программа для игры в Го AlphaGo от Google. Эти системы ИИ не имеют памяти и зависят от конкретной задачи, но поскольку у него нет памяти, он не может использовать прошлый опыт для обоснования будущих решений. Хорошо подходит для простых задач классификации и распознавания образов. Отлично подходит для сценариев, в которых известны все параметры: может превзойти людей, потому что он может выполнять вычисления намного быстрее. Не способен работать со сценариями, включающими несовершенную информацию или требующими исторического понимания.

б). Машины с ограниченной памятью. Машины с ограниченной памятью могут хранить и использовать прошлый опыт или данные в течение короткого периода времени. У этих систем ИИ есть память, поэтому они могут использовать прошлый опыт для обоснования будущих решений. Например, беспилотный автомобиль может хранить информацию о скорости транспортных средств поблизости, их соответствующих расстояниях, ограничениях скорости и другую важную информацию для навигации в пробках.

в). ИИ с теорией разума. Теория разума или теория сознания относится к типу ИИ, который может понимать человеческие эмоции и убеждения и способен к социальному взаимодействию по человеческому подобию. Этот вид искусственного интеллекта еще не разработан и существует только в концепции. Теория сознания – это психологический термин. Применительно к ИИ это означает, что система должна обладать социальным интеллектом, чтобы понимать эмоции. Этот тип ИИ сможет делать выводы о человеческих намерениях и предсказывать поведение, что является необходимым навыком для систем ИИ, чтобы стать неотъемлемыми членами команд, состоящих из людей. Способен понимать человеческие мотивы и рассуждения. Может предоставить личный опыт каждому на основе его мотивов и потребностей. Способен учиться на меньшем количестве примеров, потому что понимает мотивы и намерения. Считается следующей вехой в эволюции ИИ

г). Самосознающий ИИ. Концепция искусственного интеллекта с самосознанием относится к сверхразумным машинами с их сознанием, чувствами, эмоциями и убеждениями. Ожидается, что такие системы будут умнее человеческого разума и могут превзойти нас в поставленных задачах.

Разновидности интеллектуальных систем. В зависимости от набора компонентов, реализующих определенные 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 слабо формализованных 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 функционально семантической сети и компонентов дедуктивного вывода и планирования.

Гибридные экспертные 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.

Преимущества и недостатки искусственного интеллекта представлены на рис. 4.2.

Преимущества искусственного интеллекта.

а). Эффективное решение сложных задач. Исследования ИИ сосредоточены на разработке алгоритмов решения сложных задач, способных делать логические выводы и имитировать человеческие рассуждения. Такие виды искусственного интеллекта, как системы прогнозирования фондового рынка, предлагают методы решения неопределенных ситуаций или головоломок с неполной информацией, основывающиеся на практическом использовании теории вероятности.

Рис.4.2. Преимущества и недостатки искусственного интеллекта

б). Облегчение планирования. С помощью ИИ человек может делать прогнозы и выяснять отдаленные последствия своих действий в будущем, чтобы принимать верные решения в настоящем. Планирование на основе искусственного интеллекта позволяет более эффективно достигать целей и оптимизирует общую производительность с помощью инструментов предиктивной аналитики, анализа данных, прогнозирования и моделей оптимизации. Это особенно актуально для робототехники, автономных систем, когнитивных помощников и кибербезопасности.

в). Развитие творчества. ИИ может обрабатывать огромные объемы данных, рассматривать варианты и альтернативы, чтобы находить новые направления творческой мысли или возможности для общественного прогресса. Например, система искусственного интеллекта может предоставить несколько вариантов дизайна интерьера для трехмерной планировки квартиры или предложить несколько неожиданных решений в оформлении фирменного стиля компании.

