В каких режимах работает любая программа имитирующая процесс распознавания

Исторически сложились три основных направления в моделировании ИИ.

В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Строим Нейронную Сеть для Распознавания Изображений за 20 минут

Самыми первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ, были логические игры (шашки, шахматы), доказательство теорем . Хотя, правда, здесь надо отметить еще кибернетические игрушки типа «электронной мыши» Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла «исследовать» лабиринт и находить выход из него. А кроме того, помещенная в уже известный ей лабиринт, она не искала выход , а сразу же, не заглядывая в тупиковые ходы, выходила из лабиринта.

Американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США, и победила.

Каким образом машине удалось достичь столь высокого класса игры?

Естественно, что были программно заложены правила игры, так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям, — дебюту, миттельшпилю, эндшпилю.

Разумно сочетая такие критерии (например в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более сложным образом), можно для оценки очередного хода машины получить некоторый числовой показатель эффективности — оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода не обязательно обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с учетом их исхода.

Распознавание объектов на Python / Глубокое машинное обучение

По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться играть лучше, чем средний игрок, за относительно короткий период времени.

Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Отчасти это так. Но не следует забывать, что программа эта не является «жесткой», заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс «мышления» у машины существенно отличен от того, что происходит в мозгу играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как известно, победу на этом турнире одержала советская машина с шахматной программой «Каисса».

Почему здесь употреблено «до недавнего времени»? Дело в том, что недавние события показали: несмотря на довольно большую сложность шахмат и невозможность, в связи с этим, произвести полный перебор ходов, возможность перебора их на большую глубину, чем обычно, очень увеличивает шансы на победу.

К примеру, по сообщениям в печати, компьютер фирмы IBM , победивший Каспарова, располагал 256 процессорами, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100’000’000 ходов в секунду. До недавнего времени редкостью был компьютер , могущий делать такое количество целочисленных операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя, с другой стороны, этот пример говорит о могуществе и универсальности переборных алгоритмов.

В настоящее время существуют и успешно применяются программы, которые позволяют машинам играть в деловые или военные игры, имеющие большое прикладное значение . Здесь также чрезвычайно важно придать программам присущие человеку способности к обучению и адаптации. Одной из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение , является задача обучения распознавания образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук — физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы ИИ, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.

В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания — перcептрон. Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания и породило большой поток теоретических и экспериментальных исследований.

Перcептрон или любая программа , имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом из них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило , являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.

Проблема обучения распознаванию тесно связана с другой интеллектуальной задачей — проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем, научного или делового текста.

Для некоторых языков такие системы были созданы еще в конце 60-г. Однако чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.

Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка. Эти программы обладают, по словам американского специалиста в области ИИ Дж. Маккатти, «здравым смыслом», т. е. способностью делать дедуктивные заключения.

В программе К. Грина и др., реализующей вопросно-ответную систему, знания записываются на языке логики предикатов в виде набора аксиом, а вопросы, задаваемые машине, формулируются как подлежащие доказательству теоремы. Большой интерес представляет «интеллектуальная» программа американского математика Хао Ванга. Эта программа за 3 минуты работы IBM -704 вывела 220 относительно простых лемм и теорем из фундаментальной математической монографии, а затем за 8.5 мин выдала доказательства еще 130 более сложных теорем, часть из которых еще не была выведена математиками. Правда, до сих пор ни одна программа не вывела и не доказала ни одной теоремы, которая бы, что называется, «позарез» была нужна математикам и была принципиально новой.

Очень большим направлением систем ИИ является роботехника. В чем основное отличие интеллекта робота от интеллекта универсальных вычислительных машин?

Для ответа на этот вопрос уместно вспомнить принадлежащее великому русскому физиологу И. М. Сеченову высказывание : «… все бесконечное разнообразие внешних проявлений мозговой деятельности сводится окончательно лишь к одному явлению — мышечному движению». Другими словами, вся интеллектуальная деятельность человека направлена, в конечном счете, на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат прежде всего для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем ИИ состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер, которые обычно не связаны ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.

Первых роботов трудно было назвать интеллектуальными. Только в 60-х годах появились очувствленные роботы, которые управлялись универсальными компьютерами. К примеру в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта «промышленный интеллектуальный робот». Цель этой разработки — создание очувствленного манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем.

