Искусственный интелект

СОДЕРЖАНИЕ 

ВВЕДЕНИЕ 3 

1 ИСТОРИЯ СОЗДАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 5

1.1 Исторический обзор  развития  искусственного  интеллекта 5

1.2 Системы искусственного  интеллекта 10

1.3 Построение систем  искусственного интеллекта 12 

2 РАЗВИТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 16

2.1 Знания и модели  их представления 16

2.2 Инженерия знаний 19

2.3 Модели приобретения  знаний 22 

ЗАКЛЮЧЕНИЕ 27 

СПИСОК  ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 29 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     ВВЕДЕНИЕ 

     Начало  современного этапа развития систем искусственного интеллекта (ИИ) может  быть отнесено к середине 50-х гг. Этому способствовала программа, разработанная  А. Ньюэллом, предназначенная для  доказательства теорем в исчислении высказываний и названная «ЛОГИК-ТЕОРЕТИК». Некоторые авторы называют эту систему  экспертной и связывают определение  ее назначения с анализом ее возможностей, проведенных Клодом Шенноном и Марвином Минским.

     Эти работы положили началу исследованиям  в области ИИ, связанному с разработкой  программ, решающих задачи на основе применения разнообразных эвристических методов  и правил. Эвристика -- совокупность логических приемов и методических правил, теоретического Исследования и отыскания истины, методика поиска доказательств. Эвристические правила -- неформальные правила, используемые в целях повышения эффективности  поиска в данной предметной области.

     Данный  метод решения задачи при этом рассматривался как свойственный человеческому  мышлению «вообще», для которого характерно возникновение «догадок» о пути решения с последующей проверкой  их. Эвристическому методу противопоставлялся используемый в ЭВМ алгоритмический (процедуральный, процедурный) метод, который  интерпретировался как механическое осуществление заданной последовательности шагов, детерминированно приводящей к  правильному ответу. Такая трактовка  эвристических методов решения  задачи и обусловила появление и  распространение термина «искусственный интеллект».

     В 70--80 гг. исследования в области ИИ характеризовались перемещением внимания специалистов от проблем создания автономно  функционирующих систем к созданию человеко-машинных систем, интегрирующих  в единое целое интеллект человека и способности ЭВМ для достижения общей цели - решения задачи, поставленной перед подобной системой. Многие считали, что это позволит создать новое  направление информационных технологий -- машинную экспертизу, которая заменит  труд специалиста. Однако в силу ряда причин эти ожидания не вполне оправдались.

     Тем не менее, в последнее десятилетие  это направление возродилось  в виде исследований и разработок, направленных на создание экспертных систем с базой знаний. Их используют в управленческой деятельности и  многих отраслях экономики (страховании, банковском деле и др.), чтобы с  помощью правил и объектов, суммирующих  накопленный опыт, повысить качество принимаемых решений.

     Проблематика  ИИ в настоящее время довольно обширна. Список Дисциплин по искусственному интеллекту постоянно увеличивается. Сегодня в него входят представление  знаний, решение задач, экспертные системы, средства общения с ЭВМ на естественном языке, обучение, когнитивное моделирование, обработка визуальной информации, робототехника, нейрокомпьютерные технологии и др.

     Представление знаний -- наиболее важная область исследований по искусственному интеллекту, основа всех остальных дисциплин. Знания имеют  форму описаний объектов, взаимосвязей и процедур. Наличие адекватных знаний и способность их эффективно использовать означают «умение».

     Создание  общей теории или метода представления  знаний является стратегической проблемой. Такая теория открыла бы возможность  накопления знаний, которые нужны  ежедневно для решения все  новых и новых задач. Однако для  достижения поставленной цели необходимо найти способ выражения общих  закономерностей предметных областей (ПО), в чем и состоит суть проблемы представления знаний.

     Решение задач сводится к поиску пути из некоторой исходной точки в целевую. Человек делает это весьма эффективно с помощью дедуктивного логического  вывода (рассуждения), процедурального  анализа, аналогии и индукции. Люди способны также учиться на собственном  опыте. Компьютеры в общем случае решают задачи только с использованием дедуктивного логического вывода и  процедурального анализа.

