Искусственный интеллект. 2

Шилина К.Е. Эм-301701  Искусственный интеллект

Оглавление

Искусственный интеллект 2

Введение 2

История 4

Структура понятия 8

Основные направления 13

Условия достижения интеллектуальности 14

Научные школы 15

Конвенционный ИИ 15

Вычислительный ИИ 15

Подходы и направления 17

Подходы к пониманию проблемы 17

Тест Тьюринга и интуитивный подход 17

Символьный подход 19

Логический подход 20

Агентно-ориентированный подход 21

Структурный подход 21

Эволюционный подход 22

Имитационный подход 23

Гибридный подход 25

Вспомогательные системы нижнего уровня и их место в системах искусственного интеллекта 25

Модели и методы исследований 29

Методы самоорганизации 29

Нейросетевое моделирование 31

Символьное моделирование 32

Работа с естественными языками 32

Биологическое моделирование 36

Машинное обучение 36

Машинное творчество 37

Байесовские сети доверия 38

Проблема искусственного интеллекта 39

Заключение 48

 

 

Искусственный интеллект

Введение

 

Термин интеллект (intelligence) происходит от латинского intellectus – 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.

Деятельность мозга, направленную на решение интеллектуальных задач, будем называть мышлением, или интеллектуальной деятельностью. Интеллект и мышление органически связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игры и управление в условиях неопределенности. Характерными чертами интеллекта, проявляющимися в процессе решения задач, являются способность к обучению, обобщению, накоплению опыта (знаний и навыков) и адаптации к изменяющимся условиям в процессе решения задач. Благодаря этим качествам интеллекта мозг может решать разнообразные задачи, а также легко перестраиваться с решения одной задачи на другую. Таким образом, мозг, наделенный интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных) для которых нет стандартных, заранее известных методов решения.

Совершенно естественно, исключить из класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Примерами таких задач могут служить чисто вычислительные задачи: решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т.д. Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для компьютера. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, игра в шахматы, доказательство теорем и т.п., напротив, это формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно.

Система искусственного интеллекта (ИИ) – это программная система, имитирующая на компьютере мышление человека. Для создания такой системы необходимо изучить процесс мышления человека, решающего определённые задачи или принимающего решение в конкретной области; выделить основные шаги этого процесса и разработать программные средства, воспроизводящие их на компьютере.

Существует несколько  причин интеллектуализации систем автоматизированного  проектирования (САПР):

    • необходимость использования накопленного опыта специалистов конкретной предметной области;
    • решение трудноформализуемых задач, т.е. задач, которые характеризуются сложностью или невозможностью полного и точного математического описания с последующим применением известных методов решения или большой размерностью, не позволяющей получить решение за приемлемое время.
    • необходимость взаимодействия пользователя и САПР на языке, близком к естественному.

САПР методы искусственного интеллекта используются для:

    • разработки удобного интерфейса пользователя и системы (в том числе при обучении пользователя, самообучении САПР, ведения интеллектуального диалога);
    • создания экспертных систем, позволяющих принимать решения в задачах структурного и параметрического синтеза;
    • при создании подсистем переработки визуальной информации;
    • при решении задач защиты информации.

История

 

Первые исследования, относимые к искусственному интеллекту, были предприняты почти сразу же после появления первых вычислительных машин. 
В 1910-13 гг. Бертран Рассел и А. Н. Уайтхэд опубликовали работу "Принципы математики", которая произвела революцию в формальной логике. В 1931 г. Курт Гедель показал, что достаточно сложная формальная система содержит утверждения, которые тем не менее нельзя ни доказать ни опровергнуть в рамках этой системы. Таким образом система ИИ, которая устанавливает истинность всех утверждений, выводя их из аксиом, не может доказать эти утверждения. Так как люди могут "увидеть" истинность таких утверждений, ИИ стал рассматриваться как нечто второстепенное. В 1941 г. Конрад Цузе построил первый работающий программно-контроллируемый компьютер. Уоррен Маккалок и Walter Pitts в 1943 г. опубликовали A Logical Calculus of the Ideas Immanent in Nervous Activity, который заложил основы нейронных сетей.

