Τομείς εφαρμογής της τεχνητής νοημοσύνης. Επιπτώσεις στην αγορά εργασίας

Η τεχνητή νοημοσύνη AI (τεχνητή νοημοσύνη) συνήθως ερμηνεύεται ως η ιδιότητα των αυτόματων συστημάτων να αναλαμβάνουν μεμονωμένες λειτουργίες της ανθρώπινης νοητικής ικανότητας, για παράδειγμα, να επιλέγει και να λαμβάνει βέλτιστες αποφάσεις με βάση την εμπειρία που έχει αποκτηθεί προηγουμένως και μια ορθολογική ανάλυση εξωτερικών επιρροών. Πρώτα απ 'όλα, μιλάμε για συστήματα που βασίζονται στις αρχές της μάθησης, της αυτοοργάνωσης και της εξέλιξης με ελάχιστη ανθρώπινη συμμετοχή, εμπλέκοντας όμως τον ίδιο ως δάσκαλο και συνεργάτη, ένα αρμονικό στοιχείο του συστήματος ανθρώπου-μηχανής.

Όπως είναι φυσικό, οι προσπάθειες δημιουργίας τεχνητής νοημοσύνης με βάση υπολογιστές ξεκίνησαν στην αυγή της ανάπτυξης της τεχνολογίας των υπολογιστών. Στη συνέχεια κυριάρχησε το παράδειγμα του υπολογιστή, οι βασικές θέσεις του οποίου δήλωναν ότι η μηχανή Turing είναι ένα θεωρητικό μοντέλο του εγκεφάλου και ο υπολογιστής είναι η υλοποίηση μιας καθολικής μηχανής και οποιαδήποτε διαδικασία πληροφοριών μπορεί να αναπαραχθεί σε έναν υπολογιστή. Ένα τέτοιο παράδειγμα ήταν κυρίαρχο για μεγάλο χρονικό διάστημα, έφερε πολλά ενδιαφέροντα αποτελέσματα, αλλά δεν πέτυχε το κύριο καθήκον - την κατασκευή του AI με την έννοια της μοντελοποίησης της ανθρώπινης σκέψης. Το παράδειγμα υπολογιστών της δημιουργίας τεχνητής νοημοσύνης, το οποίο κατέρρευσε λόγω ενός εσφαλμένου συνόλου βασικών προαπαιτούμενων, μετατράπηκε λογικά σε νευροπληροφορική, η οποία αναπτύσσει μια μη υπολογιστική προσέγγιση για τη μοντελοποίηση των πνευματικών διαδικασιών. Ο ανθρώπινος εγκέφαλος, που λειτουργεί με μη τμηματοποιημένες πληροφορίες, αποδείχθηκε πολύ πιο περίπλοκος από τη μηχανή Turing. Κάθε ανθρώπινη σκέψη έχει το δικό της πλαίσιο, έξω από το οποίο δεν έχει νόημα, η γνώση αποθηκεύεται με τη μορφή εικόνων που χαρακτηρίζονται από ασάφεια, ασάφεια, το σύστημα εικόνων είναι ασθενώς ευαίσθητο στις αντιφάσεις. Το ανθρώπινο σύστημα αποθήκευσης γνώσης χαρακτηρίζεται από υψηλή αξιοπιστία λόγω της κατανεμημένης αποθήκευσης γνώσης και ο χειρισμός πληροφοριών χαρακτηρίζεται από μεγάλο βάθος και μεγάλο παραλληλισμό.

Η επεξεργασία των πληροφοριών σε οποιαδήποτε ευφυή συστήματα βασίζεται στη χρήση μιας θεμελιώδους διαδικασίας - της μάθησης. Οι εικόνες έχουν χαρακτηριστικές αντικειμενικές ιδιότητες με την έννοια ότι διαφορετικά συστήματα αναγνώρισης, εκπαιδευμένα σε διαφορετικό υλικό παρατήρησης, ταξινομούν ως επί το πλείστον τα ίδια αντικείμενα με τον ίδιο τρόπο και ανεξάρτητα το ένα από το άλλο. Αυτή η αντικειμενικότητα των εικόνων είναι που επιτρέπει στους ανθρώπους σε όλο τον κόσμο να καταλαβαίνουν ο ένας τον άλλον. Η μάθηση ονομάζεται συνήθως η διαδικασία ανάπτυξης σε κάποιο σύστημα μιας συγκεκριμένης αντίδρασης σε ομάδες εξωτερικών πανομοιότυπων σημάτων επηρεάζοντας επανειλημμένα το σύστημα αναγνώρισης εξωτερικών σημάτων διόρθωσης. Ο μηχανισμός για τη δημιουργία αυτής της προσαρμογής, που τις περισσότερες φορές έχει την έννοια των ανταμοιβών και των τιμωριών, καθορίζει σχεδόν πλήρως τον αλγόριθμο μάθησης. Η αυτομάθηση διαφέρει από τη μάθηση στο ότι εδώ δεν αναφέρονται πρόσθετες πληροφορίες σχετικά με την ορθότητα της αντίδρασης στο σύστημα.

Τα ευφυή πληροφοριακά συστήματα μπορούν να χρησιμοποιούν «βιβλιοθήκες» μεγάλης ποικιλίας μεθόδων και αλγορίθμων που εφαρμόζουν διαφορετικές προσεγγίσεις στις διαδικασίες μάθησης, αυτοοργάνωσης και εξέλιξης στη σύνθεση συστημάτων AI. Δεδομένου ότι μέχρι στιγμής δεν υπάρχει ούτε μια γενική θεωρία τεχνητής νοημοσύνης ούτε ένα δείγμα εργασίας ενός πλήρως λειτουργικού μοντέλου AI, είναι αδύνατο να πούμε ποια από αυτές τις προσεγγίσεις είναι σωστή και ποια λάθος: πιθανότατα μπορούν να αλληλοσυμπληρώνονται αρμονικά. Περισσότερες πληροφορίες για τα προβλήματα της τεχνητής νοημοσύνης μπορείτε να βρείτε στις ιστοσελίδες www.ccas.ru και www.iseu.by/rus/educ/envmon.

Η τεχνητή νοημοσύνη υλοποιείται χρησιμοποιώντας τέσσερις προσεγγίσεις (είναι δύσκολο να μην πω μοντέρνα "παραδείγματα"): λογική, εξελικτική, προσομοίωση και δομική. Και οι τέσσερις αυτές κατευθύνσεις αναπτύσσονται παράλληλα, συχνά αλληλοδιαπλεκόμενες.

Η βάση για τη λογική προσέγγιση είναι η άλγεβρα Boole και οι λογικοί τελεστές της (κυρίως ο γνωστός τελεστής IF ["if"]). Η άλγεβρα Boole έλαβε την περαιτέρω ανάπτυξή της με τη μορφή κατηγορηματικού λογισμού, στον οποίο επεκτάθηκε εισάγοντας σύμβολα αντικειμένων, σχέσεις μεταξύ τους, υπαρξιακούς και καθολικούς ποσοτικοποιητές. Ουσιαστικά κάθε σύστημα AI που βασίζεται σε μια λογική αρχή είναι μια μηχανή απόδειξης θεωρημάτων. Σε αυτή την περίπτωση, τα αρχικά δεδομένα αποθηκεύονται στη βάση δεδομένων με τη μορφή αξιωμάτων και οι κανόνες εξαγωγής συμπερασμάτων - ως σχέση μεταξύ τους.

Οι περισσότερες λογικές μέθοδοι χαρακτηρίζονται από υψηλή ένταση εργασίας, καθώς κατά τη διάρκεια της αναζήτησης αποδεικτικών στοιχείων, είναι δυνατή η πλήρης απαρίθμηση των επιλογών. Επομένως, αυτή η προσέγγιση απαιτεί μια αποτελεσματική εφαρμογή της υπολογιστικής διαδικασίας και η καλή απόδοση είναι συνήθως εγγυημένη με ένα σχετικά μικρό μέγεθος βάσης δεδομένων. Ένα παράδειγμα πρακτικής εφαρμογής λογικών μεθόδων είναι τα δέντρα αποφάσεων που υλοποιούν σε συγκεντρωμένη μορφή τη διαδικασία «μάθησης» ή σύνθεσης του κανόνα απόφασης.

Η επίτευξη μεγαλύτερης εκφραστικότητας της λογικής προσέγγισης επιτρέπει μια τέτοια σχετικά νέα κατεύθυνση όπως η ασαφής λογική. Μετά τα θεμελιώδη έργα του L. Zadeh, ο όρος fuzzy (αγγλικά fuzzy, fuzzy) έγινε η λέξη κλειδί. Σε αντίθεση με τα παραδοσιακά μαθηματικά, τα οποία απαιτούν ακριβείς και ξεκάθαρες διατυπώσεις κανονικοτήτων σε κάθε βήμα της μοντελοποίησης, η ασαφής λογική προσφέρει ένα εντελώς διαφορετικό επίπεδο σκέψης, χάρη στο οποίο η δημιουργική διαδικασία μοντελοποίησης λαμβάνει χώρα σε ένα υψηλότερο επίπεδο αφαίρεσης, στο οποίο μόνο ένα ελάχιστο υποτίθεται σύνολο κανονικοτήτων. Για παράδειγμα, η αλήθεια μιας λογικής δήλωσης μπορεί να λάβει σε ασαφή συστήματα, εκτός από το συνηθισμένο "ναι / όχι" (1/0), και ενδιάμεσες τιμές: "Δεν ξέρω" (0,5), "ο ασθενής είναι περισσότερο ζωντανός παρά νεκρός» (0,75), «ο ασθενής είναι περισσότερο νεκρός παρά ζωντανός» (0,25) κ.λπ. Αυτή η προσέγγιση μοιάζει περισσότερο με τη νοοτροπία ενός ατόμου που σπάνια απαντά ναι ή όχι σε ερωτήσεις. Τα θεωρητικά θεμέλια και οι εφαρμοσμένες πτυχές των ευφυών συστημάτων εκτίμησης και πρόβλεψης υπό αβεβαιότητα, με βάση τη θεωρία των ασαφών συνόλων, περιγράφονται λεπτομερώς στη βιβλιογραφία [Averkin et al., 1986; Borisov et al., 1989; Μη παραδοσιακά μοντέλα.., 1991; Vasiliev και Ilyasov, 1995].

Ο όρος «αυτοοργάνωση» είναι κατανοητός, σύμφωνα με τον Ivakhnenko, «η διαδικασία της αυθόρμητης (αυθόρμητης) αύξησης της τάξης ή οργάνωσης σε ένα σύστημα που αποτελείται από πολλά στοιχεία, που συμβαίνει υπό την επίδραση του εξωτερικού περιβάλλοντος».

Οι αρχές της αυτοοργάνωσης αποτέλεσαν αντικείμενο έρευνας πολλών επιφανών επιστημόνων: J. von Neumann, N. Wiener, W.R. Ashby και άλλοι. Μεγάλη συνεισφορά στην ανάπτυξη αυτής της κατεύθυνσης είχε το έργο της ουκρανικής κυβερνητικής υπό την ηγεσία του A.G. Ivakhnenko, ο οποίος ανέπτυξε μια ολόκληρη κατηγορία προσαρμοστικών μοντέλων αυτοοργάνωσης, τα οποία θα μπορούσαν να ονομαστούν μια «έξυπνη γενίκευση» των εμπειρικών-στατιστικών μεθόδων.

Μπορούν να σημειωθούν οι ακόλουθες αρχές αυτοοργάνωσης των μαθηματικών μοντέλων:

- η αρχή των μη τελικών αποφάσεων (προτείνεται από τον D. Gabor και συνίσταται στην ανάγκη διατήρησης επαρκούς "ελευθερίας επιλογής" πολλών καλύτερων λύσεων σε κάθε βήμα της αυτοοργάνωσης),
- η αρχή της εξωτερικής πρόσθεσης (βασισμένη στο θεώρημα του K. Gödel και έγκειται στο γεγονός ότι μόνο εξωτερικά κριτήρια που βασίζονται σε νέες πληροφορίες επιτρέπουν τη σύνθεση ενός αληθινού μοντέλου ενός αντικειμένου που κρύβεται σε θορυβώδη πειραματικά δεδομένα).
- η αρχή της μαζικής επιλογής (προτείνεται από τον A.G. Ivakhnenko και υποδεικνύει τον καταλληλότερο τρόπο να περιπλέκεται σταδιακά ένα μοντέλο αυτοοργάνωσης, ώστε το κριτήριο της ποιότητάς του να περνάει από το ελάχιστο).

Για την εμφάνιση της αυτοοργάνωσης, είναι απαραίτητο να υπάρχει μια αρχική δομή, ένας μηχανισμός για τις τυχαίες μεταλλάξεις της και κριτήρια επιλογής, χάρη στα οποία μια μετάλλαξη αξιολογείται ως προς τη χρησιμότητά της για τη βελτίωση της ποιότητας του συστήματος. Εκείνοι. Κατά την κατασκευή αυτών των συστημάτων AI, ο ερευνητής καθορίζει μόνο την αρχική οργάνωση και τη λίστα των μεταβλητών, καθώς και τα κριτήρια ποιότητας που επισημοποιούν τον στόχο βελτιστοποίησης και τους κανόνες με τους οποίους μπορεί να αλλάξει το μοντέλο (αυτοοργάνωση ή εξέλιξη). Επιπλέον, το ίδιο το μοντέλο μπορεί να ανήκει σε διάφορους τύπους: γραμμική ή μη γραμμική παλινδρόμηση, ένα σύνολο λογικών κανόνων ή οποιοδήποτε άλλο μοντέλο.

Τα μοντέλα αυτοοργάνωσης χρησιμεύουν κυρίως για την πρόβλεψη της συμπεριφοράς και της δομής των οικοσυστημάτων, αφού, σύμφωνα με την ίδια τη λογική της κατασκευής τους, η συμμετοχή του ερευνητή στη διαδικασία αυτή ελαχιστοποιείται. Μπορούν να δοθούν ορισμένα συγκεκριμένα παραδείγματα χρήσης αλγορίθμων GMDH: για μακροπρόθεσμες προβλέψεις του οικολογικού συστήματος της λίμνης Baikal, μοντελοποίηση γεωβοτανικών περιγραφών. συστήματα «αρπακτικού-θηράματος», ανάπτυξη δέντρων, πρόβλεψη τοξικολογικών δεικτών ρύπων, εκτίμηση της δυναμικής του αριθμού των κοινοτήτων ζωοπλαγκτού.

Στη μαθηματική κυβερνητική, διακρίνονται δύο τύποι επαναληπτικών διαδικασιών ανάπτυξης συστήματος:

- προσαρμογή, στην οποία το άκρο (ο στόχος της κίνησης του συστήματος) παραμένει σταθερό.
- εξέλιξη, στην οποία η κίνηση συνοδεύεται από αλλαγή της θέσης του άκρου.

