Области на приложение на изкуствения интелект. Въздействие върху пазара на труда

Изкуственият интелект AI (изкуствен интелект) обикновено се тълкува като свойството на автоматичните системи да поемат отделни функции на човешката умствена способност, например да избират и вземат оптимални решения въз основа на предварително натрупан опит и рационален анализ на външни влияния. На първо място, говорим за системи, базирани на принципите на обучение, самоорганизация и еволюция с минимално участие на човека, но включващи го като учител и партньор, хармоничен елемент от системата човек-машина.

Естествено, опитите за създаване на AI на базата на компютри започват в зората на развитието на компютърните технологии. Тогава доминира компютърната парадигма, ключовите тези на която гласят, че машината на Тюринг е теоретичен модел на мозъка, а компютърът е реализация на универсална машина и всеки информационен процес може да бъде възпроизведен на компютър. Подобна парадигма беше доминираща дълго време, донесе много интересни резултати, но не постигна основната задача - изграждането на AI в смисъл на моделиране на човешкото мислене. Компютърната парадигма за създаване на AI, която се срина поради неправилен набор от ключови предпоставки, логично се трансформира в невроинформатика, която развива некомпютърен подход за моделиране на интелектуални процеси. Човешкият мозък, опериращ с несегментирана информация, се оказа много по-сложен от машината на Тюринг. Всяка човешка мисъл има свой собствен контекст, извън който тя е безсмислена, знанието се съхранява под формата на образи, които се характеризират с размиване, размиване, системата от образи е слабо чувствителна към противоречия. Системата за съхранение на човешки знания се характеризира с висока надеждност поради разпределеното съхранение на знания, а обработката на информация се характеризира с голяма дълбочина и висок паралелизъм.

Обработката на информация във всяка интелигентна система се основава на използването на един фундаментален процес - обучение. Изображенията имат характерни обективни свойства в смисъл, че различни системи за разпознаване, обучени върху различен материал за наблюдение, най-вече класифицират едни и същи обекти по един и същ начин и независимо един от друг. Именно тази обективност на изображенията позволява на хората по целия свят да се разбират. Обучението обикновено се нарича процесът на развитие в някаква система на специфична реакция към групи външни идентични сигнали чрез многократно въздействие върху системата за разпознаване на външни коригиращи сигнали. Механизмът за генериране на тази корекция, която най-често има значението на награди и наказания, почти изцяло определя алгоритъма на обучение. Самообучението се различава от обучението по това, че тук не се съобщава допълнителна информация за правилността на реакцията към системата.

Интелигентните информационни системи могат да използват „библиотеки“ от голямо разнообразие от методи и алгоритми, които прилагат различни подходи към процесите на обучение, самоорганизация и еволюция в синтеза на AI системи. Тъй като досега няма нито обща теория за изкуствения интелект, нито работеща извадка от напълно функционален AI модел, не е възможно да се каже кой от тези подходи е правилен и кой е грешен: най-вероятно те могат хармонично да се допълват взаимно. Повече информация за проблемите на изкуствения интелект можете да намерите на уебсайтовете www.ccas.ru и www.iseu.by/rus/educ/envmon.

Изкуственият интелект се реализира с помощта на четири подхода (трудно е да не се каже модни "парадигми"): логически, еволюционен, симулационен и структурен. Всички тези четири направления се развиват паралелно, често взаимно преплитащи се.

Основата на логическия подход е булевата алгебра и нейните логически оператори (основно познатия оператор IF ["if"]). Булевата алгебра получи своето по-нататъшно развитие под формата на предикатно смятане, в което беше разширена чрез въвеждане на обектни символи, отношения между тях, екзистенциални и универсални квантори. На практика всяка AI система, изградена на логически принцип, е машина за доказване на теореми. В този случай първоначалните данни се съхраняват в базата данни под формата на аксиоми, а правилата за извод - като връзка между тях.

Повечето логически методи се характеризират с висока трудоемкост, тъй като по време на търсенето на доказателства е възможно пълно изброяване на опциите. Следователно този подход изисква ефективно внедряване на изчислителния процес и добрата производителност обикновено се гарантира с относително малък размер на базата данни. Пример за практическа реализация на логически методи са дърветата на решенията, които реализират в концентрирана форма процеса на „учене“ или синтез на правилото за решаване.

Постигането на по-голяма изразителност на логическия подход позволява такава сравнително нова посока като размита логика. След фундаменталните трудове на Л. Заде терминът размит (англ. fuzzy, fuzzy) става ключова дума. За разлика от традиционната математика, която изисква точни и недвусмислени формулировки на закономерностите на всяка стъпка от моделирането, размитата логика предлага напълно различно ниво на мислене, благодарение на което творческият процес на моделиране се осъществява на по-високо ниво на абстракция, при което само минимално ниво на моделиране се постулира набор от закономерности. Например, верността на едно логическо твърдение може да приеме в размитите системи, в допълнение към обичайните „да / не“ (1/0), също и междинни стойности: „Не знам“ (0,5), „пациентът е повече жив, отколкото мъртъв" (0,75), "пациентът е повече мъртъв, отколкото жив" (0,25) и др. Този подход прилича повече на мисленето на човек, който рядко отговаря на въпроси с да или не. Теоретичните основи и приложните аспекти на интелигентните системи за оценка и прогнозиране при несигурност, базирани на теорията на размитите множества, са описани подробно в литературата [Averkin et al., 1986; Борисов и др., 1989; Нетрадиционни модели.., 1991; Василиев и Илясов, 1995].

Терминът "самоорганизация" се разбира, според Ивахненко, "процес на спонтанно (спонтанно) увеличаване на реда или организация в система, състояща се от много елементи, възникваща под влиянието на външната среда".

Принципите на самоорганизацията са обект на изследване от много видни учени: J. von Neumann, N. Wiener, W.R. Ашби и др.. Голям принос за развитието на тази посока е направена от работата на украинската кибернетика под ръководството на A.G. Ивахненко, който разработи цял клас адаптивни модели на самоорганизация, които биха могли да се нарекат "интелигентно обобщение" на емпирично-статистически методи.

Могат да се отбележат следните принципи на самоорганизация на математическите модели:

- принципът на неокончателните решения (предложен от Д. Габор и се състои в необходимостта да се поддържа достатъчна "свобода на избор" на няколко най-добри решения на всяка стъпка на самоорганизация),
- принципът на външното добавяне (въз основа на теоремата на К. Гьодел и се крие във факта, че само външни критерии, базирани на нова информация, позволяват синтезирането на истински модел на обект, скрит в шумни експериментални данни);
- принципът на масовия подбор (предложен от A.G. Ivakhnenko и показва най-подходящия начин за постепенно усложняване на самоорганизиращ се модел, така че критерият за неговото качество да премине през своя минимум).

За възникването на самоорганизацията е необходимо да има първоначална структура, механизъм за нейните случайни мутации и критерии за подбор, благодарение на които се оценява мутацията от гледна точка на нейната полезност за подобряване на качеството на системата. Тези. при изграждането на тези AI системи, изследователят определя само първоначалната организация и списъка с променливи, както и критериите за качество, които формализират целта за оптимизация, и правилата, по които моделът може да се променя (самоорганизира или развива). Освен това, самият модел може да принадлежи към различни типове: линейна или нелинейна регресия, набор от логически правила или всеки друг модел.

Самоорганизиращите се модели служат главно за прогнозиране на поведението и структурата на екосистемите, тъй като по самата логика на изграждането им участието на изследователя в този процес е сведено до минимум. Могат да се дадат редица конкретни примери за използването на GMDH алгоритми: за дългосрочни прогнози на екологичната система на ез. Байкал, моделиране на геоботанически описания; системи "хищник-жертва", растеж на дървета, прогнозиране на токсикологичните показатели на замърсителите, оценка на динамиката на числеността на зоопланктонните съобщества.

В математическата кибернетика се разграничават два вида итеративни процеси на развитие на системата:

- адаптация, при която екстремумът (целта на движението на системата) остава постоянен;
- еволюция, при която движението е съпроводено с промяна в положението на екстремума.

