Wenig bekannte Sprachen zum Erstellen künstlicher Intelligenz. In welcher Programmiersprache zur Entwicklung künstlicher Intelligenz

Wie es passiert ist künstliche Intelligenz Entwickelt sich erfolgreich, und die "richtige" Definition ist immer noch nicht? Warum haben die Hoffnungen Neurocomputers zugewiesen, und was sind die drei Hauptaufgaben, die dem Schöpfer der künstlichen Intelligenz gegenüberstehen?

Diese und andere Fragen finden Sie eine Antwort in dem Artikel unter der Katze, die auf der Grundlage der Rede von Konstantin Anisimovich, Direktor der Abteilung ABBYY Technology Development, einem der führenden Experten des Landes auf dem Gebiet der künstlichen Intelligenz, geschrieben wurden.
Mit seiner persönlichen Teilnahme wurden Dokumentenerkennungs-Technologien erstellt, die in Produkten verwendet werden. ABBYY FINERREADER. Und ABBYY-Formreader. Konstantin sprach über die Geschichte und Grundlagen der Entwicklung von AI auf einem der Meisterkurse für Studenten des Mail.ru Technoparks. MATERIAL MASTER CLASS und ist zu einer Basis für den Artikeln von Artikeln geworden.

Insgesamt gibt es drei Beiträge im Zyklus:
Künstliche Intelligenz für Programmierer
Wissensanwendung: Suchraum-Algorithmen
Erhalten Sie Wissen: Ingenieurwissen und Maschinenausbildung

UPS und Downs der Ansätze in AI

Zurück seit den 1950er Jahren wurden zwei Ansätze im Bereich der künstlichen Intelligenz - symbolische Berechnungen und Connectivityismus ausgewählt. Symbolische Berechnungen sind eine Richtung, die auf der Modellierung des menschlichen Denkens basiert, und der Connectivityismus - beim Modellieren des Hirngeräts.

Die ersten Errungenschaften im Bereich symbolischer Berechnungen wurden in der 50er-Lisp-Sprache und der Arbeit von J. Robinson im Bereich der logischen Ausgabe erstellt. Der Verbindungsmittel war die Schaffung eines Perceptron - ein selbstlernender linearer Klassifizierer, der den Betrieb des Neurons simuliert. Weitere strahlende Erfolge waren hauptsächlich mit dem symbolischen Paradigma. Dies sind insbesondere die Werke von Seiimur Piperta und Robert Anton Winson auf dem Gebiet der Psychologie der Wahrnehmung und natürlich Marvin Minsk-Fohlen.

In den 70er Jahren erschien der erste anwendungssysteme.Verwenden von Elementen der künstlichen Intelligenz - Expert-Systeme. Dann gab es eine gewisse Renaissance von Connectivityismus mit dem Aufkommen von mehrschichtigen neuronalen Netzwerken und dem Algorithmus für ihr Lernen durch die Methode der Umkehrverteilung. In den 80er Jahren Hobby neuronale Netze Es schrieb nur. Anhänger dieses Ansatzes versprachen, Neurocomputer zu schaffen, die fast als menschliches Gehirn arbeiten werden.

Aber nichts Besonderes davon kam heraus, weil echte Neuronen viel komplizierter arrangiert sind als der formale, auf dem mehrschichtige neuronale Netzwerke basieren. Und die Anzahl der Neuronen im menschlichen Gehirn ist auch viel mehr, als sich das neuronale Netzwerk leisten könnte. Die Hauptsache, für die die mehrschichtigen neuronalen Netzwerke geeignet waren - dies ist die Lösung der Klassifizierung der Klassifizierung.

Das nächste populäre Paradigma auf dem Gebiet der künstlichen Intelligenz ist maschinell lernen. Der Ansatz begann sich seit den späten 80er Jahren schnell zu wachsen und verliert nicht die Popularität und so-in. Ein erheblicher Impuls für die Entwicklung des Maschinenlernens ergab die Entstehung des Internets und große Zahl Eine Vielzahl von leicht zugänglichen Daten, mit denen Algorithmen gelehrt werden können.

Hauptaufgaben im Design der künstlichen Intelligenz

Es kann analysiert werden, dass die Angehörigen, die sich auf künstliche Intelligenz beziehen, analysiert werden können. Es ist leicht zu sehen, dass der allgemeine in ihnen das Fehlen eines bekannten, klar definierten Lösungsprozesses ist. In der Tat unterscheiden sich die Aufgaben, die zu AI gehören, von den Aufgaben der Theorie der Zusammenstellung oder der Berechnung der Mathematik. Intelligente Systeme suchen nach suboptimalen Problemlösungen. Es ist unmöglich zu beweisen, dass die von künstliche Intelligenz gefundene Lösung streng optimal ist. In den meisten praktischsten Problemen sind jedoch sub-optimale Lösungen alle angeordnet. Darüber hinaus muss daran erinnert werden, dass die Person die Aufgabe fast nie optimal löst. Eher im Gegenteil.

Es gibt eine sehr wichtige Frage: Wie kann AI die Aufgabe löst, für die es keinen Lösungsalgorithmus gibt? Die Essenz ist es, auf dieselbe Weise wie eine Person zu tun - um die plausiblen Hypothesen vorzulegen und zu überprüfen. Natürlich ist das Wissen für die Nominierung und Überprüfung der Hypothesen erforderlich.

