Područja primjene umjetne inteligencije. Uticaj na tržište rada

Umjetna inteligencija AI (vještačka inteligencija) se obično tumači kao svojstvo automatskih sistema da preuzmu pojedinačne funkcije ljudske mentalne sposobnosti, na primjer, da biraju i donose optimalne odluke na osnovu prethodno stečenog iskustva i racionalne analize vanjskih utjecaja. Prije svega, riječ je o sistemima zasnovanim na principima učenja, samoorganizacije i evolucije uz minimalno ljudsko učešće, ali koji uključuje njega kao učitelja i partnera, harmoničan element sistema čovjek-mašina.

Naravno, pokušaji stvaranja AI zasnovane na kompjuterima počeli su u zoru razvoja kompjuterske tehnologije. Tada je dominirala kompjuterska paradigma čije su ključne teze glasile da je Tjuringova mašina teorijski model mozga, a kompjuter je implementacija univerzalne mašine i svaki informacioni proces se može reproducirati na kompjuteru. Takva paradigma je dugo bila dominantna, donijela je mnogo zanimljivih rezultata, ali nije ostvarila glavni zadatak – izgradnju AI u smislu modeliranja ljudskog razmišljanja. Kompjuterska paradigma stvaranja AI, koja se urušila zbog pogrešnog skupa ključnih preduslova, logično se transformisala u neuroinformatiku, koja razvija nekompjuterski pristup modeliranju intelektualnih procesa. Ljudski mozak, koji radi s nesegmentiranim informacijama, pokazao se mnogo složenijim od Turingove mašine. Svaka ljudska misao ima svoj kontekst, van kojeg je besmislena, znanje se pohranjuje u obliku slika koje karakteriše zamućenost, nejasnost, sistem slika je slabo osetljiv na kontradikcije. Sistem skladištenja ljudskog znanja karakteriše visoka pouzdanost zbog distribuiranog skladištenja znanja, a rukovanje informacijama karakteriše velika dubina i visok paralelizam.

Obrada informacija u bilo kojem inteligentnom sistemu zasniva se na korištenju fundamentalnog procesa – učenja. Slike imaju karakteristična objektivna svojstva u smislu da različiti sistemi prepoznavanja, obučeni na različitom opservacionom materijalu, uglavnom klasifikuju iste objekte na isti način i nezavisno jedan od drugog. Upravo ta objektivnost slika omogućava ljudima širom svijeta da razumiju jedni druge. Učenjem se obično naziva proces razvijanja u nekom sistemu specifične reakcije na grupe eksternih identičnih signala ponavljajućim uticajem na sistem prepoznavanja eksternih korektivnih signala. Mehanizam za generisanje ove prilagodbe, koja najčešće ima značenje nagrade i kazne, gotovo u potpunosti određuje algoritam učenja. Samoučenje se razlikuje od učenja po tome što se ovdje ne navode dodatne informacije o ispravnosti reakcije na sistem.

Inteligentni informacioni sistemi mogu koristiti "biblioteke" širokog spektra metoda i algoritama koji implementiraju različite pristupe procesima učenja, samoorganizacije i evolucije u sintezi AI sistema. Budući da do sada ne postoji ni opća teorija umjetne inteligencije niti radni uzorak potpuno funkcionalnog AI modela, nemoguće je reći koji je od ovih pristupa ispravan, a koji pogrešan: najvjerovatnije se mogu skladno nadopunjavati. Više informacija o problemima umjetne inteligencije možete pronaći na web stranicama www.ccas.ru i www.iseu.by/rus/educ/envmon.

Umjetna inteligencija implementirana je korištenjem četiri pristupa (teško je ne reći moderne "paradigme"): logički, evolucijski, simulacijski i strukturalni. Sva ova četiri pravca razvijaju se paralelno, često se međusobno prepliću.

Osnova za logički pristup je Bulova algebra i njeni logički operatori (prvenstveno poznati IF ["if"] operator). Bulova algebra je dobila svoj dalji razvoj u obliku predikatskog računa, u kojem je proširena uvođenjem objektnih simbola, odnosa među njima, egzistencijalnih i univerzalnih kvantifikatora. Gotovo svaki AI sistem izgrađen na logičkom principu je mašina za dokazivanje teorema. U ovom slučaju, početni podaci se pohranjuju u bazi podataka u obliku aksioma, a pravila zaključivanja - kao odnos između njih.

Većinu logičkih metoda karakterizira visok intenzitet rada, jer je tokom potrage za dokazima moguće kompletno nabrajanje opcija. Stoga, ovaj pristup zahtijeva efikasnu implementaciju procesa računanja, a dobre performanse se obično garantuju sa relativno malom veličinom baze podataka. Primjer praktične implementacije logičkih metoda su stabla odlučivanja koja u koncentrisanom obliku implementiraju proces "učenja" ili sinteze pravila odlučivanja.

Postizanje veće ekspresivnosti logičkog pristupa omogućava takav relativno novi pravac kao što je fuzzy logika. Nakon temeljnih radova L. Zadeha, pojam fuzzy (engleski fuzzy, fuzzy) postao je ključna riječ. Za razliku od tradicionalne matematike, koja zahtijeva precizne i nedvosmislene formulacije pravilnosti u svakom koraku modeliranja, fuzzy logika nudi potpuno drugačiji nivo razmišljanja, zahvaljujući kojem se kreativni proces modeliranja odvija na višem nivou apstrakcije, u kojem je samo minimalno postavljen je skup pravilnosti. Na primjer, istinitost logičke tvrdnje može u rasplinutim sistemima, pored uobičajenog "da/ne" (1/0), uzeti i srednje vrijednosti: "ne znam" (0,5), "pacijent je više živ nego mrtav" (0,75), "pacijent je više mrtav nego živ" (0,25) itd. Ovaj pristup više liči na način razmišljanja osobe koja rijetko odgovara sa da ili ne na pitanja. Teorijske osnove i primenjeni aspekti sistema inteligentne procene i predviđanja u uslovima neizvesnosti, zasnovanih na teoriji rasplinutih skupova, detaljno su opisani u literaturi [Averkin et al., 1986; Borisov i dr., 1989; Netradicionalni modeli.., 1991; Vasiljev i Iljasov, 1995].

Pod pojmom "samoorganizacija" se podrazumijeva, prema Ivakhnenku, "proces spontanog (spontanog) povećanja reda, ili organizacije u sistemu koji se sastoji od mnogih elemenata, koji se odvija pod utjecajem vanjskog okruženja."

Principi samoorganizacije bili su predmet istraživanja mnogih istaknutih naučnika: J. von Neumann, N. Wiener, W.R. Ashby i dr. Veliki doprinos razvoju ovog smjera dao je rad ukrajinske kibernetike pod vodstvom A.G. Ivakhnenko, koji je razvio čitavu klasu modela adaptivnog samoorganizacije, koji bi se mogli nazvati "inteligentnom generalizacijom" empirijsko-statističkih metoda.

Mogu se uočiti sljedeći principi samoorganizacije matematičkih modela:

- princip nekonačnih odluka (predlaže D. Gabor i sastoji se u potrebi održavanja dovoljne "slobode izbora" nekoliko najboljih rješenja u svakom koraku samoorganizacije),
- princip eksternog sabiranja (zasnovano na teoremi K. Gödela i leži u činjenici da samo eksterni kriterijumi zasnovani na novim informacijama omogućavaju sintezu pravog modela objekta skrivenog u bučnim eksperimentalnim podacima);
- princip masovne selekcije (predlaže A.G. Ivakhnenko i ukazuje na najprikladniji način postupnog usložnjavanja samoorganizirajućeg modela tako da kriterij njegove kvalitete prođe kroz svoj minimum).

Za nastanak samoorganizacije potrebno je imati početnu strukturu, mehanizam za njene slučajne mutacije i kriterijume selekcije, zahvaljujući kojima se mutacija ocjenjuje u smislu njene korisnosti za poboljšanje kvaliteta sistema. One. prilikom izgradnje ovih AI sistema, istraživač specificira samo početnu organizaciju i listu varijabli, kao i kriterijume kvaliteta koji formalizuju cilj optimizacije i pravila po kojima se model može menjati (samoorganizovati ili evoluirati). Štaviše, sam model može pripadati različitim tipovima: linearna ili nelinearna regresija, skup logičkih pravila ili bilo koji drugi model.

Samoorganizujući modeli služe uglavnom za predviđanje ponašanja i strukture ekosistema, budući da je, po samoj logici njihove konstrukcije, učešće istraživača u ovom procesu svedeno na minimum. Može se navesti niz konkretnih primjera upotrebe GMDH algoritama: za dugoročne prognoze ekološkog sistema jezera Bajkal, modeliranje geobotaničkih opisa; sistemi "predator-plijen", rast drveća, prognoza toksikoloških indikatora zagađivača, procjena dinamike broja zajednica zooplanktona.

U matematičkoj kibernetici razlikuju se dva tipa iterativnih procesa razvoja sistema:

- adaptacija, u kojoj ekstremum (cilj kretanja sistema) ostaje konstantan;
- evolucija, u kojoj je kretanje praćeno promjenom položaja ekstremuma.

