Искусственный интеллект

В основу кибернетики "черного ящика" лег принцип, противоположный нейрокибернетике. Не имеет значения, как устроено "мыслящее" устройство. Главное, чтобы  на заданные входные воздействия  оно реагировало так же, как человеческий мозг. Это направление искусственного интеллекта было ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров. В 1956 -1963 гг. велись интенсивные поиски моделей и алгоритма человеческого мышления и разработка первых программ. Оказалось, что ни одна из существующих наук — философия, психология, лингвистика — не может предложить такого алгоритма. Тогда кибернетики предложили создать собственные модели. Были созданы и опробованы различные подходы.

    В конце 50-х гг. родилась модель лабиринтного поиска. Этот подход представляет задачу как некоторый граф, отражающий пространство состояний, и в этом графе проводится поиск оптимального пути от входных данных к результирующим. Была проделана большая работа по разработке этой модели, но в решении практических задач идея большого распространения не получила.

    Начало 60-х гг.—эпоха эвристического программирования. Эвристика — правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска. Эвристическое программирование — разработка стратегии действий на основе известных, заранее заданных эвристик.

     В 1963 - 1970 гг. к решению задач стали подключать методы математической логики. На основе метода резолюций, позволившего автоматически доказывать теоремы при наличии набора исходных аксиом, в 1973 г. создается язык Пролог.

    Обычно теорема формулируется так: при таких-то условиях выполняется то-то. Здесь происходит эквивалентная замена на доказательство следующего: найдем противоречие в утверждении, что условия теоремы истинны, а результат ложен. Под множеством логических формул из предыдущего параграфа понимается множество всех условий теоремы + отрицание ее вывода.

    При этом программа рассматривается как набор логических формул, описывающих предметную область, совместно с теоремой, которая должна быть доказана. Логическое программирование избавляет программиста от необходимости определения точной последовательности шагов выполнения вычислений.

     Существенный прорыв в практических приложениях искусственного интеллекта произошел в середине 70-х гг., когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы. Пришел новый подход к решению задач искусственного интеллекта — представление знаний. Созданы MYCIN и DENDRAL — ставшие уже классическими экспертные системы для медицины и химии. Объявлено несколько глобальных программ развития интеллектуальных технологий — ESPRIT (Европейский Союз), DARPA (министерство обороны США), японский проект машин V поколения.

    Начиная с середины 80-х гг. происходит коммерциализация искусственного интеллекта. Растут ежегодные капиталовложения, создаются промышленные экспертные системы. Растет интерес к самообучающимся системам. 

            Искусственный интеллект как  – научное направление

    Определить искусственный интеллект как научное направление - это значит, прежде всего, определить предмет и метод искусственного интеллекта.Предмет познания - зафиксированные в опыте и включенные в процесс практической деятельности человека стороны, свойства и отношения объектов, исследуемые с определенной целью в данных условиях и обстоятельствах. Прежде чем что-то познавать, изучать, исследовать, необходимо выяснить, показать, доказать, что это "нечто" действительно есть, существует, т.е., что мы можем каким-либо образом "пощупать его руками" непосредственно или достоверно убедиться, отразить его существование посредством либо наших ощущений, либо специальных приспособлений, устройств, приборов. Все свои ощущения субъект постепенно анализирует, обобщает и выделяет в них основное, повторяющееся, главное, а различные случайности и помехи отбрасываются. Познающий старается уяснить и точно определить, что же это самое "нечто" собой представляет. Этот процесс опирается уже на все ранее известное, познанное, на знания познающего субъекта. Субъект пробует, пытается выразить в терминах естественного языка, знаками описать то, что он ощутил, понял, узнал. Он старается определить, как можно точнее, свое полученное представление. В результате, у познающего субъекта получается языковое выражение, символьное представление изучаемого "нечто". В это формальное, символьное выражение он вкладывает вполне определенное содержание, отвечающее и соотносящееся со всеми его знаниями. Поскольку это выражение зависит от представлений субъекта, его знаний и от его способности ощущать, воспринимать, отражать реальность, постольку это представление вносит свое субъективное влияние. Следовательно, выражение - представление - понятие об изучаемом "нечто" является единством объективного и субъективного, при доминирующей роли объективного. Древние ученые изучали мир. Предметом их исследований была окружающая среда. Возникает вопрос: являлись ли такие явления, как электричество, ядерные реакции и т.п. предметом их изучения? Все эти явления существовали и тогда. Ответ будет таким: эти явления не являлись предметом познания, так как древние ученые только могли догадываться, подозревать об их существовании. Следовательно, предмет познания зависит и от возможностей познающего субъекта.