г). Возможность непрерывного обучения. Машинное обучение подразумевает способность компьютерных алгоритмов улучшать знания ИИ посредством наблюдений и прошлого опыта. Искусственный интеллект в основном использует две модели обучения – контролируемую и неконтролируемую, основное различие между которыми заключается в использовании различных наборов данных. Поскольку системы ИИ обучаются независимо, они требуют минимального вмешательства человека или вообще могут обходиться бег него. Например, технология ML предполагает непрерывный автоматизированный процесс обучения.

д). Создание системы представления знаний. Исследования ИИ вращаются вокруг идеи представления знаний и инженерии знаний. Это относится к представлению «того, что известно» машинам с онтологией для создания набора объектов, отношений и понятий. Представление знаний раскрывает информацию, которую компьютер использует для решения сложных практических проблем, таких как диагностика медицинских заболеваний или взаимодействие с людьми на естественном языке. Исследователи могут использовать представленную информацию для расширения базы знаний ИИ, а также для тонкой настройки и оптимизации своих моделей ИИ.

е). Поощрение социального интеллекта. Аффективные вычисления, также называемые «эмоциональным ИИ» (EAI), – это ветвь ИИ, которая распознает, интерпретирует и моделирует человеческий опыт, чувства и эмоции. С их помощью компьютеры могут считывать выражения лица, язык тела и тон голоса, чтобы позволить системам ИИ взаимодействовать и общаться на человеческом уровне. Исследовательские усилия в направлении «эмоционального ИИ» в перспективе приведут к появлению у машин социального интеллекта.

Недостатки искусственного интеллекта.

а). Предвзятость алгоритмов. Системы ИИ работают с обученными данными, а значит их качество напрямую зависит от качества использованных данных, что неизбежно вызывает предвзятость. Этот недостаток может возникать из-за расовых, гендерных, социальных или культурных предубеждений, которые были свойственны людям, а позже перенеслись на алгоритмы, обученные на созданном человеком контенте. Предвзятость искусственного интеллекта может повлиять на такие жизненно важные решения, как выбор подходящих кандидатов во время собеседования или определение права на получение кредита.

б). Проблема «черного ящика». Алгоритмы искусственного интеллекта похожи на «черные ящики» – методы их работы надежно скрыты от пользователей и специалистов. Мы можем увидеть, какой прогноз дала система, но не знаем, как она пришла к этому выводу, что снижает уровень доверия.

в). Расход вычислительных ресурсов. При работе ИИ требуется высокая вычислительная мощность. Чем больше алгоритмов ИИ участвуют в рабочем процессе, тем больше им требуется дополнительных ядер и графических процессоров. Ограничения, задаваемые «железом» – один из главных факторов, препятствующих повсеместному проникновению систем искусственного интеллекта во все области хозяйства.

г). Сложная интеграция. Интегрировать ИИ в существующую корпоративную инфраструктуру сложнее, чем добавить плагины на веб-сайты или изменить таблицы Excel. Важно убедиться, что текущее ПО и оборудование совместимы с требованиями системы искусственного интеллекта, а значит интеграция не понизит текущую производительность. Кроме того, необходимо внедрить интерфейс ИИ, чтобы упростить управление его инфраструктурой.

д). Юридические вопросы. Такие тонкие вопросы как массовая обработка конфиденциальных данных или ответственность за действия машин под управлением ИИ, могут стать причиной противоречий с действующими нормами законов. Хотя само понятие «искусственный интеллект» введено в российское правовое поле президентским указом № 490 и последующим федеральным законом № 123-ФЗ, детальное регулирование использования ИИ – задача ближайшего будущего.

ГЛАВА 5. ФУНКЦИОНАЛЬНАЯ СТРУКТУРА СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ИИ можно рассматривать как набор технологий и методов, которые позволяют машинам имитировать человеческие когнитивные функции. Это включает в себя способность к обучению, адаптации, распознаванию паттернов и принятию решений. Одним из ключевых аспектов ИИ является его способность анализировать большие объемы данных и извлекать из них полезную информацию. Это делает ИИ особенно полезным в эпоху больших данных, когда объемы информации растут экспоненциально.

