Размещено на http://www.allbest.ru/

Федеральное агентство по образованию Российской Федерации

Государственное образовательное учреждение высшего профессионального образования

"Южно-Уральский государственный университет"

Факультет "Компьютерные технологии, управление и радиоэлектроника"

Кафедра "Мехатроника"

РЕФЕРАТ

по дисциплине: "Информатика и программирование"

на тему: "Искусственный интеллект"

Автор работы: студент группы КТУР - 165

Фадина Я.А.

Проверил: Пашнин С.В.

Челябинск - 2015

Оглавление

• Введение
• 1. Базовое понятие. Сущность вопроса
• 2. История развития искусственного интеллекта
• 2.1 Этапы развития искусственного интеллекта
• 2.2 История развития искусственного интеллекта в СССР и России
• 3. Искусственный интеллект и системы искусственного интеллекта
• 3.1 Проблема представления знаний в искусственном интеллекте
• 3.2 Различные подходы к построению систем искусственного интеллекта
• 3.3 Примеры реальных исследований искусственного интеллекта
• 4. Анализ вопроса искусственного интеллекта
• 4.1 Тенденции искусственного интеллекта
• 4.2 Проблема развития искусственного интеллекта
• Заключение
• Библиографический список


Введение

Фадина Я.А. Искусственный интеллект. Челябинск: ЮУрГУ, КТУР-165, 21 с., библиогр. список - 8 наим.

Цель реферата - отразить процесс развития искусственный интеллект (дальше возможно сокращение ИИ) в мире.

Задачи реферата - дать базовое понятие ИИ, рассказать об истории развития ИИ, рассмотреть тенденции ИИ, проанализировать проблемы развития ИИ и методы их решения.

Рассмотрено состояние разработки ИИ, различные подходы к построению систем ИИ, выделены основные проблемы разработки ИИ.

Искусственный интеллект сегодня одна из передовых областей исследований ученых. Причем рассматриваются как системы, разработанные с его частичным использованием: например, распознавание текстов, бытовые роботы, до возможности замены творческого труда человека искусственным. Данная область образовалась на стыке целого ряда дисциплин: информатики, философии, кибернетики, математики, психологии, физики, химии и др. Сегодня в самых различных областях науки и техники требуется выполнение машинами тех задач, которые были под силу только человеку. На помощь тогда приходит искусственный интеллект, заменяющий человека на несложной деятельности. Сегодня системы, как программные, так и аппаратные, созданные на основе искусственного интеллекта, находят все большее применение в технике. Это автомобили с электроникой с использованием искусственного интеллекта, новейшие роботы, которые участвуют в производстве, компьютерные программы, включающие в себя и игры с искусственным интеллектом.

Цель создания полного искусственного интеллекта, т.е. такого, который мог бы выполнять действия по обработке информации на уровне человека или выше, это, прежде всего, улучшение жизни человека и дальнейшее увеличение степени автоматизации производства. Тогда человеку бы осталось лишь выполнять высокотворческий труд, приносящий ему удовольствие. Но и на современном этапе развития этой области до создания таких систем полного искусственного интеллекта довольно далеко, и пока вмешательство искусственного интеллекта в другие интеллектуальные системы лишь частично. Это, прежде всего, программные средства. Например, экспертные системы, системы распознавания образов и д.р. Их относят к системам искусственного интеллекта, так как они способны выполнять свои, пока очень узконаправленные задачи, которые раньше не могли выполнять компьютеры. Результаты их работы схожи с результатами аналогичной интеллектуальной работы человека.

Начиналось все с довольно простых по формализации задач: логические игры (шахматы, шашки, числовые и др.). Американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, при этом в ходе игры машина обучалась или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. Можно сказать, с этого и началось исследование искусственного интеллекта. Тогда, да и сегодня следовали определению Тьюринга, что такое искусственный интеллект: "Компьютер можно считать разумным - если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком".



1. Базовое понятие. Сущность вопроса

Понятие искусственный интеллект (далее возможно сокращение ИИ), как в прочем и просто интеллект, весьма расплывчаты. Термин интеллект (intelligence) происходит от латинского intellectus - что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) - ИИ обычно толкуется, 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.