Εάν η αυτοοργάνωση σχετίζεται μόνο με προσαρμοστικούς μηχανισμούς για την προσαρμογή των αποκρίσεων του συστήματος (για παράδειγμα, αλλαγή των τιμών των συντελεστών βάρους), τότε η έννοια της εξέλιξης συνδέεται με την ικανότητα ενός τελεστή (ένας όρος που εισήγαγε ο S. Lem) να αλλάξει τη δική του δομή, δηλ. τον αριθμό των στοιχείων, την κατεύθυνση και την ένταση των συνδέσεων, προσαρμόζοντάς τα με τον βέλτιστο τρόπο σε σχέση με τις εργασίες σε κάθε συγκεκριμένη χρονική στιγμή. Στη διαδικασία της εξέλιξης σε ένα περίπλοκο και μεταβαλλόμενο περιβάλλον, ο τελεστής είναι σε θέση να αποκτήσει θεμελιωδώς νέες ιδιότητες, να φτάσει στο επόμενο στάδιο ανάπτυξης. Για παράδειγμα, στη διαδικασία της βιολογικής εξέλιξης, έχουν προκύψει εξαιρετικά πολύπλοκοι και ταυτόχρονα εκπληκτικά παραγωγικοί ζωντανοί οργανισμοί.

Η εξελικτική μοντελοποίηση είναι μια ουσιαστικά καθολική μέθοδος για την κατασκευή προβλέψεων των μακροκαταστάσεων ενός συστήματος σε συνθήκες όπου οι εκ των υστέρων πληροφορίες απουσιάζουν εντελώς και τα εκ των προτέρων δεδομένα προσδιορίζουν μόνο την προϊστορία αυτών των καταστάσεων. Το γενικό σχήμα του αλγόριθμου εξέλιξης έχει ως εξής:

- καθορίζεται η αρχική οργάνωση του συστήματος (στην εξελικτική μοντελοποίηση, για παράδειγμα, μπορεί να εμφανιστεί ένα πεπερασμένο ντετερμινιστικό αυτόματο Mealy με αυτήν την ικανότητα).
- πραγματοποιούν τυχαίες «μεταλλάξεις», π.χ. αλλαγή της τρέχουσας μηχανής κατάστασης τυχαία.
- επιλέξτε για περαιτέρω "ανάπτυξη" αυτόν τον οργανισμό (αυτό το αυτόματο) που είναι "καλύτερος" με την έννοια κάποιου κριτηρίου, για παράδειγμα, τη μέγιστη ακρίβεια πρόβλεψης της αλληλουχίας των τιμών των μακροπολιτειών του οικοσυστήματος.

Το κριτήριο ποιότητας του μοντέλου σε αυτή την περίπτωση δεν διαφέρει πολύ, για παράδειγμα, από το ελάχιστο του μέσου τετραγώνου σφάλματος στην ακολουθία εκπαίδευσης της μεθόδου των ελαχίστων τετραγώνων (με όλα τα επακόλουθα μειονεκτήματα). Ωστόσο, σε αντίθεση με την προσαρμογή, στον εξελικτικό προγραμματισμό η δομή του λύτη αλλάζει ελάχιστα όταν μετακινείται από τη μια μετάλλαξη στην άλλη, δηλ. δεν υπάρχει ανακατανομή των πιθανοτήτων που θα διαιωνίσουν τις μεταλλάξεις που οδήγησαν στην επιτυχία στο προηγούμενο βήμα. Η αναζήτηση για τη βέλτιστη δομή είναι πιο τυχαία και μη στοχευμένη, γεγονός που καθυστερεί τη διαδικασία αναζήτησης, αλλά παρέχει την καλύτερη προσαρμογή σε συγκεκριμένες μεταβαλλόμενες συνθήκες.

Η δομική προσέγγιση αναφέρεται σε προσπάθειες κατασκευής συστημάτων AI με μοντελοποίηση της δομής του ανθρώπινου εγκεφάλου. Τα τελευταία δέκα χρόνια, το φαινόμενο της έκρηξης ενδιαφέροντος για δομικές μεθόδους αυτοοργάνωσης - μοντελοποίηση νευρωνικών δικτύων, που χρησιμοποιείται με επιτυχία σε διάφορους τομείς - επιχειρήσεις, ιατρική, τεχνολογία, γεωλογία, φυσική, π.χ. όπου είναι απαραίτητο να επιλυθούν προβλήματα πρόβλεψης, ταξινόμησης ή ελέγχου.

Η ικανότητα ενός νευρωνικού δικτύου να μαθαίνει μελετήθηκε για πρώτη φορά από τους J. McCulloch και W. Pitt, όταν το 1943 δημοσιεύτηκε το έργο τους «The logical calculus of ideas related to nervous activity». Παρουσίασε ένα μοντέλο νευρώνα και διατύπωσε τις αρχές για την κατασκευή τεχνητών νευρωνικών δικτύων.

Μια σημαντική ώθηση στην ανάπτυξη της νευροκυβερνητικής δόθηκε από τον Αμερικανό νευροφυσιολόγο F. Rosenblatt, ο οποίος το 1962 πρότεινε το μοντέλο του για ένα νευρωνικό δίκτυο, το perceptron. Αρχικά έγινε δεκτό με μεγάλο ενθουσιασμό, το perceptron σύντομα δέχτηκε έντονη επίθεση από μεγάλες επιστημονικές αρχές. Και, αν και μια λεπτομερής ανάλυση των επιχειρημάτων τους δείχνει ότι δεν αμφισβήτησαν ακριβώς το perceptron που πρότεινε ο Rosenblatt, η έρευνα μεγάλης κλίμακας στα νευρωνικά δίκτυα περιορίστηκε για σχεδόν 10 χρόνια.

Μια άλλη σημαντική κατηγορία νευρωνικών συστημάτων εισήχθη από τον Finn T. Kohonen. Αυτή η κλάση έχει ένα ωραίο όνομα: "αυτοοργανωμένες αντιστοιχίσεις κατάστασης που διατηρούν την τοπολογία του χώρου του αισθητήρα". Η θεωρία του Kohonen χρησιμοποιεί ενεργά τη θεωρία των προσαρμοστικών συστημάτων, η οποία αναπτύχθηκε επί πολλά χρόνια από τον Ακαδημαϊκό της Ρωσικής Ακαδημίας Επιστημών Ya.Z. Tsypkin.

Είναι πολύ δημοφιλές πλέον σε όλο τον κόσμο η αξιολόγηση των δυνατοτήτων των συστημάτων μάθησης, ιδιαίτερα των νευρωνικών δικτύων, με βάση τη θεωρία της διάστασης, που δημιουργήθηκε το 1966 από τους Σοβιετικούς μαθηματικούς V.N. Vapnik και A.Ya. Τσερβονένκης. Μια άλλη κατηγορία μοντέλων που μοιάζουν με νευρώνες αντιπροσωπεύεται από δίκτυα αντίστροφης διάδοσης, στην ανάπτυξη σύγχρονων τροποποιήσεων των οποίων ο Prof. ΕΝΑ. Gorban και η σχολή νευροπληροφορικής του Krasnoyarsk με επικεφαλής τον ίδιο. Η Ρωσική Ένωση Νευροπληροφορικής υπό την ηγεσία του Προέδρου V.L. Ντουνίν-Μπαρκόφσκι.

Ολόκληρη η προσέγγιση του νευρωνικού δικτύου βασίζεται στην ιδέα της κατασκευής μιας υπολογιστικής συσκευής από έναν μεγάλο αριθμό απλών στοιχείων που λειτουργούν σε παράλληλους - επίσημους νευρώνες. Αυτοί οι νευρώνες λειτουργούν ανεξάρτητα ο ένας από τον άλλο και διασυνδέονται με μονοκατευθυντικά κανάλια μετάδοσης πληροφοριών. Ο πυρήνας των εννοιών του νευρωνικού δικτύου είναι η ιδέα ότι κάθε μεμονωμένος νευρώνας μπορεί να μοντελοποιηθεί με αρκετά απλές λειτουργίες και ότι ολόκληρη η πολυπλοκότητα του εγκεφάλου, η ευελιξία της λειτουργίας του και άλλες σημαντικές ιδιότητες καθορίζονται από τις συνδέσεις μεταξύ των νευρώνων. Η απόλυτη έκφραση αυτής της άποψης μπορεί να είναι το σύνθημα: «η δομή των συνδέσεων είναι το παν, οι ιδιότητες των στοιχείων δεν είναι τίποτα».

Τα νευρωνικά δίκτυα (NN) είναι μια πολύ ισχυρή τεχνική μοντελοποίησης που σας επιτρέπει να αναπαράγετε εξαιρετικά πολύπλοκες εξαρτήσεις που είναι μη γραμμικής φύσης. Κατά κανόνα, ένα νευρωνικό δίκτυο χρησιμοποιείται όταν οι υποθέσεις σχετικά με τον τύπο των συνδέσεων μεταξύ εισόδων και εξόδων είναι άγνωστοι (αν και, φυσικά, απαιτείται κάποιο σύνολο ευρετικών γνώσεων από τον χρήστη σχετικά με τον τρόπο επιλογής και προετοιμασίας δεδομένων, επιλογή του επιθυμητού δικτύου αρχιτεκτονική και ερμηνεία των αποτελεσμάτων).

Αντιπροσωπευτικά δεδομένα τροφοδοτούνται στην είσοδο του νευρωνικού δικτύου και ξεκινά ένας αλγόριθμος εκμάθησης που αναλύει αυτόματα τη δομή των δεδομένων και δημιουργεί μια σχέση μεταξύ της εισόδου και της εξόδου. Δύο τύποι αλγορίθμων χρησιμοποιούνται για την εκπαίδευση του NN: ελεγχόμενη ("εποπτευόμενη μάθηση") και χωρίς επίβλεψη ("χωρίς επίβλεψη").

Το απλούστερο δίκτυο έχει τη δομή ενός πολυστρωματικού perceptron με άμεση μετάδοση σήματος (βλ. Εικ. 3), το οποίο χαρακτηρίζεται από την πιο σταθερή συμπεριφορά. Το επίπεδο εισόδου χρησιμοποιείται για την εισαγωγή των τιμών των αρχικών μεταβλητών και, στη συνέχεια, οι νευρώνες του ενδιάμεσου και του στρώματος εξόδου επεξεργάζονται διαδοχικά. Καθένας από τους κρυφούς και τους νευρώνες εξόδου, κατά κανόνα, συνδέεται με όλα τα στοιχεία του προηγούμενου επιπέδου (για τις περισσότερες επιλογές δικτύου, προτιμάται ένα πλήρες σύστημα συνδέσεων). Στους κόμβους του δικτύου, ο ενεργός νευρώνας υπολογίζει την τιμή ενεργοποίησής του λαμβάνοντας το σταθμισμένο άθροισμα των εξόδων των στοιχείων του προηγούμενου στρώματος και αφαιρώντας την τιμή κατωφλίου από αυτό. Στη συνέχεια, η τιμή ενεργοποίησης μετατρέπεται χρησιμοποιώντας μια συνάρτηση ενεργοποίησης (ή συνάρτηση μεταφοράς) και το αποτέλεσμα είναι η έξοδος του νευρώνα. Αφού λειτουργήσει ολόκληρο το δίκτυο, οι τιμές εξόδου των στοιχείων του τελευταίου στρώματος λαμβάνονται ως έξοδος ολόκληρου του δικτύου στο σύνολό του.

Ρύζι. 3.

Μαζί με το πολυστρωματικό μοντέλο perceptron, εμφανίστηκαν αργότερα άλλα μοντέλα νευρωνικών δικτύων, που διέφεραν στη δομή των μεμονωμένων νευρώνων, στην τοπολογία των συνδέσεων μεταξύ τους και στους αλγόριθμους εκμάθησης. Μεταξύ των πιο γνωστών επιλογών τώρα είναι τα NN backpropagation που βασίζονται σε συναρτήσεις ακτινικής βάσης, τα δίκτυα γενικευμένης παλινδρόμησης, τα NN Hopfield και Hamming, οι αυτοοργανωμένοι χάρτες Kohonen, τα στοχαστικά νευρωνικά δίκτυα κ.λπ. Υπάρχει εργασία σε επαναλαμβανόμενα δίκτυα (δηλαδή που περιέχουν ανατροφοδοτήσεις που οδηγούν πίσω από πιο μακρινούς σε κοντινότερους νευρώνες) που μπορεί να έχουν πολύ περίπλοκη δυναμική συμπεριφοράς. Αρχίζουν να χρησιμοποιούνται αποτελεσματικά τα αυτοοργανωμένα (αναπτυσσόμενα ή εξελισσόμενα) νευρωνικά δίκτυα, τα οποία σε πολλές περιπτώσεις αποδεικνύονται προτιμότερα από τα παραδοσιακά πλήρως συνδεδεμένα νευρωνικά δίκτυα.

Τα μοντέλα που βασίζονται στον ανθρώπινο εγκέφαλο χαρακτηρίζονται τόσο από την εύκολη παραλληλοποίηση των αλγορίθμων και τη σχετική υψηλή απόδοση, όσο και από την υπερβολική εκφραστικότητα των παρουσιαζόμενων αποτελεσμάτων, γεγονός που δεν συμβάλλει στην εξαγωγή νέας γνώσης για το προσομοιωμένο περιβάλλον. Επομένως, ο κύριος σκοπός των μοντέλων νευρωνικών δικτύων είναι η πρόβλεψη.

Μια σημαντική προϋπόθεση για τη χρήση του NN, καθώς και οποιωνδήποτε στατιστικών μεθόδων, είναι μια αντικειμενικά υπάρχουσα σχέση μεταξύ γνωστών τιμών εισόδου και μιας άγνωστης απόκρισης. Αυτή η σύνδεση μπορεί να είναι τυχαία, παραμορφωμένη από θόρυβο, αλλά πρέπει να υπάρχει. Αυτό εξηγείται, πρώτον, από το γεγονός ότι οι επαναληπτικοί αλγόριθμοι για κατευθυνόμενη απαρίθμηση συνδυασμών παραμέτρων νευρωνικών δικτύων αποδεικνύονται πολύ αποτελεσματικοί και πολύ γρήγοροι μόνο εάν η ποιότητα των αρχικών δεδομένων είναι καλή. Ωστόσο, εάν αυτή η προϋπόθεση δεν πληρούται, ο αριθμός των επαναλήψεων αυξάνεται γρήγορα και η υπολογιστική πολυπλοκότητα είναι συγκρίσιμη με την εκθετική πολυπλοκότητα των αλγορίθμων για εξαντλητική απαρίθμηση πιθανών καταστάσεων. Δεύτερον, το δίκτυο τείνει να μάθει, πρώτα απ' όλα, τι είναι πιο εύκολο να μάθει, και, σε συνθήκες έντονης αβεβαιότητας και θορυβωδών χαρακτηριστικών, αυτά είναι, πρώτα απ 'όλα, τεχνουργήματα και φαινόμενα "ψευδής συσχέτισης".

Η επιλογή πληροφοριακών μεταβλητών στην παραδοσιακή παλινδρόμηση και ταξινόμηση πραγματοποιείται με «στάθμιση» χαρακτηριστικών χρησιμοποιώντας διάφορα στατιστικά κριτήρια και σταδιακές διαδικασίες που βασίζονται, με τη μία ή την άλλη μορφή, στην ανάλυση των συντελεστών μερικών συσχετίσεων ή συνδιακυμάνσεων. Για τους σκοπούς αυτούς, χρησιμοποιούνται διάφορες διαδοχικές (διαδοχικές) διαδικασίες, οι οποίες δεν οδηγούν πάντα σε ένα αποτέλεσμα αρκετά κοντά στο βέλτιστο. Μια αποτελεσματική αυτοματοποιημένη προσέγγιση για την επιλογή σημαντικών μεταβλητών εισόδου μπορεί να εφαρμοστεί χρησιμοποιώντας έναν γενετικό αλγόριθμο.

