Definícia umelej inteligencie uvedená v preambule, ktorú uviedol John McCarthy v roku 1956 na konferencii na Dartmouthskej univerzite, priamo nesúvisí s chápaním ľudskej inteligencie. Podľa McCarthyho môžu výskumníci AI voľne používať techniky, ktoré sa u ľudí nevidia, ak je to potrebné na riešenie konkrétnych problémov.
Zároveň existuje uhol pohľadu, podľa ktorého inteligencia môže byť len biologickým javom.
Ako upozorňuje predsedníčka petrohradskej pobočky Ruskej asociácie umelej inteligencie T. A. Gavrilova, v angličtine je slovné spojenie umelá inteligencia nemá to trochu fantastické antropomorfné sfarbenie, aké získalo v dosť neúspešnom ruskom preklade. Slovo inteligenciu znamená „schopnosť racionálne uvažovať“ a vôbec nie „inteligencia“, pre ktorú existuje anglický analóg inteligenciu .
Účastníci Ruskej asociácie umelej inteligencie uvádzajú nasledujúce definície umelej inteligencie:
Jedna z konkrétnych definícií inteligencie, spoločná pre človeka a „stroj“, môže byť formulovaná takto: „Inteligencia je schopnosť systému vytvárať programy (predovšetkým heuristické) počas samoučenia na riešenie problémov určitej triedy. komplexnosti a vyriešiť tieto problémy“.
Predpoklady rozvoja vedy o umelej inteligencii
História umelej inteligencie ako nového vedeckého smeru sa začína v polovici 20. storočia. V tom čase už boli vytvorené mnohé predpoklady pre jeho vznik: medzi filozofmi sa už dlho viedli debaty o povahe človeka a procese chápania sveta, neurofyziológovia a psychológovia vyvinuli množstvo teórií o práci ľudského mozgu. a myslenia, ekonómovia a matematici kládli otázky o optimálnych výpočtoch a prezentácii vedomostí o svete vo formalizovanej forme; nakoniec sa zrodil základ matematickej teórie výpočtov – teória algoritmov – a vznikli prvé počítače.
Schopnosti nových strojov z hľadiska výpočtovej rýchlosti sa ukázali byť väčšie ako tie ľudské, a tak vo vedeckej komunite vyvstala otázka: aké sú hranice možností počítačov a dostanú sa stroje na úroveň ľudského rozvoja? V roku 1950 jeden z priekopníkov v oblasti výpočtovej techniky, anglický vedec Alan Turing, napísal článok s názvom „Môže stroj myslieť? , ktorý popisuje postup, pomocou ktorého bude možné určiť moment, kedy sa stroj z hľadiska inteligencie vyrovná človeku, nazývaný Turingov test.
História vývoja umelej inteligencie v ZSSR a Rusku
V ZSSR sa v oblasti umelej inteligencie začalo pracovať v 60. rokoch. Na Moskovskej univerzite a Akadémii vied sa uskutočnilo množstvo priekopníckych štúdií, ktoré viedli Veniamin Puškin a D. A. Pospelov. Od začiatku 60. rokov 20. storočia M. L. Tsetlin a jeho kolegovia rozvíjali problémy súvisiace s trénovaním konečných strojov.
V roku 1964 vyšla práca leningradského logika Sergeja Maslova „Inverzná metóda stanovenia odvoditeľnosti v klasickom predikátovom počte“, v ktorej ako prvý navrhol metódu na automatické vyhľadávanie dôkazov viet v predikátovom počte.
Až do 70. rokov 20. storočia sa v ZSSR všetok výskum AI realizoval v rámci kybernetiky. Podľa D. A. Pospelova boli vedy „informatika“ a „kybernetika“ v tom čase zmiešané v dôsledku množstva akademických sporov. Až koncom sedemdesiatych rokov v ZSSR začali hovoriť o vedeckom smere „umelá inteligencia“ ako o odbore informatiky. Zároveň sa zrodila samotná informatika, ktorá si podriadila svojho predka „kybernetiku“. Koncom sedemdesiatych rokov minulého storočia bol vytvorený výkladový slovník o umelej inteligencii, trojzväzková referenčná kniha o umelej inteligencii a encyklopedický slovník o informatike, do ktorých sú zaradené časti „Kybernetika“ a „Umelá inteligencia“ spolu s ďalšími sekcií v informatike. Pojem „informatika“ sa rozšíril v 80. rokoch 20. storočia a pojem „kybernetika“ sa postupne vytrácal z obehu a zostal iba v názvoch tých inštitúcií, ktoré vznikli v období „kybernetického boomu“ koncom 50. rokov – začiatkom 60. rokov. Tento pohľad na umelú inteligenciu, kybernetiku a informatiku nezdieľajú všetci. Je to spôsobené tým, že na Západe sú hranice týchto vied trochu iné.
Prístupy a smery
Prístupy k pochopeniu problému
Na otázku, čo robí umelá inteligencia, neexistuje jediná odpoveď. Takmer každý autor, ktorý píše knihu o AI, vychádza z nejakej definície, berúc do úvahy úspechy tejto vedy v jej svetle.
- zhora nadol (anglicky: Top-Down AI), semiotické - vytváranie expertných systémov, báz znalostí a logických inferenčných systémov, ktoré simulujú mentálne procesy na vysokej úrovni: myslenie, uvažovanie, reč, emócie, kreativita atď.;
- Bottom-Up AI), biologický - štúdium neurónových sietí a evolučných výpočtov, ktoré modelujú inteligentné správanie založené na biologických prvkoch, ako aj vytváranie zodpovedajúcich výpočtových systémov, ako je neuropočítač alebo biopočítač.
Tento druhý prístup, prísne vzaté, nepatrí do vedy o AI v zmysle Johna McCarthyho – spája ich iba spoločný konečný cieľ.
Turingov test a intuitívny prístup
Tento prístup sa zameriava na tie metódy a algoritmy, ktoré pomôžu inteligentnému agentovi prežiť vo svojom prostredí pri plnení svojej úlohy. Takže tu sú algoritmy na nájdenie cesty a rozhodovanie študované oveľa dôkladnejšie.
Hybridný prístup
Hybridný prístup to predpokladá iba synergická kombinácia neurónových a symbolických modelov dosahuje celý rozsah kognitívnych a výpočtových schopností. Napríklad expertné inferenčné pravidlá môžu byť generované neurónovými sieťami a generatívne pravidlá sa získavajú pomocou štatistického učenia. Zástancovia tohto prístupu veria, že hybridné informačné systémy budú oveľa silnejšie ako súčet rôznych konceptov samostatne.
Výskumné modely a metódy
Symbolické modelovanie myšlienkových procesov
Analýzou histórie AI môžeme identifikovať takú širokú oblasť, ako je napr modelovacie uvažovanie. Po mnoho rokov sa vývoj tejto vedy uberal práve touto cestou a teraz je jednou z najrozvinutejších oblastí modernej AI. Modelové uvažovanie zahŕňa vytváranie symbolických systémov, ktorých vstup je nastavený na určitú úlohu a výstup vyžaduje jej riešenie. Spravidla je navrhovaný problém už formalizovaný, teda preložený do matematickej podoby, ale buď nemá algoritmus riešenia, alebo je príliš zložitý, časovo náročný atď. Táto oblasť zahŕňa: dokazovanie teorémov, rozhodovanie , a teória hier, plánovanie a dispečing, prognózovanie.
Práca s prirodzenými jazykmi
Dôležitým smerom je spracovanie prirodzeného jazyka, v rámci ktorej sa vykonáva analýza schopností porozumenia, spracovania a generovania textov v „ľudskom“ jazyku. Tento smer má za cieľ spracovať prirodzený jazyk tak, aby človek vedel samostatne získavať poznatky čítaním existujúceho textu dostupného na internete. Niektoré priame aplikácie spracovania prirodzeného jazyka zahŕňajú vyhľadávanie informácií (vrátane hĺbkového dolovania textu) a strojový preklad.
Reprezentácia a využitie vedomostí
Smer znalostné inžinierstvo spája úlohy získavania poznatkov z jednoduchých informácií, ich systematizácie a využívania. Tento smer je historicky spojený so stvorením expertné systémy- programy, ktoré využívajú špecializované znalostné bázy na získanie spoľahlivých záverov o akomkoľvek probléme.
Produkovanie znalostí z dát je jedným zo základných problémov data miningu. Existujú rôzne prístupy k riešeniu tohto problému, vrátane tých, ktoré sú založené na technológii neurónových sietí, využívajúce postupy verbalizácie neurónových sietí.
Strojové učenie
Problémy strojové učenie sa týka procesu nezávislý získavanie vedomostí inteligentným systémom v procese jeho prevádzky. Tento smer bol ústredný od samého začiatku vývoja AI. V roku 1956 na Letnej konferencii v Dartmunde Ray Solomonoff napísal správu o pravdepodobnostnom učivom stroji bez dozoru, ktorý nazval „Indukčný inferenčný stroj“.
Robotika
Strojová kreativita
Povaha ľudskej tvorivosti je ešte menej skúmaná ako povaha inteligencie. Napriek tomu táto oblasť existuje a riešia sa tu problémy počítačového písania hudby, literárnych diel (často poézie či rozprávky) a umeleckej tvorby. Vytváranie realistických obrázkov je široko používané vo filmovom a hernom priemysle.
Samostatne vyniká štúdium problémov technickej tvorivosti systémov umelej inteligencie. Začiatok takéhoto výskumu znamenala teória riešenia invenčných problémov, ktorú v roku 1946 navrhol G. S. Altshuller.
Pridanie tejto schopnosti do akéhokoľvek inteligentného systému vám umožní veľmi jasne demonštrovať, čo presne systém vníma a ako tomu rozumie. Pridaním šumu namiesto chýbajúcich informácií alebo filtrovaním šumu znalosťami dostupnými v systéme sa abstraktné vedomosti vytvoria do konkrétnych obrazov, ktoré človek ľahko vníma, čo je užitočné najmä pri intuitívnych a málo hodnotných poznatkoch, ktorých overenie v formálna forma vyžaduje značné duševné úsilie.
Ďalšie oblasti výskumu
Napokon existuje mnoho aplikácií umelej inteligencie, z ktorých každá tvorí takmer nezávislý smer. Príklady zahŕňajú programovanie inteligencie v počítačových hrách, nelineárne riadenie, inteligentné systémy informačnej bezpečnosti.
V budúcnosti sa predpokladá, že vývoj umelej inteligencie bude úzko spätý s vývojom kvantového počítača, keďže niektoré vlastnosti umelej inteligencie majú podobné princípy fungovania ako kvantové počítače.
Je vidieť, že mnohé oblasti výskumu sa prelínajú. To je typické pre každú vedu. No v umelej inteligencii je vzťah medzi zdanlivo odlišnými oblasťami obzvlášť silný a s tým súvisí aj filozofická debata o silnej a slabej AI.