Ako je samoorganizacija povezana samo s adaptivnim mehanizmima za prilagođavanje odgovora sistema (na primjer, promjena vrijednosti težinskih koeficijenata), onda je koncept evolucije povezan sa sposobnošću efektora (termin koji je uveo S. Lem) da promeni sopstvenu strukturu, tj. broj elemenata, pravac i intenzitet veza, prilagođavajući ih na optimalan način u odnosu na zadatke u svakom konkretnom trenutku. U procesu evolucije u složenom i promjenljivom okruženju, efektor je u stanju da stekne fundamentalno nove kvalitete, da dostigne sljedeću fazu razvoja. Na primjer, u procesu biološke evolucije nastali su izuzetno složeni i istovremeno iznenađujuće produktivni živi organizmi.

Evoluciono modeliranje je suštinski univerzalna metoda za konstruisanje prognoza makrostanja sistema u uslovima u kojima aposteriorna informacija potpuno izostaje, a apriorni podaci specificiraju samo predistoriju ovih stanja. Opća šema algoritma evolucije je sljedeća:

- specificirana je početna organizacija sistema (u evolucijskom modeliranju, na primjer, može se pojaviti konačni deterministički Mealy automat u ovom svojstvu);
- vrše nasumične "mutacije", tj. nasumično mijenjanje trenutnog stroja stanja;
- izabrati za dalji „razvoj“ onu organizaciju (taj automat) koja je „najbolja“ u smislu nekog kriterijuma, na primer, maksimalne tačnosti predviđanja redosleda vrednosti makrostanja ekosistema.

Kriterijum kvaliteta modela u ovom slučaju se ne razlikuje mnogo, na primer, od minimuma srednje kvadratne greške na sekvenci treninga metode najmanjih kvadrata (sa svim nedostacima koji iz toga proizilaze). Međutim, za razliku od adaptacije, u evolucijskom programiranju struktura rješavača se malo mijenja pri prelasku s jedne mutacije na drugu, tj. ne postoji preraspodjela vjerovatnoća koja bi produžila mutacije koje su dovele do uspjeha u prethodnom koraku. Potraga za optimalnom strukturom je više nasumična i neciljana, što odlaže proces pretraživanja, ali pruža najbolju prilagodbu specifičnim promjenjivim uvjetima.

Strukturalni pristup se odnosi na pokušaje izgradnje AI sistema modeliranjem strukture ljudskog mozga. U posljednjih deset godina, pojavio se fenomen eksplozije interesovanja za strukturne metode samoorganizacije - modeliranje neuronskih mreža, koje se uspješno koriste u različitim oblastima - biznisu, medicini, tehnologiji, geologiji, fizici, tj. gdje god je potrebno riješiti probleme predviđanja, klasifikacije ili kontrole.

Sposobnost neuronske mreže da uči prvi su proučavali J. McCulloch i W. Pitt, kada je 1943. godine objavljen njihov rad "Logički račun ideja povezanih sa nervnom aktivnošću". Predstavio je model neurona i formulisao principe za konstruisanje veštačkih neuronskih mreža.

Veliki podsticaj razvoju neurokibernetike dao je američki neurofiziolog F. Rosenblatt, koji je 1962. predložio svoj model neuronske mreže, perceptron. U početku primljen sa velikim entuzijazmom, perceptron se ubrzo našao na udaru velikih naučnih autoriteta. I, iako detaljna analiza njihovih argumenata pokazuje da nisu doveli u pitanje perceptron koji je Rosenblatt predložio, istraživanja velikih razmjera o neuronskim mrežama bila su skraćena gotovo 10 godina.

Još jednu važnu klasu neuronskih sistema uveo je Finn T. Kohonen. Ova klasa ima lijepo ime: "samoorganizirajuća mapiranja stanja koja čuvaju topologiju senzorskog prostora". Kohonenova teorija aktivno koristi teoriju adaptivnih sistema, koju je godinama razvijao akademik Ruske akademije nauka Ya.Z. Tsypkin.

Danas je u cijelom svijetu vrlo popularno procjenjivati sposobnosti sistema učenja, posebno neuronskih mreža, zasnovanih na teoriji dimenzije, koju su 1966. godine stvorili sovjetski matematičari V.N. Vapnik i A.Ya. Chervonenkis. Još jednu klasu neuronskih modela predstavljaju mreže povratnog širenja, u čijem razvoju modernih modifikacija je prof. A.N. Gorban i Krasnojarska škola neuroinformatike na čijem je čelu. Rusko udruženje neuroinformatičara pod vodstvom predsjednika V.L. Dunin-Barkovsky.

Cijeli pristup neuronske mreže zasniva se na ideji izgradnje računarskog uređaja od velikog broja jednostavnih elemenata koji rade paralelno - formalnih neurona. Ovi neuroni funkcionišu nezavisno jedan od drugog i međusobno su povezani jednosmernim kanalima za prenos informacija. Srž koncepta neuronske mreže je ideja da se svaki pojedinačni neuron može modelirati s prilično jednostavnim funkcijama, te da su cjelokupna složenost mozga, fleksibilnost njegovog funkcioniranja i drugi važni kvaliteti određeni vezama između neurona. Krajnji izraz ovog gledišta može biti slogan: "struktura veza je sve, svojstva elemenata su ništa."

Neuronske mreže (NN) su vrlo moćna tehnika modeliranja koja vam omogućava da reprodukujete izuzetno složene zavisnosti koje su nelinearne prirode. Po pravilu, neuronska mreža se koristi kada su pretpostavke o vrsti veza između ulaza i izlaza nepoznate (iako je, naravno, potreban neki skup heurističkog znanja od korisnika o tome kako odabrati i pripremiti podatke, odabrati željenu mrežu arhitektura i interpretacija rezultata).

Reprezentativni podaci se unose na ulaz neuronske mreže i pokreće se algoritam učenja koji automatski analizira strukturu podataka i generiše odnos između ulaza i izlaza. Za obuku NN koriste se dvije vrste algoritama: kontrolirani („učenje pod nadzorom“) i nenadgledani („nenadgledani“).

Najjednostavnija mreža ima strukturu višeslojnog perceptrona sa direktnim prenosom signala (vidi sliku 3), koji se odlikuje najstabilnijim ponašanjem. Ulazni sloj se koristi za unos vrijednosti početnih varijabli, zatim se sekvencijalno obrađuju neuroni srednjeg i izlaznog sloja. Svaki od skrivenih i izlaznih neurona po pravilu je povezan sa svim elementima prethodnog sloja (za većinu mrežnih opcija poželjan je kompletan sistem veza). U čvorovima mreže, aktivni neuron izračunava svoju aktivacijsku vrijednost uzimajući ponderirani zbir izlaznih rezultata elemenata prethodnog sloja i oduzimanjem vrijednosti praga od njega. Aktivacijska vrijednost se zatim pretvara pomoću aktivacijske funkcije (ili prijenosne funkcije) i rezultat je izlaz neurona. Nakon što je cijela mreža proradila, izlazne vrijednosti elemenata posljednjeg sloja uzimaju se kao izlaz cijele mreže u cjelini.

Rice. 3.

Uz model višeslojnog perceptrona, kasnije su se pojavili i drugi modeli neuronskih mreža, koji se razlikuju po strukturi pojedinačnih neurona, topologiji veza između njih i algoritmima učenja. Među najpoznatijim opcijama sada su NN propagacije unatrag zasnovane na funkcijama radijalne baze, mreže generalizirane regresije, Hopfieldove i Hammingove NN, samoorganizirajuće Kohonenove mape, stohastičke neuronske mreže, itd. Postoji rad na rekurentnim mrežama (tj. koje sadrže povratne informacije koje vode od udaljenijih ka bližim neuronima) koje mogu imati vrlo složenu dinamiku ponašanja. Samoorganizirajuće (rastuće ili evoluirajuće) neuronske mreže počinju djelotvorno da se koriste, što se u mnogim slučajevima pokazuje poželjnijim od tradicionalnih potpuno povezanih neuronskih mreža.

Modele zasnovane na ljudskom mozgu karakteriše i laka paralelizacija algoritama i s tim povezane visoke performanse, a ne prevelika ekspresivnost prikazanih rezultata, što ne doprinosi izvlačenju novih znanja o simuliranom okruženju. Stoga je glavna svrha modela neuronskih mreža predviđanje.

Važan uvjet za korištenje NN, kao i bilo koje statističke metode, je objektivno postojeći odnos između poznatih ulaznih vrijednosti i nepoznatog odgovora. Ova veza može biti nasumična, izobličena šumom, ali mora postojati. Ovo se objašnjava, prije svega, činjenicom da se iterativni algoritmi za usmjereno nabrajanje kombinacija parametara neuronske mreže pokazuju vrlo efikasnim i vrlo brzim samo ako je kvalitet početnih podataka dobar. Međutim, ako ovaj uslov nije ispunjen, broj iteracija brzo raste i složenost računanja je uporediva sa eksponencijalnom složenošću algoritama za iscrpno nabrajanje mogućih stanja. Drugo, mreža teži da nauči, pre svega, ono što je najlakše naučiti, a u uslovima jake neizvesnosti i bučnih karakteristika to su, pre svega, artefakti i fenomeni „lažne korelacije“.

Odabir informativnih varijabli u tradicionalnoj regresiji i taksonomiji vrši se "ponderisanjem" karakteristika koristeći različite statističke kriterijume i postupne procedure zasnovane, u ovom ili onom obliku, na analizi koeficijenata parcijalnih korelacija ili kovarijansi. U te svrhe koriste se različiti sekvencijalni (uzastopni) postupci, koji ne dovode uvijek do rezultata dovoljno blizu optimalnom. Efikasan automatizovani pristup odabiru značajnih ulaznih varijabli može se implementirati korištenjem genetskog algoritma.

