Искусственный интеллект: сферы применения. Носов Н.Ю., Соколов М.Д. Тенденции развития искусственного интеллекта

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ

Международный институт «ИНФО-Рутения»

КУРСОВАЯ РАБОТА

Дисциплина:

Исследование систем управления

Тема: Области применения искусственного интеллекта на предприятии

Балацкая Е.Н.

Введение

2. Искусственный интеллект: сферы применения

3. Искусственный интеллект и перспективы его развития

Заключение

Глоссарий

Введение

Наука об искусственном интеллекте ведёт своё начало с середины XX века. Начиная с того времени, во многих исследовательских лабораториях учёные ведут работу над созданием компьютеров, обладающих способностью думать на таком же уровне, что и человек. В то время уже существовали предпосылки к возникновению искусственного разума. Так, психологами была создана модель мозга человека и изучены процессы мышления. Учёные-математики создали теорию алгоритмов, ставшую фундаментом математической теории вычислений, были упорядочены и структурированы знания о мире, решены вопросы оптимальных расчетов и созданы самые первые компьютеры.

Новые машины были способны производить вычисления гораздо быстрее человека, поэтому учёные задумались о возможности создания вычислительных машин, достигших уровня развития людей. В 1950 английским учёным Аланом Тьюрингом была опубликована статья «Способна ли машина мыслить?». В этой статье он предлагает определять степень разумности машины с помощью разработанного им теста, впоследствии получившего название «тест Тьюринга».

Другие учёные также работали в области создания ИИ, но им пришлось столкнуться с рядом проблем, которые не могли быть решены в рамках традиционной информатики. Оказалось, что прежде всего должны быть изучены механизмы чувственного восприятия, усвоения информации, а также природа языка. Имитировать работу мозга оказалось крайне сложно, так как для этого пришлось бы воспроизвести работу миллиардов нейронов, взаимодействующих между собой. Но ещё более сложной задачей, чем имитация работы мозга, оказалось изучение принципов и механизмов его функционирования. Данная проблема, вставшая перед исследователями интеллекта, затрагивала теоретическую сторону психологии. Учёным и до сих пор не удаётся прийти к единому мнению относительно того, что же есть интеллект. Одни считают признаком интеллекта способность решать задачи высокой сложности; для других интеллект - это, прежде всего способность к обучению, обобщению и анализу информации; третьи считают, что это возможность эффективно взаимодействовать с окружающим миром, способность к общению, восприятию и осознанию воспринятой информации.

В данной курсовой работе объектом исследования является искусственный интеллект. Предмет исследования - возможные способы его совершенствования и развития.

Цель работы: выявить области человеческой деятельности, в которых может применяться искусственный интеллект.

В ходе исследования, проведённого в рамках данной работы, предполагается решить несколько задач:

) Рассмотреть историю возникновения искусственного интеллекта;

) Выявить основные цели создания искусственного интеллекта;

) Ознакомить читателя с видами применения искусственного интеллекта в современном мире;

) Изучить перспективные направления, в которых может применяться искусственный интеллект;

) Рассмотреть, каким может быть будущее с применением искусственного интеллекта.

Представленная курсовая работа может быть интересна всем, кто интересуется историей возникновения и развития искусственного интеллекта, кроме того, она может быть использована как учебное пособие.

1. Значение термина «искусственный интеллект»

Впервые человечество услышало об искусственном интеллекте более 50 лет назад. Это случилось на конференции, проходившей в 1956 году в Дартмутском университете, на которой Джон Маккарти дал термину чёткое и ясное определение. «Искусственный интеллект является наукой о создании интеллектуальных машин и компьютерных программ. В целях данной науки компьютеры используются как средство для понимания особенностей человеческого интеллекта, в то же время, изучение ИИ не должно ограничиваться применением биологически правдоподобных методов.

Как и другие прикладные науки, наука об искусственном интеллекте представлена теоретической и экспериментальной частями. Практически, «Искусственный интеллект» занимает промежуточное положение между информатикой и вычислительной техникой и такими дисциплинами как когнитивная и поведенческая психология и нейрофизиология. Что касается теоретической основы, ей служит «Философия искусственного интеллекта», но до тех пор, пока нет значимых результатов в данной сфере, теория не имеет самостоятельного значения. Тем не менее, уже сейчас следует различать науку об искусственном интеллекте и другие теоретические дисциплины и методики (робототехнические, алгоритмические, математические, физиологические), которые имеют самостоятельное значение.

Сейчас развитие ИИ происходит по двум направлениям: нейрокибернетика и кибернетика чёрного ящика. Одно из направлений - нейрокибернетика, или искусственный разум, основывается на моделировании работы человеческого мозга с помощью систем искусственного интеллекта, известных как нейронные сети или нейросети. Второе направление ИИ - кибернетика чёрного ящика, или машинный интеллект, занимается поисками и разработкой алгоритмов для эффективного решения интеллектуальных задач с помощью имеющихся моделей компьютеров. Для этого направления главное - не конструкция устройства, а принцип его работы: реакция «мыслящей» машины на входные воздействия должна быть такой же, как у человеческого мозга.

Об искусственном интеллекте написано много книг, но ни один автор не даёт однозначного ответа на вопрос, чем занимается эта наука. Большинство авторов рассматривают лишь одно определение ИИ, рассматривая научные достижения лишь в свете данного определения. Следующая проблема касается природы человеческого интеллекта и его статуса: в философии до сих пор не существует их однозначного критерия. Нет и единого подхода к определению степени «разумности» машины. Однако существует множество гипотез, предложенных ещё на заре искусственного интеллекта. Это и тест Тьюринга, о котором говорилось выше, и гипотеза Ньюэлла - Саймона, и множество других подходов к разработке ИИ, из которых можно выделить два основных:

семиотический, или нисходящий: основывается на создании баз знаний, систем логического вывода и экспертных систем, имитирующих различные психические процессы высокого уровня, такие как мышление, эмоции, речь, творчество, рассуждение и т. д.

биологический, или восходящий: в его основе лежит создание и изучение нейронных сетей, имитирующих процессы деятельности головного мозга человека, а также создание биокомпьютеров, нейрокомпьютеров и других подобных вычислительных систем.

Второй подход выходит за рамки определения, данного Джоном Маккарти, однако имеет ту же конечную цель, поэтому есть все основания для того, чтобы отнести его к сфере искусственного интеллекта.

В сочетании с когнитивной психологией, эпистемологией и нейрофизиологией искусственный интеллект образует ещё одну науку - когнитологию. Эпистемология непосредственно связана с проблемами ИИ, так как она представляет собой науку о знании (часть философии), а философия, в свою очередь, играет не самую последнюю роль в искусственном интеллекте. Философы и инженеры ИИ решают сходные задачи: те и другие ищут наилучшие способы представления и использования информации и знаний.

Когнитивное моделирование - метод, предложенный и впервые опробованный Аксельродом. Метод используется для принятия решений в недостаточно определенных ситуациях. В его основе - моделирование на основе знаний субъективных представлений о ситуации одного или нескольких экспертов. Модель представлений эксперта представляет собой когнитивную карту (F, W). W - совокупность причинно-следственных связей между ситуационными факторами, а также множество методов анализа ситуации, F - все имеющиеся факторы ситуации. В настоящее время основным направлением развития когнитивного моделирования является совершенствование аппарата моделирования и анализа ситуации. частности, разрабатываются различные методы прогнозирования ситуации и способы решения обратных задач.

В компьютерных науках решение проблем искусственного интеллекта осуществляется с применением проектирования баз знаний и экспертных систем. Базы знаний представляют собой совокупность знаний и правил, согласно которым информация может подвергаться осмысленной обработке. В целом проблемы искусственного интеллекта в компьютерных науках исследуются с целью создания информационных систем, их эксплуатации и совершенствования. Вопросами подготовки разработчиков и пользователей таких систем занимаются специалисты в области информационных технологий.

Вполне естественно, что попытки создать искусственный разум привлекали и привлекают внимание учёных-философов. Появление первых интеллектуальных систем не могло не затронуть многих аспектов, касающихся человеческих знаний, мироустройства и места человека в мире. Условно все философские проблемы в данной сфере можно разделить на две группы: возможности создания искусственного интеллекта и этика искусственного интеллекта. В первой группе большая часть вопросов посвящена возможности и способам создания ИИ. Вторая группа проблем связана с возможными последствиями появления ИИ для всего человечества. При этом в трансгуманизме создание ИИ считается одной из первостепенных задач, стоящих перед человечеством.

Учёные в Институте сингулярности (SIAI), расположенном в США, активно изучают возможности глобальных рисков, которые могут возникнуть в результате создания сверхчеловеческого искусственного интеллекта. Для предотвращения таких рисков следует запрограммировать ИИ на дружественность к людям. В фильме «Я, робот» вполне обоснованно затронута проблема этики искусственного интеллекта. Некоторые учёные считают, что законы робототехники могут побудить «компьютерный разум» к захвату власти на Земле с целью «защиты» населения от вреда.

Что касается религиозных конфессий, большинство из них относятся к созданию ИИ достаточно спокойно. Например, духовный лидер буддистов, далай-лама, считает, что сознание на компьютерной основе вполне может существовать. Религиозное течение раэлитов активно поддерживает разработки в данной сфере. Другие конфессии затрагивают вопросы, связанные с ИИ, достаточно редко, чтобы можно было говорить о ярко выраженной позиции.

Искусственный интеллект: сферы применения

С того момента, как искусственный интеллект был признан научным направлением, а это произошло в середине 50-х годов прошлого века, разработчикам интеллектуальных систем пришлось решать множество задач. Условно все задачи можно разделить на несколько классов: распознавание человеческого языка и перевод, автоматические доказательства теорем, создание игровых программ, распознавание изображений и машинное творчество. Рассмотрим кратко сущность каждого класса задач.

Доказательство теорем.

Автоматическое доказательство теорем является старейшей сферой применения искусственного интеллекта. В этой области было проведено немало исследований, результатом которых стало появление формализованных алгоритмов поиска и языков формальных представлений, таких как PROLOG - логический язык программирования, и исчисление предикатов.

