анлийский. Контрольная работа Иностранный язык (английский) по дисциплине
 Скачать 55.01 Kb.
|
Original source https://builtin.com/artificial-intelligence Первоисточник https://builtin.com/artificial-intelligence Abstract The article is devoted to artificial intelligence. The article describes the history of the development of artificial intelligence technology and the prospects for its application in the future. The article contains examples of already existing intelligent systems. This article will be useful for those who are interested in intelligent machines, who want to always be aware of developments in this field. Аннотация Статья посвящена искусственному интеллекту. В статье рассказывается об истории развития технологии искусственного интеллекта и перспективе её применения в будущем. Статья содержит примеры уже существующих интеллектуальных систем. Эта статья будет полезна тем, кто интересуется интеллектуальными машинами, кто хочет всегда быть в курсе событий в данной сфере. What is Artificial Intelligence (AI)? Less than a decade after breaking the Nazi encryption machine Enigma and helping the Allied Forces win World War II, mathematician Alan Turing changed history a second time with a simple question: "Can machines think?" Turing's paper "Computing Machinery and Intelligence" (1950), and it's subsequent Turing Test, established the fundamental goal and vision of artificial intelligence. At it's core, AI is the branch of computer science that aims to answer Turing's question in the affirmative. It is the endeavor to replicate or simulate human intelligence in machines. The expansive goal of artificial intelligence has given rise to many questions and debates. So much so, that no singular definition of the field is universally accepted. The major limitation in defining AI as simply "building machines that are intelligent" is that it doesn't actually explain what artificial intelligence is? What makes a machine intelligent? In their groundbreaking textbook Artificial Intelligence: A Modern Approach, authors Stuart Russell and Peter Norvig approach the question by unifying their work around the theme of intelligent agents in machines. With this in mind, AI is "the study of agents that receive percepts from the environment and perform actions." (Russel and Norvig) Norvig and Russell go on to explore four different approaches that have historically defined the field of AI: Thinking humanly Thinking rationally Acting humanly Acting rationally The first two ideas concern thought processes and reasoning, while the others deal with behavior. Norvig and Russell focus particularly on rational agents that act to achieve the best outcome, noting "all the skills needed for the Turing Test also allow an agent to act rationally." (Russel and Norvig). Patrick Winston, the Ford professor of artificial intelligence and computer science at MIT, defines AI as "algorithms enabled by constraints, exposed by representations that support models targeted at loops that tie thinking, perception and action together." While these definitions may seem abstract to the average person, they help focus the field as an area of computer science and provide a blueprint for infusing machines and programs with machine learning and other subsets of artificial intelligence. While addressing a crowd at the Japan AI Experience in 2017, DataRobot CEO Jeremy Achin began his speech by offering the following definition of how AI is used today: "AI is a computer system able to perform tasks that ordinarily require human intelligence... Many of these artificial intelligence systems are powered by machine learning, some of them are powered by deep learning and some of them are powered by very boring things like rules." HOW IS AI USED? Artificial intelligence generally falls under two broad categories: Narrow AI: Sometimes referred to as "Weak AI," this kind of artificial intelligence operates within a limited context and is a simulation of human intelligence. Narrow AI is often focused on performing a single task extremely well and while these machines may seem intelligent, they are operating under far more constraints and limitations than even the most basic human intelligence. Artificial General Intelligence (AGI): AGI, sometimes referred to as "Strong AI," is the kind of artificial intelligence we see in the movies, like the robots from Westworld or Data from Star Trek: The Next Generation. AGI is a machine with general intelligence and, much like a human being, it can apply that intelligence to solve any problem. ARTIFICIAL INTELLIGENCE EXAMPLES Smart assistants (like Siri and Alexa) Disease mapping and prediction