Содержание:

Введение

Актуальность темы работы. Актуальность данной работы состоит в том, что в реалях нашей современности является невозможным комфортное существование любой деятельности без такого немаловажного эллемента как искусственный интеллект. Обращаться к нему нам приходится достаточно часто, периодически даже не вникая в сущность данного понятия, а так же весьма широкий сектор его применения.

Данная работа представляет возможность рассмаотреть сущность понятия ИИ, а так же исследовать возможные подходы к построению данных систем. Широта спектра применения ИИ дает нам возможность на базе совершенствования имеющихся данных, строить новые, еще более функциональные системы, порождающие масштабное поле его применения. Однако расширение возможностей и открытие новых областей дальнейшего развития, может вызвать неконтролируемые сбои, неадекватные реакции, а в некоторых случаях даже крах всей системы, с необходимостью отката в предыдущие версии. Для предотвращения подобного рода эффектов необходимо выбирать корректные подходы к построению систем ИИ.

Цель курсовой работы – рассмотреть системы искусственного интеллекта и подходы к его построению.

Задачи работы:

• исследовать основные сферы деятельности системы искусственного интеллекта;
• рассмотреть сущность и особенности системы искусственного интеллекта;
• проанализировать вариации корректного функционирования;
• исследовать проблематику функционирования данной системы;

Объект исследования – Основные подходы к построению систем искусственного интеллекта.

Теоретической основой исследования Научно- исследовательская литература.

Информационной базой исследования ученных разных стран в сфере развития информационных систем

Глава 1. Сущность функционирования основных задач искусственного интелекта.

1.1. Определение сфер применения систем искусственного интеллекта

Искусственный интеллект – это разработка компьютерных систем, которые способны решать задачи, ранее требовавшие обязательного участия человека. Изначально про ИИ заговорили в шестидесятыхө семидесятых годов прошлого столетия. И то было созвучно понятию «фантастика». При этом первый опыт внедрения был предпринят отдельными американскими банками несколькими десятилетиями позже.

Первопроходцем по внедрению систем искусственного интеллекта стал Citibank. Работники компании попытались использовать ветвь ИИ, для создания автоматической системы по принятию решений, сравнимую по эффективности с экспертами людьми. Этому примеру последовали другие ведущие банки США.

Проведенные опыты где использовался искусственныйс интеллект дали интересные результаты. Искусственные нейронные сети обладали мощным потенциалом для дальнейшего развития. В целом опыт следовало признать успешным. [1]

Сейчас, в наш век ИИ применим в настолько далеких от этого понятия областях, и является одновременно и областью науки, и набором вычислительных технологий. Четкого определения у этого понятия пока нет, но для обывателя это – направление технологических разработок, которое заставляет механизмы действовать определенным образом в зависимости от обстоятельств.

[1] Электронный ресурс посвященный информационным технологиям https://investoriq.ru

Принцип работы искусственного интеллекта «на пальцах» объяснить крайне непросто — в любом решении в этой области слишком много составляющих и еще больше неизвестных.

Но в общем искусственный интеллект во многом похож на маленького ребенка. Наблюдая за поведением взрослых, он учится принимать правильное решение. На первых порах его поправляют, но с каждым разом накопленные знания дают все больше возможностей делать верные выводы самостоятельно.

В Стране восходящего солнца 2017 год ознаменовался серьезными изменениями, произошедшими в банковской сфере. Ведущие японские компании заявили о готовности автоматизировать больше 30 тысяч рабчих мест. Правление банков пришло к выводу, что это необходимая мера, поскольку традиционные методы ведения бизнеса уже не помогали увеличивать прибыль. Сегодня искусственный интеллект активно используется при создании компьютерных игр, бытовой техники, личных помощников, распознающих голос, в предсказании погоды и так далее.