Манипулятор робота имеет шесть степеней свободы и управляется мини-ЭВМ NEAC-3100 (объем оперативной памяти 32000 слов, объем внешней памяти на магнитных дисках 273000 слов), формирующей требуемое программное движение, которое отрабатывается следящей электрогидравлической системой. Захват манипулятора оснащен тактильными датчиками.

В качестве системы зрительного восприятия используются две телевизионные камеры, снабженные красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения телевизионной камеры разбито на 64*64 ячеек. В результате обработки полученной информации грубо определяется область, занимаемая интересующим робота предметом.

Далее с целью детального изучения этого предмета выявленная область вновь делится на 4096 ячеек. В том случае, когда предмет не помещается в выбранное «окошко», оно автоматически перемещается, подобно тому, как человек скользит взглядом по предмету. Робот Электротехнической лаборатории был способен распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями при специальном освещении. Стоимость данного экспериментального образца составляла примерно 400000 долларов.

Постепенно характеристики роботов монотонно улучшались, Но до сих пор они еще далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру, удерживают на лезвии ножа шарик от настольного тенниса.

Еще, пожалуй, здесь можно выделить работы киевского Института кибернетики, где под руководством Н. М. Амосова и В. М. Глушкова ведется комплекс исследований, направленных на разработку элементов интеллекта роботов. Особое внимание в этих исследованиях уделяется проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.

Например, можно рассмотреть созданный еще в 70-х годах макет транспортного автономного интегрального робота (ТАИР). Конструктивно ТАИР представляет собой трехколесное шасси , на котором смонтирована сенсорная система и блок управления. Сенсорная система включает в себя следующие средства очувствления: оптический дальномер , навигационная система с двумя радиомаяками и компасом, контактные датчики, датчики углов наклона тележки, таймер и др. Особенность, которая отличает ТАИР от многих других систем, созданных у нас и за рубежом, — это то, что в его составе нет компьютера в том виде, к которому мы привыкли. Основу системы управления составляет бортовая нейроподобная сеть , на которой реализуются различные алгоритмы обработки сенсорной информации, планирования поведения и управления движением робота.

В конце данного очень краткого обзора рассмотрим примеры крупномасштабных экспертных систем.

MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.

PUFF — анализ нарушения дыхания. Данная система представляет собой MICIN, из которой удалили данные по инфекциям и вставили данные о легочных заболеваниях.

DENDRAL — распознавание химических структур. Эта система — старейшая из имеющих звание экспертных. Первые ее версии появились еще в 1965 году во все том же Стенфордском университете. Пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры.

PROSPECTOR — экспертная система, созданная для содействия поиску коммерчески оправданных месторождений полезных ископаемых.

Источник: intuit.ru

Создание искусственного интеллекта

Возможно ли создать искусственный разум, и если да, то как? Многочисленные попытки ответить на этот вопрос породили целое направление науки — искусственный интеллект (ИИ). Впрочем, в последнее время этот термин трактуют не столь широко, как раньше.

Возможно ли создать искусственный разум, и если да, то как? Многочисленные попытки ответить на этот вопрос породили целое направление науки — искусственный интеллект (ИИ). Впрочем, в последнее время этот термин трактуют не столь широко, как раньше.

Сейчас ИИ рассматривают как прикладную область исследований, связанных с имитацией отдельных функций интеллекта человека. Распознавание образов, машинный перевод, интеллектуальные агенты, робототехника — это лишь некоторые из направлений, по которым развиваются системы искусственного интеллекта.

Термин «интеллект» (intelligence) происходит от латинского «intellectus», что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (ИИ, он же artificial intelligence — AI в зарубежной литературе) обычно трактуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Система, наделенная интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных), для которых нет стандартных, заранее известных методов решения. Таким образом, мы можем определить интеллект и как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Существуют и другие, чисто поведенческие (функциональные) определения интеллекта. Так, по А. Н. Колмогорову, любая материальная система, с которой можно достаточно долго обсуждать проблемы науки, литературы и искусства, обладает интеллектом. Другим примером поведенческой трактовки интеллекта может служить известное определение А. Тьюринга. Его смысл заключается в следующем.