S tim u vezi, u opštoj šemi statističkog modeliranja AI metodama, preporučuje se uzastopno izvođenje dva različita postupka:

- uz pomoć evolutivnih metoda u binarnom prostoru osobina traži se takva minimalna kombinacija varijabli koja omogućava blagi gubitak informacija u izvornim podacima,
- minimizirana matrica podataka dobijena u prethodnoj fazi se dovodi na ulaz neuronske mreže za obuku.

Umjetna inteligencija (AI, eng. Artificial intelligence, AI) - nauka i tehnologija stvaranja inteligentnih mašina, posebno inteligentnih kompjuterskih programa. AI je povezan sa sličnim zadatkom korištenja kompjutera za razumijevanje ljudske inteligencije, ali nije nužno ograničen na biološki prihvatljive metode.

Šta je vještačka inteligencija

Inteligencija(od latinskog intellectus - osjet, percepcija, razumijevanje, razumijevanje, koncept, razum), ili um - kvalitet psihe, koji se sastoji od sposobnosti prilagođavanja novim situacijama, sposobnosti učenja i pamćenja na osnovu iskustva, razumijevanja i primjene apstraktne koncepte i korištenje vlastitog znanja za upravljanje okolišem. Inteligencija je opća sposobnost za spoznaju i rješavanje poteškoća, koja objedinjuje sve kognitivne sposobnosti osobe: osjet, percepciju, pamćenje, predstavljanje, mišljenje, maštu.

Početkom 1980-ih Računarski naučnici Barr i Feigenbaum predložili su sljedeću definiciju umjetne inteligencije (AI):

Kasnije su se brojni algoritmi i softverski sistemi počeli nazivati AI, čija je odlika da mogu riješiti neke probleme na isti način kao što bi to učinila osoba koja razmišlja o njihovom rješenju.

Glavna svojstva AI su razumijevanje jezika, učenje i sposobnost razmišljanja i, što je najvažnije, djelovanja.

AI je kompleks povezanih tehnologija i procesa koji se kvalitativno i brzo razvijaju, na primjer:

obrada teksta na prirodnom jeziku
ekspertni sistemi
virtuelni agenti (četboti i virtuelni asistenti)
sistemi preporuka.

Istraživanje AI

Glavni članak: Istraživanja u oblasti umjetne inteligencije

AI standardizacija

2018: Razvoj standarda u oblasti kvantnih komunikacija, AI i pametnog grada

Dana 6. decembra 2018. Tehnički komitet za sajber-fizičke sisteme na bazi RVC-a zajedno sa SafeNet regionalnim inženjerskim centrom započeo je razvoj seta standarda za tržišta Nacionalne tehnološke inicijative (NTI) i digitalnu ekonomiju. Do marta 2019. planirana je izrada tehničkih standardizacionih dokumenata u oblasti kvantnih komunikacija, saopštio je RVC. Čitaj više.

Uticaj vještačke inteligencije

Rizik za razvoj ljudske civilizacije

Uticaj na ekonomiju i poslovanje

Utjecaj tehnologija umjetne inteligencije na ekonomiju i poslovanje

Uticaj na tržište rada

Pristrasnost umjetne inteligencije

U srcu svega što je praksa AI (mašinsko prevođenje, prepoznavanje govora, obrada prirodnog jezika, kompjuterski vid, automatizacija vožnje i još mnogo toga) je duboko učenje. Ovo je podskup mašinskog učenja, karakteriziran upotrebom modela neuronskih mreža, za koje se može reći da oponašaju način na koji mozak radi, tako da se teško mogu klasificirati kao AI. Svaki model neuronske mreže trenira se na velikim skupovima podataka, tako da stječe neke “vještine”, ali kako ih koristi ostaje nejasno kreatorima, što na kraju postaje jedan od najvažnijih problema za mnoge aplikacije dubokog učenja. Razlog je što takav model sa slikama radi formalno, bez ikakvog razumijevanja šta radi. Da li je takav AI sistem i može li se vjerovati sistemima izgrađenim na bazi mašinskog učenja? Značaj odgovora na poslednje pitanje prevazilazi naučne laboratorije. Stoga je pažnja medija na fenomen, nazvan AI pristrasnost, primjetno eskalirala. Može se prevesti kao "AI bias" ili "AI bias". Čitaj više.

Tržište tehnologije umjetne inteligencije

AI tržište u Rusiji

Globalno AI tržište

Primjena AI

Područja primjene AI prilično su široka i pokrivaju kako tehnologije koje su poznate sluhu, tako i nova područja koja su daleko od masovne primjene, drugim riječima, to je čitav niz rješenja, od usisivača do svemirskih stanica. Moguće je podijeliti svu njihovu raznolikost prema kriteriju ključnih tačaka razvoja.

AI nije monolitna predmetna oblast. Štaviše, neke AI tehnologije se pojavljuju kao novi podsektori privrede i zasebni entiteti, dok istovremeno služe većini oblasti u privredi.

Razvoj upotrebe AI dovodi do prilagođavanja tehnologija u klasičnim sektorima privrede duž čitavog lanca vrednosti i transformiše ih, što dovodi do algoritamizacije gotovo svih funkcionalnosti, od logistike do upravljanja kompanijom.

Upotreba AI u odbrambene i vojne svrhe

Upotreba u obrazovanju

Upotreba AI u poslovanju

AI u energetskoj industriji

Na nivou projektovanja: poboljšano predviđanje proizvodnje i potražnje za energetskim resursima, procjena pouzdanosti opreme za proizvodnju električne energije, automatizacija povećanja proizvodnje u slučaju porasta potražnje.
Na nivou proizvodnje: optimizacija preventivnog održavanja opreme, povećanje efikasnosti proizvodnje, smanjenje gubitaka, sprečavanje krađe energetskih resursa.
Na nivou promocije: optimizacija cijena ovisno o dobu dana i dinamički obračun.
Na nivou pružanja usluga: automatski izbor najprofitabilnijeg dobavljača, detaljna statistika potrošnje, automatizovana usluga korisnicima, optimizacija energije na osnovu navika i ponašanja kupaca.

AI u proizvodnji

Na nivou dizajna: poboljšanje efikasnosti razvoja novih proizvoda, automatizovana evaluacija dobavljača i analiza zahteva za rezervnim delovima i delovima.
Na nivou proizvodnje: poboljšanje procesa izvršavanja zadataka, automatizacija montažnih linija, smanjenje broja grešaka, smanjenje vremena isporuke sirovina.
Na nivou promocije: predviđanje obima usluga podrške i održavanja, upravljanje cijenama.
Na nivou pružanja usluga: poboljšanje planiranja ruta voznog parka, potražnja za resursima flote, poboljšanje kvaliteta obuke servisnih inženjera.

AI u bankama

Prepoznavanje uzoraka - korišteno uklj. prepoznati kupce u poslovnicama i poslati im specijalizirane ponude.

AI u transportu

Auto industrija je na rubu revolucije: 5 izazova ere samovozeće vožnje

AI u logistici

AI u pivarstvu

Upotreba AI u javnoj upravi

AI u forenzici

Prepoznavanje uzoraka - korišteno uklj. za otkrivanje kriminalaca u javnim prostorima.

U maju 2018. godine saznalo se da holandska policija koristi umjetnu inteligenciju za istragu složenih zločina.

Prema The Next Webu, policija je počela digitalizirati više od 1.500 izvještaja i 30 miliona stranica koje se odnose na hladne slučajeve. Materijali se prenose u kompjuterski format, počevši od 1988. godine, u kojem krivično djelo nije rasvjetljeno najmanje tri godine, a počinitelj je osuđen na više od 12 godina zatvora.

Kada sav sadržaj bude digitalizovan, biće povezan sa sistemom mašinskog učenja koji će analizirati zapise i odlučiti koji slučajevi koriste najbolje dokaze. Ovo bi trebalo smanjiti vrijeme potrebno za procesuiranje slučajeva i rješavanje prošlih i budućih zločina sa sedmica na dane.

Umjetna inteligencija će distribuirati slučajeve prema njihovoj “rješivosti” i ukazati na moguće rezultate DNK ispitivanja. Zatim se planira automatizacija analize u drugim oblastima forenzičke nauke i možda čak pokrivanje podataka u oblastima kao što su društvene nauke i svjedočenje.

Osim toga, prema riječima jednog od programera sistema Jeroen Hammer (Jeroen Hammer), API funkcije za partnere mogu biti puštene u prodaju u budućnosti.

Holandska policija ima specijalnu jedinicu koja je specijalizovana za razvoj novih tehnologija za rešavanje zločina. On je stvorio AI sistem za brzo traženje kriminalaca na osnovu dokaza.

AI u pravosuđu

Razvoj u oblasti veštačke inteligencije će pomoći da se pravosudni sistem radikalno promeni, učini ga pravednijim i slobodnim od koruptivnih šema. Ovo mišljenje je u leto 2017. izneo Vladimir Krilov, doktor tehničkih nauka, tehnički konsultant Artezia.

Naučnik vjeruje da se rješenja umjetne inteligencije koja već postoje mogu uspješno primijeniti u različitim oblastima ekonomije i javnog života. Stručnjak ističe da se AI uspješno koristi u medicini, ali da u budućnosti može potpuno promijeniti pravosudni sistem.