Автоматические доказательства теорем привлекательны тем, что они основываются на общности и строгости логики. Логика в формальной системе предполагает возможность автоматизации, а это значит, что если представить задачу и относящуюся к ней дополнительную информацию в виде совокупности логических аксиом, а частные случаи задачи - как теоремы, требующие доказательства, можно получить решение многих проблем. Системы математических обоснований и автоматические доказательства теорем содержат в своей основе именно этот принцип. В прошлые годы делались неоднократные попытка написать программу для автоматических доказательств теорем, однако так и не удалось создать систему, позволяющую решать задачи с использованием единого метода. Любая относительно сложная эвристическая система могла генерировать множество доказуемых теорем, не относящихся к делу, в результате программам приходилось доказывать их до тех пор, пока не обнаруживалась нужная. Из-за этого возникло мнение, что с большими пространствами можно работать только с помощью неформальных стратегий, специально разработанных для конкретных случаев. На практике этот подход оказался достаточно плодотворным и был положен, наряду с другими, в основу экспертных систем.

Вместе с тем, нельзя игнорировать рассуждения, основанные на формальной логике. Формализованный подход позволяет решить многие проблемы. В частности, применяя его, можно управлять сложными системами, проверять корректность компьютерных программ, проектировать и проверять логические цепи. Кроме того, исследователи автоматического доказательства теорем разработали мощные эвристики, в основе которых находится оценка синтаксической формы логических выражений. В результате стало возможным понижать уровень сложности пространства поиска, не прибегая к разработке специальных стратегий.

Автоматическое доказательство теорем вызывает интерес учёных и по той причине, что для особо сложных проблем также можно использовать систему, хотя и не без вмешательства человека. В настоящее время программы часто выступают в роли помощников. Специалисты разбивают задачу на несколько подзадач, затем продумываются эвристики для перебора возможных оснований. Далее программа доказывает леммы, проверяет менее существенные предположения и осуществляет дополнения к формальным аспектам доказательств, очерченных человеком.

Распознавание образов.

Распознавание образов представляет собой выделение существенных признаков, характеризующих исходные данные, из общей совокупности признаков, и на основании полученной информации отнесение данных к определённому классу.

Теория распознавания образов - это раздел информатики, в задачи которого входит развитие основ и методов идентификации и классификации объектов (предметов, процессов, явлений, ситуаций, сигналов и т. д.), каждый из которых наделён совокупностью некоторых признаков и свойств. На практике идентифицировать объекты приходится довольно часто. Характерная ситуация - распознавание цвета светофора и принятие решения о том, следует ли в данный момент переходить улицу. Существуют и другие области, в которых нельзя обойтись без распознавания объектов, например, оцифровка аналоговых сигналов, военное дело, системы безопасности и так далее, поэтому на сегодняшний день учёные продолжают активную работу над созданием систем распознавания образов.

Работа ведётся в двух основных направлениях:

Исследование, объяснение и моделирование способностей к распознаванию, присущих живым существам.

Развитие теоретических и методологических основ создания устройств, которые позволяли бы решать отдельные задачи в прикладных целях.

Постановка задач распознавания осуществляется с использованием математического языка. В то время как теория искусственных нейронных сетей базируется на получении результатов путём экспериментов, постановка задач распознавания образов происходит не на основе эксперимента, а на основе математических доказательств и логических рассуждений.

Рассмотрим классическую постановку такой задачи. Имеется множество объектов, относительно которых следует провести классификацию. Множество состоит из подмножеств, или классов. Задано: информация, описывающая множество, информация о классах и описание отдельно взятого объекта без указания на его принадлежность к определённому классу. Задача: на основании имеющихся данных определить, к какому классу относится объект.

Если в задачах присутствуют монохромные изображения, они могут быть рассмотрены как функции на плоскости. Функция будет представлять собой формальную запись изображения и в каждой точке выражать определённую характеристику данного изображения - оптическую плотность, прозрачность, яркость и т. д. В таком случае моделью множества изображения будет являться множество функций на плоскости. Постановка задачи распознавания зависит от того, какими должны этапы, следующие за распознаванием.

К методам распознавания образов относятся эксперименты Ф. Розенблатта, который ввёл понятие модели мозга. Задача эксперимента - показать, как возникают психологические явления в физической системе с известными функциональными свойствами и структурой. Учёный описал простейшие эксперименты по распознаванию, однако их особенностью является не детерминированный алгоритм решения.

Наиболее простой эксперимент, на основе которого может быть получена психологически значимая информация о системе, заключается в следующем: персептрону предъявляется последовательность из двух различных стимулов, на каждый из которых он должен реагировать некоторым образом, причём для разных стимулов реакция должна быть различной. Цели такого эксперимента могут быть разными. Перед экспериментатором может стоять задача изучить возможность спонтанного различения системой представленных стимулов без вмешательства извне, или же наоборот, изучить возможность принудительного распознавания. Во втором случае экспериментатор обучает систему классифицировать различные объекты, которых может быть более двух. Опыт с обучением проходит следующим образом: персептрону предъявляют образы, среди которых есть представители всех классов, подлежащих распознаванию. Правильная реакция подкрепляется в соответствии с правилами модификации памяти. После этого экспериментатор предъявляет персептрону контрольный стимул и определяет вероятность получения заданной реакции для образов данного класса. Контрольный стимул может совпадать с одним из объектов, представленных в обучающей последовательности, или отличаться от всех представленных объектов. В зависимости от этого получают следующие результаты:

Если контрольный стимул отличается от всех представленных ранее обучающих стимулов, то кроме чистого различения эксперимент исследует элементы обобщения.

Если контрольный стимул вызывает активизацию некоторой группы сенсорных элементов, не совпадающих ни с одним из элементов, активизировавшихся при воздействии стимулов того же класса, предъявленных ранее, то эксперимент исследует чистое обобщение и не включает исследование распознавания.

Несмотря на то, что персептроны не способны к чистому обобщению, они удовлетворительно справляются с задачами распознавания, особенно в тех случаях, когда демонстрируются образы, в отношении которых у персептроны уже имеется определённый опыт.

Распознавание человеческой речи и машинный перевод.

К долгосрочным целям искусственного интеллекта относится создание программ, способных распознавать человеческий язык и использовать его для построения осмысленных фраз. Способность к пониманию и применению естественного языка - фундаментальная особенность человеческого интеллекта. Успешная автоматизация этой способности позволила бы намного повысить эффективность компьютеров. К настоящему времени написано много программ, способных понимать естественный язык, и они с успехом применяются в ограниченных контекстах, однако до сих пор не существует систем, которые могли бы применять естественные языки с такой же общностью и гибкостью, как это делает человек. Дело в том, что процесс понимания естественного языка заключается не только в простом разборе предложений на составляющие и поиске значений отдельных слов в словарях. Как раз с этой задачей программы успешно справляются. Для применения человеческой речи необходимы обширные знания о предмете беседы, об идиомах, имеющих к нему отношение, кроме того, необходима способность понимать неясности, недомолвки, профессионализмы, жаргонизмы, просторечные выражения и многое другие из того, что присуще нормальной человеческой речи.

В качестве примера можно привести разговор о футболе, где используются такие слова как «нападающий», «пас», «передача», «штрафной», «защитник», «форвард», «капитан» и другие. Каждое из этих слов характеризуется набором значений, и по отдельности слова вполне доступны для понимания, но фраза, составленная из них, будет непонятна любому, кто не увлекается футболом и ничего не знает об истории, правилах и принципах этой игры. Таким образом, для понимания и применения человеческого языка необходима совокупность фоновых знаний, и одной из главных проблем в автоматизации понимания и применения естественного человеческого языка является сбор и систематизация таких знаний.

Поскольку семантические значения используются в искусственном интеллекте очень широко, учёные разработали ряд методов, позволяющих в какой-то степени их структурировать. Всё же большая часть работы ведётся в тех проблемных областях, которые являются хорошо понимаемыми и специализированными. Примером может служить методика «микромира». Одной из первых программ, где она была использована, стала программа SHRDLU, разработанная Терри Виноградом, представляющая собой одну из систем понимания человеческой речи. Возможности программы были довольно ограниченными и сводились к «беседе» о расположении блоков разных цветов и форм, а также к планированию простейших действий. Программа давала ответы на вопросы типа «Какого цвета пирамидка на кросном бруске?» и могла давать указания вида «Поставьте синий блок на красный». Подобные задачи часто затрагивались исследователями искусственного интеллекта и в дальнейшем получили известность под названием «мир блоков».

Несмотря на то, что программа SHRDLU успешно «беседовала» о расположении блоков, она не была наделена способностью абстрагироваться от этого «микромира». В ней использовались слишком простые методики, которым была недоступна передача семантической организации предметных областей более высокой сложности.

Текущие работы в области понимания и применения естественных языков направлены в основном на поиск достаточно общих формализмов представления, которые можно было бы адаптировать к специфичным структурам заданных областей и применять в широком круге приложений. Большинство существующих методик, представляющих собой модификации семиотических сетей, исследуются и применяются при написании программ, способных распознавать естественный язык в узких предметных областях. В то же время, современные возможности не позволяют создать универсальную программу, способную понимать человеческую речь во всём её многообразии.

Среди многообразия задач распознавания образов можно выделить следующие:

Определение месторождений полезных ископаемых

Распознавание изображений

Распознавание штрих-кодов

Распознавание символов

Распознавание речи

Распознавание лиц

Распознавание номеров автомобилей

Искусственный интеллект в игровых программах.

Игровой искусственный интеллект включает в себя не только методы традиционного ИИ, но также и алгоритмы информатики в целом, компьютерной графики, робототехники и теории управления. От того, как именно реализован ИИ, зависят не только системные требования, но и бюджет игры, поэтому разработчикам приходится балансировать, стараясь, чтобы игровой искусственный интеллект был создан с минимальными затратами, и чтобы при этом он был интересным и нетребовательным к ресурсам. Здесь используется совершенно иной подход, чем в случае с традиционным искусственным интеллектом. В частности, широко применяются эмуляции, обманы и различные упрощения. Пример: особенностью шутеров от первого лица является способность ботов к безошибочному движению и мгновенному прицеливанию, но при этом у человека не остаётся ни единого шанса, поэтому способности ботов искусственно занижаются. В то же время, на уровне расставляются контрольные точки, для того чтобы боты могли действовать командой, устраивать засады и т. д.

