Λιγότερες γνωστές γλώσσες για τη δημιουργία τεχνητής νοημοσύνης. Ποια γλώσσα προγραμματισμού για την ανάπτυξη της τεχνητής νοημοσύνης

Πώς συνέβη το γεγονός ότι η τεχνητή νοημοσύνη αναπτύσσεται με επιτυχία, αλλά δεν υπάρχει ακόμη ορισμός για αυτό; Γιατί δεν πραγματοποιήθηκαν οι ελπίδες για νευροϋπολογιστές και ποια είναι τα τρία βασικά καθήκοντα που αντιμετωπίζει ο δημιουργός της τεχνητής νοημοσύνης;

Θα βρείτε την απάντηση σε αυτές και άλλες ερωτήσεις στο άρθρο της περικοπής, το οποίο γράφτηκε με βάση την ομιλία του Konstantin Anisimovich, διευθυντή του τμήματος ανάπτυξης τεχνολογίας της ABBYY, ενός από τους κορυφαίους εμπειρογνώμονες της χώρας στον τομέα της τεχνητής νοημοσύνης.
  Με την προσωπική του συμμετοχή δημιουργήθηκαν τεχνολογίες αναγνώρισης εγγράφων που χρησιμοποιούνται στα προϊόντα ABBYY FineReader και ABBYY FormReader. Ο Κωνσταντίνος μίλησε για την ιστορία και τα βασικά της ανάπτυξης του AI σε μία από τις μάστερ μαθήματα για φοιτητές στο Technopark Mail.Ru. Υλικό master class και έγινε η βάση για μια σειρά άρθρων.

Συνολικά, θα υπάρχουν τρεις θέσεις στον κύκλο:
Τεχνητή Νοημοσύνη για Προγραμματιστές
Εφαρμογή της γνώσης: Αλγόριθμοι ανίχνευσης χώρου κατάστασης
   Απόκτηση γνώσης: μηχανική γνώσης και μηχανική μάθηση

Τα σκαμπανεβάσματα των προσεγγίσεων στο AI

  Από τη δεκαετία του 1950 εμφανίστηκαν δύο προσεγγίσεις στον τομέα της δημιουργίας τεχνητής νοημοσύνης - συμβολικών υπολογισμών και συνδέσμου. Ο συμβολικός υπολογισμός είναι μια κατεύθυνση που βασίζεται στη μοντελοποίηση της σκέψης ενός ατόμου, και ο συνδεσιμισμός είναι στη μοντελοποίηση μιας συσκευής εγκεφάλου.

Τα πρώτα επιτεύγματα στον τομέα των συμβολικών υπολογισμών ήταν η γλώσσα Lisp που δημιουργήθηκε στη δεκαετία του '50 και το έργο του J. Robinson στο πεδίο των λογικών συμπερασμάτων. Στον συνδέσμο, αυτό ήταν η δημιουργία ενός perceptron - ένας αυτοδιδασκαλούμενος γραμμικός ταξινομητής που μιμείται το έργο ενός νευρώνα. Τα περαιτέρω φωτεινά επιτεύγματα ήταν κυρίως σύμφωνα με το συμβολικό παράδειγμα. Συγκεκριμένα, πρόκειται για έργα του Seymour Pipert και του Robert Anton Winson στον τομέα της ψυχολογίας της αντίληψης και, φυσικά, των πλαισίων του Marvin Minsky.

Στη δεκαετία του '70, εμφανίστηκαν τα πρώτα εφαρμοσμένα συστήματα που χρησιμοποιούν στοιχεία της τεχνητής νοημοσύνης - συστήματα εμπειρογνωμόνων. Ακολούθησε μια αναγέννηση του συνδέσμου με την εμφάνιση των πολλαπλών στρωμάτων νευρωνικών δικτύων και τον αλγόριθμο της μάθησης τους με τη μέθοδο της διάδοσης των οπών. Στη δεκαετία του '80, η γοητεία των νευρωνικών δικτύων ήταν απλώς γενική. Οι υποστηρικτές αυτής της προσέγγισης υποσχέθηκαν να δημιουργήσουν νευροϋπολογιστές που θα λειτουργούσαν σχεδόν σαν ανθρώπινος εγκέφαλος.

Αλλά τίποτα το ξεκίνησε, επειδή οι πραγματικοί νευρώνες είναι πολύ πιο περίπλοκοι από τους επίσημους, πάνω στους οποίους βασίζονται τα πολυεπίπεδα νευρωνικά δίκτυα. Και ο αριθμός των νευρώνων στον ανθρώπινο εγκέφαλο είναι επίσης πολύ περισσότερο από ό, τι θα μπορούσατε να αντέξετε οικονομικά σε ένα νευρικό δίκτυο. Το κύριο πράγμα για το οποίο τα πολυεπίπεδα νευρωνικά δίκτυα αποδείχθηκαν κατάλληλα είναι η λύση στο πρόβλημα της ταξινόμησης.

Το επόμενο δημοφιλές πρότυπο στον τομέα της τεχνητής νοημοσύνης ήταν η μηχανική μάθηση. Η προσέγγιση άρχισε να ανθίζει από τα τέλη της δεκαετίας του '80 και δεν χάνει τη δημοτικότητα μέχρι σήμερα. Σημαντική ώθηση στην ανάπτυξη της μηχανικής μάθησης έδωσε την εμφάνιση του Διαδικτύου και ένα μεγάλο αριθμό διαφορετικών, εύκολα προσβάσιμων δεδομένων που μπορούν να χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων.

Τα κύρια καθήκοντα στο σχεδιασμό της τεχνητής νοημοσύνης

  Μπορείτε να αναλύσετε τι ενώνει τα καθήκοντα που σχετίζονται με την τεχνητή νοημοσύνη. Είναι εύκολο να δούμε ότι το κοινό πράγμα σε αυτές είναι η απουσία μιας πολύ γνωστής, σαφώς καθορισμένης διαδικασίας λήψης αποφάσεων. Αυτό, στην πραγματικότητα, τα καθήκοντα που σχετίζονται με το AI διαφέρουν από τα καθήκοντα της θεωρίας της σύνταξης ή των υπολογιστικών μαθηματικών. Τα πνευματικά συστήματα αναζητούν υποβέλτιστες λύσεις στο πρόβλημα. Δεν μπορείτε ούτε να αποδείξετε ούτε να εγγυηθείτε ότι η λύση που εντοπίζεται από την τεχνητή νοημοσύνη θα είναι αυστηρά βέλτιστη. Ωστόσο, στα περισσότερα πρακτικά προβλήματα, οι μη βέλτιστες λύσεις ταιριάζουν σε όλους. Επιπλέον, πρέπει να θυμόμαστε ότι ένα άτομο σχεδόν ποτέ δεν λύνει το πρόβλημα βέλτιστα. Μάλλον το αντίθετο.

Ανακύπτει μια πολύ σημαντική ερώτηση: πώς μπορεί να λύσει το AI ένα πρόβλημα για το οποίο δεν υπάρχει αλγόριθμος λύσης; Το σημείο είναι να το κάνουμε με τον ίδιο τρόπο που κάνει κάποιος - να προβάλλει και να δοκιμάζει εύλογες υποθέσεις. Φυσικά, η γνώση και η γνώση είναι απαραίτητες για την υποβολή και την εξέταση υποθέσεων.