На рис. 5.1 представлены основные компоненты ИИ и дисциплины, являющиеся основой ИИ, из которых предварительно формируется функциональная структура системы искусственного интеллекта.

Рис.5.1. Основные компоненты ИИ и дисциплины, являющиеся основой ИИ

Функциональная система искусственного интеллекта состоит из трех основных комплексов, рис.5.2.

Первый комплекс представляет собой исполнительную систему, которая объединяет всю совокупность средств, обеспечивающих выполнение программ являющейся совокупностью средств, которые выполняют для эффективного решения задач. К ним относятся программы, осуществляющие любые вычисления, программы поиска информации в базах знаний, программы логического вывода, а также вся совокупность аппаратных средств, обеспечивающих работу этих программ.

Вторым комплексом является база знаний (решатель), которая занимает центральное положение по отношению к остальным компонентам вычислительной системы в целом, через БЗ осуществляется интеграция средств вычислительной системы (ВС), участвующих в решении задач.

Рис.5.2. Функциональная структура СИИ

База данных (БД) является информационной моделью определенной предметной области внешнего мира, содержит все необходимые факты, явления, процессы и характеристики объектов в динамике их существования, а также алгоритмы управления этими данными для решения прикладных задач. База данных строится на основе модели данных, которая описывает с помощью специальных языков структуру данных, их признаки (атрибуты) и информационные связи. По типу структуры различают иерархические, сетевые и реляционные (табличные) БД. Наиболее простой и естественной формой описания данных является реляционная модель, позволяющая использовать алгебраические операции над данными (атрибутами и их отношениями) как некоторыми множествами. Отсюда возникло понятие реляционной алгебры. Реляционная алгебра оперирует не только с однозначными множествами и переменными, но и с нечеткими (размытыми) множествами и отношениями. В базу данных может входить база целей, которую формирует Человек.

База знаний (БЗ) включает в себя:

–сведения о структуре и содержании базы данных;

–информационные и математические модели, описывающие отношения и закономерности взаимодействия объектов предметной области как в текущий момент времени, так и в динамике изменения, прогнозирование потенциально возможных состояний и методы их количественной оценки;

–информационные и математические модели адаптации имеющихся знаний в случае изменений, возникающих в базе данных.

База знаний выступает по отношению к другим средствам ВС как система, содержащая декларативные знания (и ассоциированные с ними процедуры), которые имеют единые принципы представления, общий язык описания, общую схему манипулирования этими знаниями, ориентированную на осуществление инвариантных относительно различных применений операций со знаниями всех уровней. Знания, содержащиеся в БЗ, независимы от обрабатывающих программ и образуют целостную систему.

Третий комплекс- совокупность средств интеллектуального интерфейса (интеллектуальный интерфейс), имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре интересов конечных пользователей. Интеллектуальный интерфейс (ИИ) – система программных и аппаратных средств, обеспечивающих для конечного пользователя использование компьютера для решения задач, которые возникают в среде его профессиональной деятельности либо без посредников, либо с незначительной их помощью. ИИ включает в себя все средства уровня конечного пользователя, обеспечивающие взаимодействие между конечным пользователем и ВС в процессе решения задачи.

По выполняемым функциям средства общения можно разделить на две группы: средства трансляции и средства обеспечения взаимопонимания.

Средства трансляции осуществляют трансляцию с языка пользователя на язык представления знаний в БЗ и обратный перевод.

Средства обеспечения взаимопонимания должны поддерживать одинаковое понимание сообщения передающий и принимающей системой, т.е. приписывание принимающей системой сообщению того значения, которое и предполагалось передающей системой.

Функциональный взгляд на систему искусственного интеллекта, который включает приобретение, обработку и применение знаний, показан на рис. 5.3.