В компьютерных играх, которыми управляет игровой искусственный интеллект, присутствуют следующие категории персонажей:

мобы - персонажи с низким уровнем интеллекта, враждебные к человеческому игроку. Игроки уничтожают мобов с целью прохождения территории, получения артефактов и очков опыта.

неигровые персонажи - обычно эти персонажи дружественны или нейтральны к игроку.

боты - персонажи, враждебные по отношению к игрокам, наиболее сложные в программировании. Их возможности приближаются к возможностям игровых персонажей. В любой момент времени против игрока выступает некоторое количество ботов.

Внутри компьютерной игры существует множество областей, в которых используется широкое многообразие эвристических алгоритмов искусственного игрового интеллекта. Наиболее широко игровой ИИ применяется как один из способов контроля неигровых персонажей. Другим, не менее распространённым способом контроля, является скриптинг. Ещё одно очевидное применение игрового ИИ, особенно в стратегиях реального времени, - поиск пути, или метод, позволяющий определить, как неигровой персонаж может попасть из одной точки на карте в другую. При этом нужно учитывать препятствия, ландшафт и возможный «туман войны». Динамическая балансировка мобов также не обходится без применения искусственного интеллекта. Во многих играх была опробована концепция непредсказуемого интеллекта. Это такие игры как Nintendogs, Black & White, Creatures и всем известная игрушка «тамагочи». В этих играх персонажами являются домашние животные, поведение которых изменяется с учётом действий, произведённых игроком. Создаётся впечатление, что персонажи способны обучаться, хотя на самом деле их действия являются результатом выбора из ограниченного множества решений.

Многие игровые программисты считают частью игрового искусственного интеллекта любую методику, с помощью которой создаётся иллюзия интеллекта. Однако этот подход не совсем верен, так как те же самые методики могут использоваться не только в движках игрового ИИ. Например, при создании ботов используются алгоритмы с введенной в них информацией о возможных будущих столкновениях, вследствие чего боты приобретают «умение» избегать этих столкновений. Но эти же методики представляют собой важный и необходимый компонент физического движка. Ещё один пример: важным компонентом системы прицеливания бота являются водные данные, и те же самые данные широко применяются в графическом движке при рендеринге. Финальный пример - скриптинг. Этот инструмент с успехом может применяться во всех аспектах игровой разработки, но чаще всего его рассматривают как один из способов контролирования действий неигровых персонажей.

По мнению пуристов, выражение «игровой искусственный интеллект» не имеет права на существование, так как является преувеличением. В качестве главного аргумента они выдвигают то, что в игровом ИИ используются лишь некоторые направления науки о классическом искусственном интеллекте. Следует принять во внимание и то, что целями ИИ является создание самообучающихся систем и даже создание искусственного интеллекта, способного рассуждать, в то время как часто ограничивается эвристикой и набором из нескольких эмпирических правил, которых бывает достаточно для создания хорошего геймплея и предоставления игроку ярких впечатлений и ощущений от игры.

В настоящее время разработчики компьютерных игр проявляют интерес к академическому ИИ, а академическое сообщество, в свою очередь, начинает интересоваться компьютерными играми. В связи с этим возникает вопрос, в какой степени игровой и классический ИИ различаются между собой. Вместе с тем, игровой искусственный интеллект всё ещё рассматривается как одна из под-отраслей классического. Это обусловлено тем, что искусственный интеллект имеет различные прикладные области, отличающиеся друг от друга. Ели говорить об игровом интеллекте, важным отличием здесь является возможность обмана с целью решения некоторых задач «законными» способами. С одной стороны, недостаток обмана в том, что зачастую он приводит к нереалистичному поведению персонажа и по этой причине не всегда может быть использован. С другой стороны, сама возможность такого обмана служит важным отличием игрового ИИ.

Ещё одной интересной задачей искусственного интеллекта является обучение компьютера игре в шахматы. Её решением занимались учёные всего мира. Особенность данной задачи в том, что демонстрация логических способностей компьютера возможна только при наличии реального противника. Впервые такая демонстрация состоялась в 1974 году, в Стокгольме, где прошёл чемпионат мира по шахматам среди шахматных программ. В данном соревновании победила программа «Каисса, созданная советскими учёными из Института проблем управления академии наук СССР, расположенного в Москве.

Искусственный интеллект в машинном творчестве.

Природа человеческого интеллекта пока изучена недостаточно, а степень изучения природы человеческого творчества - ещё меньше. Тем не менее, одним из направлений искусственного интеллекта является машинное творчество. Современные компьютеры создают музыкальные, литературные и живописные произведения, а в индустрии компьютерных игр и кинофильмов уже давно используются реалистичные образы, создаваемые машинами. Существующие программы создают различные образы, которые могут быть легко восприняты и поняты человеком. Это особенно важно, когда речь идёт об интуитивных знаниях, для формализованной проверки которых пришлось бы приложить немалые умственные усилия. Так, музыкальные задачи с успехом решаются с использованием языком программирования, одним из которых является язык CSound. Специальное программное обеспечение, с помощью которого создаются музыкальные произведения, представлено программами алгоритмической композиции, системами интерактивной композиции, системами синтеза и обработки звука.

Экспертные системы.

Разработка современных экспертных систем ведётся исследователями с начала 1970-х годов, а в начале 1980-х экспертные системы начали разрабатываться и на коммерческой основе. Прообразами экспертных систем, предложенными в 1832 году русским учёным С. Н. Корсаковым, стали механические устройства, названные «интеллектуальными машинами», которые позволяли находить решение, руководствуясь заданными условиями. Например, анализировались симптомы заболевания, наблюдаемые у пациента, и по результатам этого анализа предлагались самые подходящие лекарства.

Информатика рассматривает экспертные системы совместно с базами знаний. Системы представляют собой модели поведения экспертов, основанные на применении процедур принятия решений и логических выводов. Базы знаний рассматриваются как совокупность правил логического вывода и фактов, имеющих непосредственное отношение к выбранной сфере деятельности.

В конце прошлого века сложилась определённая концепция экспертных систем, глубоко ориентированная на текстовый человеко-машинный интерфейс, который в то время был общепринятым. В настоящее время эта концепция подверглась серьёзному кризису, связанному, по всей видимости, с тем, что в пользовательских приложениях на смену текстовому интерфейсу пришёл графический. Кроме того, реляционная модель данных и «классический» взгляд на построение экспертных систем плохо согласуются между собой. Следовательно, организация баз знаний экспертных систем не может проводиться эффективно, по крайней мере, с использованием современных промышленных систем управления базами данных. В литературных и сетевых источниках приводится множество примеров экспертных систем, называемых «распространёнными» или «широко известными». На деле все эти экспертные системы были созданы ещё в 80-х годах прошлого столетия и к настоящему моменту либо прекратили своё существование, либо являются безнадёжно устаревшими и существуют благодаря немногочисленным энтузиастам. С другой стороны, разработчики современных программных продуктов часто именуют свои творения экспертными системами. Подобные заявления - не более чем маркетинговый ход, ведь в действительности эти продукты не являются экспертными системами (примером может служить любая из компьютерных справочно-правовых систем). Энтузиасты пытаются объединить подходы к созданию пользовательского интерфейса с «классическими» подходами к созданию экспертных систем. Эти попытки нашли отражение в таких проектах как CLIPS.NET, CLIPS Java Native Interface и других, однако крупные компании, выпускающие программное обеспечение, не торопятся финансировать подобные проекты, и по этой причине разработки не продвигаются дальше экспериментальной стадии.

Всё многообразие областей, в которых могут применяться системы, основанные на знаниях, можно разделить на классы: медицинская диагностика, планирование, прогнозирование, контроль и управление, обучение, интерпретация, диагностика неисправностей в электрическом и механическом оборудовании, обучение. Рассмотрим каждый из этих классов подробнее.

а) Медицинские диагностические системы.

С помощью таких систем определяют, как связаны между собой различные нарушения деятельности организма и их возможные причины. Самой известной диагностической системой является MYCIN. Её применяют для диагностики менингита и бактериальных инфекций, а также для наблюдения за состоянием больных, у которых обнаружены данные заболевания. Первая версия системы была разработана в 70-х годах. На сегодняшний день её возможности значительно расширились: система ставит диагнозы на том же профессиональном уровне, что и врач-специалист, и может применяться в разных областях медицины.

б) Прогнозирующие системы.

Системы предназначены для предсказания событий или результатов событий на основе имеющихся данных, характеризующих текущую ситуацию или состояние объекта. Так, программа «Завоевание Уолл-Стрита», использующая в свой работе статистические методы алгоритмов, способна анализировать конъюнктуру рынка и разрабатывать план капиталовложений. В программе используются алгоритмы и процедуры традиционного программирования, поэтому её нельзя отнести к системам, основанным на знаниях. Уже сегодня существуют программы, способные предсказывать поток пассажиров, урожайность и погоду, анализируя имеющиеся данные. Такие программы достаточно просты, и некоторые из них могут использоваться на обычных персональных компьютерах. Однако до сих пор не существует экспертных систем, которые могли бы, основываясь на данных о конъюнктуре рынка, подсказать, как можно увеличить капитал.

в) Планирование.

Системы планирования предназначены для решения задач с большим количество переменных с целью достижения конкретных результатов. Впервые в коммерческой сфере такие системы были использованы дамасской фирмой Informat. Руководство компании распорядилось становить в холле офиса 13 станций, которые проводили бесплатные консультации для покупателей, желающих приобрести компьютер. Машины помогали сделать выбор, максимально соответствующий бюджету и пожеланиям покупателя. Также экспертные системы были применены компанией Boeing для таких целей как ремонт вертолётов, установление причин выхода из строя самолётных двигателей и проектирование комических станций. Фирма DEC создала экспертную систему XCON, способную определять и изменять конфигурацию компьютерных систем VAX с учётом требований покупателей. В настоящее время фирма DEC занимается разработкой более мощной системы XSEL, в которую входит база знаний XCON. Цель создания системы - помощь потребителям в подборе вычислительной системы с требуемой конфигурацией. Отличие системы XSEL от XCON в том, что она является интерактивной.