В разных комнатах находятся люди и машина. Они не могут видеть друг друга, но имеют возможность обмениваться информацией (например, с помощью электронной почты). Если в процессе диалога между участниками игры людям не удается установить, что один из участников — машина, то такую машину можно считать обладающей интеллектом.

Цель, необходимость создания и безопасность систем ИИ

Одним из важнейших вопросов ИИ является цель его создания. В принципе все, что мы делаем в практической жизни, обычно делается ради того, чтобы больше ничего не делать. Однако при достаточно высоком уровне жизни (большом количестве потенциальной энергии) на первые роли выступает уже не лень (в смысле желания экономить энергию), а поисковые инстинкты.

Допустим, человек сумел создать интеллект, превосходящий его собственный (если не качеством, то количеством). Что теперь будет с человечеством? Какую роль будет играть человек и для чего он теперь нужен? И вообще, нужно ли в принципе создавать ИИ?

По-видимому, самым приемлемым ответом на эти вопросы является концепция «усилителя интеллекта» (УИ). Очевидно, здесь уместна аналогия с президентом государства — он не обязан знать валентности ванадия для принятия решения о развитии ванадиевой промышленности страны.

Так же, как не обязан, к примеру, разбираться в тонкостях языка программирования Java, чтобы решить вопрос о его использовании для своего официального сайта. Каждый занимается своим делом — химик описывает технологический процесс, программист создает код. В конце концов, экономист говорит президенту, что, вложив деньги в промышленный шпионаж, страна получит 20% годовых, а вложив в ванадиевую промышленность — 30%. Думается, при такой постановке вопроса даже самый последний бомж (правда, находящийся в сознании) сможет сделать правильный выбор.

В данном примере президент использует биологический УИ — группу специалистов с их белковыми мозгами. Но уже сейчас используются и неживые УИ — например, мы не могли бы с такой степенью достоверности предсказывать погоду без компьютеров; при полетах космических кораблей с самого начала использовались бортовые счетно-решающие устройства.

Кроме того, человек уже давно использует усилители силы (УС) — понятие, во многом аналогичное УИ. В качестве усилителей силы ему служат автомобили, краны, электродвигатели, прессы, пушки, самолеты и многое-многое другое. Однако между УИ и УС есть принципиальная разница. Первые обладают волей, а вторые — нет.

Интеллектуальная система вполне могла бы иметь свои желания и поступать не так, как нам хотелось бы. Таким образом, перед нами встает еще одна проблема — проблема безопасности. Она будоражит умы еще со времен Карела Чапека, впервые употребившего термин «робот». Весомую лепту в ее обсуждение внесли многие писатели-фантасты и режиссеры. Вспомните хотя бы превосходные рассказы Айзека Азимова о роботах, захватывающий роман Сергея Лукьяненко «Фальшивые зеркала», трогательный фильм Стивена Спилберга «Искусственный интеллект»…

Следующий вопрос, возникающий при анализе возможных последствий создания и функционирования систем искусственного интеллекта, — что решит система ИИ в ситуации, когда спасение одной жизни возможно только за счет другой? Особенно интересны те случаи, когда система не имеет полной информации о том, кто есть кто.

Несмотря на перечисленные проблемы, три Закона Роботехники 1 являются хорошим неформальным базисом проверки надежности системы безопасности для систем ИИ:

— робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинен вред;
— робот должен повиноваться всем приказам, которые ему дает человек, кроме тех случаев, когда эти приказы противоречат Первому Закону;
— робот должен заботиться о своей безопасности в той мере, в какой это не противоречит Первому и Второму Закону.
И теперь осталась еще одна тема: стоит ли вообще создавать ИИ, не лучше ли закрыть все работы в этой области? Единственное, что можно сказать по этому поводу: если ИИ в принципе возможен — рано или поздно он будет создан. И лучше двигаться к цели под контролем общественности, с тщательной проработкой вопросов безопасности, нежели все пускать на самотек.

Иначе лет через сто (если к тому времени человечество себя не уничтожит) ИИ создаст какой-нибудь программист-механик-самоучка, использующий достижения современной ему техники. С другой стороны, с проектированием систем ИИ сложилась ситуация, которая роднит его с коммунизмом — изучается то, чего еще нет. И если этого не будет в течение ближайших 100–150 лет, то очень может быть, что эпоха ИИ закончится сама собой.

