Искуственный интеллект

        Содержание

        Введение……………………………………………………………………………………………………..3

        1. Основные понятия  искусственного интеллекта……………………………………..3

        2. Этапы развития искусственного интеллекта………………………………………..…6

        3. Основные направления  исследований………………………………………………....14

        3.1. Представление задач  и поиск решений………………………………………..14

        3.2. Доказательство теорем………………………………………………………………....14

  3.3. Представление знаний………………………………………………………………....15

        3.4. Экспертные системы……………………………………………………………….….…16

        3.5. Обучение и выявление  закономерностей….………………………….…….17

        3.6. Общение на естественном  языке…………………………………………….…..18

        3.7. Распознавание образов…………………………………………………………...…..20

        3.8. Компьютерное зрение…………………………………………………………….…...20

        3.9. Языки программирования  систем искусственного интеллекта….21

        4. Современный искусственный  интеллект………………………………………….……21

        5. Связь с другими  науками………………………………………………………………………..23

        Заключение…….…………………………………..………………………………………………………27

        Используемая литература..…………………………………………………….…………………28 

      Введение

      Искусственный интеллект (ИИ) – быстро развивающееся  направление современной информатики. Основной целью исследований, выполняемых  в ИИ, является разработка компьютерных систем, способных выполнять функции, которые свойственны интеллекту человека. Попытки создания таких  систем начали предприниматься с  конца 40-х годов предыдущего столетия, когда были разработаны первые ЭВМ. Поэтому ИИ – относительно молодое  научное направление, которое лежит  на стыке разнообразных дисциплин, таких, как дискретная математика, лингвистика, психология, программирование, математическая статистика и др.

      Диапазон  исследований, выполняемых в рамках ИИ, весьма широкий. Он включает решение  как общих проблем, например, представление  знаний и логический вывод, так и  специальных – игра в шахматы, доказательство теорем, сочинение стихов и т.п. 
 

      1. Основные понятия 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.

      Интеллектом называется способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного  преобразования знаний в процессе обучения на опыте и адаптации к разнообразным  обстоятельствам.

      В этом определении под термином "знания" подразумевается не только ту информацию, которая поступает в мозг через  органы чувств. Такого типа знания чрезвычайно  важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты  окружающей нас среды обладают свойством  не только воздействовать на органы чувств, но и находиться друг с другом в  определенных отношениях. Ясно, что  для того, чтобы осуществлять в  окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между  ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте  и адаптации к разнообразным  обстоятельствам".

      Мы  употребили термин интеллектуальная задача. Для того, чтобы пояснить, чем отличается интеллектуальная задача от просто задачи, необходимо ввести термин "алгоритм" — один из краеугольных терминов кибернетики.

      Под алгоритмом понимают точное предписание  о выполнении в определенном порядке  системы операций для решения  любой задачи из некоторого данного  класса (множества) задач. Термин "алгоритм" происходит от имени узбекского математика Аль-Хо резми, который еще в IX веке предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Отыскание алгоритма для задач некоторого данного типа связано с тонкими и сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Принято считать, что подобного рода деятельность требует участия интеллекта человека. Задачи, связанные с отысканием алгоритма решения класса задач определенного типа, будем называть интеллектуальными.

      Что же касается задач, алгоритмы решения которых уже установлены, то, как отмечает известный специалист в области ИИ М. Минский, "излишне приписывать им такое мистическое свойства, как "интеллектуальность". В самом деле, после того, как такой алгоритм уже найден, процесс решения соответствующих задач становится таким, что его могут в точности выполнить человек, вычислительная машина (должным образом запрограммированная) или робот, не имеющие ни малейшего представления о сущность самой задачи. Требуется только, чтобы лицо, решающее задачу, было способно выполнять те элементарные операции, их которых складывается процесс, и, кроме того, чтобы оно педантично и аккуратно руководствовалось предложенным алгоритмом. Такое лицо, действуя, как говорят в таких случаях, чисто машинально, может успешно решать любую задачу рассматриваемого типа.

      Поэтому представляется совершенно естественным 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 вычислительной машины. 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.

      Таким образом, мы можем перефразировать  определение интеллекта как универсальный  сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

      Еще интересным замечанием здесь является то, что профессия программиста, исходя из наших определений, является одной из самых интеллектуальных, поскольку продуктом деятельности программиста являются программы —  алгоритмы в чистом виде. Именно поэтому, создание даже элементов ИИ должно очень сильно повысить производительность его труда.