Ако самоорганизацията се свързва само с адаптивни механизми за регулиране на отговорите на системата (например промяна на стойностите на коефициентите на тегло), тогава концепцията за еволюция се свързва със способността на ефектор (термин, въведен от S. Lem) да промени собствената си структура, т.е. броят на елементите, посоката и интензитета на връзките, като ги регулира оптимално спрямо задачите във всеки конкретен момент. В процеса на еволюция в сложна и променяща се среда ефекторът е в състояние да придобие принципно нови качества, да достигне до следващ етап на развитие. Например в процеса на биологичната еволюция са възникнали изключително сложни и в същото време изненадващо продуктивни живи организми.

Еволюционното моделиране е по същество универсален метод за конструиране на прогнози за макросъстоянията на система в условия, при които апостериорна информация напълно липсва, а априорните данни уточняват само предисторията на тези състояния. Общата схема на алгоритъма за еволюция е следната:

- уточнява се първоначалната организация на системата (в еволюционното моделиране например в това качество може да се появи краен детерминиран автомат на Мили);
- извършват случайни "мутации", т.е. промяна на текущата машина на произволно състояние;
- изберете за по-нататъшно "развитие" онази организация (този автомат), която е "най-добра" по смисъла на някакъв критерий, например максималната точност на прогнозиране на последователността от стойности на макросъстоянията на екосистемата.

Критерият за качество на модела в този случай не е много по-различен, например, от минимума на средната квадратична грешка на обучителната последователност на метода на най-малките квадрати (с всички произтичащи от това недостатъци). Въпреки това, за разлика от адаптацията, при еволюционното програмиране структурата на решаващия се променя малко при преминаване от една мутация към друга, т.е. няма преразпределение на вероятностите, което би увековечило мутациите, довели до успех в предишната стъпка. Търсенето на оптимална структура е по-случайно и нецеленасочено, което забавя процеса на търсене, но осигурява най-добрата адаптация към специфични променящи се условия.

Структурният подход се отнася до опити за изграждане на AI системи чрез моделиране на структурата на човешкия мозък. През последните десетина години феноменът на взрив на интерес към структурните методи за самоорганизация - моделиране на невронни мрежи, който се използва успешно в различни области - бизнес, медицина, технологии, геология, физика, т.е. навсякъде, където е необходимо да се решат проблеми на прогнозиране, класификация или контрол.

Способността на невронната мрежа да се учи за първи път е изследвана от J. McCulloch и W. Pitt, когато през 1943 г. е публикувана тяхната работа "Логическото смятане на идеи, свързани с нервната дейност". Той представи модел на неврон и формулира принципите за изграждане на изкуствени невронни мрежи.

Голям тласък за развитието на неврокибернетиката дава американският неврофизиолог Ф. Розенблат, който през 1962 г. предлага своя модел на невронна мрежа - персептрон. Първоначално приет с голям ентусиазъм, перцептронът скоро беше подложен на интензивни атаки от големите научни авторитети. И въпреки че подробният анализ на техните аргументи показва, че те не са оспорили персептрона, предложен от Розенблат, широкомащабните изследвания на невронните мрежи бяха ограничени за почти 10 години.

Друг важен клас невронни системи е въведен от Фин Т. Кохонен. Този клас има хубаво име: "самоорганизиращи се преобразувания на състояния, които запазват топологията на сензорното пространство". Теорията на Кохонен активно използва теорията на адаптивните системи, която е разработена в продължение на много години от академика на Руската академия на науките Я.З. Ципкин.

Сега е много популярно в целия свят да се оценяват възможностите на системите за обучение, по-специално на невронните мрежи, въз основа на теорията на размерността, създадена през 1966 г. от съветските математици V.N. Вапник и А.Я. Червоненкис. Друг клас невронно-подобни модели са представени от мрежи за обратно разпространение, в разработването на съвременни модификации на които проф. А.Н. Горбан и Красноярската школа по невроинформатика, ръководена от него. Руската асоциация по невроинформатика под ръководството на президента В.Л. Дунин-Барковски.

Подходът на цялата невронна мрежа се основава на идеята за изграждане на изчислително устройство от голям брой прости елементи, работещи паралелно - формални неврони. Тези неврони функционират независимо един от друг и са свързани помежду си чрез еднопосочни канали за предаване на информация. Ядрото на концепциите за невронни мрежи е идеята, че всеки отделен неврон може да бъде моделиран с доста прости функции и че цялата сложност на мозъка, гъвкавостта на неговото функциониране и други важни качества се определят от връзките между невроните. Крайният израз на тази гледна точка може да бъде лозунгът: „структурата на връзките е всичко, свойствата на елементите са нищо“.

Невронните мрежи (NN) са много мощна техника за моделиране, която ви позволява да възпроизвеждате изключително сложни зависимости, които са нелинейни по природа. Като правило, невронна мрежа се използва, когато предположенията за вида на връзките между входове и изходи са неизвестни (въпреки че, разбира се, се изисква известен набор от евристични знания от потребителя за това как да избира и подготвя данни, да избира желаната мрежа архитектура и интерпретиране на резултатите).

Представителни данни се подават към входа на невронната мрежа и се стартира алгоритъм за обучение, който автоматично анализира структурата на данните и генерира връзка между входа и изхода. Два вида алгоритми се използват за обучение на NN: контролирани („наблюдавано обучение“) и неконтролирани („без надзор“).

Най-простата мрежа има структурата на многослоен перцептрон с директно предаване на сигнала (виж фиг. 3), който се характеризира с най-стабилно поведение. Входният слой се използва за въвеждане на стойностите на първоначалните променливи, след което невроните на междинния и изходния слой се обработват последователно. Всеки от скритите и изходните неврони, като правило, е свързан с всички елементи на предишния слой (за повечето мрежови опции е за предпочитане пълна система от връзки). В възлите на мрежата активният неврон изчислява своята стойност на активиране, като взема претеглената сума от изходите на елементите на предишния слой и изважда от нея праговата стойност. След това стойността на активиране се преобразува с помощта на функция за активиране (или трансферна функция) и резултатът е изходът на неврона. След като цялата мрежа работи, изходните стойности на елементите на последния слой се приемат като изход на цялата мрежа като цяло.

Ориз. 3.

Наред с многослойния персептронен модел по-късно се появяват и други модели на невронни мрежи, различаващи се по структурата на отделните неврони, по топологията на връзките между тях и по алгоритмите за обучение. Сред най-известните опции сега са NN с обратно разпространение, базирани на радиални базисни функции, обобщени регресионни мрежи, NN на Hopfield и Hamming, самоорганизиращи се карти на Кохонен, стохастични невронни мрежи и др. Има работа върху повтарящи се мрежи (т.е. съдържащи обратна връзка, водеща обратно от по-отдалечени към по-близки неврони), които могат да имат много сложна поведенческа динамика. Ефективно започват да се използват самоорганизиращи се (растящи или развиващи се) невронни мрежи, които в много случаи се оказват по-предпочитани от традиционните напълно свързани невронни мрежи.

Моделите, базирани на човешкия мозък, се характеризират както с лесно паралелизиране на алгоритмите и свързаната с това висока производителност, така и с не твърде голяма изразителност на представените резултати, което не допринася за извличането на нови знания за симулираната среда. Следователно основната цел на моделите на невронни мрежи е прогнозирането.

Важно условие за използването на NN, както и всички статистически методи, е обективно съществуваща връзка между известни входни стойности и неизвестен отговор. Тази връзка може да е произволна, изкривена от шум, но трябва да съществува. Това се обяснява, на първо място, с факта, че итеративните алгоритми за насочено изброяване на комбинации от параметри на невронни мрежи се оказват много ефективни и много бързи само ако качеството на първоначалните данни е добро. Ако обаче това условие не е спазено, броят на итерациите нараства бързо и изчислителната сложност е сравнима с експоненциалната сложност на алгоритмите за изчерпателно изброяване на възможните състояния. На второ място, мрежата има тенденция да научава, на първо място, това, което е най-лесно за научаване, и в условия на силна несигурност и шумни характеристики, това са преди всичко артефакти и явления на "фалшива корелация".

Изборът на информативни променливи в традиционната регресия и таксономия се извършва чрез "претеглящи" характеристики, като се използват различни статистически критерии и поетапни процедури, базирани под една или друга форма на анализ на коефициенти на частични корелации или ковариации. За тези цели се използват различни последователни (последователни) процедури, които не винаги водят до резултат, достатъчно близък до оптималния. Ефикасен автоматизиран подход за избор на значими входни променливи може да бъде приложен с помощта на генетичен алгоритъм.