Wissen ist eine Beschreibung des Themenbereichs, in dem das intelligente System funktioniert. Wenn wir das Erkennungssystem der Symbole der natürlichen Sprache haben, enthält das Wissen Beschreibungen des Zeichengeräts, der Struktur des Textes und der bestimmten Eigenschaften der Sprache. Wenn dies ein System zur Beurteilung der Kreditwürdigkeit des Kunden ist, sollte er Kenntnis von Kundentypen und Kenntnis haben, wie das Profil des Kunden mit seinem potenziellen Nichtlimit verbunden ist. Wissen sind zwei Arten - über den Themenbereich und die Suche nach Lösungen (Metabaiken).

Die Hauptaufgaben des Designs des intellektuellen Systems werden auf die Auswahl der Möglichkeiten reduziert, Wissen zu präsentieren, Möglichkeiten, Wissen und Wege zum Anwenden von Wissen zu erhalten.

Präsentation des Wissens.

Es gibt zwei wichtige Möglichkeiten, Wissen - deklarativ und prozedural zu präsentieren. Deklaratives Wissen Kann in strukturierter oder in einer unstrukturierten Form dargestellt werden. Strukturierte Ansichten sind eine oder eine andere Sorte eines Rahmenansatzes. Semantische Netzwerke oder formale Grammatik, die auch als Sorten von Frames betrachtet werden können. Wissen in diesem Formalismus werden in Form einer Vielzahl von Objekten und Beziehungen zwischen ihnen dargestellt.

Unstrukturierte Ansichten werden in der Regel in den Bereichen verwendet, die mit Lösungsklassifizierungsaufgaben verbunden sind. Dies ist in der Regel Vektoren von Schätzungen von Gewichtskoeffizienten, Wahrscheinlichkeiten und dergleichen.

Fast alle Methoden der strukturierten Präsentation des Wissens basieren auf dem Rahmenformalismus, der in den 1970er Jahren Marvin Minsk von MIT eingeführt hat, um die Wissensstruktur für die Wahrnehmung von räumlichen Szenen zu benennen. Wie es sich herausstellte, eignet sich dieser Ansatz für fast jede Aufgabe.

Der Rahmen besteht aus einem Namen und einzelnen Einheiten, die als Slots genannt werden. Die Bedeutung des Schlitzes kann wiederum die Verbindung zu einem anderen Rahmen ... Rahmen kann ein Nachkomme eines anderen Rahmens sein, der die Schlitzwerte ergnet. In diesem Fall kann der Nachkomme die Werte der Ahnenschlitze überschreiben und neue hinzufügen. Vererbung wird verwendet, um eine Beschreibung kompakter zu machen und Vervielfältigung zu vermeiden.

Es ist leicht zu sehen, dass es eine Ähnlichkeit zwischen den Frames und der objektorientierten Programmierung gibt, wobei der Rahmen dem Objekt entspricht, und der Slot ist das Feld. Die Ähnlichkeit ist nicht zufällig, da die Frames eine der Quellen des Oops waren. Insbesondere eine der ersten objektorientierten kleinen Talk-Sprachen implementierte praktisch Rahmenrepräsentationen von Objekten und Klassen.

Zum verfahrensdarstellung. Wissen werden Produkte oder Produktregeln verwendet. Das Produktmodell ist ein Modell, das auf den Regeln basiert, die Kenntnisse in Form von Vorschlägen "Bedingung - Action" ermöglichen. Dieser Ansatz war früher beliebt in verschiedene Systeme Diagnose. Es ist ganz natürlich in der Form der Bedingung, Symptome, Problemen, Probleme oder Fehlfunktionen zu beschreiben, und in Form von Handeln - eine mögliche Fehlfunktion, die zur Anwesenheit dieser Symptome führt.

Im nächsten Artikel sprechen wir darüber, wie Sie Wissen anwenden können.

Referenzliste.

1. John Alan Robinson. Eine maschinenorientierte Logik basierend auf dem Auflösungsprinzip. Kommunikation des ACM, 5: 23-41, 1965.
2. Seymour Papert, Marvin Minsky. Perceptrons. Mit Presse, 1969
3. Russell, Norvig. Künstliche Intelligenz: ein moderner Ansatz.
4. Simon Heukin. Neuronale Netzwerke: Eine komplettes Fundament.
5. Nils J. Nilsson. Künstliche Intelligenz: Eine neue Synthese.

Der Prozess der Erzeugung künstlicher Intelligenz, auf den ersten Blick, erscheint ein ziemlich schwieriger Beruf. Wenn Sie diese schönen Beispiele für AI ansehen, können Sie verstehen, was Sie erstellen sollen interessante Programme Sie können. Je nach Zweck benötigen Sie ein anderes Wissensniveau. Einige Projekte erfordern tiefe Kenntnisse von AI, andere Projekte erfordern nur Kenntnisse der Programmiersprache, aber die Hauptfrage steht vor dem Programmierer. Welche Sprache, um künstliche Intelligenz zu programmieren? Hier ist eine Liste von Sprachen für AI, die nützlich sein kann.

Lispeln

Die erste Computersprache, die verwendet wurde, um künstliche Intelligenz - Lisp zu erstellen. Diese Sprache ist ziemlich flexibel und erweiterbar. Merkmale wie schneller Prototyping und Makros sind sehr nützlich, um AI zu erstellen. Lisp ist eine Sprache, die komplexe Aufgaben in einfachen. Ein leistungsfähiges Objektorientierungssystem macht LISP eine der beliebtesten Programmiersprachen für künstliche Intelligenz.

Java.