г) Интерпретация.

Интерпретирующие системы способны делать заключения, основываясь на результатах наблюдения. Одной из самых известных интерпретирующих систем является система PROSPECTOR. Она работает, используя данные, основанные на знаниях девяти экспертов. Эффективность системы можно оценить по одному примеру: используя девять различных методов экспертизы, система обнаружила месторождение руды, наличие которого не мог предполагать ни один эксперт. Другая известная система интерпретирующего типа - HASP/SIAP. Она использует данные акустических систем слежения и на их основе определяет местонахождение судов в Тихом океане и их типы.

д) Интеллектуальные системы контроля и управления.

Экспертные системы успешно применяются для контроля и управления. Они способны анализировать данные, полученные от нескольких источников, и по результатам анализа принимать решения. Такие системы способны осуществлять медицинский контроль и управлять движением самолётов, кроме того, они применяются на атомных электростанциях. Также с их помощью осуществляется регулирование финансовой деятельности предприятия и вырабатываются решения в критических ситуациях.

е) Диагностика и устранение неисправностей в электрическом и механическом оборудовании.

Системы, основанные на знаниях, применяются в таких случаях, как:

ремонт дизельных локомотивов, автомобилей и других электрических и механических устройств;

диагностика и устранение ошибок и неисправностей в программном и аппаратном обеспечении вычислительных машин.

ж) Компьютерные системы обучения.

Достаточно эффективно использование систем, основанных на знаниях, в обучающих целях. Система анализирует поведение и деятельность объекта и в соответствии с полученной информацией изменяет базу знаний. Простейший пример такого обучения - компьютерная игра, в которой уровни становятся сложнее по мере того, как возрастает квалификация игрока. Интересная обучающая система - EURISCO - разработана Д. Ленатом. В ней используются простые эвристики. Система была применена в игре, имитирующей боевые действия. Суть игры - определить оптимальный состав флотилии, которая могла бы наносить поражения, соблюдая множество правил. Система успешно справилась с этой задачей, включив в состав флотилии одно маленькое судно и несколько кораблей, способных провести атаку. Правила игры менялись ежегодно, но система EURISCO неизменно одерживала победу на протяжении трёх лет.

Существует множество экспертных систем, которые по содержанию знаний могут быть отнесены сразу к нескольким типам. К примеру, система, которая осуществляет планирование, может быть также и обучающей. Она способна определять уровень знаний обучаемого и, основываясь на этой информации, составлять учебный план. Управляющие системы применяются для планирования, прогнозирования, диагностики и контроля. Системы, предназначенные для охраны дома или квартиры, могут отслеживать изменения, происходящие в окружающей обстановке, прогнозировать развитие ситуации и составлять план дальнейших действий. Например, открылось окно и через него в помещение пытается проникнуть вор, следовательно, необходимо вызвать полицию.

Широкое распространение экспертных систем началось в 1980-х годах, когда впервые произошло их коммерческое внедрение. ЭС используются во многих сферах, включая бизнес, науку, технику, производство и другие отрасли, характеризующиеся вполне определённой предметной областью. В данном контексте «вполне определённая» означает, что человек может разделить ход рассуждения на отдельные этапы, и таким образом может быть решена любая задача, которая находится в рамках данной области. Следовательно, аналогичные действия может выполнить и компьютерная программа. Можно с уверенностью сказать, что использование возможностей искусственного интеллекта открывает перед человечеством безграничные возможности.

Искусственный интеллект и перспективы его развития

В романе Дэвида Лоджа «Small World», посвящённом академическому миру литературной критики, описана замечательная сцена. Главные герой обращается к группе выдающихся теоретиков литературы с вопросом о том, что было бы, если бы они оказались правы. Среди теоретиков возникло замешательство. Они были несогласны между собой, но ни один до этого не задумывался о том, что вести споры, касающиеся неопровержимых теорий - занятие, лишённое всякого смысла. Если задать подобный опрос учёным, исследующим искусственный интеллект, вероятно, они также оказались бы в замешательстве. Что было бы, если бы им удалось достичь своих целей? Ведь интеллектуальные компьютеры и так демонстрируют замечательные достижения, и всем понятно, что они более полезны, чем машины, не обладающие интеллектом. Казалось бы, беспокоиться не о чем. Но существует ряд этических проблем, которые нужно принимать во внимание.

Интеллектуальные компьютеры мощнее неинтеллектуальных, но возможно ли сделать так, чтобы эта мощь всегда использовалась только во благо, но не во зло? Исследователи искусственного интеллекта, посвятившие разработкам в этой области всю свою жизнь, должны осознавать свою степень ответственности за то, чтобы результаты их работы оказывали только положительное влияние на человечество. Степень этого влияния напрямую связана со степенью искусственного интеллекта. Даже самые первые успехи, достигнутые в этой области, оказали существенное влияние на методы преподавание компьютерных наук и разработку программного и аппаратного обеспечения. Искусственный интеллект позволил создать машины поиска, роботов, эффективные системы наружного наблюдения, системы управления запасами, распознавания речи и ряд других принципиально новых приложений.

По мнению разработчиков, успехи среднего уровня, достигнутые в искусственном интеллекте, способны оказать колоссальное влияние на образ жизни населения на всей планете. До настоящего времени таким всепроникающим воздействием обладали лишь Internet и сотовая телефонная связь, а степень влияния искусственного интеллекта оставалась незначительной. Но можно предположить, какую пользу окажет человечеству появление персональных помощников для дома или офиса, и как улучшится с их появлением качество повседневной жизни, хотя на первых порах это может повлечь за собой ряд экономических проблем. В то же время, технологические возможности, открывшиеся перед человечеством, могут привести к созданию автономного оружия, а его появление, по мнению многих, нежелательно. Наконец, вполне может быть, что успех в создании искусственного интеллекта, превосходящего по уровню человеческий разум, может кардинально изменить жизнь человечества. Люди станут по-другому работать, отдыхать, развлекаться, изменятся представления о сознании, интеллекте и о самом будущем человечества. Легко понять, что появление интеллекта, превосходящего человеческий, может нанести серьёзный ущерб свободе, самоопределению и существованию людей. По крайней мере, все эти аспекты могут оказаться под угрозой. Поэтому исследования, касающиеся искусственного интеллекта, должны проводиться с осознанием их возможных последствий.

Каким может быть будущее? В большинстве научно-фантастических романов развитие сюжетов происходит не по оптимистическим, а по пессимистическим сценариям, возможно, лишь потому, что такие произведения более привлекательны для читателей. Но в действительности, скорее всего, всё будет иначе. Развитие искусственного интеллекта происходит так же, как развивались в своё время телефония, воздухоплавание, инженерное оборудование, типографское дело и прочие революционные технологии, внедрение которых принесло больше положительных, а не отрицательных последствий.

Также стоит отметить, что несмотря на короткую историю существования искусственного интеллекта, в этой области произошёл существенный прогресс. Тем не менее, если бы человечество могло заглянуть в будущее, оно бы увидело, как мало ещё сделано по сравнению с тем, что предстоит сделать.

Заключение

искусственный интеллект экспертный

В научном сообществе не прекращаются споры о возможности создания искусственного интеллекта. По мнению многих, создание ИИ повлечёт за собой унижение человеческого достоинства. Говоря о возможностях ИИ, нельзя забывать о необходимости развития и совершенствования человеческого интеллекта.

Преимущества использования ИИ состоят в том, что оно даёт стимул к дальнейшему прогрессу, а также намного повышает продуктивность труда путём автоматизации производства. Но при всех плюсах у кибернетики имеются и некоторые минусы, которым человечество должно уделять самое пристальное внимание. Главный минус заключается в опасности, которую может вызвать работа с ИИ. Ещё одна проблема связана с тем, что люди могут утратить стимул к творческой деятельности. Компьютеры повсеместно используются в сфере искусств, и создаётся впечатление, что они вытесняют из этой сферы людей. Остаётся надеяться, что квалифицированная творческая деятельность по-прежнему будет привлекательной для человека, и что самые лучшие музыкальные, литературные и живописные произведения по-прежнему будут создаваться людьми.

Есть и ещё одна группа проблем, более серьёзная. Современные машины и программы обладают способностью приспосабливаться к изменяющимся внешним факторам, то есть обучаться. Совсем скоро будут разработаны машины с такой степенью приспособляемости и надежности, которая позволит человеку не вмешиваться в процесс принятия решений. Это может привести к тому, что люди окажутся неспособными адекватно действовать в случае возникновения чрезвычайной ситуации. Возможно и такое, что в случае ЧС человек не сможет принять на себя функции управления в тот момент, когда это будет необходимо. Это значит, что уже сейчас стоит задуматься о введении некоторых пределов автоматизации процессов, особенно тех, которые связаны с возникновением тяжёлых аварийных ситуаций. В таком случае человек, контролирующий управляющую машину, сможет правильно отреагировать и принять подходящее решение для той или иной непредвиденной ситуации.

Такие ситуации могут возникать в сфере транспорта, в ядерной энергетике и ракетных войсках. В последнем случае ошибка может привести к ужасным последствиям. Но вероятность ошибок всегда существует и остаётся даже в случае дублирования и многократных перепроверок. Это значит, что необходимо присутствие оператора, контролирующего машину.

Уже сейчас очевидно, что людям постоянно придется решать проблемы, связанные с искусственным интеллектом, так они появляются сейчас и будут появляться в дальнейшем.

В данной курсовой работе были рассмотрены задачи искусственного интеллекта, история его появления, области применения и некоторые проблемы, касающиеся ИИ. Сведения, изложенные в данной работе, будут интересны тем, кого интересуют современные технологии и достижения, имеющие отношение к искусственному интеллекту. Цели данной курсовой работы выполнены.

Глоссарий

№ п/пПонятиеОпределение1Искусственная нейронная сетьматематическая модель, построенная по принципу функционирования и организации биологической нейронной сети.2Кибернетиканаука об управлении, связи и переработке информации.3Когнитологияэто сфера деятельности, связанная с анализом знания и обеспечением его (знания) дальнейшего развития.4Рендерингпроцесс получения изображения по модели5Скриптингнаписание сценариев (скриптов) на интерпретируемых языках программирования

Список использованных источников

Девятков В. В. Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. - 352 с. - (Информатика в техническом университете). - 3000 экз.

Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. - М.: Наука, 1978, вып. 33.

Маккарти Д. What is Artificial Intelligence?, - М.: 2007.

Петрунин Ю. Ю., Рязанов М. А., Савельев А. В. Философия искусственного интеллекта в концепциях нейронаук. (Научная монография). - М.: МАКС Пресс, 2010.

Питер Джексон Введение в экспертные системы. - 3-е изд. - М.: Вильямс, 2001. - С. 624.

Рассел С., Норвиг П. Искусственный интеллект: современный подход/ Пер. с англ. и ред. К. А. Птицына. - 2-е изд. - М.: Вильямс, 2006. - 1408 с. - 3000 экз.

Ту Дж., Гонсалес Р. Принципы распознавания образов, - М.: 1978

Файн В. С. Опознавание изображений, - М.: 1970

Интерес к искусственному интеллекту растёт с каждым годом: в 2011 году было 67 сделок с компаниями, которые занимаются разработкой технологий ИИ, а в 2015 году - около 400. В первом квартале 2016 финансового года состоялось более 140 сделок - рекордный показатель за историю сектора.

Обозреватель сайт рассказал, как искусственный интеллект используют в различных сферах жизни и что ждёт технологии из этой области в будущем.

Сельское хозяйство

Сейчас

В 2012 году компания Autonomous Tractor Cooperation (ATC) показала прототип беспилотного трактора Spirit, заявив, что это «первый полностью беспилотный трактор для сельского хозяйства». Сейчас ATC продолжает работать над улучшением прототипа. Spirit оснащен разработанной компанией технологей AutoDrive , которая сочетает радионавигацию и лазерный гироскоп вместе с технологиями искусственного интеллекта.

Благодаря AutoDrive трактор сможет самостоятельно передвигаться по пути, по которому он предварительно проехал с водителем. «Трактор не станет фермером только из-за того, что мы дадим ему шаблон действий. Мы должны тренировать его, как начинающего агрария. Трактору нужно научиться обрабатывать землю, а не только правильно ездить», - говорит генеральный директор компании Крэйг Шульц.

Беспилотный трактор Spirit

В мае 2016 года российская компания Cognitive Technologies протестировала беспилотный трактор с системой компьютерного зрения. На тракторе были установлены видеокамеры, навигационный и инерционный датчики ГЛОНАСС и GPS и вычислительный блок.

«Система компьютерного зрения позволяет с высокой точностью детектировать опасные объекты, определять их размеры и координаты для составления высокоточных карт, - говорит президент компании Ольга Ускова. - Благодаря точному знанию положения предметов на поле многие из них становится возможным удалить ещё до уборочной стадии, когда они могут представлять реальную угрозу механическим элементам сельхозтехники».

Трактор объезжает объекты, которые невозможно убрать при уборке урожая, а благодаря видеокамерам и датчикам он получает информацию о появлении новых объектах в режиме реального времени. По словам Ольги Усковой, технология должна быть готова для продажи потребителям через полтора года.

В августе 2016 года компания CNH Industrial представила концепт беспилотного трактора на основе существующего Case IH Magnum. Трактор может работать без участия водителя, используя лидар (технология получения и обработки информации об удалённых объектах с помощью систем, использующих явления отражения света и его рассеяния - прим. ред.) и камеры для того, чтобы обнаруживать и избегать препятствия. По словам представителей компании, беспилотные транспортные средства помогут повысить точность и продуктивность работ в секторе сельского хозяйства.

Искусственный интеллект (ИИ, англ. Artificial intelligence, AI) - наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Что такое искусственный интеллект

Интеллект (от лат. intellectus - ощущение, восприятие, разумение, понимание, понятие, рассудок), или ум - качество психики, состоящее из способности приспосабливаться к новым ситуациям, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой. Интеллект - это общая способность к познанию и решению трудностей, которая объединяет все познавательные способности человека: ощущение, восприятие, память, представление, мышление, воображение.

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение искусственного интеллекта (ИИ):

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

Основные свойства ИИ - это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.

ИИ – комплекс родственных технологий и процессов, развивающихся качественно и стремительно, например:

• обработка текста на естественном языке
• экспертные системы
• виртуальные агенты (чат-боты и виртуальные помощники)
• системы рекомендаций.

Исследования в сфере ИИ

• Основная статья: Исследования в сфере искусственного интеллекта

Стандартизация в области ИИ

2018: Разработка стандартов в области квантовых коммуникаций, ИИ и умного города

Технический комитет «Кибер-физические системы» на базе РВК совместно с Региональным инжиниринговым центром «СэйфНет» 6 декабря 2018 года начали разработку комплекса стандартов для рынков Национальной технологической инициативы (НТИ) и цифровой экономики . К марту 2019 года планируется разработать документы технической стандартизации в области квантовых коммуникаций , и , сообщили в РВК. Подробнее .

Влияние искусственного интеллекта

Риск для развития человеческой цивилизации

Влияние на экономику и бизнес

• Влияние технологий искусственного интеллекта на экономику и бизнес

Влияние на рынок труда

Предвзятость искусственного интеллекта

В основе всего того, что является практикой ИИ (машинный перевод, распознавание речи, обработка текстов на естественных языках, компьютерное зрение , автоматизация вождения автомобилей и многое другое) лежит глубинное обучение. Это подмножество машинного обучения , отличающееся использованием моделей нейронных сетей , о которых можно сказать, что они имитируют работу мозга, поэтому их с натяжкой можно отнести к ИИ. Любая модель нейронной сети обучается на больших наборах данных , таким образом, она обретает некоторые «навыки», но то, как она ими пользуется - для создателей остается не ясным, что в конечном счете становится одной из важнейших проблем для многих приложений глубинного обучения. Причина в том, что такая модель работает с образами формально, без какого-либо понимания того, что она делает. Является ли такая система ИИ и можно ли доверять системам, построенным на основе машинного обучения? Значение ответа на последний вопрос выходит за пределы научных лабораторий. Поэтому заметно обострилось внимание средств массовой информации к явлению, получившему название AI bias. Его можно перевести как «необъективность ИИ» или «пристрастность ИИ». Подробнее .

Рынок технологий искусственного интеллекта

Рынок ИИ в России

Мировой рынок ИИ

Сферы применения ИИ

Сферы применения ИИ достаточно широки и охватывают как привычные слуху технологии, так и появляющиеся новые направления, далекие от массового применения, иначе говоря, это весь спектр решений, от пылесосов до космических станций. Можно разделить все их разнообразие по критерию ключевых точек развития.

ИИ - это не монолитная предметная область. Более того, некоторые технологические направления ИИ фигурируют как новые подотрасли экономики и обособленные сущности, одновременно обслуживая большинство сфер в экономике.

Развитие применения использования ИИ ведет к адаптации технологий в классических отраслях экономики по всей цепочке создания ценности и преобразует их, приводя к алгоритмизированию практически всего функционала, от логистики до управления компанией.

Использование ИИ в целях обороны и в военном деле

Использование в образовании

Использование ИИ в бизнесе

ИИ в электроэнергетики

• На уровне проектирования: улучшенное прогнозирование генерации и спроса на энергоресурсы, оценка надежности энергогенерирующего оборудования, автоматизация повышения генерации при скачке спроса.
• На уровне производства: оптимизация профилактического обслуживания оборудования, повышение эффективности генерации, снижение потерь, предотвращение краж энергоресурсов.
• На уровне продвижения: оптимизация ценообразования в зависимости от времени дня и динамическая тарификация.
• На уровне предоставления обслуживания: автоматический выбор наиболее выгодного поставщика, подробная статистика потребления, автоматизированное обслуживание клиентов, оптимизация энергопотребления с учетом привычек и поведения клиента.

ИИ в производственной сфере

• На уровне проектирования: повышение эффективности разработки новых продуктов, автоматизированная оценка поставщиков и анализ требований к запчастям и деталям.
• На уровне производства: совершенствование процесса исполнения задач, автоматизация сборочных линий, снижение количества ошибок, уменьшение сроков доставки сырья.
• На уровне продвижения: прогнозирование объемов предоставления услуг поддержки и обслуживания, управление ценообразованием.
• На уровне предоставления обслуживания: улучшение планирования маршрутов парка транспортных средств, спроса на ресурсы автопарка, повышение качества подготовки сервисных инженеров.

ИИ в банках

• Распознавание образов - используется в т.ч. для узнавания клиентов в отделениях и передачи им специализированных предложений.

ИИ на транспорте

• Автоиндустрия на пороге революции: 5 вызовов эры беспилотного вождения

ИИ в логистике

ИИ в пивоварении

Использование ИИ в госуправлении

ИИ в криминалистике

• Распознавание образов - используется в т.ч. для выявления преступников в общественных пространствах.

• В мае 2018 года стало известно об использовании голландской полицией искусственного интеллекта для расследования сложных преступлений.

Как сообщает издание The Next Web, правоохранительные органы начали оцифровывать более 1500 отчетов и 30 млн страниц, связанных с нераскрытыми делами. В компьютерный формат переносят материалы, начиная с 1988 года, в которых преступление не раскрывалось не менее трех лет, и преступник были приговорен к более 12 годам лишения свободы.

После оцифровки всего контента он будет подключен к системе машинного обучения , которая будет анализировать записи и решать, в каких делах используются самые достоверные доказательства. Это должно снизить время обработки дел и раскрытия прошлых и будущих преступлений с нескольких недель до одного дня.

Искусственный интеллект будет распределять дела по их «разрешимости» и указывать на возможные результаты экспертизы ДНК. Затем планируется автоматизировать анализ и в других областях судебной экспертизы и, возможно, даже охватить данные в таких областях, как общественные науки и свидетельские показания.

Кроме того, как рассказал один разработчиков системы Джерун Хаммер (Jeroen Hammer), в будущем могут быть выпущены API -функции для партнёров.

В голландской полиции есть специальное подразделение, специализирующееся на освоении новых технологий для раскрытия преступлений. Именно он и создало ИИ-систему для быстрого поиска преступников по уликам.