Моделирование систем ИИ

Исторически сложились три основных направления в моделировании ИИ.
В рамках первого подхода изучаются прежде всего структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез о механизмах интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. А цель работ — создание алгоритмического и программного обеспечения вычислительных машин, позволяющих решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных (интерактивных) интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях являются оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

В 1957 году американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания — перцептрон. Машина, способная обучаться понятиям и распознавать предъявляемые объекты, чрезвычайно заинтересовала не только физиологов, но и представителей других областей знаний и породила большой поток теоретических и экспериментальных исследований.

Перцептрон или любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать по возможности правильно.

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС: автоматизация процессов распознавания образов и адаптивное управление, аппроксимация функционалов и прогнозирование, создание экспертных систем и организация ассоциативной памяти и многое, многое другое. С помощью НС можно, например, предсказывать показатели биржевого рынка, распознавать оптические или звуковые сигналы, строить самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. На Западе нейронные сети применяются уже довольно широко, у нас же это пока еще экзотика — российские фирмы, использующие НС в практических целях, наперечет [6].

1 (назад) В знаменитом цикле романов об Основании Айзек Азимов вводит Нулевой Закон, главенствующий над остальными тремя. Он гласит: «Робот не может причинить вред человечеству или своим бездействием допустить, чтобы человечеству был причинен вред». — Прим. ред.

Широкий круг задач, решаемый НС, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным алгоритмам.

Модели НС могут быть программными и аппаратными. Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

Во-первых, основу каждой нейронной сети составляют относительно простые, в большинстве случаев — однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Под нейроном здесь подразумевается искусственный нейрон, то есть ячейка НС.

Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он имеет группу синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рис. 1. Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

В качестве примера простейшей НС приведем схему трехнейронного перцептрона (рис. 2). Нейроны данной сети имеют активационную функцию в виде единичного скачка 2 . На n входов поступают некие сигналы, проходящие по синапсам на три нейрона, которые образуют единственный слой этой НС и выдают три выходных сигнала.

Очевидно, что процесс функционирования НС, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).

Этот этап называется обучением НС, и от того, насколько качественно он выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения, кроме параметра качества подбора весов, важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью, и выбирая их, приходится идти на компромисс.

Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.

Существует великое множество алгоритмов обучения, которые, однако, делятся на два больших класса: детерминистские и стохастические. В первом подстройка весов представляет собой жесткую последовательность действий, во втором — она производится на основе действий, подчиняющихся некоторому случайному процессу.

Робототехника как направление ИИ

В чем главное отличие интеллекта человека от интеллекта универсальных вычислительных машин? Чтобы ответить на этот вопрос, вспомним слова великого русского физиолога И. М. Сеченова: «…все бесконечное разнообразие внешних проявлений мозговой деятельности сводится окончательно лишь к одному явлению — мышечному движению». Другими словами, вся интеллектуальная деятельность человека направлена в конечном счете на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат, прежде всего, для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем ИИ состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер и обычно не связанных ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.

Первых роботов трудно назвать интеллектуальными. Только в 60-х годах появились экземпляры с органами чувств, управлявшиеся универсальными компьютерами. К примеру, в 1969 году в Электротехнической лаборатории (Япония) началась разработка промышленного интеллектуального робота.

Цель ее — создание «очувствленного» манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем. Робот Электротехнической лаборатории мог распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями, при специальном освещении. Стоимость экспериментального образца составляла примерно 400 тысяч долларов.
Постепенно роботы совершенствовались, но и по сей день они далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру, удерживают на лезвии ножа шарик для настольного тенниса.

В киевском Институте кибернетики, где под руководством Н. М. Амосова (и ранее В. М. Глушкова, ныне покойного) ведется комплекс исследований, направленных на разработку элементов интеллекта роботов. Особое внимание в этих исследованиях уделяется проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.

Экспертные системы на основе ИИ

Но пока теоретики спорят, практики не сидят сложа руки! Искусственный интеллект приобрел полезные рыночные свойства. Рынок нейросетей могуч; банкиры уважают своих технических аналитиков, а те без нейросети — ни шагу. Где нейросеть — там и генетический алгоритм, где генетический алгоритм — там и искусственная жизнь, а дальше — «пришла виртa, отворяй воротa», как недавно выразился один юный поэт. Девиз всей этой деятельности — четкая формула одного сурового персонажа братьев Стругацких: «Нам известно, что задача не имеет решения, — мы хотим знать, как ее решать!»