Moderná umelá inteligencia
Možno rozlíšiť dva smery vývoja AI:
- riešenie problémov spojených s približovaním špecializovaných systémov AI k ľudským schopnostiam a ich integráciou, ktorá je realizovaná ľudskou prirodzenosťou ( pozri Vylepšenie inteligencie);
- vytvorenie umelej inteligencie, ktorá predstavuje integráciu už vytvorených systémov AI do jedného systému schopného riešiť problémy ľudstva ( pozri Silná a slabá umelá inteligencia).
V súčasnosti však oblasť umelej inteligencie zaznamenáva zapojenie mnohých tematických oblastí, ktoré majú s AI skôr praktický než zásadný vzťah. Testovalo sa mnoho prístupov, no žiadna výskumná skupina sa zatiaľ k vzniku umelej inteligencie nepriblížila. Nižšie sú uvedené len niektoré z najznámejších objavov v oblasti AI.
Aplikácia
Niektoré z najznámejších systémov AI sú:
Banky využívajú systémy umelej inteligencie (AI) v poisťovacích činnostiach (poistná matematika), pri hraní na burze a správe majetku. Metódy rozpoznávania vzorov (vrátane zložitejších aj špecializovaných a neurónových sietí) sú široko používané v optickom a akustickom rozpoznávaní (vrátane textu a reči), lekárskej diagnostike, spamových filtroch, v systémoch protivzdušnej obrany (identifikácia cieľa), ako aj na zabezpečenie množstvo ďalších úloh národnej bezpečnosti.
Psychológia a kognitívna veda
Metodológia kognitívneho modelovania je navrhnutá tak, aby analyzovala a rozhodovala sa v zle definovaných situáciách. Navrhol to Axelrod.
Je založená na modelovaní subjektívnych predstáv odborníkov o situácii a zahŕňa: metodiku štruktúrovania situácie: model reprezentácie znalostí odborníka vo forme podpísaného digrafu (kognitívnej mapy) (F, W), kde F je súbor faktorov situácie, W je súbor príčinných a následných vzťahov medzi faktormi situácie; metódy situačnej analýzy. V súčasnosti sa metodológia kognitívneho modelovania vyvíja smerom k zdokonaľovaniu aparátu na analýzu a modelovanie situácie. Sú tu navrhnuté modely na predpovedanie vývoja situácie; metódy riešenia inverzných problémov.
filozofia
Veda o „vytváraní umelej inteligencie“ nemohla pritiahnuť pozornosť filozofov. S príchodom prvých inteligentných systémov vyvstali zásadné otázky o človeku a poznaní a čiastočne o svetovom poriadku.
Filozofické problémy vytvárania umelej inteligencie možno rozdeliť do dvoch skupín, relatívne povedané, „pred a po vývoji AI“. Prvá skupina odpovedá na otázku: „Čo je AI, je možné ju vytvoriť a ak je to možné, ako ju urobiť? Druhá skupina (etika umelej inteligencie) si kladie otázku: „Aké sú dôsledky vytvorenia AI pre ľudstvo?
Pojem „silná umelá inteligencia“ zaviedol John Searle a tento prístup charakterizujú jeho slová:
Navyše, takýto program by nebol len modelom mysle; ona, v doslovnom zmysle slova, sama bude mysľou, v rovnakom zmysle, v akom je mysľou ľudská myseľ.
Zároveň je potrebné pochopiť, či je možná „čistá umelá“ myseľ („metamín“), porozumenie a riešenie skutočných problémov a zároveň bez emócií charakteristických pre človeka a potrebných pre jeho individuálne prežitie. [ ] .
Naproti tomu zástancovia slabej AI uprednostňujú vnímanie programov len ako nástrojov, ktoré im umožňujú riešiť určité problémy, ktoré si nevyžadujú celú škálu ľudských kognitívnych schopností.
etika
Iné tradičné náboženstvá zriedkavo opisujú problémy AI. Ale niektorí teológovia tomu venujú pozornosť. Napríklad veľkňaz Michail Zacharov, argumentujúci z hľadiska kresťanského svetonázoru, kladie nasledujúcu otázku: „Človek je racionálne slobodná bytosť, ktorú stvoril Boh na svoj obraz a podobu. Všetky tieto definície sme zvyknutí pripisovať biologickému druhu Homo sapiens. Ale nakoľko je to opodstatnené? . Na túto otázku odpovedá takto:
Ak predpokladáme, že výskum v oblasti umelej inteligencie jedného dňa povedie k vzniku umelej bytosti, ktorá je inteligenciou nadradená ľuďom a má slobodnú vôľu, znamenalo by to, že táto bytosť je osoba? ... človek je Božím stvorením. Môžeme toto stvorenie nazvať Božím stvorením? Na prvý pohľad je to ľudský výtvor. Ale ani pri stvorení človeka sotva stojí za to doslovne pochopiť, že Boh vlastnými rukami vytesal prvého človeka z hliny. Ide pravdepodobne o alegóriu naznačujúcu materiálnosť ľudského tela, vytvoreného z vôle Boha. Ale bez vôle Božej sa na tomto svete nič nedeje. Človek ako spolutvorca tohto sveta môže naplnením Božej vôle vytvárať nové stvorenia. Takéto stvorenia, stvorené ľudskou rukou podľa Božej vôle, možno pravdepodobne nazvať Božími stvoreniami. Veď človek vytvára nové druhy zvierat a rastlín. A rastliny a zvieratá považujeme za Božie výtvory. To isté možno aplikovať aj na umelú bytosť nebiologickej povahy.
Sci-fi
Téma AI sa v prácach Roberta Heinleina zvažuje z rôznych uhlov: hypotéza o vzniku sebauvedomenia AI, keď sa štruktúra stáva zložitejšou za určitou kritickou úrovňou a dochádza k interakcii s vonkajším svetom a inými nositeľmi umelej inteligencie. inteligencia („The Moon Is a Harsh Mistress“, „Time Enough For Love“, postavy Mycroft, Dora a Aya zo série „History of the Future“), problémy s vývojom AI po hypotetickom sebauvedomení a určité sociálne a etické otázky („piatok“). Sociálno-psychologickým problémom ľudskej interakcie s AI sa venuje aj román Philipa K. Dicka „Snívajú Androidi o elektrických ovečkách? “, známy aj z filmového spracovania Blade Runnera.
Diela spisovateľa sci-fi a filozofa Stanislawa Lema popisujú a do veľkej miery predvídajú vznik virtuálnej reality, umelej inteligencie, nanorobotov a mnohých ďalších problémov filozofie umelej inteligencie. Za zmienku stojí najmä futurológia Sum technológie. Okrem toho sa v dobrodružstvách Iyon the Quiet opakovane opisuje vzťah medzi živými bytosťami a strojmi: vzbura palubného počítača s následnými neočakávanými udalosťami (11. cesta), adaptácia robotov v ľudskej spoločnosti („The Washing“ Tragédia“ z „Memoirs of Iyon the Quiet“), vytvorenie absolútneho poriadku na planéte spracovaním živých obyvateľov (24. cesta), vynálezy Corcoran a Diagoras („Spomienky na Ijon the Quiet“), psychiatrická klinika pre roboty ( „Spomienky na Ijon the Quiet“). Okrem toho je tu celý cyklus románov a poviedok Kyberiáda, kde takmer všetky postavy sú roboti, ktorí sú vzdialenými potomkami robotov, ktorí unikli ľuďom (nazývajú ľudí bledými a považujú ich za mýtické bytosti).
Filmy
Takmer od 60. rokov sa popri písaní sci-fi príbehov a noviel natáčali filmy o umelej inteligencii. Mnohé príbehy od autorov uznávaných po celom svete sú sfilmované a stávajú sa klasikou žánru, iné sa stávajú míľnikom vo vývoji
Umelá inteligencia (AI)(angličtina) Umelá inteligencia (AI) je veda a vývoj inteligentných strojov a systémov, najmä inteligentných počítačových programov, zameraných na pochopenie ľudskej inteligencie. Použité metódy však nie sú nevyhnutne biologicky hodnoverné. Problém je však v tom, že nie je známe, ktoré výpočtové postupy chceme nazvať inteligentnými. A keďže rozumieme len niektorým mechanizmom inteligencie, tak inteligenciou v rámci tejto vedy rozumieme len výpočtovú časť schopnosti dosahovať ciele vo svete.
Rôzne typy a stupne inteligencie existujú u mnohých ľudí, zvierat a niektorých strojov, inteligentných informačných systémov a rôznych modelov expertných systémov s rôznymi bázami znalostí. Zároveň, ako vidíme, táto definícia inteligencie nesúvisí s chápaním ľudskej inteligencie – to sú rôzne veci. Okrem toho táto veda modeluje ľudskú inteligenciu, pretože na jednej strane sa dá naučiť niečo o tom, ako prinútiť stroje riešiť problémy pozorovaním iných ľudí, a na druhej strane väčšina prác v AI študuje problémy, ktoré ľudstvo potrebuje vyriešiť. v priemyselnom a technologickom zmysle. Výskumníci AI preto môžu v prípade potreby na riešenie konkrétnych problémov voľne používať techniky, ktoré sa u ľudí nepozorujú.
V tomto zmysle tento pojem zaviedol J. McCarthy v roku 1956 na konferencii na Dartmouthskej univerzite a doteraz, napriek kritike zo strany tých, ktorí veria, že inteligencia je len biologický fenomén, si tento pojem vo vedeckej komunite zachoval svoj pôvodný význam, napriek zjavným rozporom z hľadiska ľudskej inteligencie.
Vo filozofii nie je vyriešená otázka povahy a postavenia ľudského intelektu. Neexistuje ani presné kritérium pre počítače na dosiahnutie „inteligencie“, hoci na úsvite umelej inteligencie bolo navrhnutých niekoľko hypotéz, napríklad Turingov test alebo hypotéza Newell-Simon. Preto napriek mnohým prístupom k pochopeniu problémov AI a vytváraniu inteligentných informačných systémov možno rozlíšiť dva hlavné prístupy k rozvoju AI:
· zostupne (anglicky) Umelá inteligencia zhora nadol), semiotické – vytváranie expertných systémov, báz znalostí a logických inferenčných systémov, ktoré simulujú mentálne procesy na vysokej úrovni: myslenie, uvažovanie, reč, emócie, tvorivosť atď.;
· vzostupne AI zdola nahor), biologický – štúdium neurónových sietí a evolučných výpočtov, ktoré modelujú inteligentné správanie založené na menších „neinteligentných“ prvkoch.
Tento druhý prístup sa striktne netýka vedy o umelej inteligencii v zmysle J. McCarthyho, spája ich len spoločný konečný cieľ.