      Деятельность  мозга (обладающего интеллектом), направленную на решение интеллектуальных задач, мы 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. 

      2. Этапы развития  искусственного интеллекта

      Исследования  в области ИИ начались сразу же после появления первых электронных  компьютеров. За 50 лет ИИ прошел в  своем развитии несколько этапов. Опишем их в хронологическом порядке. 

      Становление искусственного интеллекта (1943 - 1956 гг.). Работы в области искусственного интеллекта начались с зарождения нейрокибернетики. Связано это было с тем, что основу мозга образуют нервные клетки – нейроны. Поэтому исследователи в ранний период развития ИИ пытались строить разумные машины, имитируя поведение коллектива нейронов. В 1943 г. У. Маккаллох и У. Питтс предложили модель формального логического нейрона, который мог находиться в двух устойчивых состояниях. Д. Хебб (1949 г.) разработал простое правило, позволяющее изменять веса связей между нейронами с целью их обучения. В 1951 году М. Минский и Д. Эдмондс разработали нейрокомпьютер, который содержал 40 нейронов. Эти первые работы в области ИИ обозначили два основных подхода к разработке СИИ – логический и коннекционистский.

      Термин "искусственный интеллект" был  предложен на семинаре с аналогичным  названием, который проходил в Дартсмутском колледже (США) летом 1956 года. Семинар был организован М. Минским и Дж. Маккарти. Среди участников семинара были Г. Саймон и А. Ньюэлл, которые разработали программу “Логик-теоретик”, предназначенную для доказательства теорем в исчислении высказываний. Именно этих четырех исследователей считают “отцами” ИИ. М. Минский и Дж. Маккарти основали лабораторию ИИ в Массачусетском технологическом институте, а Г. Саймон и А. Ньюэлл в университете Карнеги-Меллона. Позже Дж. Маккарти перешел в Стэнфордский университет. В этих трех университетах, а также в Эдинбургском университете выполнялись первые работы, обеспечившие становление ИИ. 

      Эвристический поиск и доказательство теорем (1956 – 1969 гг.). Работы Г. Саймона и А. Ньюэлла по созданию программы "Логик-теоретик" были завершены в 1957 г. С помощью этой программы был успешно доказан ряд теорем из книги Уайтхеда и Рассела "Principia mathematica". Один из недостатков программы состоял в том, что она неэффективно осуществляла поиск решений. А. Ньюэлл и Г. Саймон заинтересовались общими методами поиска решений, приступив к созданию следующей программы, которую назвали "Универсальный решатель задач". Эту программу обычно называют GPS по первым буквам английского названия General Problem Solver. GPS разрабатывалась с целью имитации процесса решения задач человеком и базировалась на идеях эвристического поиска. Эвристика – правило, полученное опытным путем, которое позволяет сократить количество переборов в пространстве поиска решений.

      Программа GPS могла настраиваться на предметную область. Для этого необходимо было задавать структуру состояний задачи и операторы, преобразующие эти состояния. Решение задачи осуществлялось на основе поисковых алгоритмов в пространстве возможных решений по эвристиче ским правилам, которые направляли поиск к искомой цели. GPS была, вероятно, первой программой, которая использовала способы рассуждений, свойственные человеку.

      В этот же период Дж. Маккарти создает язык Лисп, который становится доминирующим языком программирования систем ИИ. В 1958 году Маккарти публикует статью "Программы и здравый смысл", в которой описывает гипотетическую программу "Advice Taker", центральной идеей которой было представление знаний и логический вывод. 

      Представление знаний (1969 – 1979 гг.). К концу 60-х годов было обнаружено, что для решения практически важных задач недостаточно одних знаний общего характера (общих стратегий поиска решений). Успешное решение прикладных задач возможно только при наличии хорошо структурированных специальных знаний. Программа DENDRAL, разработанная в 1969 году Э. Фейгенбаумом, Б. Букхененом и Э. Ледербергом, содержала детальные сведения из области органической химии и помогала химикам определять молекулярную структуру неизвестных органических соединений по данным, получаемым с помощью масс-спектрометра. Масс-спектрометр, разделяя молекулы на фрагменты, измеряет массу и электрический заряд каждого из фрагментов. Чтобы определять множество форм молекул, которые могут состоять из таких фрагментов, в программе DENDRAL использовались эмпирические знания химиков, представленные в форме правил "если-то". Это позволило резко сократить число предлагаемых вариантов решений.

      DENDRAL была первой успешно реализованной программой, аккумулирующей знания экспертов. Такие программы получили название "экспертные системы". Они содержали большой объем практических знаний, что позволяло им давать ответы на специальные вопросы в той или иной области.