Από αυτή την άποψη, στο γενικό σχήμα στατιστικής μοντελοποίησης με μεθόδους AI, συνιστάται η διαδοχική εκτέλεση δύο διαφορετικών διαδικασιών:

- με τη βοήθεια εξελικτικών μεθόδων στον δυαδικό χώρο των χαρακτηριστικών, αναζητείται ένας τέτοιος ελάχιστος συνδυασμός μεταβλητών, ο οποίος παρέχει μια μικρή απώλεια πληροφοριών στα αρχικά δεδομένα,
- ο ελαχιστοποιημένος πίνακας δεδομένων που ελήφθη στο προηγούμενο στάδιο τροφοδοτείται στην είσοδο του νευρωνικού δικτύου για εκπαίδευση.

Τεχνητή νοημοσύνη (AI, eng. Artificial Intelligence, AI) - η επιστήμη και η τεχνολογία δημιουργίας ευφυών μηχανών, ιδιαίτερα ευφυών προγραμμάτων υπολογιστών. Η τεχνητή νοημοσύνη σχετίζεται με το παρόμοιο καθήκον της χρήσης υπολογιστών για την κατανόηση της ανθρώπινης νοημοσύνης, αλλά δεν περιορίζεται απαραίτητα σε βιολογικά εύλογες μεθόδους.

Τι είναι η τεχνητή νοημοσύνη

Νοημοσύνη(από το λατινικό intellectus - αίσθηση, αντίληψη, κατανόηση, κατανόηση, έννοια, λόγος) ή μυαλό - η ποιότητα της ψυχής, που αποτελείται από την ικανότητα προσαρμογής σε νέες καταστάσεις, την ικανότητα μάθησης και μνήμης με βάση την εμπειρία, την κατανόηση και την εφαρμογή αφηρημένες έννοιες και χρήση της δικής του γνώσης για περιβαλλοντική διαχείριση. Η νοημοσύνη είναι μια γενική ικανότητα για τη γνώση και την επίλυση δυσκολιών, η οποία συνδυάζει όλες τις γνωστικές ικανότητες ενός ατόμου: αίσθηση, αντίληψη, μνήμη, αναπαράσταση, σκέψη, φαντασία.

Στις αρχές της δεκαετίας του 1980 Οι επιστήμονες υπολογιστών Barr και Feigenbaum πρότειναν τον ακόλουθο ορισμό της τεχνητής νοημοσύνης (AI):

Αργότερα, αρκετοί αλγόριθμοι και συστήματα λογισμικού άρχισαν να αναφέρονται ως AI, το χαρακτηριστικό γνώρισμα του οποίου είναι ότι μπορούν να λύσουν ορισμένα προβλήματα με τον ίδιο τρόπο που θα έκανε ένα άτομο που σκέφτεται τη λύση τους.

Οι κύριες ιδιότητες της τεχνητής νοημοσύνης είναι η κατανόηση της γλώσσας, η εκμάθηση και η ικανότητα σκέψης και, κυρίως, δράσης.

Το AI είναι ένα σύμπλεγμα σχετικών τεχνολογιών και διαδικασιών που αναπτύσσονται ποιοτικά και γρήγορα, για παράδειγμα:

επεξεργασία κειμένου φυσικής γλώσσας
έμπειρα συστήματα
εικονικοί πράκτορες (chatbots και εικονικοί βοηθοί)
συστήματα συστάσεων.

Έρευνα AI

Κύριο άρθρο:Έρευνα στον τομέα της τεχνητής νοημοσύνης

Τυποποίηση AI

2018: Ανάπτυξη προτύπων στον τομέα των κβαντικών επικοινωνιών, της τεχνητής νοημοσύνης και της έξυπνης πόλης

Στις 6 Δεκεμβρίου 2018, η Τεχνική Επιτροπή Cyber-Physical Systems με βάση το RVC μαζί με το Περιφερειακό Μηχανικό Κέντρο SafeNet άρχισαν να αναπτύσσουν ένα σύνολο προτύπων για τις αγορές της Εθνικής Πρωτοβουλίας Τεχνολογίας (NTI) και της ψηφιακής οικονομίας. Έως τον Μάρτιο του 2019, σχεδιάζεται να αναπτυχθούν έγγραφα τεχνικής τυποποίησης στον τομέα των κβαντικών επικοινωνιών και, ανέφερε η RVC. Διαβάστε περισσότερα.

Ο αντίκτυπος της τεχνητής νοημοσύνης

Κίνδυνος για την ανάπτυξη του ανθρώπινου πολιτισμού

Επιπτώσεις στην οικονομία και τις επιχειρήσεις

Ο αντίκτυπος των τεχνολογιών τεχνητής νοημοσύνης στην οικονομία και τις επιχειρήσεις

Επιπτώσεις στην αγορά εργασίας

Προκατάληψη τεχνητής νοημοσύνης

Στο επίκεντρο όλων όσων είναι η πρακτική της AI (μηχανική μετάφραση, αναγνώριση ομιλίας, επεξεργασία φυσικής γλώσσας, όραση υπολογιστή, αυτοματοποίηση οδήγησης και πολλά άλλα) είναι η βαθιά εκμάθηση. Αυτό είναι ένα υποσύνολο της μηχανικής μάθησης, που χαρακτηρίζεται από τη χρήση μοντέλων νευρωνικών δικτύων, τα οποία μπορούμε να πούμε ότι μιμούνται τον τρόπο λειτουργίας του εγκεφάλου, επομένως δύσκολα μπορούν να ταξινομηθούν ως AI. Οποιοδήποτε μοντέλο νευρωνικού δικτύου εκπαιδεύεται σε μεγάλα σύνολα δεδομένων, επομένως αποκτά κάποιες «δεξιότητες», αλλά ο τρόπος με τον οποίο τις χρησιμοποιεί παραμένει ασαφές στους δημιουργούς, κάτι που τελικά γίνεται ένα από τα πιο σημαντικά προβλήματα για πολλές εφαρμογές βαθιάς μάθησης. Ο λόγος είναι ότι ένα τέτοιο μοντέλο λειτουργεί με εικόνες επίσημα, χωρίς καμία κατανόηση του τι κάνει. Είναι ένα τέτοιο σύστημα τεχνητής νοημοσύνης και μπορούν να είναι αξιόπιστα συστήματα που έχουν δημιουργηθεί με βάση τη μηχανική μάθηση; Η σημασία της απάντησης στην τελευταία ερώτηση υπερβαίνει τα επιστημονικά εργαστήρια. Ως εκ τούτου, η προσοχή των μέσων ενημέρωσης στο φαινόμενο, που ονομάζεται AI bias, έχει κλιμακωθεί αισθητά. Μπορεί να μεταφραστεί ως "AI bias" ή "AI bias". Διαβάστε περισσότερα.

Αγορά τεχνολογίας τεχνητής νοημοσύνης

Αγορά τεχνητής νοημοσύνης στη Ρωσία

Η παγκόσμια αγορά AI

Εφαρμογές AI

Οι τομείς εφαρμογής της τεχνητής νοημοσύνης είναι αρκετά εκτενείς και καλύπτουν τόσο τεχνολογίες που είναι γνωστές στην ακοή όσο και αναδυόμενες νέες περιοχές που απέχουν πολύ από τη μαζική εφαρμογή, με άλλα λόγια, αυτή είναι όλη η γκάμα λύσεων, από ηλεκτρικές σκούπες μέχρι διαστημικούς σταθμούς. Είναι δυνατό να διαιρεθεί όλη η ποικιλομορφία τους σύμφωνα με το κριτήριο των βασικών σημείων ανάπτυξης.

Η τεχνητή νοημοσύνη δεν είναι μια μονολιθική θεματική περιοχή. Επιπλέον, ορισμένες τεχνολογίες τεχνητής νοημοσύνης εμφανίζονται ως νέοι υποτομείς της οικονομίας και ξεχωριστές οντότητες, ενώ ταυτόχρονα εξυπηρετούν τους περισσότερους τομείς της οικονομίας.

Η ανάπτυξη της χρήσης της τεχνητής νοημοσύνης οδηγεί στην προσαρμογή των τεχνολογιών σε κλασικούς τομείς της οικονομίας σε όλη την αλυσίδα αξίας και τους μετασχηματίζει, οδηγώντας στον αλγόριθμο σχεδόν όλων των λειτουργιών, από τα logistics έως τη διαχείριση της εταιρείας.

Η χρήση της τεχνητής νοημοσύνης για αμυντικούς και στρατιωτικούς σκοπούς

Χρήση στην εκπαίδευση

Χρήση της τεχνητής νοημοσύνης στις επιχειρήσεις

AI στη βιομηχανία ηλεκτρικής ενέργειας

Σε επίπεδο σχεδιασμού: βελτιωμένη πρόβλεψη παραγωγής και ζήτησης ενεργειακών πόρων, αξιολόγηση της αξιοπιστίας του εξοπλισμού παραγωγής ενέργειας, αυτοματοποίηση της αύξησης της παραγωγής σε περίπτωση αύξησης της ζήτησης.
Σε επίπεδο παραγωγής: βελτιστοποίηση της προληπτικής συντήρησης του εξοπλισμού, αύξηση της απόδοσης παραγωγής, μείωση των απωλειών, πρόληψη κλοπής ενεργειακών πόρων.
Σε επίπεδο προώθησης: βελτιστοποίηση τιμολόγησης ανάλογα με την ώρα της ημέρας και δυναμική χρέωση.
Σε επίπεδο παροχής υπηρεσιών: αυτόματη επιλογή του πιο κερδοφόρου προμηθευτή, λεπτομερή στατιστικά στοιχεία κατανάλωσης, αυτοματοποιημένη εξυπηρέτηση πελατών, ενεργειακή βελτιστοποίηση με βάση τις συνήθειες και τη συμπεριφορά των πελατών.

AI στην κατασκευή

Σε επίπεδο σχεδιασμού: βελτίωση της αποτελεσματικότητας της ανάπτυξης νέων προϊόντων, αυτοματοποιημένη αξιολόγηση προμηθευτών και ανάλυση των απαιτήσεων για ανταλλακτικά και ανταλλακτικά.
Σε επίπεδο παραγωγής: βελτίωση της διαδικασίας εκτέλεσης εργασιών, αυτοματοποίηση γραμμών συναρμολόγησης, μείωση του αριθμού των σφαλμάτων, μείωση του χρόνου παράδοσης των πρώτων υλών.
Σε επίπεδο προώθησης: πρόβλεψη του όγκου των υπηρεσιών υποστήριξης και συντήρησης, διαχείριση τιμολόγησης.
Σε επίπεδο παροχής υπηρεσιών: βελτίωση του σχεδιασμού δρομολογίων του στόλου, ζήτηση πόρων στόλου, βελτίωση της ποιότητας εκπαίδευσης των μηχανικών υπηρεσιών.

AI στις τράπεζες

Αναγνώριση μοτίβων - χρησιμοποιείται συμπεριλ. να αναγνωρίζει πελάτες σε υποκαταστήματα και να τους στέλνει εξειδικευμένες προσφορές.

AI στις μεταφορές

Η αυτοκινητοβιομηχανία βρίσκεται στα πρόθυρα μιας επανάστασης: 5 προκλήσεις της εποχής της αυτο-οδήγησης

AI στα logistics

AI στην ζυθοποιία

Η χρήση της τεχνητής νοημοσύνης στη δημόσια διοίκηση

AI στην εγκληματολογία

Αναγνώριση μοτίβων - χρησιμοποιείται συμπεριλ. για τον εντοπισμό εγκληματιών σε δημόσιους χώρους.

Τον Μάιο του 2018, έγινε γνωστό για τη χρήση τεχνητής νοημοσύνης από την ολλανδική αστυνομία για τη διερεύνηση περίπλοκων εγκλημάτων.

Σύμφωνα με το The Next Web, οι αρχές επιβολής του νόμου έχουν αρχίσει να ψηφιοποιούν περισσότερες από 1.500 αναφορές και 30 εκατομμύρια σελίδες που σχετίζονται με κρυολογήματα. Το υλικό μεταφέρεται σε μορφή υπολογιστή, αρχής γενομένης από το 1988, στο οποίο το έγκλημα δεν εξιχνιάστηκε για τουλάχιστον τρία χρόνια και ο δράστης καταδικάστηκε σε φυλάκιση άνω των 12 ετών.

Μόλις ψηφιοποιηθεί όλο το περιεχόμενο, θα συνδεθεί με ένα σύστημα μηχανικής εκμάθησης που θα αναλύει τα αρχεία και θα αποφασίζει ποιες περιπτώσεις χρησιμοποιούν τα καλύτερα στοιχεία. Αυτό θα μειώσει τον χρόνο που απαιτείται για τη διεκπεραίωση υποθέσεων και την επίλυση προηγούμενων και μελλοντικών εγκλημάτων από εβδομάδες σε ημέρες.

Η τεχνητή νοημοσύνη θα κατανέμει τις περιπτώσεις σύμφωνα με τη «επιλυσιμότητα» τους και θα υποδεικνύει τα πιθανά αποτελέσματα της εξέτασης DNA. Στη συνέχεια σχεδιάζεται να αυτοματοποιηθεί η ανάλυση σε άλλους τομείς της εγκληματολογικής επιστήμης και ίσως ακόμη και να καλυφθούν δεδομένα σε τομείς όπως οι κοινωνικές επιστήμες και οι μαρτυρίες.

Επιπλέον, σύμφωνα με έναν από τους προγραμματιστές του συστήματος Jeroen Hammer (Jeroen Hammer), οι λειτουργίες API για συνεργάτες ενδέχεται να κυκλοφορήσουν στο μέλλον.

Η ολλανδική αστυνομία διαθέτει μια ειδική μονάδα που ειδικεύεται στην ανάπτυξη νέων τεχνολογιών για την επίλυση εγκλημάτων. Ήταν αυτός που δημιούργησε το σύστημα AI για γρήγορη αναζήτηση εγκληματιών με βάση τα στοιχεία.

ΤΝ στο δικαστικό σώμα

Οι εξελίξεις στον τομέα της τεχνητής νοημοσύνης θα βοηθήσουν στη ριζική αλλαγή του δικαστικού συστήματος, θα το καταστήσουν πιο δίκαιο και απαλλαγμένο από συστήματα διαφθοράς. Αυτή η άποψη εκφράστηκε το καλοκαίρι του 2017 από τον Vladimir Krylov, Διδάκτωρ Τεχνικών Επιστημών, τεχνικό σύμβουλο της Artezio.

Ο επιστήμονας πιστεύει ότι οι λύσεις AI που υπάρχουν ήδη μπορούν να εφαρμοστούν με επιτυχία σε διάφορους τομείς της οικονομίας και της δημόσιας ζωής. Ο ειδικός επισημαίνει ότι η τεχνητή νοημοσύνη χρησιμοποιείται με επιτυχία στην ιατρική, αλλά στο μέλλον μπορεί να αλλάξει εντελώς το δικαστικό σύστημα.