Die wichtigsten Vorteile dieser multifunktionalen Sprache sind: Transparenz, Portabilität und Bequemlichkeit der Escort. Ein weiterer Vorteil der Java-Sprache ist Universalität. Wenn Sie ein Neuling sind, dann machen Sie die Tatsache, dass es Hunderte von Video-Tutorials im Internet gibt, die Ihr Lernen einfacher und effizienter machen werden.

Die Hauptmerkmale von Java sind: Einfache Debugging, gute Interaktion mit dem Benutzer, Einfachheit der Arbeit mit großen Projekten. Projekte, die mit der Java-Sprache erstellt wurden, verfügen über eine attraktive und einfache Benutzeroberfläche.

Prolog

Dies ist eine interaktive symbolische Programmiersprache ist für Projekte beliebt, die logisch erfordern. Wenn Sie eine leistungsstarke und flexible Grundlage haben, wird es häufig zur nicht numerischen Programmierung, Anzeichen von Theoremen, der Verarbeitung der natürlichen Sprache, erzeugt, erzeugt Expertensysteme und künstliche Intelligenz insgesamt.

Prolog ist eine deklarative Sprache mit formaler Logik. Die Entwickler der künstlichen Intelligenz schätzen es für ein hohes Maß an Abstraktion, eine integrierte Suchmaschine, Nicht-Determinismus usw.

Python

Python - weit verbreitet von Programmierern aufgrund seiner reinen Grammatik- und Syntax, angenehmem Design. Verschiedene Datenstrukturen, Stapel des Tests von Frameworks, Verhältnis hohes Level und niedrige Programmierstufen, die Python eines der beliebtesten Programmiersprachen für künstliche Intelligenz erstellen.

Geschichte der Entwicklung II

Um die Verbindung zwischen der AI und der Programmiersprache zu sehen, sollten Sie die wichtigsten Ereignisse in der Geschichte von AI in Betracht ziehen. Alles begann 1939, als der elektronische Roboter auf der Weltausstellung präsentiert wurde. Der nächste Roboter wurde 1951 erbaut, Edmund Berkeley.

Robbob Roboter wurde 1956 erbaut. Leider gibt es keine Informationen darüber, wie es entworfen wurde. 1958 wurde die Programmiersprache LISP erfunden. Obwohl diese Sprache vor 60 Jahren entwickelt wurde, ist es immer noch die Hauptsprache für viele künstliche Intelligenzprogramme.

Im Jahr 1961 wurde in Einzig erbaut. Dies ist der erste industrielle Roboter, der Masse erzeugt wird. Dieser Roboter wurde in General Motors verwendet, um an der Produktionslinie zu arbeiten. Für die Herstellung von Ingenys verwendeten Wissenschaftler das Ventil, eine Assembler-Variable. Diese Sprache besteht aus einfachen Phrasen, Überwachungsbefehlen und Anweisungen, die keine Erläuterungen erfordern.

Das System der künstlichen Intelligenz dendrral wurde 1965 erbaut. Es half, die molekulare Struktur von organischen Verbindungen leicht zu bestimmen. Dieses System wurde auf lispy geschrieben.

Im Jahr 1966 erstellte Weizenbaum Eliza, den ersten virtuellen Gesprächspartner. Einer der berühmtesten Modelle wurde der Arzt genannt, beantwortete er Fragen im Stil eines Psychotherapeuten. Dieser Bot wurde implementiert, wenn Proben von Geräten verglichen werden. Die erste Version der ELZA wurde auf Slip geschrieben, die Liste der Verarbeitung der Sprache wurde von Weizenbaum entwickelt. Später wurde einer seiner Versionen auf lispy umgeschrieben.

Der erste mobile Roboter, der auf lispy programmiert wurde, war Sheki. Mit der Hilfe der Lösung der Aufgaben des Dichtungs- und Sensorprogramms bewegte sich der Hals, der eingeschaltet, das Licht eingeschaltet und ausgeschaltet, auf und ab kletterte, die Tür öffnete, die Türen geschlossen, die Gegenstände geschlossen und bewegte sich. Sheki bewegte sich mit einer Geschwindigkeit von 5 km pro Stunde.

In den nächsten 15 Jahren sah die Welt viele erstaunliche Erfindungen: Denning's Watchdog Roboter, LMI Lambda, OmniboT 2000, MQ-1 Raubtier unbemannt, Ferby, Abo Roboter Dog und Honda Asimo.

Im Jahr 2003 erfand IROBOT ROOMBA-Staubsauger. Dieser autonome Staubsauger wurde auf lispig gestaltet, diesen autonomen Staubsauger wäscht die Böden mit bestimmten Algorithmen. Er entdeckt Hindernisse und umgeht sie.

Und welche Programmiersprache verwenden Sie, um Programme mit AI zu entwickeln? Schreiben Sie über Ihre Arbeit in den Kommentaren oder in unserer VKONTAKTE-Gruppe.

PLANEN.

1. Einleitung.

2. das Phenomen denken.

3. Erstellung künstlicher Intelligenz.

3.1 Mechanischer Ansatz.

3.2 Elektronischer Ansatz.

3.3 Cyber-Ansatz.

3.4 neuronaler Ansatz.

3.5 Das Erscheinungsbild des Perzeptrons.

4. Fazit.

5. Referenzen.

1. EINLEITUNG.

Moderne Philosophen und Wissenschaftswissenschaftler berücksichtigen oft interdisziplinäre Wissenschaften als eine der Errungenschaften, die sich im 20. Jahrhundert wieder öffnen.

