ГДЗ. Лекция №4. Интеллектуальные информационные системы, часть 1. Лекция 4. Интеллектуальные информационные системы, часть 1 План Введение
 Скачать 2.74 Mb.
|
Виды и сферы применения искусственного интеллектаРазличают два вида искусственного интеллекта: сильный и слабый:СильныйИИ– разумное существо, которое, как вы видели в фильмах и читали в книгах, живет, осознает себя, чувствует, думает. В общем, имеет свое сознание и цели. И, если верить произведениям искусства, хочет уничтожить человечество. Но не бойтесь, он еще не скоро появится - минимум лет через 30. СлабыйИИ – не смущайтесь от этого слова, это прикладная программа, которая решает конкретную задачу. Такие как автопилот автомобиля Tesla, распознавание голоса при использовании «ОК Google» или «Привет, Siri», оценка стоимости квартиры, подсчет людей на стройке. Это конкретные нейронные сети, которые решают конкретные бизнес-задачи. В рамках нашего учебного курса мы познакомимся именно со "слабым" ИИ, который позволяет реализовать свои идеи практически в любых областях. С его помощью можно: перенести стиль рисования Пикассо на картину Айвазовского; научить робота держать равновесие и ходить; определить болезнь по описанию симптомов; улучшить качество старого видеофильма; раскрасить черно-белые фотографии; распознать данные на фото. Все это, а также многое другое, под силу ИИ. Важнейшие классы задач, решаемых с использованиемискусственного интеллекта (ИИ)Сегодня уже сложно представить такую область деятельности, в которую бы ни проникли различные умные устройства и программы, упрощающие нашу работу или берущие на себя часть наших обязанностей. Среди важнейших классов задач, которые ставились и ставятся перед ИИ, следует выделить следующие: доказательство теорем, управление роботами, распознавание образов, машинный перевод и понимание текстов на естественном языке, игровые программы и др. Доказательство теорем Изучение приёмов доказательства теорем сыграло важную роль в развитии ИИ. Многие неформальные задачи, например, медицинская диагностика, допускают формализацию как задачу на доказательство теорем. Поиск доказательства математической теоремы требует не только произвести дедукцию, исходя из гипотез, но также создать интуитивные догадки и гипотезы о том, какие промежуточные утверждения следует доказать для вывода доказательства основной теоремы. В 1954 г. А. Ньюэлл задумал создать программу для игры в шахматы. Дж. Шоу и Г. Саймон объединились в работе по проекту Ньюэлла и в 1956 г. они создали язык программирования IPL-I (предшественник LISPа) для работы с символьной информацией. Их первыми программами стала программа LT (Logic Theorist) для доказательства теорем и исчисления высказываний (1956 г.), а также программа NSS (Newell, Shaw, Simon) для игры в шахматы (1957 г.). LT и NSS привели к созданию А.Ньюэллом, Дж. Шоу и Г. Саймоном программы GPS (General Problem Solver) в 1957– 1972 гг. Программа GPS моделировала используемые человеком общие стратегии решения задач и могла применяться для решения шахматных и логических задач, доказательства теорем, грамматического разбора предложений, математического интегрирования и т.д. Процесс работы GPS воспроизводит методы решения задач, применяемые человеком: выдвигаются подцели, приближающие к решению, применяется эвристический метод (один, другой и т.д.), пока не будет получено решение. Попытки прекращаются, если получить решение не удаётся. Программа GPS могла решать только относительно простые задачи. Распознавание образов К распознаванию образов в ИИ относят широкий круг проблем: распознавание изображений, символов, текстов, запахов, звуков и т.д. В распознавании образов имеется хорошо разработанный математический аппарат, и для не очень сложных объектов разработаны системы классификации по признакам, по аналогии и т.д. В качестве признаков могут рассматриваться любые характеристики распознаваемых объектов. Алфавит признаков придумывается разработчиком системы. Качество распознавания во многом зависит от того, насколько удачно придуман алфавит признаков. Экспертные системы (ЭС) Методы ИИ нашли применение при создании автоматических консультирующих систем. До 1968 г. исследователи в области ИИ работали на основе общего подхода – упрощения комбинаторики, базирующегося на уменьшении перебора альтернатив исходя из здравого смысла, применения числовых функций оценивания и различных эвристик. В начале 1970-х гг. произошёл качественный скачок и пришло понимание, что необходимы глубокие знания в соответствующей области и выделение знаний из данных, получаемых от эксперта. Появляются первые экспертные системы, или, как их по-другому называют, системы, основанные на знаниях (MYCIN – 1976 г., DENDRAL – 1978 г.). В настоящее время создано большое количество ЭС. Были разработаны и внедрены тысячи ЭС, работающих в различных областях человеческой деятельности. Для создания таких систем разрабатываются специализированные инструментальные средства, создаются оболочки ЭС. Машинный перевод и понимание текстов на естественном языке Началом работ по машинному переводу следует считать 1954 г., когда в США с помощью компьютера было переведено шестьдесят фраз. Этот известный "Джорджтаунский эксперимент" произвёл неизгладимое впечатление на специалистов. Тогда казалось, что достаточно создать большие хранилища словарей для перевода с одного языка на другой, разработать правила перевода – и проблема будет