«Βλέποντας καθημερινά δελτία ειδήσεων σχετικά με τις εξελίξεις στον τομέα της τεχνητής νοημοσύνης, εκπλήσσεται κανείς με την ανεξάντλητη φαντασία και την καρποφορία των ερευνητών και των προγραμματιστών σε αυτόν τον τομέα. Οι αναφορές επιστημονικής έρευνας διανθίζονται συνεχώς με αναφορές νέων προϊόντων που εισέρχονται στην αγορά και αναφορές εκπληκτικών αποτελεσμάτων που λαμβάνονται μέσω της εφαρμογής της τεχνητής νοημοσύνης σε διάφορους τομείς. Εάν μιλάμε για τα αναμενόμενα γεγονότα, που συνοδεύονται από μια αξιοσημείωτη δημοσιότητα στα μέσα ενημέρωσης, στα οποία η AI θα γίνει ξανά ο ήρωας των ειδήσεων, τότε μάλλον δεν θα διακινδυνεύσω να κάνω τεχνολογικές προβλέψεις. Μπορώ να υποθέσω ότι το επόμενο γεγονός θα είναι η εμφάνιση κάπου ενός εξαιρετικά αρμόδιου δικαστηρίου με τη μορφή τεχνητής νοημοσύνης, δίκαιου και αδιάφθορου. Αυτό πιθανότατα θα συμβεί το 2020-2025. Και οι διαδικασίες που θα γίνουν σε αυτό το δικαστήριο θα οδηγήσουν σε απροσδόκητους προβληματισμούς και στην επιθυμία πολλών ανθρώπων να μεταφέρουν τις περισσότερες από τις διαδικασίες διαχείρισης της ανθρώπινης κοινωνίας στην τεχνητή νοημοσύνη.

Ο επιστήμονας αναγνωρίζει τη χρήση της τεχνητής νοημοσύνης στο δικαστικό σύστημα ως «λογικό βήμα» για την ανάπτυξη της νομοθετικής ισότητας και δικαιοσύνης. Το από μηχανής μυαλό δεν υπόκειται σε διαφθορά και συναισθήματα, μπορεί να τηρεί αυστηρά το νομοθετικό πλαίσιο και να λαμβάνει αποφάσεις λαμβάνοντας υπόψη πολλούς παράγοντες, συμπεριλαμβανομένων των δεδομένων που χαρακτηρίζουν τους συμμετέχοντες στη διαμάχη. Κατ' αναλογία με τον ιατρικό τομέα, οι κριτές ρομπότ μπορούν να λειτουργούν με μεγάλα δεδομένα από αποθετήρια δημόσιων υπηρεσιών. Μπορεί να υποτεθεί ότι η νοημοσύνη μηχανών θα είναι σε θέση να επεξεργάζεται γρήγορα δεδομένα και να λαμβάνει υπόψη πολύ περισσότερους παράγοντες από έναν ανθρώπινο κριτή.

Οι ειδικοί ψυχολόγοι, ωστόσο, πιστεύουν ότι η απουσία συναισθηματικής συνιστώσας στην εξέταση των δικαστικών υποθέσεων θα επηρεάσει αρνητικά την ποιότητα της απόφασης. Η ετυμηγορία του μηχανοδικείου μπορεί να αποδειχθεί πολύ απλή, χωρίς να λαμβάνει υπόψη τη σημασία των συναισθημάτων και των διαθέσεων των ανθρώπων.

Ζωγραφική

Το 2015, η ομάδα της Google εξέτασε τα νευρωνικά δίκτυα για να δει αν μπορούσαν να δημιουργήσουν εικόνες από μόνα τους. Στη συνέχεια, η τεχνητή νοημοσύνη εκπαιδεύτηκε στο παράδειγμα ενός μεγάλου αριθμού διαφορετικών εικόνων. Ωστόσο, όταν το μηχάνημα «ζήτησε» να απεικονίσει κάτι από μόνο του, αποδείχθηκε ότι ερμηνεύει τον κόσμο γύρω μας με έναν κάπως περίεργο τρόπο. Για παράδειγμα, για το έργο της σχεδίασης αλτήρων, οι προγραμματιστές έλαβαν μια εικόνα στην οποία το μέταλλο συνδέθηκε με ανθρώπινα χέρια. Αυτό πιθανότατα συνέβη λόγω του γεγονότος ότι στο στάδιο της εκπαίδευσης, οι αναλυόμενες εικόνες με αλτήρες περιείχαν χέρια και το νευρωνικό δίκτυο το παρερμήνευσε αυτό.

Στις 26 Φεβρουαρίου 2016, σε μια ειδική δημοπρασία στο Σαν Φρανσίσκο, εκπρόσωποι της Google συγκέντρωσαν περίπου 98.000 δολάρια από ψυχεδελικούς πίνακες ζωγραφισμένους από τεχνητή νοημοσύνη. Αυτά τα κεφάλαια δόθηκαν για φιλανθρωπικούς σκοπούς. Μία από τις πιο επιτυχημένες φωτογραφίες του αυτοκινήτου παρουσιάζεται παρακάτω.

Μια εικόνα ζωγραφισμένη από την τεχνητή νοημοσύνη της Google.

Επισημαίνει: «Το πρόβλημα είναι ότι δεν μπορούμε ακόμη γενικά να προσδιορίσουμε ποιες υπολογιστικές διαδικασίες θέλουμε να ονομάσουμε έξυπνες. Κατανοούμε κάποιους από τους μηχανισμούς της νοημοσύνης και δεν καταλαβαίνουμε άλλους. Επομένως, η νοημοσύνη σε αυτήν την επιστήμη νοείται μόνο ως η υπολογιστική συνιστώσα της ικανότητας επίτευξης στόχων στον κόσμο.

Ταυτόχρονα, υπάρχει μια άποψη σύμφωνα με την οποία η νοημοσύνη μπορεί να είναι μόνο βιολογικό φαινόμενο.

Όπως επισημαίνει ο πρόεδρος του παραρτήματος της Αγίας Πετρούπολης της Ρωσικής Ένωσης Τεχνητής Νοημοσύνης T. A. Gavrilova, στα αγγλικά η φράση τεχνητή νοημοσύνηδεν έχει αυτόν τον ελαφρώς φανταστικό ανθρωπόμορφο χρωματισμό που απέκτησε σε μια μάλλον ανεπιτυχή ρωσική μετάφραση. Λέξη νοημοσύνησημαίνει «η ικανότητα λογικής λογικής», και καθόλου «ευφυΐα», για την οποία υπάρχει αντίστοιχο αγγλικό διάνοια .

Τα μέλη της Ρωσικής Ένωσης Τεχνητής Νοημοσύνης δίνουν τους ακόλουθους ορισμούς της τεχνητής νοημοσύνης:

Ένας από τους ιδιωτικούς ορισμούς της νοημοσύνης, κοινός για ένα άτομο και μια «μηχανή», μπορεί να διατυπωθεί ως εξής: «Εξυπνάδα είναι η ικανότητα ενός συστήματος να δημιουργεί προγράμματα (κυρίως ευρετικά) κατά τη διάρκεια της αυτομάθησης για την επίλυση προβλημάτων μια ορισμένη κατηγορία πολυπλοκότητας και να λύσει αυτά τα προβλήματα».

Συχνά, η τεχνητή νοημοσύνη ονομάζεται επίσης η απλούστερη ηλεκτρονική για να υποδείξει την παρουσία αισθητήρων και την αυτόματη επιλογή του τρόπου λειτουργίας. Η λέξη τεχνητή σε αυτή την περίπτωση σημαίνει ότι δεν πρέπει να περιμένετε από το σύστημα να μπορεί να βρει έναν νέο τρόπο λειτουργίας σε μια κατάσταση που δεν προβλέπεται από τους προγραμματιστές.

Προϋποθέσεις για την ανάπτυξη της επιστήμης της τεχνητής νοημοσύνης

Η ιστορία της τεχνητής νοημοσύνης ως νέας επιστημονικής κατεύθυνσης ξεκινά στα μέσα του 20ου αιώνα. Μέχρι εκείνη τη στιγμή, είχαν ήδη διαμορφωθεί πολλές προϋποθέσεις για την προέλευσή του: μεταξύ των φιλοσόφων υπήρχαν από καιρό διαφωνίες για τη φύση του ανθρώπου και τη διαδικασία της γνώσης του κόσμου, νευροφυσιολόγοι και ψυχολόγοι ανέπτυξαν μια σειρά από θεωρίες σχετικά με το έργο του ανθρώπινου εγκεφάλου και σκέψη, οικονομολόγοι και μαθηματικοί έθεσαν ερωτήσεις βέλτιστων υπολογισμών και αναπαράστασης της γνώσης για τον κόσμο σε επισημοποιημένη μορφή. Τελικά, γεννήθηκε το θεμέλιο της μαθηματικής θεωρίας των υπολογισμών - η θεωρία των αλγορίθμων - και δημιουργήθηκαν οι πρώτοι υπολογιστές.

Οι δυνατότητες των νέων μηχανών όσον αφορά την υπολογιστική ταχύτητα αποδείχτηκαν μεγαλύτερες από τις ανθρώπινες, έτσι το ερώτημα μπήκε στην επιστημονική κοινότητα: ποια είναι τα όρια των δυνατοτήτων των υπολογιστών και θα φτάσουν οι μηχανές στο επίπεδο της ανθρώπινης ανάπτυξης; Το 1950, ένας από τους πρωτοπόρους στον τομέα της τεχνολογίας των υπολογιστών, ο Άγγλος επιστήμονας Άλαν Τούρινγκ, έγραψε ένα άρθρο με τίτλο «Μπορεί μια μηχανή να σκεφτεί;» , η οποία περιγράφει μια διαδικασία με την οποία θα είναι δυνατό να προσδιοριστεί η στιγμή που μια μηχανή γίνεται ίση από άποψη ευφυΐας με ένα άτομο, που ονομάζεται τεστ Turing.

Η ιστορία της ανάπτυξης της τεχνητής νοημοσύνης στην ΕΣΣΔ και τη Ρωσία

Στην ΕΣΣΔ, η εργασία στον τομέα της τεχνητής νοημοσύνης ξεκίνησε τη δεκαετία του 1960. Διάφορες πρωτοποριακές μελέτες πραγματοποιήθηκαν στο Πανεπιστήμιο της Μόσχας και στην Ακαδημία Επιστημών, με επικεφαλής τους Veniamin Pushkin και D. A. Pospelov.

Το 1964 δημοσιεύτηκε το έργο του λογικού του Λένινγκραντ Σεργκέι Μάσλοφ "Μια αντίστροφη μέθοδος για την καθιέρωση παραγωγικότητας στον κλασικό λογισμό κατηγορήματος", στο οποίο για πρώτη φορά προτάθηκε μια μέθοδος αυτόματης αναζήτησης αποδείξεων θεωρημάτων στον λογισμό κατηγορήματος.

Μέχρι τη δεκαετία του 1970, στην ΕΣΣΔ, όλη η έρευνα της τεχνητής νοημοσύνης γινόταν στο πλαίσιο της κυβερνητικής. Σύμφωνα με τον D. A. Pospelov, οι επιστήμες της «επιστήμης των υπολογιστών» και της «κυβερνητικής» ήταν ανάμεικτες εκείνη την εποχή, λόγω μιας σειράς ακαδημαϊκών διαφωνιών. Μόλις στα τέλη της δεκαετίας του 1970 στην ΕΣΣΔ άρχισαν να μιλούν για την επιστημονική κατεύθυνση «τεχνητή νοημοσύνη» ως κλάδο της επιστήμης των υπολογιστών. Ταυτόχρονα, γεννήθηκε η ίδια η πληροφορική, υποτάσσοντας την προγονική «κυβερνητική». Στα τέλη της δεκαετίας του 1970, δημιουργήθηκε ένα επεξηγηματικό λεξικό τεχνητής νοημοσύνης, ένα τρίτομο βιβλίο αναφοράς για την τεχνητή νοημοσύνη και ένα εγκυκλοπαιδικό λεξικό για την επιστήμη των υπολογιστών, στα οποία περιλαμβάνονται οι ενότητες "Κυβερνητική" και "Τεχνητή Νοημοσύνη", μαζί με άλλες ενότητες , στην επιστήμη των υπολογιστών. Ο όρος "επιστήμη των υπολογιστών" έγινε ευρέως διαδεδομένος στη δεκαετία του 1980 και ο όρος "κυβερνητική" εξαφανίστηκε σταδιακά από την κυκλοφορία, παραμένοντας μόνο στα ονόματα εκείνων των ιδρυμάτων που προέκυψαν κατά την εποχή της "κυβερνητικής έκρηξης" στα τέλη της δεκαετίας του 1950 και στις αρχές της δεκαετίας του 1960. Αυτή η άποψη για την τεχνητή νοημοσύνη, την κυβερνητική και την επιστήμη των υπολογιστών δεν είναι κοινή από όλους. Αυτό οφείλεται στο γεγονός ότι στη Δύση τα όρια αυτών των επιστημών είναι κάπως διαφορετικά.

Προσεγγίσεις και κατευθύνσεις

Προσεγγίσεις για την κατανόηση του προβλήματος

Δεν υπάρχει ενιαία απάντηση στο ερώτημα τι κάνει η τεχνητή νοημοσύνη. Σχεδόν κάθε συγγραφέας που γράφει ένα βιβλίο για την τεχνητή νοημοσύνη ξεκινά από κάποιο ορισμό σε αυτό, λαμβάνοντας υπόψη τα επιτεύγματα αυτής της επιστήμης υπό το πρίσμα της.

φθίνουσα (Αγγλικά) Top Down AI), σημειωτική - η δημιουργία έμπειρων συστημάτων, βάσεων γνώσεων και συστημάτων συμπερασμάτων που μιμούνται νοητικές διαδικασίες υψηλού επιπέδου: σκέψη, συλλογισμός, ομιλία, συναισθήματα, δημιουργικότητα κ.λπ.
αύξουσα (Αγγλικά) AI από κάτω προς τα πάνω), βιολογικά - η μελέτη νευρωνικών δικτύων και εξελικτικών υπολογισμών που μοντελοποιούν την πνευματική συμπεριφορά με βάση βιολογικά στοιχεία, καθώς και τη δημιουργία κατάλληλων υπολογιστικών συστημάτων, όπως ένας νευροϋπολογιστής ή ένας βιοϋπολογιστής.

Η τελευταία προσέγγιση, αυστηρά μιλώντας, δεν ισχύει για την επιστήμη της τεχνητής νοημοσύνης με την έννοια που δίνει ο John McCarthy - τους ενώνει μόνο ένας κοινός τελικός στόχος.

Δοκιμή Turing και διαισθητική προσέγγιση

Μια εμπειρική δοκιμή προτάθηκε από τον Άλαν Τούρινγκ στο άρθρο «Υπολογιστικές Μηχανές και Νους» (Eng. Υπολογιστικές Μηχανές και Νοημοσύνη ) δημοσιεύτηκε το 1950 στο φιλοσοφικό περιοδικό Μυαλό". Σκοπός αυτού του τεστ είναι να προσδιορίσει τη δυνατότητα τεχνητής σκέψης, κοντά στον άνθρωπο.

Η τυπική ερμηνεία αυτής της δοκιμής είναι η εξής: " Ένα άτομο αλληλεπιδρά με έναν υπολογιστή και ένα άτομο. Με βάση τις απαντήσεις στις ερωτήσεις, πρέπει να καθορίσει με ποιον μιλάει: με ένα άτομο ή ένα πρόγραμμα υπολογιστή. Το καθήκον ενός προγράμματος υπολογιστή είναι να παραπλανήσει ένα άτομο, αναγκάζοντάς το να κάνει τη λάθος επιλογή.". Όλοι οι συμμετέχοντες στο τεστ δεν βλέπουν ο ένας τον άλλον.