Η γνώση είναι η περιγραφή του τομέα στον οποίο λειτουργεί το έξυπνο σύστημα. Εάν αντιμετωπίσουμε το σύστημα αναγνώρισης συμβόλων μιας φυσικής γλώσσας, τότε η γνώση περιλαμβάνει περιγραφές της δομής των συμβόλων, της δομής του κειμένου και ορισμένων ιδιοτήτων της γλώσσας. Εάν πρόκειται για σύστημα αξιολόγησης πιστοληπτικής ικανότητας ενός πελάτη, πρέπει να έχει γνώση των τύπων πελατών και γνώση του τρόπου με τον οποίο το προφίλ του πελάτη σχετίζεται με την ενδεχόμενη αφερεγγυότητα του. Υπάρχουν δύο τύποι γνώσεων - σχετικά με το θέμα και σχετικά με την εξεύρεση λύσεων (μεταγνώση).

Τα κύρια καθήκοντα σχεδιασμού ενός πνευματικού συστήματος περιορίζονται στην επιλογή τρόπων παρουσίασης της γνώσης, τρόπων απόκτησης γνώσης και τρόπων εφαρμογής της γνώσης.

Εκπροσώπηση γνώσης

  Υπάρχουν δύο βασικοί τρόποι εκπροσώπησης της γνώσης - δήλωσης και διαδικασίας. Δηλωτική γνώση  μπορεί να παρουσιαστεί σε δομημένη ή αδόμητη μορφή. Οι δομημένες απόψεις είναι ένα ή άλλο είδος πλαιστικής προσέγγισης. Σημασιολογικά δίκτυα ή επίσημες γραμματικές, οι οποίες μπορούν επίσης να θεωρηθούν παραλλαγές πλαισίων. Η γνώση σε αυτούς τους φορμαλισμούς αντιπροσωπεύεται ως σύνολο αντικειμένων και σχέσεων μεταξύ τους.

  Οι αδόμητες αναπαραστάσεις χρησιμοποιούνται συνήθως σε εκείνες τις περιοχές που σχετίζονται με το πρόβλημα της ταξινόμησης. Αυτά είναι συνήθως φορείς των βαρών, των πιθανοτήτων και των συναφών.

Σχεδόν όλες οι μέθοδοι δομημένης εκπροσώπησης της γνώσης βασίζονται στον φορμαλισμό των πλαισίων που ο Μάρβιν Μίνσκυ του ΜΙΤ εισήγαγε στη δεκαετία του 1970 για να ορίσει μια δομή γνώσης για την αντίληψη των χωρικών σκηνών. Όπως αποδείχθηκε, αυτή η προσέγγιση είναι κατάλληλη για σχεδόν κάθε εργασία.

Το πλαίσιο αποτελείται από ένα όνομα και μεμονωμένες μονάδες, που ονομάζονται υποδοχές. Η τιμή της υποδοχής μπορεί, με τη σειρά της, να είναι μια σύνδεση με ένα άλλο πλαίσιο ... Το πλαίσιο μπορεί να είναι απόγονος ενός άλλου πλαισίου, κληρονομώντας από αυτό τις τιμές των slots. Σε αυτή την περίπτωση, το παιδί μπορεί να παρακάμψει τις τιμές των slots του προγόνου και να προσθέσει νέες. Η κληρονομιά χρησιμοποιείται για να καταστήσει την περιγραφή πιο συμπαγή και για να αποφευχθεί η επικάλυψη.

Είναι εύκολο να δούμε ότι υπάρχει ομοιότητα μεταξύ πλαισίων και αντικειμενοστρεφούς προγραμματισμού, όπου το πλαίσιο αντιστοιχεί στο αντικείμενο και η σχισμή αντιστοιχεί στο πεδίο. Αυτή η ομοιότητα δεν είναι τυχαία, επειδή τα πλαίσια ήταν μία από τις πηγές του OOP. Συγκεκριμένα, μία από τις πρώτες αντικειμενοστρεφείς γλώσσες, Μικρή Συζήτηση, υλοποίησε σχεδόν αντικειμενικά αναπαραστάσεις πλαισίων αντικειμένων και τάξεων.

Γιατί διαδικαστική άποψη χρησιμοποιούνται προϊόντα γνώσης ή κανόνες παραγωγής. Ένα μοντέλο παραγωγής είναι ένα μοντέλο που βασίζεται σε κανόνες που επιτρέπουν τη γνώση να παρουσιάζεται με τη μορφή προτάσεων "condition-action". Αυτή η προσέγγιση έγινε δημοφιλής σε διάφορα διαγνωστικά συστήματα. Είναι φυσικό να περιγράφονται τα συμπτώματα, τα προβλήματα ή οι δυσλειτουργίες με τη μορφή μιας κατάστασης και μια πιθανή δυσλειτουργία που οδηγεί στην παρουσία αυτών των συμπτωμάτων με τη μορφή δράσης.

Στο επόμενο άρθρο θα μιλήσουμε για τον τρόπο εφαρμογής της γνώσης.

Αναφορές.

1. Τζον Άλαν Ρόμπινσον. Μια λογική με γνώμονα το μηχάνημα βασισμένη στην αρχή της επίλυσης. Επικοινωνίες του ACM, 5: 23-41, 1965.
2. Seymour Papert, Μάρβιν Μίνσκι. Perceptrons. MIT Press, 1969
3. Russell, Norvig. Τεχνητή νοημοσύνη: μια σύγχρονη προσέγγιση.
4. Simon Haykin. Νευρωνικά δίκτυα: ένα ολοκληρωμένο ίδρυμα.
5. Nils J. Nilsson. Τεχνητή νοημοσύνη: μια νέα σύνθεση.

Η διαδικασία δημιουργίας τεχνητής νοημοσύνης, με την πρώτη ματιά, φαίνεται να είναι αρκετά δύσκολο έργο. Παρακολουθώντας αυτά τα όμορφα παραδείγματα AI, μπορείτε να καταλάβετε ότι μπορείτε να δημιουργήσετε ενδιαφέροντα προγράμματα με AI. Ανάλογα με το σκοπό, απαιτούνται διαφορετικά επίπεδα γνώσης. Ορισμένα έργα απαιτούν σε βάθος γνώση της AI, άλλα έργα απαιτούν μόνο γνώση μιας γλώσσας προγραμματισμού, αλλά το κύριο ερώτημα που αντιμετωπίζει ένας προγραμματιστής. Ποια γλώσσα θα επιλέξει για τον προγραμματισμό τεχνητής νοημοσύνης;  Ακολουθεί μια λίστα γλωσσών για το AI που μπορεί να είναι χρήσιμη.

Lisp

Η πρώτη γλώσσα υπολογιστή που χρησιμοποιείται για τη δημιουργία τεχνητής νοημοσύνης είναι η LISP. Αυτή η γλώσσα είναι αρκετά ευέλικτη και επεκτάσιμη. Χαρακτηριστικά όπως η γρήγορη δημιουργία πρωτοτύπων και οι μακροεντολές είναι πολύ χρήσιμες στη δημιουργία του AI. Το LISP είναι μια γλώσσα που μετατρέπει πολύπλοκα καθήκοντα σε απλά. Ένα ισχυρό αντικειμενοστρεφές σύστημα καθιστά το LISP μία από τις πιο δημοφιλείς γλώσσες προγραμματισμού για τεχνητή νοημοσύνη.

