Файл: Основные подходы к построению систем искусственного интеллекта (Определение сфер применения систем искусственного интеллекта).pdf

Как следствие - стремление к универсализации программных систем, т.е. к возможности использования такой системы в различных предметных областях. В то же время, каждая предметная область характеризуется системой содержательных понятий, которыми оперирует пользователь при решении задач.

Таким образом, в традиционной технологии обработки данных системы понятий предметной области и формальной модели, положенной в основу программы, как правило, не совпадают. Это различие и является основной причиной затруднений, возникающих при взаимодействии пользователя с компьютером в процессе решения задачи. [5]

Для применения программы пользователь должен перевести постановку задачи, выраженную в системе понятий предметной области, в постановку, выраженную в системе понятий формальной модели. Перевод из одной системы понятий в другую называется интерпретацией. При получении результатов решения задачи пользователь также должен выполнить интерпретацию, обратную первой. Процесс интерпретации связан с рядом существенных объективных и субъективных трудностей, которые увеличиваются с ростом объема, сложности и универсальности программной среды.

Новая информационная технология ставит своей целью обеспечение простоты процесса взаимодействия пользователя с компьютером с исключением необходимости регулярного сопровождения.

[5] Электронный справочный ресурс https://studref.com

Основная идея новой технологии, призванная обеспечить проблемы интерпретации, состоит в том, чтобы расматривать систему понятий предметной области и соответствие между ней и системой понятий формальной мадели как исходную информацию для решения прикладных задач.

В идеале подобный подход должен обеспечить пользователю возможность самостоятельного изменения системы понятий предметной области, определения новых понятий через «известные» системе. Пользователь получает возможность формулирования своего видения предметной области, выделения в ней объектов и взаимосвязей, существенных для решения задачи и удобных для рассуждения в процессе решения.

Разработчики систем искусственного интеллекта и экспертных систем, как важной составляющей новой информационной технологии решения задач, ставят своей задачей изменения традиционных подходов к системе взаимодействия человека и компьютера при решении задач принятия решений в реальном времени, обеспечения удобства и комфорта пользователя, повышения эффективности взаимодействия таких систем.

Новая информационная технология основывается прежде всего на интеллектуальных технологиях и теории искусственного интеллекта.

Искусственный интеллект – это термин, который охватывает много определений. Многие специалисты согласны, что ИИ соотносится с двумя базовыми идеями. Во – первых, ИИ вовлечен в процессы изучения мыслительных процессов человека (для понимания, что представляет собой интеллект); во-вторых, ИИ имеет дело с представлением этих процессов через машины (такие как компьютеры и роботы).

Одним из многих определений ИИ является следующее: искусственный интеллект – это такое поведение машины, что если оно совершалось бы человеком, то могло бы быть названо умным, т.е. интеллектуальным.

Если исследовать значение термина интеллектуальное поведение, то можно определить различные способности, которые рассматриваются как признаки интеллекта:

- обучение или понимание из опыта;

- выявление смысла из двусмысленности или противоположных сообщений;

- быстрый и адекватный отклик на новую ситуацию (разнообразные реакции, гибкость);

- использование рассуждений при решении проблем и эффективном направлении поведения;

- использование относительной важности различных элементов в ситуации;

- мышление и рассуждение.

Как искусственный интеллект и интеллектуальные технологии отличаются от традиционных вычислений?

Традиционные компьютерные программы основываются на алгоритме, который ясно определяет последовательную процедуру для решения проблемы. Это может быть математическая формула или последовательная процедура, которая ведет к решению. Алгоритм преобразуется в компьютерную программу, которая только указывает компьютеру какие операции выполнять. Кроме того, для решения проблемы алгоритм использует данные, такие как числа, буквы или слова. [5]

Интеллектуальная технология и программное обеспечение ИИ основывается на символическом представлении и манипуляции. В ИИ символ – это буква, слово или число, которые используются для представления объектов процессов и их отношений. Объектами могут быть люди, идеи, понятия, события или утверждения о фактах. [6]

[5] Электронный справочный ресурс https://studref.com

[6] Электронный справочный ресурс http://lib.kstu.kz

Глава 2. Анализ имеющихся подходов в сфере модернизации и построения систем искусственного интеллекта.

2.1. Состав и содержание основных подходов

Существуют различные подходы к построению систем ИИ - логический подход, структурный, эволюционный, имитационный. Это разделение не является историческим, когда одно мнение постепенно сменялось другим, и различные подходы и методики существуют параллельно и сегодня. Поскольку по-настоящему полноценных систем искусственного интеллекта в настоящее время нет, то нельзя и утверждать, что какой-то подход является правильным, а какой-то - нет.

Для начала рассмотрим логический подход. 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 Булевая алгебра. Каждый программист знаком с нею и с её использованием, хотя бы на примере логического оператора IF (если). Свое дальнейшее развитие Булевая алгебра получила в виде исчисления предикатов - в котором она расширена за счёт 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). 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.