Künstliche Intelligenz und künstliches Leben präsentieren ein hervorragendes Beispiel für eine solche Integration vieler wissenschaftlicher Bereiche.

Leider ist das Leben zu kompliziert, damit wir allgemeine Anweisungen in der Forschung planen können. Der Beweis kann die Tatsache sein, dass einige an der Untersuchung der "Systeme mit den Phänomenen der lebenden Systeme" interessiert sind, andere untersuchen die Art der chemischen Reproduktion oder versuchen, die philosophischen Probleme des Selbstwissens zu lösen.

Das Konzept der "künstlichen Intelligenz" investiert eine andere Bedeutung - von der Anerkennung von Intelligenz auf dem mit softwareprodukte Anerkennung von Text und Sprache, um intellektuell nur diese Systeme zuzuordnen, die den gesamten Komplex von Aufgaben lösen, die von einer Person durchgeführt werden.

Die Theorie der künstlichen Intelligenz beim Lösen vieler Aufgabengesichter definierte Probleme. Eine solche Probleme besteht darin, die Frage herauszufinden, ob theoretisch (mathematisch) oder Unmöglichkeit der künstlichen Intelligenz nachweisbar oder die Unmöglichkeit der künstlichen Intelligenz ist.

Zu dieser Punktzahl gibt es zwei Standpunkte. Einige betrachten mathematisch bewährt, dass der Computer grundsätzlich jede Funktion ausführen kann, die von natürlicher Intelligenz durchgeführt wird. Andere glauben, dass derselbe Umfang mathematisch bewährt wird, dass es Probleme bei der menschlichen Intelligenz gelöst, die dem Computer grundsätzlich nicht zur Verfügung stehen. Diese Ansichten werden als Kybernetika und Philosophen ausgedrückt. Eines der vielen Probleme (man kann die Hauptsache sagen), dass die Systeme, die die Psyche besitzen, von dem Computer von dem Computer unterscheiden, da sie in biologischen Bedürfnissen inhärent sind.

Die Reflexion der Außenwelt führt durch das Prisma dieser Bedürfnisse, die durch die Aktivität des mentalen Systems ausgedrückt wird. Der Computer hat keine Anforderungen, Informationen sind unbedeutend, gleichgültig. Eine Person über die Schicht biologischer Bedürfnisse wird durch soziale Bedürfnisse abgegeben, und Informationen für ihn sind nicht nur biologisch wichtig. Technische Systeme können jedoch noch ein Analogon einer körperlichen Organisation haben. Ein entwickeltes kybernetisches System verfügt über Rezeptor- und Effektoranwendungen. In der Praxis wird unter dem Dach des Begriffs künstliche Lebensdauer die grandiose Vielfalt verschiedener Projekte von DNA-Kopiermodellen und -systemen mit feedback Bevor Sie den kollektiven Geist und der Bevölkerungswachstumsdynamik studieren.

2. das Phenomen denken.

Die Autos haben bereits gelernt, wie man Gedichte setzt, Musik zusammenstellen, Gemälde ziehen. Vielleicht scheint jemand, dass dies das zweifellose Zeichen ihrer Intelligenz ist. Wenn der Computer derzeit zur Verfügung steht, ist es in der Regel, dass der Computer in hoher Intelligenz als Eigentum von hoher Intelligenz gilt, ist es fair, sich für ihre Meinung abzulehnen?

Trotzdem sind die meisten von uns kaum zustimmen, die Zeichnung und das Komponieren von Gedichten des Computerdenkens zu berücksichtigen. Was sollte dann aufgerufen werden? (2)

Eine weit entfernte Wissenschaft ist schwer vorstellbar, wie moderne kybernetische Geräte viel tun können. Es ist erwähnenswert, die sogenannten "Expert-Systeme" erwähnen, die auf der Grundlage der in ihrem Speicher verfügbaren Informationen den Zustand des Patienten, den Prozess des technologischen Prozesses, analysieren, berät, wie sich in einer Situation oder einem anderen anmeldet . Gleichzeitig berichtet der Computer nicht nur seine Entscheidung, sondern erklärt auch, warum es so sein sollte. Im Vergleich zum elektronischen Gedächtnis, der Erteilung von Archivreferenzen und mathematischen Berechnungen, dass die meisten Menschen heute mit dem Bild des Computers in Verbindung stehen, ist dies eine qualitativ neue Bühne der intellektuellen Tätigkeit, wenn ein neues Wissen auf der Grundlage des verfügbaren neuen Wissens erstellt wird. Bisher galt es als unbestreitbares Privileg des menschlichen Gehirns. Es ist nicht überraschend, dass derjenige, der zuerst mit solchen Systemen trifft, oft nicht glauben kann, dass es sich mit dem "Eisencomputer" um den "Eisencomputer" beschäftigt, und nicht mit der Operator-Person, die irgendwo verborgen ist.