Java

Τα βασικά πλεονεκτήματα αυτής της πολυλειτουργικής γλώσσας είναι: η διαφάνεια, η φορητότητα και η δυνατότητα συντήρησης. Ένα άλλο πλεονέκτημα της γλώσσας Java είναι η καθολικότητα. Εάν είστε αρχάριος, τότε θα είστε ευχαριστημένοι από το γεγονός ότι υπάρχουν εκατοντάδες βίντεο μαθήματα στο Διαδίκτυο που θα κάνουν τη μάθησή σας ευκολότερη και πιο αποτελεσματική.

Τα κύρια χαρακτηριστικά της java είναι: εύκολη αποσφαλμάτωση, καλή αλληλεπίδραση χρηστών, ευκολία στην εργασία με μεγάλα έργα. Τα έργα που δημιουργούνται χρησιμοποιώντας τη γλώσσα Java έχουν μια ελκυστική και απλή διεπαφή.

Prolog

Αυτή η διαδραστική συμβολική γλώσσα προγραμματισμού είναι δημοφιλής για έργα που απαιτούν λογική. Έχοντας μια ισχυρή και ευέλικτη βάση, χρησιμοποιείται ευρέως για μη-αριθμητικό προγραμματισμό, απόδειξη θεώρημα, επεξεργασία φυσικής γλώσσας, δημιουργία συστημάτων εμπειρογνωμόνων και τεχνητής νοημοσύνης εν γένει.

Ο πρόλογος είναι δηλωτική γλώσσα με επίσημη λογική. Οι προγραμματιστές της τεχνητής νοημοσύνης το εκτιμούν για ένα υψηλό επίπεδο αφαίρεσης, ενσωματωμένη μηχανή αναζήτησης, μη-ντετερμινισμό κ.λπ.

Python

Η Python χρησιμοποιείται ευρέως από προγραμματιστές λόγω της καθαρά γραμματικής και της σύνταξής της, ωραίο σχεδιασμό. Διάφορες δομές δεδομένων, μια δέσμη πλαισίων δοκιμών, υψηλό επίπεδο και χαμηλό επίπεδο προγραμματισμού, που καθιστούν την Python μία από τις πιο δημοφιλείς γλώσσες προγραμματισμού για τεχνητή νοημοσύνη.

Ιστορία του AI

Για να δούμε τη σύνδεση μεταξύ του AI και μιας γλώσσας προγραμματισμού, ας δούμε τα πιο σημαντικά γεγονότα στην ιστορία του AI. Όλα ξεκίνησαν το 1939, όταν το Electro robot παρουσιάστηκε στην Παγκόσμια Έκθεση. Το επόμενο ρομπότ χτίστηκε το 1951 από τον Edmund Berkeley.

Το Robot Robbie χτίστηκε το 1956. Δυστυχώς, δεν υπάρχουν πληροφορίες για τον τρόπο με τον οποίο αναπτύχθηκε. Το 1958, επινοήθηκε η γλώσσα προγραμματισμού LISP. Αν και αυτή η γλώσσα αναπτύχθηκε πριν από 60 χρόνια, εξακολουθεί να παραμένει η κύρια γλώσσα για πολλά προγράμματα τεχνητής νοημοσύνης.

Το 1961, κατασκευάστηκε το UNIMATE. Αυτό είναι το πρώτο βιομηχανικό ρομπότ που διατίθεται στο εμπόριο. Αυτό το ρομπότ χρησιμοποιήθηκε στη General Motors για να εργαστεί στη γραμμή παραγωγής. Για την κατασκευή του UNIMATE, οι επιστήμονες χρησιμοποίησαν Val, μια μεταβλητή συναρμολόγησης. Αυτή η γλώσσα αποτελείται από απλές φράσεις, εντολές παρακολούθησης και οδηγίες που δεν χρειάζονται καμία εξήγηση.

Το σύστημα τεχνητής νοημοσύνης Dendral, χτίστηκε το 1965. Βοήθησε να προσδιορίσει εύκολα τη μοριακή δομή των οργανικών ενώσεων. Αυτό το σύστημα γράφτηκε στο Lisp.

Το 1966, ο Weizenbaum δημιούργησε την Eliza, τον πρώτο εικονικό συνομιλητή. Ένα από τα πιο διάσημα μοντέλα ονομάστηκε Doctor, απαντούσε σε ερωτήσεις με το στυλ ενός ψυχοθεραπευτή. Αυτό το bot υλοποιήθηκε με τη σύγκριση δειγμάτων τεχνολογίας. Η πρώτη έκδοση της Eliza γράφτηκε στο SLIP, ο κατάλογος επεξεργασίας γλώσσας αναπτύχθηκε από την Weizenbaum. Αργότερα, μια από τις εκδοχές του ξαναγράφηκε στον Lisp.

Το πρώτο κινητό ρομπότ που προγραμματίστηκε στο Lisp ήταν το Shaki. Με την επίλυση των προβλημάτων του προγράμματος των αισθητήρων και των παρεμβυσμάτων, ο τράχηλος κινήθηκε, ανάβει και σβήνει το φως, ανέβαινε και κατέβηκε, άνοιξε τις πόρτες, έκλεισε τις πόρτες, έσπρωξε αντικείμενα και άλλαξε τα πράγματα. Η Sheki κινήθηκε με ταχύτητα 5 χλμ. Την ώρα.

Τα επόμενα 15 χρόνια, ο κόσμος είδε πολλές εκπληκτικές εφευρέσεις: τη Σκοπιά Denning, LMI Lambda, Omnibot 2000, Unmanned MQ-1 Predator, Ferbi, AIBO Robot Dog και Honda ASIMO.

Το 2003, το iRobot εφευρέθηκε την ηλεκτρική σκούπα Roomba robot. Σχεδιασμένο σε ένα Lisp, αυτό είναι μια αυτόνομη ηλεκτρική σκούπα που πλένει τα δάπεδα χρησιμοποιώντας συγκεκριμένους αλγόριθμους. Ανακαλύπτει τα εμπόδια και τους παρακάμπτει.

Και ποια γλώσσα προγραμματισμού χρησιμοποιείτε για την ανάπτυξη προγραμμάτων με AI; Γράψτε για την εργασία σας στα σχόλια ή στην ομάδα μας VKontakte.

PLAN.

1. Εισαγωγή.

2. Το φαινόμενο της σκέψης.

3. Δημιουργία τεχνητής νοημοσύνης.

3.1 Μηχανική προσέγγιση.

3.2 Ηλεκτρονική προσέγγιση.

3.3 Κυβερνητική προσέγγιση.

3.4 Νευρωνική προσέγγιση.

3.5 Η εμφάνιση του perceptron.

4. Συμπέρασμα.

5. Αναφορές.

1. ΕΙΣΑΓΩΓΗ.

Οι σύγχρονοι φιλόσοφοι και ερευνητές της επιστήμης θεωρούν συχνά τις διεπιστημονικές επιστήμες ως ένα από τα επιτεύγματα του ανακαλυφθέντος τον 20ό αιώνα.

Η τεχνητή νοημοσύνη και η τεχνητή ζωή είναι ένα εξαιρετικό παράδειγμα τέτοιας ενσωμάτωσης πολλών επιστημονικών πεδίων.