“Gledajući dnevne vijesti o razvoju u oblasti umjetne inteligencije, čovjek se samo čudi neiscrpnosti mašte i plodnosti istraživača i programera u ovoj oblasti. Izvještaji o naučnim istraživanjima neprestano su isprepleteni izvještajima o novim proizvodima koji se pojavljuju na tržištu i izvještajima o nevjerovatnim rezultatima dobivenim primjenom AI u različitim oblastima. Ako govorimo o očekivanim događajima, praćenim primjetnim medijskim hajkom, u kojem će AI ponovo postati heroj vijesti, onda vjerojatno neću riskirati da pravim tehnološke prognoze. Mogu pretpostaviti da će sljedeći događaj biti pojava negdje izuzetno kompetentnog suda u vidu vještačke inteligencije, poštenog i nepotkupljivog. To će se vjerovatno dogoditi 2020-2025. A procesi koji će se odvijati na ovom sudu dovest će do neočekivanih promišljanja i želje mnogih ljudi da većinu procesa upravljanja ljudskim društvom prenesu na AI.

Naučnik prepoznaje upotrebu vještačke inteligencije u pravosudnom sistemu kao "logičan korak" u razvoju zakonodavne jednakosti i pravde. Mašinski um nije podložan korupciji i emocijama, može se striktno pridržavati zakonodavnog okvira i donositi odluke uzimajući u obzir mnoge faktore, uključujući i podatke koji karakterišu učesnike u sporu. Po analogiji sa medicinskim poljem, roboti sudije mogu da rade sa velikim podacima iz javnih servisa. Može se pretpostaviti da će mašinska inteligencija moći brzo obraditi podatke i uzeti u obzir mnogo više faktora nego ljudski sudija.

Psihološki stručnjaci, međutim, smatraju da će izostanak emocionalne komponente u razmatranju sudskih predmeta negativno uticati na kvalitet odluke. Presuda mašinskog suda može se pokazati previše direktnom, ne uzimajući u obzir važnost osećanja i raspoloženja ljudi.

Slikarstvo

U 2015. godini, Google tim je testirao neuronske mreže kako bi vidio da li mogu samostalno kreirati slike. Tada je umjetna inteligencija obučena na primjeru velikog broja različitih slika. Međutim, kada je mašina “zamoljena” da sama nešto prikaže, ispostavilo se da ona na pomalo čudan način tumači svijet oko nas. Na primjer, za zadatak crtanja bučica, programeri su dobili sliku na kojoj je metal povezan ljudskim rukama. To se vjerovatno dogodilo zbog činjenice da su u fazi treninga analizirane slike sa bučicama sadržavale ruke, a neuronska mreža je to pogrešno protumačila.

26. februara 2016. godine, na specijalnoj aukciji u San Franciscu, predstavnici Google-a prikupili su oko 98.000 dolara od psihodeličnih slika koje je naslikala vještačka inteligencija.Ta sredstva su donirana u dobrotvorne svrhe. Jedna od najuspješnijih slika automobila predstavljena je u nastavku.

Slika koju je naslikala Google umjetna inteligencija.

On ističe: „Problem je u tome što još ne možemo općenito odrediti koje računske procedure želimo nazvati inteligentnim. Neke od mehanizama inteligencije razumijemo, a druge ne razumijemo. Stoga se inteligencija unutar ove nauke shvata samo kao računska komponenta sposobnosti za postizanje ciljeva u svetu.

Istovremeno, postoji stajalište prema kojem inteligencija može biti samo biološki fenomen.

Kako ističe predsjednik ogranka u Sankt Peterburgu Ruske asocijacije za umjetnu inteligenciju T. A. Gavrilova, na engleskom je izraz umjetna inteligencija nema onu pomalo fantastičnu antropomorfnu boju koju je stekla u prilično neuspješnom ruskom prijevodu. Riječ inteligencija znači "sposobnost razumnog rasuđivanja", a ne uopće "inteligencija", za koju postoji engleski ekvivalent intelekt .

Članovi Ruske asocijacije za umjetnu inteligenciju daju sljedeće definicije umjetne inteligencije:

Jedna od privatnih definicija inteligencije, zajednička za osobu i „mašinu”, može se formulisati na sljedeći način: „Inteligencija je sposobnost sistema da kreira programe (prvenstveno heurističke) u toku samoučenja za rješavanje problema određene klase složenosti i riješiti ove probleme”.

Često se umjetna inteligencija naziva i najjednostavnija elektronika koja ukazuje na prisutnost senzora i automatski odabir načina rada. Riječ umjetno u ovom slučaju znači da ne biste trebali očekivati da sistem može pronaći novi način rada u situaciji koju programeri nisu predvidjeli.

Preduslovi za razvoj nauke o veštačkoj inteligenciji

Istorija veštačke inteligencije kao novog naučnog pravca počinje sredinom 20. veka. Do tada su se već formirali mnogi preduvjeti za njegovo nastanak: među filozofima su se dugo vodili sporovi o prirodi čovjeka i procesu upoznavanja svijeta, neurofiziolozi i psiholozi razvili su brojne teorije o radu ljudskog mozga i razmišljanja, ekonomisti i matematičari postavljali su pitanja optimalnih proračuna i predstavljanja znanja o svijetu u formalizovanom obliku; konačno, rođen je temelj matematičke teorije računanja - teorija algoritama i stvoreni su prvi računari.

Ispostavilo se da su mogućnosti novih mašina u pogledu brzine računara veće od ljudskih, pa se u naučnu zajednicu uvuklo pitanje: koje su granice mogućnosti računara i hoće li mašine dostići nivo ljudskog razvoja? 1950. godine, jedan od pionira u oblasti kompjuterske tehnologije, engleski naučnik Alan Turing, napisao je članak pod naslovom "Može li mašina da misli?" , koji opisuje proceduru kojom će biti moguće odrediti trenutak kada mašina postaje jednaka u smislu inteligencije sa osobom, nazvana Turingov test.

Istorija razvoja veštačke inteligencije u SSSR-u i Rusiji

U SSSR-u je rad na polju umjetne inteligencije počeo 1960-ih. Na Moskovskom univerzitetu i Akademiji nauka sprovedeno je nekoliko pionirskih studija, koje su vodili Veniamin Pushkin i D. A. Pospelov.

Godine 1964. objavljen je rad lenjingradskog logičara Sergeja Maslova "Inverzna metoda za utvrđivanje izvodljivosti u klasičnom predikatskom računu", u kojem je po prvi put predložena metoda za automatsko traženje dokaza teorema u predikatskom računu.

Do 1970-ih, u SSSR-u, sva istraživanja AI su se provodila u okviru kibernetike. Prema D. A. Pospelovu, nauke "računarstva" i "kibernetike" su u to vrijeme bile pomiješane, zbog brojnih akademskih sporova. Tek kasnih 1970-ih u SSSR-u se počelo govoriti o naučnom pravcu "vještačka inteligencija" kao grani kompjuterske nauke. Istovremeno je rođena i sama informatika, koja je potčinila prastaru "kibernetiku". Krajem 1970-ih stvoreni su eksplanatorni rječnik umjetne inteligencije, trotomni priručnik o umjetnoj inteligenciji i enciklopedijski rečnik informatike, u koji su, zajedno s ostalim dijelovima, uključeni dijelovi "Kibernetika" i "Vještačka inteligencija". , u informatici. Termin "računarska nauka" postao je široko rasprostranjen 1980-ih, a termin "kibernetika" postepeno je nestao iz opticaja, ostajući samo u nazivima onih institucija koje su nastale u eri "kibernetičkog buma" kasnih 1950-ih i ranih 1960-ih. Ovaj pogled na umjetnu inteligenciju, kibernetiku i informatiku ne dijele svi. To je zbog činjenice da su na Zapadu granice ovih nauka nešto drugačije.

Pristupi i pravci

Pristupi razumijevanju problema

Ne postoji jedinstven odgovor na pitanje šta radi umjetna inteligencija. Gotovo svaki autor koji napiše knjigu o AI polazi od neke definicije u njoj, s obzirom na dostignuća ove nauke u njenom svjetlu.

silazno (engleski) Top Down AI), semiotički - stvaranje ekspertnih sistema, baza znanja i sistema zaključivanja koji imitiraju mentalne procese visokog nivoa: mišljenje, rezonovanje, govor, emocije, kreativnost itd.;
uzlazno (engleski) Bottom Up AI), biološki - proučavanje neuronskih mreža i evolucijskih proračuna koji modeliraju intelektualno ponašanje zasnovano na biološkim elementima, kao i stvaranje odgovarajućih računarskih sistema, kao što su neurokompjuter ili biokompjuter.

Potonji pristup, striktno govoreći, ne primjenjuje se na nauku o AI u smislu koji je dao John McCarthy – ujedinjuje ih samo zajednički krajnji cilj.

Tjuringov test i intuitivan pristup

Empirijski test je predložio Alan Turing u članku "Računarske mašine i um" (eng. Računarska mašina i inteligencija ) objavljen 1950. u filozofskom časopisu Um". Svrha ovog testa je da se utvrdi mogućnost vještačkog mišljenja, bliskog ljudskom.

Standardno tumačenje ovog testa je sljedeće: " Osoba komunicira sa jednim računarom i jednom osobom. Na osnovu odgovora na pitanja, on mora odrediti s kim razgovara: s osobom ili kompjuterskim programom. Zadatak kompjuterskog programa je da dovede osobu u zabludu, prisiljavajući je da napravi pogrešan izbor.". Svi učesnici testa se ne viđaju.