ИИ в судебной системе

Разработки в области искусственного интеллекта помогут кардинально изменить судебную систему, сделать ее более справедливой и свободной от коррупционных схем. Такое мнение высказал летом 2017 года доктор технических наук, технический консультант Artezio Владимир Крылов.

Ученый считает, что уже существующие сейчас решения в области AI можно успешно применять в разных сферах экономики и общественной жизни. Эксперт указывает, что AI успешно применяется в медицине, однако в будущем способен полностью изменить и судебную систему.

«Ежедневно просматривая новостные сообщения о разработках в области ИИ только поражаешься неисчерпаемости фантазии и плодотворности исследователей и разработчиков в этой области. Сообщения о научных исследований постоянно чередуются с публикациями о новых продуктах, врывающихся на рынок и сообщениями об удивительных результатах, полученных с помощью применения ИИ в различных областях. Если же говорить об ожидаемых событиях, сопровождаемых заметным хайпом в СМИ, в котором ИИ станет снова героем новостей, то я, наверное, не рискну делать технологических прогнозов. Могу предположить, что ближайшим событием станет появление где-то предельно компетентного суда в форме искусственного интеллекта, справедливого и неподкупного. Случится это, видимо, в 2020-2025 году. И процессы, которые пройдут в этом суде приведут к неожиданным рефлексиям и стремлению многих людей передать ИИ большинство процессов управления человеческим обществом».

Использование искусственного интеллекта в судебной системе ученый признает «логичным шагом» по развитию законодательного равенства и справедливости. Машинный разум не подвержен коррупции и эмоциям, может четко придерживаться законодательных рамок и выносить решения с учетом многих факторов, включая данные, которые характеризуют участников спора. По аналогии с медицинской сферой, роботы -судьи могут оперировать большими данными из хранилищ государственных служб. Можно предположить, что машинный интеллект сможет быстро обрабатывать данные и учитывать значительно больше факторов, чем судья-человек.

Эксперты-психологи, впрочем, считают, что отсутствие эмоциональной составляющей при рассмотрении судебных дел негативно скажется на качестве решения. Вердикт машинного суда может оказаться слишком прямолинейным, не учитывающим важность чувств и настроения людей.

Живопись

В 2015 году команда Google тестировала нейронные сети на предмет возможности самостоятельно создавать изображения. Тогда искусственный интеллект обучали на примере большого количества различных картинок. Однако, когда машину «попросили» самостоятельно что-нибудь изобразить, то оказалось, что она интерпретирует окружающий нас мир несколько странно. Например, на задачу нарисовать гантели, разработчики получили изображение, в котором металл был соединён человеческими руками. Вероятно, произошло это из-за того, что на этапе обучения анализируемые картинки с гантелями содержали руки, и нейронная сеть неверно это интерпретировала.

26 февраля 2016 года в Сан-Франциско на специальном аукционе представители Google выручили с психоделических картин, написанных искусственным интеллектом, порядка $98 тыс. Данные средства были пожертвованы на благотворительность. Одна из наиболее удачных картин машины представлена ниже.

Картина, написанная искусственным интеллектом Google.

Искусственный интеллект (ИИ) (англ. Artificial intelligence, AI) - это наука и разработка интеллектуальных машин и систем, особенно интеллектуальных компьютерных программ, направленных на то, чтобы понять человеческий интеллект. При этом используемые методы не обязательно биологически правдоподобны. Но проблема состоит в том, что неизвестно какие вычислительные процедуры мы хотим называть интеллектуальными. А так как мы понимаем только некоторые механизмы интеллекта, то под интеллектом в пределах этой науки мы понимаем только вычислительную часть способности достигать целей в мире.

Различные виды и степени интеллекта существуют у многих людей, животных и некоторых машин, интеллектуальных информационных систем и различных моделей экспертных систем с различными базами знаний. При этом как видим такое определение интеллекта не связано с пониманием интеллекта у человека – это разные вещи. Более того, эта наука моделирует человеческий интеллект, так как, с одной стороны, можно изучить кое-что о том, как заставить машины решить проблемы, наблюдая других людей, а с другой – большинство работ в ИИ изучают проблемы, которые требуется решать человечеству в промышленном и технологическом смысле. Поэтому ИИ-исследователи вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем.

Именно в таком смысле термин ввел Дж. Маккарти в 1956 году на конференции в Дартмутском университете, и до сих пор, несмотря на критику тех, кто считает, что интеллект – это только биологический феномен, в научной среде термин сохранил свой первоначальный смысл, несмотря на явные противоречия с точки зрения человеческого интеллекта.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла-Саймона. Поэтому, несмотря на множество подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

· нисходящий (англ. Top-Down AI ), семиотический – создание экспертных систем, баз знаний и систем логического вывода, имитирующие высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;

· восходящий (англ. Bottom-Up AI ), биологический – изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе более мелких «неинтеллектуальных» элементов.

Последний подход, строго говоря, не относится к науке о искусственном интеллекте в смысле, данном Дж. Маккарти, их объединяет только общая конечная цель.

История искусственного интеллекта как нового научного направления начинается в середине XX века. К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчётов и представления знаний о мире в формализованном виде; наконец, зародился фундамент математической теории вычислений - теории алгоритмов, и были созданы первые компьютеры.

Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учёном сообществе был поставлен вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека? В 1950 году один из пионеров в области вычислительной техники, английский учёный Алан Тьюринг, в статье «Может ли машина мыслить?», дает ответы на подобные вопросы, и описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга.

Тест Тьюринга – это эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум», опубликованной в 1950 году в философском журнале «Mind ». Целью данного теста является определение возможности искусственного мышления близкого к человеческому. Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы - ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

Существует три подхода к определению искусственного интеллекта:

1) Логический подход к созданию систем искусственного интеллекта направлен на создание экспертных систем с логическими моделями баз знаний с использованием языка предикатов. Учебной моделью систем искусственного интеллекта в 80-х годах был принят язык и система логического программирования Пролог. Базы знаний, записанные на языке Пролог, представляют наборы фактов и правил логического вывода, записанных языка логических. Логическая модель баз знаний позволяет записывать не только конкретные сведения и данные в форме фактов на языке Пролог, но и обобщенные сведения с помощью правил и процедур логического вывода и в том числе логических правил определения понятий, выражающих определённые знания как конкретные и обобщенные сведения. В целом исследования проблем искусственного интеллекта в информатике в рамках логического подхода к проектированию баз знаний и экспертных систем направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы обучения студентов и школьников, а также подготовки пользователей и разработчиков таких интеллектуальных информационных систем.

2) Агентно-ориентированный подход развивается с начала 1990-х годов. Согласно этому подходу, интеллект - это вычислительная часть (планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов. Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно сильнее изучаются алгоритмы поиска и принятия решений.

3) Интуитивный подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём, в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Определением выбраны, следующие направления исследований в области ИИ:

- Символьное моделирование мыслительных процессов.

Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений. Долгие годы развитие ИИ как науки двигалось именно по этому пути, и теперь это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована, то есть переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п. В это направление входят: доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование.

- Работа с естественными языками.

Немаловажным направлением является обработка естественного языка, в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В частности, здесь ещё не решена проблема машинного перевода текстов с одного языка на другой. В современном мире большую роль играет разработка методов информационного поиска. По своей природе, оригинальный тест Тьюринга связан с этим направлением.

- Накопление и использование знаний.

Согласно мнению многих учёных, важным свойством интеллекта является способность к обучению. Таким образом, на первый план выходит инженерия знаний, объединяющая задачи получения знаний из простой информации, их систематизации и использования. Достижения в этой области затрагивают почти все остальные направления исследований ИИ. Здесь также нельзя не отметить две важные подобласти. Первая из них - машинное обучение - касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Второе связано с созданием экспертных систем - программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.

К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования. Биологическое моделирование

Большие и интересные достижения имеются в области моделирования биологических систем. Строго говоря, сюда можно отнести несколько независимых направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы - агента, взаимодействующего с внешней средой, называется агентным подходом. Особо стоит упомянуть компьютерное зрение, которое связано ещё и с робототехникой.

- Робототехника.

Вообще, робототехника и искусственный интеллект часто ассоциируется друг с другом. Интегрирование этих двух наук, создание интеллектуальных роботов, можно считать ещё одним направлением ИИ.

- Машинное творчество.

Природа человеческого творчества ещё менее изучена, чем природа интеллекта. Тем не менее, эта область существует, и здесь поставлены проблемы написания компьютером музыки, литературных произведений (часто - стихов или сказок), художественное творчество. Создание реалистичных образов широко используется в кино и индустрии игр. Добавление данной возможности к любой интеллектуальной системе позволяет весьма наглядно продемонстрировать что именно система воспринимает и как это понимает. Добавлением шума вместо недостающей информации или фильтрация шума имеющимися в системе знаниями производит из абстрактных знаний конкретные образы, легко воспринимаемые человеком, особенно это полезно для интуитивных и малоценных знаний, проверка которых в формальном виде требует значительных умственных усилий.

- Другие области исследований.

Существует масса приложений искусственного интеллекта, каждое из которых образует почти самостоятельное направление. В качестве примеров можно привести программирование интеллекта в компьютерных играх, нелинейное управление, интеллектуальные системы информационной безопасности.

Подходы к созданию интеллектуальных систем. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами. От умения выделить только существенную информацию зависит эффективность и вообще результативность. Широта классов задач, эффективно решаемых человеческим разумом, требует невероятной гибкости в методах абстрагирования. Не доступной при любом инженерном подходе, который исследователь выбирает изначально по заведомо порочному признаку, за его способность быстро дать эффективное решение какой-то наиболее близкой этому исследователю задачи. То есть уже за реализованную в виде правил единственную модель абстрагирования и конструирования сущностей. Это выливается в значительные затраты ресурсов для непрофильных задач, то есть система от интеллекта возвращается к грубой силе на большинстве задач и сама суть интеллекта улетучивается из проекта.

Особенно трудно без символьной логики приходится когда задача заключается в выработке правил так как их составляющие, не будучи полноценными единицами знаний, не логичны. Большинство исследований останавливается как раз на невозможности хотя бы обозначить новые возникшие трудности средствами выбранных на предыдущих этапах символьных системах. Тем более решить их и тем более обучить компьютер решать их или хотя бы идентифицировать и выходить из таких ситуаций.

Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Интеллекта как такового, без всяких оговорок и условностей.

Широко практикуется создание гибридных интеллектуальных систем, в которых применяются сразу несколько моделей. Экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения.

Развитие теории нечетких множеств. Начало развитию теории нечетких множеств положила статья «Нечеткие множества», опубликованная профессором из США Лотфи Заде, который впервые ввел понятие нечеткого множества, предложил идею и первую концепцию тео­рии, которая давала возможность нечеткого описания реальных систем. Важнейшим направлением теории нечетких множеств является нечеткая логика, применяемая для управления системами, а также в экспериментах по формированию их моделей.

В 60-е годы начался период быстрого развития компьютеров и цифровых технологий на базе двоичной логики. В то время считалось, что использование данной логики позволит решать многие научные и технические проблемы. По этой причине появление нечеткой логики оставалось почти незамеченным, несмотря на всю ее концептуальную революционность. Тем не менее, важность нечеткой логики была осознана рядом представителей научного сообщества и она получила развитие, а также практическую реализацию в рамках различных промышленных приложений. Через некоторое время стал повышаться интерес к ней и со стороны научных школ, объединявших приверженцев технологий на основе двоичной логики. Это произошло из-за того, что обнаружилось достаточно много практических задач, которые не поддавались решению с помощью традиционных математических моделей и методов, несмотря на существенно возросшие доступные скорости реализации вычислений. Требовалась новая методология, характерные черты которой предстояло найти в нечеткой логике.

Подобно робототехнике, нечеткая логика была с большим интересом встречена не в стране своего происхождения, США, а за ее пределами, и как следствие этого, первый опыт промышленного использования нечеткой логики - для управления котельными установками электростанций - связан с Европой. Все попытки использовать для управления паровым котлом традиционные методы, порой весьма замыслова­тые, оканчивались неудачей - настолько сложной оказалась эта нелинейная система. И только применение нечеткой логики позволило синте­зировать регулятор, который удовлетворял всем требованиям. В 1976 г. нечеткая логика была положена в основу системы автоматического управления карусельной печью в производстве цемента. Однако, первые практические результаты использования нечеткой логики, полученные в Европе и Америке, не вызвали какого-либо значительного повышения интереса к ней. Точно так же, как было с робототехникой, страной, которая первой начала повсеместное внедрение нечеткой логики, осознав ее огромный потенциал, стала Япония.

Среди созданных в Японии прикладных нечетких систем наибольшую известность получила разработанная компанией Hitachi система управления поездами метрополитена в г. Сендай. Реализация проекта велась с участием опытного машиниста, знания и опыт которого легли в основу разработанной модели управления. Система автоматически снижа­ла скорость поезда при подъезде его к станции, обеспечивая остановку в требуемом месте. Еще одним преимуществом поезда была его высокая комфортабельность, обусловленная плавностью набора и снижения скорости. Имелся и целый ряд других преимуществ по сравнению с традиционными системами управления.

Быстрое развитие нечеткой логики в Японии привело к тому, что ее практические приложения появились не только в промышленности, но и в производстве товаров народного потребления. Примером здесь может служить видеокамера, оборудованная нечеткой подсистемой стабилизации изображения, применявшейся для компенсации колебаний изображения, вызванных малоопытностью оператора. Данная задача была слишком сложной для решения ее традиционными методами, поскольку требовалось отличать случайные колебания изображения от целенаправленного перемещения объектов съемки (например, движения людей).

Другим примером является автоматическая стиральная ма­шина, управляемая одним нажатием кнопки (Zimmerman 1994 г.). Подобная «целостность» вызвала интерес и была встречена с одобрением. Использование методов нечеткой логики позволило оптимизировать процесс стирки, обеспечивая автоматическое распознавание типа, объема и степе­ни загрязненности одежды, не говоря уже о том, что сведение механизма управления машиной к одной единственной кнопке позволило значительно упростить обращение с ней.

Изобретения в области нечеткой логики были воплощены японскими фирмами и во многих других устройствах, среди которых микроволновые печи (Sanyo), антиблокировочные системы и автоматические коробки передач (Nissan), интегрированное управление динамическими характеристиками автомобиля (INVEC), а также регуляторы жестких дисков в компьютерах, обеспечивающие уменьшение времени доступа к информации.

Помимо упоминавшихся выше приложений, с начала 90-х годов. наблюдается интенсивное развитие нечетких методов в рамках целого ряда прикладных областей, в том числе и не связанных с техникой:

Система управления электронным кардиостимулятором;

Система управления механическими транспортными средствами;

Системы охлаждения;

Кондиционеры и вентиляционное оборудование;

Оборудование для сжигания мусора;

Стеклоплавильная печь;

Система контроля кровяного давления;

Диагностика опухолей;

Диагностика текущего состояния сердечно-сосудистой системы;

Система управления подъемными и мостовыми кранами;

Обработка изображений;

Быстродействующее зарядное устройство;

Распознавание слов;

Управление биопроцессорами;

Управление электродвигателями;

Сварочное оборудование и процессы сварки;

Системы управления движением транспорта;

Биомедицинские исследования;

Водоочистные сооружения.

В настоящий момент в создании искусственного интеллекта (в первоначальном смысле этого слова, экспертные системы и шахматные программы сюда не относятся) наблюдается интенсивное перемалывание всех предметных областей, имеющих хоть какое-то отношение к ИИ, в базы знаний. Практически все подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа так и не подошла.

Исследования ИИ влились в общий поток технологий сингулярности (видового скачка, экспотенциального развития человека), таких как информатика, экспертные системы, нанотехнология, молекулярная биоэлектроника, теоретическая биология, квантовая теория(и), ноотропики, экстромофилы и т. д. см. ежедневный поток новостей Курцвейля, MIT .

Результаты разработок в области ИИ вошли в высшее и среднее образование России в форме учебников информатики, где теперь изучаются вопросы работы и создания баз знаний, экспертных систем на базе персональных компьютеров на основе отечественных систем логического программирования, а также изучения фундаментальных вопросов математики и информатики на примерах работы с моделями баз знаний и экспертных систем в школах и вузах.

Разработанны следующие системы искусственного интеллекта:

1. Deep Blue - победил чемпиона мира по шахматам. (Матч Каспаров против суперЭВМ не принёс удовлетворения ни компьютерщикам, ни шахматистам и система не была признана Каспаровым, хотя оригинальные компактные шахматные программы - неотъемлемый элемент шахматного творчества. Затем линия суперкомпьютеров IBM проявилась в проектах brute force BluGene (молекулярное моделирование) и моделирование системы пирамидальных клеток в швейцарском центре Blue Brain. Данная история - пример запутанных и засекреченных отношений ИИ, бизнеса и национальных стратегических задач.)

2. Mycin – одна из ранних экспертных систем, которая могла диагностировать небольшой набор заболеваний, причем часто так же точно, как и доктора.

3. 20q – проект, основанный на идеях ИИ, по мотивам классической игры «20 вопросов». Стал очень популярен после появления в Интернете на сайте 20q.net.

4. Распознавание речи. Системы такие как ViaVoice способны обслуживать потребителей.

5. Роботы в ежегодном турнире RoboCup соревнуются в упрощённой форме футбола.

Банки применяют системы искусственного интеллекта (СИИ) в страховой деятельности (актуарная математика) при игре на бирже и управлении собственностью. В августе 2001 года роботы выиграли у людей в импровизированном соревновании по трейдингу (BBC News, 2001). Методы распознавания образов, (включая, как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности.

Разработчики компьютерных игр вынуждены применять ИИ той или иной степени проработанности. Стандартными задачами ИИ в играх являются нахождение пути в двухмерном или трёхмерном пространстве, имитация поведения боевой единицы, расчёт верной экономической стратегии и так далее.

Искусственный интеллект тесно связан с трансгуманизмом. А вместе с нейрофизиологией, эпистемологией когнитивной психологией он образует более общую науку, называемую когнитивистикой. Отдельную роль в искусственном интеллекте играет философия. Также, с проблемами искусственного интеллекта тесно связана эпистемология - наука о знании в рамках философии. Философы, занимающиеся данной проблематикой, решают вопросы, схожие с теми, которые решаются инженерами ИИ о том, как лучше представлять и использовать знания и информацию. Производство знаний из данных - одна из базовых проблем интеллектуального анализа данных. Существуют различные подходы к решению этой проблемы, в том числе - на основе нейросетевой технологии, использующие процедуры вербализации нейронных сетей.

В информатике проблемы искусственного интеллекта рассматриваются с позиций проектирования экспертных систем и баз знаний. Под базами знаний понимается совокупность данных и правил вывода, допускающих логический вывод и осмысленную обработку информации. В целом исследования проблем искусственного интеллекта в информатике направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы подготовки пользователей и разработчиков таких систем.

Наука «о создании искусственного разума» не могла не привлечь внимание философов. С появлением первых интеллектуальных систем были затронуты фундаментальные вопросы о человеке и знании, а отчасти о мироустройстве. С одной стороны, они неразрывно связаны с этой наукой, а с другой - привносят в неё некоторый хаос. Философские проблемы создания искусственного интеллекта можно разделить на две группы, условно говоря, «до и после разработки ИИ». Первая группа отвечает на вопрос: «Что такое ИИ, возможно ли его создание, и, если возможно, то как это сделать?» Вторая группа (этика искусственного интеллекта) задаётся вопросом: «Каковы последствия создания ИИ для человечества?»

Вопросы создания искусственного интеллекта. Просматриваются два направления развития ИИ: первое - решении проблем, связанных с приближением специализированных систем ИИ к возможностям человека, и их интеграции, которая реализована природой человека, второе - в создании Искусственного Разума, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества.

Среди исследователей ИИ до сих пор не существует какой-либо доминирующей точки зрения на критерии интеллектуальности, систематизацию решаемых целей и задач, нет даже строгого определения науки. Существуют разные точки зрения на вопрос, что считать интеллектом. Аналитический подход предполагает анализ высшей нервной деятельности человека до низшего, неделимого уровня (функция высшей нервной деятельности, элементарная реакция на внешние раздражители (стимулы), раздражение синапсов совокупности связанных функцией нейронов) и последующее воспроизведение этих функций.