решена. Когда выяснилось, что проблема не так проста, был создан язык- посредник, облегчающий сопоставление фраз на разных языках. Во второй половине 1970-х гг. этот язык-посредник превратился в семантическую модель представления смысла переводимых текстов. Таким образом, достижения в области машинного перевода оказались очень полезными для ИИ, так как они показали, что анализ естественно-языковых конструкций невозможен без создания семантической модели, в которой интерпретируется смысл слов. Создание семантической модели привело к пониманию необходимости создания языка для внутреннего представления знаний. Важным достижением явилось понимание того, что анализ текстов на естественном языке состоит из четырёх основных этапов: морфологический анализ, синтаксический анализ, семантический анализ и прагматический анализ. Надо отметить, что даже для английского языка, который служит основой для всех современных языков программирования в силу своей лаконичности и достаточно формальной семантики, до сего дня не удалось создать более-менее эффективную программную систему, способную адекватно понимать смысл фраз из достаточно больших областей знаний. В разборе и понимании естественного русского языка массу проблем создают сложная падежная система, склонения, времена, отсутствие формального порядка следования членов предложения. Тем не менее российскими учёными созданы эффективные системы разбора фраз ограниченного естественного языка. Игровые программы К числу первых игровых программ можно отнести программу Артура Самуэля по игре в чекерс (американские шашки), написанную в 1947 г., причём в ней использовался ряд основополагающих идей ИИ, таких как перебор вариантов и самообучение. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США, и победила. Каким образом машине удалось достичь столь высокого класса игры? Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинён этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Разумно сочетая такие критерии, можно для оценки очередного хода машины получить некоторый числовой показатель эффективности – оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода необязательно обеспечивает оптимальный выбор, но на его основе машина может продолжать игру, совершенствуя свою стратегию в процессе обучения. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции на основе анализа проведённых ходов и игр с учётом их исхода. Ярким примером сложной интеллектуальной игры являются шахматы. В шахматах существуют определённые уровни мастерства, степени качества игры, которые могут дать чёткие критерии интеллектуального роста машины. Поэтому компьютерными шахматами активно занимались учёные во всём мире. В 1974 г. впервые прошёл чемпионат мира среди шахматных программ в рамках очередного конгресса IFIP (International Federation of Information Processing) в Стокгольме. Победителем этого состязания стала советская шахматная программа "Каисса" (Каисса – богиня, покровительница шахмат). Эта программа была создана в Москве, в Институте проблем управления Академии наук в команде разработчиков программы-чемпиона, лидерами которой были Владимир Арлазаров, Михаил Донской и Георгий Адельсон-Вельский. Недавние события показали, что, несмотря на довольно большую сложность шахмат и невозможность в связи с этим произвести полный перебор ходов, возможность перебора их на большую глубину, чем обычно, очень увеличивает шансы на победу. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100'000'000 ходов в секунду. До недавнего времени редкостью был компьютер, могущий делать такое количество целочисленных операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. В настоящее время существуют и успешно применяются программы, позволяющие машинам играть в деловые или военные игры, имеющие большое прикладное значение. Нейронные сети Среди направлений работ в области ИИ следует выделить нейрокибернетику, т.е. подход к разработке машин, демонстрирующих "разумное" поведение, на основе архитектур, напоминающих устройство мозга, называемых нейронными сетями. Нейронная сеть (НС) – это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединения которых зависит от типа сети. Нейрон (нервная клетка) — основной структурный и функциональный элемент нервной системы. Чтобы создать НС для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений. Для справки: у рядовых муравьёв и пчёл примерно 80 нейронов на особь (у царицы – 200 – 300 нейронов), у тараканов – 300 нейронов, и эти существа показывают отличные адаптационные свойства в процессе эволюции. У человека число нейронов более 100 млрд. В последние десятилетия наблюдается рост объёмов исследований и разработок НС. Это стало возможным в связи с появлением нового аппаратного обеспечения, повысившего производительность вычислений в НС (нейропроцессоры, транспьютеры и т. п.). НС хорошо подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования. Поэтому основными областями их применения являются: промышленное производство и робототехника; военная промышленность и аэронавтика; банки и страховые компании; службы безопасности; биомедицинская промышленность; телевидение и связь и др. В 1980-х гг. в Японии в рамках проекта "ЭВМ V поколения" был создан первый нейрокомпьютер. К этому времени ограничения по памяти и быстродействию были практически сняты. Появились транспьютеры – параллельные компьютеры с большим количеством процессоров. Выделяют 3 подхода к созданию НС: 1. Аппаратный – создание специальных компьютеров, нейрочипов, плат расширения, наборов микросхем, реализующих все необходимые алгоритмы. 