В 1954 г. американский исследователь  А.Ньюэлл (A.Newel) решил написать программу для игры в шахматы. Этой идеей он поделился с аналитиками корпорации "РЭНД" (RAND Corporation, www.rand.org) Дж. Шоу (J.Show) и Г.Саймоном (H.Simon), которые предложили Ньюэллу свою помощь. В качестве теоретической основы такой программы было решено использовать метод, предложенный в 1950 г. Клодом Шенноном (C.E. Shannon), основателем теории информации. Точная формализация этого метода была выполнена Аланом Тьюрингом (Alan Turing). Он же промоделировал его вручную. К работе была привлечена группа голландских психологов под руководством А. Де Гроота (A. de Groot), изучавших стили игры выдающихся шахматистов. Через два года совместной работы этим коллективом был создан язык программирования ИПЛ1 - по-видимому первый символьный язык обработки списков. Вскоре была написана и первая программа, которую можно отнести к достижениям в области искусственного интеллекта. Эта была программа "Логик-Теоретик" (1956), предназначенная для автоматического доказательства теорем в исчислении высказываний.

Собственно же программа  для игры в шахматы, NSS, была завершена  в 1957 г. В основе ее работы лежали так  называемые эвристики (правила, которые  позволяют сделать выбор при отсутствии точных теоретических оснований) и описания целей. Управляющий алгоритм пытался уменьшить различия между оценками текущей ситуации и оценками цели или одной из подцелей.

В 1960 г. той же группой, на основе принципов, использованных в NSS, была написана программа, которую ее создатели назвали GPS (General Problem Solver )- универсальный решатель задач. GPS могла справляться с рядом головоломок, вычислять неопределенные интегралы, решать некоторые другие задачи. Эти результаты привлекли внимание специалистов в области вычислений. Появились программы автоматического доказательства теорем из планиметрии и решения алгебраических задач (сформулированных на английском языке).

Джона Маккарти (J.McCarty) из Стэнфорда заинтересовали математические основы этих результатов и вообще символьных вычислений. В результате в 1963 г. им был разработан язык ЛИСП (LISP, от List Processing ), основу которого составило использование единого спискового представления для программ и данных, применение выражений для определения функций, скобочный синтаксис.

К исследованиям в области  искусственного интеллекта стали проявлять  интерес и логики. В том же 1964 г. была опубликована работа ленинградского логика Сергея Маслова "Обратный метод  установления выводимости в классическом исчислении предикатов", в которой  впервые предлагался метод автоматического  поиска доказательства теорем в исчислении предикатов.

На год позже (в 1965 г.) в  США появляется работа Дж.А.Робинсона (J.A.Pobinson) , посвященная несколько иному методу автоматического поиска доказательства теорем в исчислении предикатов первого порядка. Этот метод был назван методом резолюций и послужил отправной точкой для создания нового языка программирования со встроенной процедурой логического вывода - языка Пролог (PROLOG) в 1971 г.

В 1966 году в СССР Валентином Турчиным был разработан язык рекурсивных функций Рефал, предназначенный для описания языков и разных видов их обработки. Хотя он и был задуман как алгоритмический метаязык, но для пользователя это был, подобно ЛИСПу и Прологу, язык обработки символьной информации.

В конце 60-х гг. появились  первые игровые программы, системы  для элементарного анализа текста и решения некоторых математических задач (геометрии, интегрального исчисления). В возникавших при этом сложных переборных проблемах количество перебираемых вариантов резко снижалось применением всевозможных эвристик и "здравого смысла". Такой подход стали называть эвристическим программированием. Дальнейшее развитие эвристического программирования шло по пути усложнения алгоритмов и улучшения эвристик. Однако вскоре стало ясно, что существует некоторый предел, за которым никакие улучшения эвристик и усложнения алгоритма не повысят качества работы системы и, главное, не расширят ее возможностей. Программа, которая играет в шахматы, никогда не будет играть в шашки или карточные игры.