Стэнфордский университет еще в 2014 году запустил проект AI100. Это является как бы результатом работы за целый сто лет исследования искусственного интеллекта. Целый век я ученые из замых различных и знаменитых университетов США будут следить за тем, как развитие технологий меняет жизнь человечества— безопасность, социальный уклад, психологию, транспорт и другие сферы. Эфекты данной разработки мы можем наблюдать и сегодня. Первый доклад участники проекта выпустили в конце 2016 года. В нем они объяснили, какие достижения можно считать по-настоящему значимыми. Ученые считают, что через 15 лет в городах США большую часть бытовых обязанностей смогут взять на себя роботы. Они будут убирать в офисах и домах, следить за безопасностью, доставлять посылки. [2]

[2] Электронный ресурс посвященный информационным технологиям https://cryptus.world/

Первый домашний робот, которого можно купить, появился в 2001 году. Это пылесос Electrolux Trilobite. Он умеет самостоятельно передвигаться и обходить препятствия. В 2002 году компания iRobot выпустила пылесос Roomba. У него было 512 Мб оперативной памяти, и он умел не падать с лестницы во время уборки. Сейчас роботизированные пылесосы есть у многих производителей. Они становятся все более простыми в использовании, сами очищают пылесборники, научились не застревать в проводах или ворсе ковра. Искусственный интеллект помогает им выстраивать 3D-модель дома, поэтому уборка стала более эффективной. Правда, пока умные пылесосы могут справляться только с ровными поверхностями. Кстати, последние модели iRobot могут выходить в интернет. Им это нужно, чтобы загружать в облачное хранилище карту помещения — так можно уменьшить время уборки. Но к этой технологии тоже есть вопросы: некоторые специалисты считают, что производитель пылесосов получает доступ к планам помещений в миллионах домов своих клиентов. [1]

Так же немаловажное достижение и огромную роль в жизни человечества играет огромный потенциал ИИ в сфере медицины. Сейчас в этой отрасли используются приложения и устройства, которые облегчают диагностику, следят за состоянием пациента и помогают хирургам проводить операции. Основной прогресс искусственного интеллекта в области медицины связан со сбором и хранением данных. Уже появились электронные медицинские карты (ЭМК). Они хранят всю информацию о болезнях пациента и оказанных ему услугах. Проще говоря, идет процесс накопления данных. [3]

[1] Электронный ресурс посвященный информационным технологиям https://investoriq.ru

[3] Электронный ресурс посвященный информационным технологиям http://www.tadviser.ru

Уже сейчас существуют роботы, которые умеют делать операции. В 2000 году компания IIntuitive Surgicаl выпустила хирургическую систему Da Vinсi, которая умела проводить коронарное шунтирование. А некоторые даже спостобны выполнять операции еще более сложного характера.

Так же системы искусственного интеллекта разработаны для ведения канцелярской работы, осуществления рутинных задач, обработки массивов данных Big Dаta. Но, пожалуй, лидеры в использовании технологий искусственного интеллекта — интернет-гиганты. В таких компаниях, как Аpple, Gооgle и Яндекс активно используют машинное обучение. Сервисы навигации уже не просто строят кратчайшие или самые маршруты, но и строят прогноз загруженности дорог. Онлайн-переводчики, построенные на технологиях искусственного интеллекта, предлагают вместо набора бессвязных слов вполне слитный текст. А компания Яндекс запустила в 2015 году платформу Meteum, строящую точный прогноз погоды на ближайшие часы.

Рынок искусственного интеллекта, по прогнозам, к 2025 г. достигнет $36,8 млрд, по сравнению с $644 млн в 2016 г. В искусственный интеллект (ИИ) сейчас инвестируют многие технологические компании, однако пока не всем понятно, как именно новые технологии будут использоваться и в каких сегментах могут приносить доход разработчикам.

В данный момент наиболее перспективными сферами применения ИИ можно считать рекламу и технологии автоматического вождения.