В тази връзка в общата схема на статистическо моделиране чрез методи на ИИ се препоръчва последователно да се изпълняват две различни процедури:

- с помощта на еволюционни методи в двоичното пространство на признаците се търси такава минимална комбинация от променливи, която осигурява лека загуба на информация в оригиналните данни,
- минимизираната матрица от данни, получена на предишния етап, се подава към входа на невронната мрежа за обучение.

Изкуствен интелект (AI, англ. Artificial intelligence, AI) - науката и технологията за създаване на интелигентни машини, особено интелигентни компютърни програми. AI е свързан с подобна задача за използване на компютри за разбиране на човешкия интелект, но не е непременно ограничен до биологично правдоподобни методи.

Какво е изкуствен интелект

Интелигентност(от латински intellectus - усещане, възприятие, разбиране, разбиране, концепция, разум), или ум - качеството на психиката, състоящо се от способността да се адаптира към нови ситуации, способността да се учи и запомня въз основа на опит, разбиране и прилагане абстрактни концепции и използване на собствените знания за управление на околната среда. Интелигентността е обща способност за познание и решаване на трудности, която съчетава всички когнитивни способности на човек: усещане, възприятие, памет, представяне, мислене, въображение.

В началото на 1980г Компютърните учени Бар и Фейгенбаум предложиха следното определение за изкуствен интелект (AI):

По-късно редица алгоритми и софтуерни системи започват да се наричат AI, чиято отличителна черта е, че могат да решават някои проблеми по същия начин, както би направил човек, който мисли за тяхното решение.

Основните свойства на AI са разбирането на езика, ученето и способността да се мисли и, което е важно, да се действа.

AI е комплекс от свързани технологии и процеси, които се развиват качествено и бързо, например:

обработка на текст на естествен език
експертни системи
виртуални агенти (чат ботове и виртуални асистенти)
системи за препоръки.

AI изследвания

Основна статия:Изследвания в областта на изкуствения интелект

AI стандартизация

2018: Разработване на стандарти в областта на квантовите комуникации, AI и интелигентния град

На 6 декември 2018 г. Техническият комитет за кибер-физични системи на базата на RVC заедно с Регионалния инженерен център SafeNet започна разработването на набор от стандарти за пазарите на Националната технологична инициатива (NTI) и цифровата икономика. До март 2019 г. се планира да се разработят документи за техническа стандартизация в областта на квантовите комуникации и , съобщи RVC. Прочетете още.

Въздействието на изкуствения интелект

Риск за развитието на човешката цивилизация

Въздействие върху икономиката и бизнеса

Влиянието на технологиите с изкуствен интелект върху икономиката и бизнеса

Въздействие върху пазара на труда

Пристрастия към изкуствения интелект

В основата на всичко, което е практиката на AI (машинен превод, разпознаване на реч, обработка на естествен език, компютърно зрение, автоматизирано шофиране и други) е дълбокото обучение. Това е подмножество от машинно обучение, характеризиращо се с използването на модели на невронни мрежи, за които може да се каже, че имитират начина, по който работи мозъкът, така че трудно могат да бъдат класифицирани като AI. Всеки модел на невронна мрежа се обучава на големи масиви от данни, така че придобива някои „умения“, но как ги използва остава неясно за създателите, което в крайна сметка се превръща в един от най-важните проблеми за много приложения за дълбоко обучение. Причината е, че такъв модел работи с изображения формално, без никакво разбиране какво прави. Има ли такава AI система и може ли да се вярва на системи, изградени на базата на машинно обучение? Значението на отговора на последния въпрос надхвърля научните лаборатории. Поради това вниманието на медиите към явлението, наречено AI bias, значително ескалира. Може да се преведе като „AI пристрастие“ или „AI пристрастие“. Прочетете още.

Пазар на технологии за изкуствен интелект

AI пазар в Русия

Глобалният AI пазар

Приложения на AI

Областите на приложение на AI са доста широки и обхващат както технологии, които са познати на слуха, така и възникващи нови области, които са далеч от масовото приложение, с други думи, това е цялата гама от решения, от прахосмукачки до космически станции. Възможно е да се раздели цялото им разнообразие според критерия за ключови точки на развитие.

AI не е монолитна предметна област. Освен това някои AI технологии се появяват като нови подсектори на икономиката и отделни единици, като същевременно обслужват повечето области в икономиката.

Развитието на използването на AI води до адаптиране на технологиите в класическите сектори на икономиката по цялата верига на стойността и ги трансформира, което води до алгоритмизиране на почти всички функционалности, от логистиката до управлението на компанията.

Използването на AI за отбрана и военни цели

Използване в образованието

Използване на AI в бизнеса

ИИ в енергетиката

На ниво проектиране: подобрено прогнозиране на производството и търсенето на енергийни ресурси, оценка на надеждността на оборудването за производство на електроенергия, автоматизация на увеличаването на производството в случай на скок на търсенето.
На производствено ниво: оптимизиране на превантивната поддръжка на оборудването, повишаване на ефективността на производството, намаляване на загубите, предотвратяване на кражби на енергийни ресурси.
На ниво промоция: оптимизиране на ценообразуването в зависимост от времето на деня и динамично таксуване.
На ниво доставка на услугата: автоматичен избор на най-печелившия доставчик, подробна статистика на потреблението, автоматизирано обслужване на клиенти, енергийна оптимизация въз основа на навиците и поведението на клиентите.

AI в производството

На ниво проектиране: подобряване на ефективността на разработването на нови продукти, автоматизирана оценка на доставчиците и анализ на изискванията за резервни части и части.
На производствено ниво: подобряване на процеса на изпълнение на задачите, автоматизиране на поточните линии, намаляване на броя на грешките, намаляване на времето за доставка на суровини.
На ниво промоция: прогнозиране на обема на услугите за поддръжка и поддръжка, управление на цените.
На ниво предоставяне на услуги: подобряване на планирането на маршрута на автопарка, търсене на ресурси за автопарка, подобряване на качеството на обучение на сервизните инженери.

AI в банките

Разпознаване на образи - използва се вкл. да разпознава клиенти в клонове и да им изпраща специализирани оферти.

AI в транспорта

Автомобилната индустрия е на прага на революция: 5 предизвикателства на ерата на самостоятелното шофиране

AI в логистиката

AI в пивоварството

Използването на AI в публичната администрация

AI в криминалистиката

Разпознаване на образи - използва се вкл. за откриване на престъпници на обществени места.

През май 2018 г. стана известно за използването на изкуствен интелект от холандската полиция за разследване на сложни престъпления.

Според The Next Web правоприлагащите органи са започнали дигитализиране на повече от 1500 доклада и 30 милиона страници, свързани с неуредени случаи. В компютърен формат се прехвърлят материали, започващи от 1988 г., в която престъплението не е разкрито поне три години, а извършителят е осъден на повече от 12 години затвор.

След като цялото съдържание бъде дигитализирано, то ще бъде свързано към система за машинно обучение, която ще анализира записите и ще реши кои случаи използват най-добрите доказателства. Това би трябвало да намали времето, необходимо за обработка на случаи и разкриване на минали и бъдещи престъпления от седмици на дни.

Изкуственият интелект ще разпределя случаите според тяхната „разрешимост“ и ще посочва възможните резултати от ДНК експертизата. След това се планира да се автоматизира анализът в други области на криминалистиката и може би дори да се обхванат данни в области като социални науки и свидетелски показания.

Освен това, според един от разработчиците на системата Jeroen Hammer (Jeroen Hammer), функциите на API за партньори може да бъдат пуснати в бъдеще.

Холандската полиция има специално звено, което е специализирано в разработването на нови технологии за разкриване на престъпления. Именно той създаде AI система за бързо търсене на престъпници по доказателства.

ИИ в съдебната система

Развитието в областта на изкуствения интелект ще помогне да се промени радикално съдебната система, да я направи по-справедлива и свободна от корупционни схеми. Това мнение беше изразено през лятото на 2017 г. от Владимир Крилов, доктор на техническите науки, технически консултант на Artezio.

Ученият вярва, че вече съществуващите AI решения могат да бъдат успешно приложени в различни области на икономиката и обществения живот. Експертът посочва, че AI се използва успешно в медицината, но в бъдеще може напълно да промени съдебната система.