Постепенно исследователи  стали понимать, что всем ранее  созданным программам недостает самого важного - знаний в соответствующей области. Специалисты, решая задачи, достигают высоких результатов, благодаря своим знаниям и опыту; если программы будут обращаться к знаниям и применять их, то они тоже достигнут высокого качества работы.

Это понимание, возникшее  в начале 70-х годов, по существу, означало качественный скачок в работах по искусственному интеллекту. 
Основополагающие соображения на этот счет высказал в 1977 г. на 5-й Объединенной конференции по искусственному интеллекту американский ученый Э.Фейгенбаум (E.Feigenbaum).

Уже к середине 70-х гг. появляются первые прикладные интеллектуальные системы, использующие различные способы представления знаний для решения задач - экспертные системы. Одной из первых была экспертная система DENDRAL, разработанная в Станфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. В настоящее время DENDRAL поставляется покупателям вместе со спектрометром. Система MYCIN предназначена для диагностики и лечения инфекционных заболеваний крови. Система PROSPECTOR прогнозирует залежи полезных ископаемых. Имеются сведения о том, что с ее помощью были открыты залежи молибдена, ценность которых превосходит 100 миллионов долларов. Система оценки качества воды, реализованная на основе российской технологии SIMER + MIR несколько лет назад причины превышения предельно допустимых концентрациий загрязняющих веществ в Москве-реке в районе Серебрянного Бора. Система CASNET предназначена для диагностики и выбора стратегии лечения глаукомы и т.д.

В настоящее время разработка и реализация экспертных систем выделилась в самостоятельную инженерную область. 

 

Структура понятия

 

«Искусственный интеллект» складывается из нескольких основных положений и дисциплин, являющихся его основой. Более подробно это  описано на рис. 1

Рис. 1

Ниже приведены основные определения использованных на картинке терминов.

Нечёткая логика и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. Понятие нечёткой логики было впервые введено профессором Лютфи Заде в 1965 году. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. В общем случае механизм логического вывода в рамках нечеткой логики включает в себя четыре этапа: введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости или дефазификация. Алгоритмы нечеткого вывода различаются главным образом видом используемых правил, логических операций и разновидностью метода дефазификации.

Нечеткая логика оказала  сильное влияние на другие парадигмы искусственного интеллекта. Объединение ее принципов с методами иных направлений породило такие новые направления, как:

      • Нечеткие нейронные сети
      • Адаптивные нечеткие системы
      • Нечеткие запросы
      • Нечеткие ассоциативные правила
      • Нечеткие когнитивные карты
      • Нечеткая кластеризация

Альтернативные методы искусственного интеллекта дополняют методологию нечеткой логики и используются в различных комбинациях для создания гибридных интеллектуальных систем. Понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0...1], а не только 0 или 1. Такие множества были названы нечёткими. Также автором были предложены различные логические операции над нечёткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Приведение к четности (дазификатор)


Приведение к нечетности (фазификатор)


Нечеткий логический вывод


Y


нечеткая  величина

Х


четкая величина


 

База правил



 

Искусственные нейронные  сети(ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Использование нейронных  сетей обеспечивает следующие полезные свойства систем:

    • Нелинейность. Это качество нейронной сети особенно важно в том случае, если сам физический механизм, отвечающий за формирование входного сигнала, сам является нелинейным (например, человеческая речь).
    • Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. Для работы в нестационарной среде могут быть созданы нейронные сети, изменяющие синаптические веса в реальном времени.
    • Контекстная информация. Знания представляются в самой структуре нейронной сети. Каждый нейрон сети потенциально может быть подвержен влиянию всех остальных ее нейронов.
    • Отказоустойчивость. Аппаратно реализованные нейронные сети потенциально отказоустойчивы. Это значит, что при неблагоприятных условиях их производительность падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность.