Die Fähigkeit des Computers zur Durchführung von mathematischen Berechnungen, an die wir gewöhnt sind, an die man gewöhnt ist, als in letzter Zeit noch als eine der höchsten Schritte der menschlichen spirituellen Aktivität betrachtet. Die komplexen Zahlen, mit denen es sich leicht um fast jeden Computer tätig macht, libnits, der herausragende Mathematiker, der "spirituellen Amphibien", erstaunlich "die Generation des Geistes Gottes", und Schriftsteller V. ODOEVKY in seiner "russischen Rede", geschrieben über unsere Fähigkeit Berechnet als etwa ein unverständliches, fast mystisches Eigentum: Mit jedem mathematischen Prozess spüren wir, wie jemand anderes von unserer Kreatur verbunden ist, jemand anderes, der arbeitet, denkt, berechnet, und inzwischen ist unsere wahre Kreatur egal wie er nicht mehr handelt Ohne etwas Teilnahme an diesem Prozess zu nehmen, wartet, wie bei einer seltsamen Sache, auf ein eigenes Essen wartet, nämlich die Verbindung, die zwischen ihm und diesem Prozess bestehen sollte - und diese Verbindung finden wir nicht. "

Sie können sich vorstellen, wie man von Oroevsky erstaunt wäre, und habe über die rechnerischen Fähigkeiten unseres Computers erfahren! Trotzdem halten wir sie nicht für das Denken.

Jede Computermaschine, egal wie auffällig sein "Können" lernt, arbeitet auf der Grundlage eines Programms und eingehenden externen Daten im Voraus. Wahrschaftlich, wir, Menschen, implementieren auch bestimmte Aktionsprogramme, insbesondere in den ersten Lebensmonaten, wenn unser Verhalten von dem genetischen Programm in den USA fast vollständig bestimmt wird. Der grundlegende Unterschied besteht jedoch darin, dass eine Person motiviert ist, d. H. Je nach bestimmten Bedingungen, der Änderung des Programms und tut es so, dass zwischen Sarah und neue Programme Es gibt keine kontinuierliche logische Brücke. Da es passiert, ist es auch noch nicht klar, es gibt viele Streitigkeiten und verschiedene Sichtweisen, aber dies ist eine weitere Frage, es ist wichtig, dass moderne Rechenmaschinen diese Eigenschaft nicht besitzen. Wenn es passiert ist, gab es eine Art Computer, die beschlossen hatte, die Herausforderungen des Elektromagnetismus und der Quantenmechanik zu sagen, diese beiden Wissenschaftsabschnitte vereinen und die Gleichung der Quantenelektrodynamik mitbrachte, und dann würde mit ihrer Hilfe den unbekannten Bereich vorhersagen Zu ihrem früheren, wahrscheinlich, wahrscheinlich, wären wir das Recht, ihr Denken anzurufen. Und vor allem, weil sie sich selbst ohne Programmaufforderung für eine qualitativ neue Aufgabe entschieden hat. Das Wort "entschied" bedeutet nur, dass sie denkt.

Jede intellektuelle Aufgabe ist eine Suche nach einem Weg, um das Ziel zu erreichen, und ansonsten ist es keine Lösung für das Problem, sondern einfach durch die Aktion entsprechend der genauen Anweisung.

Wenn wir sagen, dass ein Schulboy die Aufgabe löst, bedeutet dies zunächst, dass er herausfinden sollte, was eine Formel dafür annehmen soll, was eine Reihe von Zahlen ist. Wenn er jedoch, untersucht er in das Notebook eines Nachbarn, ersetzt die in der auf der Platine geschriebene Formel geschriebene Formel keine Lösung mehr, sondern eine mechanische Wiederholung. So verhalten sich moderne Computer. Besonders gesagt, lösen sie keine Aufgaben, und der Ausdruck des von uns verwendeten "EUM" hat jedoch eine bedingte Bedeutung ...

Die Fähigkeit, die Aufgabe und die Selbstfortschritte auf seiner Lösung zu setzen, ist nur die Hauptsache, die das Phänomen des Denkens charakterisiert.

Es ist möglich, mit dieser Aussage zu argumentieren, wodurch der Fisch und die primitive Amosa in der Verfolgung nach Beute, die sich auch auf sich selbst verleihen, je nach den spezifischen Bedingungen - und sie denken?

Es kann primitive Denkformen sein, da das Verhalten von Tieren in der gesamten Vielfalt der Lebenssituationen mit einem Instinkt eine Hypothese ist. (2)

Tiere und Vögel sind in einem solchen Eigentum des Denkens als die Verallgemeinerungsfähigkeit inhärent. Sie erkennen beispielsweise Lebensmittel in verschiedenen spezifischen Formen, sozusagen - Essen überhaupt.

Unser tägliches Verständnis von Angemessen ist zu humanisiert, und wie im 19. Jahrhundert, schienen viele Menschen die Idee der Kontinuität zwischen Mensch und Affe heute lächerlich zu sein, viele von uns verwirren die Idee der Möglichkeit der Unmenschlichen Intelligenz. Insbesondere, ohne zu informieren, verknüpfen wir oft die Idee des Nachdenkens mit der Fähigkeit, unser eigenes "I" zu erkennen, und es verhindert, dass wir das Phänomen des Denkens häufig ansehen. Wahre, die Beziehung zwischen dem Denken und einem Gefühl von "Ich" scheint wirklich zu existieren. Sie können denken, dass unter Bedingungen einer stillwechselenden externen Situation ein komplexes System Es ist nur stabil, wenn es die Fähigkeit hat, seinen Zustand zu fühlen, und dies ist das Wesentliche unserer "I". Analyse zeigt, dass ein solches Gefühl bereits von vielen Roboter-Maschinen benötigt wird. Immerhin sollte der Roboter und in der Tat jedes komplexe Selbstleuchte und aktive Kommunikation mit der Person das Auto über den Zustand seiner Erinnerung informieren, dass es verständlich ist und was - nein und warum. Und dafür muss sich die Maschine anfühlen und ihren Zustand ausdrücken können. Es ist für den Roboter notwendig und um Fehlfunktionen in seinem "Körper" in der Zeit zu bemerken. Ohne dem sich selbst bewusst, kann der Roboter in einem schwierigen, schnell wechselnden und umweltfreundlichen Beeinflussung kaum existieren.

