Интеллект и интеллектуальные задачи. История развития систем искусственного интеллекта
Сложность современных задач решаемых человеком потребовала создания таких ИТ, при которых компьютер не только повторяет однотипные многократно повторяющиеся операции обработки данных, но и может сам обучаться и использовать накопленный опыт. Считается, что к интеллектуальным задачам относятся задачи, для которых заранее не известен алгоритм решения и для решения которых могут применяться нестандартные методы. Технологии, позволяющие с помощью вычислительных систем решать интеллектуальные задачи, получили название систем искусственного интеллекта.
Искусственный интеллект – это свойство автоматических систем брать на себя отдельные функции интеллекта человека. Например, принимать решение на основе накопленного опыта и анализа внешнего воздействия. Родоначальником ИИ считается средневековый философ и математик Раймонд Луллий, который создал механическую машину, решающую задачи на основе классификаций и понятий. Теория ИИ в последующие века развивалась Лейбницем и Декартом. Термин «искусственный интеллект» официально был введен в 1956г в США (симпозиум в Дартонском коллежде). С этого момента в области ИИ стали развиваться отдельно два направления:
1) Нейрокибернетика. В рамках направления ученые изучали работу человеческого мозга и пытались на аппаратном уровне создать машину, повторяющую человеческий мозг и его функционирование. Благодаря этому были созданы первые нейрокомпьютеры (6е поколение) и на их основе стали создаваться нейронные сети.
2) «Черный ящик». Ученые данного направления считали, что неважно как устроена вычислительная система, лишь бы она решала задачи интеллектуального характера правильно. И все их разработки были связаны с разработкой программного обеспечения. Можно сказать, что они стали родоначальниками систем ИИ.
До 70х годов достижения ученых по этим направлениям были колоссальны в развитых западных странах Японии и США. В 1973г по заказу британского правительства математиком Лайтхилом был проведен анализ разработок в области ИИ. Его доклад получил историческое название «Разгромный доклад Лайтхила». С этого момента начинается десятилетний застой (до 90х) в разработках ИИ. В то же время в России в 1974г по распоряжению правительства создается пять научно-исследовательских институтов, занимающихся разработками ИИ по пяти направлениям, куда были собраны все ведущие ученые России. Это позволило нам не только догнать другие страны, но по многим направлениям сделать более выдающиеся достижения.
Направление исследований в области искусственного интеллекта
Направление исследований в области искусственного интеллекта:
1) Разработка программного обеспечения – заключается в разработке систем, использующих специальные языки программирования, такие как LISP, PROLOG, REFAL, SMALL TALK.
2) Представление знаний и разработка систем основанных на знаниях – разработка структуры, интерфейса и методов работы с базами знаний.
3) Обучение и самообучение – разрабатываются системы управляющие процессом обучения человека.
4) Распознавание образов – сканирование текстов и графики, считывание штрих-кодов, и т.д.
5) Разработка естественно-языковых интерфейсов и машинный перевод – возможность общаться с компьютером на привычном нам языке.
6) Новая архитектура компьютеров – новая элементная база.
7) Игры и машинное творчество.
8) Робототехника – существует два поколения роботов. К первому относятся программируемые манипуляторы. Ко второму – роботы с сенсорными устройствами восприятия.
Экспертные системы структура и классификация
Экспертная система это сложный программный комплекс, аккумулирующий и тиражирующий знания специалистов в конкретной предметной области и выполняющая функции консультанта для менее квалифицированных специалистов. Различают два поколения экспертных систем:
1) Статические экспертные системы
2) Самообучающиеся экспертные системы
Для создания экспертной системы подбирается группа специалистов в конкретной предметной области. Перед ними ставится задача, независимо друг от друга они формируют список показателей, которые необходимы для решения этой задачи. Из всех их предложений формируется единый список. Затем каждому эксперту даются различные наборы значений этих показателей, на основании которых они должны сделать вывод. Все это закладывается затем в базу знаний.
Структура экспертной системы:
1) База знаний
2) Интерфейс пользователя – комплекс программ реализующих диалог пользователя с экспертной системой на стадиях ввода данных и получения результатов
3) Интеллектуальный редактор базы знаний – программа позволяющая заполнять и редактировать базу знаний в диалоговом режиме
4) Блок логического вывода – программа моделирующая ход рассуждения эксперта на основе информации из базы знаний
5) Подсистема объяснений – программа позволяющая пользователю получить ответ на вопросы «как получена рекомендация» и «почему система приняла такое решение».
Классификация экспертных систем:
1) По принадлежности к поколению: первое и второе
2) По типу ЭВМ
3) По задаче: интерпретация данных, диагностика, проектирование (это системы, которые самостоятельно разрабатывают проект системы, сооружения или технического устройства на основе заданных спецификаций и требований), прогнозирование, планирование, контроль и управление, обучение, поддержка принятия решений
4) По связям с реальным миром: статические (не учитывается время) и динамические (учитывается время)
5) По степени интеграции: автономные и гибридные
Нейронные системы
Нейронные системы – программы поддерживающие принципы работы нейронных сетей и позволяющие решать конкретные задачи.
На рынке нейронные системы представлены в виде пустых программ-оболочек, которые требуют обучения. Обучение проходит следующим образом:
1) Формулируется постановка задачи и набор параметров, которые характеризуют ее решения
2) Подготавливается набор обучающих примеров представляющих собой наборы параметров с правильным результатом решения
3) Всем параметрам присваиваются весовые коэффициенты. Это могут быть случайные значения.
4) В систему по очереди вводятся обучающие примеры, и результат выданный системой сравнивается с правильным. В случае отклонения система выдает информацию, какие параметры в наибольшей степени повлияли на результат. В соответствии с этим их весовые коэффициенты увеличиваются или уменьшаются и процесс ввода обучающих примеров повторяется.
5) Когда система достигает стабильности, т.е. для всех вводимых примеров с заданным уровнем вероятности получается правильный ответ, считается, что система обучена.
Чем больше обучающих примеров, тем более точной будет система. Примером такой системы может служить модуль системы «Статистика» - «Нейронная сеть».
Системы извлечения знаний
Системы извлечения знаний – DM-системы.
Необходимость разработки таких систем возникла при широком внедрении интернета в нашу жизнь. Когда многая информация в быту, на работе, в процессе обучения берется из электронных хранилищ. Такие системы позволяют по поставленной задаче сделать выборку информации без повторений из различных источников, сгруппировать ее и подготовить отчет в определенном виде. Отличительной особенностью систем является:
1) Выявление корреляций между информацией. С их помощью можно получить ответы на вопросы: «какие факторы способствовали увеличению числа продаж», «какие события повлияли на изменение котировок ценных бумаг», «какова картина политических симпатий избирателей по региону» и т.д.
2) Автоматическая кластеризация данных. Возможность ответа на вопросы: «на какие группы делятся клиенты той или иной страховой компании», «какая группа наиболее доходна», «какая группа банков наиболее надежна» и т.д.
3) Возможность обработки не структурированной текстовой информации.
4) Возможность генерации отчетов в форме максимально приближенной к естественном языку.