„Преглеждайки ежедневните новини за развитието в областта на ИИ, човек остава само изумен от неизчерпаемостта на въображението и плодотворността на изследователите и разработчиците в тази област. Докладите за научни изследвания непрекъснато се разпръскват с доклади за нови продукти, навлизащи на пазара, и доклади за невероятни резултати, получени чрез прилагането на AI в различни области. Ако говорим за очакваните събития, придружени от забележима реклама в медиите, в която AI отново ще стане герой на новините, тогава вероятно няма да рискувам да правя технологични прогнози. Мога да предположа, че следващото събитие ще бъде появата някъде на изключително компетентен съд в лицето на изкуствен интелект, справедлив и неподкупен. Това вероятно ще се случи през 2020-2025 г. И процесите, които ще се случват в този съд, ще доведат до неочаквани разсъждения и желанието на много хора да прехвърлят повечето от процесите на управление на човешкото общество към AI.

Ученият признава използването на изкуствения интелект в съдебната система като „логична стъпка“ в развитието на законодателното равенство и справедливост. Машинният ум не е подложен на корупция и емоции, може стриктно да се придържа към законодателната рамка и да взема решения, като взема предвид много фактори, включително данните, които характеризират участниците в спора. По аналогия с медицинската област, съдиите-роботи могат да работят с големи данни от хранилища на обществени услуги. Може да се предположи, че машинният интелект ще може бързо да обработва данни и да взема предвид много повече фактори, отколкото човешки съдия.

Психолозите обаче смятат, че липсата на емоционален компонент при разглеждането на съдебните дела ще се отрази негативно на качеството на решението. Присъдата на машинния съд може да се окаже твърде ясна, без да отчита значението на чувствата и настроенията на хората.

Рисуване

През 2015 г. екипът на Google тества невронни мрежи, за да види дали могат да създават изображения сами. Тогава изкуственият интелект беше обучен на примера на голям брой различни снимки. Когато обаче машината беше „помолена“ да изобрази нещо сама, се оказа, че тя интерпретира света около нас по малко странен начин. Например, за задачата да нарисуват дъмбели, разработчиците получиха изображение, в което металът беше свързан от човешки ръце. Това вероятно се е случило поради факта, че на етапа на обучение анализираните снимки с дъмбели съдържат ръце и невронната мрежа е интерпретирала това погрешно.

На 26 февруари 2016 г. на специален търг в Сан Франциско представители на Google събраха около $98 000 от психеделични картини, нарисувани от изкуствен интелект.Тези средства бяха дарени за благотворителност. Една от най-успешните снимки на автомобила е представена по-долу.

Картина, нарисувана от изкуствения интелект на Google.

Той посочва: „Проблемът е, че все още не можем като цяло да определим кои изчислителни процедури искаме да наречем интелигентни. Ние разбираме някои от механизмите на интелигентността и не разбираме други. Следователно интелигентността в тази наука се разбира само като изчислителен компонент на способността за постигане на цели в света.

В същото време съществува гледна точка, според която интелигентността може да бъде само биологичен феномен.

Както отбелязва председателят на петербургския клон на Руската асоциация за изкуствен интелект Т. А. Гаврилова, на английски фразата изкуствен интелектняма тази леко фантастична антропоморфна окраска, която придоби в доста неуспешен руски превод. Слово интелигентностозначава „способност за разумно разсъждение“, а не изобщо „интелигентност“, за която има английски еквивалент интелект .

Членовете на Руската асоциация за изкуствен интелект дават следните определения за изкуствен интелект:

Една от частните дефиниции на интелигентността, обща за човек и „машина“, може да се формулира по следния начин: „Интелигентността е способността на системата да създава програми (предимно евристични) в процеса на самообучение за решаване на проблеми на определен клас сложност и решаване на тези проблеми” .

Често изкуственият интелект се нарича и най-простата електроника, която показва наличието на сензори и автоматичен избор на режим на работа. Думата изкуствен в този случай означава, че не трябва да очаквате системата да може да намери нов режим на работа в ситуация, която не е предвидена от разработчиците.

Предпоставки за развитие на науката за изкуствения интелект

Историята на изкуствения интелект като ново научно направление започва в средата на 20 век. По това време вече са били формирани много предпоставки за неговия произход: сред философите отдавна е имало спорове за природата на човека и процеса на опознаване на света, неврофизиолозите и психолозите са разработили редица теории относно работата на човешкия мозък и мислене, икономисти и математици задават въпроси за оптимални изчисления и представяне на знанието за света във формализирана форма; накрая се ражда основата на математическата теория на изчисленията – теорията на алгоритмите – и се създават първите компютри.

Възможностите на новите машини по отношение на изчислителната скорост се оказаха по-големи от човешките, така че в научната общност се прокрадна въпросът: какви са границите на възможностите на компютрите и ще достигнат ли машините нивото на човешкото развитие? През 1950 г. един от пионерите в областта на компютърните технологии, английският учен Алън Тюринг, написа статия, озаглавена „Може ли една машина да мисли?“. , който описва процедура, чрез която ще може да се определи моментът, в който машината се изравнява по интелект с човек, наречена тест на Тюринг.

Историята на развитието на изкуствения интелект в СССР и Русия

В СССР работата в областта на изкуствения интелект започва през 60-те години на миналия век. Редица пионерски изследвания са извършени в Московския университет и Академията на науките, ръководени от Вениамин Пушкин и Д. А. Поспелов.

През 1964 г. е публикувана работата на ленинградския логик Сергей Маслов „Обратен метод за установяване на изводимост в класическото смятане на предикатите“, в която за първи път е предложен метод за автоматично търсене на доказателства за теореми в смятането на предикатите.

До 70-те години на миналия век в СССР всички изследвания на ИИ се извършваха в рамките на кибернетиката. Според Д. А. Поспелов науките "информатика" и "кибернетика" по това време са били смесени поради редица академични спорове. Едва в края на 70-те години в СССР започнаха да говорят за научното направление "изкуствен интелект" като клон на компютърните науки. В същото време се ражда и самата информатика, която подчинява прародителя „кибернетика“. В края на 70-те години на миналия век са създадени тълковен речник на изкуствения интелект, тритомен справочник по изкуствен интелект и енциклопедичен речник по информатика, в които са включени раздели „Кибернетика“ и „Изкуствен интелект“, както и други раздели , по компютърни науки. Терминът "компютърни науки" стана широко разпространен през 80-те години на миналия век, а терминът "кибернетика" постепенно изчезна от обращение, оставайки само в имената на тези институции, възникнали в ерата на "кибернетичния бум" от края на 50-те и началото на 60-те години. Това виждане за изкуствения интелект, кибернетиката и компютърните науки не се споделя от всички. Това се дължи на факта, че на Запад границите на тези науки са малко по-различни.

Подходи и насоки

Подходи за разбиране на проблема

Няма еднозначен отговор на въпроса какво прави изкуственият интелект. Почти всеки автор, който пише книга за ИИ, изхожда от някакво определение в нея, разглеждайки постиженията на тази наука в нейната светлина.

низходящ (английски) ИИ отгоре надолу), семиотичен - създаване на експертни системи, бази от знания и системи за изводи, които имитират умствени процеси на високо ниво: мислене, разсъждения, реч, емоции, творчество и др.;
възходящ (английски) ИИ отдолу нагоре), биологични - изследването на невронни мрежи и еволюционни изчисления, които моделират интелектуално поведение въз основа на биологични елементи, както и създаването на подходящи изчислителни системи, като неврокомпютър или биокомпютър.

Последният подход, строго погледнато, не се отнася за науката за ИИ в смисъла, даден от Джон Маккарти - те са обединени само от обща крайна цел.

Тест на Тюринг и интуитивен подход

Емпиричен тест е предложен от Алън Тюринг в статията „Изчислителните машини и умът“ (англ. Компютърни машини и интелект ), публикувана през 1950 г. във философския журнал Ум". Целта на този тест е да се установи възможността за изкуствено мислене, близко до човешкото.

Стандартното тълкуване на този тест е следното: " Човек взаимодейства с един компютър и един човек. Въз основа на отговорите на въпросите той трябва да определи с кого разговаря: с човек или компютърна програма. Задачата на компютърната програма е да заблуди човек, принуждавайки го да направи грешен избор.". Всички участници в теста не се виждат.