    Предмет изучения - это чувственно отражаемые стороны, части, свойства и отношения объектов, изучаемые с определенной целью, обобщенно выделенные в знаковом представлении, которое постоянно наполняется содержанием, соответствующим развивающемуся знанию как о непосредственно изучаемом, так и обо всей объективной реальности в целом. Предмета изучения не существует вне процесса познания. Предмета изучения нет и без познающего субъекта. Предмет отражает представление познающего, а его содержание постоянно обновляется, дополняется, хотя форма выражения, конкретное символьное представление такой формы может быть неизменным. Символьное выражение, представление познаваемого предмета должно быть кратким и отражать самую суть.

   Главным, принципиальным отличием "интеллектуального" отражения является то, что "интеллектуальный" объект активно реагирует, перерабатывает, отражает воздействие других объектов.Предметом искусственного интеллекта как научного направления - являются процессы активного отражения.

   Система, способная к активному отражению действительности, самостоятельно формирует некий комплекс целей, самостоятельно выбирает объект изучения и целенаправленно отражает, познает, изучает его посредством своих органов чувств, датчиков информации. Важно отметить, что при активном отражении у субъекта появляется цель. Причем, цель может быть порождена внутри этого субъекта, например, в случае мышления человека или поведения животных. Также, цель может быть заложена в отражающую систему внешним субъектом, например, при обработке информации в ЭВМ, программа для которой написана человеком.

Метод - это  способ организации деятельности для  достижения цели научного объяснения предмета исследования, посредством  воспроизведения этого предмета в мышлении, в виде определенным образом организованного, символьного, знакового описания.

Рассматривая  искусственный интеллект - как научное  направление, основным методом является моделирование, причем в самых различных  формах, от формализованного знакового  моделирования до построения и создания различных физических, кибернетических, биологических и т.д. моделей. Важную роль играет и системно-структурный  подход, как общенаучный методологический принцип. Основным методом теории искусственного интеллекта является формализованное  знаковое моделирование, которое имеет  следующие два аспекта:

• формализация;
• знаковое представление модели.

     Модель, в данном случае, рассматривается как отражение, обобщение субъектом предмета познания, т.е. мышления или процессов активного отражения. При этом, мышление определяется, представляется логикой, по крайней мере, в области осознанного мышления, т.е. сознания. Рассмотрение мышления, как предмета теории искусственного интеллекта, предполагает две стороны. С одной стороны, это определенная логическая система - система знаний или, просто, знания, т.е. логические формы и отношения между ними. С другой стороны, изменения логической системы, что приводит к изменению системы знаний, в том числе и к генерации, порождению новых знаний. Формализация предполагает построение некоторой формально-логической системы, которую в свою очередь, можно определить как формальную систему знаний. Знаковое представление необходимо для материализации, фиксации, определенности полученной системы знаний.

Современные технологии искусственного интеллекта

     Искусственный интеллект как  научное направление возник и  начал активно развиваться после  Второй мировой войны. С тех  пор в этой области разрабатываются  модели и методы решения задач,  традиционно считавшихся интеллектуальными  и не поддававшихся формализации (строгому математическому описанию) и автоматизации.Само направление определено как "искусственный интеллект" в силу того, что основой всех его методов являются попытки копирования и моделирования существующих в природе интеллектуальных механизмов, таких как работа центральной нервной системы позвоночных, иммунитет, поведенческие реакции и т.д.

Далее представлен  обзор современных направлений, методологий и подходов, которые  могут быть отнесены к технологиям  искусственного интеллекта.

Нейронные сети и их вариации. Представляют собой  сеть взаимосвязанных элементов, которые  являются математической моделью нейронов мозга. Используются для определения  априорно неизвестных сложных функциональных зависимостей на основании статистических данных.