      Вдохновленные успехом программы DENDRAL Э. Фейгенбаум, Б. Букхенен и Э. Шортлифф разрабатывают экспертную систему MYCIN. Система MYCIN содержала около 450 правил, позволяющих диагностировать инфекционные заболевания крови. Важным отличием системы MYCIN от DENDRAL было то, что MYCIN позволяла осуществлять правдоподобные заключения на основе ненадежных знаний. С этой целью факты и правила в системе MYCIN характеризовались коэффициентами уверенности.

      Авторы  системы MYCIN пошли дальше, когда удалили из нее базу знаний, т.е. всю медицинскую информацию. Оставшаяся часть системы содержала только логику управления правилами и была названа EMYCIN (пустая MYCIN). EMYCIN представляла собой оболочку экспертной системы, которую можно было наполнять знаниями. Подобные системы стали применять в самых разных областях – от определения конфигурации компьютерных систем до геологической разведки.

      Дальнейшее  совершенствование систем понимания  естественного языка связано  с именами Р. Шенка и В. Вудса. Шенк разработал программу, преобразующую входные естественно-языковые высказывания к элементарным концептам, которые можно было представлять в памяти ЭВМ. В дальнейшем в сотрудничестве с Р. Абельсоном он разработал модель представления знаний, называемую "скриптами", или сценариями. Шенк использовал скрипты в программе SAM, которая могла интерпретировать рассказы. В 1973 году В. Вудс создает систему LUNAR, которая позволяла геологам задавать вопросы на естественном языке относительно образцов пород, доставленных с Луны. LUNAR была первой используемой на практике системой с естественно-языковым интерфейсом доступа к базе данных.

      Расширение  приложений СИИ требовало развития моделей представления знаний. В  рассматриваемый период были разработаны  различные языки представления  знаний. Некоторые из них базировались на логике. Так, в 1973 году А. Колмероэ создает язык логического программирования Пролог, ставший популярным в Европе. В США создается язык PLANNER, поддерживающий предикатный уровень представления знаний. Часть языков использовала теорию фреймов, предложенную М. Минским (1975 г.). Фрейм представляет информационную структуру, состоящую из слотов, в которых собраны характеристики и соответствующие значения, обеспечивающие описание объектов или понятий. Фреймы организуются в иерархические сети, что позволяет экономно представлять знания в памяти ЭВМ. Для работы с фреймовыми моделями представления знаний были разработаны языки FRL, KRL, GUS и др. 

      Коммерческий  успех (1979 – 1988 гг.). Первой интеллектуальной системой, нашедшей применение в промышленности, стала экспертная система К1, разработанная Мак-Дермоттом (1982 г.). Система К1 применялась для определения конфигурации компьютерных систем семейства VAX. Коммерческая версия системы, разработанная корпорацией Digital Equipment совместно с университетом Карнеги-Меллона (США), получила название XCON. К 1986 году система XCON позволяла корпорации Digital Equipment экономить 70 млн. долларов ежегодно. Кроме этого, применение системы сократило число ошибок с 30% до 1%.

      Экспертные  системы начинают широко применяться  и в других корпорациях и фирмах, например, American Express сократила свои затраты на 27 млн. долларов в год благодаря экспертной системе, управляющей выдачей кредитов.

      В 1981 году Япония объявляет о начале проекта машин V поколения, базирующихся на принципах ИИ. Проект был рассчитан на 10 лет и предусматривал, среди многих целей, создание Пролог-машины с возможностями общения на естественном языке. Этот проект способствовал активизации исследований в области ИИ во многих странах. К разработке интеллектуальных систем подключились многие компании – Texas Instruments, Xerox, Symbolics и др. Объемы финансирования проектов в области ИИ за 1980-1988 гг. выросли с нескольких миллионов до 2 млрд. долларов в 1988 году.

      Возрождение нейроинформатики (с 1986 г. по настоящее время). После доказательства М. Минским ограниченных возможностей первых нейронных сетей исследования в этом направлении выполнялись учеными других областей знаний. В 1982 г. физик Дж. Хопфилд опубликовал работу, в которой проанализировал методами статистической механики свойства однослойной нейронной сети с симметричными связями. Хопфилд обнаружил возможность применения такой сети в задаче распознавания образов. Психологи Д. Румельхарт и Г. Хинтон, изучавшие модели нейросетевой памяти, заново открыли в 1986 году алгоритм обучения многослойного персептрона, названный алгоритмом обратного распространения ошибки. Ранее этот алгоритм был открыт Брайсоном и Хо в 1969 году.