Най-общият подход предполага, че изкуственият интелект ще може да демонстрира подобно на хората поведение в нормални ситуации. Тази идея е обобщение на подхода на теста на Тюринг, който гласи, че една машина ще стане интелигентна, когато е в състояние да води разговор с обикновен човек и той няма да може да разбере, че говори с машината ( разговорът се провежда чрез кореспонденция).
Писателите на научна фантастика често предлагат друг подход: AI ще възникне, когато една машина е в състояние да чувства и създава. И така, собственикът на Андрю Мартин от "Bicentennial Man" започва да се отнася към него като към човек, когато създава играчка по свой дизайн. И Данните от Стар Трек, способни да общуват и да учат, мечтаят да придобият емоции и интуиция.

Последният подход обаче едва ли ще издържи на по-подробно изследване. Например, лесно е да се създаде механизъм, който да оценява някои параметри на външната или вътрешната среда и да реагира на техните неблагоприятни стойности. Можем да кажем за такава система, че има чувства („болка“ е реакция на сензора за удар, „глад“ е реакция на нисък заряд на батерията и т.н.). И клъстерите, създадени от картите на Кохонен, и много други продукти на "интелигентни" системи, могат да се разглеждат като вид творчество.

Символен подход

Исторически, символният подход е първият в ерата на цифровите компютри, тъй като след създаването на Lisp, първият символен компютърен език, неговият автор се уверява във възможността да започне на практика да прилага тези средства за интелигентност. Символният подход позволява да се работи със слабо формализирани представяния и техните значения.

Успехът и ефективността на решаването на нови проблеми зависи от способността да се извлича само съществена информация, което изисква гъвкавост в методите на абстракция. Докато обикновената програма задава един от собствените си начини за интерпретиране на данни, поради което работата й изглежда пристрастна и чисто механична. В този случай само човек, анализатор или програмист, може да реши интелектуален проблем, без да може да повери това на машина. В резултат на това се създава единен абстрактен модел, система от конструктивни единици и алгоритми. А гъвкавостта и многофункционалността водят до значителни разходи за ресурси за нетипични задачи, тоест системата се връща от интелигентност към груба сила.

Основната характеристика на символните изчисления е създаването на нови правила по време на изпълнение на програмата. Докато възможностите на неинтелигентните системи са завършени точно преди способността поне да посочват нововъзникващи трудности. Освен това тези трудности не се решават и в крайна сметка компютърът не подобрява тези способности сам.

Недостатъкът на символния подход е, че такива отворени възможности се възприемат от неподготвените хора като липса на инструменти. Този доста културен проблем е частично решен чрез логическо програмиране.

логичен подход

Логическият подход при създаването на системи с изкуствен интелект е насочен към създаване на експертни системи с логически модели на бази от знания, използващи предикатния език.

Езикът за логическо програмиране и системата Prolog бяха приети като модел за обучение на системи с изкуствен интелект през 80-те години. Базите знания, написани на езика Prolog, представляват набори от факти и правила за извод, написани на езика на логическите предикати.

Логическият модел на базите от знания ви позволява да записвате не само специфична информация и данни под формата на факти на езика Prolog, но и обобщена информация, използвайки правилата и процедурите за извод, включително логически правила за дефиниране на концепции, които изразяват определени знания като специфични и обобщена информация.

Като цяло изследването на проблемите на изкуствения интелект в рамките на логическия подход към проектирането на бази от знания и експертни системи е насочено към създаването, развитието и експлоатацията на интелигентни информационни системи, включително въпросите на обучението на студенти и ученици, като както и обучение на потребители и разработчици на такива интелигентни информационни системи.

Подход, базиран на агент

Най-новият подход, разработен от началото на 90-те години, се нарича базиран на агент подход, или подход, основан на използването на интелигентни (рационални) агенти. Според този подход интелигентността е изчислителната част (грубо казано, планирането) на способността за постигане на поставените цели за интелигентна машина. Самата такава машина ще бъде интелигентен агент, възприемащ света около себе си с помощта на сензори и способен да влияе върху обектите в околната среда с помощта на изпълнителни механизми.

Този подход се фокусира върху онези методи и алгоритми, които ще помогнат на интелигентен агент да оцелее в околната среда, докато изпълнява задачата си. Така че тук алгоритмите за намиране на пътя и вземане на решения се изучават много по-внимателно.

Хибриден подход

Основна статия: Хибриден подход

Хибриден подходпредполага, че самосинергичната комбинация от невронни и символни модели постига пълния спектър от когнитивни и изчислителни способности. Например правилата за експертни изводи могат да бъдат генерирани от невронни мрежи, а генеративните правила се получават с помощта на статистическо обучение. Привържениците на този подход смятат, че хибридните информационни системи ще бъдат много по-силни от сбора на различни концепции поотделно.

Модели и методи на изследване

Символно моделиране на мисловните процеси

Основна статия: Моделиране на разсъждения

Анализирайки историята на AI, може да се открои толкова обширна посока като моделиране на разсъжденията. В продължение на много години развитието на тази наука се движи по този път и сега това е една от най-развитите области в съвременния AI. Моделирането на разсъждения включва създаването на символни системи, на входа на които се поставя определена задача, а на изхода се изисква нейното решаване. По правило предложеният проблем вече е формализиран, т.е. преведен в математическа форма, но или няма алгоритъм за решение, или е твърде сложен, отнема много време и т.н. Тази посока включва: доказване на теорема, вземане на решения, и теория на играта, планиране и диспечиране , прогнозиране .

Работа с естествени езици

Важна посока е обработка на естествен език, който анализира възможностите за разбиране, обработка и генериране на текстове на "човешки" език. В рамките на това направление целта е такава естествена езикова обработка, която да може сама да придобива знания чрез четене на съществуващ текст, достъпен в Интернет. Някои директни приложения на обработката на естествен език включват извличане на информация (включително копаене на текст) и машинен превод.

Представяне и използване на знания

Посока инженерство на знаниетосъчетава задачите за получаване на знания от проста информация, тяхното систематизиране и използване. Тази посока е исторически свързана със създаването експертни системи- програми, които използват специализирани бази от знания за получаване на надеждни заключения по всеки проблем.

Производството на знания от данни е един от основните проблеми на извличането на данни. Съществуват различни подходи за решаване на този проблем, включително такива, базирани на технологията на невронната мрежа, използвайки процедури за вербализиране на невронната мрежа.

Машинно обучение

Проблеми машинно обучениекасае процеса независимапридобиване на знания от интелектуална система в процеса на нейното функциониране. Тази посока е централна от самото начало на развитието на AI. През 1956 г., на лятната конференция в Дартмунд, Рей Соломонов написа доклад за вероятностна машина без надзор, наречена Индуктивна машина за изводи.

роботика

Основна статия: Интелигентна роботика

Машинно творчество

Основна статия: Машинно творчество

Природата на човешкото творчество е още по-малко разбрана от природата на интелигентността. Въпреки това тази област съществува и тук се поставят проблемите на писането на музика, литературни произведения (често стихове или приказки), художествено творчество. Създаването на реалистични изображения се използва широко във филмовата и игралната индустрия.

Отделно се подчертава изследването на проблемите на техническото творчество на системите с изкуствен интелект. Теорията за решаване на изобретателски проблеми, предложена през 1946 г. от G. S. Altshuller, бележи началото на такива изследвания.

Добавянето на тази функция към всяка интелигентна система ви позволява много ясно да демонстрирате какво точно системата възприема и как разбира. Чрез добавяне на шум вместо липсваща информация или филтриране на шум с наличното знание в системата, конкретни изображения се произвеждат от абстрактно знание, което лесно се възприема от човек, това е особено полезно за интуитивно и нискоценно знание, проверката на което в формалната форма изисква значителни умствени усилия.

Други области на изследване

И накрая, има много приложения на изкуствения интелект, всяко от които формира почти независима посока. Примерите включват програмиране на интелигентност в компютърни игри, нелинейно управление, интелигентни системи за информационна сигурност.

Може да се види, че много области на изследване се припокриват. Това важи за всяка наука. Но при изкуствения интелект връзката между привидно различни посоки е особено силна и това се дължи на философския дебат за силния и слабия ИИ.