     Тип задачи определяет метод, наиболее подходящий для ее решения. Задачи, которые сводятся к процедуральному анализу, вообще говоря, лучше всего решаются на компьютере. Учетные и аналитические  задачи служат примерами процедуральных задач, решаемых компьютером быстрее  и надежнее, чем человеком. Задачи же, связанные с использованием аналогии или индукции, эффективнее решаются человеком. Задачи, требующие дедуктивных  и индуктивных рассуждений, представляются наиболее вероятными кандидатами для  решения с помощью экспертных систем (систем, основанных на знаниях). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     1 ИСТОРИЯ СОЗДАНИЯ  ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 

     1.1 Исторический обзор  развития  искусственного интеллекта 
 

     Исторически сложились три основных направления  в моделировании искусственного интеллекта.

     В рамках первого подхода объектом исследований являются структура и  механизмы работы мозга человека, а конечная цель заключается в  раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении  являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование  моделей и т. д.

     Второй  подход в качестве объекта исследования рассматривает искусственный интеллект. Здесь речь идет о моделировании  интеллектуальной деятельности с помощью  вычислительных машин. Целью работ  в этом направлении является создание алгоритмического и программного обеспечения  вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

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

     Самыми  первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь  надо отметить еще кибернетические  игрушки типа "электронной мыши" Клода Шеннона, которая управлялась  сложной релейной схемой. Эта мышка  могла "исследовать" лабиринт, и  находить выход из него. А кроме  того, помещенная в уже известный  ей лабиринт, она не искала выход, а  сразу же, не заглядывая в тупиковые  ходы, выходила из лабиринта.

     Американский  кибернетик А. Самуэль составил для  вычислительной машины программу, которая  позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта  программа сразилась с Р. Нили, сильнейшим шашистом в США и победила.

     Каким образом машине удалось достичь  столь высокого класса игры?

     Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной  ход из множества возможных ходов  согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям -- дебюту, миттэндшпилю, эндшпилю.

     Разумно сочетая такие критерии (например, в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более  сложным образом), можно для оценки очередного хода машины получить некоторый  числовой показатель эффективности -- оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему  показателю. Подобная автоматизация  выбора очередного хода не обязательно  обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции  на основе анализа проведенных ходов  и игр с учетом их исхода.

     По  мнению А. Самуэля, машина, использующая этот вид обучения, может научиться  играть лучше, чем средний игрок, за относительно короткий период времени.

     Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной  в процессе игры в шашки, сообщены ей автором программы. Отчасти это  так. Но не следует забывать, что  программа эта не является "жесткой", заранее продуманной во всех деталях. Она совершенствует свою стратегию  игры в процессе самообучения. И  хотя процесс "мышления" у машины существенно отличен оттого, что  происходит в мозгу играющего  в шашки человека, она способна у него выиграть.

     Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный  шахматный турнир машин, снабженных соответствующими программами. Как  известно, победу на этом турнире одержала советская машина с шахматной  программой "Каисса".

     Почему  здесь употреблено "до недавнего  времени"? Дело в том, что недавние события показали, что, несмотря на довольно большую сложность шахмат, и невозможность, в связи с  этим произвести полный перебор ходов, возможность перебора их на большую  глубину, чем обычно, очень увеличивает  шансы на победу. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100'000'000 ходов  в секунду. До недавнего времени  редкостью был компьютер, могущий  делать такое количество целочисленных  операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя с другой стороны, этот пример говорит о могуществе и универсальности переборных алгоритмов.

     В настоящее время существуют и  успешно применяются программы, позволяющие машинам играть в  деловые или военные игры, имеющие  большое прикладное значение. Здесь  также чрезвычайно важно придать  программам присущие человеку способность  к обучению и адаптации. Одной  из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания  образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук -- физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами  широкого практического использования  результатов теоретических исследований: читающие автоматы, системы искусственного интеллекта, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные  распознавать и анализировать сложные  сенсорные ситуации.