tools Manufacturing and drone robots Optimized, personalized healthcare treatment recommendations Conversational bots for marketing and customer service Robo-advisors for stock trading Spam filters on email Social media monitoring tools for dangerous content or false news Song or TV show recommendations from Spotify and Netflix Narrow Artificial Intelligence Narrow AI is all around us and is easily the most successful realization of artificial intelligence to date. With its focus on performing specific tasks, Narrow AI has experienced numerous breakthroughs in the last decade that have had "significant societal benefits and have contributed to the economic vitality of the nation," according to "Preparing for the Future of Artificial Intelligence," a 2016 report released by the Obama Administration. A few examples of Narrow AI include: Google search Image recognition software Siri, Alexa and other personal assistants Self-driving cars IBM's Watson Machine Learning & Deep Learning Much of Narrow AI is powered by breakthroughs in machine learning and deep learning. Understanding the difference between artificial intelligence, machine learning and deep learning can be confusing. Venture capitalist Frank Chen provides a good overview of how to distinguish between them, noting: "Artificial intelligence is a set of algorithms and intelligence to try to mimic human intelligence. Machine learning is one of them, and deep learning is one of those machine learning techniques." Simply put, machine learning feeds a computer data and uses statistical techniques to help it "learn" how to get progressively better at a task, without having been specifically programmed for that task, eliminating the need for millions of lines of written code. Machine learning consists of both supervised learning (using labeled data sets) and unsupervised learning (using unlabeled data sets). Deep learning is a type of machine learning that runs inputs through a biologically-inspired neural network architecture. The neural networks contain a number of hidden layers through which the data is processed, allowing the machine to go "deep" in its learning, making connections and weighting input for the best results. Artificial General Intelligence The creation of a machine with human-level intelligence that can be applied to any task is the Holy Grail for many AI researchers, but the quest for AGI has been fraught with difficulty. The search for a "universal algorithm for learning and acting in any environment," (Russel and Norvig) isn't new, but time hasn't eased the difficulty of essentially creating a machine with a full set of cognitive abilities. AGI has long been the muse of dystopian science fiction, in which super-intelligent robots overrun humanity, but experts agree it's not something we need to worry about anytime soon. HISTORY OF AI Intelligent robots and artificial beings first appeared in the ancient Greek myths of Antiquity. Aristotle's development of the syllogism and it's use of deductive reasoning was a key moment in mankind's quest to understand its own intelligence. While the roots are long and deep, the history of artificial intelligence as we think of it today spans less than a century. The following is a quick look at some of the most important events in AI. 1943 Warren McCullough and Walter Pitts publish "A Logical Calculus of Ideas Immanent in Nervous Activity." The paper proposed the first mathematic model for building a neural network. 1949 In his book The Organization of Behavior: A Neuropsychological Theory, Donald Hebb proposes the theory that neural pathways are created from experiences and that connections between neurons become stronger the more frequently they're used. Hebbian learning continues to be an important model in AI. 1950 Alan Turing publishes "Computing Machinery and Intelligence, proposing what is now known as the Turing Test, a method for determining if a machine is intelligent. Harvard undergraduates Marvin Minsky and Dean Edmonds build SNARC, the first neural network computer. Claude Shannon publishes the paper "Programming a Computer for Playing Chess." Isaac Asimov publishes the "Three Laws of Robotics." 1952 Arthur Samuel develops a self-learning program to play checkers. 1954 The Georgetown-IBM machine translation experiment automatically translates 60 carefully selected Russian sentences into English. 1956 The phrase artificial intelligence is coined at the "Dartmouth Summer Research Project on Artificial Intelligence." Led by John McCarthy, the conference, which defined the scope and goals of AI, is widely considered to be the birth of artificial intelligence as we know it today. Allen Newell and Herbert Simon demonstrate Logic Theorist (LT), the first reasoning program. 