Δυστυχώς, η ζωή είναι πολύ περίπλοκη για να μπορέσει να περιγράψει γενικές κατευθύνσεις στην έρευνα. Απόδειξη μπορεί να είναι το γεγονός ότι μερικοί ενδιαφέρονται για τη μελέτη "συστημάτων που επιδεικνύουν τα φαινόμενα των ζωντανών συστημάτων", άλλοι μελετούν τη φύση της χημικής αναπαραγωγής ή προσπαθούν να λύσουν τα φιλοσοφικά προβλήματα της αυτογνωσίας.

Η έννοια της «τεχνητής νοημοσύνης» έχει διαφορετική σημασία: από την αναγνώριση της νοημοσύνης σε υπολογιστές εξοπλισμένους με λογισμικό αναγνώρισης κειμένου και ομιλίας σε μόνο διανοητικά συστήματα που επιλύουν ολόκληρο το σύνολο των καθηκόντων που εκτελεί ο άνθρωπος.

Η θεωρία της τεχνητής νοημοσύνης στην επίλυση πολλών προβλημάτων αντιμετωπίζει ορισμένα προβλήματα. Ένα από αυτά τα προβλήματα είναι να διευκρινιστεί το ερώτημα εάν η πιθανότητα ή η αδυναμία της τεχνητής νοημοσύνης είναι θεωρητικά (μαθηματικά) αποδεδειγμένη.

Σε αυτό το πλαίσιο υπάρχουν δύο όψεις. Μερικοί θεωρούν ότι έχει αποδειχθεί μαθηματικά ότι ένας υπολογιστής μπορεί, κατ 'αρχήν, να εκτελέσει οποιαδήποτε λειτουργία που εκτελείται από τη φυσική νοημοσύνη. Άλλοι πιστεύουν ότι έχουν αποδειχθεί μαθηματικά στον ίδιο βαθμό ότι υπάρχουν προβλήματα που επιλύονται από την ανθρώπινη νοημοσύνη, τα οποία είναι απρόσιτα για τους υπολογιστές κατ 'αρχήν. Αυτές οι απόψεις εκφράζονται τόσο από κυβερνητικούς όσο και από φιλόσοφοι. Ένα από τα πολλά προβλήματα (μπορούμε να πούμε το κύριο) είναι ότι τα συστήματα με ψυχή διαφέρουν από τους υπολογιστές στο ότι έχουν βιολογικές ανάγκες.

Η αντανάκλαση του εξωτερικού κόσμου περνά μέσα από το πρίσμα αυτών των αναγκών, όπου εκφράζεται η δραστηριότητα του νοητικού συστήματος. Ο υπολογιστής δεν έχει ανάγκες, γιατί οι πληροφορίες είναι ασήμαντες, αδιάφορες. Στους ανθρώπους, οι κοινωνικές ανάγκες χτίζονται πάνω από το επίπεδο των βιολογικών αναγκών και η πληροφόρηση γι 'αυτόν δεν είναι μόνο βιολογικά αλλά κοινωνικά σημαντική. Ωστόσο, τα τεχνικά συστήματα μπορούν ακόμα να έχουν ένα ανάλογο της φυσικής οργάνωσης. Το αναπτυγμένο κυβερνητικό σύστημα έχει προσαρτήματα υποδοχέα και τελεστή. Στην πράξη, κάτω από την οροφή του όρου τεχνητή ζωή, μια μεγαλοπρεπής ποικιλία διαφόρων έργων φωλιάζει από τα μοντέλα της αντιγραφής DNA και των συστημάτων ανάδρασης στη μελέτη της συλλογικής σκέψης και της δυναμικής της αύξησης του πληθυσμού.

2. ΦΑΙΝΟΜΕΝΟ ΤΗΣ ΣΚΕΨΗΣ.

Οι μηχανές έχουν ήδη μάθει να συνθέτουν ποιήματα, να συνθέτουν μουσική, να ζωγραφίζουν εικόνες. Μπορεί να φαίνεται σε κάποιον ότι αυτό είναι ένα αναμφισβήτητο σημάδι της λογικότητάς τους. Άλλωστε, αν ένας υπολογιστής είναι διαθέσιμος η δημιουργικότητα, η οποία πάντα θεωρείται ιδιοκτησία υψηλής νοημοσύνης, τότε είναι δίκαιο να το αρνείστε στο μυαλό;

Παρ 'όλα αυτά, οι περισσότεροι από εμάς θα συμφωνήσουν σίγουρα να σκεφτούμε ότι σχεδιάζει και συνθέτει τα ποιήματα. Τι πρέπει να ονομάσουμε τότε; (2)

Είναι δύσκολο για ένα άτομο μακριά από την επιστήμη να φανταστεί πόσα σύγχρονα κυβερνητικά όργανα μπορούν να κάνουν. Αξίζει να αναφερθούν τουλάχιστον τα αποκαλούμενα "συστήματα εμπειρογνωμόνων", τα οποία, με βάση τις πληροφορίες που έχουν στη μνήμη τους, αναλύουν την κατάσταση του ασθενούς, τον τρόπο της τεχνολογικής διαδικασίας, παρέχουν συμβουλές για το πώς να προχωρήσουμε σε μια δεδομένη κατάσταση. Ταυτόχρονα, ο υπολογιστής όχι μόνο κοινοποιεί την απόφασή του, αλλά και εξηγεί γιατί πρέπει να είναι έτσι. Σε σύγκριση με την ηλεκτρονική μνήμη, η έκδοση αρχειακών αναφορών και μαθηματικών υπολογισμών που σήμερα οι περισσότεροι άνθρωποι συνδέονται με την εικόνα ενός υπολογιστή σήμερα, είναι ένα ποιοτικά νέο επίπεδο πνευματικής δραστηριότητας, όταν η νέα γνώση αναπτύσσεται με βάση την υπάρχουσα. Μέχρι τώρα, αυτό θεωρείται το αδιαμφισβήτητο προνόμιο του ανθρώπινου εγκεφάλου. Δεν προκαλεί έκπληξη το γεγονός ότι κάποιος που συναντά πρώτα με τέτοια συστήματα συχνά απλά δεν πιστεύει ότι έχει να κάνει με έναν «σιδερένιο υπολογιστή» και όχι με έναν ανθρώπινο φορέα που κρύβεται κάπου.

Η ικανότητα των υπολογιστών να εκτελούν μαθηματικούς υπολογισμούς, στους οποίους είμαστε συνηθισμένοι, θεωρήθηκε πρόσφατα ως ένα από τα υψηλότερα επίπεδα της ανθρώπινης πνευματικής δραστηριότητας. Πολύπλοκοι αριθμοί με τους οποίους σχεδόν λειτουργεί οποιοσδήποτε ηλεκτρονικός υπολογιστής, ο G. Leibnitz, ο ίδιος ο διάσημος μαθηματικός, ονομάζεται «πνευματικά αμφίβια», μια καταπληκτική «γενιά του πνεύματος του Θεού» και ο συγγραφέας V.Odoevsky στην «ρωσική ομιλία» του έγραψε για την ικανότητά μας να υπολογίζουμε σχετικά με κάποια ακατανόητη, σχεδόν μυστικιστική ιδιότητα: Σε κάθε μαθηματική διαδικασία, αισθανόμαστε πώς κάτι άλλο συνδέεται με την ύπαρξή μας, κάποιον άλλον, ο οποίος εργάζεται, σκέφτεται, υπολογίζει και εν τω μεταξύ η αληθινή μας ύπαρξη σταματά να δράσει, συμμετοχής στη διαδικασία αυτή, όπως και στην περίπτωση των ξένων, περιμένοντας τη δική τους τροφή, δηλαδή, η σχέση που πρέπει να υπάρχει μεταξύ τους και αυτή τη διαδικασία -. και αυτή την άποψη, εμείς δεν βρούμε "

Κάποιος μπορεί να φανταστεί πόσο έκπληκτος θα ήταν ο Odoevsky αν μάθει για την υπολογιστική ισχύ των υπολογιστών μας! Ωστόσο, δεν θεωρούμε ότι σκέφτονται.

