Искусственный интелект

СОДЕРЖАНИЕ 

ВВЕДЕНИЕ 3 

1 ИСТОРИЯ СОЗДАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 5

1.1 Исторический обзор  развития  искусственного  интеллекта 5

1.2 Системы искусственного  интеллекта 10

1.3 Построение систем  искусственного интеллекта 12 

2 РАЗВИТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 16

2.1 Знания и модели  их представления 16

2.2 Инженерия знаний 19

2.3 Модели приобретения  знаний 22 

ЗАКЛЮЧЕНИЕ 27 

СПИСОК  ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 29 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     ВВЕДЕНИЕ 

     Начало  современного этапа развития систем искусственного интеллекта (ИИ) может  быть отнесено к середине 50-х гг. Этому способствовала программа, разработанная  А. Ньюэллом, предназначенная для  доказательства теорем в исчислении высказываний и названная «ЛОГИК-ТЕОРЕТИК». Некоторые авторы называют эту систему  экспертной и связывают определение  ее назначения с анализом ее возможностей, проведенных Клодом Шенноном и Марвином Минским.

     Эти работы положили началу исследованиям  в области ИИ, связанному с разработкой  программ, решающих задачи на основе применения разнообразных эвристических методов  и правил. Эвристика -- совокупность логических приемов и методических правил, теоретического Исследования и отыскания истины, методика поиска доказательств. Эвристические правила -- неформальные правила, используемые в целях повышения эффективности  поиска в данной предметной области.

     Данный  метод решения задачи при этом рассматривался как свойственный человеческому  мышлению «вообще», для которого характерно возникновение «догадок» о пути решения с последующей проверкой  их. Эвристическому методу противопоставлялся используемый в ЭВМ алгоритмический (процедуральный, процедурный) метод, который  интерпретировался как механическое осуществление заданной последовательности шагов, детерминированно приводящей к  правильному ответу. Такая трактовка  эвристических методов решения  задачи и обусловила появление и  распространение термина «искусственный интеллект».

     В 70--80 гг. исследования в области ИИ характеризовались перемещением внимания специалистов от проблем создания автономно  функционирующих систем к созданию человеко-машинных систем, интегрирующих  в единое целое интеллект человека и способности ЭВМ для достижения общей цели - решения задачи, поставленной перед подобной системой. Многие считали, что это позволит создать новое  направление информационных технологий -- машинную экспертизу, которая заменит  труд специалиста. Однако в силу ряда причин эти ожидания не вполне оправдались.

     Тем не менее, в последнее десятилетие  это направление возродилось  в виде исследований и разработок, направленных на создание экспертных систем с базой знаний. Их используют в управленческой деятельности и  многих отраслях экономики (страховании, банковском деле и др.), чтобы с  помощью правил и объектов, суммирующих  накопленный опыт, повысить качество принимаемых решений.

     Проблематика  ИИ в настоящее время довольно обширна. Список Дисциплин по искусственному интеллекту постоянно увеличивается. Сегодня в него входят представление  знаний, решение задач, экспертные системы, средства общения с ЭВМ на естественном языке, обучение, когнитивное моделирование, обработка визуальной информации, робототехника, нейрокомпьютерные технологии и др.

     Представление знаний -- наиболее важная область исследований по искусственному интеллекту, основа всех остальных дисциплин. Знания имеют  форму описаний объектов, взаимосвязей и процедур. Наличие адекватных знаний и способность их эффективно использовать означают «умение».

     Создание  общей теории или метода представления  знаний является стратегической проблемой. Такая теория открыла бы возможность  накопления знаний, которые нужны  ежедневно для решения все  новых и новых задач. Однако для  достижения поставленной цели необходимо найти способ выражения общих  закономерностей предметных областей (ПО), в чем и состоит суть проблемы представления знаний.

     Решение задач сводится к поиску пути из некоторой исходной точки в целевую. Человек делает это весьма эффективно с помощью дедуктивного логического  вывода (рассуждения), процедурального  анализа, аналогии и индукции. Люди способны также учиться на собственном  опыте. Компьютеры в общем случае решают задачи только с использованием дедуктивного логического вывода и  процедурального анализа.

     Тип задачи определяет метод, наиболее подходящий для ее решения. Задачи, которые сводятся к процедуральному анализу, вообще говоря, лучше всего решаются на компьютере. Учетные и аналитические  задачи служат примерами процедуральных задач, решаемых компьютером быстрее  и надежнее, чем человеком. Задачи же, связанные с использованием аналогии или индукции, эффективнее решаются человеком. Задачи, требующие дедуктивных  и индуктивных рассуждений, представляются наиболее вероятными кандидатами для  решения с помощью экспертных систем (систем, основанных на знаниях). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     1 ИСТОРИЯ СОЗДАНИЯ  ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 

     1.1 Исторический обзор  развития  искусственного интеллекта 
 

     Исторически сложились три основных направления  в моделировании искусственного интеллекта.