Модерен изкуствен интелект

Има две посоки на развитие на AI:

решаване на проблеми, свързани с приближаването на специализираните AI системи към човешките възможности и тяхната интеграция, която се изпълнява от човешката природа ( вижте Усилване на интелигентността);
създаването на изкуствен интелект, представляващ интегрирането на вече създадени AI системи в единна система, способна да решава проблемите на човечеството ( вижте Силен и слаб изкуствен интелект).

Но в момента в областта на изкуствения интелект има участие в много предметни области, които са по-практични, отколкото фундаментални за AI. Изпробвани са много подходи, но нито една изследователска група все още не е стигнала до появата на изкуствен интелект. По-долу са само някои от най-забележителните разработки на AI.

Приложение

Турнир RoboCup

Някои от най-известните AI системи са:

Банките използват системи с изкуствен интелект (AI) в застрахователни дейности (актюерска математика), когато играят на фондовата борса и управляват имущество. Методите за разпознаване на образи (включително по-сложни и специализирани и невронни мрежи) се използват широко в оптично и акустично разпознаване (включително текст и реч), медицинска диагностика, спам филтри, системи за противовъздушна отбрана (идентификация на цели), както и за осигуряване на редица други задачи по националната сигурност.

Психология и когнитивна наука

Методологията на когнитивното моделиране е предназначена да анализира и взема решения в недобре дефинирани ситуации. Предложено е от Акселрод.

Базира се на моделиране на субективните представи на експертите за ситуацията и включва: методология за структуриране на ситуацията: модел за представяне на експертно знание под формата на знаков диграф (когнитивна карта) (F, W), където F е набор от ситуационни фактори, W е набор от причинно-следствени връзки между ситуационни фактори; методи за анализ на ситуацията. В момента методологията на когнитивното моделиране се развива в посока на усъвършенстване на апарата за анализ и моделиране на ситуацията. Тук се предлагат модели за прогнозиране на развитието на ситуацията; методи за решаване на обратни задачи.

Философия

Науката за "създаване на изкуствен интелект" не можеше да не привлече вниманието на философите. С появата на първите интелигентни системи се повдигат фундаментални въпроси за човека и познанието и отчасти за световния ред.

Философските проблеми на създаването на изкуствен интелект могат да бъдат разделени на две групи, условно казано, „преди и след развитието на ИИ“. Първата група отговаря на въпроса: „Какво е AI, възможно ли е да го създадем и, ако е възможно, как да го направим?“ Втората група (етиката на изкуствения интелект) задава въпроса: „Какви са последствията от създаването на ИИ за човечеството?“

Терминът „силен изкуствен интелект“ е въведен от Джон Сърл и неговият подход се характеризира със собствените му думи:

Нещо повече, такава програма би била повече от просто модел на ума; той буквално ще бъде самият ум, в същия смисъл, в който човешкият ум е ум.

В същото време е необходимо да се разбере дали е възможен „чист изкуствен“ ум („метамин“), разбиращ и решаващ реални проблеми и в същото време лишен от емоции, които са характерни за човек и са необходими за неговия индивидуално оцеляване.

За разлика от тях защитниците на слабия ИИ предпочитат да гледат на софтуера просто като на инструмент за решаване на определени задачи, които не изискват пълния набор от човешки когнитивни способности.

Етика

Научна фантастика

Темата за AI се разглежда от различни ъгли в работата на Робърт Хайнлайн: хипотезата за появата на AI самосъзнание, когато структурата стане по-сложна отвъд определено критично ниво и има взаимодействие с външния свят и други носители на ума ( „Луната е сурова любовница“, „Достатъчно време за любов“, героите Майкрофт, Дора и Ая в поредицата „История на бъдещето“), проблемите на развитието на ИИ след хипотетично самосъзнание и някои социални и етични въпроси (" петък“). Социално-психологическите проблеми на човешкото взаимодействие с ИИ се разглеждат и от романа на Филип К. Дик „Мечтаят ли андроидите за електрически овце? ”, познат и от филмовата адаптация на Blade Runner.

Създаването на виртуална реалност, изкуствен интелект, нанороботи и много други проблеми на философията на изкуствения интелект са описани и до голяма степен очаквани в работата на писателя на научна фантастика и философ Станислав Лем. Особено внимание заслужава футурологията The sum of technology. В допълнение, приключенията на Ион Тихия многократно описват връзката между живи същества и машини: бунтът на бордовия компютър с последващи неочаквани събития (11-то пътуване), адаптирането на роботите в човешкото общество („Трагедията на прането“ от „Спомени на Ийон Тихия“), изграждането на абсолютен ред на планетата чрез обработка на живи обитатели (24-то пътуване), изобретения на Коркоран и Диагорас („Мемоарите на Ийон Тихия“), психиатрична клиника за роботи („ Мемоарите на Ион Тихия“). Освен това има цял цикъл от истории и истории на Cyberiad, където почти всички герои са роботи, които са далечни потомци на роботи, избягали от хората (те наричат хората бледи и ги смятат за митични същества).

Филми

Почти от 60-те години, наред с писането на фантастични разкази и романи, се правят филми за изкуствения интелект. Много романи от световно признати автори са филмирани и се превръщат в класика на жанра, други се превръщат в крайъгълен камък в развитието на научната фантастика, като Терминаторът и Матрицата.

Вижте също

Бележки

ЧЗВ от Джон Маккарти, 2007 г
М. Андрю. Реалният живот и изкуственият интелект // "Новини на изкуствения интелект", RAII, 2000 г.
Гаврилова Т. А. Хорошевски В. Ф. Бази от знания на интелигентни системи: Учебник за университети
Аверкин А. Н., Гаазе-Рапопорт М. Г., Поспелов Д. А. Обяснителен речник на изкуствения интелект. - М.: Радио и комуникация, 1992. - 256 с.
Г. С. Осипов. Изкуствен интелект: състоянието на изследванията и поглед в бъдещето
Илясов Ф. Н. Изкуствен и естествен ум // Известия на Академията на науките на Туркменската ССР, поредица от социални науки. 1986. № 6. С. 46-54.
Алън Тюринг, Могат ли машините да мислят?
Интелигентни машини С. Н. Корсаков
Д. А. Поспелов. Формирането на информатиката в Русия
За историята на кибернетиката в СССР. Есе едно, есе две
Джак Копланд. Какво е изкуствен интелект? 2000 г
Алън Тюринг, Компютърни машини и интелект, Mind, том. LIX, бр. 236, октомври 1950 г., стр. 433-460.
Обработка на естествен език:
Приложенията за обработка на естествен език включват извличане на информация (включително: анализ на текст и машинен превод):
Горбан П. А.Извличане на знания от невронни мрежи от данни и компютърна психоанализа
Машинно обучение:
Алън Тюринг обсъжда като централна тема още през 1950 г. в класическата си статия „Компютърни машини и интелект“. ()
(pdf сканирано копие на оригинала) (версия, публикувана през 1957 г., An Inductive Inference Machine, „IRE Convention Record, Section on Information Theory, Part 2, pp. 56-62)
роботика:
, стр. 916–932
, стр. 908–915
Blue Brain Project - Изкуствен мозък
Кроткият Уотсън нанася на шиш човешки опоненти на опасност
20Q.net Inc.
Акселрод Р. Структурата на решението: Когнитивни карти на политическите елити. - Принстън. University Press, 1976
Джон Сърл. Умът на мозъка - компютърна програма?
Пенроуз Р.Новият ум на краля. За компютрите, мисленето и законите на физиката. - М .: URSS, 2005. - ISBN 5-354-00993-6
AI като глобален рисков фактор
...ще ви отведе до Вечен живот
http://www.rc.edu.ru/rc/s8/intellect/rc_intellect_zaharov_2009.pdf Православен поглед върху проблема с изкуствения интелект
Хари Харисън.Изборът на Тюринг. - М .: Ексмо-Прес, 1999. - 480 с. - ISBN 5-04-002906-3

Литература

Компютърът учи и разсъждава (част 1) // Компютърът придобива интелигентност = Artificial Intelligence Computer Images / изд. В. Л. Стефанюк. - Москва: Мир, 1990. - 240 с. - 100 000 копия. - ISBN 5-03-001277-X (руски); ISBN 705409155
Девятков В.В.Системи с изкуствен интелект / гл. изд. И. Б. Федоров. - М .: Издателство на MSTU im. Н. Е. Бауман, 2001. - 352 с. - (Информатика в Техническия университет). – 3000 бр. - ISBN 5-7038-1727-7

Корсаков С.Н.Вписване на нов начин на изследване с помощта на машини, които сравняват идеи / Изд. КАТО. Михайлов. - М .: МИФИ, 2009. - 44 с. – 200 бр. -

Ще надделее ли изкуственият интелект (AI) над човечеството? Илон Мъск, основателят на Tesla, отрича това предположение. За да се увери в това, известният иноватор е инвестирал 10 милиона щатски долара в 37 различни научни проекта.