Мы же интеллектом будем называть способность мозга решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам. В этом определении под термином "знания" подразумевается не только информация, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте и адаптации к разнообразным обстоятельствам". Мы употребили термин интеллектуальная задача. Для того чтобы пояснить, чем отличается интеллектуальная задача от просто задачи, необходимо ввести термин "алгоритм" - один из краеугольных терминов кибернетики. Под алгоритмом понимают точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. Термин "алгоритм" происходит от имени узбекского математика Аль - Хорезми, который еще в IX веке предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Отыскание алгоритма для задач некоторого данного типа связано с тонкими и сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Принято считать, что подобного рода деятельность требует участия интеллекта человека. Задачи, связанные с отысканием алгоритма решения класса задач определенного типа, будем называть интеллектуальными.

Что же касается задач, алгоритмы, решения которых уже установлены, то, как отмечает известный специалист в области ИИ М. Минский, "излишне приписывать им такое мистическое свойства, как "интеллектуальность". В самом деле, после того, как такой алгоритм уже найден, процесс решения соответствующих задач становится таким, что его могут в точности выполнить человек, вычислительная машина (должным образом запрограммированная) или робот, не имеющие ни малейшего представления о сущность самой задачи. Требуется только, чтобы лицо, решающее задачу, было способно выполнять те элементарные операции, их которых складывается процесс, и, кроме того, чтобы оно педантично и аккуратно руководствовалось предложенным алгоритмом. Такое лицо, действуя, как говорят в таких случаях, чисто машинально, может успешно решать любую задачу рассматриваемого типа. Поэтому представляется совершенно естественным исключить их класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Примерами таких задач могут служить чисто вычислительные задачи: решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т.д. Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для вычислительной машины. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, игра в шахматы, доказательство теорем и т.п., напротив это формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно.

Таким образом, мы можем перефразировать определение интеллекта как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Еще интересным замечанием здесь является то, что профессия программиста, исходя из наших определений, является одной из самых интеллектуальных, поскольку продуктом деятельности программиста являются программы - алгоритмы в чистом виде. Именно поэтому, создание даже элементов ИИ должно очень сильно повысить производительность его труда.

Деятельность мозга (обладающего интеллектом), направленную на решение интеллектуальных задач, мы будем называть мышлением, или интеллектуальной деятельностью. Интеллект и мышление органически связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игры и управление в условиях неопределенности. Характерными чертами интеллекта, проявляющимися в процессе решения задач, являются способность к обучению, обобщению, накоплению опыта (знаний и навыков) и адаптации к изменяющимся условиям в процессе решения задач. Благодаря этим качествам интеллекта мозг может решать разнообразные задачи, а также легко перестраиваться с решения одной задачи на другую. Таким образом, мозг, наделенный интеллектом, является универсальным средством решения широкого круга задач, для которых нет стандартных, заранее известных методов решения.

Следует иметь в виду, что существуют и другие, чисто поведенческие (функциональные) определения. 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 находится 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. Тьюринг утверждал: "Компьютер можно считать разумным, если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком".

Кстати интересен план имитации мышления, предложенный А. Тьюрингом. "Пытаясь имитировать интеллект взрослого человека, - пишет Тьюринг, - мы вынуждены много размышлять о том процессе, в результате которого человеческий мозг достиг своего настоящего состояния.… Почему бы нам не попытаться создать программу, которая имитировала бы интеллект ребенка? Ведь если интеллект ребенка получает соответствующее воспитание, он становится интеллектом взрослого человек. Наш расчет состоит в том, что устройство, ему подобное, может быть легко запрограммировано… Таким образом, мы расчленим нашу проблему на две части: на задачу построения "программы-ребенка" и задачу "воспитания" этой программы".

Забегая вперед, можно сказать, что именно этот путь используют практически все системы ИИ. Ведь понятно, что практически невозможно заложить все знания в достаточно сложную систему. Кроме того, только на этом пути проявятся перечисленные выше признаки интеллектуальной деятельности (накопление опыта, адаптация и т. д.).



2. История развития искусственного интеллекта

2.1 Этапы развития искусственного интеллекта

История исследований и разработок систем искусственного интеллекта может быть разделена на четыре этапа:

1. Нейрон и нейронные сети (50-е года). Он связан с появлением первых машин последовательного действия, с очень небольшими, по сегодняшним меркам, ресурсными возможностями по памяти, быстродействию и классам решаемых задач. Это были задачи сугубо вычислительного характера, для которых были известны схемы решений и которые можно описать на некотором формальном языке. К этому же классу относятся и задачи на адаптацию.

2. Эвристический поиск (60-е года). В "интеллект" машины добавились механизмы поиска, сортировки, простейшие операции по обобщению информации, не зависящие от смысла обрабатываемых данных. Это стало новой точкой отсчета в развитии и понимании задач автоматизации деятельности человека.

3. Представление знаний (70-е года). Учеными была осознана важность знаний (по объему и содержанию) для синтеза интересных алгоритмов решения задач. При этом имелись в виду знания, с которыми математика не умела работать, т.е. опытные знания, не носящие строгого формального характера и описываемые обычно в декларативной форме. Это знания специалистов в различных областях деятельности, врачей, химиков, исследователей и т.п. Такие знания получили название экспертных знаний, и соответственно системы, работающие на основе экспертных знаний, стали называться системами-консультантами или экспертными системами

4. Обучающие машины (80-е года). Четвертый этап развития ИИ стал прорывным. С появлением экспертных систем в мире начался принципиально новый этап развития интеллектуальных технологий - эра интеллектуальных систем - консультантов, которые предлагали варианты решений, обосновывали их, способны были к обучению и к развитию, общались с человеком на привычном для него, хотя и ограниченном, естественном языке.

5. Автоматизированные обрабатывающие центры (90-е года). Усложнение систем связи и решаемых задач потребовало качественно нового уровня "интеллектуальности" обеспечивающих программных систем, таких систем, как защита от несанкционированного доступа, информационная безопасность ресурсов, защита от нападений, смысловой анализ и поиск информации в сетях и т.п. И новой парадигмой создания перспективных систем защиты всех видов стали интеллектуальные системы. Именно они позволяют создавать гибкие среды, в рамках которых обеспечивается решение всех необходимых задач.

6. Робототехника (2000-е года). Область применения роботов достаточно широка и простирается от автономных газонокосилок и пылесосов до современных образцов военной и космической техники. Модели оборудованы навигационной системой и всевозможными периферийными датчиками.

7. Сингулярность (2008 год). Создание искусственного интеллекта и самовоспроизводящихся машин, интеграция человека с вычислительными машинами, либо значительное скачкообразное увеличение возможностей человеческого мозга за счёт биотехнологий.

2.2 История развития искусственного интеллекта в СССР и России

СССР. Коллежский советник Семён Николаевич Корсаков (1787-1853) ставил задачу усиления возможностей разума посредством разработки научных методов и устройств, перекликающуюся с современной концепцией искусственного интеллекта, как усилителя естественного. В 1832 году С.Н. Корсаков опубликовал описание пяти изобретённых им механических устройств, так называемых "интеллектуальных машин", для частичной механизации умственной деятельности в задачах поиска, сравнения и классификации. В конструкции своих машин Корсаков впервые в истории информатики применил, игравшие у него своего рода роль баз знаний.

В СССР работы в области искусственного интеллекта начались в 1960-х годах. В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных Вениамином Пушкиным и. С начала 1960-х М.Л. Цетлинс коллегами разрабатывали вопросы, связанные с обучением конечных автоматов.

В 1964 году была опубликована работа ленинградского логика Сергея Маслова "Обратный метод установления выводимости в классическом исчислении предикатов", в которой впервые предлагался метод автоматического поиска доказательства теорем в исчислении предикатов.

В 1966 году В.Ф. Турчиным был разработан язык рекурсивных функций.

До 1970-х годов в СССР все исследования ИИ велись в рамках. По мнению, науки "информатика" и "кибернетика" были в это время смешаны, по причине ряда академических споров. Только в конце 1970-х в СССР начинают говорить о научном направлении "искусственный интеллект" как разделе. При этом родилась и сама информатика, подчинив себе прародительницу "кибернетику". Термин "информатика" в 1980-е годы получает широкое распространение, а термин "кибернетика" постепенно исчезает из обращения, сохранившись лишь в названиях тех институтов, которые возникли в эпоху "кибернетического бума" конца 1950-х - начала 1960-х годов. Такой взгляд на искусственный интеллект, кибернетику и информатику разделяется не всеми. Это связано с тем, что на Западе границы данных наук несколько отличаются.

Россия. В настоящее время "искусственный интеллект" - мощная ветвь информатики, имеющая как фундаментальные, чисто научные основы, так и весьма развитые технические, прикладные аспекты, связанные с созданием и эксплуатацией работоспособных образцов интеллектуальных систем. Значение этих работ для развития информатики таково, что именно от их успеха зависит появление ЭВМ нового 5-го поколения.

Самым ярким достижением российской ИТ-индустрии за последние десятилетие, стало создание программы "Евгений". Российские специалисты первыми в мире вплотную приблизились к созданию компьютерной программы, представляющей собой подлинный искусственный интеллект. Как сообщает ИТАР-ТАСС со ссылкой на BBC, разработанная ими программа, получившая название "Евгений", победила на состоявшемся в Англии международном научном конкурсе кибернетического интеллекта (Turing test marathon), не добрав всего лишь 0,8 процента для того, чтобы пройти знаменитый тест Тьюринга.



3. Искусственный интеллект и системы искусственного интеллекта

3.1 Проблема представления знаний в искусственном интеллекте

Основной особенностью интеллектуальных систем является то, что они основаны на знаниях, а вернее, на некотором их представлении. Знания здесь понимаются как хранимая (с помощью ЭВМ) информация, формализованная в соответствии с некоторыми правилами, которую ЭВМ может использовать при логическом выводе по определенным алгоритмам.

Наиболее фундаментальной и важной проблемой является описание смыслового содержания проблем самого широкого диапазона, т.е. должна использоваться такая форма описания знаний, которая гарантировала бы правильную обработку их содержимого по некоторым формальным правилам. Эта проблема называется проблемой представления знаний.

В настоящее время наиболее известны четыре подхода к представлению знаний в обсуждаемых системах:

1. Продукционная модель;

2. Логическая модель;

3. Семантические сети;

4. Фреймы.

Продукционные правила - наиболее простой способ представления знаний. Он основан на представлении знаний в форме правил, структурированных в соответствии с образцом "Если - То". Часть правила "Если" называется посылкой, а "То" - выводом или действием. Правило в общем виде записывается так: Если А₁, А₂, ..., А" То В. Такая запись означает, что "если все условия от A_i до А" являются истинными, то В также истинно" или "когда все условия от A_i до А" выполняются, то следует выполнить действие В".

Основная идея подхода при построении логических моделей представления знаний - вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

Семантическая сеть-информационная модель предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам предметной области, а дуги (рёбра) задают отношения между ними. Объектами могут быть понятия, события, свойства, процессы. В названии соединены термины из двух наук: семантика в языкознании изучает смысл единиц языка, а сеть в математике представляет собой разновидность графа - набора вершин, соединённых дугами (рёбрами), которым присвоено некоторое число. В семантической сети роль вершин выполняют понятия базы знаний, а дуги (причем направленные) задают отношения между ними. Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений.

Фрейм - это модель абстрактного образа, минимально возможное описание сущности какого-либо объекта, явления, события, ситуации, процесса. Под структурой фрейма понимается способ использования схемы, типичной последовательности действий, ситуативная модификация фрейма. Фрейм, кроме всего прочего, включает определённое знание по умолчанию, которое называется. Фрейм отличает наличие определённой структуры, он состоит из имени и отдельных единиц, называемых слотами. Фреймовые представления объектно-центрированы в том же смысле, что и: все факты и свойства, связанные с одной концепцией, размещаются в одном месте, поэтому не требуется тратить ресурсы на поиск по базе данных.

Проблема представления знаний заключается в несоответствии между сведениями о зависимостях данной предметной области, имеющимися у специалиста, методами, используемыми им при решении задач, и возможностями формального (однозначно-ограниченного) представления такой информации в ЭВМ. Часто проблема осложняется трудностями для эксперта по формулированию в явном виде имеющихся у него знаний.

3.2 Различные подходы к построению систем искусственного интеллекта

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.

Существуют различные подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы существуют и сейчас. Кроме того, нельзя сказать, что какой-то подход является правильным, потому что полных систем пока что не существует. Для начала кратко рассмотрим логический подход. Почему он возник? Ведь человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность к логическому мышлению очень сильно отличает человека от животных.

Основой для данного логического подхода служит Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов, в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Конечно, можно сказать, что выразительности алгебры высказываний не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит - ячейка памяти, которая может принимать значения только 0 и 1. Таким образом, было бы логично предположить, что все, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не говорится о том, за какое время.

Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и про межуточные значения - не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет. Хотя, правда, на экзамене будут приниматься только ответы из разряда классической булевой алгебры.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.

Под структурным подходом мы подразумеваем здесь попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был персептрон Френка Розенблатта. Основной моделируемой структурной единицей в персептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье обычно известны под термином "нейронные сети" (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного применения их для построения собственно систем ИИ.

Для моделей, построенных по мотивам человеческого мозга характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая производительность параллельно реализованных НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом - нейронные сети работают даже при условии неполной информации об окружающей среде, то есть, как и человек, они на вопросы могут отвечать не только "да" и "нет" но и "не знаю точно, но скорее да".

Довольно большое распространение получил и эволюционный подход. При построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она становится как бы вещью в себе.

Еще один широко используемый подход к построению систем ИИ - имитационный. Данный подход является классическим для кибернетики с одним из ее базовых понятий - "черным ящиком" (ЧЯ). ЧЯ - устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же.

Таким образом, здесь моделируется другое свойство человека - способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни.

Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью. искусственный интеллект проблема построение

С черным ящиком связана одна очень интересная идея. Представим себе, что за нами наблюдает какое-то устройство, которое следит за тем, что в каких ситуациях мы делаем, говорим. Наблюдение идет за величинами, которые поступают к нам на вход и за величинами, которые выходят от нас. Таким образом, человек выступает здесь как типичный черный ящик. Далее это устройство пытается отстроить какую-то модель таким образом, чтобы при определенных сигналах на входе человека, она выдавала на выходе те же данные, что и человек. Если данная затея будет когда-нибудь реализована, то для всех посторонних наблюдателей такая модель будет той же личностью, что и реальный человек. А после его смерти она, будет высказывать те мысли, которые предположительно высказывал бы и смоделированный человек.

Сознание представляет собой сравнительно небольшую надстройку над нашим подсознанием, которая следит за активностью некоторых центров головного мозга, таких как центр речи, конечной обработки зрительных образов, после чего "возвращает" эти образы на начальные ступени обработки данной информации. При этом происходит повторная обработка этих образов, мы как бы видим и слышим, что думает наш мозг. При этом появляется возможность мысленного моделирования окружающей действительности при нашем "активном" участии в данном процессе. И именно наш процесс наблюдения за деятельностью этих немногих центров является тем, что мы называем сознанием. Если мы "видим" и "слышим" наши мысли, мы в сознании, если нет, то мы находимся в бессознательном состоянии.

Если бы мы смогли смоделировать работу именно этих немногих "сознательных" нервных центров в качестве одного черного ящика, и работу "супервизора" в качестве другого черного ящика, то можно было бы с уверенностью говорить, что "да, данная модель думает, причем так же, как и я". Но неизвестно, как получить данные о работе этих нервных центров, поскольку сегодня нет ничего такого, что позволило бы следить за мозгом человека годами и при этом не мешало бы его работе и жизни.

Хотелось бы отметить, что на практике очень четкой границы между ними нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по-другому.

3.3 Примеры реальных исследований искусственного интеллекта

ИИ в Японии. Среди направлений, более популярных в Японии в сравнении с европейскими и американскими школами ИИ, отметим следующие: создание и моделирование работы э-рынков и э-аукционов, биоинформатика (электронные модели клеток, анализ белковой информации на параллельных компьютерах, ДНК-вычислители), обработка естественных языков (самообучающиеся многоязычные системы распознавания и понимания смысла текстов), Интернет (интеграция Сети и всевозможных датчиков реального времени в жилых домах, интеллектуальные интерфейсы, автоматизация рутинных работ на основе формализации прикладных и системных понятий Интернета, итерационные технологии выделения нужных сведений из больших объемов данных), робототехника (машинное обучение, эффективное взаимодействие автономных устройств, организация движения, навигация, планирование действий, индексация информации, описывающей движение), способы представления и обработки знаний (повышение качества знаний, методы получения знаний от людей-экспертов, раскопка и поиск данных, решение на этой основе задач реального мира - например, управления документооборотом).

ИИ в США. Исследования в области нейронных сетей, позволяющих получить хорошие (хотя и приближенные) результаты при решении сложных задач управления, часто финансирует военное научное агентство DARPA. Пример - проект SmartSensorWeb, который предусматривает организацию распределенной сети разнообразных датчиков, синхронно работающих на поле боя. Каждый объект в такой сети представляет собой источник данных - визуальных, электромагнитных, цифровых, инфракрасных, химических и т. п. Ведутся работы по автоматическому распознаванию целей, анализу и предсказанию сбоев техники по отклонениям от типовых параметров ее работы (например, по звуку). На разработках, связанных с технологиями машинного зрения, основано все высокоточное оружие. В СМИ нередко можно прочитать о грядущих схватках самостоятельно действующих армий самоходных машин-роботов и беспилотных самолетов. Однако существует ряд нерешенных научных проблем, не позволяющих в ближайшие десятилетия превратить подобные прогнозы в реальность. Прежде всего это недостатки систем автоматического распознавания, не способных правильно анализировать видеоинформацию в масштабе реального времени. Не менее актуальны задачи разрешения коллизий в больших сообществах автономных устройств, абсолютно точного распознавания своих и чужих, выбора подлежащих уничтожению целей, алгоритмов поведения в незнакомой среде и т. п. Поэтому на практике военные пытаются достичь менее масштабных целей. Значительные усилия вкладываются в исследования по распознаванию речи, создаются экспертные и консультационные системы, призванные автоматизировать рутинные работы и снизить нагрузку на пилотов. Нейронные сети эффективно применяются для обработки сигналов сонаров и различения подводных камней и мин. Генетические алгоритмы используются для эвристического поиска решения уравнений, определяющих работу военных устройств (систем ориентации, навигации), а также в задачах распознавания - для разделения искусственных и естественных объектов, распознавания типов военных машин, анализа изображения, получаемого от камеры с низким разрешением или инфракрасных датчиков.

4. Анализ вопроса искусственного интеллекта

4.1 Тенденции искусственного интеллекта

Сначала вкратце рассмотрим наиболее активно развиваемые подходы ИИ - в порядке убывания их популярности у специалистов. Надо отметить, что меньшая популярность нередко связана не столько с потенциалом технологии, сколько с отдаленностью перспектив ее прикладной реализации (например, крайне высокий потенциал киберзаводов пока не вызывает серьезного интереса из-за наличия множества нерешенных задач по их управлению).

1. Нейронные сети. Это направление стабильно держится на первом месте. Продолжается совершенствование алгоритмов обучения и классификации в масштабе реального времени, обработки естественных языков, распознавания изображений, речи, сигналов, а также создание моделей интеллектуального интерфейса, подстраивающегося под пользователя. Среди основных прикладных задач, решаемых с помощью нейронных сетей, - финансовое прогнозирование, раскопка данных, диагностика систем, контроль над деятельностью сетей, шифрование данных. В последние годы идет усиленный поиск эффективных методов синхронизации работы нейронных сетей на параллельных устройствах.

2. Эволюционные вычисления. На развитие сферы эволюционных вычислений (ЭВ; автономное и адаптивное поведение компьютерных приложений и робототехнических устройств) значительное влияние оказали, прежде всего, инвестиции в нанотехнологии. ЭВ затрагивают практические проблемы самосборки, самоконфигурирования и самовосстановления систем, состоящих из множества одновременно функционирующих узлов. При этом удается применять научные достижения из области цифровых автоматов.

Другой аспект ЭВ - использование для решения повседневных задач автономных агентов в качестве персональных секретарей, управляющих личными счетами, ассистентов, отбирающих нужные сведения в сетях с помощью поисковых алгоритмов третьего поколения, планировщиков работ, личных учителей, виртуальных продавцов и т. д. Сюда же относится робототехника и все связанные с ней области. Основные направления развития - выработка стандартов, интеллектуальных оболочек, языков сценариев/запросов, методологий эффективного взаимодействия программ и людей. Модели автономного поведения предполагается активно внедрять во всевозможные бытовые устройства, способные убирать помещения, заказывать и готовить пищу, водить автомобили и т. п.

В дальнейшем для решения сложных задач (быстрого исследования содержимого Сети, больших массивов данных наподобие геномных) будут использоваться коллективы автономных агентов. Для этого придется заняться изучением возможных направлений эволюции подобных коллективов, планирования совместной работы, способов связи, группового самообучения, кооперативного поведения в нечетких средах с неполной информацией, коалиционного поведения агентов, объединяющихся "по интересам", научиться разрешать конфликты взаимодействия и т. п.

Особняком стоят социальные аспекты - как общество будет на практике относиться к таким сообществам интеллектуальных программ.

3. На третьем - пятом местах (по популярности) располагаются большие группы различных технологий.

3.1 Нечеткая логика. Системы нечеткой логики активнее всего будут применяться преимущественно в гибридных управляющих системах.

3.2 Обработка изображений. Продолжится разработка способов представления и анализа изображений (сжатие, кодирование при передаче с использованием различных протоколов, обработка биометрических образов, снимков со спутников), независимых от устройств воспроизведения, оптимизации цветового представления на экране и при выводе на печать, распределенных методов получения изображений.

Дальнейшие развитие получат средства поиска, индексирования и анализа смысла изображений, согласования содержимого справочных каталогов при автоматической каталогизации, организации защиты от копирования, а также машинное зрение, алгоритмы распознавания и классификации образов.

3.3 Экспертные системы. Спрос на экспертные системы остается на достаточно высоком уровне. Наибольшее внимание сегодня привлечено к системам принятия решений в масштабе времени, близком к реальному, средствам хранения, извлечения, анализа и моделирования знаний, системам динамического планирования.

3.4 Интеллектуальные приложения. Рост числа интеллектуальных приложений, способных быстро находить оптимальные решения комбинаторных проблем (возникающих, например, в транспортных задачах), связан с производственным и промышленным ростом в развитых странах.

3.5 Распределенные вычисления. Распространение компьютерных сетей и создание высокопроизводительных кластеров вызвали интерес к вопросам распределенных вычислений - балансировке ресурсов, оптимальной загрузке процессоров, самоконфигурированию устройств на максимальную эффективность, отслеживанию элементов, требующих обновления, выявлению несоответствий между объектами сети, диагностированию корректной работы программ, моделированию подобных систем.

3.6 ОС РВ. Появление автономных робототехнических устройств повышает требования к ОС реального времени - организации процессов самонастройки, планирования обслуживающих операций, использования средств ИИ для принятия решений в условиях дефицита времени.

3.7 Интеллектуальная инженерия. Особую заинтересованность в ИИ проявляют в последние годы компании, занимающиеся организацией процессов разработки крупных программных систем (программной инженерией). Методы ИИ все чаще используются для анализа исходных текстов и понимания их смысла, управления требованиями, выработкой спецификаций, проектирования, кодогенерации, верификации, тестирования, оценки качества, выявления возможности повторного использования, решения задач на параллельных системах. Программная инженерия постепенно превращается в так называемую интеллектуальную инженерию, рассматривающую более общие проблемы представления и обработки знаний (пока основные усилия в интеллектуальной инженерии сосредоточены на способах превращения информации в знания).

3.8 Самоорганизующиеся СУБД. Самоорганизующиеся СУБД будут способны гибко подстраиваться под профиль конкретной задачи и не потребуют администрирования.

4. Следующая по популярности группа технологий ИИ.

4.1 Автоматический анализ естественных языков (лексический, морфологический, терминологический, выявление незнакомых слов, распознавание национальных языков, перевод, коррекция ошибок, эффективное использование словарей).

4.2 Высокопроизводительный OLAP-анализ и раскопка данных, способы визуального задания запросов.

4.3 Медицинские системы, консультирующие врачей в экстренных ситуациях, роботы-манипуляторы для выполнения точных действий в ходе хирургических операций.

4.4 Создание полностью автоматизированных киберзаводов, гибкие экономные производства, быстрое прототипирование, планирование работ, синхронизация цепочек снабжения, авторизации финансовых транзакций путем анализа профилей пользователей.

5. Небольшое число конференций посвящено выработке прикладных методов, направленных на решение конкретных задач промышленности в области финансов, медицины и математики.

Традиционно высок интерес к ИИ в среде разработчиков игр и развлекательных программ (это отдельная тема). Среди новых направлений их исследований - моделирование социального поведения, общения, человеческих эмоций, творчества.

4.2 Проблема развития искусственного интеллекта

Проблемы ИИ, связанные с ресурсами. Эйфория, связанная с первыми практическими успехами в сфере ИИ, прошла довольно быстро, потому что перейти от исследования экспериментальных компьютерных моделей к решению прикладных задач реального мира оказалось гораздо сложнее, чем предполагалось. На трудности такого перехода обратили внимание специалисты всего мира, и после детального анализа выяснилось, что практически все проблемы связаны с нехваткой ресурсов двух типов: компьютерных (вычислительной мощности, емкости оперативной и внешней памяти) и людских (наукоемкая разработка интеллектуального ПО требует привлечения ведущих специалистов из разных областей знания и организации долгосрочных исследовательских проектов).

К сегодняшнему дню ресурсы первого типа вышли (или выйдут в ближайшие пять-десять лет) на уровень, позволяющий системам ИИ решать весьма сложные для человека практические задачи. А вот с ресурсами второго типа ситуация в мире даже ухудшается - именно поэтому достижения в сфере ИИ связываются в основном с небольшим числом ведущих ИИ-центров при крупнейших университетах.

Во всех этих направлениях главные трудности связаны с тем, что недостаточно изучены и поняты принципы человеческой интеллектуальной деятельности, процесс принятия решений и решение задач. В принципе, что такое "понимание", "мышление", нуждается в осмыслении. Если в 60-х годах широко обсуждался вопрос "может ли компьютер мыслить", то теперь вопрос ставится иначе: "достаточно ли хорошо человек понимает, как он мыслит, чтобы передать эту функцию компьютеру"? В силу этого, работы в области искусственного интеллекта тесно соприкасаются с исследованиями по соответствующим разделам психологии, физиологии, лингвистики.

Заключение

Краткие выводы по теме реферата:

1. Искусственный интеллект - это научное направление, связанное с машинным моделированием человеческих интеллектуальных функций.

2. Понятие искусственный интеллект обычно используется для обозначения способности вычислительной системы выполнять задачи, свойственные интеллекту человека, например, задачи логического вывода и обучения.

3. Любая задача, алгоритм решения которой заранее не известен или же данные неполные может быть отнесена к задачам области ИИ. Это, например, игра в шахматы, чтение текста, перевод текста на другой язык и т.д.

4. Системы, программы, выполняющие действия по решению задачи можно отнести к ИИ, если результат их деятельности аналогичен результату человека при решении той же задачи. Поэтому к ИИ можно отнести целый ряд программных средств: системы распознавания текста, автоматизированного проектирования, самообучающиеся программы и др. Но не только поэтому, а еще и потому, что они работают по сходным принципам с человеком.

5. Есть два основных перспективных направления в исследовании ИИ. Первое заключается в приближении систем ИИ к принципам человеческого мышления. Второе заключается в создании ИИ, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества.

Справившись с целью реферата - рассмотреть процесс развития ИИ, мы можем сказать, что создание искусственно интеллекта, как полного, так и неполного, таит в себе множество проблем. Причем как на пути к его созданию, так и после него.

Проанализировав прогресс разработки ИИ в мире, мы узнали о проблемах, возникающих в процессе развития ИИ и рассмотрели методы их решения, что привело нас к тому, что на пути создания ИИ это и ограниченность ресурсов, и недостаточные знания в этой области, проблема вообще осуществимости это сделать, и многие другие технические проблемы. После же создания ИИ, сравнимого с человеком возникает ряд проблем:

· Во-первых, потерей интереса человека к творческому труду в случае его замены, а затем и полная деградация человека. Но с другой стороны творчество должно приносить человеку радость, а он, следовательно, от этого не должен отказаться. Возможна и друга проблема: при полном изобилии ресурсов общество потеряет свою структуру и человек обезличится, перестанет развиваться на протяжении своей жизни.

· Во-вторых, это возможность ошибки ИИ или сбоя в его работе в областях, ошибки на которых могут быть фатальными для всего человечества. Это, к примеру, оборона стран или энергетика. В любом случае решающее слово должно быть за человеком в принятии решений, например, по началу войны, или ликвидации сбоя на электростанции. Ведь любой человек может выйти из-под контроля, а значит и ИИ по его подобию тоже.



Библиографический список

1. Бобровский С. Перспективы и тенденции развития искусственного интеллекта /С. Бобровский. //PC Week. - http://www.pcweek.ru/themes/ detail.php?ID=59005/. -RE №32, 2001. С. 32-34.

2. Ноткин Л.И. Искусственный интеллект и проблемы обучения/ Л.И. Ноткин - М.: КомКнига, 1999.

3. Винер Н. Кибернетика/ Н. Винер - М.: Наука, 1983.

4. Эндрю А. Искусственный интеллект/ А. Эндрю - М.: Мир, 1985.

5. Шалютин С.М. Искусственный интеллект/ С.М. Шалютин - М.: Мысль, 1985.

6. Венда В.Ф. Системы гибридного интеллекта/ В.Ф. Венда - М.: Машиностроение, 1990.

7. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика/ Ф. Уоссерман; пер. с англ. - М.: Мир, 1992.

Размещено на Allbest.ru