      Указанные две работы послужили толчком  к лавинообразному росту применений моделей нейронных сетей для  решения практических задач. Помимо теоретических разработок, этому  способствовало и появление мощных аппаратно-программных средств, позволяющих  моделировать нейронные сети достаточного уровня сложности.

      В настоящее время модели нейронных  сетей применяются в самых  различных областях. 

      Коллективистские  модели ИИ (с 1996 г. по настоящее время). Рассмотренные выше этапы развития ИИ характеризуются разрозненными подходами, основанными на выделении частного свойства понятия "интеллект". Например, принцип знаниецентризма обусловил развитие и господство в течение определенного периода когнитивистских моделей ИИ, в частности, логических. В соответствии с такими моделями на первый план выдвигается способность интеллектуальной системы рассуждать, а действия (поведение) рассматриваются как нечто вторичное. Основное внимание при этом уделяется логическому выводу. Выделение в определении ИИ функции обучения (адаптации) способствовало развитию коннекционистских (нейронные сети) и эволюционных моделей (генетические алгоритмы).

      Трактовка ИИ с позиций способности к  восприятию и коммуникации привела  к развитию моделей понимания  изображений и естественного  языка.

      Выделение и гиперболизация отдельных свойств  интеллекта способствовали противопоставлению и расхождению различных школ ИИ. К началу 90-х годов исследователи начали осознавать, что подобные трактовки ИИ носят весьма ограниченный характер и не учитывают реалии развития интеллекта человека. Во-первых, естественный интеллект интегрирует в себе весь спектр свойств интеллекта. Во-вторых, интеллектуальное развитие человека происходит в обществе, в процессе выполнения им определенной деятельности. В отрыве от взаимодействия с себе подобными развитие естественного интеллекта проблематично. Поэтому, начиная с начала 90-х годов, в ИИ стали преобладать две основные тенденции – интеграция и децентрализация.

      Интеграционные  процессы проявились в разработке гибридных  систем искусственного интеллекта, объединяющих в себе преимущества разнородных  моделей, например, нечеткие экспертные системы и нейронные сети. В  таких интегрированных системах могут поддерживаться различные  модели представления знаний, разные типы рассуждений, модели восприятия и  распознавания образов.

      Процессы  децентрализации связаны с рассмотрением  ИИ с позиций коллективного поведения  большого числа взаимодействующих  между собой интеллектуальных агентов. При этом интеллект агента рассматривается  как подсистема управления деятельностью  в процессе взаимодействия агента с  другими агентами.

      В основе распределенного (децентрализованного) интеллекта лежит функционально-структурная  единица – агент, способная:

      воздействовать  на других агентов и самих себя;

      образовывать  свои собственные цели;

      общаться  с другими агентами;

      функционировать без прямого вмешательства со стороны любых

      средств и осуществлять самоконтроль (автономность);

      воспринимать  часть среды своего функционирования;

      строить локальное представление среды;

      выполнять обязанности и оказывать услуги;

      самовоспроизводиться. 

      Важно отметить, что при решении конкретной задачи агенты образуют структурированное  сообщество, в котором наблюдается  определенная кооперация между агентами. Например, можно говорить об агентах, выполняющих простую передачу сообщений, о координирующих агентах, которые  организуют взаимодействие в сообществе (группе) агентов, о поисковых агентах, которые анализируют большие  объемы информации и возвращают результат  поиска, об агентах, формирующих понятия, и др.

      Таким образом, согласно коллективистской модели основным объектом исследований ИИ является сообщество неоднородных, взаимодействующих  агентов, а основное содержание разработок связано с созданием интеллектуальных агентов, обладающих заданными свойствами, и вычислительных структур, поддерживающих взаимодействие агентов. 

      3. Основные направления  исследований

      К области ИИ относятся многие задачи, которые хорошо решаются человеком и плохо вычислительной машиной. Например, понимание естественного языка, манипулирование знаниями, восприятие и распознавание образов, выявление закономерностей и обучение и др. 

      3.1. Представление задач  и поиск решений

      Интеллектуальная  деятельность человека связана с  поиском решений задач. При этом задача считается интеллектуальной, если точный (алгоритмический) метод  ее решения не известен. В рамках направления рассматриваются различные  способы представления задач, подходящие для решения их поисковыми методами на компьютере. Выделяют несколько  способов представления задач:

      в пространстве состояний;

      в пространстве подзадач;

      в виде доказательства теорем. 