Технологии искусственного интеллекта в рекламе сейчас используют Alphаbet Inc. (GООG, NASDАQ) и Facebоok (FB, NASDAQ), которые с помощью ИИ обрабатывают пользовательские данные для таргетированной рекламы. Gооgle в прошлом квартале заработала на рекламе $19,8 млрд, но полагает, что с помощью искусственного интеллекта удастся заработать намного больше. В течение короткого времени Gооgle приобрела 11 компаний, которые занимаются разработками ИИ, среди которых важную роль занимает компания DeеpMind. [1]

Эта компания разработала программу распознавания голоса, которая имитирует человеческую речь и звучит более естественно, чем любой другой преобразователь текста. Технологии DeepMind компания Google уже сегодня стремится использовать в практических целях. На их основе Google создала систему Smart Bidding, которая использует систему машинного обучения, чтобы сделать рекламные объявления более точными. При этом ИИ учитывает гораздо больше параметров, чем человек или даже команда специалистов. [4]

[1] Электронный ресурс посвященный информационным технологиям https://investoriq.ru

[4] Ежемесячный журнал группы компаний «Фридом Финанс», январь 2017г. 5стр.

1.2.Основные элементы и задачи искусственного интеллекта

В процессе развития искусственного интеллекта (ИИ) были заложены основы новой технологии обработки информации. При этом новая технология нашла воплощение в самых разнообразных приложениях, например в понимании естественного языка, распознавании образов, в экспертных системах, при разработке интеллектуальных информационных систем.

В последние годы технология решения инфoрмационных задач значительно изменилась. Интенсивно развивается и внедряется новая информационная технология решения задач управления эффективностью бизнеса.

Для дальнейшего анализа новой технологии рассмотрим традиционную технологию решения задач: постановка задачи конечным пользователем; формализация и разработка программы задачи (системным аналитиком и программистом без участия пользователя); необходимые корректировки, вносимые в постановку; оценка новых результатов.

Далее по новому кругу. Корректировку в программу вносят системный аналитик и программист. Корректировка порой является более сложным процессом, чем разработка новой программы. Часто изменение программы связано с изменением производственной, экономической ситуации, изменением взглядов группы пользователей на процесс эксплуатации задачи, неправильного понимания создателями прикладного программного обеспечения (П0) соответствующих требований конечного пользователя. [5]

[5] Электронный справочный ресурс https://studref.com

Сложная программная система обычно содержит ошибки, не выявленные на стадиях отладки и тестирования. Ошибки могут быть внесены на любой стадии создания системы. Исправление ошибок - необходимое сопровождение программной системы. Это необходимо также в связи с изменениями условий, в которых задача решается, что вызывается естественным развитием предметной области. Эти изменения требуется внести в программу. Как следствие, возникает необходимость постоянного расширения функциональных возможностей системы.

При традиционной технологии решения задач сопровождение прикладного программного обеспечения выполняется на протяжении всего ее жизненного цикла. Процесс сопровождения в традиционной технологии требует по крайней мере такого же количества ресурсов, как и разработка программы (удваивается число специалистов по ПО, обслуживающих потребности пользователей). Это обусловило необходимость изменения технологии использования компьютеров.

Ситуацию можно преодолеть только путем привлечения пользователей к процессам решения задач, сопровождения программной системы, и, возможно, даже разработки прикладного ПО.

Однако это требует коренного изменения принципов организации прикладного ПО и методов его использования при решении задач, сложившихся в рамках традиционных технологий. Прежде всего, необходимо строить программные системы таким образом, чтобы радикально упростить процессы их эксплуатации и сопровождений.

Для того, чтобы глубже понять характер затруднений пользователя при его взаимодействии с компьютером при решении задач, необходимо подчеркнуть, что программная система в традиционной технологии решения обычно основывается на формальной модели решения задачи. Это может быть модель исследования операций, численный метод решения прикладного математического анализа, некоторая модель данных и т.п. При этом, как правило, множество понятий и терминов, в которых формулируется и описывается задача для применения программы, минимально и связано с математической моделью, а не с конкретной областью ее применения.

Как следствие - стремление к универсализации программных систем, т.е. к возможности использования такой системы в различных предметных областях. В то же время, каждая предметная область характеризуется системой содержательных понятий, которыми оперирует пользователь при решении задач.