Najopštiji pristup pretpostavlja da će AI biti u stanju da pokaže ljudsko ponašanje u normalnim situacijama. Ova ideja je generalizacija pristupa Tjuringovog testa, koji kaže da će mašina postati inteligentna kada bude sposobna da vodi razgovor sa običnom osobom, a ona neće moći da razume da razgovara sa mašinom ( razgovor se vodi dopisnim putem).
Pisci naučne fantastike često predlažu drugi pristup: AI će nastati kada mašina bude u stanju da oseća i stvara. Dakle, vlasnik Andrewa Martina iz "Bicentennial Man" počinje ga tretirati kao osobu kada kreira igračku prema vlastitom dizajnu. A Data iz Zvjezdanih staza, budući da je sposoban za komunikaciju i učenje, sanja o sticanju emocija i intuicije.

Međutim, malo je vjerovatno da će ovaj drugi pristup izdržati pod lupom detaljnije. Na primjer, lako je stvoriti mehanizam koji će procijeniti neke parametre vanjskog ili unutrašnjeg okruženja i odgovoriti na njihove nepovoljne vrijednosti. Za takav sistem možemo reći da ima osjećaje („bol“ je reakcija na senzor šoka, „glad“ je reakcija na nisko punjenje baterije, itd.). A klasteri koje stvaraju Kohonenove karte, i mnogi drugi proizvodi "inteligentnih" sistema, mogu se smatrati nekom vrstom kreativnosti.

Simbolički pristup

Istorijski gledano, simbolički pristup bio je prvi u eri digitalnih kompjutera, budući da je nakon stvaranja Lisp-a, prvog simboličkog računarskog jezika, njegov autor postao siguran u mogućnost praktičnog početka implementacije ovih sredstava inteligencije. Simbolični pristup omogućava da se operiše sa slabo formalizovanim reprezentacijama i njihovim značenjima.

Uspeh i efikasnost rešavanja novih problema zavisi od sposobnosti izdvajanja samo bitnih informacija, što zahteva fleksibilnost u metodama apstrakcije. Dok običan program postavlja jedan od svojih načina tumačenja podataka, zbog čega njegov rad izgleda pristrasno i čisto mehanički. U ovom slučaju samo osoba, analitičar ili programer, može riješiti intelektualni problem, a da to ne može povjeriti mašini. Kao rezultat, kreira se jedan model apstrakcije, sistem konstruktivnih entiteta i algoritama. A fleksibilnost i svestranost rezultiraju značajnim troškovima resursa za netipične zadatke, odnosno sistem se vraća sa inteligencije na grubu silu.

Glavna karakteristika simboličkih proračuna je stvaranje novih pravila tokom izvršavanja programa. Dok su mogućnosti neinteligentnih sistema završene neposredno prije mogućnosti da se barem ukažu na novonastale poteškoće. Štaviše, ove poteškoće nisu riješene, a konačno kompjuter ne poboljšava takve sposobnosti sam.

Nedostatak simboličkog pristupa je što takve otvorene mogućnosti nepripremljeni ljudi percipiraju kao nedostatak alata. Ovaj prilično kulturni problem djelimično je riješen logičkim programiranjem.

logičan pristup

Logički pristup kreiranju sistema veštačke inteligencije usmeren je na kreiranje ekspertskih sistema sa logičkim modelima baza znanja korišćenjem predikatskog jezika.

Logički programski jezik i sistem Prolog usvojen je kao model obuke za sisteme veštačke inteligencije 1980-ih. Baze znanja napisane na jeziku Prolog predstavljaju skupove činjenica i pravila zaključivanja napisane jezikom logičkih predikata.

Logički model baza znanja omogućava vam da zabilježite ne samo specifične informacije i podatke u obliku činjenica na jeziku Prolog, već i generalizirane informacije koristeći pravila i procedure zaključivanja, uključujući logička pravila za definiranje pojmova koji izražavaju određeno znanje kao specifično i generalizovane informacije.

Uopšteno govoreći, istraživanje problema veštačke inteligencije u okviru logičkog pristupa projektovanju baza znanja i ekspertskih sistema usmereno je na stvaranje, razvoj i rad inteligentnih informacionih sistema, uključujući i pitanja podučavanja studenata i školaraca, tj. kao i obuku korisnika i programera takvih inteligentnih informacionih sistema.

Pristup baziran na agentima

Najnoviji pristup, razvijen od ranih 1990-ih, zove se pristup baziran na agentima, ili pristup zasnovan na upotrebi inteligentnih (racionalnih) agenata. Prema ovom pristupu, inteligencija je računski dio (grubo rečeno, planiranje) sposobnosti da se postignu ciljevi postavljeni inteligentnoj mašini. Takva mašina će i sama biti inteligentni agent, koji će opažati svijet oko sebe uz pomoć senzora i sposoban utjecati na objekte u okruženju uz pomoć aktuatora.

Ovaj pristup se fokusira na one metode i algoritme koji će pomoći inteligentnom agentu da preživi u okruženju dok obavlja svoj zadatak. Dakle, ovdje se algoritmi za pronalaženje putanje i donošenje odluka proučavaju mnogo pažljivije.

Hibridni pristup

Glavni članak: Hibridni pristup

Hibridni pristup sugeriše da samo sinergijska kombinacija neuronskih i simboličkih modela postiže puni spektar kognitivnih i računalnih sposobnosti. Na primjer, pravila stručnog zaključivanja mogu se generirati neuronskim mrežama, a generativna pravila se dobijaju korištenjem statističkog učenja. Zagovornici ovog pristupa smatraju da će hibridni informacioni sistemi biti mnogo jači od zbira različitih koncepata zasebno.

Modeli i metode istraživanja

Simboličko modeliranje misaonih procesa

Glavni članak: Reasoning Modeling

Analizirajući istoriju AI, može se izdvojiti tako opsežan pravac kao modeliranje rasuđivanja. Dugi niz godina razvoj ove nauke kretao se ovim putem, a sada je to jedno od najrazvijenijih područja moderne AI. Modeliranje rasuđivanja podrazumijeva kreiranje simboličkih sistema na čijem se ulazu postavlja određeni zadatak, a na izlazu se traži njegovo rješavanje. Po pravilu, predloženi problem je već formalizovan, odnosno preveden u matematički oblik, ali ili nema algoritam rješenja, ili je previše komplikovan, dugotrajan itd. Ovaj smjer uključuje: dokazivanje teorema, donošenje odluka, i teorija igara, planiranje i dispečiranje , prognoziranje .

Rad sa prirodnim jezicima

Važan pravac je obrada prirodnog jezika, koji analizira mogućnosti razumijevanja, obrade i generiranja tekstova na "ljudskom" jeziku. U okviru ovog pravca cilj je takva obrada prirodnog jezika koja bi mogla samostalno steći znanje čitajući postojeći tekst dostupan na internetu. Neke direktne primene obrade prirodnog jezika uključuju pronalaženje informacija (uključujući rudarenje teksta) i mašinsko prevođenje.

Zastupanje i upotreba znanja

Smjer inženjering znanja kombinuje zadatke dobijanja znanja iz jednostavnih informacija, njihovu sistematizaciju i upotrebu. Ovaj pravac je istorijski povezan sa stvaranjem ekspertni sistemi- programi koji koriste specijalizovane baze znanja za dobijanje pouzdanih zaključaka o bilo kom problemu.

Proizvodnja znanja iz podataka jedan je od osnovnih problema data mininga. Postoje različiti pristupi rješavanju ovog problema, uključujući i one zasnovane na tehnologiji neuronskih mreža, koristeći procedure verbalizacije neuronske mreže.

Mašinsko učenje

Problemi mašinsko učenje tiče procesa nezavisni sticanje znanja od strane intelektualnog sistema u procesu njegovog funkcionisanja. Ovaj pravac je bio centralni od samog početka razvoja AI. Godine 1956., na ljetnoj konferenciji u Dartmundu, Ray Solomonoff je napisao rad o nenadziranoj vjerovatnoj mašini nazvanoj Induktivna mašina za zaključivanje.

Robotika

Glavni članak: Inteligentna robotika

Mašinska kreativnost

Glavni članak: Mašinska kreativnost

Priroda ljudske kreativnosti je još manje shvaćena od prirode inteligencije. Ipak, ovo područje postoji i tu se postavljaju problemi pisanja muzike, književnih djela (često pjesama ili bajki), umjetničkog stvaralaštva. Stvaranje realističnih slika široko se koristi u industriji filmova i igara.

Posebno je istaknuto proučavanje problema tehničke kreativnosti sistema umjetne inteligencije. Teorija inventivnog rješavanja problema, koju je 1946. predložio G. S. Altshuller, označila je početak takvih istraživanja.

Dodavanje ove funkcije svakom inteligentnom sistemu omogućava vam da vrlo jasno pokažete šta tačno sistem percipira i kako razume. Dodavanjem buke umjesto informacija koje nedostaju ili filtriranjem buke sa znanjem dostupnim u sistemu, iz apstraktnog znanja se proizvode konkretne slike koje čovjek lako percipira, što je posebno korisno za intuitivna i niskovrijedna znanja, čiju provjeru u formalni oblik zahtijeva značajan mentalni napor.

Ostale oblasti istraživanja

Konačno, postoje mnoge primjene umjetne inteligencije, od kojih svaka čini gotovo nezavisan pravac. Primjeri uključuju programsku inteligenciju u kompjuterskim igrama, nelinearnu kontrolu, inteligentne sisteme sigurnosti informacija.

Može se vidjeti da se mnoga područja istraživanja preklapaju. Ovo važi za svaku nauku. Ali u vještačkoj inteligenciji, veza između naizgled različitih pravaca je posebno jaka, a to je zbog filozofske debate o jakoj i slaboj AI.