Представим некоторые  проблемы, решаемые применением нейронных сетей:

      • Классификация образов. Задача состоит в указании принадлежности входного образа, представленного набором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы и т.п.
      • Кластеризация/категоризация. Кластеризация основана на подобии образов: НС размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.
      • Аппроксимация функций. Задача аппроксимации состоит в нахождении оценки некоторой искаженной шумом функции, генерирующей обучающую выборку.
      • Предсказание/прогноз. Задача прогнозирования состоит в предсказании некоторого значения для заданного момента времени на основании ряда значений, соответствующим другим моментам времени.
      • Оптимизация. Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.
      • Ассоциативная память. Данная сфера применения НС состоит в организации памяти, адресуемой по содержанию, позволяющей извлекать содержимое по частичному или искаженному образцу.

 

Структурная схема нейрона

Интеллектуальный  агент — программа, самостоятельно выполняющая задание, указанное пользователем компьютера, в течение длительных промежутков времени. Интеллектуальные агенты используются для содействия оператору или сбора информации. Одним из примеров заданий, выполняемых агентами, может служить задача постоянного поиска и сбора необходимой информации в Интернете. Компьютерные вирусы, боты, поисковые роботы — всё это также можно отнести к интеллектуальным агентам. Хотя такие агенты имеют строгий алгоритм, «интеллектуальность» в этом контексте понимается как способность приспосабливаться и обучаться.

Экспертная система (ЭС, expert system) — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 197 0-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

Генетический  алгоритм (англ. genetic algorithm) — это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

Основные направления

 

Теорией явно не определено, что именно считать необходимыми и достаточными условиями достижения интеллектуальности. Хотя на этот счёт существует ряд гипотез, например, гипотеза Ньюэлла-Саймона. Обычно к реализации интеллектуальных систем подходят именно с точки зрения моделирования человеческой интеллектуальности. Таким образом, в рамках искусственного интеллекта различают два основных направления:

    • символьное (семиотическое, нисходящее) основано на моделировании высокоуровневых процессов мышления человека, на представлении и использовании знаний; 
    • нейрокибернетическое (нейросетевое, восходящее) основано на моделировании отдельных низкоуровневых структур мозга (нейронов).

Таким образом, сверхзадачей искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его.

Наиболее часто используемые при построении систем искусственного интеллекта парадигмы программирования - функциональное программирование и логическое программирование. От традиционных структурного и объектно-ориентированного подходов к разработке программной логики они отличаются нелинейным выводом решений и низкоуровневыми средствами поддержки анализа и синтеза структур данных.

Условия достижения интеллектуальности

 

Несмотря на обилие методов  искусственного интеллекта, часть которых была рассмотрена выше, теорией явно не определено, что именно считать необходимыми и достаточными условиями достижения интеллектуальности. На этот счет существует ряд гипотез, среди которых можно выделить следующие:

  • Гипотеза Ньюэлла-Саймона, формулировка которой выглядит следующим образом: физическая символическая система имеет необходимые и достаточные средства для того, чтобы производить осмысленные действия. Другими словами, без символических вычислений невозможно выполнять осмысленные действия, а способность выполнять символические вычисления вполне достаточна для того, чтобы быть способным выполнять осмысленные действия. Независимо от того, справедлива ли эта гипотеза, символические вычисления стали реальностью, и полезность этой парадигмы для программирования трудно отрицать.
  • Тест Тьюринга – мысленный эксперимент, предложенный в качестве критерия и конструктивного определения интеллектуальности. Тест должен проводиться следующим образом. Судья (человек) переписывается на естественном языке с двумя собеседниками, один из которых – человек, а другой – компьютер. Если судья не может надежно определить, кто есть кто, считается, что компьютер прошел тест. Предполагается, что каждый из собеседников стремится, чтобы человеком признали его.

Сверхзадачей искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его.

Научные школы

 

Можно выделить две научные  школы с разными подходами  к проблеме ИИ:

    1. конвенционный ИИ,
    2. вычислительный ИИ.

Конвенционный ИИ

 

В конвенционном ИИ главным образом используются методы машинного самообучения, основанные на формализме и статистическом анализе.