Экспертные системы (ЭС) — широчайшая и сложнейшая дисциплина. И чтобы не лезть в дебри, мы будем исходить из следующего определения: экспертная система — это программа (на современном уровне развития технологий), которая заменяет эксперта в той или иной области.
Отсюда вытекает простой вывод: все, что рассматривалось нами выше относительно систем с ИИ, своей конечной целью ставит разработку ЭС.
ЭС предназначены, главным образом, для решения практических задач, возникающих в слабо структурированной и трудно формализуемой предметной области. ЭС были первыми системами, которые привлекли внимание потенциальных потребителей продукции ИИ.
С ЭС связаны некоторые распространенные заблуждения.

Заблуждение первое: ЭС будет делать не более (а скорее даже менее) того, что может эксперт, создавший данную систему. Для опровержения данного постулата можно построить самообучающуюся ЭС в области, в которой вообще нет экспертов, либо объединить в одной ЭС знания нескольких экспертов и получить систему, которая может то, на что не способен ни один из ее создателей.
Заблуждение второе: ЭС никогда не заменят человека-эксперта. Уже заменяют, иначе зачем бы их создавали?
В заключение отметим важнейшие экспертные системы, использующие алгоритмы ИИ:

— MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит диагноз, исходя из сообщенных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил;
— PUFF — анализирует нарушения дыхания. Эта система представляет собой MICIN, из которой удалили данные по инфекциям и вложили данные о легочных заболеваниях;
— DENDRAL — служит для распознавания химических структур. Старейшая, из экспертных систем. Ее первые версии появились еще в 1965 году все в том же Стенфордском университете. Пользователь вводит в систему некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та, в свою очередь, называет химическую структуру, удовлетворяющую этим условиям;
— PROSPECTOR — экспертная система, созданная для содействия поиску месторождений полезных ископаемых, разработка которых коммерчески выгодна.

Литература
[1] Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.
[2] Keun-Rong Hsieh and Wen-Tsuen Chen, A Neural Network Model which Combines Unsupervised.
[3] Richard P. Lippmann, An Introduction to Computing with Neural Nets, IEEE Acoustics, Speech, and Signal Processing Magazine, April, 1987.
[4] Короткий С. Нейронные сети: алгоритм обратного распространения.
[5] Короткий С. Нейронные сети: обучение без учителя.
[6] Монахова Е. «Нейрохирурги» с Ордынки, PC Week/RE, № 9, 1995.
[7] Уоссермен Ф. Нейрокомпьютерная техника. — М., Мир, 1992.

2 (назад) Иногда перцептроном называют любую НС слоистой структуры, однако здесь под перцептроном понимается только сеть, состоящая из нейронов с активационными функциями единичного скачка (бинарная сеть).

Источник: old.computerra.ru

Предметные области, связанные с задачами ИИ. Основные направления современных исследований в области ИИ.

2. Предметные области, связанные с задачами ИИ. Основные направления современных исследований в области ИИ.

С понятием ИИ связаны следующие предметные области и направления исследований =

• — Представление знаний и разработка систем, основанных на знаниях (ЭС, разработкой моделей представления, извлечения и структурирования знаний, созданием баз знаний)
• — Программное обеспечение систем искусственного интеллекта (разработка декларативных языков программирования: LISP, PROLOG, SMALLTALK; проектирование оболочек ЭС, напрмер, KAPPA,EXSYS, M1)
• — Распознавание образов. Обработка изображений. (Любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.)
• — Разработка естественно-языковых интерфейсов и машинный перевод(Чат-роботы: например, ALICE)
• — Интеллектуальные роботы (самоорганизующиеся)
• — Обучение и самообучение(модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний на основе анализа и обобщения данных. В настоящее время это направление представляют системы анализа данных и системы поиска закономерностей в базах данных)
• — Машинное творчество

Ключевые слова:

• блог пользователя фкн
• фкн вгу
• куда поступить в воронеже
• блог студента программиста
• как учиться в вузе

• vedro-compota’s blog
• Log in to post comments
• 4745 reads

Источник: fkn.ktu10.com