2. Программный – создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры. 3. Гибридный – комбинация первых двух. Часть вычислений выполняют специальные платы расширения (сопроцессоры), часть – программные средства. Робототехника Ещё с древних времён создавались механизмы, помогавшие людям в их деятельности. Слово "робот" впервые было введено Карелом Чапеком в 1920 г. в фантастической пьесе "РУР" ("Рассумские универсальные роботы"). Области применения роботов – это области деятельности человека, опасные для его жизнедеятельности. Первые роботы были дистанционно управляемыми манипуляторами для работы в атомных реакторах, в подводных аппаратах и космических кораблях. В 1947 г. в Арагонской национальной лаборатории были впервые разработаны механические руки для работы с радиоактивными материалами, а в 1948 г. они были оснащены системой отражения усилия, чтобы оператор имел возможность ощущать усилие, развиваемое исполнительным органом. Только в 1960-х гг. появились очувствлённые роботы, которые управлялись компьютерами, но их реализация сдерживалась отсутствием соответствующих технологий, материалов, ресурсов вычислительных систем. В 1970-х гг. началось широкое внедрение роботов в производственные сферы. С помощью роботов выполняются транспортные операции, точечная и дуговая сварка, сборочные операции и т.п. В настоящее время существует множество работающих промышленных роботов. Многие фирмы производят промышленных роботов для манипулирования, сварки, покраски, упаковки, шлифовки, полировки с большим спектром применения и по точности, и по характеру выполняемых операций. За короткий период развития роботов произошли большие изменения в элементной базе, структуре, функциях и характере их использования. Это привело к делению роботов на поколения. Роботы первого поколения (программные) имеют жёсткую программу действий и характеризуются наличием элементарной обратной связи с окружающей средой, что вызывает определённые ограничения в их применении. Роботы второго поколения (очувствлённые) обладают координацией движений с восприятием. Они пригодны для малоквалифицированного труда при изготовлении изделий. Программа движений робота требует для своей реализации управляющего компьютера. Неотъемлемая часть роботов второго поколения – алгоритмическое и программное обеспечение, предназначенное для обработки сенсорной информации и выработки управляющих воздействий. Роботы третьего поколения относятся к роботам с искусственным интеллектом. Они создают условия для полного замеен человека в области квалифицированного труда, обладают способностью к обучению и адаптации в процессе решения производственных задач. Эти роботы способны понимать язык и вести диалог с человеком, формировать в себе модель внешней среды с той или иной степенью детализации, распознавать и анализировать сложные ситуации, формировать понятия, планировать поведение, строить программные движения исполнительной системы и осуществлять их надёжную отработку.  Сферы применения систем искусственного интеллекта Среди сфер применения искусственного интеллекта в современном обществе следует в первую очередь отметить – науку, медицину, образование, бизнес, развлечения, борьбу с преступностью, решение многочисленных бытовых вопросов и многие другие. При этом различают интеллектуальныеинеинтеллектуальныезадачи, которые можно решать с использованием систем ИИ. Неинтеллектуальныезадачи – этопоследовательностьдействий,выполняемых по определенному алгоритму. Например, беседа по видеосвязи. При этом видеокамера захватывает изображение и передает ее в ПК, где оно сжимается, чтобы занимать меньше места, нарезается на кусочки и передается на роутер. Дальше через разные страны эти пакеты информации передаются в ПК, объединяются, декодируются, и собеседники видят картинку. Это - очень сложная технология. Человечество тысячелетиями шло от добычи руды, разведения огня и до создания протокола IPv6 для Интернета, чтобы освоить ее. Но это - строго детерминированный алгоритм. Сейчас основная область применения ИИ – это интеллектуальныезадачи. Какие задачи можно назвать интеллектуальными?Один из студентов – фотограф, создал нейронную сеть, которая определяет, эстетичен кадр или нет. Обычно, когда снимаешь постановочное фото, компоновка и все остальное получаются. Но когда снимаешь видео, компоновка – отсутствует, все действующие лица располагаются произвольно, освещение - под неправильными углами. Но среди этих кадров есть и красивые. Вот как определить, красив кадр или нет? Определитьэстетикукадрадляфотографа—иестьинтеллектуальная задача. И это может делать нейронная сеть. Если вы дадите ей 10 тысяч красивых фотографий и 10 тысяч некрасивых, то она их все просмотрит и научится определять и находить в предлагаемой выборке, например, только эстетичные. Или возьмите запись голоса. Как определить, кто говорит, мужчина или женщина? Человек на слух может это определить, хотя иногда и сталкивается с определенными сложностями. Можно ли, посчитав количество высоких частот, сказать, что это женщина? Нет, это так не работает. Нетготовогоалгоритма,чтобыпоаудиозаписи определить, мужчина это или женщина – это и есть интеллектуальнаязадача. Но если обучить нейронную сеть на огромной базе, она научится это делать. |