Рис.5.3. Приобретение, обработка и применение знаний

Функциональная структура дает общее представление о том, как системы искусственного интеллекта функционируют в замкнутом контуре управления. ИИ-системы учатся на знаниях, используют обучение для решения следующих функциональных задач:

–обработка текущих измерений;

–приобретение новых знаний;

–поддержка жизненного цикла системы;

–идентификация состояния объекта управления и внешней среды (включая обработку изображений);

–поддержка принятия решений, включая прогнозы;

–выполнение действий, основанных на принятых решениях;

–оценка вероятности достижения поставленных целей и рисков.

Представленная функциональная структура системы искусственного интеллекта позволяет осуществлять обработку данных в трех уровнях, рис. 5.4.

Рис.5.4. Уровни обработки данных в системе искусственного интеллекта

Первый уровень – сбор данных, второй уровень – обработка данных, третий уровень – на основе предыдущих уровней ИИ создаются новые ценности в виде интеллектуальных сервисов и товаров.

ГЛАВА 6. НЕЙРОННЫЕ СЕТИ

Искусственная нейронная сеть (ИНС) представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие простые по отдельности процессоры вместе способны выполнять довольно сложные задачи.

Нейронная сеть – это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти. Другими словами, нейросеть это машинная интерпретация мозга человека, в котором находятся миллионы нейронов, передающих информацию в виде электрических импульсов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения— одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумлённых», частично искажённых данных.

Компоненты нейросети:

1. Нейроны. Аналогичные нервным клеткам в мозге, они первыми обрабатывают данные и передают информацию дальше.

2.Весовые коэффициенты. Эти параметры определяют, какое значение придается каждому входному сигналу.

3.Слои. Каждая нейросеть состоит из трех основных типов слоев.

Входной слой- – отвечает за получение исходных данных, таких как изображения, текст или числовые значения. Картинка раскладывается на пиксели, каждый из которых поступает на отдельный нейрон.

Скрытые слои– выполняют основную работу по обработке информации. В этих слоях происходит множество вычислений, которые трансформируют входные данные и создают более сложные представления. Чем больше скрытых слоев, тем сложнее задачи может решать нейросеть.

Выходной слой— предоставляет конечный результат. Например, это может быть классификация изображения (что изображено на фото) или предсказание (какие тренды ожидаются в будущем).

Эти слои соединены между собой, создавая сложную сеть связей. Каждый нейрон скрытого слоя связан с несколькими нейронами предыдущего и следующего слоев, что позволяет им обрабатывать информацию на различных уровнях абстракции.

Также есть нейрон смещения и контекстный нейрон. Нейрон смещения или bias нейрон используется в большинстве нейросетей. Особенность этого типа нейронов заключается в том, что его вход и выход всегда равняются 1 и они никогда не имеют входных синапсов. Нейроны смещения могут, либо присутствовать в нейронной сети по одному на слое, либо полностью отсутствовать, 50/50 быть не может. Соединения у нейронов смещения такие же, как у обычных нейронов – со всеми нейронами следующего уровня, за исключением того, что синапсов между двумя bias нейронами быть не может. Следовательно, их можно размещать на входном слое и всех скрытых слоях, но никак не на выходном слое, так как им попросту не с чем будет формировать связь.

Нейрон смещения нужен для того, чтобы иметь возможность получать выходной результат, путем сдвига графика функции активации вправо или влево.

Синапс-это связь между двумя нейронами. У синапсов есть 1 параметр – вес. Благодаря ему, входная информация изменяется, когда передается от одного нейрона к другому. Допустим, есть 3 нейрона, которые передают информацию следующему, тогда у нас есть 3 веса, соответствующие каждому из этих нейронов. У того нейрона, у которого вес будет больше, та информация и будет доминирующей в следующем нейроне (пример – смешение цветов). На самом деле, совокупность весов нейронной сети или матрица весов – это своеобразный мозг всей системы. Именно благодаря этим весам, входная информация обрабатывается и превращается в результат. Важно помнить, что во время инициализации нейронной сети, веса расставляются в случайном порядке.