3. Erstellen eines künstlichen IntellnKT.

Seit dem Ende der 40er Jahre sind Wissenschaftler alle mehr Universitäts- und Industrieforschungslabors stürmten zum kühnen Ziel: Bauen von Computern auf diese Weise, dass dies nach den Ergebnissen ihrer Arbeit unmöglich ist, von dem menschlichen Geist zu unterscheiden.

In seiner schwierigen Arbeit bewegten sich die Forscher, die auf dem Gebiet der künstlichen Intelligenz (AI) arbeiten, entdeckten, dass sie in einen Kampf mit sehr verworrenen Problemen eintraten, weit über traditionelle Informatik hinaus. Es stellte sich heraus, dass es zunächst notwendig ist, die Mechanismen des Lernprozesses, der Art der Zunge und der sensorischen Wahrnehmung zu verstehen. Es stellte sich heraus, dass es Maschinen erzeugt, die die Arbeit des menschlichen Gehirns nachahmen, es ist notwendig, herauszufinden, wie Milliarden ihrer miteinander verbundenen Neuronen arbeiten. Und dann kamen viele Forscher zu dem Schluss, dass vielleicht das schwierigste Problem, das der modernen Wissenschaft gegenüber der Funktionsweise des menschlichen Geistes ist, und nicht nur die Nachahmung seiner Arbeit. Was hat die grundlegenden theoretischen Probleme der psychologischen Wissenschaft direkt beeinflusst. Tatsächlich sind Wissenschaftler schwierig, sogar zu einem Blick auf das Thema ihres Thema ihrer Forschung - Intellekt zu kommen. Hier, wie im Gleichnis der Blinder, versuchen, einen Elefanten zu beschreiben, der versucht, seine geschätzte Definition einzuhalten.

Wo er von einem seiner Ziele erzählte, das zu einem Beruf führte - der Wunsch, das Prinzip der Arbeit zu kennen und zu lernen, wie man die Spielbots selbst erstellt.

Aber wirklich ist es der Wunsch, eine perfekte künstliche Intelligenz zu schaffen, egal ob es sich um ein Spielmodell handelt) mobiles Programm, schloss sich der PROGRAMM-Pfad vieler von uns an. Das Problem ist, dass hinter Tonnen von Bildungsmaterial und der harten Realität der Kunden die Wünsche durch einen einfachen Wunsch nach Selbstentwicklung ersetzt wurden. Für diejenigen, die nie mit der Durchführung von Kinderträumen begonnen haben, dann ein kurzer Leitfaden, um einen echten künstlichen Geist zu schaffen.

Stufe 1. Enttäuschung

Wenn wir über das Erstellen von mindestens einfachen Bots sprechen, sind die Augen mit Glitzer gefüllt, und Hunderte von Ideen blitzten im Kopf, in dem er in der Lage sein sollte. Wenn es um Implementierung geht, stellt sich jedoch heraus, dass der Schlüssel zum Lösen das echte Verhaltensmodell ist ... Mathematik. Um ein bisschen genauer zu sein, hier ist hier die Liste der Partitionen, die zumindest im Format der Universitätsbildung verlagert werden müssen:

Lineare Algebra;

• Theorie der Grafiken;

  Theorie der Wahrscheinlichkeit und der mathematischen Statistiken.

Dies ist der wissenschaftliche Brückenkopf, an dem Ihre weitere Programmierung erstellt wird. Ohne Wissen und Verständnis dieser Theorie werden alle Ideen schnell die Interaktion mit einer Person brechen, weil der künstliche Verstand eigentlich nicht mehr als eine Reihe von Formeln ist.

Bühne 2. Adoption.

Wenn der Schlaf ein wenig von der Studentenliteratur abgeschossen ist, können Sie mit dem Lernen von Sprachen beginnen. Es lohnt sich nicht, an Lisp oder anderen zu eilen, zuerst müssen Sie lernen, wie Sie mit Variablen und eindeutigen Staaten arbeiten können. Wie für ein schnelles Studium und weitere Entwicklung ist perfekt, aber im Allgemeinen können Sie die Basis jeder Sprache mit den relevanten Bibliotheken annehmen.

Stufe 3. Entwicklung

Gehen Sie nun direkt zur Theorie der AI. Sie können in 3 Kategorien unterteilt werden:

Schwache AI \u200b\u200b- die Bots, die wir sehen computerspieleoder gewöhnliche gesunde Helfer wie Siri. Sie oder führen hochspezialisierte Aufgaben aus oder sind ein kleiner Komplex derjenigen, und jede Unvorhersehbarkeit der Interaktion stellt sie an ein Sackgasse.

Starke AI sind Maschinen, deren Intelligenz mit dem menschlichen Gehirn vergleichbar ist. Bisher gibt es keine echten Vertreter dieser Klasse, aber Computer, wie Watson, sind sehr nahe bei der Erreichung dieses Ziels.

Perfect AI ist die Zukunft, ein Maschinengehirn, das unsere Fähigkeiten übertreffen wird. Es geht um die Gefahr solcher Entwicklungen, die Stephen Hokking, Elon Mask und Franmshis "Terminator" warnen.