     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 искусственный интеллект. 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.

     Самыми  первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь  надо отметить еще кибернетические  игрушки типа "электронной мыши" Клода Шеннона, которая управлялась  сложной релейной схемой. Эта мышка  могла "исследовать" лабиринт, и  находить выход из него. А кроме  того, помещенная в уже известный  ей лабиринт, она не искала выход, а  сразу же, не заглядывая в тупиковые  ходы, выходила из лабиринта.

     Американский  кибернетик А. Самуэль составил для  вычислительной машины программу, которая  позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта  программа сразилась с Р. Нили, сильнейшим шашистом в США и победила.

     Каким образом машине удалось достичь  столь высокого класса игры?

     Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной  ход из множества возможных ходов  согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям -- дебюту, миттэндшпилю, эндшпилю.

     Разумно сочетая такие критерии (например, в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более  сложным образом), можно для оценки очередного хода машины получить некоторый  числовой показатель эффективности -- оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему  показателю. Подобная автоматизация  выбора очередного хода не обязательно  обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции  на основе анализа проведенных ходов  и игр с учетом их исхода.

     По  мнению А. Самуэля, машина, использующая этот вид обучения, может научиться  играть лучше, чем средний игрок, за относительно короткий период времени.

     Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной  в процессе игры в шашки, сообщены ей автором программы. Отчасти это  так. Но не следует забывать, что  программа эта не является "жесткой", заранее продуманной во всех деталях. Она совершенствует свою стратегию  игры в процессе самообучения. И  хотя процесс "мышления" у машины существенно отличен оттого, что  происходит в мозгу играющего  в шашки человека, она способна у него выиграть.

     Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный  шахматный турнир машин, снабженных соответствующими программами. Как  известно, победу на этом турнире одержала советская машина с шахматной  программой "Каисса".

     Почему  здесь употреблено "до недавнего  времени"? Дело в том, что недавние события показали, что, несмотря на довольно большую сложность шахмат, и невозможность, в связи с  этим произвести полный перебор ходов, возможность перебора их на большую  глубину, чем обычно, очень увеличивает  шансы на победу. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100'000'000 ходов  в секунду. До недавнего времени  редкостью был компьютер, могущий  делать такое количество целочисленных  операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя с другой стороны, этот пример говорит о могуществе и универсальности переборных алгоритмов.

     В настоящее время существуют и  успешно применяются программы, позволяющие машинам играть в  деловые или военные игры, имеющие  большое прикладное значение. Здесь  также чрезвычайно важно придать  программам присущие человеку способность  к обучению и адаптации. Одной  из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания  образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук -- физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами  широкого практического использования  результатов теоретических исследований: читающие автоматы, системы искусственного интеллекта, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные  распознавать и анализировать сложные  сенсорные ситуации.

     В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания -- перцептрон. Появление  машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания и породило большой поток теоретических  и экспериментальных исследований.

     Перцептрон  или любая программа, имитирующая  процесс распознавания, работают в  двух режимах: в режиме обучения и  в режиме распознавания. В режиме обучения некто (человек, машина, робот  или природа), играющий роль учителя, предъявляет машине объекты и  о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием  понятий. В режиме распознавания  машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.

     Проблема  обучения распознаванию тесно связана  с другой интеллектуальной задачей -- проблемой перевода с одного языка  на другой, а также обучения машины языку. При достаточно формальной обработке  и классификации основных грамматических правил и приемов пользования  словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем научного или делового текста. Для некоторых  языков такие системы были созданы  еще в конце 60-г. Однако для того, чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной  на урезанном естественном языке.

     Что же касается моделирования логического  мышления, то хорошей модельной задачей  здесь может служить задача автоматизации  доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка. Эти программы обладают, по словам американского специалиста в области искусственного интеллекта Дж. Маккатти, "здравым смыслом", т. е. способностью делать дедуктивные заключения.

     В программе К. Грина и др., реализующей  вопросно-ответную систему, знания записываются на языке логики предикатов в виде набора аксиом, а вопросы, задаваемые машине, формулируются как подлежащие доказательству теоремы. Большой интерес  представляет "интеллектуальная" программа американского математика Хао Ванга. Эта программа за 3 минуты работы IBM-704 вывела 220 относительно простых  лемм и теорем из фундаментальной  математической монографии, а затем  за 8.5 мин выдала доказательства еще 130 более сложных теорем, часть  их которых еще не была выведена математиками. Правда, до сих пор  ни одна программа не вывела и не доказала ни одной теоремы, которая  бы, что называется "позарез" была бы нужна математикам и была бы принципиально новой.