Οποιοσδήποτε υπολογιστής, ανεξάρτητα από το πόσο εκπληκτική είναι η «ικανότητά» του να σπουδάσει, λειτουργεί με βάση ένα πρόγραμμα που προετοιμάζεται για αυτό και εισερχόμενα εξωτερικά δεδομένα. Είναι αλήθεια ότι εμείς, οι άνθρωποι, εφαρμόζουμε επίσης ορισμένα προγράμματα δράσης, ειδικά στους πρώτους μήνες της ζωής, όταν η συμπεριφορά μας καθορίζεται σχεδόν εξ ολοκλήρου από το γενετικό πρόγραμμα που είναι εγγενές σε εμάς. Ωστόσο, η θεμελιώδης διαφορά είναι ότι ένα άτομο είναι κίνητρο, δηλ. ανάλογα με ορισμένες συνθήκες, να αλλάξει το πρόγραμμα και να το κάνει έτσι ώστε ανάμεσα στη Sarah και τα νέα προγράμματα να μην υπάρχει συνεχής λογική γέφυρα. Ο τρόπος με τον οποίο συμβαίνει αυτό δεν είναι ακόμα σαφής, υπάρχουν πολλές διαφωνίες και διαφορετικές απόψεις, αλλά αυτό είναι ένα άλλο θέμα, είναι σημαντικό οι σύγχρονοι υπολογιστές να μην έχουν αυτή την ιδιότητα. Τώρα, εάν συνέβαινε ότι κάποιος υπολογιστής που λύνεται, για παράδειγμα, ο ηλεκτρομαγνητισμός και η κβαντική μηχανική, θα συνδυάζουν αυτούς τους δύο κλάδους της επιστήμης και θα εξάγουν τις εξισώσεις της κβαντικής ηλεκτροδυναμικής και στη συνέχεια θα τις χρησιμοποιήσουν για να προβλέψουν νέα φαινόμενα σε αυτήν την άγνωστη περιοχή τότε, μάλλον, θα είχαμε το δικαίωμα να την καλέσουμε. Και πάνω απ 'όλα, επειδή η ίδια, χωρίς κάποια προγραμματική υπόδειξη, αποφάσισε να αναλάβει ένα ποιοτικά νέο καθήκον. Η λέξη "αποφάσισε" σημαίνει μόνο ότι σκέφτεται.

Κάθε πνευματική εργασία είναι μια αναζήτηση ενός τρόπου για την επίτευξη του στόχου, αλλιώς δεν θα είναι λύση στο πρόβλημα, αλλά απλά μια ενέργεια σύμφωνα με συγκεκριμένες οδηγίες.

Όταν λέμε ότι ένας μαθητής λύνει ένα πρόβλημα, αυτό σημαίνει, πρώτα απ 'όλα, ότι πρέπει να καταλάβει ποια φόρμουλα πρέπει να πάρει για αυτό, το οποίο μπορεί να υποκαταστήσει σε αυτό. Αν όμως, κοιτάζοντας το σημειωματάριό του, υποκαταστήσει τους αριθμούς που αναγράφονται εκεί σε μια φόρμα γραμμένη στον πίνακα, αυτό δεν είναι πλέον λύση, αλλά μια μηχανική επανάληψη. Έτσι συμπεριφέρονται οι σύγχρονοι υπολογιστές. Αυστηρά μιλώντας, δεν επιλύουν κανένα πρόβλημα και η έκφραση "Computer solves" που χρησιμοποιείται συχνά από εμάς έχει μια υπό όρους έννοια ...

Η ικανότητα να θέσει ένα έργο και αυτο-πρόγραμμα για να το λύσει - αυτό είναι ακριβώς το κύριο πράγμα που χαρακτηρίζει το φαινόμενο της σκέψης.

Κάποιος μπορεί να υποστηρίξει με αυτή τη δήλωση, σημειώνοντας ότι τόσο τα ψάρια όσο και τα πρωτόγονα αμοιβάσματα που επιδιώκουν τη λεία έχουν επίσης καθιερωθεί καθήκοντα που ποικίλλουν ανάλογα με συγκεκριμένες συνθήκες, πράγμα που σημαίνει ότι σκέφτονται επίσης;

Μπορεί να είναι πρωτόγονες μορφές σκέψης, διότι η εξήγηση της συμπεριφοράς των ζώων σε όλη την ποικιλία των καταστάσεων ζωής με ένα μόνο ένστικτο είναι μια υπόθεση. (2)

Τα ζώα και τα πτηνά είναι εγγενή σε αυτή την ιδιότητα της σκέψης, όπως η δυνατότητα γενίκευσης. Για παράδειγμα, αναγνωρίζουν τα τρόφιμα σε διάφορες συγκεκριμένες μορφές, για παράδειγμα - τρόφιμα εν γένει.

Η συνηθισμένη κατανόησή μας για την ορθολογική είναι πολύ εξανθρωπισμένη και, όπως και τον 19ο αιώνα, η σκέψη της διαδοχικής σύνδεσης μεταξύ ανθρώπου και πονηρού φαινόταν σε πολλούς να είναι γελοία από την ιδέα της δυνατότητας απάνθρωπης νοημοσύνης. Συγκεκριμένα, χωρίς να το παρατηρούμε, συσχετίζουμε συχνά την ιδέα της σκέψης με την ικανότητα να γνωρίζουμε το δικό μας «εγώ» και αυτό μας εμποδίζει να κοιτάξουμε ευρύτερα το φαινόμενο της σκέψης. Είναι αλήθεια ότι η σχέση μεταξύ της σκέψης και της αίσθησης του «εγώ», προφανώς, πραγματικά υπάρχει. Κάποιος μπορεί να σκεφτεί ότι υπό συνθήκες ενός ιδιόμορφα μεταβαλλόμενου εξωτερικού περιβάλλοντος, ένα πολύπλοκο σύστημα θα είναι βιώσιμο μόνο αν έχει την ικανότητα να αισθάνεται την κατάστασή του και αυτή είναι η ουσία του εαυτού μας. Η ανάλυση δείχνει ότι αυτό το συναίσθημα είναι απαραίτητο για πολλά αυτόματα ρομπότ. Μετά από όλα, ένα ρομπότ, και μάλιστα κάθε συγκρότημα αυτοεκπαίδευσης και επικοινωνίας ενεργά με μια μηχανή ανθρώπων, θα πρέπει να τον ενημερώσει για την κατάσταση της μνήμης της, τι καταλαβαίνει και τι όχι και γιατί. Και για αυτό, το αυτοματοποιημένο σύστημα πρέπει να αισθάνεται και να μπορεί να εκφράζει την κατάστασή του. Αυτό είναι απαραίτητο για το ρομπότ και για να εντοπίσει εγκαίρως τα προβλήματα στον "οργανισμό" του. Ένα ρομπότ που δεν γνωρίζει τον εαυτό του δύσκολα μπορεί να επιβιώσει για πολύ καιρό σε ένα περίπλοκο, ταχέως μεταβαλλόμενο και επηρεάζον περιβάλλον.