1958 John McCarthy develops the AI programming language Lisp and publishes the paper "Programs with Common Sense." The paper proposed the hypothetical Advice Taker, a complete AI system with the ability to learn from experience as effectively as humans do. 1959 Allen Newell, Herbert Simon and J.C. Shaw develop the General Problem Solver (GPS), a program designed to imitate human problem-solving. Herbert Gelernter develops the Geometry Theorem Prover program. Arthur Samuel coins the term machine learning while at IBM. John McCarthy and Marvin Minsky found the MIT Artificial Intelligence Project. 1963 John McCarthy starts the AI Lab at Stanford. 1966 The Automatic Language Processing Advisory Committee (ALPAC) report by the U.S. government details the lack of progress in machine translations research, a major Cold War initiative with the promise of automatic and instantaneous translation of Russian. The ALPAC report leads to the cancellation of all government-funded MT projects. 1969 The first successful expert systems are developed in DENDRAL, a XX program, and MYCIN, designed to diagnose blood infections, are created at Stanford. 1972 The logic programming language PROLOG is created. 1973 The "Lighthill Report," detailing the disappointments in AI research, is released by the British government and leads to severe cuts in funding for artificial intelligence projects. 1974-1980 Frustration with the progress of AI development leads to major DARPA cutbacks in academic grants. Combined with the earlier ALPAC report and the previous year's "Lighthill Report," artificial intelligence funding dries up and research stalls. This period is known as the "First AI Winter." 1980 Digital Equipment Corporations develops R1 (also known as XCON), the first successful commercial expert system. Designed to configure orders for new computer systems, R1 kicks off an investment boom in expert systems that will last for much of the decade, effectively ending the first "AI Winter." 1982 Japan's Ministry of International Trade and Industry launches the ambitious Fifth Generation Computer Systems project. The goal of FGCS is to develop supercomputer-like performance and a platform for AI development. 1983 In response to Japan's FGCS, the U.S. government launches the Strategic Computing Initiative to provide DARPA funded research in advanced computing and artificial intelligence. 1985 Companies are spending more than a billion dollars a year on expert systems and an entire industry known as the Lisp machine market springs up to support them. Companies like Symbolics and Lisp Machines Inc. build specialized computers to run on the AI programming language Lisp. 1987-1993 As computing technology improved, cheaper alternatives emerged and the Lisp machine market collapsed in 1987, ushering in the "Second AI Winter." During this period, expert systems proved too expensive to maintain and update, eventually falling out of favor. Japan terminates the FGCS project in 1992, citing failure in meeting the ambitious goals outlined a decade earlier. DARPA ends the Strategic Computing Initiative in 1993 after spending nearly $1 billion and falling far short of expectations. 1991 U.S. forces deploy DART, an automated logistics planning and scheduling tool, during the Gulf War. 1997 IBM's Deep Blue beats world chess champion Gary Kasparov 2005 STANLEY, a self-driving car, wins the DARPA Grand Challenge. The U.S. military begins investing in autonomous robots like Boston Dynamic's "Big Dog" and iRobot's "PackBot." 2008 Google makes breakthroughs in speech recognition and introduces the feature in its iPhone app. 2011 IBM's Watson trounces the competition on Jeopardy!. 2012 Andrew Ng, founder of the Google Brain Deep Learning project, feeds a neural network using deep learning algorithms 10 million YouTube videos as a training set. The neural network learned to recognize a cat without being told what a cat is, ushering in breakthrough era for neural networks and deep learning funding. 