[5] Функциональное программирование на языке Haskell. Автор: Роман Душкин. ДМК-Пресс, 2016 г. 403 стр.

Мощность такой системы определяется возможностями генератора целей и машины доказательства теорем. Можно утверждать, что выражений алгебры не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит - единица информации (или значение ячейки памяти), которая может принимать значения только логического 0 и 1. Было бы логично предположить, что всё, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не упоминается о том, сколько на это уйдёт времени. Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечёткая логика. Её особенностью является то, что правдивость высказывания может принимать кроме значений да/нет (1/0) ещё и промежуточные значения - «не знаю» (0.5), «скорее да, чем нет» (0.75) и «скорее нет, чем да» (0.25). Такой подход больше похож на мышление человека, поскольку человек не часто отвечает только «да» или «нет». Для большинства логических методов характерна большая трудоёмкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Данный подход требует эффективной реализации вычислительного процесса, и удовлетворительные результаты работы обычно гарантируются только при сравнительно небольшом размере базы данных[5]Под структурным подходом подразумеваются попытки построения ИИ путём моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Ф. Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон. [6]

[5] Функциональное программирование на языке Haskell. Автор: Роман Душкин. ДМК-Пресс, 2016 г. 403 стр.

[6] Робинсон Дж. Логическое программирование – прошлое, настоящее и будущее. – В кн. Логическое программиование. Сб.статей / Пер. с англ. и фр. под ред. В.Н.Агафонова. – М.: Мир, 1988. – С.8-26.

Позднее возникли и другие модели, известные под общим названием «нейронные сети» (НС). Модели эти различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных вариаций НС можно назвать НС с обратным распространением ошибки, сети Хопфилда и стохастические нейронные сети

Нейронные сети наиболее успешно применяются в задачах распознавания образов, в том числе сильно зачумленных (нечётких). Также имеются примеры успешного применения НС для построения собственно систем ИИ.

Для моделей, построенных на основе строения человеческого мозга характерна не слишком большая выразительность, оприделённое распараллеливание алгоритмов и, благодаря последнему, высокая производительность параллельно реализованных НС. Для таких сетей характерно одно свойство, которое делает из очень схожими с человеческим мозгом - нейронные сети работают даже при условии недостаточной информации об окружающей среде, т.е. как и человек, они поставленный вопрос могут отвечать не только «да» и «нет» но и «не знаю точно, но скорее нет», «не знаю точно, но скорее да».Довольно большое распространение получил эволюционный подход. При построении систем ИИ по такому подходу, основное внимание уделяется построению начальной модели и правилам, по которым она (модель) может изменяться (эволюционировать). Модель может быть составлена по самым различным методам, это могут быть и НС и набор логических правил и любая другая модель. После этого мы запускаем ИИ, 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.

Эволюционных моделей, как таковых, не существует, есть 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 основного внимания разработчика с построения модели на алгоритм её модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она (система) становится «вещью в себе».

Широко используется для построения систем ИИ также имитационный подход. Данный подход является классическим для кибернетики с одним из её базовых понятий - «чёрным ящиком» (ЧЯ). Чёрный ящик - это устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которого отсутствуют, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Не важно, что у него внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом моделируется другое свойство человека - способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит человеку массу времени, особенно в начале его жизни. К недостаткам имитационного подхода можно отнести низкую информационную способность большинства моделей, построенных с его помощью. [8]

[8] Электронный справочный ресурс http://mirznanii.com

2.2. Основные проблемы встречающиеся при построении систем искусственного интеллекта.

Интересно отметить, что именно поисковые процедуры казались на первом этапе развития работ по интеллектуальным программам той метапроцедурой, с помощью которой можно будет решать все интеллектуальные задачи. Первая программа, которая обобщила эту идею, называлась "Общий решатель задач". В этой программе, созданной А. Ньюэллом, Дж. Шоу и Г. Саймоном, поиск с локальными критериями успеха был основной процедурой. Решение всех задач, по мысли авторов, могло быть сведено к поиску пути в лабиринте альтернативных возможностей. [9]

И хотя эти надежды не оправдались, цикл подобных исследований оказался весьма полезным. Были созданы достаточно эффективные процедуры поиска, используемые специалистами по искусственными интеллекту не только при решении игровых задач, но и во многих других областях (например, при планировании целесообразной деятельности в интеллектуальных системах).Переборные игры составляют, по-видимому, большинство во множестве распространенных среди людей игр. Существенно меньшую часть составляют топологические игры, в которых необходимо учитывать не только дерево игры, задаваемое возможными последовательностями ходов противников, но и структурой самой позиции как целого. Примером такой игры может служить го. В этой игре оценка позиции не может быть сведена, как, например, в шахматах, к описанию множества фигур и их расположения на игровом поле. Для го важно не конкретное расположение камней по тем или иным полям, а те конфигурации, которые они образуют на плоскости игрового поля. Программирование таких игр требует создания в памяти ЭВМ эталонных образов тех или иных областей, занятых камнями противников.