Natürlich sollten Sie mit den einfachsten Bots beginnen. Denken Sie dazu an das alte gute Spiel "cross-tick-ticks", wenn Sie das Feld von 3x3 verwenden und versuchen, die grundlegenden Aktionen Algorithmen herauszufinden: Die Wahrscheinlichkeit des Sieges bei fehlerfreien Handlungen, die erfolgreichsten Orte auf der Feld für den Ort der Figur, die Notwendigkeit, das Spiel auf ein Zeichnen und so weiter zu reduzieren.

Wie Sie selbst aus den Namen verstanden haben, handelt es sich um eine API, die nicht mehr die Zeit der Zeit erlaubt, um eine Ähnlichkeit von ernsthaften KI zu schaffen.

Bühne 5. Arbeit.

Wenn Sie sich jetzt bereits eindeutig vorstellen, wie man erstellt werden soll und wie Sie es verwenden können, ist es Zeit, Ihr Wissen auf ein neues Niveau zurückzuziehen. Erstens erfordert dies das Studium der Disziplin, die als "Maschinenausbildung" genannt wird. Zweitens müssen Sie lernen, wie Sie mit den relevanten Bibliotheken der ausgewählten Programmiersprache arbeiten. Für den von uns betrachteten Python ist Scikit-lernen, NLTK, Scipy, Pybrain und NUMP. Drittens kann in der Entwicklung überall nichts aus tun

Wie ist es passiert, dass sich die künstliche Intelligenz erfolgreich entwickelt, und die "richtige" Definition ist immer noch nicht? Warum haben die Hoffnungen Neurocomputers zugewiesen, und was sind die drei Hauptaufgaben, die dem Schöpfer der künstlichen Intelligenz gegenüberstehen?

Diese und andere Fragen finden Sie eine Antwort in dem Artikel unter der Katze, die auf der Grundlage der Rede von Konstantin Anisimovich, Direktor der Abteilung ABBYY Technology Development, einem der führenden Experten des Landes auf dem Gebiet der künstlichen Intelligenz, geschrieben wurden.
Mit seiner persönlichen Teilnahme wurden Dokumentenerkennungstechnologien erstellt, die in ABBYY FINERREADER und ABBYY FORMREADER-Produkten verwendet werden. Konstantin sprach über die Geschichte und Grundlagen der Entwicklung von AI auf einem der Meisterkurse für Studenten des Mail.ru Technoparks. MATERIAL MASTER CLASS und ist zu einer Basis für den Artikeln von Artikeln geworden.

Insgesamt gibt es drei Beiträge im Zyklus:
Künstliche Intelligenz für Programmierer

Erhalten Sie Wissen: Ingenieurwissen und Maschinenausbildung

UPS und Downs der Ansätze in AI

Zurück seit den 1950er Jahren wurden zwei Ansätze im Bereich der künstlichen Intelligenz - symbolische Berechnungen und Connectivityismus ausgewählt. Symbolische Berechnungen sind eine Richtung, die auf der Modellierung des menschlichen Denkens basiert, und der Connectivityismus - beim Modellieren des Hirngeräts.

Die ersten Errungenschaften im Bereich symbolischer Berechnungen wurden in der 50er-Lisp-Sprache und der Arbeit von J. Robinson im Bereich der logischen Ausgabe erstellt. Der Verbindungsmittel war die Schaffung eines Perceptron - ein selbstlernender linearer Klassifizierer, der den Betrieb des Neurons simuliert. Weitere strahlende Erfolge waren hauptsächlich mit dem symbolischen Paradigma. Dies sind insbesondere die Werke von Seiimur Piperta und Robert Anton Winson auf dem Gebiet der Psychologie der Wahrnehmung und natürlich Marvin Minsk-Fohlen.

In den 70er Jahren erschienen erste Anwendungssysteme mit Elementen von künstlichen Intelligenz - Expert-Systeme. Dann gab es eine gewisse Renaissance von Connectivityismus mit dem Aufkommen von mehrschichtigen neuronalen Netzwerken und dem Algorithmus für ihr Lernen durch die Methode der Umkehrverteilung. In den 80er Jahren wurde die Leidenschaft für neuronale Netzwerke einfach geschaffen. Anhänger dieses Ansatzes versprachen, Neurocomputer zu schaffen, die fast als menschliches Gehirn arbeiten werden.

Aber nichts Besonderes davon kam heraus, weil echte Neuronen viel komplizierter arrangiert sind als der formale, auf dem mehrschichtige neuronale Netzwerke basieren. Und die Anzahl der Neuronen im menschlichen Gehirn ist auch viel mehr, als sich das neuronale Netzwerk leisten könnte. Die Hauptsache, für die die mehrschichtigen neuronalen Netzwerke geeignet waren - dies ist die Lösung der Klassifizierung der Klassifizierung.

Das nächste populäre Paradigma auf dem Gebiet der künstlichen Intelligenz ist maschinell lernen. Der Ansatz begann sich seit den späten 80er Jahren schnell zu wachsen und verliert nicht die Popularität und so-in. Ein erheblicher Impuls für die Entwicklung des Maschinenlernens ergab das Aufkommen des Internets und eine große Anzahl von vielfältigen leicht zugänglichen Daten, die zur Untersuchung von Algorithmen verwendet werden können.

