ПОДХОДЫ К ПОСТРОЕНИЮ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Куникина Б.М. Қазақ инновациялық гуманитарлық заң университеті Ақпараттық технология және экономика факультеті

Исторически сложились три основных направления в моделировании искуственного интеллекта (ИИ).

Первый подход в качестве объекта исследования рассматривает структуру и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимые этапы исследований в этом направлении – это построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т.д.

В рамках второго подхода в качестве объекта исследования рассматривается ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Третий подход ориентирован на создание смешанных человеко-машинных, то есть интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Существуют различные подходы к построению систем искусственного интеллекта (СИИ). Для начала кратко рассмотрим логический подход. Ведь человек занимается отнюдь не только логическими мышлениями. Это высказывание верно, но именно способность к логическому мышлению очень сильно отличает человека от животных.

Основой логического подхода является Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов. Каждая построенная на логическом принципе СИИ, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Можно сказать, что выразительности алгебры высказываний не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит — ячейка памяти, которая может принимать значения только 0 и 1. Таким образом, все, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не говорится о том, за какое время.

Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Ее основное отличие в том, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и промежуточные значения — не знаю (0.5), пациент скорее болен, чем здоров (0.75), пациент скорее здоров, чем болен (0.25). Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет.

Для большинства логических методов характерна большая трудоемкость, потому как во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.

Структурный подход представляет собой попытку разработать СИИ с помощью моделирования структуры человеческого мозга. Одним из первых представителей данного направления был Ф.Розенблатт. Персептрон, который он создал положил начало широкомасштабным исследованиям ученых в этой области. На сегодняшний день разработано более десяти подобных моделей СИИ. Они известны как нейронные сети. Среди наиболее распространенных на практике вариантов нейронных сетей можно выделить нейросети с обратным распространением ошибки, радиально-базисные сети, сети Хопфилда и Элмана, самообучающуюся сеть Кохонена, стохастические нейронные сети и др.

Нейронные сети наиболее успешно применяются в задачах распознавания образов.

Для моделей, построенных по мотивам человеческого мозга характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая производительность параллельно реализованных НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом — нейронные сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы могут отвечать не только “да” и “нет” но и “не знаю точно, но скорее да”.

В основе имитационного подхода к построению СИИ лежит одно из базовых понятий кибернетики — «черный ящик». Черный ящик — это устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется при разработке СИИ является «черным ящиком». Задача создателя СИИ состоит в том, чтобы модель в аналогичных ситуациях вела себя точно так же, как и имитируемый объект. Главный недостаток имитационного подхода заключается в низкой информационной способности большинства моделей, созданных на его основе. Практически четкого разграничения между методами построения СИИ не существует, поэтому зачастую создаются комбинированные системы, где часть работы выполняется по одному методу, а часть — по другому.

Еще один широко используемый подход к построению СИИ – эволюционный. При использовании эволюционного подхода основное внимание уделяется построению начальной модели и правилам, по которым она может эволюционировать. При этом сама модель может быть и нейронной сетью, и набором логических правил, и любой другой моделью. На первом этапе компьютер с помощью тестирования моделей отбирает самые лучшие из них, на основании которых затем по самым различным правилам генерируются новые модели, из которых вновь выбираются самые лучшие, и т.д. В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она становится как бы вещью в себе.

И в заключении, хотелось бы отметить, что на практике нет очень четкой границы между различными методами и подходами к построению СИИ. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по другому.

 

Литература

  1. Искусственный интеллект: справочник в 3-х книгах. // М.: “Мир”, 1990.
  2. Ивахненко А. Г. Моделирование сложных систем: информационный подход. // К.: “Наукова думка”, 1987, 136 стр.
  3. Лорьер Ж.-Л. Системы искусственного интеллекта. // М.: “Мир”, 1991—342 стр. с илл.
  4. По материалам сайта http://lii.newmail.ru.

Check Also

Электрондық күнделікті пайдалану туралы

Электрондық күнделікті пайдалану туралы тамаша бейнесабақ.  Өскембаева Кенже ханымның тамаша бейнесабақтары.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.