Байесовы (вероятностные) сети*. Моделируют вероятностные причинно-следственные связи. Позволяют рассчитывать вероятность наступления того или иного события при известной априорной вероятности причин. Позволяют строить модели в режиме реального времени с учетом неполноты данных и возможностью корректировки результата при появлении дополнительной информации. Могут использоваться для совместной обработки данных количественного и качественного характера.

Методы эвристической  самоорганизации. Методы данной группы исследуют функциональные и вероятностные  взаимосвязи "входов" и "выходов" некоторой системы, т.е. позволяют  моделировать сложные нелинейные процессы и системы при отсутствии априорных  знаний о структуре модели. Метод  группового учета аргументов (МГУА), например, позволяет моделировать неизвестные  закономерности функционирования исследуемого процесса или системы по информации, неявно присутствующей в выборке "входных" и "выходных" данных.

Теория игр. Позволяет формализовать описание процессов принятия сознательных целенаправленных решений при участии одной  или нескольких сторон в условиях неопределенностей, риска и конфликта, которые возникают при столкновении интересов. Задача теории игр заключается в предложении рекомендаций рационального образа действий участников процесса принятия решений, т.е. в определении оптимальной стратегии для каждого из них.

Теория хаоса. Предлагает новые методы анализа  данных, позволяющие выявлять скрытые  зависимости там, где раньше систему  считали случайной, и не имеющей  каких-либо закономерностей. Применение аппарата теории хаоса позволяет  качественно изучать нестабильное апериодическое поведение в нелинейных динамических системах, например, в  экономических, экологических, социальных и биологических системах и процессах.

Многозначные  логики. Нечеткая логика. Логика антонимов*. Расширяет возможности "обычной" двоичной логики, оперирующей только понятиями "1-да" и "0-нет". Позволяет  оперировать с нечеткой, неточной, "размытой" информацией. Дает возможность  использования качественных, а не количественных характеристик, что  позволяет манипулировать лингвистическими понятиями и знаниями, выражаемыми  на обычном языке (например, для описания процессов: "плохо"-"средне"-"хорошо", "огромный-большой-маленький-мизерный" и т.д.).

Эволюционные  и клональные алгоритмы. Адаптивные методы поиска, используемые для решения задач функциональной оптимизации. Основаны на эволюционных процессах биологических организмов: популяции развиваются, подчиняясь законам естественного отбора и принципу "выживает сильнейший". Моделируя этот процесс, эволюционные алгоритмы, в частности генетические, способны "развивать" решения реальных задач, если они соответствующим образом закодированы. Такой подход является динамическим и позволяет довольно быстро находить оптимальные, с определенной точки зрения, решения.

Методы экспертных оценок*. Применяются при отсутствии возможности или трудо-ресурсной нецелесообразности получения данных в количественном выражении. При моделировании многих процессов и систем, например, экономических, социальных и биологических, понятие точных числовых оценок теряет всякий смысл. В таких случаях обращаются к использованию знаний и опыта экспертов - методам экспертных оценок, которые включают в себя методы получения, формализации и интеграции экспертных знаний.

Иммунные  сети*. Основаны на принципах функционирования иммунной системы позвоночных, которая, выступает "вторым" интеллектом - как и нервная система, обладает такими свойствами как память, способность  обучаться, умение распознавать и принимать  решения о том, как вести себя в новых ситуациях. Методы, основанные на концепции искусственных иммунных сетей, используются в задачах распознавания  образов, информационной безопасности, прогнозировании временных рядов  и многих других.

Роевой интеллект*. Данный подход основан на коллективном интеллекте социальных насекомых, таких  как муравьи и пчелы, каждая особь  которых обладает очень малыми возможностями. Но, собираясь в многотысячную  и многомиллионную колонию, они  становятся роем, представляющим собой  мощную интеллектуальную распределенную систему. Многие современные задачи управления, моделирования и прогнозирования  могут быть эффективно решены с помощью  автономных эмерджентных систем, построенных  по такому принципу. Наиболее активными  сферами применения являются социальное и электоральное моделирование, экономическое прогнозирование, маркетинговые  исследования и исследования по корпоративному климату.