3. ΔΗΜΙΟΥΡΓΙΑ ΤΕΧΝΗΤΙΚΟΥ ΠΝΕΥΜΑΤΟΣ.

Από τα τέλη της δεκαετίας του 1940, οι επιστήμονες από όλο και μεγαλύτερο αριθμό εργαστηρίων πανεπιστημιακών και βιομηχανικών ερευνών έσπευσαν προς έναν τολμηρό στόχο: οικοδόμηση υπολογιστών που λειτουργούν με τέτοιο τρόπο ώστε να μην μπορούν να διακριθούν από το ανθρώπινο μυαλό από τα αποτελέσματα της δουλειάς τους.

Οι ερευνητές που εργάζονται στον τομέα της τεχνητής νοημοσύνης (AI), ανέμεναν ασυγκίνητα στη δύσκολη δουλειά τους, διαπίστωσαν ότι εισήλθαν στην κρίση με πολύ περίπλοκα προβλήματα πολύ πέρα ​​από την παραδοσιακή επιστήμη των υπολογιστών. Αποδείχθηκε ότι πρώτα απ 'όλα είναι απαραίτητο να κατανοήσουμε τους μηχανισμούς της μαθησιακής διαδικασίας, τη φύση της γλώσσας και την αισθητηριακή αντίληψη. Αποδείχθηκε ότι για να δημιουργηθούν μηχανές που μιμούνται το έργο του ανθρώπινου εγκεφάλου, είναι απαραίτητο να καταλάβουμε πώς δρουν δισεκατομμύρια των διασυνδεδεμένων νευρώνων του. Και έπειτα πολλοί ερευνητές κατέληξαν στο συμπέρασμα ότι ίσως το πιο δύσκολο πρόβλημα που αντιμετωπίζει η σύγχρονη επιστήμη είναι η γνώση της λειτουργίας του ανθρώπινου νου και όχι απλώς απομίμηση του έργου του. Τι επηρέασε άμεσα τα θεμελιώδη θεωρητικά προβλήματα της ψυχολογικής επιστήμης. Στην πραγματικότητα, είναι δύσκολο για τους επιστήμονες να φτάσουν σε μια ενιαία οπτική γωνία σχετικά με το ίδιο το θέμα της ερευνητικής - νοημοσύνης τους. Εδώ, όπως και στην παραβολή των τυφλών, που προσπάθησε να περιγράψει έναν ελέφαντα, προσπαθεί να συμμορφωθεί με τον αγαπημένο του ορισμό.

Εκεί όπου μίλησε για έναν από τους στόχους του, που οδήγησαν στο επάγγελμα - την επιθυμία να γνωρίσουμε την αρχή της εργασίας και να μάθουμε πώς να δημιουργήσουμε τον εαυτό μου το παιχνίδι.

Αλλά πραγματικά, ήταν η επιθυμία να δημιουργηθεί τέλεια τεχνητή νοημοσύνη, είτε πρόκειται για μοντέλο παιχνιδιού είτε για κινητό πρόγραμμα, που οδήγησε πολλούς από εμάς στο δρόμο του προγραμματιστή. Το πρόβλημα είναι ότι πίσω από τους τόνους του εκπαιδευτικού υλικού και την σκληρή πραγματικότητα των πελατών, αυτή η ίδια η επιθυμία αντικαταστάθηκε από μια απλή επιθυμία για αυτο-ανάπτυξη. Για εκείνους που δεν έχουν ξεκινήσει την εκπλήρωση ενός παιδικού ονείρου, τότε ένας σύντομος οδηγός για τη δημιουργία μιας πραγματικής τεχνητής νοημοσύνης.

Στάδιο 1. Απογοήτευση

Όταν μιλάμε για τη δημιουργία τουλάχιστον απλών bots, τα μάτια γεμίζουν με λαμπρότητα και εκατοντάδες ιδέες αναβοσβήνουν στο μυαλό μου που πρέπει να είναι σε θέση να κάνουν. Ωστόσο, όταν πρόκειται για την εφαρμογή, αποδεικνύεται ότι το κλειδί για ένα πραγματικό μοντέλο συμπεριφοράς είναι ... τα μαθηματικά. Για να είναι λίγο πιο συγκεκριμένο, εδώ είναι ένας κατάλογος των τμημάτων του που πρέπει να μελετηθούν τουλάχιστον με τη μορφή πανεπιστημιακής εκπαίδευσης:

Γραμμική άλγεβρα.

• Θεωρία γραφημάτων.

  Θεωρία πιθανοτήτων και μαθηματικές στατιστικές.

Αυτό είναι το επιστημονικό εφαλτήριο για το οποίο θα κατασκευαστεί ο περαιτέρω προγραμματισμός σας. Χωρίς γνώση και κατανόηση αυτής της θεωρίας, όλες οι ιδέες θα σπάσουν γρήγορα για την αλληλεπίδραση με ένα άτομο, γιατί η τεχνητή νοημοσύνη δεν είναι στην πραγματικότητα απλά μια σειρά τύπων.

Στάδιο 2. Υιοθέτηση

Όταν η αλαζονεία είναι λίγο χτυπημένη από τη φοιτητική λογοτεχνία, μπορείτε να αρχίσετε να μαθαίνετε γλώσσες. Το ρίψη σε LISP ή σε άλλους δεν αξίζει ακόμα, πρώτα θα πρέπει να μάθετε πώς να εργάζεστε με μεταβλητές και αδιαμφισβήτητες καταστάσεις. Όσον αφορά μια γρήγορη μελέτη, και η περαιτέρω ανάπτυξη είναι τέλεια, αλλά γενικά, μπορείτε να λάβετε ως βάση κάθε γλώσσα που έχει τις κατάλληλες βιβλιοθήκες.

Στάδιο 3. Ανάπτυξη

Τώρα ερχόμαστε άμεσα στη θεωρία του AI. Μπορούν να χωριστούν σε 3 κατηγορίες:

Αδύναμα AI - bots, τα οποία βλέπουμε στα παιχνίδια των υπολογιστών, ή απλοί βοηθοί βοηθοί, όπως ο Siri. Εκτελούν είτε εξειδικευμένα καθήκοντα είτε είναι ένα ασήμαντο σύνολο αυτών και οποιαδήποτε απρόβλεπτη αλληλεπίδραση τους θέτει σε ακινησία.

Οι ισχυροί AI είναι μηχανές των οποίων η νοημοσύνη είναι συγκρίσιμη με τον ανθρώπινο εγκέφαλο. Μέχρι σήμερα, δεν υπάρχουν πραγματικοί εκπρόσωποι αυτής της κατηγορίας, αλλά υπολογιστές όπως ο Watson είναι πολύ κοντά στην επίτευξη αυτού του στόχου.