      Если  задача представляется в пространстве состояний, то задают начальное и  конечное состояние задачи, множество  операторов, обеспечивающих перевод  задачи из одного состояния в другое. Решение задачи сводится к поиску последовательности операторов, осуществляющих перевод задачи из начального состояния  в конечное. 

      3.2. Доказательство теорем

      Доказательство  теорем является чрезвычайно важной областью ИИ. Рождение этого направления  началось с создания программы "Логик-теоретик", которая доказала ряд теорем математической логики. Однако ранние подходы к автоматизации доказательства теорем были не эффективны. Связано это было с экспоненциальным ростом числа логических выражений в процессе доказательства. Для ограничения количества выражений предлагались различные методы, но наиболее эффективным оказался метод резолюций, предложенный Робинсоном.

      К доказательству теорем могут быть сведены  многие практические задачи. В случае представления задачи в форме  доказательства теорем возможные состояния  задачи, включая начальные и целевые, рассматриваются как правильно  построенные формулы исчисления предикатов. Операторы, отображающие одно состояние в другое, рассматриваются  как правила, которые выводят  одно правильно построенное выражение  из другого. Процесс поиска решения  заключается в переписывании  формул с помощью правил, пока не будет получены целевые утверждения. 

      3.3. Представление знаний

      Это один из центральных вопросов ИИ. В  системах искусственного интеллекта знания не могут быть представлены непосредственно  в том виде, в котором они  используются человеком. Необходим  поиск таких форм отображения  знаний, которые были бы подходящими  для хранения в памяти компьютера. Эти формы знаний, которые называют моделями представления знаний, должны обладать достаточной выразительностью, удобством использования, эффективностью манипулирования. Выразительность  означает способность модели одинаково  хорошо представлять как обобщенные, так и конкретные знания, как из универсальных, так и из специальных  предметных областей. Она также предполагает способность модели отражать неполные знания. Удобство использования означает, что модель представления знаний должна базироваться на понятиях, которые  используют эксперты и пользователи. Это упрощает приобретение знаний и  оценку их корректности. Эффективность  манипулирования связана с возможностью быстрого извлечения необходимых порций знаний и выполнения на их основе соответствующих выводов. Поэтому под знаниями в СИИ понимают формализованные сведения, данные, на которые ссылаются в процессе логического вывода.

      Знания, представляемые в СИИ в виде самостоятельных  информационных компонент, хранятся в  базе знаний.

      Имеются четыре основные модели представления  знаний:

      логическая  модель;

      продукционная модель (модель, основанная на правилах);

      модель  семантической сети;

      фреймовая модель. 

      Языки, используемые для разработки систем ИИ на основе указанных моделей, называют языками представления знаний (ЯПЗ). Наибольшее распространение получила продукционная модель представления  знаний. При использовании продукционной  модели база знаний состоит из набора правил, а программа, управляющая  перебором правил, называется машиной  вывода.

      В настоящее время основные усилия исследователей, работающих в области  представления знаний, направлены на разработку языков представления знаний, поддерживающих модели рассуждений, характерные  для псевдофизических логик (временная логика, пространственная логика, каузальная логика), а также нечеткие и немонотонные рассуждения. 

      3.4. Экспертные системы

      Уже при разработке первых программ, осуществляющих поиск решений в пространстве состояний, исследователи осознали важность проблемно-ориентированных  знаний. Так, врач успешно выполняет  свои функции, поскольку он обладает большим запасом медицинских  знаний. Геолог открывает новые месторождения тех или иных природных ресурсов, руководствуясь теоретическими и экспериментальными знаниями из области геологии. Экспертные знания представляют собой комбинацию теоретико-аналитических методов и эвристических правил решения задач, которые показали свою эффективность на практике. Программные системы, которые аккумулируют знания эксперта в определенной области и способны вырабатывать решения и рекомендации на уровне эксперта, называют экспертными системами (ЭС). ЭС – наиболее широко применяемые на практике интеллектуальные системы. ЭС создаются в процессе непрерывного взаимодействия эксперта в той или иной области со специалистами в области информационных технологий. В ходе этого процесса осуществляется извлечение знаний эксперта и перенос их в базу знаний системы. Специалисты, осуществляющие структурирование базы знаний и ее заполнение, называются инженерами по знаниям или когнитологами.

      Перечень  типовых задач, решаемых ЭС, включает: интерпретацию, диагностику, прогнозирование, мониторинг и др.