Въпреки категоричността на Илон Мъск и неговите съмишленици, сред които Бил Гейтс и Стивън Хокинг, повечето учени прогнозират приемането на AI от хората. Човек трябва само да погледне MindMeld (обработка на естествен език чрез гласови и чат асистенти) или VIV (разработването на „умни“ асистенти). Смята се, че следващите 10-15 години ще бъдат повратна точка за населението на света. Освен това въвеждането ще стане не само на ниво информационни технологии, но и в общественото мнение, закони и ежедневни навици.

Това се дължи на два фактора.

Първо, AI робот може да автоматизира процеси, които изискват човешка намеса. Второ, той е в състояние да обработва и анализира огромно количество информация. Предимството на компютъра е, че неговата работоспособност не е свързана с човешкия фактор, независимо дали става въпрос за лични проблеми или лошо настроение.

По този начин изкуственият интелект има широко приложение: той е повсеместен в медицината, индустрията, образованието, селското стопанство, трафика и ежедневието.

Лекарството

AI паметта се цени в тази област, както и способността за генериране и сравняване на огромни количества информация.
Вече няколко години всички чуват за DeepMind Health (разработено от Google) - интелигентни асистенти, които не само дават съвети на лекарите, но и откриват генетичната предразположеност към патологии. Така IBM Watson вече идентифицира и разработва план за лечение на 13 вида злокачествени новообразувания: от рак на маточната шийка до рак на дебелото черво.

Изкуственият интелект идва на помощ дори при пациентите. Все по-популярни стават приложенията за телемедицина, които събират данни от фитнес гривни и други сензори, както и "въпросници", които установяват точните симптоми и заболявания на пациентите. И така, AI е в състояние да разпознае туберкулоза и смущения във вътрешните органи, вкл. мозък.

Някои от приложенията анализират човешката реч и отговарят вербално, докато други предпочитат писмена комуникация. Приложенията получават необходимата информация и след това дават препоръки какви действия да предприемат по-нататък или изпращат данните на терапевта. Най-популярните умни асистенти са Your.MD и Ada, които могат да бъдат изтеглени от App Store или Google Play.

Особено значение се отдава на системите, способни да разработват нови лекарства. Според топ мениджъра на Pfizer, Джуди Сюърдс, са необходими средно 12 години, за да се разработи и пусне ново лекарство на пазара. AI ще направи възможно създаването на молекулярна структура и моделиране на лекарство, което ще повиши качеството му и ще намали времето, необходимо за освобождаване на нови лекарства. Пионерите в създаването на суперкомпютри, които решават този проблем, са Atomwise и Berg Health.

Индустрия

Големи индустриални компании в страни като Япония, Китай, САЩ, Германия и Швейцария инвестират в нови технологии. Днес има тенденция към намаляване на работните места, свързани с интелектуалния труд, и увеличаване на броя на компютрите.

Следните работни места ще пострадат през следващите десетилетия:

Събиране на детайли. Всеки ден има все повече и повече съкращения на персонал. Роботът, запомняйки последователността от действия, се справя сам със свързването на части.
Счетоводни изчисления. В сравнение с човек, машината изчислява точно данните и не води „черно” и „бяло” счетоводство, което е много полезно за държавата. Суперкомпютрите учат и вземат логични решения.
Смяна на консултанти. Роботът, наравно с човек, може да води диалог с купувача на високо ниво и да дава отговори на стандартни въпроси. Комуникационният алгоритъм става по-сложен поради способността на машината да се учи и да натрупва опит.

Роботизацията в близко бъдеще ще засегне и професии като секретарки, касиери, шофьори на камиони и сервитьори.Пример за успешно внедряване на AI е заводът H&H line. Технологията за проследяване на очите помогна да се спестят 400 часа обучение на стажанти за 1 година и да се намали вероятността от инциденти.

MIT Technology Review съобщи, че Андрю Нг, изследовател по роботика и машинно обучение, разработва нов проект, Landing.AI. Той е предназначен да създаде механизъм за производство във фабрики и заводи. Първият й партньор е Foxconn, който произвежда джаджи на Apple.

образование

В близко бъдеще сферата на образованието ще се развива бързо в две посоки – адаптивно обучение и прокторинг.
Адаптивното обучение е предназначено да реши проблема с различното академично представяне на ученици и студенти. Факт е, че един човек усвоява материала много по-бързо и по-успешно от друг. Следователно AI ще проследява нивото на знания на ученика и ще адаптира реда на блоковете от курса към неговите способности или ще информира учителя колко добре ученикът е научил материала. Пример за такава система е платформата Third Space Learning, която в момента е в процес на разработка.

Прокторингът е контрол на учениците и студентите по време на полагането на контролни и изпитни тестове. Ако в миналото учениците бяха „на прицела“ на уеб камерата, сега AI идва на помощ. Проследява колко често ученикът отклонява поглед от екрана на компютъра, дали сменя раздела в браузъра, дали има допълнителни гласове в стаята. Веднага щом AI забележи някакво нарушение, той незабавно уведомява човешкия проктор за това.

Но може ли една машина да замени обикновен учител? Роза Лукин, професор в University College London, отрича това. Според нея си струва да се намери компромис. В крайна сметка целта не е да заменим учителите с машини, а да подобрим учебния процес. Това определено не е без човешки учител.

селско стопанство

Схващането, че земеделието и животновъдството са изоставащи и остарели индустрии е нещо от миналото. Днес интензивният растеж на глобалния AI пазар в селскостопанската индустрия се дължи на такива фактори: въвеждането на система за управление на данни, автоматизация на напояването, увеличаване на производителността на селскостопанските култури чрез въвеждане на методи за обучение и увеличаване на броя на хората на планетата. В същото време растежът на пазара на AI е ограничен от високата цена за събиране на информация за земеделска земя.

Широкото въвеждане на роботиката в селското стопанство е представено от такива разработки:

Безпилотни летателни апарати. Дронове, оборудвани с радар и GPS мониторинг, пръскат културите, осигурявайки надеждна доставка на опасни химикали и въздушна фотография.
Роботи за жътва. Ако зърнокомбайните съществуват от дълго време, то съвсем наскоро е създаден робот, който бере ягоди.
AI, унищожаващ плевелите. Hortibot, разработен от Орхуския университет (Aarhus Universitet) в Дания, разпознава и елиминира плевелите по два начина: механично и чрез точково пръскане с хербициди. Този робот беше истински пробив, защото разпознаването на плевели от полезни растения е голям успех на съвременната роботика в селското стопанство. Освен това се създават машини, които разпознават вредители и болести по земеделските култури.

Според прогнозите на Energias Market Research пазарът на AI в селскостопанската индустрия ще нарасне с 24,3% до 2024 г. Ще се развива активно в САЩ и Азиатско-тихоокеанския регион. Agworld, Farmlogs, Cropx, Microsoft, AGCO и други бяха включени в списъка на централните играчи на пазара на интелигентен агробизнес.

движение по пътищата

Целта на въвеждането на AI в тази област е борбата със задръстванията. Такива системи вече работят успешно в големите градове в Европа, Северна Америка и Азия.

Събиране на информация от светофари, анализ на гъстотата на трафика, пътнотранспортни произшествия, данни за времето и други фактори, които създават задръствания - това е, което функционира компютърът. В резултат на това интелигентната система следи пътищата онлайн, прогнозира какъв ще бъде трафикът и съответно превключва светофарите.

Той следи не само движението по пътя, но и помага на водачите. Например, системата, ако е необходимо, извиква камион за теглене. Ясно е, че това решение няма да може напълно да се отърве от задръстванията, но е напълно възможно да се ускори движението на моменти.
Вероятно напредъкът ще бъде забележим, ако се използват широко безпилотни превозни средства - това са превозни средства, които могат да се движат без човешка намеса. Те са разработени от Google, AKTIV, Tesla Motors и някои други.