Moderna umjetna inteligencija

Postoje dva pravca razvoja AI:

rješavanje problema vezanih za aproksimaciju specijalizovanih AI sistema ljudskim sposobnostima, i njihovu integraciju, koju implementira ljudska priroda ( vidi Pojačavanje inteligencije);
stvaranje vještačke inteligencije, koja predstavlja integraciju već stvorenih AI sistema u jedinstven sistem sposoban da riješi probleme čovječanstva ( vidi Jaka i slaba umjetna inteligencija).

Ali u ovom trenutku, u polju umjetne inteligencije, postoji uključenost mnogih predmetnih područja koja su više praktična nego fundamentalna za AI. Isprobani su mnogi pristupi, ali nijedna istraživačka grupa još nije došla do pojave umjetne inteligencije. Ispod su samo neki od najznačajnijih AI razvoja.

Aplikacija

Turnir RoboCup

Neki od najpoznatijih AI sistema su:

Banke koriste sisteme veštačke inteligencije (AI) u poslovima osiguranja (aktuarska matematika), kada igraju na berzi i upravljaju imovinom. Metode prepoznavanja obrazaca (uključujući i složenije i specijalizovane i neuronske mreže) se široko koriste u optičkom i akustičkom prepoznavanju (uključujući tekst i govor), medicinskoj dijagnostici, filterima za neželjenu poštu, sistemima protivvazdušne odbrane (identifikacija cilja), kao i za osiguranje niz drugih zadataka nacionalne bezbednosti.

Psihologija i kognitivna nauka

Metodologija kognitivnog modeliranja dizajnirana je za analizu i donošenje odluka u loše definiranim situacijama. Predložio ga je Axelrod.

Zasniva se na modeliranju subjektivnih ideja stručnjaka o situaciji i uključuje: metodologiju strukturiranja situacije: model za predstavljanje stručnog znanja u obliku potpisanog digrafa (kognitivne mape) (F, W), gdje je F a skup faktora situacije, W je skup uzročno-posledičnih veza između faktora situacije; metode analize situacije. Trenutno se metodologija kognitivnog modeliranja razvija u pravcu poboljšanja aparata za analizu i modeliranje situacije. Ovdje se predlažu modeli za predviđanje razvoja situacije; metode za rješavanje inverznih problema.

Filozofija

Nauka o "stvaranju umjetne inteligencije" nije mogla a da ne privuče pažnju filozofa. Pojavom prvih inteligentnih sistema, postavila su se fundamentalna pitanja o čovjeku i znanju, a dijelom i o svjetskom poretku.

Filozofski problemi stvaranja umjetne inteligencije mogu se podijeliti u dvije grupe, relativno govoreći, “prije i nakon razvoja AI”. Prva grupa odgovara na pitanje: „Šta je veštačka inteligencija, da li je moguće napraviti je i, ako je moguće, kako to učiniti?“ Druga grupa (etika veštačke inteligencije) postavlja pitanje: „Koje su posledice stvaranja veštačke inteligencije po čovečanstvo?“

Termin "jaka umjetna inteligencija" uveo je John Searle, a njegov pristup karakteriziraju njegove vlastite riječi:

Štaviše, takav program bi bio više nego samo model uma; to će doslovno biti sam um, u istom smislu u kojem je ljudski um um.

Istovremeno, potrebno je razumjeti da li je moguć „čisti umjetni“ um („metamind“) koji razumije i rješava stvarne probleme, a istovremeno je lišen emocija koje su karakteristične za osobu i neophodne za njegovu individualni opstanak.

Nasuprot tome, slabi zagovornici umjetne inteligencije radije gledaju na softver samo kao na alat za rješavanje određenih zadataka koji ne zahtijevaju cijeli niz ljudskih kognitivnih sposobnosti.

Etika

Naučna fantastika

Tema AI razmatra se iz različitih uglova u radu Roberta Heinleina: hipoteza o nastanku AI samosvijesti kada struktura postaje složenija iznad određenog kritičnog nivoa i dolazi do interakcije s vanjskim svijetom i drugim nosiocima uma ( “Mjesec je oštra gospodarica”, “Vrijeme je dovoljno za ljubav”, likovi Mycrofta, Dore i Aya u seriji “History of the Future”), problemi razvoja AI nakon hipotetičke samosvijesti i neka društvena i etička pitanja (" petak"). Socio-psihološke probleme ljudske interakcije sa AI razmatra i roman Philipa K. Dicka „Da li Androidi sanjaju električne ovce? “, također poznat iz filmske adaptacije Blade Runnera.

Stvaranje virtuelne stvarnosti, veštačke inteligencije, nanorobota i mnogi drugi problemi filozofije veštačke inteligencije opisani su i u velikoj meri anticipirani u delu pisca naučne fantastike i filozofa Stanislava Lema. Posebno treba istaći futurologiju Zbir tehnologije. Osim toga, avanture Ijona Tihog u više navrata opisuju odnos živih bića i mašina: pobuna kompjutera na brodu s naknadnim neočekivanim događajima (11. putovanje), adaptacija robota u ljudsko društvo („Tragedija pranja“ iz “Sjećanja na Ijona Tihog”), izgradnja apsolutnog poretka na planeti kroz obradu živih stanovnika (24. putovanje), izumi Corcorana i Diagore („Memoari Ijona Tihog”), psihijatrijska klinika za robote (“ Memoari Ijona Tihog"). Osim toga, postoji cijeli ciklus priča i priča o Cyberiadi, gdje su gotovo svi likovi roboti, koji su daleki potomci robota koji su pobjegli od ljudi (ljude nazivaju blijedima i smatraju ih mitskim bićima).

Filmovi

Gotovo od 60-ih godina, uz pisanje fantastičnih priča i romana, snimaju se i filmovi o umjetnoj inteligenciji. Mnogi romani autora priznatih širom svijeta snimaju se i postaju klasici žanra, drugi postaju prekretnica u razvoju naučne fantastike, kao što su Terminator i Matrix.

vidi takođe

Bilješke

Najčešća pitanja od Johna McCarthyja, 2007
M. Andrew. Stvarni život i umjetna inteligencija // "Vijesti o umjetnoj inteligenciji", RAII, 2000.
Gavrilova T. A. Khoroshevsky V. F. Baze znanja o inteligentnim sistemima: Udžbenik za univerzitete
Averkin A. N., Gaaze-Rapoport M. G., Pospelov D. A. Objašnjavajući rječnik umjetne inteligencije. - M.: Radio i komunikacija, 1992. - 256 str.
G. S. Osipov. Umjetna inteligencija: stanje istraživanja i pogled u budućnost
Ilyasov F. N. Um umjetni i prirodni // Zbornik radova Akademije nauka Turkmenske SSR, serija društvenih nauka. 1986. br. 6. S. 46-54.
Alan Turing, Mogu li mašine da misle?
Inteligentne mašine S. N. Korsakov
D. A. Pospelov. Formiranje informatike u Rusiji
O istoriji kibernetike u SSSR-u. Esej jedan, Esej drugi
Jack Copeland. Šta je umjetna inteligencija? 2000
Alan Turing, Računske mašinerije i inteligencija, Mind, vol. LIX, br. 236, oktobar 1950, str. 433-460.
Obrada prirodnog jezika:
Aplikacije za obradu prirodnog jezika uključuju pronalaženje informacija (uključujući: analizu teksta i mašinsko prevođenje):
Gorban P. A. Ekstrakcija znanja o neuronskim mrežama iz podataka i kompjuterske psihoanalize
Mašinsko učenje:
Alan Turing je raspravljao o centralnoj temi još 1950. godine u svom klasičnom članku Računske mašinerije i inteligencija. ()
(pdf skenirana kopija originala) (verzija objavljena 1957., An Inductive Inference Machine, "IRE Convention Record, Odjeljak o teoriji informacija, 2. dio, str. 56-62)
robotika :
, pp. 916–932
, pp. 908–915
Projekat Plavi mozak - Umjetni mozak
Blagi Watson nabija ljudske protivnike na Jeopardy
20Q.net Inc.
Axelrod R. Struktura odluke: kognitivne mape političkih elita. - Princeton. University Press, 1976
John Searle. Um mozga - kompjuterski program?
Penrose R. Novi um kralja. O kompjuterima, razmišljanju i zakonima fizike. - M.: URSS, 2005. - ISBN 5-354-00993-6
AI kao globalni faktor rizika
… će vas odvesti do Vječnog Života
http://www.rc.edu.ru/rc/s8/intellect/rc_intellect_zaharov_2009.pdf Pravoslavni pogled na problem veštačke inteligencije
Harry Harrison. Turingov izbor. - M.: Eksmo-Press, 1999. - 480 str. - ISBN 5-04-002906-3

Književnost

Računar uči i razlozi (1. dio) // Računar dobiva inteligenciju = Artificial Intelligence Computer Images / ur. V. L. Stefanyuk. - Moskva: Mir, 1990. - 240 str. - 100.000 primeraka. - ISBN 5-03-001277-X (ruski); ISBN 705409155
Devyatkov V.V. Sistemi veštačke inteligencije / Ch. ed. I. B. Fedorov. - M.: Izdavačka kuća MSTU im. N. E. Bauman, 2001. - 352 str. - (Informatika na Tehničkom univerzitetu). - 3000 primjeraka. - ISBN 5-7038-1727-7

Korsakov S.N. Upisivanje novog načina istraživanja uz pomoć mašina koje upoređuju ideje / Ed. A.S. Mikhailov. - M.: MIPhI, 2009. - 44 str. - 200 primeraka. -

Hoće li umjetna inteligencija (AI) prevladati nad čovječanstvom? Elon Musk, osnivač Tesle, poriče ovu pretpostavku. Da bi se u to uverio, poznati inovator je uložio 10 miliona američkih dolara u 37 različitih naučnih projekata.

