Одно из актуальных направлений информатики — интеллектуализация информационных технологий. В результате пользователь сможет не только получить сведения на основе обработки данных, но и использовать по интересующей его проблеме накопленный опыт и знания профессионалов. Интеллектуальные системы и технологии применяются для распространения профессионального опыта и решения сложных научных задач. Для обработки и моделирования знаний применяются специальные модели и создаются базы знаний.
Идея создания искусственного подобия человеческого разума для моделирования мыслительной способности известна с древнейших времен. В XIV в. пытались создать машину для решения различных задач на основе всеобщей классификации понятий. Однако развитие искусственного интеллекта как научного направления стало возможным только после создания ЭВМ. В 40-х гг. ХХ в. Н.Винер создал свои основополагающие работы по новой науке — кибернетике.
Термин искусственнный интеллект (artificial intelligence) предложен в США в 1956 г. Как отрасль науки искусственный интеллект сразу же разделился на два основных направления: нейрокибернетику и кибернетику «черного ящика». Сейчас наметилась тенденция к объединению этих частей вновь в единое целое.
ИНТЕЛЛЕКТУАЛЬНЫЙ БУМ НАШЕГО ТВ [Теле-Мыло]
Основная идея нейрокибернетики: «мыслящее» устройство должно каким-то образом воспроизводить структуру человеческого мозга. Физиологами установлено, что основой человеческого мозга является большое количество (до 10 в 21 степени) связанных между собой и взаимодействующих нервных клеток — нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичным нейронам, и их объединении в функционирующие системы. Их принято называть нейронными сетями или нейросетями.
Первые нейросети были созданы в конце 50-х гг. американскими учеными. Это были попытки создать системы, моделирующее человеческий глаз и его взаимодействие с мозгом. Устройство умело различать буквы алфавита, но было чувствительно к их написанию. Постепенно в 70-80 гг. количество работ по этому направлению искусственного интеллекта стало снижаться. Авторы объясняли неудачи малой памятью и низким быстродействием существовавших в то время компьютеров.
В середине 80-х гг. в Японии в рамках проекта разработки компьютера V поколения, основанного на знаниях, был создан компьютер VI поколения или нейрокомпьютер. К этому времени ограничения по памяти и быстродействию были практически сняты. Появились транспьютеры — параллельные компьютеры с большим количеством процессоров. Они стали основой нейрокомпьютеров, моделирующих структуру мозга человека. Основная область применения нейрокомпьютеров — распознавание образов.
В настоящее время используются три подхода к созданию нейросетей:
- — аппаратный — создание специальных компьютеров, плат расширения, наборов микросхем;
- — программный — создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры;
- — гибридный — комбинация первых двух. Часть вычислений выполняют специальные платы расширения (сопроцессоры), часть — программные средства.
В основу кибернетики «черного ящика» положен принцип, противоположный нейрокибернетике. Не имеет значения, какова структура «мыслящего» устройства. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг.
Интеллектуальные системы и технологии Лекция1
Это направление искусственного интеллекта было ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров. В 50-60 гг. велись интенсивные поиски моделей и алгоритма человеческого мышления и разработка первых программ. Оказалось, что ни одна из существующих наук — философия, психология, лингвистика — не может предложить такого алгоритма. Тогда кибернетики предложили создать собственные модели. Были созданы и опробованы различные подходы.
В конце 50-х гг. родилась модель лабиринтного поиска — оптимального пути от входных данных к результирующим. В решении практических задач идея большого распространения не получила. Начало 60-х гг. — эпоха эвристического программирования. Эвристика — правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска.
Эвристическое программирование — разработка стратегии действий на основе известных, заранее заданных эвристик. В 60-70 гг. к решению задач стали подключать методы математической логики. На основе метода резолюций, позволившего автоматически доказывать теоремы при наличии набора исходных аксиом, в 1973 г. создается язык Пролог.