Таким образом, в традиционной технологии обработки данных системы понятий предметной области и формальной модели, положенной в основу программы, как правило, не совпадают. Это различие и является основной причиной затруднений, возникающих при взаимодействии пользователя с компьютером в процессе решения задачи. [5]

Для применения программы пользователь должен перевести постановку задачи, выраженную в системе понятий предметной области, в постановку, выраженную в системе понятий формальной модели. Перевод из одной системы понятий в другую называется интерпретацией. При получении результатов решения задачи пользователь также должен выполнить интерпретацию, обратную первой. Процесс интерпретации связан с рядом существенных объективных и субъективных трудностей, которые увеличиваются с ростом объема, сложности и универсальности программной среды.

Новая информационная технология ставит своей целью обеспечение простоты процесса взаимодействия пользователя с компьютером с исключением необходимости регулярного сопровождения.

[5] Электронный справочный ресурс https://studref.com

Основная идея новой технологии, призванная обеспечить проблемы интерпретации, состоит в том, чтобы расматривать систему понятий предметной области и соответствие между ней и системой понятий формальной мадели как исходную информацию для решения прикладных задач.

В идеале подобный подход должен обеспечить пользователю возможность самостоятельного изменения системы понятий предметной области, определения новых понятий через «известные» системе. Пользователь получает возможность формулирования своего видения предметной области, выделения в ней объектов и взаимосвязей, существенных для решения задачи и удобных для рассуждения в процессе решения.

Разработчики систем искусственного интеллекта и экспертных систем, как важной составляющей новой информационной технологии решения задач, ставят своей задачей изменения традиционных подходов к системе взаимодействия человека и компьютера при решении задач принятия решений в реальном времени, обеспечения удобства и комфорта пользователя, повышения эффективности взаимодействия таких систем.

Новая информационная технология основывается прежде всего на интеллектуальных технологиях и теории искусственного интеллекта.

Искусственный интеллект – это термин, который охватывает много определений. Многие специалисты согласны, что ИИ соотносится с двумя базовыми идеями. Во – первых, ИИ вовлечен в процессы изучения мыслительных процессов человека (для понимания, что представляет собой интеллект); во-вторых, ИИ имеет дело с представлением этих процессов через машины (такие как компьютеры и роботы).

Одним из многих определений ИИ является следующее: искусственный интеллект – это такое поведение машины, что если оно совершалось бы человеком, то могло бы быть названо умным, т.е. интеллектуальным.

Если исследовать значение термина интеллектуальное поведение, то можно определить различные способности, которые рассматриваются как признаки интеллекта:

- обучение или понимание из опыта;

- выявление смысла из двусмысленности или противоположных сообщений;

- быстрый и адекватный отклик на новую ситуацию (разнообразные реакции, гибкость);

- использование рассуждений при решении проблем и эффективном направлении поведения;

- использование относительной важности различных элементов в ситуации;

- мышление и рассуждение.

Как искусственный интеллект и интеллектуальные технологии отличаются от традиционных вычислений?

Традиционные компьютерные программы основываются на алгоритме, который ясно определяет последовательную процедуру для решения проблемы. Это может быть математическая формула или последовательная процедура, которая ведет к решению. Алгоритм преобразуется в компьютерную программу, которая только указывает компьютеру какие операции выполнять. Кроме того, для решения проблемы алгоритм использует данные, такие как числа, буквы или слова. [5]

Интеллектуальная технология и программное обеспечение ИИ основывается на символическом представлении и манипуляции. В ИИ символ – это буква, слово или число, которые используются для представления объектов процессов и их отношений. Объектами могут быть люди, идеи, понятия, события или утверждения о фактах. [6]

[5] Электронный справочный ресурс https://studref.com

[6] Электронный справочный ресурс http://lib.kstu.kz

Глава 2. Анализ имеющихся подходов в сфере модернизации и построения систем искусственного интеллекта.

2.1. Состав и содержание основных подходов

Существуют различные подходы к построению систем ИИ - логический подход, структурный, эволюционный, имитационный. Это разделение не является историческим, когда одно мнение постепенно сменялось другим, и различные подходы и методики существуют параллельно и сегодня. Поскольку по-настоящему полноценных систем искусственного интеллекта в настоящее время нет, то нельзя и утверждать, что какой-то подход является правильным, а какой-то - нет.