     Очень большим направлением систем искусственного интеллекта является роботехника. В  чем основное отличие интеллекта робота от интеллекта универсальных  вычислительных машин?

     Для ответа на этот вопрос уместно вспомнить  принадлежащее великому русскому физиологу  И. М. Сеченову высказывание: "… все  бесконечное разнообразие внешних  проявлений мозговой деятельности сводится окончательно лишь к одному явлению -- мышечному движению". Другими  словами, вся интеллектуальная деятельность человека направлена в конечном счете  на активное взаимодействие с внешним  миром посредством движений. Точно  так же элементы интеллекта робота служат прежде всего для организации  его целенаправленных движений. В  то же время основное назначение чисто  компьютерных систем искусственного интеллекта состоит в решении интеллектуальных задач, носящих абстрактный или  вспомогательный характер, которые  обычно не связаны ни с восприятием  окружающей среды с помощью искусственных  органов чувств, ни с организацией движений исполнительных механизмов.

     Первых  роботов трудно назвать интеллектуальными. Только в 60-х годах появились очуствленные роботы, которые управлялись универсальными компьютерами. К примеру в 1969 г. в  Электротехнической лаборатории (Япония) началась разработка проекта "промышленный интеллектуальный робот". Цель этой разработки -- создание очуствленного  манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем.

     Манипулятор робота имеет шесть степеней свободы  и управляется мини-ЭВМ NEAC-3100 (объем  оперативной памяти 32000 слов, объем  внешней памяти на магнитных дисках 273000 слов), формирующей требуемое  программное движение, которое отрабатывается следящей электрогидравлической системой. Схват манипулятора оснащен тактильными  датчиками.

     В качестве системы зрительного восприятия используются две телевизионные  камеры, снабженные красно-зелено-синими фильтрами для распознавания  цвета предметов. Поле зрения телевизионной  камеры разбито на 64*64 ячеек. В результате обработки полученной информации грубо  определяется область, занимаемая интересующим робота предметом. Далее, с целью  детального изучения этого предмета выявленная область вновь делится  на 4096 ячеек. В том случае, когда  предмет не помещается в выбранное "окошко", оно автоматически  перемещается, подобно тому, как  человек скользит взглядом по предмету. Робот Электротехнической лаборатории  был способен распознавать простые  предметы, ограниченные плоскостями  и цилиндрическими поверхностями  при специальном освещении. Стоимость  данного экспериментального образца  составляла примерно 400000 долларов.

     Постепенно  характеристики роботов монотонно  улучшались, Но до сих пор они  еще далеки по понятливости от человека, хотя некоторые операции уже выполняют  на уровне лучших жонглеров. К примеру  удерживают на лезвии ножа шарик от настольного тенниса.

     Еще пожалуй здесь можно выделить работы киевского Института кибернетики, где под руководством Н. М. Амосова  и В. М. Глушкова (ныне покойного) ведется  комплекс исследований, направленных на разработку элементов интеллекта роботов. Особое внимание в этих исследованиях  уделяется проблемам распознавания  изображений и речи, логического  вывода (автоматического доказательства теорем) и управления с помощью  нейроподобных сетей.

     К примеру, можно рассмотреть созданный  еще в 70-х годах макет транспортного  автономного интегрального робота (ТАИР). Конструктивно ТАИР представляет собой трехколесное шасси, на котором  смонтирована сенсорная система  и блок управления. Сенсорная система  включает в себя следующие средства очуствления: оптический дальномер, навигационная  система с двумя радиомаяками и компасом, контактные датчики, датчики  углов наклона тележки, таймер и  др. И особенность, которая отличает ТАИР от многих других систем, созданных  у нас и за рубежом, это то, что  в его составе нет компьютера в том виде, к которому мы привыкли. Основу системы управления составляет бортовая нейроподобная сеть, на которой  реализуются различные алгоритмы  обработки сенсорной информации, планирования поведения и управления движением робота.

     В конце данного очень краткого обзора рассмотрим примеры крупномасштабных экспертных систем.

     MICIN -- экспертная система для медицинской  диагностики. Разработана  группой по инфекционным заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.

     PUFF -- анализ нарушения дыхания. Данная  система представляет собой MICIN, из которой удалили данные  по инфекциям и вставили данные  о легочных заболеваниях.

     DENDRAL -- распознавание химических структур. Данная система старейшая, из  имеющих звание экспертных. Первые  версии данной системы появились  еще в 1965 году во все том  же Стенфордском университете. Пользователь  дает системе DENDRAL некоторую информацию  о веществе, а также данные  спектрометрии (инфракрасной, ядерного  магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает  диагноз в виде соответствующей  химической структуры.

     PROSPECTOR -- экспертная система, созданная  для содействия поиску коммерчески  оправданных месторождений полезных  ископаемых. 
 