Существенный прорыв в практических приложениях искусственного интеллекта произошел в середине 70-х гг., когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы. Пришел новый подход к решению задач искусственного интеллекта — представление знаний. Созданы MYCIN и DENDRAL — ставшие классическими экспертные системы для медицины и химии. Объявлено несколько глобальных программ развития интеллектуальных технологий.
Начиная с середины 80-х гг. происходит коммерциализация искусственного интеллекта. Растут ежегодные капиталовложения, создаются промышленные экспертные системы. Растет интерес к самообучающимся системам.
В России в 60-80 гг. получает развитие новая наука — ситуационное управление (соответствует представлению знаний в западной терминологии). Разработаны специальные модели представления ситуаций — представления знаний. Функционирует ассоциация искусственного интеллекта. Уровень теоретических исследований по искусственному интеллекту в России не ниже мирового при прогрессирующем отставании в технологии.
Искусственный интеллект — одно из направлений информатики. Его цель — разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на языке, близком к естественному.
Основные направления развития искусственного интеллекта: Представление знаний и разработка систем, основанных на знаниях — основное направление искусственного интеллекта. Оно связано с созданием моделей представления знаний, баз знаний, образующих ядро экспертных систем (ЭС).
Игры и творчество — игровые интеллектуальные задачи. В их основе лежит один из ранних подходов — лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, т.к. в научном плане эти идеи считаются тупиковыми.
Разработка естественноязыковых интерфейсов и машинный перевод. В 50-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первая программа в этой области — переводчик с английского языка на русский. Первая идея — пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель, включающая анализ и синтез переводимых текстов.
Распознавание образов — традиционное направление искусственного интеллекта. Каждому объекту ставится в соответствие матрица (таблица) признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.
Новые структуры компьютеров. Это направление занимается разработкой новых аппаратных решений, направленных на обработку символьных и логических данных.
Интеллектуальные роботы. Роботы — это электромеханические устройства, предназначенные для автоматизации человеческого труда. Идея создания роботов исключительно древняя. Со времени создания сменилось несколько поколений роботов. Роботы с жесткой схемой управления.
Практически все современные промышленные роботы принадлежат к первому поколению. Фактически это программируемые манипуляторы. Адаптивные роботы с сенсорными устройствами. Есть образцы таких роботов, но пока они широко не используются. Самоорганизующиеся или интеллектуальные роботы. Это — конечная цель развития робототехники.
Основная проблема при создании интеллектуальных роботов — машинное зрение.
Специальное программное обеспечение — разработка специальных языков для решения невычислительных задач. Эти языки ориентированы на символьную обработку информации — LISP, PROLOG, SMALLTALK и др. Помимо этого создаются пакеты прикладных программ, ориентированные на типовую разработку интеллектуальных систем, или программные инструментарии искусственного интеллекта, например KEE, ARTS. Популярно создание так называемых пустых экспертных систем, или «оболочек», — EXSYS, M1 и др., в которых можно наполнять базы знаний, создавая различные системы.
Обучение и самообучение — активно развивающаяся область искусственного интеллекта. Ориентированы на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение по примерам (или индуктивное), а также традиционные подходы распознавания образов.
Данные — это отдельные факты, характеризующие объекты, процессы и явления в предметной области.
Знания — это выявленные закономерности предметной области (принципы, связи, законы).
Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний — базы знаний (небольшого объема, но исключительно дорогие информационные массивы). База знаний — основа любой интеллектуальной системы.
Знания могут быть классифицированы по следующим категориям:
- — поверхностные — о видимых взаимосвязях между отдельными событиями и фактами в предметной обл.;
- — глубинные — абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.
Современные экспертные системы работают в основном с поверхностными знаниями.
Кроме того, знания можно разделить на процедурные и декларативные. Исторически первыми были процедурные знания, представляемые алгоритмами. Они управляли данными. Сегодня знания приобрели чисто декларативную форму, т.е. знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.
Существует множество моделей (или языков) представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:
- — продукционные модели;
- — семантические сети;
- — фреймы;
- — формальные логические модели.
Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие). Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, или оконечными, целевыми, завершающими работу системы).
При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным).
Продукционная модель часто применяется в экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.
Термин семантическая означает смысловая. Семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.
Семантическая сеть содержит вершины (узлы) — понятия и дуги — отношения между ними. Понятия — это обычно абстрактные или конкретные объекты, а отношения — связи типа: «это» (is), «имеет частью» (has part), «принадлежит» и т.д.
Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети.
Основное преимущество этой модели — в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели — сложность поиска вывода из семантической сети.
Фрейм (англ. frame — каркас, рамка). Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование. Под фреймом понимается абстрактный образ или ситуация. В психологии и философии известно понятие абстрактного образа. Например, слово «комната» вызывает образ комнаты: жилое помещение площадью 6-20 кв.м. с четырьмя стенами, полом, потолком, окнами и дверью.
Из этого описания ничего нельзя убрать (убрав окна, получим чулан, а не комнату), но в нем есть «дырки» или «слоты», — это незаполненные значения некоторых атрибутов — количество окон и т.д. Фреймом в теории называется как такой образ, так и формализованная модель для отображения образа.
Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных.
Модель фрейма достаточно универсальна.
Основное преимущество фреймов как модели представления знаний — способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.
Традиционно в представлении знаний выделяют формальные логические модели, когда предметная область или задача описывается в виде набора аксиом. Эта логическая модель применима в основном в исследовательских системах.
Интерес к экспертным системам в России имеет слабое материальное подкрепление — нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций искусственного интеллекта, ограниченное финансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки экспертных систем. Распространяются «подделки» под экспертные системы в виде многочисленных диалоговых систем и интерактивных пакетов прикладных программ, которые дискредитируют в глазах пользователей это чрезвычайно перспективное направление.
Процесс создания экспертной системы требует высококвалифицированных специалистов в области искусственного интеллекта. Современные экспертные системы призваны распространять опыт и знания ведущих специалистов (экспертов) практически во всех сферах деятельности. Традиционно знания существуют в двух видах — коллективный и личный опыт. Если большая часть знаний в предметной области представлена коллективным опытом, эта предметная область не нуждается в экспертных системах. Если же в предметной области большая часть знаний является личным опытом специалистов высокого уровня (экспертов) и если эти знания слабо структурированы, такая предметная область скорее всего нуждается в экспертной системе.
Экспертные системы (ЭС) — это сложные программные комплексы, накапливающие знания специалистов в конкретных предметных областях и распространяющие этот эмпирический опыт для консультаций менее квалифицированных пользователей.
Обобщенная структура экспертной системы, основные понятия и определения.
Пользователь — специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭС.
Инженер по знаниям — специалист по искусственному интеллекту, выступающий в роли посредника между экспертом и базой знаний. Синонимы: когнитолог, инженер-интерпретатор, аналитик.
Интерфейс пользователя — комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и получения результатов.
База знаний (БЗ) — ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует БЗ во внутреннем «машинном» представлении.
Решатель — программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, блок логического вывода.
Подсистема объяснений — программа, позволяющая пользователю получать ответы на вопросы: «Как была получена рекомендация?» и «Почему система приняла такое решение?».
Интеллектуальный редактор БЗ — программа, предоставляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме.
В коллектив разработчиков ЭС входят как минимум четыре человека: эксперт; инженер по знаниям; программист; пользователь. Возглавляет коллектив инженер по знаниям, это ключевая фигура при разработке систем, основанных на знаниях.
Экспертные системы классифицируют по различным критериям.
Классификация ЭС по решаемой задаче.
Интерпретация данных — одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.
Диагностика — обнаружение неисправностей, отклонений от нормы — позволяет с единых позиций рассматривать неисправность оборудования в технических системах, заболевания живых организмов, всевозможные природные и общественные аномалии. При этом требуется понимание функциональной структуры («анатомии») диагностируемой системы.