Для начала рассмотрим логический подход. Человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность к логическому мышлению очень сильно отличает человека от животных. Основой для данного логического подхода служит Булевая алгебра. Каждый программист знаком с нею и с её использованием, хотя бы на примере логического оператора IF (если). Свое дальнейшее развитие Булевая алгебра получила в виде исчисления предикатов - в котором она расширена за счёт введения предметных символов, отношений между ними, кванторов существования и всеобщности.

Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом (правила логического вывода как отношения между ними). Каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели.

[5] Функциональное программирование на языке Haskell. Автор: Роман Душкин. ДМК-Пресс, 2016 г. 403 стр.

Мощность такой системы определяется возможностями генератора целей и машины доказательства теорем. Можно утверждать, что выражений алгебры не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит - единица информации (или значение ячейки памяти), которая может принимать значения только логического 0 и 1. Было бы логично предположить, что всё, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не упоминается о том, сколько на это уйдёт времени. Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечёткая логика. Её особенностью является то, что правдивость высказывания может принимать кроме значений да/нет (1/0) ещё и промежуточные значения - «не знаю» (0.5), «скорее да, чем нет» (0.75) и «скорее нет, чем да» (0.25). Такой подход больше похож на мышление человека, поскольку человек не часто отвечает только «да» или «нет». Для большинства логических методов характерна большая трудоёмкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Данный подход требует эффективной реализации вычислительного процесса, и удовлетворительные результаты работы обычно гарантируются только при сравнительно небольшом размере базы данных[5]Под структурным подходом подразумеваются попытки построения ИИ путём моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Ф. Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон. [6]

[5] Функциональное программирование на языке Haskell. Автор: Роман Душкин. ДМК-Пресс, 2016 г. 403 стр.

[6] Робинсон Дж. Логическое программирование – прошлое, настоящее и будущее. – В кн. Логическое программиование. Сб.статей / Пер. с англ. и фр. под ред. В.Н.Агафонова. – М.: Мир, 1988. – С.8-26.

Позднее возникли и другие модели, известные под общим названием «нейронные сети» (НС). Модели эти различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных вариаций НС можно назвать НС с обратным распространением ошибки, сети Хопфилда и стохастические нейронные сети

Нейронные сети наиболее успешно применяются в задачах распознавания образов, в том числе сильно зачумленных (нечётких). Также имеются примеры успешного применения НС для построения собственно систем ИИ.

Для моделей, построенных на основе строения человеческого мозга характерна не слишком большая выразительность, оприделённое распараллеливание алгоритмов и, благодаря последнему, высокая производительность параллельно реализованных НС. Для таких сетей характерно одно свойство, которое делает из очень схожими с человеческим мозгом - нейронные сети работают даже при условии недостаточной информации об окружающей среде, т.е. как и человек, они поставленный вопрос могут отвечать не только «да» и «нет» но и «не знаю точно, но скорее нет», «не знаю точно, но скорее да».Довольно большое распространение получил эволюционный подход. При построении систем ИИ по такому подходу, основное внимание уделяется построению начальной модели и правилам, по которым она (модель) может изменяться (эволюционировать). Модель может быть составлена по самым различным методам, это могут быть и НС и набор логических правил и любая другая модель. После этого мы запускаем ИИ, и он, на основании проверки моделей, отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

Эволюционных моделей, как таковых, не существует, есть только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс. Такими особенностями являются перенесение основного внимания разработчика с построения модели на алгоритм её модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она (система) становится «вещью в себе».

Широко используется для построения систем ИИ также имитационный подход. Данный подход является классическим для кибернетики с одним из её базовых понятий - «чёрным ящиком» (ЧЯ). Чёрный ящик - это устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которого отсутствуют, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Не важно, что у него внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом моделируется другое свойство человека - способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит человеку массу времени, особенно в начале его жизни. К недостаткам имитационного подхода можно отнести низкую информационную способность большинства моделей, построенных с его помощью. [8]

[8] Электронный справочный ресурс http://mirznanii.com

2.2. Основные проблемы встречающиеся при построении систем искусственного интеллекта.