Методы конвенционного ИИ:

  • Экспертные системы: программы, которые, действуя по определенным правилам, обрабатывают большое количество информации, и в результате выдают заключение на её основе.
  • Рассуждение на основе аналогичных случаев (Case-based reasoning).
  • Байесовские сети - это статистический метод обнаружения закономерностей в данных. Для этого используется первичная информация, содержащаяся либо в сетевых структурах либо в базах данных
  • Поведенческий подход: модульный метод построения систем ИИ, при котором система разбивается на несколько сравнительно автономных программ поведения, которые запускаются в зависимости от изменений внешней среды.

Вычислительный ИИ

 

Вычислительный ИИ подразумевает итеративную разработку и обучение (например, подбор параметров в сети связности). Обучение основано на эмпирических данных и ассоциируется с не-символьным ИИ и мягкими вычислениями.

Основные методы вычислительного ИИ:

  • Нейронные сети: системы с отличными способностями к распознаванию.
  • Нечёткие системы: методики для рассуждений в условиях неопределенности (широко используются в современных промышленных и потребительских системах контроля)
  • Эволюционные вычисления: здесь применяются понятия традиционно относящиеся к биологии, такие как популяция, мутация и естественный отбор для создания лучших решений задачи. Эти методы делятся на эволюционные алгоритмы (например, генетические алгоритмы) и методы роевого интеллекта (например, муравьиный алгоритм).

 

 

 

Подходы и направления

 

Существуют различные  подходы к построению систем искусственного интеллекта. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы  существуют и сейчас. Кроме того, поскольку по-настоящему полных систем искусственного интеллекта в настоящее время нет, то нельзя сказать, что какой-то подход является правильным, а какой-то ошибочным.

Подходы к пониманию проблемы

 

Единого ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу  об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона. Поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

  • нисходящий (англ. Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
  • восходящий (англ. Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Тест  Тьюринга и интуитивный подход

 

Эмпирический тест был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence), опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.

Стандартная интерпретация этого  теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

  • Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).
  • Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из Звёздного пути, будучи способным к коммуникации и научению, мечтает обрести эмоции и интуицию.

Однако последний подход вряд ли выдерживает критику при более  детальном рассмотрении. К примеру, несложно создать механизм, который  будет оценивать некоторые параметры  внешней или внутренней среды и реагировать на их неблагоприятные значения. Про такую систему можно сказать, что у неё есть чувства («боль» — реакция на срабатывание датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.). А кластеры, создаваемые картами Кохонена, и многие другие продукты «интеллектуальных» систем можно рассматривать как вид творчества.

Символьный  подход

 

Исторически символьный подход был  первым в эпоху цифровых машин, так  как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами.

Успешность и эффективность  решения новых задач зависит  от умения выделять только существенную информацию, что требует гибкости в методах абстрагирования. Тогда  как обычная программа устанавливает  один свой способ интерпретации данных, из-за чего её работа и выглядит предвзятой и чисто механической. Интеллектуальную задачу в этом случае решает только человек, аналитик или программист, не умея доверить этого машине. В  результате создается единственная модель абстрагирования, система конструктивных сущностей и алгоритмов. А гибкость и универсальность выливается в  значительные затраты ресурсов для  не типичных задач, то есть система  от интеллекта возвращается к грубой силе.

Основная особенность символьных вычислений — создание новых правил в процессе выполнения программы. Тогда как возможности не интеллектуальных систем завершаются как раз перед способностью хотя бы обозначать вновь возникающие трудности. Тем более эти трудности не решаются и наконец компьютер не совершенствует такие способности самостоятельно.

Недостатком символьного подхода  является то, что такие открытые возможности воспринимаются не подготовленными  людьми как отсутствие инструментов. Эту, скорее культурную проблему, отчасти  решает логическое программирование.

 

 

 

Логический  подход

 

Почему он возник? Ведь 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 Булева алгебра. Каждый программист знаком с нею и  с логическими операторами с  тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов, в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система искусственного интеллекта, 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. Кроме того, 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. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Искусственный интеллект. 2 📙 Курсовая → 🆔 94127

Искусственный интеллект. 2 📙 Курсовая → 🆔 94127

Искусственный интеллект. 2