Η πιο γενική προσέγγιση υποθέτει ότι η τεχνητή νοημοσύνη θα μπορεί να επιδεικνύει ανθρώπινη συμπεριφορά σε κανονικές καταστάσεις. Αυτή η ιδέα είναι μια γενίκευση της προσέγγισης της δοκιμής Turing, η οποία δηλώνει ότι μια μηχανή θα γίνει έξυπνη όταν είναι σε θέση να συνεχίσει μια συνομιλία με ένα συνηθισμένο άτομο και δεν θα μπορεί να καταλάβει ότι μιλάει στη μηχανή (το η συνομιλία πραγματοποιείται με αλληλογραφία).
Οι συγγραφείς επιστημονικής φαντασίας προτείνουν συχνά μια άλλη προσέγγιση: η τεχνητή νοημοσύνη θα προκύψει όταν μια μηχανή είναι σε θέση να αισθάνεται και να δημιουργεί. Έτσι, ο ιδιοκτήτης του Andrew Martin από το "Bicentennial Man" αρχίζει να τον αντιμετωπίζει σαν άτομο όταν δημιουργεί ένα παιχνίδι σύμφωνα με το δικό του σχέδιο. Και τα δεδομένα από το Star Trek, όντας ικανά για επικοινωνία και μάθηση, ονειρεύονται να αποκτήσουν συναισθήματα και διαίσθηση.

Ωστόσο, η τελευταία προσέγγιση είναι απίθανο να τεθεί υπό έλεγχο με περισσότερες λεπτομέρειες. Για παράδειγμα, είναι εύκολο να δημιουργηθεί ένας μηχανισμός που θα αξιολογεί ορισμένες παραμέτρους του εξωτερικού ή εσωτερικού περιβάλλοντος και θα ανταποκρίνεται στις δυσμενείς τιμές τους. Μπορούμε να πούμε για ένα τέτοιο σύστημα ότι έχει συναισθήματα (ο "πόνος" είναι μια αντίδραση στον αισθητήρα κραδασμού, η "πείνα" είναι μια αντίδραση σε χαμηλή φόρτιση μπαταρίας κ.λπ.). Και τα συμπλέγματα που δημιουργούνται από τους χάρτες Kohonen, και πολλά άλλα προϊόντα «ευφυών» συστημάτων, μπορούν να θεωρηθούν ως ένα είδος δημιουργικότητας.

Συμβολική προσέγγιση

Ιστορικά, η συμβολική προσέγγιση ήταν η πρώτη στην εποχή των ψηφιακών υπολογιστών, αφού μετά τη δημιουργία της Lisp, της πρώτης συμβολικής γλώσσας υπολογιστών, ο συγγραφέας της απέκτησε αυτοπεποίθηση για τη δυνατότητα να αρχίσει πρακτικά να εφαρμόζει αυτά τα μέσα νοημοσύνης. Η συμβολική προσέγγιση επιτρέπει σε κάποιον να λειτουργήσει με ασθενώς επισημοποιημένες αναπαραστάσεις και τις έννοιές τους.

Η επιτυχία και η αποτελεσματικότητα της επίλυσης νέων προβλημάτων εξαρτάται από την ικανότητα εξαγωγής μόνο βασικών πληροφοριών, κάτι που απαιτεί ευελιξία στις μεθόδους αφαίρεσης. Ενώ ένα κανονικό πρόγραμμα ορίζει έναν από τους δικούς του τρόπους ερμηνείας δεδομένων, γι' αυτό και η δουλειά του φαίνεται προκατειλημμένη και καθαρά μηχανική. Σε αυτή την περίπτωση, μόνο ένα άτομο, ένας αναλυτής ή ένας προγραμματιστής, μπορεί να λύσει ένα πνευματικό πρόβλημα, χωρίς να μπορεί να το εμπιστευτεί σε μια μηχανή. Ως αποτέλεσμα, δημιουργείται ένα ενιαίο μοντέλο αφαίρεσης, ένα σύστημα κατασκευαστικών οντοτήτων και αλγορίθμων. Και η ευελιξία και η ευελιξία έχουν ως αποτέλεσμα σημαντικό κόστος πόρων για μη τυπικές εργασίες, δηλαδή το σύστημα επιστρέφει από την ευφυΐα στην ωμή βία.

Το κύριο χαρακτηριστικό των συμβολικών υπολογισμών είναι η δημιουργία νέων κανόνων κατά την εκτέλεση του προγράμματος. Ενώ οι δυνατότητες των μη ευφυών συστημάτων ολοκληρώνονται ακριβώς πριν από την ικανότητα να υποδεικνύονται τουλάχιστον οι νεοεμφανιζόμενες δυσκολίες. Επιπλέον, αυτές οι δυσκολίες δεν επιλύονται και τελικά ο υπολογιστής δεν βελτιώνει από μόνος του τέτοιες ικανότητες.

Το μειονέκτημα της συμβολικής προσέγγισης είναι ότι τέτοιες ανοιχτές δυνατότητες γίνονται αντιληπτές από απροετοίμαστους ως έλλειψη εργαλείων. Αυτό το μάλλον πολιτισμικό πρόβλημα λύνεται εν μέρει με λογικό προγραμματισμό.

λογική προσέγγιση

Η λογική προσέγγιση για τη δημιουργία συστημάτων τεχνητής νοημοσύνης στοχεύει στη δημιουργία έμπειρων συστημάτων με λογικά μοντέλα βάσεων γνώσης χρησιμοποιώντας τη γλώσσα κατηγόρησης.

Η λογική γλώσσα προγραμματισμού και το σύστημα Prolog υιοθετήθηκε ως το μοντέλο εκπαίδευσης για συστήματα τεχνητής νοημοσύνης τη δεκαετία του 1980. Οι βάσεις γνώσεων γραμμένες στη γλώσσα Prolog αντιπροσωπεύουν σύνολα γεγονότων και κανόνων συμπερασμάτων γραμμένων στη γλώσσα των λογικών κατηγορημάτων.

Το λογικό μοντέλο βάσεων γνώσης σάς επιτρέπει να καταγράφετε όχι μόνο συγκεκριμένες πληροφορίες και δεδομένα με τη μορφή γεγονότων στη γλώσσα Prolog, αλλά και γενικευμένες πληροφορίες χρησιμοποιώντας τους κανόνες και τις διαδικασίες εξαγωγής συμπερασμάτων, συμπεριλαμβανομένων λογικών κανόνων για τον ορισμό εννοιών που εκφράζουν ορισμένες γνώσεις ως συγκεκριμένες. και γενικευμένες πληροφορίες.

Γενικά, η έρευνα για τα προβλήματα της τεχνητής νοημοσύνης στο πλαίσιο μιας λογικής προσέγγισης για το σχεδιασμό βάσεων γνώσεων και έμπειρων συστημάτων στοχεύει στη δημιουργία, ανάπτυξη και λειτουργία ευφυών πληροφοριακών συστημάτων, συμπεριλαμβανομένων των θεμάτων διδασκαλίας μαθητών και μαθητών, όπως καθώς και εκπαίδευση χρηστών και προγραμματιστών τέτοιων ευφυών πληροφοριακών συστημάτων.

Προσέγγιση που βασίζεται σε πράκτορες

Η τελευταία προσέγγιση, που αναπτύχθηκε από τις αρχές της δεκαετίας του 1990, ονομάζεται προσέγγιση βασισμένη σε πράκτορες, ή προσέγγιση που βασίζεται στη χρήση ευφυών (ορθολογικών) παραγόντων. Σύμφωνα με αυτή την προσέγγιση, η νοημοσύνη είναι το υπολογιστικό μέρος (χονδρικά μιλώντας, προγραμματισμός) της ικανότητας επίτευξης των στόχων που έχουν τεθεί για μια ευφυή μηχανή. Ένα τέτοιο μηχάνημα θα είναι ένας έξυπνος παράγοντας, που αντιλαμβάνεται τον κόσμο γύρω του με τη βοήθεια αισθητήρων και θα είναι ικανός να επηρεάζει αντικείμενα στο περιβάλλον με τη βοήθεια ενεργοποιητών.

Αυτή η προσέγγιση εστιάζει σε εκείνες τις μεθόδους και τους αλγόριθμους που θα βοηθήσουν έναν ευφυή πράκτορα να επιβιώσει στο περιβάλλον ενώ εκτελεί το έργο του. Έτσι, εδώ οι αλγόριθμοι εύρεσης μονοπατιών και λήψης αποφάσεων μελετώνται πολύ πιο προσεκτικά.

Υβριδική προσέγγιση

Κύριο άρθρο: Υβριδική προσέγγιση

Υβριδική προσέγγισηπροτείνει ότι μόνοΟ συνεργιστικός συνδυασμός νευρωνικών και συμβολικών μοντέλων επιτυγχάνει το πλήρες φάσμα των γνωστικών και υπολογιστικών δυνατοτήτων. Για παράδειγμα, οι ειδικοί κανόνες συμπερασμάτων μπορούν να δημιουργηθούν από νευρωνικά δίκτυα και οι παραγωγικοί κανόνες λαμβάνονται χρησιμοποιώντας στατιστική μάθηση. Οι υποστηρικτές αυτής της προσέγγισης πιστεύουν ότι τα υβριδικά συστήματα πληροφοριών θα είναι πολύ ισχυρότερα από το άθροισμα των διαφόρων εννοιών ξεχωριστά.

Μοντέλα και μέθοδοι έρευνας

Συμβολική μοντελοποίηση των διαδικασιών σκέψης

Κύριο άρθρο: Συλλογισμός Μοντελοποίηση

Αναλύοντας την ιστορία του AI, μπορεί κανείς να ξεχωρίσει μια τόσο εκτεταμένη κατεύθυνση όπως μοντελοποίηση συλλογισμού. Για πολλά χρόνια, η ανάπτυξη αυτής της επιστήμης κινείται σε αυτό το μονοπάτι και τώρα είναι ένας από τους πιο ανεπτυγμένους τομείς στη σύγχρονη τεχνητή νοημοσύνη. Η μοντελοποίηση συλλογισμού περιλαμβάνει τη δημιουργία συμβολικών συστημάτων, στην είσοδο των οποίων τίθεται μια συγκεκριμένη εργασία και στην έξοδο απαιτείται για την επίλυσή της. Κατά κανόνα, το προτεινόμενο πρόβλημα είναι ήδη επισημοποιημένο, δηλαδή μεταφράζεται σε μαθηματική μορφή, αλλά είτε δεν έχει αλγόριθμο λύσης, είτε είναι πολύ περίπλοκο, χρονοβόρο κ.λπ. Αυτή η κατεύθυνση περιλαμβάνει: απόδειξη θεωρημάτων, λήψη αποφάσεων, και θεωρία παιγνίων, προγραμματισμός και αποστολή , πρόβλεψη .

Εργασία με φυσικές γλώσσες

Μια σημαντική κατεύθυνση είναι επεξεργασία φυσικής γλώσσας, που αναλύει τις δυνατότητες κατανόησης, επεξεργασίας και παραγωγής κειμένων σε μια «ανθρώπινη» γλώσσα. Σε αυτή την κατεύθυνση, στόχος είναι μια τέτοια φυσική επεξεργασία γλώσσας που θα μπορούσε να αποκτήσει γνώση από μόνη της διαβάζοντας υπάρχον κείμενο που είναι διαθέσιμο στο Διαδίκτυο. Ορισμένες άμεσες εφαρμογές της επεξεργασίας φυσικής γλώσσας περιλαμβάνουν την ανάκτηση πληροφοριών (συμπεριλαμβανομένης της εξόρυξης κειμένου) και τη μηχανική μετάφραση.

Αναπαράσταση και χρήση της γνώσης

Κατεύθυνση μηχανική γνώσηςσυνδυάζει τα καθήκοντα απόκτησης γνώσης από απλές πληροφορίες, τη συστηματοποίηση και τη χρήση τους. Αυτή η κατεύθυνση συνδέεται ιστορικά με τη δημιουργία έμπειρα συστήματα- προγράμματα που χρησιμοποιούν εξειδικευμένες βάσεις γνώσεων για τη λήψη αξιόπιστων συμπερασμάτων για οποιοδήποτε πρόβλημα.

Η παραγωγή γνώσης από δεδομένα είναι ένα από τα βασικά προβλήματα της εξόρυξης δεδομένων. Υπάρχουν διάφορες προσεγγίσεις για την επίλυση αυτού του προβλήματος, συμπεριλαμβανομένων εκείνων που βασίζονται στην τεχνολογία νευρωνικών δικτύων, χρησιμοποιώντας διαδικασίες λεκτικής έκφρασης νευρωνικών δικτύων.

Μηχανική μάθηση

Θέματα μηχανική μάθησηαφορά τη διαδικασία ανεξάρτητοςαπόκτηση γνώσης από ένα πνευματικό σύστημα στη διαδικασία της λειτουργίας του. Αυτή η κατεύθυνση ήταν κεντρική από την αρχή της ανάπτυξης της AI. Το 1956, στο καλοκαιρινό συνέδριο του Ντάρτμουντ, ο Ρέι Σολομόνοφ έγραψε μια εργασία για μια μη εποπτευόμενη πιθανολογική μηχανή που ονομάζεται Επαγωγική Μηχανή Συμπερασμάτων.

Ρομποτική

Κύριο άρθρο: Ευφυής Ρομποτική

Μηχανική δημιουργικότητα

Κύριο άρθρο: Μηχανική δημιουργικότητα

Η φύση της ανθρώπινης δημιουργικότητας είναι ακόμη λιγότερο κατανοητή από τη φύση της νοημοσύνης. Παρόλα αυτά, αυτός ο χώρος υπάρχει και εδώ τίθενται τα προβλήματα της συγγραφής μουσικής, λογοτεχνικών έργων (συχνά ποιημάτων ή παραμυθιών), καλλιτεχνικής δημιουργίας. Η δημιουργία ρεαλιστικών εικόνων χρησιμοποιείται ευρέως στη βιομηχανία ταινιών και παιχνιδιών.

Ξεχωριστά, επισημαίνεται η μελέτη των προβλημάτων τεχνικής δημιουργικότητας συστημάτων τεχνητής νοημοσύνης. Η θεωρία της εφευρετικής επίλυσης προβλημάτων, που προτάθηκε το 1946 από τον G. S. Altshuller, σηματοδότησε την αρχή μιας τέτοιας έρευνας.

Η προσθήκη αυτής της δυνατότητας σε οποιοδήποτε έξυπνο σύστημα σάς επιτρέπει να δείξετε πολύ καθαρά τι ακριβώς αντιλαμβάνεται το σύστημα και πώς καταλαβαίνει. Προσθέτοντας θόρυβο αντί για πληροφορίες που λείπουν ή φιλτράροντας θόρυβο με τις διαθέσιμες γνώσεις στο σύστημα, παράγονται συγκεκριμένες εικόνες από αφηρημένη γνώση που γίνονται εύκολα αντιληπτές από ένα άτομο, αυτό είναι ιδιαίτερα χρήσιμο για διαισθητική και χαμηλής αξίας γνώση, η επαλήθευση της οποίας σε μια επίσημη μορφή απαιτεί σημαντική διανοητική προσπάθεια.