Некоторые специалисты за интеллект принимают способность рационального, мотивированного выбора, в условиях недостатка информации. То есть интеллектуальной просто считается та программа деятельности, которая сможет выбрать из определённого множества альтернатив, например, куда идти в случае «налево пойдёшь…», «направо пойдёшь…», «прямо пойдёшь…».

Наиболее горячие споры в философии искусственного интеллекта вызывает вопрос возможности мышления творения человеческих рук. Вопрос «Может ли машина мыслить?», который подтолкнул исследователей к созданию науки о моделировании человеческого разума, был поставлен Аланом Тьюрингом в 1950 году. Две основных точки зрения на этот вопрос носят названия гипотез сильного и слабого искусственного интеллекта.

Термин «сильный искусственный интеллект» ввел Джон Сёрль, его же словами подход и характеризуется: «Такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом, в том же смысле, в котором человеческий разум - это разум». Напротив, сторонники слабого ИИ предпочитают рассматривать программы лишь как инструмент, позволяющий решать те или иные задачи, которые не требуют полного спектра человеческих познавательных способностей.

Мысленный эксперимент «Китайская комната» Джона Сёрля - аргумент в пользу того, что прохождение теста Тьюринга не является критерием наличия у машины подлинного процесса мышления. Мышление есть процесс обработки находящейся в памяти информации: анализ, синтез и самопрограммирование. Аналогичную позицию занимает и Роджер Пенроуз, который в своей книге «Новый ум короля» аргументирует невозможность получения процесса мышления на основе формальных систем.

6. Вычислительные устройства и микропроцессоры.

Микропроцессор (МП) – это устройство, которое осуществляет прием, об­работку и выдачу информации. Конструктивно МП содержит одну или несколько интегральных схем и выполняет действия, определенные программой, записанной в памяти.(рис. 6.1)

Рисунок 6.1 – Внешний вид МП

Ранние процессоры создавались в виде уникальных составных частей для единственных в своём роде компьютерных систем. Позднее от дорогостоящего способа разработки процессоров, предназначенных для выполнения одной единственной или нескольких узкоспециализированных программ, производители компьютеров перешли к серийному изготовлению типовых классов многоцелевых процессорных устройств. Тенденция к стандартизации компьютерных комплектующих зародилась в эпоху бурного развития полупроводниковых элементов, мейнфреймов и миникомпьютеров, а с появлением интегральных схем она стала ещё более популярной. Создание микросхем позволило ещё больше увеличить сложность ЦП с одновременным уменьшением их физических размеров.

Стандартизация и миниатюризация процессоров привели к глубокому проникновению основанных на них цифровых устройств в повседневную жизнь человека. Современные процессоры можно найти не только в таких высокотехнологичных устройствах, как компьютеры, но и в автомобилях, калькуляторах, мобильных телефонах и даже в детских игрушках. Чаще всего они представлены микроконтроллерами, где помимо вычислительного устройства на кристалле расположены дополнительные компоненты (память программ и данных, интерфейсы, порты ввода/вывода, таймеры, и др.). Вычислительные возможности микроконтроллера сравнимы с процессорами персональных ЭВМ десятилетней давности, а чаще даже значительно превосходят их показатели.

Микропроцессорная система (МПС) – это вычислительная, контрольно-измерительная или управляющая система, основным устройством обработки информации в которой является МП. Микропроцессорная система строится из набора микропроцессорных БИС (рис. 6.2).

Рисунок 6.2 – Пример микропроцессорной системы

Генератор тактовых импульсов задаёт временной интервал, который является единицей измерения (квантом) продолжительности выполнения команды. Чем выше частота, тем при прочих равных условиях более быстродействующей является МПС. МП, ОЗУ и ПЗУ - это неотъемлемые части системы. Интерфейсы ввода и вывода - устройства сопряжения МПС с блоками ввода и вывода информации. Для измерительных приборов характерны устройства ввода в виде кнопочного пульта и измерительных преобразователей (АЦП, датчиков, блоки ввода цифровой информации). Устройства вывода обычно представляют цифровые табло, графический экран (дисплей), внешние устройства сопряжения с измерительной системой. Все блоки МПС связаны между собой шинами передачи цифровой информации. В МПС используют магистральный принцип связи, при котором блоки обмениваются информацией по единой шине данных. Количество линий в шине данных обычно соответствует разрядности МПС (количеству бит в слове данных). Шина адреса применяется для указания направления передачи данных - по ней передаётся адрес ячейки памяти или блока ввода-вывода, которые получают или передают информацию в данный момент. Шина управления служит для передачи сигналов, синхронизирующих всю работу МПС.

В основу построения МПС положены три принципа:

Магистральность;

Модульность;

Микропрограммное управление.

Принцип магистральности – определяет характер связей между функциональными блоками МПС – все блоки соединяются с единой системной шиной.

Принцип модульности состоит в том, что система строится на основе ограниченного количества типов конструктивно и функционально законченных модулей.

Принципы магистральности и модульности позволяют наращивать управляющие и вычислительные возможности МП путем подсоединения других модулей к системной шине.

Принцип микропрограммного управления заключается в возможности осуществления элементарных операций - микрокоманд (сдвигов, пересылок информации, логических операций), с помощью которых создается технологический язык, т. е. набор команд, максимально соответствующий назначению системы.

По назначению МП разделяют на универсальные и специализированные.

Универсальными микропроцессорами являются МП общего назначения, кото­рые решают широкий класс задач вычисления, обработки и управления. Примером использования универсальных МП являются компьютеры, построенные на IBM и Macintosh платформах.

Специализированные микропроцессоры предназначены для решения задач лишь определенного класса. К специализированным МП относятся: сигнальные, мультимедийные МП и транспьютеры.

Сигнальные процессоры (DSP) предназначены для цифровой обработки сигналов в реальном масштабе времени (например, для фильтрации сигналов, вычис­ления свертки, вычисления корреляционной функции, ограничения и пре­образования сигнала, выполнения прямого и обратного преобразования Фурье). (рисунок 6.3) К сигнальным процесорам относятся процессоры компаний Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx и DSP9600x.

Рисунок 6.3 – Пример внутренней структуры DSP

Медийные и мультимедийные процессоры предназначены для обработки аудиосигналов, графической информации, видеоизображений, а также для решения ряда задач в мультимедиакомпьютерах, игровых приставках, бытовой технике. К таковым процессорам относятся процессоры компаний MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Reserch - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.

Транспьютеры предназначены для организации массовых параллельных вычислений и работы в мультипроцессорных системах. Для них характер­ным является наличие внутренней памяти и встроенного межпроцессорного интерфейса, т. е. каналов связи с другими БИС МП.

По типу архитектуры, или принципу построения, различают МП с фоннеймановской и МП с гарвардской архитектурой.

Понятие архитектуры микропроцессора определяет его составные части, а также связи и взаимодействие между ними.

Архитектура включает:

Структурную схему МП;

Программную модель МП (описание функций регистров);

Информацию об организации памяти (емкость и способы адресации памяти);

Описание организации процедур ввода/вывода.

Фоннеймановскую архитектуру (рис. 6.4, а) предложил в 1945 году американский математик Джо фон Нейман. Ее особенностью является то, что программа и данные находятся в общей памяти, доступ к которой осуществляется по одной шине данных и команд.

Гарвардская архитектура впервые была реализована в 1944 году в релейной вычислительной машине Гарвардского университета (США). Особенностью этой архитектуры является то, что память данных и память программ раз­делены и имеют отдельные шину данных и шину команд (рис. 6.4, б), что позволяет повысить быстродействие МП системы.

Рисунок 6.4. Основные типы архитектур: (а - фоннеймановская; 6 - гарвардская)

По типу системы команд различают CISC-процессоры (Complete Instruction Set Computing) с полным набором команд (типичными представителями CISC является семейство микропроцессоров Intel x86) и RISC-процессоры (Reduced Instruction Set Computing) с сокращенным набором команд (характеризуется наличием команд фиксированной длины, большого количества регистров, операций типа регистр-регистр, а также отсутствием косвенной адресации).

Однокристальный микроконтроллер (MCU) – микросхема, предназначенная для управления электронными устройствами (рисунок 5). Типичный микроконтроллер сочетает в себе функции процессора и периферийных устройств, может содержать ОЗУ и ПЗУ. По сути, это однокристальный компьютер, способный выполнять простые задачи. Использование одной микросхемы, вместо целого набора значительно снижает размеры, энергопотребление и стоимость устройств, созданных на базе микроконтроллеров.

Рисунок 6.5 – примеры исполнения микроконтроллеров

Микроконтроллеры являются основой для построения встраиваемых систем, их можно встретить во многих современных приборах, таких, как телефоны, стиральные машины и т. п. Бо́льшая часть выпускаемых в мире процессоров - микроконтроллеры.

На сегодняшний день популярностью у разработчиков пользуются 8-битные микроконтроллеры, совместимые с i8051 фирмы Intel, микроконтроллеры PIC фирмы Microchip Technology и AVR фирмы Atmel, шестнадцатибитные MSP430 фирмы TI, а также ARM, архитектуру которых разрабатывает фирма ARM и продаёт лицензии другим фирмам для их производства.

При проектировании микроконтроллеров приходится соблюдать баланс между размерами и стоимостью с одной стороны и гибкостью и производительностью с другой. Для разных приложений оптимальное соотношение этих и других параметров может различаться очень сильно. Поэтому существует огромное количество типов микроконтроллеров, отличающихся архитектурой процессорного модуля, размером и типом встроенной памяти, набором периферийных устройств, типом корпуса и т. д.

Неполный список периферии, которая может присутствовать в микроконтроллерах, включает в себя:

Универсальные цифровые порты, которые можно настраивать на ввод или вывод;

Различные интерфейсы ввода-вывода, такие как UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Аналого-цифровые и цифро-аналоговые преобразователи;

Компараторы;

Широтно-импульсные модуляторы;

Таймеры, встроенный тактовый генератор и сторожевой таймер;

Контроллеры бесколлекторных двигателей;

Контроллеры дисплеев и клавиатур;

Радиочастотные приемники и передатчики;

Массивы встроенной флэш-памяти.