2014 Google makes first self-driving car to pass a state driving test. 2016 Google DeepMind's AlphaGo defeats world champion Go player Lee Sedol. The complexity of the ancient Chinese game was seen as a major hurdle to clear in AI. Что такое Искусственный интеллект (ИИ)? Менее чем через десять лет после взлома нацистской шифровальной машины "Энигма" и помощи союзным войскам во Второй мировой войне математик Алан Тьюринг во второй раз изменил историю простым вопросом: "Могут ли машины думать?" Статья Тьюринга "Вычислительная техника и интеллект" (1950) и последующий тест Тьюринга установили фундаментальную цель и видение искусственного интеллекта. По своей сути ИИ-это отрасль компьютерных наук, которая стремится ответить на вопрос Тьюринга утвердительно. Это попытка воспроизвести или смоделировать человеческий интеллект в машинах. Обширная цель искусственного интеллекта породила множество вопросов и дебатов. Настолько, что ни одно единичное определение этой области не является общепринятым. Основное ограничение в определении ИИ как простого "создания интеллектуальных машин" заключается в том, что он на самом деле не объясняет, что такое искусственный интеллект? Что делает машину разумной? В своем новаторском учебнике "Искусственный интеллект: современный подход" авторы Стюарт Рассел и Питер Норвиг подходят к этому вопросу, объединяя свою работу вокруг темы интеллектуальных агентов в машинах. Имея это в виду, ИИ-это "обучение агентов, которые воспринимают окружающую среду и выполняют действия." (Рассел и Норвиг) Норвиг и Рассел продолжают исследовать четыре различных подхода, которые исторически определили область ИИ:: Мыслить по-человечески Рациональное мышление Действовать по-человечески Действовать рационально Первые две идеи касаются мыслительных процессов и рассуждений, в то время как другие касаются поведения. Норвиг и Рассел уделяют особое внимание рациональным агентам, которые действуют для достижения наилучшего результата, отмечая, что "все навыки, необходимые для теста Тьюринга, также позволяют агенту действовать рационально." (Рассел и Норвиг). Патрик Уинстон, профессор Форда по искусственному интеллекту и информатике в Массачусетском технологическом институте, определяет ИИ как "алгоритмы, основанные на ограничениях, выставленные представлениями, которые поддерживают модели, нацеленные на циклы, которые связывают мышление, восприятие и действие вместе." Хотя эти определения могут показаться абстрактными для обычного человека, они помогают сфокусировать область как область компьютерных наук и дают план для внедрения машин и программ с машинным обучением и другими подмножествами искусственного интеллекта. Выступая перед аудиторией на выставке Japan AI Experience в 2017 году, генеральный директор DataRobot Джереми Ачин начал свое выступление со следующего определения того, как ИИ используется сегодня: "ИИ-это компьютерная система, способная выполнять задачи, которые обычно требуют человеческого интеллекта... Многие из этих систем искусственного интеллекта основаны на машинном обучении, некоторые из них основаны на глубоком обучении, а некоторые из них основаны на очень скучных вещах, таких как правила." КАК ИСПОЛЬЗУЕТСЯ ИИ? Искусственный интеллект обычно подпадает под две широкие категории: Узкий ИИ: Иногда называемый "Слабым ИИ", этот вид искусственного интеллекта работает в ограниченном контексте и является симуляцией человеческого интеллекта. Узкий ИИ часто фокусируется на выполнении одной задачи чрезвычайно хорошо, и хотя эти машины могут казаться интеллектуальными, они работают в гораздо больших ограничениях, чем даже самый простой человеческий интеллект. Искусственный общий интеллект (ИОИ): ИИ, иногда называемый "Сильным ИИ", - это вид искусственного интеллекта, который мы видим в фильмах, таких как роботы из Западного мира или Дейта из "Звездного пути: Следующее поколение". ИОИ - это машина с общим интеллектом, и, как и человек, она может применить этот интеллект для решения любой проблемы. ПРИМЕРЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Умные помощники (такие как Siri и Alexa) Инструменты отображения и прогнозирования заболеваний Производство и беспилотные роботы Оптимизированные, персонализированные рекомендации по медицинскому лечению Разговорные боты для маркетинга и обслуживания клиентов Робо-советники для торговли акциями Фильтры спама по электронной почте Инструменты мониторинга социальных сетей на предмет опасного контента или ложных новостей Рекомендации по песням или телешоу от Spotify и Netflix Узкий Искусственный Интеллект Узкий ИИ повсюду вокруг нас и, несомненно, является самой успешной реализацией искусственного интеллекта на сегодняшний день. Сосредоточившись на выполнении конкретных задач, узкий ИИ за последнее десятилетие пережил многочисленные прорывы, которые принесли "значительные социальные выгоды и способствовали экономической жизнеспособности нации", согласно "Подготовке к будущему искусственного интеллекта", отчету за 2016 год, опубликованному администрацией Обамы. Несколько примеров узкого ИИ включают в себя: Поиск в Google Программное обеспечение для распознавания изображений Сири, Алекса и другие личные помощники Самоуправляемые автомобили IBM Watson Машинное обучение