Hauptaufgaben im Design der künstlichen Intelligenz

Es kann analysiert werden, dass die Angehörigen, die sich auf künstliche Intelligenz beziehen, analysiert werden können. Es ist leicht zu sehen, dass der allgemeine in ihnen das Fehlen eines bekannten, klar definierten Lösungsprozesses ist. In der Tat unterscheiden sich die Aufgaben, die zu AI gehören, von den Aufgaben der Theorie der Zusammenstellung oder der Berechnung der Mathematik. Intelligente Systeme suchen nach suboptimalen Problemlösungen. Es ist unmöglich zu beweisen, dass die von künstliche Intelligenz gefundene Lösung streng optimal ist. In den meisten praktischsten Problemen sind jedoch sub-optimale Lösungen alle angeordnet. Darüber hinaus muss daran erinnert werden, dass die Person die Aufgabe fast nie optimal löst. Eher im Gegenteil.

Es gibt eine sehr wichtige Frage: Wie kann AI die Aufgabe löst, für die es keinen Lösungsalgorithmus gibt? Die Essenz ist es, auf dieselbe Weise wie eine Person zu tun - um die plausiblen Hypothesen vorzulegen und zu überprüfen. Natürlich ist das Wissen für die Nominierung und Überprüfung der Hypothesen erforderlich.

Wissen ist eine Beschreibung des Themenbereichs, in dem das intelligente System funktioniert. Wenn wir das Erkennungssystem der Symbole der natürlichen Sprache haben, enthält das Wissen Beschreibungen des Zeichengeräts, der Struktur des Textes und der bestimmten Eigenschaften der Sprache. Wenn dies ein System zur Beurteilung der Kreditwürdigkeit des Kunden ist, sollte er Kenntnis von Kundentypen und Kenntnis haben, wie das Profil des Kunden mit seinem potenziellen Nichtlimit verbunden ist. Wissen sind zwei Arten - über den Themenbereich und die Suche nach Lösungen (Metabaiken).

Die Hauptaufgaben des Designs des intellektuellen Systems werden auf die Auswahl der Möglichkeiten reduziert, Wissen zu präsentieren, Möglichkeiten, Wissen und Wege zum Anwenden von Wissen zu erhalten.

Präsentation des Wissens.

Es gibt zwei wichtige Möglichkeiten, Wissen - deklarativ und prozedural zu präsentieren. Deklaratives Wissen Kann in strukturierter oder in einer unstrukturierten Form dargestellt werden. Strukturierte Ansichten sind eine oder eine andere Sorte eines Rahmenansatzes. Semantische Netzwerke oder formale Grammatik, die auch als Sorten von Frames betrachtet werden können. Wissen in diesem Formalismus werden in Form einer Vielzahl von Objekten und Beziehungen zwischen ihnen dargestellt.

Unstrukturierte Ansichten werden in der Regel in den Bereichen verwendet, die mit Lösungsklassifizierungsaufgaben verbunden sind. Dies ist in der Regel Vektoren von Schätzungen von Gewichtskoeffizienten, Wahrscheinlichkeiten und dergleichen.

Fast alle Methoden der strukturierten Präsentation des Wissens basieren auf dem Rahmenformalismus, der in den 1970er Jahren Marvin Minsk von MIT eingeführt hat, um die Wissensstruktur für die Wahrnehmung von räumlichen Szenen zu benennen. Wie es sich herausstellte, eignet sich dieser Ansatz für fast jede Aufgabe.

Der Rahmen besteht aus einem Namen und einzelnen Einheiten, die als Slots genannt werden. Die Bedeutung des Schlitzes kann wiederum die Verbindung zu einem anderen Rahmen ... Rahmen kann ein Nachkomme eines anderen Rahmens sein, der die Schlitzwerte ergnet. In diesem Fall kann der Nachkomme die Werte der Ahnenschlitze überschreiben und neue hinzufügen. Vererbung wird verwendet, um eine Beschreibung kompakter zu machen und Vervielfältigung zu vermeiden.

Es ist leicht zu sehen, dass es eine Ähnlichkeit zwischen den Frames und der objektorientierten Programmierung gibt, wobei der Rahmen dem Objekt entspricht, und der Slot ist das Feld. Die Ähnlichkeit ist nicht zufällig, da die Frames eine der Quellen des Oops waren. Insbesondere eine der ersten objektorientierten kleinen Talk-Sprachen implementierte praktisch Rahmenrepräsentationen von Objekten und Klassen.

Zum verfahrensdarstellung. Wissen werden Produkte oder Produktregeln verwendet. Das Produktmodell ist ein Modell, das auf den Regeln basiert, die Kenntnisse in Form von Vorschlägen "Bedingung - Action" ermöglichen. Dieser Ansatz war früher in verschiedenen Diagnosesystemen beliebt. Es ist ganz natürlich in der Form der Bedingung, Symptome, Problemen, Probleme oder Fehlfunktionen zu beschreiben, und in Form von Handeln - eine mögliche Fehlfunktion, die zur Anwesenheit dieser Symptome führt.

Im nächsten Artikel sprechen wir darüber, wie Sie Wissen anwenden können.

Referenzliste.

1. John Alan Robinson. Eine maschinenorientierte Logik basierend auf dem Auflösungsprinzip. Kommunikation des ACM, 5: 23-41, 1965.
2. Seymour Papert, Marvin Minsky. Perceptrons. Mit Presse, 1969
3. Russell, Norvig. Künstliche Intelligenz: ein moderner Ansatz.
4. Simon Heukin. Neuronale Netzwerke: Eine komplettes Fundament.
5. Nils J. Nilsson. Künstliche Intelligenz: Eine neue Synthese.