Мониторинг — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы.
Проектирование — подготовка документов на создание объектов, процессов с заранее определенными свойствами.
Прогнозирование — логический вывод вероятных следствий из заданных ситуаций. Выводимые следствия составляют основу для прогнозов с вероятностными оценками.
Планирование — нахождение планов действий применительно к моделям поведения реальных объектов.
Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они накапливают знания об «ученике» и его характерных ошибках, способны выявить слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.
В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа и синтеза. Задача анализа — это интерпретация данных, диагностика; к задачам синтеза относятся проектирование, планирование. Комбинированные задачи: обучение, мониторинг, прогнозирование.
Источник: studwood.net
Программное обеспечение искусственного интеллекта — Топ 10 видов искусственного интеллекта
Введение в программное обеспечение искусственного интеллекта
Платформа искусственного интеллекта (AI) создана для создания приложений с нуля. Встроенная формула доступна для этого использования. Метод перетаскивания делает его удобным для пользователя. Chatbots — это популярное программное обеспечение, которое предоставляет человеку, который участвует в разговоре.
Программное обеспечение для глубокого обучения также участвует в распознавании речи и изображений. Программное обеспечение машинного обучения — это метод, который заставляет компьютер учиться с доступной информацией. Искусственный интеллект является объединенным атрибутом науки и компьютера, который позволяет системе или программе или любым машинам выполнять интеллектуальные и творческие функции человека независимо и в решении проблем, способных принимать решения.
Основной целью программных систем искусственного интеллекта является способность обнаруживать, что заставляет людей повышать свою производительность и производительность с течением времени. Искусственные интеллектуальные инструменты включают в себя машинное обучение и глубокое обучение, которое дает отчет об анализе для повышения ясности планирования, рассуждения, мышления, решения проблем, а также обучения.
Типы программного обеспечения искусственного интеллекта
Ниже приведены различные типы программного обеспечения искусственного интеллекта:
1. Google Cloud Machine Language
Это программное обеспечение помогает обучать систему пользователей. Элементы включают консоль облачной платформы Google, gcloud и REST API. Google Cloud помогает анализировать, обучать и модифицировать систему пользователя. Разработанная и спроектированная система развертывается в пользовательской инфраструктуре.
Пользователи будут получать прогнозы, а мониторинг прогнозов сможет управлять пользовательским дизайном и связанными с ним версиями. Google Cloud ML состоит из трех компонентов, включая консоль Google Cloud Platform, gcloud и Rest API для проектирования, анализа и развертывания в пользовательском интерфейсе. Это обеспечивает стабильность и твердую поддержку.
2. Студия машинного обучения Azure
Этот инструмент используется для развертывания пользовательского дизайна, поскольку веб-приложения в облаке работают на независимой платформе и могут использовать доступные источники данных. Он предлагает решения проблем на основе браузера. Он масштабируемый, простой и простой в использовании. Здесь не требуется никаких навыков программирования, и их можно интегрировать с методами с открытым исходным кодом.
3. Тензорный поток
Это численный вычислительный инструмент в системе с открытым исходным кодом. Это хранилище ML для исследований и разработок. Решения могут быть развернуты на процессорах, TPU, графических процессорах, кластерах мобильных телефонов и настольных ПК. Он предлагает хорошую поддержку связи и регулярные функциональные возможности.
Как новички, так и опытные могут использовать API для разработки потоком Tensor. Но требуется время, чтобы узнать о его полной процедуре.
4. H2O AI
Это программное обеспечение используется для банковского дела, здравоохранения, страхования, маркетинга и т. Д. Это программное обеспечение с открытым исходным кодом, и оно позволяет пользователю применять языки программирования, такие как R и Python, для проектирования систем. Здесь включена функция AutoML, которая поддерживает многие методы, такие как машины с градиентным усилением и глубокое обучение. Эта программа предоставляет линейную платформу и выполняет структуру распределенной памяти.