História umelej inteligencie ako nového vedeckého smeru sa začína v polovici 20. storočia. V tom čase už boli vytvorené mnohé predpoklady pre jeho vznik: medzi filozofmi sa už dlho viedli debaty o povahe človeka a procese chápania sveta, neurofyziológovia a psychológovia vyvinuli množstvo teórií o práci ľudského mozgu. a myslenia, ekonómovia a matematici kládli otázky o optimálnych výpočtoch a prezentácii vedomostí o svete vo formalizovanej forme; nakoniec sa zrodil základ matematickej teórie výpočtov – teória algoritmov – a vznikli prvé počítače.
Schopnosti nových strojov z hľadiska výpočtovej rýchlosti sa ukázali byť väčšie ako tie ľudské, a tak si vedecká komunita položila otázku: aké sú hranice možností počítačov a dostanú sa stroje na úroveň ľudského rozvoja? V roku 1950 jeden z priekopníkov v oblasti výpočtovej techniky, anglický vedec Alan Turing, v článku „Can a Machine Think?“ poskytuje odpovede na podobné otázky a popisuje postup, pomocou ktorého bude možné určiť moment, kedy stroj sa z hľadiska inteligencie vyrovná človeku, nazývaný Turingov test.
Turingov test je empirický test, ktorý navrhol Alan Turing vo svojom článku z roku 1950 „Computing Machines and Minds“ vo filozofickom časopise. Myseľ" Účelom tohto testu je zistiť možnosť umelého myslenia blízkeho človeku. Štandardný výklad tohto testu je: „Človek komunikuje s jedným počítačom a jednou osobou. Na základe odpovedí na otázky musí určiť, s kým sa rozpráva: s osobou alebo počítačovým programom. Účelom počítačového programu je zviesť osobu, aby urobila nesprávnu voľbu.“ Všetci účastníci testu sa navzájom nevidia.
Existujú tri prístupy k definovaniu umelej inteligencie:
1) Logický prístup smerom k tvorbe systémov umelej inteligencie je zameraný na vytváranie expertných systémov s logickými modelmi báz znalostí s využitím jazyka predikátov. Jazykový a logický programovací systém Prolog bol prijatý ako tréningový model pre systémy umelej inteligencie v 80. rokoch. Znalostné bázy napísané v jazyku Prolog predstavujú súbory faktov a pravidiel logického vyvodzovania napísaných v logickom jazyku. Logický model báz znalostí umožňuje zaznamenávať nielen konkrétne informácie a údaje vo forme faktov v jazyku Prolog, ale aj zovšeobecnené informácie pomocou pravidiel a postupov logického vyvodzovania, vrátane logických pravidiel na definovanie pojmov, ktoré vyjadrujú určité poznatky ako špecifické. a zovšeobecnené informácie. Vo všeobecnosti je výskum problémov umelej inteligencie v informatike v rámci logického prístupu k navrhovaniu znalostných báz a expertných systémov zameraný na tvorbu, vývoj a prevádzku inteligentných informačných systémov, vrátane problematiky výučby študentov resp. školákov, ako aj školenia používateľov a vývojárov takýchto inteligentných informačných systémov.
2) Agent-based prístup sa rozvíja od začiatku 90. rokov 20. storočia. Podľa tohto prístupu je inteligencia výpočtová časť (plánovanie) schopnosti dosiahnuť ciele stanovené pre inteligentný stroj. Takýto stroj sám o sebe bude inteligentným agentom, ktorý bude vnímať svet okolo seba pomocou senzorov a bude schopný ovplyvňovať objekty v okolí pomocou akčných členov. Tento prístup sa zameriava na tie metódy a algoritmy, ktoré pomôžu inteligentnému agentovi prežiť v prostredí pri plnení jeho úloh. Vyhľadávacie a rozhodovacie algoritmy sa tu teda študujú oveľa intenzívnejšie.
3) Intuitívny prístup predpokladá, že AI bude schopná prejavovať správanie, ktoré sa nelíši od ľudí, a v normálnych situáciách. Táto myšlienka je zovšeobecnením prístupu Turingovho testu, ktorý hovorí, že stroj sa stane inteligentným, keď bude schopný viesť rozhovor s bežným človekom a nebude schopný pochopiť, že so strojom hovorí (tzv. konverzácia sa uskutočňuje prostredníctvom korešpondencie).
Definícia vybrala tieto oblasti výskumu v oblasti AI:
- Symbolické modelovanie myšlienkových procesov.
Analýzou histórie AI môžeme zdôrazniť takú širokú oblasť, akou je modelovanie uvažovania. Po mnoho rokov sa vývoj AI ako vedy uberal práve touto cestou a teraz je to jedna z najrozvinutejších oblastí modernej AI. Modelové uvažovanie zahŕňa vytváranie symbolických systémov, ktorých vstupom je určitý problém a výstupom je jeho riešenie. Spravidla je navrhovaný problém už formalizovaný, teda preložený do matematickej podoby, ale buď nemá algoritmus riešenia, alebo je príliš zložitý, časovo náročný a pod. Do tejto oblasti patrí: dôkaz teorémov, rozhodovanie tvorba a teória hier, plánovanie a dispečing, prognózovanie.
- Práca s prirodzenými jazykmi.
Dôležitou oblasťou je spracovanie prirodzeného jazyka, ktoré zahŕňa analýzu schopností porozumenia, spracovania a generovania textov v „ľudskom“ jazyku. Doposiaľ nebol vyriešený najmä problém strojového prekladu textov z jedného jazyka do druhého. V modernom svete zohráva dôležitú úlohu rozvoj metód vyhľadávania informácií. Pôvodný Turingov test svojou povahou súvisí s týmto smerom.
- Hromadenie a využívanie vedomostí.
Podľa mnohých vedcov je dôležitou vlastnosťou inteligencie schopnosť učiť sa. Do popredia sa tak dostáva znalostné inžinierstvo, ktoré spája úlohy získavania vedomostí z jednoduchých informácií, ich systematizácie a využitia. Pokroky v tejto oblasti ovplyvňujú takmer všetky ostatné oblasti výskumu AI. Aj tu nemožno prehliadnuť dve dôležité podoblasti. Prvý z nich – strojové učenie – sa týka procesu samostatného získavania vedomostí inteligentným systémom v procese jeho prevádzky. Druhá je spojená s tvorbou expertných systémov – programov, ktoré využívajú špecializované znalostné bázy na získanie spoľahlivých záverov o akomkoľvek probléme.
Oblasť strojového učenia zahŕňa veľkú triedu problémov s rozpoznávaním vzorov. Ide napríklad o rozpoznávanie znakov, ručne písaný text, reč, analýzu textu. Mnohé problémy sa úspešne riešia pomocou biologického modelovania. Biologické modelovanie
V oblasti modelovania biologických systémov existujú veľké a zaujímavé úspechy. Presne povedané, môže to zahŕňať niekoľko nezávislých smerov. Neurónové siete sa používajú na riešenie fuzzy a komplexných problémov, ako je rozpoznávanie geometrických tvarov alebo zhlukovanie objektov. Genetický prístup je založený na myšlienke, že algoritmus môže byť efektívnejší, ak si požičia lepšie vlastnosti od iných algoritmov („rodičov“). Relatívne nový prístup, kde úlohou je vytvoriť autonómny program – agenta, ktorý interaguje s vonkajším prostredím, sa nazýva agentský prístup. Za zmienku stojí najmä počítačové videnie, ktoré sa spája aj s robotikou.
- Robotika.
Vo všeobecnosti sa robotika a umelá inteligencia často spájajú. Za ďalšiu oblasť AI možno považovať integráciu týchto dvoch vied, vytváranie inteligentných robotov.
- Strojová tvorivosť.
Povaha ľudskej tvorivosti je ešte menej skúmaná ako povaha inteligencie. Napriek tomu táto oblasť existuje a riešia sa tu problémy počítačového písania hudby, literárnych diel (často poézie či rozprávky) a umeleckej tvorby. Vytváranie realistických obrázkov je široko používané vo filmovom a hernom priemysle. Pridanie tejto funkcie do akéhokoľvek inteligentného systému vám umožní veľmi jasne demonštrovať, čo presne systém vníma a ako tomu rozumie. Pridaním šumu namiesto chýbajúcich informácií alebo filtrovaním šumu znalosťami dostupnými v systéme sa abstraktné vedomosti vytvoria do konkrétnych obrazov, ktoré človek ľahko vníma, čo je užitočné najmä pri intuitívnych a málo hodnotných poznatkoch, ktorých overenie v formálna forma vyžaduje značné duševné úsilie.
- Ostatné oblasti výskumu.
Existuje mnoho aplikácií umelej inteligencie, z ktorých každá tvorí takmer nezávislý smer. Príklady zahŕňajú programovanie inteligencie v počítačových hrách, nelineárne riadenie a inteligentné systémy informačnej bezpečnosti.
Prístupy k vytváraniu inteligentných systémov. Symbolický prístup vám umožňuje pracovať so slabo formalizovanými reprezentáciami a ich význammi. Efektívnosť a celková efektívnosť závisí od schopnosti zvýrazniť len podstatné informácie. Šírka tried problémov efektívne riešených ľudskou mysľou si vyžaduje neuveriteľnú flexibilitu v metódach abstrakcie. Nie je dostupné žiadnym inžinierskym prístupom, ktorý si výskumník na začiatku zvolí na základe zámerne chybného kritéria pre jeho schopnosť rýchlo poskytnúť efektívne riešenie nejakého problému, ktorý je tomuto výskumníkovi najbližší. Teda pre jednotný model abstrakcie a konštrukcie entít už implementovaných vo forme pravidiel. To má za následok značné výdavky zdrojov na vedľajšie úlohy, to znamená, že systém sa pri väčšine úloh vráti od spravodajstva k hrubej sile a z projektu sa vytráca samotná podstata inteligencie.
Bez symbolickej logiky je to obzvlášť ťažké, keď je úlohou vyvinúť pravidlá, pretože ich zložky, ktoré nie sú plnohodnotnými jednotkami vedomostí, nie sú logické. Väčšina štúdií sa zastavuje pri nemožnosti aspoň identifikovať nové ťažkosti, ktoré sa objavili pomocou symbolických systémov zvolených v predchádzajúcich fázach. Navyše ich riešiť a hlavne trénovať počítač na ich riešenie, alebo aspoň identifikovať a dostať sa z takýchto situácií.
Historicky bol symbolický prístup prvým v ére digitálnych strojov, pretože až po vytvorení Lisp, prvého symbolického výpočtového jazyka, jeho autor nadobudol istotu v možnosti prakticky začať implementovať tieto prostriedky inteligencie. Inteligencia ako taká, bez akýchkoľvek výhrad a konvencií.
Vo veľkej miere sa praktizuje vytváranie hybridných inteligentných systémov, v ktorých sa používa niekoľko modelov naraz. Expertné inferenčné pravidlá môžu byť generované neurónovými sieťami a generatívne pravidlá sa získavajú pomocou štatistického učenia.