Интересно отметить, что именно поисковые процедуры казались на первом этапе развития работ по интеллектуальным программам той метапроцедурой, с помощью которой можно будет решать все интеллектуальные задачи. Первая программа, которая обобщила эту идею, называлась "Общий решатель задач". В этой программе, созданной А. Ньюэллом, Дж. Шоу и Г. Саймоном, поиск с локальными критериями успеха был основной процедурой. Решение всех задач, по мысли авторов, могло быть сведено к поиску пути в лабиринте альтернативных возможностей. [9]

И хотя эти надежды не оправдались, цикл подобных исследований оказался весьма полезным. Были созданы достаточно эффективные процедуры поиска, используемые специалистами по искусственными интеллекту не только при решении игровых задач, но и во многих других областях (например, при планировании целесообразной деятельности в интеллектуальных системах).Переборные игры составляют, по-видимому, большинство во множестве распространенных среди людей игр. Существенно меньшую часть составляют топологические игры, в которых необходимо учитывать не только дерево игры, задаваемое возможными последовательностями ходов противников, но и структурой самой позиции как целого. Примером такой игры может служить го. В этой игре оценка позиции не может быть сведена, как, например, в шахматах, к описанию множества фигур и их расположения на игровом поле. Для го важно не конкретное расположение камней по тем или иным полям, а те конфигурации, которые они образуют на плоскости игрового поля. Программирование таких игр требует создания в памяти ЭВМ эталонных образов тех или иных областей, занятых камнями противников.

[9] Электронный справочный ресурс https://helpiks.org

А это куда более сложная и до конца пока не решенная задача, нежели организация поиска по дереву альтернативных возможностей. Стохастические игры появляются тогда, когда в процессе игры возникают вероятностные шаги или очередная ситуация формируется при участии некоторого вероятностного механизма. С программированием таких игр (например, карточной игры в очко) связано развитие методов правдоподобного оценивания вариантов, получившего в искусственном интеллекте заметное использование. Во всех таких ситуациях важно уметь пересчитать оценку правдоподобия результирующей ситуации после выбора определенного хода с учетом оценок правдоподобия текущей ситуации и выбора противника. [5]К стохастическим играм примыкают и игры с неполной информацией, когда при принятии решения необходимо как-то оценивать недостающую информацию. Эти приемы постоянно используются при обращении к содержимому памяти в интеллектуальных системах, когда в ней отсутствует нужная информация, что является почти стандартной ситуацией при функционировании таких систем в сложных предметных областях. [6]Комьютерные игры, получившие в последнее время столь широкое распространение, вообще говоря, не относятся традиционно к работам по искусственному интеллекту. Хотя эта ситуация столь же случайна, как и ситуация с распознаванием образов. Конечно, игры с жесткой схемой, в которых "интеллекта" практически нет, не представляют для работ по искусственному интеллекту интереса, но сценарные игры уж точно относятся к рассматриваемой области науки. В них используются сценарии развития игры, движение по которым определяется обоими партнерами.

[5] Функциональное программирование на языке Haskell. Автор: Роман Душкин. ДМК-Пресс, 2016 г. 403 стр.

[6] Робинсон Дж. Логическое программирование – прошлое, настоящее и будущее. – В кн. Логическое программиование. Сб.статей / Пер. с англ. и фр. под ред. В.Н.Агафонова. – М.: Мир, 1988. – С.8-26.

Эти же принципы применяются и в таких типичных для искусственного интеллекта задачах, как организация диалога интеллектуальной системы с пользователем на ограниченном естественном языке, интересны сценарии и для планирования целесообразной деятельности в интеллектуальных работах и других системах искусственного интеллекта.

С самого начала появления ЭВМ стали создаваться программы для машинного перевода и автоматического реферирования текстов. Создание этих программ оказало значительное влияние на развитие искусственного интеллекта, заложило основы тех работ, которые были непосредственно связаны с естественно-языковым общением пользователей с интеллектуальными системами.