5. Кортана
Это виртуальный помощник, который выполняет множество задач одновременно, устанавливая напоминания и предлагая решения проблемы. Он работает на Windows, iOS, Android и Xbox OS. Это может также выполнить простую задачу от выключения переменного тока до заказа пирога.
Он использует поисковые системы Bing и его вспомогательные языки, кроме английского, включая португальский, китайский, итальянский и испанский. Он работает через голосовое управление, чтобы сэкономить время. Но здесь основным недостатком являются некоторые сценарии Fitbit, доступные только в США.
6. IBM Watson
Он работает как сеанс вопросов и ответов, который предлагает сервисы для серверов SUSE Linux в рамках Apache Hadoop. Если пользователь проектирует свою систему с помощью Watson, существует возможность высокого понимания и эффективного вывода этого устройства. Он собирает знания из небольшой информации и для разработки приложений использует API. Это надежная система, которая делает умный бизнес.
7. Salesforce Эйнштейн
Он работает как интеллектуальная система управления взаимоотношениями с клиентами, которая используется для маркетинга, продаж, торговли, аналитики и обеспечивает большую осведомленность о доступных возможностях, которые собирают и обрабатывают данные путем добавления новых объектов. Он работает на основе истории путем расстановки приоритетов. Он предлагает лучшие продукты. Распознавание изображений дает более глубокое понимание конкретных продуктов. Не требует подготовки данных и управления системами.
8. Infosys Nia
Это способствует предприятиям путем решения сложных задач и помогает в улучшении системы для расширения возможностей бизнеса. Основными компонентами являются платформа данных, платформа знаний и платформа автоматизации. Он обеспечивает диалоговый интерфейс и автоматизацию для задач программирования.
Когнитивная и прогностическая автоматизация лежит на платформе автоматизации. Платформа знаний используется для сбора, обработки и повторного использования данных. Платформа данных служит платформой машинного обучения и анализа данных.
9. Amazon Alexa
Это похоже на Cortana, который может понимать английский, немецкий, французский, итальянский и японский языки. Это облачный сервис, который можно интегрировать с существующими продуктами с помощью Alexa Voice Service. Он может быть подключен к миллионам устройств и устройств Bluetooth, таких как развлекательные системы, камера, освещение и т. Д.
10. Google Assistant
Это виртуальный помощник Google и может использоваться на устройствах умного дома и мобильных телефонах. Android, iOS и KaiOS поддерживают операционные системы. Доступны многие языки, такие как английский, немецкий, японский, итальянский, голландский, португальский, русский и т. Д. Он используется как двусторонний разговор. Он может выполнять все сервисы, такие как установка будильника, отображение информации об учетной записи Google, планирование событий, а также может настраивать оборудование для устройств, которые используются для распознавания объектов, песен и изучения визуальной информации. Его можно установить на автомобиль, телефон, динамик, часы, ноутбук.
Инструменты в программном обеспечении искусственного интеллекта
Некоторые из дополнительных инструментов включают в себя:
- Ayasdi — это инструмент искусственного интеллекта, особенно для финансов, здравоохранения и государственного сектора.
- Scikit learn — это инструмент для анализа данных, который доступен как open source и используется для классификации, группировки объектов, регрессии и уменьшения размерности. Здесь язык программирования Python.
- Meya используется для разработчиков на познавательной платформе, которая используется для проектирования, создания, тестирования и развертывания их систем или продуктов.
- Viv — личный помощник Siri, который оказывает поддержку разработчикам в запуске их продуктов.
- Blockchain — это кошелек для цифрового банкинга, который используется для отправки, сохранения и сбора их цифровых валют.
Вывод
В повседневной жизни искусственный интеллект внедряется и успешно развивается вокруг нас в аспектах коммуникации, управления временем, образования, познания, здоровья, мер безопасности, контроля дорожного движения, закупок, маркетинга, покупок и планирования. Искусственный интеллект используется в науке для разработки экспериментов, обучения ресурсов, интерпретации данных, уменьшения сложности.