Άλλοι τομείς έρευνας

Τέλος, υπάρχουν πολλές εφαρμογές τεχνητής νοημοσύνης, καθεμία από τις οποίες σχηματίζει μια σχεδόν ανεξάρτητη κατεύθυνση. Παραδείγματα περιλαμβάνουν νοημοσύνη προγραμματισμού σε παιχνίδια υπολογιστή, μη γραμμικό έλεγχο, ευφυή συστήματα ασφάλειας πληροφοριών.

Μπορεί να φανεί ότι πολλοί τομείς έρευνας αλληλεπικαλύπτονται. Αυτό ισχύει για κάθε επιστήμη. Αλλά στην τεχνητή νοημοσύνη, η σχέση μεταξύ φαινομενικά διαφορετικών κατευθύνσεων είναι ιδιαίτερα ισχυρή, και αυτό οφείλεται στη φιλοσοφική συζήτηση σχετικά με την ισχυρή και την αδύναμη τεχνητή νοημοσύνη.

Σύγχρονη τεχνητή νοημοσύνη

Υπάρχουν δύο κατευθύνσεις ανάπτυξης AI:

επίλυση προβλημάτων που σχετίζονται με την προσέγγιση των εξειδικευμένων συστημάτων τεχνητής νοημοσύνης με τις ανθρώπινες δυνατότητες και την ενσωμάτωσή τους, η οποία υλοποιείται από την ανθρώπινη φύση ( βλέπε Intelligence Amplification);
η δημιουργία τεχνητής νοημοσύνης, που αντιπροσωπεύει την ενσωμάτωση ήδη δημιουργημένων συστημάτων τεχνητής νοημοσύνης σε ένα ενιαίο σύστημα ικανό να λύσει τα προβλήματα της ανθρωπότητας ( βλέπε Ισχυρή και αδύναμη τεχνητή νοημοσύνη).

Αλλά αυτή τη στιγμή, στον τομέα της τεχνητής νοημοσύνης, υπάρχει μια εμπλοκή πολλών θεματικών τομέων που είναι περισσότερο πρακτικοί παρά θεμελιώδεις για την τεχνητή νοημοσύνη. Πολλές προσεγγίσεις έχουν δοκιμαστεί, αλλά καμία ερευνητική ομάδα δεν έχει καταλήξει ακόμη στην εμφάνιση της τεχνητής νοημοσύνης. Παρακάτω είναι μερικές μόνο από τις πιο αξιοσημείωτες εξελίξεις AI.

Εφαρμογή

Τουρνουά RoboCup

Μερικά από τα πιο διάσημα συστήματα AI είναι:

Οι τράπεζες χρησιμοποιούν συστήματα τεχνητής νοημοσύνης (AI) σε ασφαλιστικές δραστηριότητες (αναλογιστικά μαθηματικά), όταν παίζουν στο χρηματιστήριο και διαχειρίζονται περιουσία. Οι μέθοδοι αναγνώρισης προτύπων (συμπεριλαμβανομένων πιο πολύπλοκων και εξειδικευμένων και νευρωνικών δικτύων) χρησιμοποιούνται ευρέως στην οπτική και ακουστική αναγνώριση (συμπεριλαμβανομένου κειμένου και ομιλίας), ιατρικά διαγνωστικά, φίλτρα ανεπιθύμητης αλληλογραφίας, συστήματα αεράμυνας (αναγνώριση στόχων), καθώς και για τη διασφάλιση αριθμός άλλων καθηκόντων εθνικής ασφάλειας.

Ψυχολογία και γνωσιακή επιστήμη

Η μεθοδολογία της γνωστικής μοντελοποίησης έχει σχεδιαστεί για να αναλύει και να λαμβάνει αποφάσεις σε ακατάλληλες καταστάσεις. Προτάθηκε από τον Axelrod.

Βασίζεται στη μοντελοποίηση των υποκειμενικών ιδεών των ειδικών για την κατάσταση και περιλαμβάνει: μια μεθοδολογία για τη δόμηση της κατάστασης: ένα μοντέλο για την αναπαράσταση της γνώσης των ειδικών με τη μορφή ενός υπογεγραμμένου διγράφου (γνωστικός χάρτης) (F, W), όπου το F είναι ένα σύνολο παραγόντων κατάστασης, W είναι ένα σύνολο σχέσεων αιτίου-αποτελέσματος μεταξύ παραγόντων κατάστασης . μέθοδοι ανάλυσης καταστάσεων. Επί του παρόντος, η μεθοδολογία της γνωστικής μοντελοποίησης αναπτύσσεται προς την κατεύθυνση της βελτίωσης του μηχανισμού για την ανάλυση και τη μοντελοποίηση της κατάστασης. Εδώ, προτείνονται μοντέλα για την πρόβλεψη της εξέλιξης της κατάστασης. μέθοδοι επίλυσης αντίστροφων προβλημάτων.

Φιλοσοφία

Η επιστήμη της «δημιουργίας τεχνητής νοημοσύνης» δεν θα μπορούσε παρά να τραβήξει την προσοχή των φιλοσόφων. Με την εμφάνιση των πρώτων ευφυών συστημάτων, τέθηκαν θεμελιώδη ερωτήματα για τον άνθρωπο και τη γνώση, και εν μέρει για την παγκόσμια τάξη πραγμάτων.

Τα φιλοσοφικά προβλήματα της δημιουργίας τεχνητής νοημοσύνης μπορούν να χωριστούν σε δύο ομάδες, σχετικά, «πριν και μετά την ανάπτυξη της τεχνητής νοημοσύνης». Η πρώτη ομάδα απαντά στην ερώτηση: "Τι είναι η τεχνητή νοημοσύνη, είναι δυνατόν να τη δημιουργηθεί και, αν είναι δυνατόν, πώς να το κάνουμε;" Η δεύτερη ομάδα (η ηθική της τεχνητής νοημοσύνης) θέτει το ερώτημα: «Ποιες είναι οι συνέπειες της δημιουργίας της τεχνητής νοημοσύνης για την ανθρωπότητα;»

Ο όρος «ισχυρή τεχνητή νοημοσύνη» εισήχθη από τον John Searle και η προσέγγισή του χαρακτηρίζεται από τα δικά του λόγια:

Επιπλέον, ένα τέτοιο πρόγραμμα θα ήταν κάτι περισσότερο από ένα μοντέλο του νου. θα είναι κυριολεκτικά ο ίδιος ο νους, με την ίδια έννοια που ο ανθρώπινος νους είναι νους.

Ταυτόχρονα, είναι απαραίτητο να κατανοήσουμε εάν είναι δυνατός ένας «καθαρός τεχνητός» νους («μεταμινίδιο»), να κατανοεί και να λύνει πραγματικά προβλήματα και, ταυτόχρονα, να στερείται συναισθημάτων που είναι χαρακτηριστικά ενός ατόμου και απαραίτητα για τον ατομική επιβίωση.

Αντίθετα, οι αδύναμοι υποστηρικτές της τεχνητής νοημοσύνης προτιμούν να βλέπουν το λογισμικό ως απλώς ένα εργαλείο για την επίλυση ορισμένων εργασιών που δεν απαιτούν όλο το φάσμα των ανθρώπινων γνωστικών ικανοτήτων.

Ηθική

Επιστημονική φαντασία

Το θέμα της τεχνητής νοημοσύνης εξετάζεται από διαφορετικές οπτικές γωνίες στο έργο του Robert Heinlein: η υπόθεση της εμφάνισης της αυτογνωσίας της τεχνητής νοημοσύνης όταν η δομή γίνεται πιο περίπλοκη πέρα από ένα ορισμένο κρίσιμο επίπεδο και υπάρχει αλληλεπίδραση με τον έξω κόσμο και άλλους φορείς του μυαλού ( "The Moon Is a Harsh Mistress", "Time Enough For Love", χαρακτήρες Mycroft, Dora και Aya στη σειρά "History of the Future", προβλήματα ανάπτυξης AI μετά από υποθετική αυτογνωσία και ορισμένα κοινωνικά και ηθικά ζητήματα (" Παρασκευή"). Τα κοινωνικο-ψυχολογικά προβλήματα της ανθρώπινης αλληλεπίδρασης με την τεχνητή νοημοσύνη εξετάζονται επίσης από το μυθιστόρημα του Philip K. Dick «Do Androids Dream of Electric Sheep? ”, επίσης γνωστό από την κινηματογραφική μεταφορά του Blade Runner.

Η δημιουργία εικονικής πραγματικότητας, τεχνητής νοημοσύνης, νανορομπότ και πολλών άλλων προβλημάτων της φιλοσοφίας της τεχνητής νοημοσύνης περιγράφεται και αναμένεται σε μεγάλο βαθμό στο έργο του συγγραφέα και φιλόσοφου επιστημονικής φαντασίας Stanislav Lem. Ιδιαίτερη σημείωση είναι η μελλοντολογία Το άθροισμα της τεχνολογίας. Επιπλέον, οι περιπέτειες του Iyon the Quiet περιγράφουν επανειλημμένα τη σχέση μεταξύ έμβιων όντων και μηχανών: η ταραχή του ενσωματωμένου υπολογιστή με επακόλουθα απροσδόκητα γεγονότα (11ο ταξίδι), η προσαρμογή των ρομπότ στην ανθρώπινη κοινωνία ("The Washing Tragedy" από «Memories of Iyon the Quiet»), η κατασκευή της απόλυτης τάξης στον πλανήτη μέσω της επεξεργασίας των ζωντανών κατοίκων (24ο ταξίδι), οι εφευρέσεις του Corcoran και του Diagoras («Memoirs of Iyon the Quiet»), μια ψυχιατρική κλινική για ρομπότ (" Αναμνήσεις του Iyon the Quiet»). Επιπλέον, υπάρχει ένας ολόκληρος κύκλος ιστοριών και ιστοριών του Cyberiad, όπου σχεδόν όλοι οι χαρακτήρες είναι ρομπότ, που είναι μακρινοί απόγονοι ρομπότ που ξέφυγαν από τους ανθρώπους (αποκαλούν τους ανθρώπους χλωμούς και τους θεωρούν μυθικά πλάσματα).

Κινηματογράφος

Σχεδόν από τη δεκαετία του '60, μαζί με τη συγγραφή φανταστικών ιστοριών και μυθιστορημάτων, έχουν γυριστεί ταινίες για την τεχνητή νοημοσύνη. Πολλά μυθιστορήματα συγγραφέων που αναγνωρίζονται σε όλο τον κόσμο κινηματογραφούνται και γίνονται κλασικά του είδους, άλλα γίνονται ορόσημο στην ανάπτυξη της επιστημονικής φαντασίας, όπως ο Εξολοθρευτής και το Matrix.

δείτε επίσης

Σημειώσεις

Συχνές ερωτήσεις από τον John McCarthy, 2007
Μ. Ανδρέας. Πραγματική ζωή και τεχνητή νοημοσύνη // "Ειδήσεις τεχνητής νοημοσύνης", RAII, 2000
Gavrilova T. A. Khoroshevsky V. F. Βάσεις γνώσεων των ευφυών συστημάτων: Εγχειρίδιο για πανεπιστήμια
Averkin A. N., Gaaze-Rapoport M. G., Pospelov D. A. Explanatory Dictionary of Artificial Intelligence. - Μ.: Ραδιόφωνο και επικοινωνία, 1992. - 256 σελ.
G. S. Osipov. Τεχνητή νοημοσύνη: η κατάσταση της έρευνας και μια ματιά στο μέλλον
Ilyasov F. N. Νους τεχνητός και φυσικός // Πρακτικά της Ακαδημίας Επιστημών της Τουρκμενικής ΣΣΔ, μια σειρά κοινωνικών επιστημών. 1986. Νο. 6. S. 46-54.
Alan Turing, Μπορούν οι μηχανές να σκεφτούν;
Ευφυείς μηχανές S. N. Korsakov
D. A. Pospelov. Η διαμόρφωση της πληροφορικής στη Ρωσία
Σχετικά με την ιστορία της κυβερνητικής στην ΕΣΣΔ. Δοκίμιο ένα, δοκίμιο δύο
Τζακ Κόπλαντ. Τι είναι η Τεχνητή Νοημοσύνη; 2000
Alan Turing, Computing Machinery and Intelligence, Mind, τομ. LIX, αρ. 236, Οκτώβριος 1950, σσ. 433-460.
Επεξεργασία Φυσικής Γλώσσας:
Οι εφαρμογές επεξεργασίας φυσικής γλώσσας περιλαμβάνουν την ανάκτηση πληροφοριών (συμπεριλαμβανομένης της ανάλυσης κειμένου και της αυτόματης μετάφρασης):
Gorban P. A.Εξαγωγή γνώσης νευρωνικών δικτύων από δεδομένα και ψυχανάλυση υπολογιστών
Μηχανική μάθηση:
Ο Άλαν Τούρινγκ συζήτησε ως κεντρικό θέμα ήδη από το 1950, στο κλασικό άρθρο του Υπολογιστικές Μηχανές και Νοημοσύνη. ()
(pdf σαρωμένο αντίγραφο του πρωτοτύπου) (έκδοση που δημοσιεύτηκε το 1957, An Inductive Inference Machine, "IRE Convention Record, Section on Information Theory, Part 2, σελ. 56-62)
Ρομποτική:
, σελ. 916–932
, σελ. 908–915
Blue Brain Project - Artificial Brain
Ήπιοι Watson Skewers Human Opponents σε κίνδυνο
20Q.net Inc.
Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. - Πρίνστον. University Press, 1976
John Searle. Το μυαλό του εγκεφάλου - ένα πρόγραμμα υπολογιστή;
Penrose R.Το νέο μυαλό του βασιλιά. Σχετικά με τους υπολογιστές, τη σκέψη και τους νόμους της φυσικής. - M .: URSS, 2005. - ISBN 5-354-00993-6
Η τεχνητή νοημοσύνη ως παγκόσμιος παράγοντας κινδύνου
…θα σας οδηγήσει στην Αιώνια Ζωή
http://www.rc.edu.ru/rc/s8/intellect/rc_intellect_zaharov_2009.pdf Ορθόδοξη άποψη για το πρόβλημα της τεχνητής νοημοσύνης
Χάρι Χάρισον.Η επιλογή του Τούρινγκ. - M .: Eksmo-Press, 1999. - 480 σελ. - ISBN 5-04-002906-3

Λογοτεχνία

Ο υπολογιστής μαθαίνει και αιτιολογεί (μέρος 1) // Ο υπολογιστής αποκτά νοημοσύνη = Artificial Intelligence Computer Images / ed. V. L. Stefanyuk. - Μόσχα: Mir, 1990. - 240 σελ. - 100.000 αντίτυπα. - ISBN 5-03-001277-X (Ρωσικά) ISBN 705409155
Devyatkov V.V.Συστήματα τεχνητής νοημοσύνης / Κεφ. εκδ. I. B. Fedorov. - Μ .: Εκδοτικός οίκος MSTU im. N. E. Bauman, 2001. - 352 σελ. - (Πληροφορική στο Πολυτεχνείο). - 3000 αντίτυπα. - ISBN 5-7038-1727-7

Korsakov S.N.Επιγραφή ενός νέου τρόπου έρευνας με τη βοήθεια μηχανών που συγκρίνουν ιδέες / Εκδ. ΟΠΩΣ ΚΑΙ. Μιχαήλοφ. - M .: MEPhI, 2009. - 44 σελ. - 200 αντίτυπα. -

Η τεχνητή νοημοσύνη (AI) θα επικρατήσει της ανθρωπότητας; Ο Έλον Μασκ, ο ιδρυτής της Tesla, αρνείται αυτή την υπόθεση. Για να βεβαιωθεί για αυτό, ο διάσημος καινοτόμος έχει επενδύσει 10 εκατομμύρια δολάρια σε 37 διαφορετικά επιστημονικά έργα.