Rozvoj teórie fuzzy množín. Vývoj teórie fuzzy množín sa začal článkom „Fuzzy množiny“, ktorý publikoval americký profesor Lotfi Zadeh, ktorý prvýkrát predstavil koncept fuzzy množiny, navrhol myšlienku a prvý koncept teórie, ktorá umožnila fuzzyly opísať reálne systémy. Najdôležitejším smerom teórie fuzzy množín je fuzzy logika, používaná pri riadení systémov, ako aj pri experimentoch na tvorbe ich modelov.
60. roky začali obdobie prudkého rozvoja počítačov a digitálnych technológií založených na binárnej logike. V tom čase sa verilo, že použitie tejto logiky umožní vyriešiť mnohé vedecké a technické problémy. Z tohto dôvodu zostal vznik fuzzy logiky napriek všetkej jej koncepčnej revolučnosti takmer nepovšimnutý. Dôležitosť fuzzy logiky si však uvedomilo množstvo predstaviteľov vedeckej komunity a bola vyvinutá, ako aj praktická implementácia v rôznych priemyselných aplikáciách. Po určitom čase sa o ňu začal zvyšovať záujem zo strany vedeckých škôl, ktoré združovali prívržencov technológií založených na binárnej logike. Stalo sa tak vďaka tomu, že sa objavilo pomerne veľa praktických problémov, ktoré nebolo možné vyriešiť pomocou tradičných matematických modelov a metód, a to aj napriek výrazne zvýšeným dostupným výpočtovým rýchlostiam. Bola potrebná nová metodológia, ktorej charakteristické črty bolo možné nájsť vo fuzzy logike.
Rovnako ako robotika, aj fuzzy logika sa stretla s veľkým záujmom nie v krajine pôvodu, v Spojených štátoch, ale za jej hranicami, a v dôsledku toho sú prvé skúsenosti s priemyselným využitím fuzzy logiky – na riadenie kotolní v elektrárňach. spojené s Európou. Všetky pokusy použiť tradičné metódy, niekedy veľmi zložité, na ovládanie parného kotla skončili neúspechom - tento nelineárny systém sa ukázal byť taký zložitý. A iba použitie fuzzy logiky umožnilo syntetizovať regulátor, ktorý spĺňal všetky požiadavky. V roku 1976 bola fuzzy logika použitá ako základ pre automatický riadiaci systém pre rotačnú pec pri výrobe cementu. Prvé praktické výsledky používania fuzzy logiky, získané v Európe a Amerike, však nespôsobili výrazný nárast záujmu o ňu. Rovnako ako v prípade robotiky, krajinou, ktorá ako prvá začala so rozšírenou implementáciou fuzzy logiky, uvedomujúc si jej obrovský potenciál, bolo Japonsko.
Medzi aplikovanými fuzzy systémami vytvorenými v Japonsku je najznámejší systém riadenia vlakov metra vyvinutý spoločnosťou Hitachi v Sendai. Projekt bol realizovaný za účasti skúseného vodiča, ktorého znalosti a skúsenosti tvorili základ pre vypracovaný model riadenia. Systém pri približovaní sa k stanici automaticky znížil rýchlosť vlaku, čím zabezpečil zastavenie na požadovanom mieste. Ďalšou výhodou vlaku bol jeho vysoký komfort vďaka plynulému zrýchľovaniu a spomaľovaniu. V porovnaní s tradičnými riadiacimi systémami existovalo množstvo ďalších výhod.
Rýchly rozvoj fuzzy logiky v Japonsku viedol k jej praktickým aplikáciám nielen v priemysle, ale aj pri výrobe spotrebného tovaru. Príkladom je videokamera vybavená podsystémom fuzzy stabilizácie obrazu, ktorý sa používal na kompenzáciu kolísania obrazu spôsobeného neskúsenosťou operátora. Tento problém bol príliš zložitý na to, aby sa dal vyriešiť tradičnými metódami, keďže bolo potrebné odlíšiť náhodné výkyvy v obraze od účelového pohybu fotografovaných predmetov (napríklad pohyb osôb).
Ďalším príkladom je automatická práčka, ktorá sa ovláda stlačením tlačidla (Zimmerman 1994). Táto „integrita“ vzbudila záujem a stretla sa so súhlasom. Použitie metód fuzzy logiky umožnilo optimalizovať proces prania, pričom automaticky rozpoznal typ, objem a stupeň znečistenia odevov, nehovoriac o tom, že zredukovaním ovládacieho mechanizmu stroja na jediné tlačidlo sa výrazne zjednodušilo pranie. rukoväť.
Vynálezy fuzzy logiky implementovali japonské firmy do mnohých ďalších zariadení, vrátane mikrovlnných rúr (Sanyo), protiblokovacích brzdových systémov a automatických prevodoviek (Nissan), integrovaného riadenia dynamiky vozidla (INVEC) a ovládačov pevných diskov v počítačoch skrátenie času prístupu k informáciám.
Okrem vyššie uvedených aplikácií už od začiatku 90. rokov. V mnohých aplikovaných oblastiach, vrátane tých, ktoré nesúvisia s technológiou, prebieha intenzívny vývoj fuzzy metód:
Elektronický riadiaci systém kardiostimulátora;
Riadiaci systém motorových vozidiel;
Chladiace systémy;
Klimatizačné a ventilačné zariadenia;
Zariadenia na spaľovanie odpadu;
Pec na tavenie skla;
Systém monitorovania krvného tlaku;
Diagnóza nádorov;
Diagnostika súčasného stavu kardiovaskulárneho systému;
Riadiaci systém pre žeriavy a mosty;
Spracovanie obrazu;
Rýchla nabíjačka;
Rozpoznávanie slov;
Riadenie bioprocesorov;
Ovládanie elektromotora;
Zváracie zariadenia a zváracie procesy;
Systémy riadenia dopravy;
Biomedicínsky výskum;
Úpravne vody.
V súčasnosti pri tvorbe umelej inteligencie (v pôvodnom zmysle slova sem expertné systémy a šachové programy nepatria) dochádza k intenzívnemu brúseniu všetkých tematických oblastí, ktoré majú aspoň nejaký vzťah k AI, do znalostných báz. . Testovali sa takmer všetky prístupy, no ani jedna výskumná skupina nepristúpila k vzniku umelej inteligencie.
Výskum AI sa pripojil k všeobecnému prúdu technológií singularity (skok druhov, exponenciálny ľudský rozvoj), ako sú počítačové vedy, expertné systémy, nanotechnológia, molekulárna bioelektronika, teoretická biológia, kvantová teória(y), nootropiká, extrofily atď. Kurzweil News, MIT.
Výsledky vývoja v oblasti AI vstúpili do vysokého a stredného školstva v Rusku vo forme učebníc informatiky, kde sa dnes študuje problematika práce a tvorby znalostných báz, expertné systémy založené na osobných počítačoch založené na domácich logických programovacích systémoch, ako aj štúdium základných problémov matematiky a informatiky na príkladoch pracujúcich s modelmi znalostných báz a expertných systémov na školách a univerzitách.
Boli vyvinuté nasledujúce systémy umelej inteligencie:
1. Deep Blue - porazil majstra sveta v šachu. (Zápas medzi Kasparovom a superpočítačmi nepriniesol uspokojenie ani počítačovým vedcom, ani šachistom a systém Kasparov neuznal, hoci pôvodné kompaktné šachové programy sú integrálnym prvkom šachovej kreativity. Potom sa rad superpočítačov IBM objavil v r. projekt hrubej sily BluGene (molekulárne modelovanie) a modelovanie pyramídového bunkového systému vo švajčiarskom centre Blue Brain Tento príbeh je príkladom zložitého a tajného vzťahu medzi AI, podnikaním a národnými strategickými cieľmi.)
2. Mycin bol jedným z prvých expertných systémov, ktoré dokázali diagnostikovať malý súbor chorôb, často tak presne ako lekári.
3. 20q je projekt založený na nápadoch AI, založený na klasickej hre „20 Questions“. Po objavení sa na internete na stránke 20q.net sa stala veľmi populárnou.
4. Rozpoznávanie reči. Systémy ako ViaVoice sú schopné slúžiť spotrebiteľom.
5. Roboty súťažia v zjednodušenej forme futbalu na každoročnom turnaji RoboCup.
Banky využívajú systémy umelej inteligencie (AI) v poisťovacích činnostiach (aktuálna matematika) pri hraní na burze a správe majetku. V auguste 2001 roboty porazili ľudí v improvizovanej obchodnej súťaži (BBC News, 2001). Metódy rozpoznávania vzorov (vrátane zložitejších aj špecializovaných a neurónových sietí) sú široko používané v optickom a akustickom rozpoznávaní (vrátane textu a reči), lekárskej diagnostike, spamových filtroch, v systémoch protivzdušnej obrany (identifikácia cieľa) a tiež na zabezpečenie množstva iných úloh národnej bezpečnosti.
Vývojári počítačových hier sú nútení používať AI rôzneho stupňa prepracovanosti. Štandardné úlohy AI v hrách sú hľadanie cesty v dvojrozmernom alebo trojrozmernom priestore, simulácia správania bojovej jednotky, výpočet správnej ekonomickej stratégie a pod.
Umelá inteligencia úzko súvisí s transhumanizmom. A spolu s neurofyziológiou, epistemológiou, kognitívnou psychológiou tvorí všeobecnejšiu vedu zvanú kognitívna veda. Filozofia zohráva v umelej inteligencii osobitnú úlohu. S problémami umelej inteligencie úzko súvisí aj epistemológia – veda o poznaní v rámci filozofie. Filozofi pracujúci na tejto téme zápasia s otázkami podobnými tým, ktorým čelia inžinieri AI o tom, ako najlepšie reprezentovať a používať znalosti a informácie. Produkovanie znalostí z dát je jedným zo základných problémov data miningu. Existujú rôzne prístupy k riešeniu tohto problému, vrátane tých, ktoré sú založené na technológii neurónových sietí, využívajúce postupy verbalizácie neurónových sietí.
V informatike sú problémy umelej inteligencie posudzované z pohľadu navrhovania expertných systémov a znalostných báz. Znalostné bázy sú chápané ako súbor údajov a pravidiel vyvodzovania, ktoré umožňujú logické vyvodzovanie a zmysluplné spracovanie informácií. Vo všeobecnosti je výskum problémov umelej inteligencie v informatike zameraný na tvorbu, vývoj a prevádzku inteligentných informačných systémov, vrátane problematiky vzdelávania používateľov a vývojárov takýchto systémov.
Veda o „vytváraní umelej inteligencie“ nemohla pritiahnuť pozornosť filozofov. S príchodom prvých inteligentných systémov vyvstali zásadné otázky o človeku a poznaní a čiastočne o svetovom poriadku. Na jednej strane sú s touto vedou nerozlučne späté a na druhej do nej vnášajú chaos. Filozofické problémy vytvárania umelej inteligencie možno rozdeliť do dvoch skupín, relatívne povedané, „pred a po vývoji AI“. Prvá skupina odpovedá na otázku: „Čo je AI, je možné ju vytvoriť a ak je to možné, ako ju urobiť? Druhá skupina (etika umelej inteligencie) si kladie otázku: „Aké sú dôsledky vytvorenia AI pre ľudstvo?