     1.2 Системы искусственного интеллекта 

     Термин  интеллект (intelligence) происходит от латинского intellectus -- что означает ум, рассудок, разум; мыслительные способности человека.

     Соответственно  искусственный интеллект (artificial intelligence) -- ИИ (AI) 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.

     В словарях даются следующие определения  искусственного интеллекта.

     Искусственный интеллект - способность прикладного  процесса обнаруживать свойства, ассоциируемые  с разумным поведением человека.

     Искусственный интеллект - раздел информатики, занимающийся вопросами имитации мышления человека с помощью компьютера.

     Этот  класс пакетов включает: информационные системы, поддерживающие диалог на естественном языке (естественно-языковый интерфейс); экспертные системы, позволяющие давать рекомендации пользователю в различных  ситуациях; интеллектуальные пакеты прикладных программ, позволяющие решать прикладные задачи без программирования.

     Естественно-языковый интерфейс был наиболее привлекателен  для общения с ЭВМ с момента  ее появления. Это позволило бы исключить  необходимость обучения конечного  пользователя языку команд или другим приемам формулировки своих заданий  для решения на компьютере, поскольку  естественный язык является наиболее приемлемым средством общения для  человека. Поэтому работы по созданию такого рода интерфейса начались с  середины 20-го века. Однако, несмотря на весь энтузиазм исследователей и  проектировщиков, эта задача не решена и по сей день из-за огромных сложностей, связанных с пониманием предложений  естественного языка и связного текста в целом. Некоторые программные  продукты, которые появлялись на рынке, носили скорее экспериментальный характер, имели множество ограничений и не решали задачу кардинально. Тем не менее, несмотря на кажущийся застой в этой сфере, данная проблема остается актуальной и по сей день и вошла в состав проблематики, связанной с проектом ЭВМ пятого поколения.

     Экспертные  системы впервые появились в  области медицины. Возникла идея интеграции знаний экспертов в области медицины или ее отдельных разделов в некоторую  электронную форму, которая позволила  бы начинающему врачу иметь своеобразного  электронного советника при принятии решений по тому или иному врачебному случаю. Выбор области медицины объясняется  слишком большой ценой ошибок, которые касаются жизни и здоровья людей. Постепенно от области медицины эта технология распространилась и  на другие сферы деятельности человека, например, производство. Технология использования  экспертных систем предполагает первоначальное "обучение" системы, т.е. заполнение ее конкретными знаниями из той или  иной проблемной области, а потом  уже эксплуатацию наполненной знаниями экспертной системы для решения  прикладных задач. Эта идеология  проявила себя в проекте ЭВМ пятого поколения в части привлечения  конечного пользователя к решению  своих задач и связана с  проблемой автоформализации знаний.

     Интеллектуальные  пакеты прикладных программ позволяют, аналогично экспертным системам, предварительно создавать базу знаний, включающую совокупность знаний из той или иной области деятельности человека, а  затем решать практические задачи с  привлечением этих знаний. Различие этих видов пакетов состоит в том, что экспертные системы, в отличие  от интеллектуальных ППП, позволяют  интегрировать знания из так называемых слабо формализуемых предметных областей, в которых сложно определить входные и выходные параметры  задачи, а также невозможно сформировать четкий алгоритм ее решения. Кроме того, экспертные системы не формируют  алгоритм решения задачи как в  случае интеллектуальных ППП, а лишь выдают "советы" пользователю на основании его запроса.

Область применения

• Доказательства теорем;
• Игры;
• Распознавание образов;
• Принятие решений;
• Адаптивное программирование;
• Сочинение машинной музыки;
• Обработка данных на естественном языке;
• Обучающиеся сети (нейросети);
• Вербальные концептуальные обучения.

     Планы на будущее в области применения ИИ: В сельском хозяйстве компьютеры должны оберегать посевы от вредителей, подрезать деревья и обеспечивать избирательный уход. В горной промышленности компьютеры призваны работать там, где  возникают слишком опасные условия  для людей. В сфере производства ВМ должны выполнять различного вида задачи по сборке и техническом контроле. В учреждениях ВМ обязаны заниматься составлением расписаний для коллективов и отдельных людей, делать краткую сводку новостей. В учебных заведениях ВМ должны рассматривать задачи, которые решают студенты, в поисках ошибок, подобно тому как ищутся ошибки в программе, и устранять их. Они должны обеспечивать студентов суперкнигами, хранящимися в памяти вычислительных систем. В больницах ВМ должны помогать ставить диагноз, направлять больных в соответствующие отделения, контролировать ход лечения. В домашнем хозяйстве ВМ должны помогать советами по готовке пищи, закупке продуктов, следить за состоянием пола в квартире и газона в саду. Конечно, в настоящее время ни одна из этих вещей не представляется возможной, но исследования в области ИИ могут способствовать их реализации.