Uprkos kategoričnosti Elona Maska i njegovih istomišljenika, među kojima su Bill Gates i Stephen Hawking, većina naučnika predviđa usvajanje AI od strane ljudi. Treba samo pogledati MindMeld (obrada prirodnog jezika kroz glasovne i chat asistente) ili VIV (razvoj "pametnih" asistenata). Vjeruje se da će narednih 10-15 godina biti prekretnica za svjetsku populaciju. Štaviše, uvođenje će se odvijati ne samo na nivou informacionih tehnologija, već iu javnom mnjenju, zakonima i svakodnevnim navikama.

To je zbog dva faktora.

Prvo, AI robot može automatizirati procese koji zahtijevaju ljudsku intervenciju. Drugo, u stanju je obraditi i analizirati ogromnu količinu informacija. Prednost računara je što njegova radna sposobnost nije povezana sa ljudskim faktorom, bilo da se radi o ličnim problemima ili lošem raspoloženju.

Dakle, umjetna inteligencija ima široku primjenu: sveprisutna je u medicini, industriji, obrazovanju, poljoprivredi, saobraćaju i svakodnevnom životu.

Lek

AI memorija je cijenjena u ovoj oblasti, kao i sposobnost generiranja i upoređivanja ogromnih količina informacija.
Već nekoliko godina svi čuju za DeepMind Health (koji je razvio Google) - pametne asistente koji ne samo da savjetuju doktore, već i otkrivaju genetsku predispoziciju za patologije. Tako IBM Watson već identificira i razvija plan liječenja za 13 vrsta malignih neoplazmi: od raka grlića materice do debelog crijeva.

Umjetna inteligencija dolazi u pomoć čak i pacijentima. Sve popularnije su telemedicinske aplikacije koje prikupljaju podatke sa fitnes narukvica i drugih senzora, kao i "upitnici" koji utvrđuju tačne simptome i bolesti pacijenata. Dakle, AI je u stanju da prepozna tuberkulozu i poremećaj unutrašnjih organa, uklj. mozak.

Neke od aplikacija analiziraju ljudski govor i odgovaraju verbalno, dok druge preferiraju pisanu komunikaciju. Aplikacije primaju potrebne informacije, a zatim daju preporuke koje dalje radnje poduzeti ili podatke šalju terapeutu. Najpopularniji pametni asistenti su Your.MD i Ada, koji se mogu preuzeti sa App Store-a ili Google Play-a.

Poseban značaj pridaje se sistemima sposobnim za razvoj novih lijekova. Prema riječima Pfizerovog top menadžera, Judy Sewards, potrebno je u prosjeku 12 godina da se razvije i iznese novi lijek na tržište. AI će omogućiti stvaranje molekularne strukture i modeliranje lijeka, što će povećati njegovu kvalitetu i smanjiti vrijeme potrebno za oslobađanje novih lijekova. Pioniri u stvaranju superkompjutera koji rješavaju ovaj problem su Atomwise i Berg Health.

Industrija

Velike industrijske kompanije u zemljama poput Japana, Kine, SAD-a, Njemačke i Švicarske ulažu u nove tehnologije. Danas postoji tendencija smanjenja poslova vezanih za intelektualni rad, te porasta broja računara.

Sledeći poslovi će patiti u narednim decenijama:

Zbirka detalja. Svakim danom sve je više otpuštanja osoblja. Robot, pamteći redoslijed radnji, samostalno se nosi s povezivanjem dijelova.
Računovodstvene kalkulacije. U poređenju sa osobom, mašina precizno izračunava podatke i ne vodi „crno“ i „belo“ knjigovodstvo, što je veoma korisno za državu. Superračunari uče i donose logične odluke.
Zamjena konsultanata. Robot, kao i osoba, može voditi dijalog s kupcem na visokom nivou i dati odgovore na standardna pitanja. Komunikacioni algoritam postaje složeniji zbog sposobnosti mašine da uči i akumulira iskustvo.

Robotizacija će se u bliskoj budućnosti odraziti i na profesije kao što su sekretarice, blagajnici, kamiondžije i konobari.Primjer uspješne implementacije AI bila je pogon H&H line. Tehnologija praćenja očiju pomogla je da se uštedi 400 sati obuke polaznika u jednoj godini i smanji mogućnost nesreća.

MIT Technology Review je objavio da Andrew Ng, istraživač robotike i mašinskog učenja, razvija novi projekat, Landing.AI. Dizajniran je da uspostavi mehanizam za proizvodnju u fabrikama i pogonima. Njegov prvi partner je Foxconn, koji proizvodi Apple uređaje.

Obrazovanje

U bliskoj budućnosti, oblast obrazovanja će se ubrzano razvijati u dva pravca – adaptivno učenje i proctoring.
Adaptivno učenje je dizajnirano da riješi problem različitog akademskog uspjeha učenika i studenata. Činjenica je da jedna osoba uči gradivo mnogo brže i uspješnije od druge. Stoga će AI pratiti nivo znanja učenika i prilagođavati redoslijed blokova kursa njegovim sposobnostima, ili informirati nastavnika koliko je učenik naučio gradivo. Primjer takvog sistema je platforma Third Space Learning, koja je trenutno u razvoju.

Proktoring je kontrola učenika i studenata tokom polaganja kontrolnih i ispitnih testova. Ako su u prošlosti učenici bili "na nišanu" web kamere, sada AI dolazi u pomoć. Prati koliko često učenik skreće pogled sa ekrana računara, da li menja karticu u pretraživaču, da li ima dodatnih glasova u sobi. Čim AI primijeti bilo kakvo kršenje, o tome odmah obavještava ljudskog proctora.

Ali može li mašina zamijeniti običnog učitelja? Rosa Lukin, profesorka na Univerzitetskom koledžu u Londonu, to negira. Prema njenim riječima, vrijedi pronaći kompromis. Na kraju krajeva, nije cilj zamijeniti nastavnike mašinama, već unaprijediti obrazovni proces. Ovo definitivno nije bez ljudskog učitelja.

Poljoprivreda

Ideja da su poljoprivreda i stočarstvo zaostali i staromodne industrije stvar je prošlosti. Danas je intenzivan rast globalnog AI tržišta u poljoprivrednoj industriji uzrokovan sljedećim faktorima: uvođenje sistema upravljanja podacima, automatizacija navodnjavanja, povećanje produktivnosti poljoprivrednih kultura kroz uvođenje metoda obuke i povećanje broja ljudi na planeti. Istovremeno, rast tržišta umjetne inteligencije ograničen je visokim troškovima prikupljanja informacija o poljoprivrednom zemljištu.

Široko uvođenje robotike u poljoprivredu predstavljeno je sljedećim razvojem:

Bespilotne letjelice. Dronovi opremljeni radarom i GPS praćenjem prskaju usjeve, osiguravajući pouzdanu dostavu opasnih hemikalija i snimanje iz zraka.
Roboti za berbu. Ako kombajni za žito postoje već dugo, onda je nedavno stvoren robot koji bere jagode.
AI uništava korov. Hortibot, koji je razvio Univerzitet Aarhus (Aarhus Universitet) u Danskoj, prepoznaje i eliminiše korov na dva načina: mehanički i tačkastim prskanjem herbicidima. Ovaj robot je bio pravi iskorak, jer je prepoznavanje korova od korisnih biljaka veliki uspjeh moderne robotike u poljoprivredi. Osim toga, stvaraju se mašine koje prepoznaju štetočine i bolesti poljoprivrednih kultura.

Prema prognozama Energias Market Research, tržište umjetne inteligencije u poljoprivrednoj industriji će porasti za 24,3% do 2024. godine. Aktivno će se razvijati u SAD-u i azijsko-pacifičkom regionu. Agworld, Farmlogs, Cropx, Microsoft, AGCO i drugi uvršteni su na listu centralnih igrača na tržištu inteligentnog agrobiznisa.

drumski saobraćaj

Svrha uvođenja AI u ovu oblast je suzbijanje saobraćajnih gužvi. Ovakvi sistemi već uspešno rade u velikim gradovima Evrope, Severne Amerike i Azije.

Prikupljanje informacija sa semafora, analiza gustine saobraćaja, saobraćajnih nezgoda, vremenskih podataka i drugih faktora koji stvaraju saobraćajne gužve - to je ono što računar funkcioniše. Kao rezultat toga, inteligentni sistem nadgleda puteve na mreži, predviđa kakav će biti saobraćaj i u skladu s tim uključuje semafore.

Ne samo da prati saobraćaj na putu, već i pomaže vozačima. Na primjer, sistem, ako je potrebno, poziva šlep kamion. Jasno je da se ovim rješenjem neće u potpunosti riješiti saobraćajne gužve, međutim, sasvim je moguće povremeno ubrzati kretanje.
Vjerovatno će napredak biti primjetan ako se masovno koriste bespilotna vozila – to su vozila koja se mogu kretati bez ljudske intervencije. Razvili su ih Google, AKTIV, Tesla Motors i neki drugi.

Život

Naravno, svima je poznat "" (pametna kuća), koja će u budućnosti postati tipičan primjer AI. Najveći proizvođači su Yamaha, Siemens, Abb, Beckhoff i Legrand.