Problémy vytvárania umelej inteligencie. Viditeľné sú dva smery rozvoja AI: prvý - v riešení problémov spojených s približovaním špecializovaných systémov AI k ľudským schopnostiam a ich integrácia, ktorá je realizovaná ľudskou prirodzenosťou, druhý - vo vytváraní umelej inteligencie, ktorá predstavuje integrácia už vytvorených systémov AI do jedného systému schopného riešiť problémy ľudstva.
Medzi výskumníkmi AI stále neexistuje dominantný názor na kritériá inteligencie, systematizáciu cieľov a úloh, ktoré treba riešiť, dokonca neexistuje ani striktná definícia vedy. Na otázku, čo sa považuje za inteligenciu, existujú rôzne názory. Analytický prístup zahŕňa analýzu vyššej nervovej aktivity človeka na najnižšiu, nedeliteľnú úroveň (funkcia vyššej nervovej aktivity, elementárna reakcia na vonkajšie dráždidlá (podnety), podráždenie synapsií súboru neurónov spojených funkciou) a následnú reprodukciu týchto funkcií.
Niektorí odborníci zamieňajú schopnosť racionálnej, motivovanej voľby v podmienkach nedostatku informácií za inteligenciu. To znamená, že intelektuálny program sa jednoducho považuje za taký program činnosti, ktorý si môže vybrať z určitého súboru alternatív, napríklad kam ísť v prípade „pôjdeš doľava...“, „pôjdeš doprava“. ...“, „pôjdete rovno...“.
Najhorúcejšou debatou vo filozofii umelej inteligencie je otázka možnosti myslenia vytvoreného ľudskou rukou. Otázku „Môže stroj myslieť?“, ktorá podnietila výskumníkov k vytvoreniu vedy o simulácii ľudskej mysle, položil Alan Turing v roku 1950. Dva hlavné uhly pohľadu na túto problematiku sa nazývajú hypotézy silnej a slabej umelej inteligencie.
Pojem „silná umelá inteligencia“ zaviedol John Searle a podľa jeho slov tento prístup charakterizuje: „Takýto program nebude len modelom mysle; ona, v doslovnom zmysle slova, sama bude mysľou, v rovnakom zmysle, v akom je mysľou ľudská myseľ.“ Naproti tomu zástancovia slabej AI uprednostňujú vnímanie programov len ako nástrojov, ktoré im umožňujú riešiť určité problémy, ktoré si nevyžadujú celú škálu ľudských kognitívnych schopností.
Myšlienkový experiment Johna Searla „Chinese Room“ tvrdí, že absolvovanie Turingovho testu nie je kritériom toho, aby stroj mal skutočný myšlienkový proces. Myslenie je proces spracovania informácií uložených v pamäti: analýza, syntéza a samoprogramovanie. Podobný postoj zastáva Roger Penrose, ktorý vo svojej knihe „The King's New Mind“ argumentuje nemožnosťou získať proces myslenia na základe formálnych systémov.
6. Výpočtové zariadenia a mikroprocesory.
Mikroprocesor (MP) je zariadenie, ktoré prijíma, spracováva a vydáva informácie. Štrukturálne obsahuje MP jeden alebo viac integrovaných obvodov a vykonáva činnosti definované programom uloženým v pamäti (obr. 6.1).
Obrázok 6.1– MP vzhľad
Prvé procesory boli vytvorené ako jedinečné komponenty pre jedinečné počítačové systémy. Neskôr výrobcovia počítačov prešli od drahého spôsobu vývoja procesorov určených na spustenie jedného alebo niekoľkých vysoko špecializovaných programov k masovej výrobe typických tried viacúčelových procesorových zariadení. Trend štandardizácie počítačových komponentov vznikol v ére prudkého rozvoja polovodičových prvkov, sálových počítačov a minipočítačov a s príchodom integrovaných obvodov sa stal ešte populárnejším. Vytvorenie mikroobvodov umožnilo ďalšie zvýšenie zložitosti CPU pri súčasnom znížení ich fyzickej veľkosti.
Štandardizácia a miniaturizácia procesorov viedla k hlbokému prenikaniu digitálnych zariadení na nich založených do každodenného ľudského života. Moderné procesory nájdeme nielen v high-tech zariadeniach, ako sú počítače, ale aj v autách, kalkulačkách, mobilných telefónoch a dokonca aj v detských hračkách. Najčastejšie sú zastúpené mikrokontrolérmi, kde sú na čipe okrem výpočtového zariadenia umiestnené aj ďalšie komponenty (programová a dátová pamäť, rozhrania, vstupno/výstupné porty, časovače a pod.). Výpočtové možnosti mikrokontroléra sú porovnateľné s procesormi osobných počítačov spred desiatich rokov a často dokonca výrazne prevyšujú ich výkon.
Mikroprocesorový systém (MPS) je výpočtový, prístrojový alebo riadiaci systém, v ktorom je hlavným zariadením na spracovanie informácií MP. Mikroprocesorový systém je zostavený zo sady mikroprocesorových LSI (obr. 6.2).
Obrázok 6.2– Príklad mikroprocesorového systému
Generátor hodinových impulzov nastavuje časový interval, ktorý je meracou jednotkou (kvantom) počas trvania príkazu. Čím vyššia je frekvencia, tým rýchlejšie je MPS, pričom všetky ostatné veci sú rovnaké. MP, RAM a ROM sú neoddeliteľnou súčasťou systému. Vstupné a výstupné rozhrania - zariadenia na prepojenie MPS so vstupnými a výstupnými blokmi. Meracie prístroje sa vyznačujú vstupnými zariadeniami v podobe tlačidlového diaľkového ovládania a meracími prevodníkmi (ADC, snímače, digitálne informačné vstupné jednotky). Výstupné zariadenia zvyčajne predstavujú digitálne displeje, grafickú obrazovku (displej) a externé zariadenia na prepojenie s meracím systémom. Všetky bloky MPS sú prepojené digitálnymi zbernicami na prenos informácií. MPS využíva princíp chrbticovej komunikácie, pri ktorej si bloky vymieňajú informácie prostredníctvom jedinej dátovej zbernice. Počet riadkov v dátovej zbernici zvyčajne zodpovedá kapacite MPS (počet bitov v dátovom slove). Adresová zbernica slúži na označenie smeru prenosu dát – prenáša adresu pamäťovej bunky alebo I/O bloku, ktorý práve prijíma alebo vysiela informácie. Riadiaca zbernica slúži na prenos signálov synchronizujúcich celú činnosť MPS.
Konštrukcia IPS je založená na troch princípoch:
Hlavná línia;
modularita;
Mikroprogramové ovládanie.
Princíp trunkingu – určuje charakter prepojení medzi funkčnými blokmi MPS – všetky bloky sú pripojené na jednu systémovú zbernicu.
Princíp modularity spočíva v tom, že systém je vybudovaný na základe obmedzeného počtu typov konštrukčne a funkčne ucelených modulov.
Princípy trunkingu a modularity umožňujú zvýšiť riadiace a výpočtové možnosti MP pripojením ďalších modulov na systémovú zbernicu.
Princípom mikroprogramového riadenia je schopnosť vykonávať elementárne operácie - mikropríkazy (shifty, prenosy informácií, logické operácie), pomocou ktorých sa vytvára technologický jazyk, teda súbor príkazov, ktorý najlepšie vyhovuje účelu systému.
Podľa účelu sa poslanci delia na univerzálnych a špecializovaných.
Univerzálne mikroprocesory sú univerzálne mikroprocesory, ktoré riešia širokú triedu problémov s výpočtom, spracovaním a riadením. Príkladom využitia univerzálnych MP sú počítače postavené na platformách IBM a Macintosh.
Špecializované mikroprocesory sú určené na riešenie problémov len určitej triedy. Špecializované MP zahŕňajú: signalizáciu, multimediálne MP a transputery.
Signálové procesory (DSP) sú navrhnuté na digitálne spracovanie signálu v reálnom čase (napríklad filtrovanie signálu, výpočet konvolúcie, výpočet korelačnej funkcie, obmedzenie a kondicionovanie signálu, vykonávanie doprednej a inverznej Fourierovej transformácie). (Obrázok 6.3) Signálové procesory zahŕňajú procesory od Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx a DSP9600x.
Obrázok 6.3– Príklad vnútornej štruktúry DSP
Mediálne a multimediálne procesory sú určené na spracovanie zvukových signálov, grafických informácií, videoobrazov, ako aj na riešenie množstva problémov v multimediálnych počítačoch, herných konzolách a domácich spotrebičoch. Medzi tieto procesory patria procesory od MicroUnity – Mediaprocessor, Philips – Trimedia, Cromatic Research – Mpact Media Engine, Nvidia – NV1, Cyrix – MediaGX.
Transputery sú navrhnuté tak, aby organizovali masívne paralelné výpočty a pracovali vo viacprocesorových systémoch. Vyznačujú sa prítomnosťou vnútornej pamäte a vstavaným medziprocesorovým rozhraním, t.j. komunikačnými kanálmi s inými MP LSI.
Na základe typu architektúry, prípadne princípu konštrukcie sa rozlišuje medzi poslancami s von Neumannovou architektúrou a poslancami s harvardskou architektúrou.
Koncept architektúry mikroprocesora definuje jeho komponenty, ako aj prepojenia a interakcie medzi nimi.
Architektúra zahŕňa:
bloková schéma MP;
Softvérový model MP (popis funkcií registra);
Informácie o organizácii pamäte (spôsoby adresovania kapacity a pamäte);
Opis organizácie vstupných/výstupných postupov.
Fonneumannovu architektúru (obr. 6.4, a) navrhol v roku 1945 americký matematik Joe von Neumann. Jeho zvláštnosťou je, že program a dáta sú umiestnené v zdieľanej pamäti, do ktorej sa pristupuje cez jednu dátovú a príkazovú zbernicu.
Harvardská architektúra bola prvýkrát implementovaná v roku 1944 v reléovom počítači na Harvardskej univerzite (USA). Znakom tejto architektúry je, že dátová pamäť a programová pamäť sú oddelené a majú oddelené dátové zbernice a príkazové zbernice (obr. 6.4, b), čo umožňuje zvýšiť výkon systému MP.
Obrázok 6.4. Hlavné typy architektúry: (a - von Neumann; 6 - Harvard)
Na základe typu inštrukčného systému sa rozlišujú procesory CISC (Complete Instruction Set Computing) s úplnou sadou inštrukcií (typickými predstaviteľmi CISC sú mikroprocesory rodiny Intel x86) resp. RISC procesory(Reduced Instruction Set Computing) s redukovanou sadou inštrukcií (charakterizované prítomnosťou inštrukcií s pevnou dĺžkou, veľkým počtom registrov, operáciami medzi registrami a registrami a absenciou nepriameho adresovania).