и глубокое обучение Большая часть узкого ИИ основана на прорывах в машинном обучении и глубоком обучении. Понимание разницы между искусственным интеллектом, машинным обучением и глубоким обучением может привести к путанице. Венчурный капиталист Фрэнк Чен дает хороший обзор того, как их различать, отмечая: "Искусственный интеллект-это набор алгоритмов и интеллекта, которые пытаются имитировать человеческий интеллект. Машинное обучение-один из них, и глубокое обучение - один из тех методов машинного обучения." Проще говоря, машинное обучение питает компьютер данными и использует статистические методы, чтобы помочь ему "узнать", как постепенно улучшить выполнение задачи, не будучи специально запрограммированным для этой задачи, устраняя необходимость в миллионах строк письменного кода. Машинное обучение состоит как из контролируемого обучения (с использованием маркированных наборов данных), так и из неконтролируемого обучения (с использованием немаркированных наборов данных). Глубокое обучение-это тип машинного обучения, который запускает входные данные через биологически вдохновленную архитектуру нейронной сети. Нейронные сети содержат ряд скрытых слоев, через которые обрабатываются данные, что позволяет машине "углубляться" в свое обучение, устанавливая связи и взвешивая входные данные для достижения наилучших результатов. Искусственный общий интеллект Создание машины с интеллектом человеческого уровня, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиск ИИ был сопряжен с трудностями. Поиск "универсального алгоритма для обучения и действий в любой среде" (Рассел и Норвиг) не является новым, но время не уменьшило трудности создания машины с полным набором когнитивных способностей. ИОИ уже давно стала музой антиутопической научной фантастики, в которой сверхразумные роботы наводняют человечество, но эксперты сходятся во мнении, что в ближайшее время нам не о чем беспокоиться. ИСТОРИЯ ИИ Разумные роботы и искусственные существа впервые появились в древнегреческих мифах. Развитие Аристотелем силлогизма и его использование дедуктивных рассуждений было ключевым моментом в стремлении человечества понять свой собственный интеллект. Хотя корни этого явления длинны и глубоки, история искусственного интеллекта в том виде, в каком мы думаем о нем сегодня, насчитывает менее столетия. Ниже приведен краткий обзор некоторых наиболее важных событий в ИИ. 1943 Уоррен Маккалоу и Уолтер Питтс публикуют "Логическое исчисление идей, имманентных нервной деятельности." В статье предложена первая математическая модель построения нейронной сети. 1949 В своей книге "Организация поведения: нейропсихологическая теория" Дональд Хебб предлагает теорию о том, что нейронные пути создаются из опыта и что связи между нейронами становятся тем сильнее, чем чаще они используются. Хеббианское обучение продолжает оставаться важной моделью в ИИ. 1950 Алан Тьюринг публикует "Вычислительные машины и интеллект", предлагая то, что сейчас известно как тест Тьюринга, метод определения того, является ли машина разумной. Студенты Гарвардского университета Марвин Мински и дин Эдмондс построили SNARC, первый компьютер с нейронной сетью. Клод Шеннон публикует статью "Программирование компьютера для игры в шахматы." Айзек Азимов публикует книгу "Три закона робототехники." 1952 Артур Сэмюэль разрабатывает программу самообучения для игры в шашки. 1954 Эксперимент по машинному переводу Джорджтауна и IBM - машина автоматически переводит 60 тщательно отобранных русских предложений на английский язык. 1956 Фраза "искусственный интеллект" была придумана в рамках "Дартмутского летнего исследовательского проекта по искусственному интеллекту"." Возглавляемая Джоном Маккарти конференция, которая определила масштабы и цели ИИ, считается рождением искусственного интеллекта в том виде, в каком мы его знаем сегодня. Аллен Ньюэлл и Герберт Саймон демонстрируют теоретика логики (LT), первую программу рассуждений. 1958 Джон Маккарти разрабатывает язык программирования ИИ Lisp и публикует статью "Программы со здравым смыслом." В статье предлагался гипотетический Советчик, полная система искусственного интеллекта, способная учиться на опыте так же эффективно, как и люди. 1959 Аллен Ньюэлл, Герберт Саймон и Джей Си Шоу разрабатывают Общий решатель проблем (GPS), программу, предназначенную для имитации решения проблем человеком. Герберт Гелернтер разрабатывает программу доказательства геометрических теорем. Артур Сэмюэл ввел термин "машинное обучение", работая в IBM. Джон Маккарти и Марвин Мински основали проект искусственного интеллекта Массачусетского технологического института. 1963 Джон Маккарти открывает лабораторию искусственного интеллекта в Стэнфорде. 