живот

Разбира се, всички са запознати с "" (умна къща), която в бъдеще ще се превърне в типичен пример за AI. Най-големите производители са Yamaha, Siemens, Abb, Beckhoff и Legrand.

Такива разработки значително опростяват живота на човек. Например, такава система ще отвори завесите сутрин, ще събуди домакините и ще направи кафе. В бъдеще функционалността на "интелигентния дом" ще бъде разширена до степен, че килерът автоматично ще запарва дрехите, а хладилникът ще поръчва храна. Това решение оптимизира разходите, свързани с енергоснабдяване, вентилация, отопление, приспособяване към удобен график.

Популярни са и прахосмукачките, които могат не само да почистват, но и да местят предмети и да се зареждат сами.
Друг пример за ежедневна употреба на AI са автоматичните преводачи. Ако предишният "машинен превод" остави много да се желае, днес ситуацията се промени драматично. Това демонстрира Google Translate: алгоритъмът се основава на факта, че компютърът не възприема отделни думи, а цялото изречение. Позволява ви да получите висококачествен текст, така че в близко бъдеще този метод ще стане основа за автоматичен превод.

Хуманоидните андроиди се използват не само за домакинска работа, но и за комуникация. Железният "приятел" няма да ви остави да умрете от скука и понякога става пълноправен член на семейството. И така, в Китай един късметлия успя да се ожени за робот. Оказа се, че това е инженер Джън Дзяцзя, който сам си е направил булката.

Несъмнено бъдещето на човечеството е преплетено с роботите, защото всяка година се развиват нови области на приложение на изкуствения интелект. Най-вероятно това ще надмине способностите на човек, но в същото време значително ще подобри качеството на живота му. Основното нещо тук е да се намери разумна рамка, докато AI се научи да се възпроизвежда. Според Илон Мъск си струва да се заеме проактивна позиция и да се ограничи използването на AI сега, поне във военната индустрия.

Мустафина Наиля Мугатаровна, бакалавър, студент
Башкирски държавен аграрен университет
Шарафутдинов Айдар Газизанович, кандидат на науките, доцент, доцент
Башкирски държавен аграрен университет

ИЗЧИСЛИТЕЛНИ МАШИНИ
ТЕХНИКА
НАУКАТА
ИЗКУСТВЕН ИНТЕЛЕКТ

Днес научно-техническият прогрес се развива бързо. Една от бързо развиващите се индустрии е изкуственият интелект.

Днес технологичният прогрес се развива бързо. Науката не стои неподвижна и всяка година хората измислят все по-модерни технологии. Едно от новите направления в развитието на технологичния прогрес е изкуственият интелект.

Човечеството за първи път чува за изкуствен интелект преди повече от 50 години. Това се случва на конференция, проведена през 1956 г. в Дартмутския университет, където Джон Маккарти дава ясна и точна дефиниция на термина. „Изкуственият интелект е наука за създаване на интелигентни машини и компютърни програми. За целите на тази наука компютрите се използват като средство за разбиране на характеристиките на човешкия интелект, като в същото време изучаването на ИИ не трябва да се ограничава до използването на биологично правдоподобни методи.

Изкуственият интелект на съвременните компютри е на доста високо ниво, но не до такова ниво, че поведенческите им способности да не отстъпват поне на най-примитивните животни.

Резултатът от изследването на "изкуствения интелект" е желанието да се разбере работата на мозъка, да се разкрият тайните на човешкото съзнание и проблемът за създаване на машини с определено ниво на човешки интелект. Фундаменталната възможност за моделиране на интелектуални процеси следва, че всяка функция на мозъка, всяка умствена дейност, описана от език със строго недвусмислена семантика с помощта на краен брой думи, по принцип може да бъде прехвърлена на електронен цифров компютър.

В момента някои модели на изкуствен интелект са разработени в различни области, но все още не е създаден компютър, способен да обработва информация в някаква нова област.

Сред най-важните класове задачи, които са поставени пред разработчиците на интелигентни системи след дефинирането на изкуствения интелект като научно направление, следва да се откроят следните. области на изкуствения интелект:

Доказателство на теореми. Изучаването на техниките за доказване на теореми изигра важна роля в развитието на изкуствения интелект. Много неформални проблеми, например медицинска диагностика, използват методологичните подходи, използвани за автоматизиране на доказателството на теореми при решаването им. Търсенето на доказателство на математическа теорема изисква не само извеждане от хипотези, но и правене на интуиции за това кои междинни твърдения трябва да бъдат доказани за общото доказателство на основната теорема.
Разпознаване на изображения. Използването на изкуствен интелект за разпознаване на образи направи възможно създаването на практически работещи системи за идентифициране на графични обекти въз основа на подобни характеристики. Всички характеристики на обектите, които трябва да бъдат разпознати, могат да се считат за характеристики. Характеристиките трябва да бъдат инвариантни спрямо ориентацията, размера и формата на обектите. Азбуката на знаците се формира от разработчика на системата. Качеството на разпознаването до голяма степен зависи от това колко добре е установената азбука на характеристиките. Разпознаването се състои в предварително получаване на вектор от характеристики за отделен обект, избран на изображението, и след това в определяне на кой от стандартите на азбуката от признаци отговаря този вектор.
Машинен превод и разбиране на човешка реч. Задачата да се анализират изреченията на човешката реч с помощта на речник е типична задача на системите с изкуствен интелект. За да се реши проблема, беше създаден междинен език, който да улесни сравнението на фрази от различни езици. В бъдеще този междинен език се превърна в семантичен модел за представяне на значенията на текстовете за превод. Еволюцията на семантичния модел доведе до създаването на език за вътрешно представяне на знанието. В резултат на това съвременните системи анализират текстове и фрази в четири основни етапа: морфологичен анализ, синтактичен, семантичен и прагматичен анализ.
Програми за игри. Повечето програми за игри се основават на няколко основни идеи на изкуствения интелект, като изброяване на опции и самообучение. Една от най-интересните задачи в областта на игровите програми, използващи методи на изкуствен интелект, е да научите компютър да играе шах. Основан е в ранните дни на компютрите, в края на 50-те години. В шаха има определени нива на умения, степени на качество на играта, които могат да дадат ясни критерии за оценка на интелектуалното израстване на системата. Затова учени от цял свят се занимават активно с компютърния шах, а резултатите от техните постижения се използват в други интелектуални разработки с истинско практическо значение.
Машинно творчество. Една от областите на приложение на изкуствения интелект включва софтуерни системи, които могат самостоятелно да създават музика, поезия, разкази, статии, дипломи и дори дисертации. Днес има цял клас музикални езици за програмиране (например езикът C-Sound). За различни музикални задачи е създаден специален софтуер: системи за обработка на звук, синтез на звук, системи за интерактивна композиция, програми за алгоритмична композиция.
Експертни системи. Методите на изкуствения интелект са намерили приложение при създаването на автоматизирани консултантски системи или експертни системи. Първите експертни системи са разработени като изследователски инструменти през 60-те години. Те бяха системи с изкуствен интелект, специално предназначени за решаване на сложни проблеми в тясна предметна област, като медицинска диагностика на заболявания. Класическата цел на тази посока първоначално беше да се създаде система с изкуствен интелект с общо предназначение, която да може да реши всеки проблем без специфични познания в предметната област. Поради ограничения капацитет на изчислителните ресурси, този проблем се оказа твърде труден за решаване с приемлив резултат.

Можем да кажем, че основната цел на развитието на изкуствения интелект е оптимизацията, само си представете как човек, без да е в опасност, може да изучава други планети, да извлича благородни метали.

Така можем да заключим, че изучаването и развитието на изкуствения интелект е важно за цялото общество. В края на краищата, с помощта на тази система е възможно да се осигури и улесни човешкият живот.

Библиография

Ясницки Л.Н. За възможностите за използване на изкуствения интелект [Електронен ресурс]: научна електронна библиотека. URL: http://cyberleninka.ru/ (посетен на 01.06.2016 г.)
Ястреб Н.А. Изкуствен интелект [Електронен ресурс]: научна електронна библиотека. URL: http://cyberleninka.ru/ (посетен на 01.06.2016 г.)
Абдулатипова М.А. Изкуствен интелект [Електронен ресурс]: научна електронна библиотека. URL: http://cyberleninka.ru/ (посетен на 01.06.2016 г.)