Jednočipový mikrokontrolér (MCU) je čip určený na ovládanie elektronických zariadení (obrázok 5). Typický mikrokontrolér kombinuje funkcie procesora a periférnych zariadení a môže obsahovať RAM a ROM. V podstate ide o jednočipový počítač schopný vykonávať jednoduché úlohy. Použitie jedného čipu namiesto celej sady výrazne znižuje veľkosť, spotrebu energie a náklady na zariadenia založené na mikrokontroléroch.
Obrázok 6.5– príklady návrhov mikrokontrolérov
Mikrokontroléry sú základom pre budovanie vstavaných systémov, možno ich nájsť v mnohých moderných zariadeniach, ako sú telefóny, práčky atď. Väčšina procesorov vyrábaných vo svete sú mikrokontroléry.
Dnes sú 8-bitové mikrokontroléry kompatibilné s i8051 od Intelu, PIC mikrokontroléry od Microchip Technology a AVR od Atmel, šestnásťbitové MSP430 od TI, ako aj ARM, ktorých architektúru vyvíja ARM a predáva licencie iným spoločnostiam za ich produkcia, sú medzi vývojármi obľúbené.
Pri navrhovaní mikrokontrolérov existuje rovnováha medzi veľkosťou a cenou na jednej strane a flexibilitou a výkonom na strane druhej. Pre rôzne aplikácie sa optimálna rovnováha týchto a iných parametrov môže značne líšiť. Preto existuje obrovské množstvo typov mikrokontrolérov, ktoré sa líšia architektúrou procesorového modulu, veľkosťou a typom vstavanej pamäte, sadou periférnych zariadení, typom puzdra atď.
Čiastočný zoznam periférnych zariadení, ktoré môžu byť prítomné v mikrokontroléroch, zahŕňa:
Univerzálne digitálne porty, ktoré možno nakonfigurovať na vstup alebo výstup;
Rôzne I/O rozhrania ako UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;
Analógovo-digitálne a digitálno-analógové prevodníky;
Komparátory;
Modulátory šírky impulzu;
Časovače, vstavaný generátor hodín a strážny časovač;
Bezkefkové ovládače motora;
Ovládače displeja a klávesnice;
Rádiofrekvenčné prijímače a vysielače;
Pole vstavanej flash pamäte.
Umelá inteligencia (AI, anglicky: Artificial intelligence, AI) - veda a technológia vytvárania inteligentných strojov, najmä inteligentných počítačových programov. AI súvisí s podobnou úlohou používania počítačov na pochopenie ľudskej inteligencie, ale nie je nevyhnutne obmedzená na biologicky prijateľné metódy.
Čo je umelá inteligencia
Inteligencia(z lat. intellectus – pociťovanie, vnímanie, chápanie, chápanie, pojem, rozum), alebo myseľ – kvalita psychiky pozostávajúca zo schopnosti prispôsobiť sa novým situáciám, schopnosti učiť sa a pamätať si na základe skúseností, chápať a aplikovať abstraktné pojmy a využiť svoje poznatky pre environmentálny manažment. Inteligencia je všeobecná schopnosť poznávania a riešenia ťažkostí, ktorá spája všetky ľudské kognitívne schopnosti: pocit, vnímanie, pamäť, reprezentáciu, myslenie, predstavivosť.
Začiatkom 80. rokov 20. storočia. Výpočtoví vedci Barr a Fajgenbaum navrhli nasledujúcu definíciu umelej inteligencie (AI):
Neskôr sa pod AI začalo zaraďovať množstvo algoritmov a softvérových systémov, ktorých charakteristickou vlastnosťou je, že dokážu vyriešiť niektoré problémy rovnakým spôsobom, ako by to urobil človek, ktorý o ich riešení uvažuje.
Hlavnými vlastnosťami AI sú porozumenie jazyku, učenie a schopnosť myslieť, a čo je dôležité, konať.
Umelá inteligencia je komplexom súvisiacich technológií a procesov, ktoré sa kvalitatívne a rýchlo rozvíjajú, napríklad:
- spracovanie textu v prirodzenom jazyku
- expertné systémy
- virtuálni agenti (chatboty a virtuálni asistenti)
- systémy odporúčaní.
Výskum AI
- Hlavný článok: Výskum umelej inteligencie
Štandardizácia v AI
2018: Vývoj štandardov v oblasti kvantových komunikácií, AI a smart city
Dňa 6. decembra 2018 Technický výbor „Kybernetické fyzikálne systémy“ založený na RVC spolu s Regionálnym inžinierskym centrom „SafeNet“ začali vyvíjať súbor štandardov pre trhy Národnej technologickej iniciatívy (NTI) a digitálnej ekonomiky. Do marca 2019 sa plánuje vypracovať technické normalizačné dokumenty v oblasti kvantových komunikácií a uviedla RVC. Prečítajte si viac.
Vplyv umelej inteligencie
Riziko pre rozvoj ľudskej civilizácie
Vplyv na ekonomiku a podnikanie
- Vplyv technológií umelej inteligencie na ekonomiku a podnikanie
Vplyv na trh práce
Zaujatosť umelej inteligencie
Základom všetkého, čo je praxou AI (strojový preklad, rozpoznávanie reči, spracovanie prirodzeného jazyka, počítačové videnie, automatizovaná jazda a mnohé ďalšie), je hlboké učenie. Ide o podskupinu strojového učenia, ktorá sa vyznačuje používaním modelov neurónových sietí, o ktorých sa dá povedať, že napodobňujú fungovanie mozgu, takže klasifikovať ich ako AI by bolo náročné. Akýkoľvek model neurónovej siete je trénovaný na veľkých súboroch údajov, takže získava určité „zručnosti“, ale ako ich používa, zostáva jeho tvorcom nejasné, čo sa v konečnom dôsledku stáva jedným z najdôležitejších problémov mnohých aplikácií hlbokého učenia. Dôvodom je, že takýto model pracuje s obrazom formálne, bez akéhokoľvek chápania toho, čo robí. Je takýto systém AI a dá sa dôverovať systémom založeným na strojovom učení? Dôsledky odpovede na poslednú otázku presahujú rámec vedeckého laboratória. Pozornosť médií na fenomén nazývaný AI bias sa preto výrazne zintenzívnila. Dá sa to preložiť ako „AI bias“ alebo „AI bias“. Prečítajte si viac.
Trh technológií umelej inteligencie
Trh AI v Rusku
Globálny trh AI
Oblasti použitia AI
Oblasti použitia AI sú pomerne široké a pokrývajú známe technológie aj vznikajúce nové oblasti, ktoré majú ďaleko od masového použitia, inými slovami, ide o celú škálu riešení, od vysávačov až po vesmírne stanice. Celú ich rozmanitosť môžete rozdeliť podľa kritéria kľúčových bodov rozvoja.
AI nie je monolitická tematická oblasť. Okrem toho sa niektoré technologické oblasti umelej inteligencie javia ako nové podsektory ekonomiky a samostatné entity, pričom súčasne slúžia väčšine oblastí v ekonomike.
Rozvoj využívania AI vedie k adaptácii technológií v klasických sektoroch ekonomiky v celom hodnotovom reťazci a transformuje ich, čo vedie k algoritmizácii takmer všetkej funkcionality, od logistiky až po riadenie spoločnosti.
Používanie AI na obranu a vojenské záležitosti
Využitie vo vzdelávaní
Používanie AI v podnikaní
AI v elektroenergetike
- Na úrovni návrhu: vylepšené predpovedanie výroby a dopytu po energetických zdrojoch, hodnotenie spoľahlivosti zariadení na výrobu elektrickej energie, automatizácia zvýšenej výroby pri náraste dopytu.
- Na úrovni výroby: optimalizácia preventívnej údržby zariadení, zvyšovanie efektívnosti výroby, znižovanie strát, predchádzanie krádežiam energetických zdrojov.
- Na úrovni propagácie: optimalizácia cien v závislosti od dennej doby a dynamická fakturácia.
- Na úrovni poskytovania služieb: automatický výber najziskovejšieho dodávateľa, podrobné štatistiky spotreby, automatizovaný zákaznícky servis, optimalizácia spotreby energie s prihliadnutím na zvyky a správanie zákazníka.
AI vo výrobe
- Na úrovni dizajnu: zvýšenie efektivity vývoja nových produktov, automatizované hodnotenie dodávateľov a analýza požiadaviek na náhradné diely.
- Na úrovni výroby: zlepšenie procesu plnenia úloh, automatizácia montážnych liniek, zníženie počtu chýb, skrátenie dodacích lehôt surovín.
- Na úrovni propagácie: predpovedanie objemu služieb podpory a údržby, riadenie cien.
- Na úrovni poskytovania služieb: zlepšenie plánovania trás vozového parku, dopyt po zdrojoch vozového parku, skvalitnenie prípravy servisných technikov.
AI v bankách
- Rozpoznávanie vzorov - používané vr. rozpoznať zákazníkov v pobočkách a sprostredkovať im špecializované ponuky.
AI v doprave
- Automobilový priemysel je na pokraji revolúcie: 5 výziev éry bezpilotnej jazdy
AI v logistike
AI v pivovarníctve
Využitie AI vo verejnej správe
AI vo forenznej oblasti
- Rozpoznávanie vzorov - používané vr. identifikovať zločincov na verejných priestranstvách.
- V máji 2018 vyšlo najavo, že holandská polícia využíva umelú inteligenciu na vyšetrovanie zložitých zločinov.
Orgány činné v trestnom konaní začali digitalizovať viac ako 1500 správ a 30 miliónov stránok súvisiacich s nevyriešenými prípadmi, uvádza The Next Web. Do počítačovej podoby sa prenášajú materiály od roku 1988, v ktorých sa trestný čin neobjasnil najmenej tri roky a páchateľ bol odsúdený na viac ako 12 rokov väzenia.
Keď bude všetok obsah digitalizovaný, bude pripojený k systému strojového učenia, ktorý bude analyzovať záznamy a rozhodne, ktoré prípady využívajú najspoľahlivejšie dôkazy. To by malo skrátiť čas potrebný na spracovanie prípadov a vyriešenie minulých a budúcich zločinov z niekoľkých týždňov na jeden deň.
Umelá inteligencia kategorizuje prípady podľa ich „riešiteľnosti“ a uvádza možné výsledky testovania DNA. V pláne je potom automatizovať analýzu v iných oblastiach forenznej analýzy a možno aj rozšíriť do oblastí, ako sú spoločenské vedy a svedectvá.
Okrem toho, ako povedal jeden z vývojárov systému Jeroen Hammer, v budúcnosti môžu byť uvoľnené funkcie API pre partnerov.