1966 В докладе Консультативного комитета по автоматической обработке языков (ALPAC) правительства США подробно говорится об отсутствии прогресса в исследованиях машинного перевода-крупной инициативе времен Холодной войны, обещающей автоматический и мгновенный перевод русского языка. Отчет ALPAC приводит к отмене всех финансируемых правительством проектов МТ. 1969 Первые успешные экспертные системы разработаны в DENDRAL, программе XX, а MYCIN, предназначенная для диагностики инфекций крови, создана в Стэнфорде. 1972 Создан язык логического программирования PROLOG. 1973 "Отчет Лайтхилла", в котором подробно описываются разочарования в исследованиях ИИ, публикуется британским правительством и приводит к серьезному сокращению финансирования проектов в области искусственного интеллекта. 1974-1980 Разочарование в прогрессе развития ИИ приводит к значительному сокращению академических грантов DARPA. В сочетании с более ранним отчетом ALPAC и прошлогодним "Отчетом Лайтхилла" финансирование искусственного интеллекта иссякает, а исследования останавливаются. Этот период известен как "Первая зима ИИ"." 1980 Digital Equipment Corporation разрабатывает R1 (также известный как XCON), первую успешную коммерческую экспертную систему. Разработанная для настройки заказов на новые компьютерные системы, R1 запускает инвестиционный бум в экспертных системах, который продлится большую часть десятилетия, фактически положив конец первой "зиме искусственного интеллекта"." 1982 Министерство международной торговли и промышленности Японии запускает амбициозный проект по созданию компьютерных систем пятого поколения. Целью FGCS является разработка производительности, подобной суперкомпьютеру, и платформы для разработки ИИ. 1983 В ответ на FGCS Японии правительство США запускает Стратегическую вычислительную инициативу, чтобы обеспечить финансируемые DARPA исследования в области передовых вычислений и искусственного интеллекта. 1985 Компании тратят более миллиарда долларов в год на экспертные системы, и для их поддержки возникает целая индустрия, известная как рынок машин Lisp. Такие компании, как Symbolics и Lisp Machines Inc., создают специализированные компьютеры для работы на языке программирования ИИ Lisp. 1987-1993 По мере совершенствования вычислительных технологий появились более дешевые альтернативы, и рынок машин Lisp рухнул в 1987 году, открыв "Вторую зиму ИИ"." В течение этого периода экспертные системы оказались слишком дорогими для обслуживания и обновления, в конечном итоге оказавшись в немилости. Япония прекращает проект FGCS в 1992 году, ссылаясь на неспособность достичь амбициозных целей, намеченных десятилетием ранее. DARPA завершает инициативу по стратегическим вычислениям в 1993 году, потратив почти 1 миллиард долларов и далеко не оправдав ожиданий. 1991 Американские войска развертывают DART, автоматизированный инструмент планирования логистики, во время войны в Персидском заливе. 1997 IBM Deep Blue обыграла чемпиона мира по шахматам Гари Каспарова 2005 СТЭНЛИ, самоуправляемый автомобиль, выигрывает Гран-при DARPA. Американские военные начинают инвестировать в автономных роботов, таких как "Большая собака" Boston Dynamic и "Пакбот" iRobot." 2008 Google делает прорывы в распознавании речи и внедряет эту функцию в свое приложение для iPhone. 2011 IBM Watson побеждает конкурентов в Jeopardy!. 2012 Эндрю Нг, основатель проекта Google Brain Deep Learning, передает нейронной сети, использующей алгоритмы глубокого обучения, 10 миллионов видеороликов YouTube в качестве обучающего набора. Нейронная сеть научилась распознавать кошку, не зная, что это за кошка, что положило начало эпохе прорыва в области нейронных сетей и финансирования глубокого обучения. 2014 Google делает первый беспилотный автомобиль, который пройдет государственный экзамен по вождению. 2016 AlphaGo от Google DeepMind побеждает чемпиона мира по Го игрока Ли Седола. Сложность древней китайской игры рассматривалась как главное препятствие для устранения в ИИ. Vocabulary / Словарь: Encryption - шифрование Artificial intelligence – Искусственный интеллект Machine learning – машинное обучение Deep learning – глубокое обучение Narrow AI – узкий искусственный интеллект Artificial General Intelligence – искусственный общий интеллект Algorithms - алгоритмы Biologically-inspired - биологически вдохновленный Neural network - нейронная сеть Holy Grail – Святой Грааль Сognitive abilities – когнитивные способности Dystopian - антиутопия Syllogism - Силлогизм Robotics - Робототехника Self-learning - самообучение Supercomputer - Суперкомпьютер Scheduling - Планирование Self-driving - самоуправление Breakthroughs - Прорывы Go – Го(игра) |