Perfect AI - το μέλλον, τον εγκέφαλο του μηχανήματος, που θα υπερβεί τις δυνατότητές μας. Πρόκειται για τους κινδύνους τέτοιων εξελίξεων που προειδοποιούν το Stephen Hokking, το Elon Musk και το franchise ταινιών Terminator.

Φυσικά, θα πρέπει να ξεκινήσετε με τα πιο απλά bots. Για να το κάνετε αυτό, θυμηθείτε το καλό παλιό παιχνίδι "Tic-tac-toe" όταν χρησιμοποιείτε το πεδίο 3x3 και προσπαθήστε να υπολογίσετε μόνοι σας τους βασικούς αλγόριθμους δράσης: την πιθανότητα νίκης με αδιαμφισβήτητες ενέργειες, τις πιο επιτυχημένες θέσεις στο πεδίο για την τοποθέτηση της φιγούρας, την ανάγκη να μειωθεί το παιχνίδι σε ισοπαλία κ.ο.κ.

Όπως καταλαβαίνετε ακόμη και από τα ονόματα, αυτά είναι API που σας επιτρέπουν να δημιουργήσετε κάποια εμφάνιση σοβαρού AI χωρίς να σπαταλάτε χρόνο.

Στάδιο 5. Εργασία

Τώρα, όταν είστε ήδη αρκετά σαφής για το πώς να δημιουργήσετε AI και πώς να το χρησιμοποιήσετε, ήρθε η ώρα να πάρετε τις γνώσεις σας σε ένα νέο επίπεδο. Πρώτον, αυτό θα απαιτήσει τη μελέτη της πειθαρχίας, η οποία αποκαλείται "μηχανική μάθηση". Δεύτερον, είναι απαραίτητο να μάθουμε πώς να συνεργαζόμαστε με τις κατάλληλες βιβλιοθήκες της επιλεγμένης γλώσσας προγραμματισμού. Για το Python εξετάζουμε, αυτό είναι Scikit-learn, NLTK, SciPy, PyBrain και Nump. Τρίτον, η ανάπτυξη δεν θα κάνει οπουδήποτε

Πώς συνέβη το γεγονός ότι η τεχνητή νοημοσύνη αναπτύσσεται με επιτυχία, αλλά δεν υπάρχει ακόμη ορισμός για αυτό; Γιατί δεν πραγματοποιήθηκαν οι ελπίδες για νευροϋπολογιστές και ποια είναι τα τρία βασικά καθήκοντα που αντιμετωπίζει ο δημιουργός της τεχνητής νοημοσύνης;

Θα βρείτε την απάντηση σε αυτές και άλλες ερωτήσεις στο άρθρο της περικοπής, το οποίο γράφτηκε με βάση την ομιλία του Konstantin Anisimovich, διευθυντή του τμήματος ανάπτυξης τεχνολογίας της ABBYY, ενός από τους κορυφαίους εμπειρογνώμονες της χώρας στον τομέα της τεχνητής νοημοσύνης.
  Με την προσωπική του συμμετοχή δημιουργήθηκαν τεχνολογίες αναγνώρισης εγγράφων που χρησιμοποιούνται στα προϊόντα ABBYY FineReader και ABBYY FormReader. Ο Κωνσταντίνος μίλησε για την ιστορία και τα βασικά της ανάπτυξης του AI σε μία από τις μάστερ μαθήματα για φοιτητές στο Technopark Mail.Ru. Υλικό master class και έγινε η βάση για μια σειρά άρθρων.

Συνολικά, θα υπάρχουν τρεις θέσεις στον κύκλο:
Τεχνητή Νοημοσύνη για Προγραμματιστές

   Απόκτηση γνώσης: μηχανική γνώσης και μηχανική μάθηση

Τα σκαμπανεβάσματα των προσεγγίσεων στο AI

  Από τη δεκαετία του 1950 εμφανίστηκαν δύο προσεγγίσεις στον τομέα της δημιουργίας τεχνητής νοημοσύνης - συμβολικών υπολογισμών και συνδέσμου. Ο συμβολικός υπολογισμός είναι μια κατεύθυνση που βασίζεται στη μοντελοποίηση της σκέψης ενός ατόμου, και ο συνδεσιμισμός είναι στη μοντελοποίηση μιας συσκευής εγκεφάλου.

Τα πρώτα επιτεύγματα στον τομέα των συμβολικών υπολογισμών ήταν η γλώσσα Lisp που δημιουργήθηκε στη δεκαετία του '50 και το έργο του J. Robinson στο πεδίο των λογικών συμπερασμάτων. Στον συνδέσμο, αυτό ήταν η δημιουργία ενός perceptron - ένας αυτοδιδασκαλούμενος γραμμικός ταξινομητής που μιμείται το έργο ενός νευρώνα. Τα περαιτέρω φωτεινά επιτεύγματα ήταν κυρίως σύμφωνα με το συμβολικό παράδειγμα. Συγκεκριμένα, πρόκειται για έργα του Seymour Pipert και του Robert Anton Winson στον τομέα της ψυχολογίας της αντίληψης και, φυσικά, των πλαισίων του Marvin Minsky.

Στη δεκαετία του '70, εμφανίστηκαν τα πρώτα εφαρμοσμένα συστήματα που χρησιμοποιούν στοιχεία της τεχνητής νοημοσύνης - συστήματα εμπειρογνωμόνων. Ακολούθησε μια αναγέννηση του συνδέσμου με την εμφάνιση των πολλαπλών στρωμάτων νευρωνικών δικτύων και τον αλγόριθμο της μάθησης τους με τη μέθοδο της διάδοσης των οπών. Στη δεκαετία του '80, η γοητεία των νευρωνικών δικτύων ήταν απλώς γενική. Οι υποστηρικτές αυτής της προσέγγισης υποσχέθηκαν να δημιουργήσουν νευροϋπολογιστές που θα λειτουργούσαν σχεδόν σαν ανθρώπινος εγκέφαλος.

Αλλά τίποτα το ξεκίνησε, επειδή οι πραγματικοί νευρώνες είναι πολύ πιο περίπλοκοι από τους επίσημους, πάνω στους οποίους βασίζονται τα πολυεπίπεδα νευρωνικά δίκτυα. Και ο αριθμός των νευρώνων στον ανθρώπινο εγκέφαλο είναι επίσης πολύ περισσότερο από ό, τι θα μπορούσατε να αντέξετε οικονομικά σε ένα νευρικό δίκτυο. Το κύριο πράγμα για το οποίο τα πολυεπίπεδα νευρωνικά δίκτυα αποδείχθηκαν κατάλληλα είναι η λύση στο πρόβλημα της ταξινόμησης.

Το επόμενο δημοφιλές πρότυπο στον τομέα της τεχνητής νοημοσύνης ήταν η μηχανική μάθηση. Η προσέγγιση άρχισε να ανθίζει από τα τέλη της δεκαετίας του '80 και δεν χάνει τη δημοτικότητα μέχρι σήμερα. Σημαντική ώθηση στην ανάπτυξη της μηχανικής μάθησης έδωσε την εμφάνιση του Διαδικτύου και ένα μεγάλο αριθμό διαφορετικών, εύκολα προσβάσιμων δεδομένων που μπορούν να χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων.