Holandská polícia má špeciálnu jednotku, ktorá sa špecializuje na vývoj nových technológií na riešenie zločinov. Bol to on, kto vytvoril systém AI na rýchle vyhľadávanie zločincov na základe dôkazov.
AI v súdnictve
Vývoj v oblasti umelej inteligencie pomôže radikálne zmeniť súdny systém, ktorý bude spravodlivejší a bez korupčných schém. Tento názor vyjadril v lete 2017 Vladimír Krylov, doktor technických vied, technický konzultant spoločnosti Artezio.
Vedec verí, že existujúce riešenia AI sa dajú úspešne aplikovať v rôznych oblastiach ekonomiky a verejného života. Odborník upozorňuje, že AI sa úspešne využíva v medicíne, no v budúcnosti môže úplne zmeniť súdny systém.
„Keď sa každý deň pozeráte na správy o vývoji v oblasti AI, žasnete nad nevyčerpateľnou predstavivosťou a plodnosťou výskumníkov a vývojárov v tejto oblasti. Správy o vedeckom výskume sa neustále prelínajú s publikáciami o nových produktoch, ktoré vtrhli na trh, a správami o úžasných výsledkoch získaných používaním AI v rôznych oblastiach. Ak hovoríme o očakávaných udalostiach sprevádzaných výrazným humbukom v médiách, v ktorých sa AI opäť stane hrdinom správ, pravdepodobne nebudem riskovať technologické predpovede. Viem si predstaviť, že najbližšou udalosťou bude vznik niekde mimoriadne kompetentného súdu v podobe umelej inteligencie, spravodlivej a nepodplatiteľnej. Stane sa tak zrejme v rokoch 2020-2025. A procesy, ktoré sa budú odohrávať na tomto súde, povedú k neočakávaným úvahám a túžbe mnohých ľudí preniesť na AI väčšinu procesov riadenia ľudskej spoločnosti.“
Vedec uznáva využitie umelej inteligencie v súdnom systéme ako „logický krok“ k rozvoju legislatívnej rovnosti a spravodlivosti. Strojová inteligencia nepodlieha korupcii a emóciám, dokáže sa striktne držať legislatívneho rámca a prijímať rozhodnutia s prihliadnutím na mnohé faktory vrátane údajov, ktoré charakterizujú strany sporu. Analogicky s medicínskou oblasťou môžu robotickí sudcovia pracovať s veľkými dátami z archívov vládnych služieb. Dá sa predpokladať, že strojová inteligencia bude schopná rýchlo spracovať dáta a zohľadniť podstatne viac faktorov ako ľudský sudca.
Odborní psychológovia sa však domnievajú, že absencia emocionálnej zložky pri posudzovaní súdnych sporov negatívne ovplyvní kvalitu rozhodnutia. Verdikt strojového súdu môže byť príliš priamočiary, neberie do úvahy dôležitosť pocitov a nálad ľudí.
Maľovanie
V roku 2015 tím Google testoval neurónové siete, aby zistil, či dokážu sami vytvárať obrázky. Potom bola umelá inteligencia trénovaná pomocou veľkého množstva rôznych obrázkov. Keď však stroj „požiadal“, aby niečo zobrazil sám, ukázalo sa, že svet okolo nás interpretuje trochu zvláštnym spôsobom. Napríklad za úlohu kresliť činky dostali vývojári obrázok, na ktorom bol kov spojený ľudskými rukami. Stalo sa to pravdepodobne preto, že počas tréningovej fázy analyzované obrázky s činkami obsahovali ruky a neurónová sieť to interpretovala nesprávne.
26. februára 2016 na špeciálnej aukcii v San Franciscu zástupcovia Google vyzbierali približne 98 tisíc dolárov z psychedelických obrazov vytvorených umelou inteligenciou. Tieto prostriedky boli venované na charitu. Jeden z najúspešnejších obrázkov auta je uvedený nižšie.
Obraz namaľovaný umelou inteligenciou Google.
Medzi najdôležitejšie triedy úloh, ktoré boli kladené vývojárom inteligentných systémov od definície umelej inteligencie ako vedeckého smeru (od polovice 50-tych rokov dvadsiateho storočia), treba zdôrazniť nasledovné: oblasti umelej inteligencie, ktoré riešia problémy, ktoré sa ťažko formalizujú: dôkaz teorémov, rozpoznávanie obrázkov, strojový preklad a porozumenie ľudskej reči, herné programy, strojová kreativita, expertné systémy. Pozrime sa stručne na ich podstatu.
Smery umelej inteligencie
Dôkaz teorémov. Štúdium techník dokazovania teorémov zohralo dôležitú úlohu vo vývoji umelej inteligencie. Mnohé neformálne problémy, napríklad medicínska diagnostika, sa riešia pomocou metodických prístupov, ktoré sa použili na automatizáciu dokazovania teorémov. Hľadanie dôkazu matematickej vety si vyžaduje nielen dedukciu z hypotéz, ale aj vytvorenie intuitívnych predpokladov o tom, ktoré prechodné tvrdenia by sa mali dokázať pre celkový dôkaz hlavnej vety.
Rozpoznávanie obrázkov. Využitie umelej inteligencie na rozpoznávanie obrazu umožnilo vytvárať prakticky fungujúce systémy na identifikáciu grafických objektov na základe podobných vlastností. Akékoľvek charakteristiky objektov, ktoré sa majú rozpoznať, možno považovať za znaky. Vlastnosti musia byť invariantné k orientácii, veľkosti a tvaru predmetov. Abecedu funkcií tvorí vývojár systému. Kvalita rozpoznávania do značnej miery závisí od toho, ako dobre bola vyvinutá abeceda funkcií. Rozpoznanie pozostáva z a priori získania znakového vektora pre samostatný objekt vybraný na obrázku a následne z určenia, ktorému zo štandardov znakovej abecedy tento vektor zodpovedá.
Strojový preklad a porozumenie ľudskej reči. Úloha analýzy viet v ľudskej reči pomocou slovníka je typickou úlohou pre systémy umelej inteligencie. Na vyriešenie tohto problému bol vytvorený sprostredkujúci jazyk, ktorý uľahčuje porovnávanie fráz z rôznych jazykov. Následne sa tento sprostredkujúci jazyk zmenil na sémantický model na reprezentáciu významov textov, ktoré sa majú preložiť. Evolúcia sémantického modelu viedla k vytvoreniu jazyka pre vnútornú reprezentáciu vedomostí. Výsledkom je, že moderné systémy analyzujú texty a frázy v štyroch hlavných fázach: morfologická analýza, syntaktická, sémantická a pragmatická analýza.
Herné programy. Väčšina herných programov je založená na niekoľkých základných myšlienkach umelej inteligencie, ako je iterácia a samoučenie. Jedným z najzaujímavejších problémov v oblasti herných programov využívajúcich metódy umelej inteligencie je naučiť počítač hrať šach. Bola založená v počiatkoch výpočtovej techniky, koncom 50-tych rokov.
V šachu existujú určité úrovne zručností, stupne kvality hry, ktoré môžu poskytnúť jasné kritériá na hodnotenie intelektuálneho rastu systému. Počítačový šach preto aktívne študovali vedci z celého sveta a výsledky ich úspechov sa využívajú v inom intelektuálnom vývoji, ktorý má skutočný praktický význam.
V roku 1974 sa v rámci pravidelného kongresu IFIP (Medzinárodná federácia spracovania informácií) v Štokholme po prvýkrát konal svetový šampionát medzi šachovými programami. Víťazom tejto súťaže sa stal šachový program „Kaissa“. Bol vytvorený v Moskve na Ústave problémov manažmentu Akadémie vied ZSSR.
Strojová kreativita. Jednou z oblastí použitia umelej inteligencie sú softvérové systémy, ktoré dokážu samostatne vytvárať hudbu, poéziu, príbehy, články, diplomy a dokonca aj dizertačné práce. Dnes existuje celá trieda hudobných programovacích jazykov (napríklad jazyk C-Sound). Pre rôzne hudobné úlohy bol vytvorený špeciálny softvér: systémy na spracovanie zvuku, syntéza zvuku, interaktívne kompozičné systémy, algoritmické kompozičné programy.
Expertné systémy. Metódy umelej inteligencie našli uplatnenie pri tvorbe automatizovaných poradenských systémov alebo expertných systémov. Prvé expertné systémy boli vyvinuté ako výskumné nástroje v 60. rokoch 20. storočia.
Boli to systémy umelej inteligencie špeciálne navrhnuté na riešenie zložitých problémov v úzkej tematickej oblasti, ako je napríklad lekárska diagnostika chorôb. Klasickým cieľom tohto smeru bolo spočiatku vytvorenie univerzálneho systému umelej inteligencie, ktorý by bol schopný vyriešiť akýkoľvek problém bez špecifických znalostí v predmetnej oblasti. V dôsledku obmedzených výpočtových zdrojov sa tento problém ukázal ako príliš zložitý na to, aby sa dal vyriešiť s prijateľným výsledkom.
Komerčná implementácia expertných systémov došlo na začiatku 80. rokov 20. storočia a odvtedy sa expertné systémy rozšírili. Používajú sa v obchode, vede, technológiách, výrobe a v mnohých ďalších oblastiach, kde existuje presne definovaná oblasť. Hlavným významom výrazu „dobre definovaný“ je, že ľudský expert je schopný určiť štádiá uvažovania, pomocou ktorých je možné vyriešiť akýkoľvek problém v danej tematickej oblasti. To znamená, že podobné akcie môže vykonávať počítačový program.
Teraz to môžeme s istotou povedať používanie systémov umelej inteligencie otvára široké hranice.
Expertné systémy sú dnes jednou z najúspešnejších aplikácií technológie umelej inteligencie. Preto odporúčame, aby ste sa oboznámili s.
Definícia
Umelá inteligencia možno definovať ako vednú disciplínu, ktorá sa zaoberá automatizáciou inteligentného správania.
Umelá inteligencia (AI, angličtina Umelá inteligencia, AI) - veda a technológia vytvárania inteligentných strojov, najmä inteligentných počítačových programov. AI súvisí s podobnou úlohou používania počítačov na pochopenie ľudskej inteligencie, ale nie je nevyhnutne obmedzená na biologicky prijateľné metódy.
Ciele a ciele
Cieľom umelej inteligencie je vytvárať technické systémy schopné riešiť nevýpočtové problémy a vykonávať činnosti, ktoré si vyžadujú spracovanie zmysluplných informácií a sú považované za výsadu ľudského mozgu. Medzi takéto úlohy patria napríklad problémy dokazovania viet, herné problémy (povedzme pri hraní šachu), problémy s prekladom z jedného jazyka do druhého, skladanie hudby, rozpoznávanie vizuálnych obrazov, riešenie zložitých tvorivých problémov vedy a spoločenskej praxe. Jednou z dôležitých úloh umelej inteligencie je vytváranie inteligentných robotov schopných autonómne vykonávať operácie na dosiahnutie cieľov stanovených ľuďmi a prispôsobovať ich činnosti.