Рекомендуемая статья
Это было руководство по программному обеспечению искусственного интеллекта. Здесь мы обсуждаем различные типы программного обеспечения для искусственного интеллекта вместе с инструментами. Вы также можете просмотреть наши другие предлагаемые статьи, чтобы узнать больше —
- Принципы тестирования программного обеспечения
- Карьера в искусственном интеллекте
- Что такое искусственный интеллект
- Интервью по искусственному интеллекту
- Компании по искусственному интеллекту
- Агенты в искусственном интеллекте
- Методы искусственного интеллекта
Источник: ru.education-wiki.com
Интеллектуальная компьютерная программа это
«ИИ — это наука и техника создания интеллектуальных машин,
особенно интеллектуальных компьютерных программ». — Алан Тьюринг
Искусственный интеллект – это технология, а точнее направление современной науки, которое изучает способы обучить компьютер, роботизированную технику, аналитическую систему разумно мыслить также как человек.
Собственно мечта об интеллектуальных роботах-помощниках возникла задолго до изобретения первых компьютеров. Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира. Изначально такие функции как размышление и принятие обдуманных решений у компьютеров отсутствовали, но в последние годы было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных — Big Data.
Три типа искусственного интеллекта
Прежде всего, чтобы иметь возможность участвовать в сегодняшних дискуссиях об искусственном интеллекте и понимать изменения, которые он принесет в будущее человечества, нам необходимо знать основы.
Различные типы ИИ зависят от уровня интеллекта, встроенного в робота. Мы можем четко разделить ИИ на три типа:
Искусственный узкий интеллект (ANI)
Искусственный узкий интеллект (ANI), также известный как узкий AI или слабый AI, представляет собой тип искусственного интеллекта, ориентированный на одну-единственную узкую задачу. Обладает ограниченным набором способностей. На данный момент это единственный существующий ИИ.
Узкий ИИ — это то, с чем большинство из нас взаимодействует ежедневно. Подумайте о Google Assistant, Google Translate, Siri, Cortana или Alexa. Все они являются машинным интеллектом, использующим обработку естественного языка (NLP).
НЛП используется в чат-ботах и других подобных приложениях. Понимая речь и текст на естественном языке, они запрограммированы на персонализированное и естественное взаимодействие с людьми.
Сегодня системы искусственного интеллекта используются в медицине для чрезвычайно точной диагностики рака и других заболеваний, воспроизводя человеческие познания и рассуждения.
Общий искусственный интеллект (AGI)
Когда мы говорим об общем искусственном интеллекте (AGI), мы имеем в виду тип ИИ, который по своим способностям не уступает человеческим.
Тем не менее, AGI — все еще развивающаяся область. Поскольку человеческий мозг является моделью для создания общего интеллекта, кажется маловероятным, что это произойдет относительно скоро, потому что нет исчерпывающих знаний о функциях человеческого мозга.
Тем не менее, как много раз показывала история, люди склонны создавать технологии, которые становятся опасными для человеческого существования. Почему тогда попытки создать алгоритмы для воспроизведения функции мозга будут другими? Когда это произойдет, людям придется принять возможные последствия.
Искусственный суперинтеллект (ASI)
Искусственный суперинтеллект (ASI) — это путь в будущее. Или это то, во что мы верим. Чтобы достичь этой точки и называться ИИ, ИИ должен превосходить людей абсолютно во всем. Тип ASI достигается, когда ИИ более способный, чем человек.
Этот тип ИИ сможет необычайно хорошо проявить себя в таких вещах, как искусство, принятие решений и эмоциональные отношения. Эти вещи сегодня являются частью того, что отличает машину от человека. Другими словами, вещи, которые считаются строго человеческими.
Однако многие могут возразить, что люди еще не овладели искусством эмоциональных отношений или принятия правильных решений. Означает ли это, что, возможно, через несколько столетий в будущем искусственный суперинтеллект овладеет областями, в которых люди потерпели неудачу?
Источник: centtin.ru