Παρά την κατηγορητικότητα του Elon Musk και των ομοϊδεατών του, μεταξύ των οποίων είναι ο Bill Gates και ο Stephen Hawking, οι περισσότεροι επιστήμονες προβλέπουν την υιοθέτηση της AI από τους ανθρώπους. Αρκεί να δει κανείς το MindMeld (επεξεργασία φυσικής γλώσσας μέσω βοηθών φωνής και συνομιλίας) ή VIV (η ανάπτυξη «έξυπνων» βοηθών). Πιστεύεται ότι τα επόμενα 10-15 χρόνια θα αποτελέσουν σημείο καμπής για τον παγκόσμιο πληθυσμό. Επιπλέον, η εισαγωγή θα γίνει όχι μόνο σε επίπεδο τεχνολογίας πληροφοριών, αλλά και στην κοινή γνώμη, τους νόμους και τις καθημερινές συνήθειες.

Αυτό οφείλεται σε δύο παράγοντες.

Πρώτον, ένα ρομπότ AI μπορεί να αυτοματοποιήσει διαδικασίες που απαιτούν ανθρώπινη παρέμβαση. Δεύτερον, είναι σε θέση να επεξεργάζεται και να αναλύει τεράστιο όγκο πληροφοριών. Το πλεονέκτημα ενός υπολογιστή είναι ότι η ικανότητά του να λειτουργεί δεν σχετίζεται με τον ανθρώπινο παράγοντα, είτε πρόκειται για προσωπικά προβλήματα είτε για κακή διάθεση.

Έτσι, η τεχνητή νοημοσύνη έχει ευρεία εφαρμογή: είναι πανταχού παρούσα στην ιατρική, τη βιομηχανία, την εκπαίδευση, τη γεωργία, την κυκλοφορία και την καθημερινή ζωή.

Φάρμακο

Η μνήμη AI εκτιμάται σε αυτόν τον τομέα, καθώς και η ικανότητα δημιουργίας και σύγκρισης τεράστιων ποσοτήτων πληροφοριών.
Εδώ και αρκετά χρόνια, όλοι άκουγαν για το DeepMind Health (που αναπτύχθηκε από την Google) - έξυπνους βοηθούς που όχι μόνο δίνουν συμβουλές στους γιατρούς, αλλά ανακαλύπτουν και τη γενετική προδιάθεση για παθολογίες. Έτσι, η IBM Watson ήδη εντοπίζει και αναπτύσσει ένα σχέδιο θεραπείας για 13 τύπους κακοήθων νεοπλασμάτων: από τον καρκίνο του τραχήλου της μήτρας έως το παχύ έντερο.

Η τεχνητή νοημοσύνη έρχεται στη διάσωση ακόμη και για ασθενείς. Όλο και πιο δημοφιλείς είναι οι εφαρμογές τηλεϊατρικής που συλλέγουν δεδομένα από βραχιόλια γυμναστικής και άλλους αισθητήρες, καθώς και «ερωτηματολόγια» που καθορίζουν τα ακριβή συμπτώματα και τις ασθένειες των ασθενών. Έτσι, η τεχνητή νοημοσύνη είναι σε θέση να αναγνωρίσει τη φυματίωση και τη διαταραχή των εσωτερικών οργάνων, περιλαμβανομένων. εγκέφαλος.

Ορισμένες από τις εφαρμογές αναλύουν την ανθρώπινη ομιλία και απαντούν προφορικά, ενώ άλλες προτιμούν τη γραπτή επικοινωνία. Οι εφαρμογές λαμβάνουν τις απαραίτητες πληροφορίες και στη συνέχεια κάνουν συστάσεις σχετικά με τις ενέργειες που πρέπει να γίνουν στη συνέχεια ή στέλνουν τα δεδομένα στον θεραπευτή. Οι πιο δημοφιλείς έξυπνοι βοηθοί είναι οι Your.MD και Ada, οι οποίοι μπορούν να ληφθούν από το App Store ή το Google Play.

Ιδιαίτερη σημασία δίνεται σε συστήματα ικανά να αναπτύξουν νέα φάρμακα. Σύμφωνα με την κορυφαία μάνατζερ της Pfizer, Judy Sewards, χρειάζονται κατά μέσο όρο 12 χρόνια για να αναπτυχθεί και να κυκλοφορήσει ένα νέο φάρμακο στην αγορά. Η τεχνητή νοημοσύνη θα καταστήσει δυνατή τη δημιουργία μιας μοριακής δομής και τη μοντελοποίηση ενός φαρμάκου, γεγονός που θα αυξήσει την ποιότητά του και θα μειώσει τον χρόνο που απαιτείται για την απελευθέρωση νέων φαρμάκων. Οι πρωτοπόροι στη δημιουργία υπερυπολογιστών που λύνουν αυτό το πρόβλημα είναι οι Atomwise και Berg Health.

Βιομηχανία

Μεγάλες βιομηχανικές εταιρείες σε χώρες όπως η Ιαπωνία, η Κίνα, οι ΗΠΑ, η Γερμανία και η Ελβετία επενδύουν σε νέες τεχνολογίες. Σήμερα υπάρχει μια τάση μείωσης των θέσεων εργασίας που σχετίζονται με την πνευματική εργασία και αύξηση του αριθμού των υπολογιστών.

Οι ακόλουθες θέσεις εργασίας θα υποφέρουν τις επόμενες δεκαετίες:

Συλλογή λεπτομερειών. Κάθε μέρα γίνονται ολοένα και περισσότερες περικοπές προσωπικού. Το ρομπότ, θυμούμενο την ακολουθία των ενεργειών, αντιμετωπίζει τη σύνδεση των εξαρτημάτων μόνο του.
Λογιστικοί υπολογισμοί. Σε σύγκριση με ένα άτομο, ένα μηχάνημα υπολογίζει με ακρίβεια τα δεδομένα και δεν τηρεί «μαύρη» και «άσπρη» τήρηση βιβλίων, κάτι που είναι πολύ ωφέλιμο για το κράτος. Οι υπερυπολογιστές μαθαίνουν και παίρνουν λογικές αποφάσεις.
Αντικατάσταση συμβούλων. Το ρομπότ, στο ίδιο επίπεδο με ένα άτομο, μπορεί να διεξάγει διάλογο με τον αγοραστή σε υψηλό επίπεδο και να δίνει απαντήσεις σε τυπικές ερωτήσεις. Ο αλγόριθμος επικοινωνίας γίνεται πιο περίπλοκος λόγω της ικανότητας του μηχανήματος να μαθαίνει και να συσσωρεύει εμπειρία.

Η ρομποτοποίηση στο εγγύς μέλλον θα επηρεάσει επίσης επαγγέλματα όπως γραμματείς, ταμίες, φορτηγατζήδες και σερβιτόροι.Ένα παράδειγμα της επιτυχημένης εφαρμογής της τεχνητής νοημοσύνης ήταν το εργοστάσιο της γραμμής H&H. Η τεχνολογία παρακολούθησης ματιών βοήθησε στην εξοικονόμηση 400 ωρών εκπαίδευσης ασκουμένων σε 1 χρόνο και στη μείωση της πιθανότητας ατυχημάτων.

Το MIT Technology Review ανέφερε ότι ο Andrew Ng, ερευνητής ρομποτικής και μηχανικής μάθησης, αναπτύσσει ένα νέο έργο, το Landing.AI. Έχει σχεδιαστεί για να δημιουργήσει έναν μηχανισμό παραγωγής σε εργοστάσια και εργοστάσια. Πρώτος συνεργάτης της είναι η Foxconn, η οποία κατασκευάζει gadget της Apple.

Εκπαίδευση

Στο εγγύς μέλλον, ο τομέας της εκπαίδευσης θα αναπτυχθεί ραγδαία σε δύο κατευθύνσεις - προσαρμοστική μάθηση και προπόνηση.
Η προσαρμοστική μάθηση έχει σχεδιαστεί για να λύνει το πρόβλημα των διαφορετικών ακαδημαϊκών επιδόσεων μαθητών και φοιτητών. Γεγονός είναι ότι ένα άτομο μαθαίνει το υλικό πολύ πιο γρήγορα και πιο επιτυχημένα από ένα άλλο. Επομένως, η τεχνητή νοημοσύνη θα παρακολουθεί το επίπεδο γνώσης του μαθητή και θα προσαρμόζει τη σειρά των τμημάτων μαθημάτων στις ικανότητές του ή θα ενημερώνει τον δάσκαλο πόσο καλά έχει μάθει ο μαθητής το υλικό. Παράδειγμα τέτοιου συστήματος είναι η πλατφόρμα Third Space Learning, η οποία βρίσκεται επί του παρόντος υπό ανάπτυξη.

Το Proctoring είναι ο έλεγχος των μαθητών και των φοιτητών κατά τη διέλευση των δοκιμασιών ελέγχου και εξέτασης. Αν στο παρελθόν οι μαθητές βρίσκονταν «στο όπλο» της κάμερας, τώρα η τεχνητή νοημοσύνη έρχεται να σώσει. Παρακολουθεί πόσο συχνά ο μαθητής κοιτάζει μακριά από την οθόνη του υπολογιστή, αν αλλάζει την καρτέλα στο πρόγραμμα περιήγησης, αν υπάρχουν επιπλέον φωνές στο δωμάτιο. Μόλις το AI παρατηρήσει οποιαδήποτε παραβίαση, ειδοποιεί αμέσως τον ανθρώπινο φύλακα σχετικά.

Μπορεί όμως μια μηχανή να αντικαταστήσει έναν απλό δάσκαλο; Η Rosa Lukin, καθηγήτρια στο University College του Λονδίνου, το αρνείται. Σύμφωνα με αυτήν, αξίζει να βρεθεί ένας συμβιβασμός. Άλλωστε, στόχος δεν είναι η αντικατάσταση των εκπαιδευτικών με μηχανές, αλλά η βελτίωση της εκπαιδευτικής διαδικασίας. Αυτό σίγουρα δεν είναι χωρίς ανθρώπινο δάσκαλο.

Γεωργία

Η αντίληψη ότι η γεωργία και η κτηνοτροφία είναι υστερούντες και παλιομοδίτικες βιομηχανίες ανήκει στο παρελθόν. Σήμερα, η εντατική ανάπτυξη της παγκόσμιας αγοράς τεχνητής νοημοσύνης στον γεωργικό κλάδο προκαλείται από τέτοιους παράγοντες: την εισαγωγή ενός συστήματος διαχείρισης δεδομένων, την αυτοματοποίηση άρδευσης, την αύξηση της παραγωγικότητας των γεωργικών καλλιεργειών μέσω της εισαγωγής μεθόδων εκπαίδευσης και την αύξηση του αριθμού των ανθρώπων στον πλανήτη. Ταυτόχρονα, η ανάπτυξη της αγοράς AI περιορίζεται από το υψηλό κόστος συλλογής πληροφοριών σχετικά με τη γεωργική γη.

Η ευρεία εισαγωγή της ρομποτικής στη γεωργία αντιπροσωπεύεται από τέτοιες εξελίξεις:

Μη επανδρωμένα εναέρια οχήματα. Τα drones εξοπλισμένα με παρακολούθηση ραντάρ και GPS ψεκάζουν καλλιέργειες, παρέχοντας αξιόπιστη παράδοση επικίνδυνων χημικών ουσιών και αεροφωτογράφηση.
Ρομπότ για συγκομιδή. Αν οι τρυγητές σιτηρών υπάρχουν εδώ και πολύ καιρό, τότε πρόσφατα δημιουργήθηκε ένα ρομπότ που μαζεύει φράουλες.
Το AI καταστρέφει το ζιζάνιο. Το Hortibot, που αναπτύχθηκε από το Πανεπιστήμιο Aarhus (Aarhus Universitet) στη Δανία, αναγνωρίζει και εξαλείφει τα ζιζάνια με δύο τρόπους: μηχανικά και με επιτόπιο ψεκασμό με ζιζανιοκτόνα. Αυτό το ρομπότ ήταν μια πραγματική ανακάλυψη, γιατί η αναγνώριση των ζιζανίων από χρήσιμα φυτά είναι μια μεγάλη επιτυχία της σύγχρονης ρομποτικής στη γεωργία. Επιπλέον, δημιουργούνται μηχανήματα που αναγνωρίζουν παράσιτα και ασθένειες των αγροτικών καλλιεργειών.

Σύμφωνα με τις προβλέψεις της Energias Market Research, η αγορά τεχνητής νοημοσύνης στον αγροτικό κλάδο θα αυξηθεί κατά 24,3% έως το 2024. Θα αναπτυχθεί ενεργά στις ΗΠΑ και στην περιοχή Ασίας-Ειρηνικού. Η Agworld, η Farmlogs, η Cropx, η Microsoft, η AGCO και άλλες συμπεριλήφθηκαν στη λίστα των κεντρικών παικτών στην αγορά των ευφυών αγροτικών επιχειρήσεων.

κίνηση στον δρόμο

Ο σκοπός της εισαγωγής της τεχνητής νοημοσύνης σε αυτόν τον τομέα είναι η καταπολέμηση της κυκλοφοριακής συμφόρησης. Τέτοια συστήματα λειτουργούν ήδη με επιτυχία σε μεγάλες πόλεις της Ευρώπης, της Βόρειας Αμερικής και της Ασίας.

Συλλογή πληροφοριών από φανάρια, ανάλυση της πυκνότητας της κυκλοφορίας, τροχαία ατυχήματα, δεδομένα καιρού και άλλοι παράγοντες που δημιουργούν μποτιλιαρίσματα - αυτή είναι η λειτουργία του υπολογιστή. Ως αποτέλεσμα, το έξυπνο σύστημα παρακολουθεί τους δρόμους online, προβλέπει την κυκλοφορία και αλλάζει ανάλογα τα φανάρια.

Παρακολουθεί όχι μόνο την κυκλοφορία στο δρόμο, αλλά βοηθά και τους οδηγούς. Για παράδειγμα, το σύστημα, εάν είναι απαραίτητο, καλεί ένα ρυμουλκούμενο. Είναι σαφές ότι αυτή η λύση δεν θα μπορέσει να απαλλαγεί εντελώς από την κυκλοφοριακή συμφόρηση, ωστόσο, είναι πολύ πιθανό να επιταχυνθεί η κίνηση κατά καιρούς.
Είναι πιθανό ότι η πρόοδος θα είναι αισθητή εάν χρησιμοποιούνται ευρέως μη επανδρωμένα οχήματα - πρόκειται για οχήματα που μπορούν να κινούνται χωρίς ανθρώπινη παρέμβαση. Αναπτύσσονται από την Google, την AKTIV, την Tesla Motors και κάποιες άλλες.

ΖΩΗ

Φυσικά, όλοι είναι εξοικειωμένοι με το «» (έξυπνο σπίτι), το οποίο στο μέλλον θα γίνει χαρακτηριστικό παράδειγμα τεχνητής νοημοσύνης. Οι μεγαλύτεροι κατασκευαστές είναι οι Yamaha, Siemens, Abb, Beckhoff και Legrand.