Štruktúra konceptu
„Umelá inteligencia“ pozostáva z niekoľkých základných princípov a disciplín, ktoré sú jej základom. Toto je podrobnejšie popísané na obrázku nižšie. Obrázok prevzatý z
Nižšie sú uvedené základné definície pojmov použitých na obrázku.
Fuzzy logika a teória fuzzy množín – odvetvie matematiky, ktoré je zovšeobecnením klasickej logiky a teórie množín. Pojem fuzzy logiky prvýkrát predstavil profesor Lutfi Zadeh v roku 1965. V tomto článku bol koncept množiny rozšírený o predpoklad, že funkcia príslušnosti prvku v množine môže nadobudnúť akúkoľvek hodnotu v intervale , a nie iba 0 alebo 1. Takéto množiny sa nazývali fuzzy. Autor tiež navrhol rôzne logické operácie na fuzzy množinách a navrhol koncept lingvistickej premennej, ktorej hodnoty sú fuzzy množiny.
Umelé neurónové siete(ANN) - matematické modely, ako aj ich softvérové alebo hardvérové implementácie, postavené na princípe organizácie a fungovania biologických neurónových sietí - sietí nervových buniek živého organizmu. Tento koncept vznikol pri štúdiu procesov prebiehajúcich v mozgu a pri pokuse o modelovanie týchto procesov. Prvým takýmto pokusom boli neurónové siete McCullocha a Pittsa. Následne, po vývoji algoritmov učenia, sa výsledné modely začali používať na praktické účely: pri predpovedaní problémov, pri rozpoznávaní vzorov, pri problémoch s riadením atď.
Inteligentný agent- program, ktorý nezávisle vykonáva úlohu určenú používateľom počítača počas dlhých časových období. Inteligentní agenti sa používajú na pomoc operátorovi alebo zhromažďovanie informácií. Jedným príkladom úloh vykonávaných agentmi je úloha neustáleho vyhľadávania a zhromažďovania potrebných informácií na internete. Počítačové vírusy, roboty, vyhľadávacie roboty – to všetko možno zaradiť aj medzi inteligentných agentov. Hoci takíto agenti majú prísny algoritmus, „inteligencia“ sa v tomto kontexte chápe ako schopnosť prispôsobiť sa a učiť sa.
Expertný systém (ES, expertný systém)- počítačový program, ktorý môže čiastočne nahradiť odborníka pri riešení problémovej situácie. Moderné ES začali vyvíjať výskumníci umelej inteligencie v 70. rokoch a komerčnú podporu získali v 80. rokoch. Predchodcov expertných systémov navrhol v roku 1832 S. N. Korsakov, ktorý vytvoril mechanické zariadenia, takzvané „inteligentné stroje“, ktoré umožňovali nájsť riešenia daných podmienok, napríklad určiť najvhodnejšie lieky na základe symptómy ochorenia pozorované u pacienta.
Genetický algoritmus(angličtina) genetický algoritmus) je heuristický vyhľadávací algoritmus používaný na riešenie problémov optimalizácie a modelovania náhodným výberom, kombinovaním a obmieňaním požadovaných parametrov pomocou mechanizmov pripomínajúcich biologickú evolúciu. Je to typ evolučného výpočtu. Charakteristickým znakom genetického algoritmu je dôraz na použitie operátora „crossing“, ktorý vykonáva rekombinačnú operáciu kandidátskych riešení, ktorej úloha je podobná úlohe kríženia v živej prírode.
Výskumné modely a metódy
Symbolické modelovanie myšlienkových procesov
Analýzou histórie AI môžeme identifikovať takú širokú oblasť, ako je napr modelovacie uvažovanie. Po mnoho rokov sa vývoj tejto vedy uberal práve touto cestou a teraz je jednou z najrozvinutejších oblastí modernej AI. Modelové uvažovanie zahŕňa vytváranie symbolických systémov, ktorých vstupom je určitý problém a výstupom je jeho riešenie. Spravidla je navrhovaný problém už formalizovaný, teda preložený do matematickej podoby, ale buď nemá algoritmus riešenia, alebo je príliš zložitý, časovo náročný atď. Táto oblasť zahŕňa: dokazovanie teorémov, rozhodovanie a teória hier, plánovanie a dispečing, prognózovanie.
Práca s prirodzenými jazykmi
Dôležitým smerom je spracovanie prirodzeného jazyka, v rámci ktorej sa vykonáva analýza schopností porozumenia, spracovania a generovania textov v „ľudskom“ jazyku. Doposiaľ nebol vyriešený najmä problém strojového prekladu textov z jedného jazyka do druhého. V modernom svete zohráva dôležitú úlohu rozvoj metód vyhľadávania informácií. Pôvodný Turingov test svojou povahou súvisí s týmto smerom.
Hromadenie a využívanie vedomostí
Podľa mnohých vedcov je dôležitou vlastnosťou inteligencie schopnosť učiť sa. Tým sa dostáva do popredia znalostné inžinierstvo, spájajúce úlohy získavania poznatkov z jednoduchých informácií, ich systematizácie a využitia. Pokroky v tejto oblasti ovplyvňujú takmer všetky ostatné oblasti výskumu AI. Aj tu nemožno prehliadnuť dve dôležité podoblasti. Prvým je strojové učenie- týka sa procesu nezávislý získavanie vedomostí inteligentným systémom v procese jeho prevádzky. Druhá súvisí so stvorením expertné systémy- programy, ktoré využívajú špecializované znalostné bázy na získanie spoľahlivých záverov o akomkoľvek probléme.
Oblasť strojového učenia zahŕňa veľkú triedu problémov rozpoznávanie vzorov. Ide napríklad o rozpoznávanie znakov, ručne písaný text, reč, analýzu textu. Mnohé problémy sa úspešne riešia pomocou biologického modelovania (pozri nasledujúci odsek). Zvlášť stojí za zmienku počítačového videnia, ktorá tiež súvisí s robotikou.
Biologické modelovanie umelej inteligencie
Odlišuje sa od chápania umelej inteligencie podľa Johna McCarthyho, keď vychádzajú z pozície, že umelé systémy nie sú povinné vo svojej štruktúre a fungovaní opakovať štruktúru a procesy v nej prebiehajúce, ktoré sú vlastné biologickým systémom javy ľudského správania, jeho schopnosť učenia a adaptácie je dôsledkom biologickej štruktúry a charakteristík jeho fungovania.
To zahŕňa niekoľko oblastí. Neurónové siete sa používajú na riešenie nejasných a zložitých problémov, ako je rozpoznávanie geometrických tvarov alebo zhlukovanie objektov. Genetický prístup je založený na myšlienke, že algoritmus môže byť efektívnejší, ak si prevezme lepšie charakteristiky od iných algoritmov („rodičov“). Relatívne nový prístup, kde úlohou je vytvoriť autonómny program – agenta interagujúceho s vonkajším prostredím, je tzv. agentský prístup.
Perspektívy rozvoja
V súčasnosti sa vývoj umelej inteligencie rozvetvil do veľkých sektorov, ktorým je venovaná hlavná pozornosť v podobe materiálnych a intelektuálnych investícií. Obrázok prevzatý z
Literatúra
1)"Corporate knowledge management a business reengineering" Abdikejev, Kiselev
Hlavnými zdrojmi pre rozvoj firiem sa čoraz viac stávajú ľudia a znalosti, ktoré majú, intelektuálny kapitál a rastúca odborná spôsobilosť personálu. Dnes sú potrebné nové metódy organizačného rozvoja založené na prieniku humanitárnych a inžinierskych prístupov, ktoré umožnia získať synergický efekt z ich interakcie. Tento prístup je založený na moderných pokrokoch v informačných technológiách, konkrétne na kognitívnych technológiách pre organizačný rozvoj. Dôležitý je rozvoj symbiózy koncepcie manažmentu znalostí, reengineeringu podnikových procesov a kognitívnej ľudskej zložky.
Pre vyšších manažérov, obchodných analytikov, študentov MBA programov v pokyny "Strategický manažment",„Protikrízový manažment“, študenti ekonomických univerzít na magisterskom stupni, postgraduálni študenti a pedagógovia v oblasti podnikového manažmentu a obchodného reengineeringu.
2) " Modely a metódy umelej inteligencie. Aplikácia v ekonomike." M.G. Matveev, A.S. Sviridov, N.A. Aleynikova
P Prezentované sú teoretické základy umelej inteligencie: informačné aspekty, informácie o binárnej a fuzzy logike, ako aj metódy a modely. súčasné oblasti umelej inteligencie, expertných systémov, znalostného inžinierstva, neurónových sietí a genetických algoritmov. Podrobne sú rozoberané otázky praktickej implementácie inteligentných systémov. Na ilustráciu vývoja a aplikácie uvažovaných metód a modelov je uvedených veľa príkladov. Osobitná pozornosť sa venuje ekonomickým problémom.
3) "Umelá inteligencia a inteligentné riadiace systémy." I. M. Makarov, V. M. Lokhin, S. V. Manko, M. P. Romanov; šéfredaktor I. M. Makarov
Nová, aktívne sa rozvíjajúca trieda inteligentných automatických riadiacich systémov postavená na technológii spracovania znalostí sa uvažuje z hľadiska efektívnej aplikácie pri riešení problémov riadenia v podmienkach neistoty. Sú načrtnuté základy budovania inteligentných systémov.
4) "Umelá inteligencia: moderný prístup. S. Russell, P. Norvig
Kniha predstavuje všetky moderné pokroky a myšlienky, ktoré boli sformulované vo výskume uskutočnenom za posledných päťdesiat rokov, ako aj zozbierané počas dvoch tisícročí v oblasti vedomostí, ktoré sa stali impulzom pre rozvoj umelej inteligencie ako vedy o navrhovaní. racionálnych agentov.
Zoznam zdrojov
5) http://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0 %BD%D0%BD%D1%8B%D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82
Táto časť je venovaná genetickým algoritmom. Čo sú to genetické algoritmy? V podstate ide o optimalizačné algoritmy, ktoré patria do triedy heuristiky. Tieto algoritmy eliminujú enumeráciu všetkých možností a výrazne skracujú výpočtový čas. Špecifickosť fungovania týchto algoritmov spočíva v simulácii evolučných procesov.
9) http://www.gotai.net/implementations.aspx
Nájdete tu nápady a hotové riešenia na využitie umelej inteligencie a súvisiacich teórií na riešenie určitých praktických problémov.
10) http://www.gotai.net/documents-logic.aspx
Táto časť obsahuje materiály, ktoré sa tak či onak týkajú klasickej metódy modelovania systémov AI, modelovania založeného na rôznych logických zariadeniach. Spravidla ide o materiály súvisiace s expertnými systémami, systémami na podporu rozhodovania a systémami agentov.
11) http://khpi-iip.mipk.kharkiv.edu/library/ai/conspai/12.html
Vývojové trendy AI