Τα κύρια καθήκοντα στο σχεδιασμό της τεχνητής νοημοσύνης

  Μπορείτε να αναλύσετε τι ενώνει τα καθήκοντα που σχετίζονται με την τεχνητή νοημοσύνη. Είναι εύκολο να δούμε ότι το κοινό πράγμα σε αυτές είναι η απουσία μιας πολύ γνωστής, σαφώς καθορισμένης διαδικασίας λήψης αποφάσεων. Αυτό, στην πραγματικότητα, τα καθήκοντα που σχετίζονται με το AI διαφέρουν από τα καθήκοντα της θεωρίας της σύνταξης ή των υπολογιστικών μαθηματικών. Τα πνευματικά συστήματα αναζητούν υποβέλτιστες λύσεις στο πρόβλημα. Δεν μπορείτε ούτε να αποδείξετε ούτε να εγγυηθείτε ότι η λύση που εντοπίζεται από την τεχνητή νοημοσύνη θα είναι αυστηρά βέλτιστη. Ωστόσο, στα περισσότερα πρακτικά προβλήματα, οι μη βέλτιστες λύσεις ταιριάζουν σε όλους. Επιπλέον, πρέπει να θυμόμαστε ότι ένα άτομο σχεδόν ποτέ δεν λύνει το πρόβλημα βέλτιστα. Μάλλον το αντίθετο.

Ανακύπτει μια πολύ σημαντική ερώτηση: πώς μπορεί να λύσει το AI ένα πρόβλημα για το οποίο δεν υπάρχει αλγόριθμος λύσης; Το σημείο είναι να το κάνουμε με τον ίδιο τρόπο που κάνει κάποιος - να προβάλλει και να δοκιμάζει εύλογες υποθέσεις. Φυσικά, η γνώση και η γνώση είναι απαραίτητες για την υποβολή και την εξέταση υποθέσεων.

Η γνώση είναι η περιγραφή του τομέα στον οποίο λειτουργεί το έξυπνο σύστημα. Εάν αντιμετωπίσουμε το σύστημα αναγνώρισης συμβόλων μιας φυσικής γλώσσας, τότε η γνώση περιλαμβάνει περιγραφές της δομής των συμβόλων, της δομής του κειμένου και ορισμένων ιδιοτήτων της γλώσσας. Εάν πρόκειται για σύστημα αξιολόγησης πιστοληπτικής ικανότητας ενός πελάτη, πρέπει να έχει γνώση των τύπων πελατών και γνώση του τρόπου με τον οποίο το προφίλ του πελάτη σχετίζεται με την ενδεχόμενη αφερεγγυότητα του. Υπάρχουν δύο τύποι γνώσεων - σχετικά με το θέμα και σχετικά με την εξεύρεση λύσεων (μεταγνώση).

Τα κύρια καθήκοντα σχεδιασμού ενός πνευματικού συστήματος περιορίζονται στην επιλογή τρόπων παρουσίασης της γνώσης, τρόπων απόκτησης γνώσης και τρόπων εφαρμογής της γνώσης.

Εκπροσώπηση γνώσης

  Υπάρχουν δύο βασικοί τρόποι εκπροσώπησης της γνώσης - δήλωσης και διαδικασίας. Δηλωτική γνώση  μπορεί να παρουσιαστεί σε δομημένη ή αδόμητη μορφή. Οι δομημένες απόψεις είναι ένα ή άλλο είδος πλαιστικής προσέγγισης. Σημασιολογικά δίκτυα ή επίσημες γραμματικές, οι οποίες μπορούν επίσης να θεωρηθούν παραλλαγές πλαισίων. Η γνώση σε αυτούς τους φορμαλισμούς αντιπροσωπεύεται ως σύνολο αντικειμένων και σχέσεων μεταξύ τους.

  Οι αδόμητες αναπαραστάσεις χρησιμοποιούνται συνήθως σε εκείνες τις περιοχές που σχετίζονται με το πρόβλημα της ταξινόμησης. Αυτά είναι συνήθως φορείς των βαρών, των πιθανοτήτων και των συναφών.

Σχεδόν όλες οι μέθοδοι δομημένης εκπροσώπησης της γνώσης βασίζονται στον φορμαλισμό των πλαισίων που ο Μάρβιν Μίνσκυ του ΜΙΤ εισήγαγε στη δεκαετία του 1970 για να ορίσει μια δομή γνώσης για την αντίληψη των χωρικών σκηνών. Όπως αποδείχθηκε, αυτή η προσέγγιση είναι κατάλληλη για σχεδόν κάθε εργασία.

Το πλαίσιο αποτελείται από ένα όνομα και μεμονωμένες μονάδες, που ονομάζονται υποδοχές. Η τιμή της υποδοχής μπορεί, με τη σειρά της, να είναι μια σύνδεση με ένα άλλο πλαίσιο ... Το πλαίσιο μπορεί να είναι απόγονος ενός άλλου πλαισίου, κληρονομώντας από αυτό τις τιμές των slots. Σε αυτή την περίπτωση, το παιδί μπορεί να παρακάμψει τις τιμές των slots του προγόνου και να προσθέσει νέες. Η κληρονομιά χρησιμοποιείται για να καταστήσει την περιγραφή πιο συμπαγή και για να αποφευχθεί η επικάλυψη.

Είναι εύκολο να δούμε ότι υπάρχει ομοιότητα μεταξύ πλαισίων και αντικειμενοστρεφούς προγραμματισμού, όπου το πλαίσιο αντιστοιχεί στο αντικείμενο και η σχισμή αντιστοιχεί στο πεδίο. Αυτή η ομοιότητα δεν είναι τυχαία, επειδή τα πλαίσια ήταν μία από τις πηγές του OOP. Συγκεκριμένα, μία από τις πρώτες αντικειμενοστρεφείς γλώσσες, Μικρή Συζήτηση, υλοποίησε σχεδόν αντικειμενικά αναπαραστάσεις πλαισίων αντικειμένων και τάξεων.

Γιατί διαδικαστική άποψη χρησιμοποιούνται προϊόντα γνώσης ή κανόνες παραγωγής. Ένα μοντέλο παραγωγής είναι ένα μοντέλο που βασίζεται σε κανόνες που επιτρέπουν τη γνώση να παρουσιάζεται με τη μορφή προτάσεων "condition-action". Αυτή η προσέγγιση έγινε δημοφιλής σε διάφορα διαγνωστικά συστήματα. Είναι φυσικό να περιγράφονται τα συμπτώματα, τα προβλήματα ή οι δυσλειτουργίες με τη μορφή μιας κατάστασης και μια πιθανή δυσλειτουργία που οδηγεί στην παρουσία αυτών των συμπτωμάτων με τη μορφή δράσης.

Στο επόμενο άρθρο θα μιλήσουμε για τον τρόπο εφαρμογής της γνώσης.

Αναφορές.

1. Τζον Άλαν Ρόμπινσον. Μια λογική με γνώμονα το μηχάνημα βασισμένη στην αρχή της επίλυσης. Επικοινωνίες του ACM, 5: 23-41, 1965.
2. Seymour Papert, Μάρβιν Μίνσκι. Perceptrons. MIT Press, 1969
3. Russell, Norvig. Τεχνητή νοημοσύνη: μια σύγχρονη προσέγγιση.
4. Simon Haykin. Νευρωνικά δίκτυα: ένα ολοκληρωμένο ίδρυμα.
5. Nils J. Nilsson. Τεχνητή νοημοσύνη: μια νέα σύνθεση.