Τέτοιες εξελίξεις απλοποιούν πολύ τη ζωή ενός ατόμου. Για παράδειγμα, ένα τέτοιο σύστημα θα ανοίξει τις κουρτίνες το πρωί, θα ξυπνήσει τους οικοδεσπότες και θα φτιάξει καφέ. Στο μέλλον, η λειτουργικότητα του «έξυπνου σπιτιού» θα επεκταθεί σε σημείο που η ντουλάπα θα αχνίζει αυτόματα ρούχα και το ψυγείο θα παραγγέλνει φαγητό. Αυτή η λύση βελτιστοποιεί το κόστος που σχετίζεται με την παροχή ενέργειας, τον εξαερισμό, τη θέρμανση, την προσαρμογή σε ένα βολικό πρόγραμμα.

Επίσης δημοφιλείς είναι οι ηλεκτρικές σκούπες που μπορούν όχι μόνο να καθαρίσουν, αλλά και να μετακινήσουν αντικείμενα και να φορτιστούν μόνες τους.
Ένα άλλο παράδειγμα καθημερινής χρήσης της τεχνητής νοημοσύνης είναι οι αυτόματοι μεταφραστές. Αν προηγουμένως η «μηχανική μετάφραση» άφηνε πολλά να είναι επιθυμητά, σήμερα η κατάσταση έχει αλλάξει δραματικά. Αυτό αποδεικνύεται από το Google Translate: ο αλγόριθμος βασίζεται στο γεγονός ότι ο υπολογιστής δεν αντιλαμβάνεται μεμονωμένες λέξεις, αλλά ολόκληρη την πρόταση. Σας επιτρέπει να λαμβάνετε ένα κείμενο υψηλής ποιότητας, έτσι στο εγγύς μέλλον αυτή η μέθοδος θα γίνει η βάση για αυτόματη μετάφραση.

Τα ανθρωποειδή ανδροειδή χρησιμοποιούνται όχι μόνο για οικιακές δουλειές, αλλά και για επικοινωνία. Ένας σιδερένιος «φίλος» δεν θα σας αφήσει να πεθάνετε από την πλήξη και μερικές φορές γίνεται πλήρες μέλος της οικογένειας. Έτσι, στην Κίνα, ένας τυχερός κατάφερε να παντρευτεί ένα ρομπότ. Αποδείχθηκε ότι ήταν ο μηχανικός Zheng Jiajia, ο οποίος έφτιαξε τη δική του νύφη.

Αναμφίβολα, το μέλλον της ανθρωπότητας είναι συνυφασμένο με τα ρομπότ, γιατί κάθε χρόνο αναπτύσσονται νέοι τομείς εφαρμογής της τεχνητής νοημοσύνης. Πιθανότατα, θα ξεπεράσει τις ικανότητες ενός ατόμου, αλλά ταυτόχρονα θα βελτιώσει σημαντικά την ποιότητα της ζωής του. Το κύριο πράγμα εδώ είναι να βρείτε ένα λογικό πλαίσιο έως ότου το AI να μάθει να αναπαράγει τον εαυτό του. Σύμφωνα με τον Έλον Μασκ, αξίζει να τηρήσουμε μια προληπτική στάση και να περιορίσουμε τη χρήση της τεχνητής νοημοσύνης τώρα, τουλάχιστον στη στρατιωτική βιομηχανία.

Mustafina Nailya Mugattarovna, πτυχιούχος, φοιτητής
Κρατικό Αγροτικό Πανεπιστήμιο του Μπασκίρ
Sharafutdinov Aidar Gazizyanovich, Υποψήφιος Επιστημών, Αναπληρωτής Καθηγητής, Αναπληρωτής Καθηγητής
Κρατικό Αγροτικό Πανεπιστήμιο του Μπασκίρ

ΥΠΟΛΟΓΙΣΤΙΚΑ ΜΗΧΑΝΗΜΑΤΑ
ΤΕΧΝΙΚΗ
Η ΕΠΙΣΤΗΜΗ
ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

Σήμερα, η επιστημονική και τεχνολογική πρόοδος αναπτύσσεται ραγδαία. Μία από τις ταχέως αναπτυσσόμενες βιομηχανίες της είναι η τεχνητή νοημοσύνη.

Σήμερα, η τεχνολογική πρόοδος αναπτύσσεται ραγδαία. Η επιστήμη δεν μένει ακίνητη και κάθε χρόνο οι άνθρωποι έρχονται με όλο και πιο προηγμένες τεχνολογίες. Μία από τις νέες κατευθύνσεις στην ανάπτυξη της τεχνολογικής προόδου είναι η τεχνητή νοημοσύνη.

Η ανθρωπότητα άκουσε για πρώτη φορά για την τεχνητή νοημοσύνη πριν από περισσότερα από 50 χρόνια. Συνέβη σε ένα συνέδριο που πραγματοποιήθηκε το 1956 στο Πανεπιστήμιο Dartmouth, όπου ο John McCarthy έδωσε στον όρο έναν σαφή και ακριβή ορισμό. «Η τεχνητή νοημοσύνη είναι η επιστήμη της δημιουργίας ευφυών μηχανών και προγραμμάτων υπολογιστών. Για τους σκοπούς αυτής της επιστήμης, οι υπολογιστές χρησιμοποιούνται ως μέσο για την κατανόηση των χαρακτηριστικών της ανθρώπινης νοημοσύνης, την ίδια στιγμή, η μελέτη της τεχνητής νοημοσύνης δεν πρέπει να περιορίζεται στη χρήση βιολογικά εύλογων μεθόδων.

Η τεχνητή νοημοσύνη των σύγχρονων υπολογιστών είναι αρκετά υψηλού επιπέδου, αλλά όχι στο επίπεδο που οι συμπεριφορικές τους ικανότητες να μην είναι κατώτερες τουλάχιστον από τα πιο πρωτόγονα ζώα.

Το αποτέλεσμα της έρευνας για την «τεχνητή νοημοσύνη» είναι η επιθυμία να κατανοήσουμε το έργο του εγκεφάλου, να αποκαλύψουμε τα μυστικά της ανθρώπινης συνείδησης και το πρόβλημα της δημιουργίας μηχανών με ένα ορισμένο επίπεδο ανθρώπινης νοημοσύνης. Η θεμελιώδης δυνατότητα μοντελοποίησης διανοητικών διαδικασιών συνεπάγεται ότι οποιαδήποτε λειτουργία του εγκεφάλου, οποιαδήποτε νοητική δραστηριότητα, που περιγράφεται από μια γλώσσα με αυστηρά σαφή σημασιολογία χρησιμοποιώντας έναν πεπερασμένο αριθμό λέξεων, μπορεί κατ' αρχήν να μεταφερθεί σε έναν ηλεκτρονικό ψηφιακό υπολογιστή.

Επί του παρόντος, ορισμένα μοντέλα τεχνητής νοημοσύνης έχουν αναπτυχθεί σε διάφορους τομείς, αλλά δεν έχει δημιουργηθεί ακόμη υπολογιστής ικανός να επεξεργάζεται πληροφορίες σε κανένα νέο τομέα.

Μεταξύ των πιο σημαντικών κατηγοριών εργασιών που έχουν τεθεί στους προγραμματιστές ευφυών συστημάτων από τον ορισμό της τεχνητής νοημοσύνης ως επιστημονικής κατεύθυνσης, πρέπει να ξεχωρίσουμε τα ακόλουθα. τομείς τεχνητής νοημοσύνης:

Απόδειξη θεωρημάτων. Η μελέτη των τεχνικών απόδειξης θεωρημάτων έχει παίξει σημαντικό ρόλο στην ανάπτυξη της τεχνητής νοημοσύνης. Πολλά άτυπα προβλήματα, για παράδειγμα, τα ιατρικά διαγνωστικά, χρησιμοποιούν τις μεθοδολογικές προσεγγίσεις που χρησιμοποιήθηκαν για την αυτοματοποίηση της απόδειξης των θεωρημάτων κατά την επίλυση. Η αναζήτηση μιας απόδειξης ενός μαθηματικού θεωρήματος απαιτεί όχι μόνο την εξαγωγή από υποθέσεις, αλλά και τη δημιουργία διαισθήσεων σχετικά με το ποιες ενδιάμεσες προτάσεις πρέπει να αποδειχθούν για τη γενική απόδειξη του κύριου θεωρήματος.
Αναγνώριση εικόνας. Η χρήση της τεχνητής νοημοσύνης για την αναγνώριση προτύπων κατέστησε δυνατή τη δημιουργία πρακτικά λειτουργικών συστημάτων για την αναγνώριση γραφικών αντικειμένων με βάση παρόμοια χαρακτηριστικά. Οποιαδήποτε χαρακτηριστικά αντικειμένων προς αναγνώριση μπορούν να θεωρηθούν ως χαρακτηριστικά. Τα χαρακτηριστικά πρέπει να είναι αμετάβλητα ως προς τον προσανατολισμό, το μέγεθος και το σχήμα των αντικειμένων. Το αλφάβητο των σημείων σχηματίζεται από τον προγραμματιστή του συστήματος. Η ποιότητα της αναγνώρισης εξαρτάται σε μεγάλο βαθμό από το πόσο καλά είναι το καθιερωμένο αλφάβητο των χαρακτηριστικών. Η αναγνώριση συνίσταται στην εκ των προτέρων λήψη ενός διανύσματος χαρακτηριστικών για ένα ξεχωριστό αντικείμενο που επιλέγεται στην εικόνα και, στη συνέχεια, στον προσδιορισμό σε ποια από τα πρότυπα του αλφαβήτου των χαρακτηριστικών αντιστοιχεί αυτό το διάνυσμα.
Μηχανική μετάφραση και κατανόηση του ανθρώπινου λόγου. Το έργο της ανάλυσης προτάσεων ανθρώπινης ομιλίας χρησιμοποιώντας ένα λεξικό είναι μια τυπική εργασία των συστημάτων τεχνητής νοημοσύνης. Για την επίλυσή του, δημιουργήθηκε μια ενδιάμεση γλώσσα για τη διευκόλυνση της σύγκρισης φράσεων από διαφορετικές γλώσσες. Στο μέλλον, αυτή η ενδιάμεση γλώσσα μετατράπηκε σε σημασιολογικό μοντέλο αναπαράστασης των νοημάτων των προς μετάφραση κειμένων. Η εξέλιξη του σημασιολογικού μοντέλου οδήγησε στη δημιουργία μιας γλώσσας για την εσωτερική αναπαράσταση της γνώσης. Ως αποτέλεσμα, τα σύγχρονα συστήματα αναλύουν κείμενα και φράσεις σε τέσσερα κύρια στάδια: μορφολογική ανάλυση, συντακτική, σημασιολογική και πραγματιστική ανάλυση.
Προγράμματα παιχνιδιών. Τα περισσότερα προγράμματα παιχνιδιών βασίζονται σε μερικές βασικές ιδέες τεχνητής νοημοσύνης, όπως η απαρίθμηση επιλογών και η αυτομάθηση. Ένα από τα πιο ενδιαφέροντα καθήκοντα στον τομέα των προγραμμάτων παιχνιδιών που χρησιμοποιούν μεθόδους τεχνητής νοημοσύνης είναι η διδασκαλία ενός υπολογιστή να παίζει σκάκι. Ιδρύθηκε στις πρώτες μέρες της πληροφορικής, στα τέλη της δεκαετίας του 1950. Στο σκάκι, υπάρχουν ορισμένα επίπεδα δεξιοτήτων, βαθμοί ποιότητας του παιχνιδιού, που μπορούν να δώσουν σαφή κριτήρια για την αξιολόγηση της πνευματικής ανάπτυξης του συστήματος. Ως εκ τούτου, επιστήμονες από όλο τον κόσμο συμμετείχαν ενεργά στο σκάκι υπολογιστών και τα αποτελέσματα των επιτευγμάτων τους χρησιμοποιούνται σε άλλες πνευματικές εξελίξεις πραγματικής πρακτικής σημασίας.
Μηχανική δημιουργικότητα. Ένας από τους τομείς εφαρμογής της τεχνητής νοημοσύνης περιλαμβάνει συστήματα λογισμικού που μπορούν να δημιουργήσουν ανεξάρτητα μουσική, ποίηση, ιστορίες, άρθρα, διπλώματα, ακόμη και διατριβές. Σήμερα υπάρχει μια ολόκληρη κατηγορία μουσικών γλωσσών προγραμματισμού (για παράδειγμα, η γλώσσα C-Sound). Για διάφορες μουσικές εργασίες, δημιουργήθηκε ειδικό λογισμικό: συστήματα επεξεργασίας ήχου, σύνθεση ήχου, συστήματα διαδραστικής σύνθεσης, προγράμματα αλγοριθμικής σύνθεσης.
Εξειδικευμένα συστήματα. Οι μέθοδοι τεχνητής νοημοσύνης έχουν βρει εφαρμογή στη δημιουργία αυτοματοποιημένων συμβουλευτικών συστημάτων ή έμπειρων συστημάτων. Τα πρώτα έμπειρα συστήματα αναπτύχθηκαν ως ερευνητικά εργαλεία τη δεκαετία του 1960. Ήταν συστήματα τεχνητής νοημοσύνης ειδικά σχεδιασμένα για την επίλυση σύνθετων προβλημάτων σε μια στενή θεματική περιοχή, όπως η ιατρική διάγνωση ασθενειών. Ο κλασικός στόχος αυτής της κατεύθυνσης ήταν αρχικά η δημιουργία ενός συστήματος τεχνητής νοημοσύνης γενικής χρήσης που θα μπορούσε να λύσει οποιοδήποτε πρόβλημα χωρίς συγκεκριμένες γνώσεις στο αντικείμενο. Λόγω της περιορισμένης χωρητικότητας των υπολογιστικών πόρων, αυτό το πρόβλημα αποδείχθηκε πολύ δύσκολο να λυθεί με ένα αποδεκτό αποτέλεσμα.

Μπορούμε να πούμε ότι ο κύριος στόχος της ανάπτυξης της τεχνητής νοημοσύνης είναι η βελτιστοποίηση, απλά φανταστείτε πώς ένα άτομο, χωρίς να κινδυνεύει, θα μπορούσε να μελετήσει άλλους πλανήτες, να εξάγει πολύτιμα μέταλλα.

Έτσι, μπορούμε να συμπεράνουμε ότι η μελέτη και ανάπτυξη της τεχνητής νοημοσύνης είναι σημαντική για ολόκληρη την κοινωνία. Άλλωστε με τη χρήση αυτού του συστήματος είναι δυνατή η εξασφάλιση και η διευκόλυνση της ανθρώπινης ζωής.

Βιβλιογραφία

Yasnitsky L.N. Για τις δυνατότητες χρήσης τεχνητής νοημοσύνης [Ηλεκτρονικός πόρος]: επιστημονική ηλεκτρονική βιβλιοθήκη. URL: http://cyberleninka.ru/ (πρόσβαση 01/06/2016)
Yastreb N.A. Τεχνητή νοημοσύνη [Ηλεκτρονικός πόρος]: επιστημονική ηλεκτρονική βιβλιοθήκη. URL: http://cyberleninka.ru/ (πρόσβαση 01/06/2016)
Abdulatipova M.A. Τεχνητή νοημοσύνη [Ηλεκτρονικός πόρος]: επιστημονική ηλεκτρονική βιβλιοθήκη. URL: http://cyberleninka.ru/ (πρόσβαση 01/06/2016)