Takav razvoj događaja uvelike pojednostavljuje život osobe. Na primjer, takav sistem će ujutro otvoriti zavjese, probuditi domaćine i skuhati kafu. U budućnosti će se funkcionalnost "pametne kuće" proširiti do te mjere da će ormar automatski pariti odjeću, a hladnjak će naručivati hranu. Ovo rješenje optimizira troškove vezane za snabdijevanje energijom, ventilaciju, grijanje, prilagođavajući se prikladnom rasporedu.

Popularni su i usisivači koji ne samo da mogu čistiti, već i pomicati predmete i sami se puniti.
Još jedan primjer svakodnevne upotrebe AI su automatski prevodioci. Ako je ranije "mašinsko prevođenje" ostavljalo mnogo da se poželi, danas se situacija dramatično promijenila. To demonstrira Google Translate: algoritam se zasniva na činjenici da računar ne percipira pojedinačne riječi, već cijelu rečenicu. Omogućava vam da dobijete tekst visokog kvaliteta, tako da će u bliskoj budućnosti ova metoda postati osnova za automatsko prevođenje.

Humanoidni androidi se koriste ne samo za kućne poslove, već i za komunikaciju. Gvozdeni "prijatelj" vam neće dozvoliti da umrete od dosade, a ponekad postane i punopravni član porodice. Tako je u Kini jedan srećnik uspeo da se oženi robotom. Ispostavilo se da je to bio inženjer Zheng Jiajia, koji je sam napravio svoju nevjestu.

Nesumnjivo je da je budućnost čovječanstva isprepletena robotima, jer se svake godine razvijaju nova područja primjene umjetne inteligencije. Najvjerovatnije će nadmašiti sposobnosti osobe, ali će istovremeno značajno poboljšati kvalitetu njegovog života. Ovdje je glavna stvar pronaći razuman okvir dok AI ne nauči da se reproducira. Prema riječima Elona Muska, vrijedi zauzeti proaktivan stav i ograničiti upotrebu AI sada, barem u vojnoj industriji.

Mustafina Nailya Mugattarovna, prvostupnik, student
Baškirski državni agrarni univerzitet
Sharafutdinov Aidar Gazizyanovich, kandidat nauka, vanredni profesor, vanredni profesor
Baškirski državni agrarni univerzitet

RAČUNARSKE MAŠINE
TEHNIKA
NAUKA
VEŠTAČKA INTELIGENCIJA

Danas se naučni i tehnološki napredak ubrzano razvija. Jedna od njegovih brzorastućih industrija je umjetna inteligencija.

Danas se tehnološki napredak ubrzano razvija. Nauka ne miruje i svake godine ljudi dolaze do sve naprednijih tehnologija. Jedan od novih pravaca u razvoju tehnološkog napretka je umjetna inteligencija.

Čovječanstvo je prvi put čulo za umjetnu inteligenciju prije više od 50 godina. To se dogodilo na konferenciji održanoj 1956. na Univerzitetu Dartmouth, gdje je John McCarthy dao jasnu i preciznu definiciju tog pojma. “Vještačka inteligencija je nauka o stvaranju inteligentnih mašina i kompjuterskih programa. Za potrebe ove nauke, kompjuteri se koriste kao sredstvo za razumevanje karakteristika ljudske inteligencije, a istovremeno proučavanje AI ne bi trebalo da bude ograničeno na upotrebu biološki prihvatljivih metoda.

Umjetna inteligencija modernih kompjutera je na prilično visokom nivou, ali ne na nivou da njihove sposobnosti ponašanja nisu inferiorne barem od najprimitivnijih životinja.

Rezultat istraživanja "vještačke inteligencije" je želja da se razumije rad mozga, da se otkriju tajne ljudske svijesti i problem stvaranja mašina s određenim nivoom ljudske inteligencije. Temeljna mogućnost modeliranja intelektualnih procesa slijedi da se svaka funkcija mozga, bilo koja mentalna aktivnost, opisana jezikom sa strogo nedvosmislenom semantikom korištenjem konačnog broja riječi, u principu može prenijeti na elektronski digitalni kompjuter.

Trenutno su razvijeni neki modeli umjetne inteligencije u različitim oblastima, ali još uvijek nije stvoren kompjuter koji bi mogao obraditi informacije u bilo kojoj novoj oblasti.

Među najvažnijim klasama zadataka koji su se postavljali programerima inteligentnih sistema od definisanja veštačke inteligencije kao naučnog pravca, treba izdvojiti sledeće. oblasti veštačke inteligencije:

Dokaz teorema. Proučavanje tehnika dokazivanja teorema imalo je važnu ulogu u razvoju umjetne inteligencije. Mnogi neformalni problemi, na primjer, medicinska dijagnostika, koriste metodološke pristupe koji su korišteni za automatizaciju dokaza teorema prilikom rješavanja. Potraga za dokazom matematičke teoreme zahtijeva ne samo dedukciju iz hipoteza, već i intuiciju o tome koje međutvrdnje treba dokazati za opći dokaz glavne teoreme.
Prepoznavanje slike. Upotreba umjetne inteligencije za prepoznavanje uzoraka omogućila je stvaranje praktično funkcionalnih sistema za identifikaciju grafičkih objekata na osnovu sličnih karakteristika. Sve karakteristike objekata koje treba prepoznati mogu se smatrati znakovima. Karakteristike moraju biti nepromjenjive u odnosu na orijentaciju, veličinu i oblik objekata. Abecedu znakova formira programer sistema. Kvaliteta prepoznavanja u velikoj mjeri ovisi o tome koliko je dobro uspostavljena abeceda karakteristika. Prepoznavanje se sastoji u apriornom dobijanju vektora karakteristika za poseban objekat odabran na slici i, zatim, u određivanju kojem od standarda abecede karakteristika ovaj vektor odgovara.
Mašinsko prevođenje i razumijevanje ljudskog govora. Zadatak analize rečenica ljudskog govora pomoću rječnika je tipičan zadatak sistema umjetne inteligencije. Da bi se to riješilo, stvoren je posrednički jezik koji olakšava poređenje fraza iz različitih jezika. U budućnosti se ovaj posrednički jezik pretvorio u semantički model za predstavljanje značenja tekstova koji se prevode. Evolucija semantičkog modela dovela je do stvaranja jezika za unutrašnje predstavljanje znanja. Kao rezultat, savremeni sistemi analiziraju tekstove i fraze u četiri glavne faze: morfološka analiza, sintaktička, semantička i pragmatička analiza.
Programi za igre. Većina programa za igre zasnovana je na nekoliko osnovnih ideja umjetne inteligencije, kao što su nabrajanje opcija i samoučenje. Jedan od najzanimljivijih zadataka na polju programa za igre koji koriste metode umjetne inteligencije je učenje kompjutera da igra šah. Osnovan je u ranim danima računarstva, kasnih 1950-ih. U šahu postoje određeni nivoi veštine, stepeni kvaliteta igre, koji mogu dati jasne kriterijume za procenu intelektualnog rasta sistema. Stoga su naučnici iz cijelog svijeta bili aktivno uključeni u kompjuterski šah, a rezultati njihovih dostignuća koriste se u drugim intelektualnim razvojima od stvarnog praktičnog značaja.
Mašinska kreativnost. Jedno od područja primjene vještačke inteligencije uključuje softverske sisteme koji mogu samostalno kreirati muziku, poeziju, priče, članke, diplome, pa čak i disertacije. Danas postoji čitava klasa muzičkih programskih jezika (na primjer, jezik C-Sound). Za različite muzičke zadatke kreiran je poseban softver: sistemi za obradu zvuka, sinteza zvuka, interaktivni sistemi za kompoziciju, algoritamski programi za kompoziciju.
Ekspertni sistemi. Metode umjetne inteligencije našle su primjenu u kreiranju automatiziranih konsultantskih ili ekspertnih sistema. Prvi ekspertni sistemi razvijeni su kao istraživački alati 1960-ih. Bili su to sistemi umjetne inteligencije posebno dizajnirani za rješavanje složenih problema u uskoj oblasti, kao što je medicinska dijagnoza bolesti. Klasični cilj ovog pravca je u početku bio da se stvori sistem veštačke inteligencije opšte namene koji bi bio u stanju da reši bilo koji problem bez specifičnog znanja iz predmetne oblasti. Zbog ograničenog kapaciteta računarskih resursa, pokazalo se da je ovaj problem pretežak za rješavanje s prihvatljivim rezultatom.

Možemo reći da je glavni cilj razvoja umjetne inteligencije optimizacija, zamislite samo kako bi čovjek, a da nije u opasnosti, mogao proučavati druge planete, vaditi plemenite metale.

Dakle, možemo zaključiti da je proučavanje i razvoj umjetne inteligencije važno za cijelo društvo. Uostalom, upotrebom ovog sistema moguće je osigurati i olakšati ljudski život.

Bibliografija

Yasnitsky L.N. O mogućnostima korištenja umjetne inteligencije [Elektronski izvor]: naučna elektronska biblioteka. URL: http://cyberleninka.ru/ (pristupljeno 01.06.2016.)
Yastreb N.A. Umjetna inteligencija [Elektronski izvor]: naučna elektronska biblioteka. URL: http://cyberleninka.ru/ (pristupljeno 01.06.2016.)
Abdulatipova M.A. Umjetna inteligencija [Elektronski izvor]: naučna elektronska biblioteka. URL: http://cyberleninka.ru/ (pristupljeno 01.06.2016.)