Теперь, чтобы понять, как же работают нейронные сети, давайте взглянем на ее составляющие, рис.6.1. и их параметры. Нейрон – это вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше.

Рис.6.1. Схема передачи информации

Рассмотрим пример, рис. 6.2, где изображена часть нейронной сети, и буквами I обозначены входные нейроны, буквой H – скрытый нейрон, а буквой w – веса.

Рис.6.2. Часть нейронной сети

Из формулы видно, что входная информация – это сумма всех входных данных, умноженных на соответствующие им веса. Тогда дадим на вход 1 и 0. Пусть w1=0.4 и w2 = 0.7 Входные данные нейрона Н1 будут следующими: 1*0.4+0*0.7=0.4.

Теперь, когда у нас есть входные данные, мы можем получить выходные данные, подставив входное значение в функцию активации (подробнее о ней далее). Затем, когда у нас есть выходные данные, мы передаем их дальше. И так, мы повторяем для всех слоев, пока не дойдем до выходного нейрона. Запустив такую сеть, в первый раз мы увидим, что ответ далек от правильного, потому что сеть не натренирована. Чтобы улучшить результаты мы будем ее тренировать. Но прежде, чем узнать, как это делать, давайте введем несколько терминов и свойств нейронной сети.

Модель внутренней структуры искусственного нейрона представлена на рис.6.3.

Рис. 6.3. Модель внутренней структуры искусственного нейрона

У каждого нейрона, в том числе и у искусственного, должны быть какие-то входы, через которые он принимает сигнал. Поступившие на входы сигналы умножаются на свои веса. Сигнал первого входа x1 умножается на соответствующий этому входу вес w1. В итоге получаем x1w1. И так до n-ого входа. В итоге на последнем входе получаем xnwn.

Теперь все произведения передаются в сумматор. Он просто суммирует все входные сигналы, умноженные на соответствующие веса:

x1w1+x2w2+⋯+xnwn=∑i=1nxiwi

Когда необходимо коротко записать большое выражение, состоящее из суммы повторяющихся/однотипных членов, то используют знак сигмы.

Рассмотрим простейший вариант записи:

∑i=15i=1+2+3+4+5

Таким образом снизу сигмы мы присваиваем переменной-счетчику I стартовое значение, которое будет увеличиваться, пока не дойдет до верхней границы (в примере выше это 5).

Верхняя граница может быть и переменной. Приведу пример такого случая.

Пусть у нас есть n магазинов. У каждого магазина есть свой номер: от 1 до n. Каждый магазин приносит прибыль. Возьмем какой-то (неважно, какой) I -ый магазин. Прибыль от него равна pi. Если мы хотим посчитать общую прибыль от всех магазинов (обозначим ее за P), то нам пришлось бы писать длинную сумму:

P=p1+p2+⋯+pi+⋯+pn

Как видно, все члены этой суммы однотипны. Тогда их можно коротко записать следующим образом:

P=∑i=1npi

Словами: «Просуммируй прибыли всех магазинов, начиная с первого и заканчивая n-ым». В виде формулы это гораздо проще, удобнее и красивее.

Результатом работы сумматора является число, называемое взвешенной суммой. Взвешенная сумма (net) – сумма входных сигналов, умноженных на соответствующие им веса.

net=∑i=1nxiwi

Роль сумматора очевидна– он агрегирует все входные сигналы (которых может быть много) в какое-то одно число – взвешенную сумму, которая характеризует поступивший на нейрон сигнал в целом.

Для понимания роли последнего компонента искусственного нейрона –функции активации –рассмотрим следующий пример. У одного искусственного нейрона задача– решить, ехать ли отдыхать на море. Для этого на его входы мы подаем различные данные. Пусть у нашего нейрона будет 4 входа: