Области применения искусственного интеллекта

Области применения искусственного интеллекта ...

Введение
1. Искусственный интеллект
2. Современные области исследований в ИИ
3. Области применения искусственного интеллекта
4. Возможная стратегия и план создания ИИ
5. Будущее искусственного интеллекта
Заключение
Список литературы

Понятие искусственный интеллект, как впрочем, и просто интеллект, весьма расплывчато. Если обобщить все сказанное за последние тридцать лет, то оказывается, что человек просто хочет создать себе подобного в той или иной форме, хочет, чтобы какие-то действия выполнялись более рационально, с меньшими затратами времени и энергии. С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума. В последнее время наблюдается возрастание интереса к искусственному интеллекту, вызванное повышением требований к информационным системам. Умнеет программное обеспечение, умнеет бытовая техника. Мы неукло нно движемся к новой информационной революции, сравнимой по масштабам с развитием Интернета, имя которой – искусственный интеллект

Искусственный интеллект - одна из новейших наук, появившихся во второй половине 20-го века на базе вычислительной техники, математической логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект - это образец междисциплинарных исследований, где соединяются профессиональные интересы специалистов разного профиля. Само название новой науки возникло в конце 60-х годах, а в 1969 г. в Вашингтоне (США) состоялась первая Всемирная конференция по искусственному интеллекту. Известно, что совокупность научных исследований обретает права науки, если выполнены два необходимых условия. У этих исследований должен быть объект изучения, не совпадающий с теми, которые изучают другие науки. И должны существовать специфические методы исследования этого объекта, отличные от методов других, уже сложившихся наук. Исследования, которые объединяются сейчас термином "искусственный интеллект", имеют свой специфический объект изучения и свои специфические методы. В этой статье мы обоснуем это утверждение. Когда в конце 40-х - начале 50-х годов появились ЭВМ, стало ясно, что инженеры и математики создали не просто быстро работающее устройство для вычислений, а нечто более значительное. Оказалось, что с помощью ЭВМ можно решать различные головоломки, логические задачи, играть в шахматы, создавать игровые программы. ЭВМ стали принимать участие в творческих процессах: сочинять музыкальные мелодии, стихотворения и даже сказки. Появились программы для перевода с одного языка на другой, для распознавания образов, доказательства теорем. Это свидетельствовало о том, что с помощью ЭВМ и соответствующих программ можно автоматизировать такие виды человеческой деятельности, которые называются интеллектуальными и считаются доступными лишь человеку. Несмотря на большое разнообразие не вычислительных программ, созданных к началу 60-х годов, программирование в сфере интеллектуальной деятельности находилось в гораздо худшем положении, чем решение расчетных задач. Причина очевидна. Программирование для задач расчетного характера опиралось на соответствующую теорию - вычислительную математику. На основе этой теории было разработано много методов решения задач. Эти методы стали основой для соответствующих программ. Ничего подобного для не вычислительных задач не было. Любая программа была здесь уникальной, как произведение искусства. Опыт создания таких программ никак не обобщался, умение их создавать не формализовалось. Никто не станет отрицать, что, в отличие от искусства, у науки должны быть методы решения задач. С помощью этих методов все однотипные задачи должны решаться единообразным способом. И "набив руку" на решении задач определенного типа, легко решать новые задачи, относящиеся к тому же типу. Но именно таких методов и не смогли придумать те, кто создавал первые программы не вычислительного характера. Когда программист создавал программу дл игры в шахматы, то он использовал собственные знания о процессе игры. Он вкладывал их в программу, а компьютер лишь механически выполняли эту программу. Можно сказать, что компьютер "не отличал" вычислительные программы от не вычислительных. Он одинаковым образом находил корни квадратного уравнения или писал стихи. В памяти компьютера не было знаний о том, что он на самом деле делает. Об интеллекте компьютера можно было бы говорить, если бы он сам, на основании собственных знаний о том, как протекает игра в шахматы и как играют в эту игру люди, сумел составить шахматную программу или синтезировал программу для написания несложных вальсов и маршей. Не сами процедуры, с помощью которых выполняется та или иная интеллектуальная деятельность, а понимание того, как их создать, как научиться новому виду интеллектуальной деятельности, - вот где скрыто то, что можно назвать интеллектом. Специальные метапроцедуры обучения новым видам интеллектуальной деятельности отличают человека от компьютера. Следовательно, в создании искусственного интеллекта основной задачей становится реализация машинными средствами тех метапроцедур, которые используются в интеллектуальной деятельности человека. Что же это за процедуры? В психологии мышления есть несколько моделей творческой деятельности. Одна из них называется лабиринтной. Суть лабиринтной гипотезы, на которой основана лабиринтная модель, состоит в следующем: переход от исходных данных задачи к решению лежит через лабиринт возможных альтернативных путей. Не все пути ведут к желаемой цели, многие из них заводят в тупик, надо уметь возвращаться к тому месту, где потеряно правильное направление. Это напоминает попытки не слишком умелого школьника решить задачу об упрощении алгебраических выражений. Для этой цели на каждом шагу можно применять некоторые стандартные преобразования или придумывать искусственные приемы. Но весьма часто вместо упрощения выражения происходит его усложнение, и возникают тупики, из которых нет выхода. По мнению сторонников лабиринтной модели мышления, решение всякой творческой задачи сводится к целенаправленному поиску в лабиринте альтернативных путей с оценкой успеха после каждого шага. С лабиринтной моделью связана первая из метапроцедур - целенаправленный поиск в лабиринте возможностей. Программированию этой метапроцедуры соответствуют многочисленные процедуры поиска, основанные на соображениях здравого смысла (человеческого опыта решения аналогичных задач). В 60-х годах было создано немало программ на основе лабиринтной модели, в основном игровых и доказывающих теоремы "в лоб", без привлечения искусственных приемов. Соответствующее направление в программировании получило название эвристического программирования. Высказывались даже предположения, что целенаправленный поиск в лабиринте возможностей - универсальная процедура, пригодная для решения любых интеллектуальных задач. Но исследователи отказались от этой идеи, когда столкнулись с задачами, в которых лабиринта возможностей либо не существовало, либо он был слишком велик для метапроцедуры поиска, как, например, при игре в шахматы. Конечно, в этой игре лабиринт возможностей - это все мыслимые партии игры. Но как в этом астрономически большом лабиринте найти те партии, которые ведут к выигрышу? Лабиринт столь велик, что никакие мыслимые скорости вычислений не позволят целенаправленно перебрать пути в нем. И все попытки использовать для этого человеческие эвристики (в данном случае профессиональный опыт шахматистов) не дают пути решения задачи. Поэтому созданные шахматные программы уже давно используют не только метапроцедуру целенаправленного поиска, но и другие метапроцедуры, связанные с другими моделями мышления. Долгие годы в психологии изучалась ассоциативная модель мышления. Основной метапроцедурой модели является ассоциативный поиск и ассоциативное рассуждение. Предполагается, что решение неизвестной задачи так или иначе основывается на уже решенных задачах, чем-то похожих на ту, которую надо решить. Новая задача рассматривается как уже известная, хотя и несколько отличающаяся от известной. Поэтому способ ее решения должен быть близок к тому, который когда-то помог решить подобную задачу. Для этого надо обратиться к памяти и попытаться найти нечто похожее, что ранее уже встречалось. Это и есть ассоциативный поиск. Когда, увидев незнакомого человека, вы стараетесь вспомнить, на кого он похож, реализуется метапроцедура ассоциативного поиска. Но понятие ассоциации в психологии шире, чем просто "похожесть". Ассоциативные связи могут возникнуть и по контрасту, как противопоставление одного другому, и по смежности, т. е. в силу того, что некоторые явления возникали в рамках одной и той же ситуации или происходили одновременно (или с небольшим сдвигом по времени). Ассоциативное рассуждение позволяет переносить приемы, использованные ранее, на текущую ситуацию. К сожалению, несмотря на многолетнее изучение ассоциативной модели, не удалось создать стройную теорию ассоциативного поиска и ассоциативного рассуждения. Исключение составляет важный, но частный класс ассоциаций, называемых условными рефлексами. И все же метапроцедура ассоциативного поиска и рассуждения сыграла важную роль: она помогла создать эффективные программы в распознавании образов, в классификационных задачах и в обучении ЭВМ.
Но одновременно эта метапроцедура привела к мысли о том, что для ее эффективного использования надо привлечь результаты, полученные в другой модели мышления, опирающейся на идею внутреннего представления проблемной области, на знания о ее особенностях, закономерностях и процедурах действия в ней.
2. Современные области исследований в ИИ
В последнее десятилетие ушедшего века ясно обозначались следующие важные направления развития интеллектуальных систем.
1. Системы, имитирующие творческие процессы. Создание музыкальных произведений, решение игровых задач (шахматы, шашки, домино), автоматический перевод, доказательство теорем, распознавание образов, имитация мышления и т.п.
Попытки программировать на ЭВМ игры, характерны для современного ИИ с момента его возникновения.
2. Информационные системы, основанные на знаниях (экспертные системы) т.е. консультирование малоопытных пользователей, настройка оборудования, обучение и др.
3. Интеллектуальные информационные системы - большие и очень большие программы, предназначенные для решения задач в предметной области на основе математических и алгоритмических моделей и обладающие способностью вести осмысленный диалог с пользователем с целью упростить управление, сократить объём работы человека, повысить качество и т.п.
4. Робототехника. С точки зрения «интеллектуальности» различают несколько поколений роботов. Первое поколение – роботы манипуляторы, действующие по заранее утверждённой и неизменной программе (например, подающие заготовки к станку). Если в процессе работы по каким-либо причинам изменится расстояние до заготовки, робот её потеряет. Второе поколение – адаптивные роботы. Члены таких роботов оснащены большим количеством датчиков: угломеров, тензометров, газовых анализаторов и др. Такие роботы применяются, например, для сварки кузовов автомобилей. Дело в том, что достаточно крупные технические изделия, даже выпускаемые серийно, всё равно получаются уникальными. Длина двух автомобилей одной и той же марки различна. Адаптивный робот делает сваркой шов не в абсолютных координатах, а относительно некоторой точки начала отчёта, которую сам же и находит на кузове автомобиля. При необходимости человек – сварщик берёт управление на себя, а робот, запоминая его действия в новой ситуации, «обучается». Первые два вида роботов - промышленные роботы, сконструированные для работы на заранее определённой среде – цехах завода. Для ориентации и точного позиционирования в пространстве в цеже имеется большое количество контрольных точек – датчиков, координаты которых неизменны. Гораздо сложнее роботу, которых находится в реальном мире, например, обследует затонувший корабль. Приходится отвечать на вопросы: «где я?», «что передо мной?», «можно ли пройти к?» и др. Интеллектуальным роботам приходится обрабатывать данные своих датчиков и команды человека в реальном масштабе времени, а если предусмотрен ещё и прогноз событий, то в «сверхвиртуальном» (применяются, например, для управления транспортными средствами). Схожие проблемы возникают у поисковых роботов – особого класса программ, предназначенных для индексирования документов в глобальной сети Интернет, что обеспечивает работу поисковых машин.
5. Диагностика. Медицинские диагностические программы, основанные на вероятностном анализе, сумели достичь уровня опытного врача в нескольких областях медицины. Хекерман описал случай, когда ведущий специалист в области патологии лимфатических узлов не согласился с диагнозом программы в особо сложном случае. Создатели программы предложили, чтобы этот врач запросил у компьютера пояснения по поводу данного диагноза. Машина указала основные факторы, повлиявшие на ее решение, и объяснила нюансы взаимодействия нескольких симптомов, наблюдавшихся в данном случае. В конечном итоге эксперт согласился с решением программы.
6. Планирование снабжения. Во время кризиса в Персидском заливе в 1991 году в армии США была развернута система DART (Dynamic Analysis and Replanning) для обеспечения автоматизированного планирования поставок и составления графиков перевозок. Работа этой системы охватывала одновременно до 50 000 автомобилей, единиц груза и людей; в ней приходилось учитывать пункты отправления и назначения, маршруты, а также устранять конфликты между всеми параметрами. Методы планирования на основе искусственного интеллекта позволяли вырабатывать в течение считанных часов такие планы, для составления которых старыми методами потребовались бы недели. Представители агентства DARPA (Defense Advanced Research Project Agency – Управление перспективных исследовательских программ) заявили, что одно лишь это приложение сторицей окупило тридцатилетние инвестиции в искусственный интеллект, сделанные этим агентством.
7. Автономное планирование и составление расписаний. Работающая на удалении в сотни миллионов километров от Земли программа Remote Agent агентства NASA стала первой бортовой автономной программой планирования, предназначенной для управления процессами составления расписания операций для космического аппарата. Программа Remote Agent вырабатывала планы на основе целей высокого уровня, задаваемых с Земли, а также контролировала работу космического аппарата в ходе выполнения планов: обнаруживала, диагностировала и устраняла неполадки по мере их возникновения.
3. Области применения искусственного интеллекта
В последние время наблюдается очень активные действия по использованию и внедрению нейронные сетей в самые различные области таких как: техника, геология, физика, бизнес и т.д. На рисунке представлена нейронная сеть.
«Нейронная сеть»
Нейронные сети применяются везде, где необходимо решить задачи связанные с управлением, прогнозированием, а также с классификацией. Такое активнейшее использование обуславливается следующими причинами:
Широкие возможности. Для воспроизводства очень сложных зависимостей используются мощные методы моделирования, которые реализуются с помощью нейронных сетей. Весьма длительное время в большинстве областей применялось линейное моделирование, оно являлось основным методом, так как для него разрабатывались различные хорошо оптимизированные процедуры. Линейные модели в задачах работают плохо там, где не очень хорошо себя проявляет линейная аппроксимация. А также нейронные сети не позволяют оперировать в случае большого числа переменных благодаря предотвращению «проклятия размерности».
Простота в использовании. Нейронные сети способны обучаться на примерах. Человек, пользующийся нейронной сетью, выбирает необходимые данные, далее ему даётся возможность запуска алгоритма обучения, который воспримет данные автоматически. От пользователя, разумеется, требуются какие-то эвристические знания о том, как нужно отобрать и подготовить данные, выбрать необходимую архитектуру сети, а также обработать результаты. Для того чтобы использовать нейронные сети, необходим, гораздо меньший уровень знаний, чем для использования традиционных методов статистики.
Нейронные сети очень привлекают к себе внимание тем, что они основаны на простой модели нервной системы. В недалёком будущем развитие таких моделей действительно может послужить созданию мыслящих машин (компьютеров). Существует система ST Neural Networks которая способна создавать простые нейронные сети, что является находкой для специалистов по прикладной статистике.
Применение нейронных сетей. Задачи, которые решают нейронные сети, определяются тем, как сеть функционирует и обучается. Нейронная сеть, решая определённые задачи, выдаёт и принимает значения. Сеть применяют для того, чтобы из имеющийся, известной информации получить некоторую не известную информацию. Примеры подобных задач:
Прогнозирование на фондовом рынке. Можно спрогнозировать цену акции на завтрашний день, зная цены акций за последнюю неделю.
Предоставление кредита. Частное лицо обратилось в банк. Нужно определить, высока ли степень риска предоставления кредита.
Управление. Необходимо определись действия робота, для того чтобы он достиг своей цели благодаря установленной на нём камере.
Далеко не все задачи можно решить, применяя нейронные сети. Если вы решили определить результат лотереи, зная свой рост, то ничего не получится, так как эти вещи никакого отношения друг к другу не имеют. Если тираж проводится без обмана, то нет такой информации, которая могла бы предсказать итог игры с точностью.
Ещё одно не менее важное условие применения нейронных сетей: Необходимо с уверенностью знать, что между известными входными и неизвестными выходными значениями имеется связь. Эта связь может быть искажена шумом, но она должна существовать.
Нейронная сеть обычно используется, когда неизвестны точные виды связей между выходами и входами, - в случае если они известны, то связь можно смоделировать непосредственно. Ещё одна не менее важная особенность нейронных сетей это обучение сети. Для обучения нейронных сетей применяются алгоритмы двух типов: управляемое и не управляемое. Чаще всего применяется управляемое обучение.
Для управляемого обучения пользователи должны заранее подготовить пакет обучающих данных. Они представляют собой примеры входов и выходов. Сети учатся устанавливать связи между ними. Такие обучающие данные, как правило, берутся из истории. В примерах, которые рассмотрены выше, такими данными могут послужить предыдущие цены акций, информация о прошлых заемщиках – как они выполнили свои обязательства перед банком.
Далее нейронная сеть обучается при помощи определённого алгоритма управляемого обучения, для того чтобы свести ошибку прогноза на нет. В случае если уровень обучения сети высок, она способна смоделировать неизвестную функцию, которая связывает входные и выходные переменные. В будущем такую сеть можно использовать для прогнозирования различных ситуаций с неизвестными выходными значениями.
4. Возможная стратегия и план создания ИИ
Без эксперимента нет науки, невозможно определить правильность выбранного пути, поэтому является необходимым:
1) создать виртуальную среду обитания прототипа, так как собрать механическое чудо, с множеством сенсоров намного труднее и дороже.
2) имитировать сенсоры, такие как слух, виртуальное зрение («зрение» - в виде виртуального пространства, видео камеры и «ИНЕТ»), виртуальные ручки и ножки, которые можно выполнить весьма упрощенно, главное научить ИР говорить, нажимать клавиши, делать движения виртуальными ручками, ножками и прочими виртуальными частями, например курсором мышки.
3) создать операционную систему «реального» времени, где слово «реально» - тоже относительно так как, при имитации ИР необходимы паразитные вычисления, поэтому среда Wind . с ее процессами, службами и множеством одновременно решаемых задач будет сбивать равномерное течение времени «испытуемого»