В системах машинного перевода были разработаны модели и методы, позволяющие автоматически проводить морфологический, синтаксический и во многом семантический анализ фраз естественного языка, нащупаны приемы анализа связного текста. Все эти результаты активно используются при обработке естественно-языковых текстов в интеллектуальных системах.

В работах по автоматическому реферированию были заложены основы понимания общей структуры текста как целого, от идеи "что говорится" был сделан переход к идее "о чем говорится". Это позволило на более высоком уровне создавать программы генерации текстов. Если первые программы такого вида основывались на жестких моделях порождения или вероятностных механизмах, то более поздние программы генерации текстов стали опираться на идеи сценариев, а также на приемы, наработанные в программах по автоматическому реферированию. Сейчас качество прозаических текстов, создаваемых с помощью ЭВМ, достаточно высоко, если тексты имеют жесткую внутреннюю структуру, определяемую их назначением. Таковы, например, волшебные сказки, в основе которых лежит жесткий сценарий поведения действующих лиц, таковы хроникальные заметки или документы, но созданы и достаточно любопытные программы, порождающие поэтические тексты, в которых наблюдается иная крайность — почти полное отсутствие смысловой структуры при достаточно жесткой структуре формы.

Музыкальные программы, пожалуй, наиболее известны широкой публике, так как первые опыты по созданию таких программ сразу дали весьма обнадеживающие результаты. Этот успех связан опять-таки с наличием, с одной стороны, жестких правил при построении мелодии, а с другой стороны, во многом вероятностными моделями, порождающими остальные элементы музыкального произведения. Менее известны широкой публике программы, ориентированные на музыковедов, в которых имитируются стили исполнения или исследуется "анатомия" музыкальных произведений и процесса их сочинения. Однако весь комплекс музыкальных программ, хотя и не оказал прямого влияния на работы по искусственному интеллекту, стал полезным для формирования общего взгляда на природу творческих процессов и их моделирования. [10]

Узнающие программы зародились в недрах исследований по распознаванию образов. Но, как уже говорилось, многие из них оказали значительное влияние на идеи, характерные для работ по созданию интеллектуальных систем, особенно при создании обучающих систем.

При их разработке были найдены методы оценивания похожести одних объектов на другие, заложены основы рассуждений по аналогии и ассоциации, использования обучающих последовательностей примеров и контрпримеров; все это вошло в фонд методов, которыми пользуется специалист по искусственному интеллекту. [11]

[10] Электронный ресурс http://www.libed.ru.

[11] Марков В.Н. Современное логическое программирование на языке Visual Prolog 7.5 БХВ-Петербург, 2016. — 544 с.: ил. — (Учебная литература для вузов)

Несколько особняком стоят программы, с помощью которых создаются машинные произведения в области графики и живописи. Эти исследования связаны, в основном, с появлением специальных программных и в меньшей мере аппаратных средств для устройств графического вывода. Но косвенно эти программы оказывают влияние на те разделы искусственного интеллекта, которые связаны с использованием зрительных образов при решении задач.

Третье основное направление в создании искусственного интеллекта образует его фундамент. Именно здесь создается теория данного научного направления, решаются основные проблемы, связанные с центральным объектом изучения искусственного интеллекта — знаниями.

Существуют различные подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы существуют и сейчас. Кроме того, поскольку по-настоящему полных систем ИИ в настоящее время нет, то нельзя сказать, что какой-то подход является правильным, а какой-то — ошибочным. [10]

Кратко рассмотрим логический подход. Почему он возник? Ведь человек занимается отнюдь не только логическими измышлениями. Это высказывание, конечно, верно, но именно способность к логическому мышлению очень сильно отличает человека от животных.

Основой для данного логического подхода служит Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов — в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. [12]

[10] Электронный ресурс http://www.libed.ru.

[12] 2009-2018 — ПСИХОЛОГОС — Энциклопедия практической психологии (март 2018г.)

При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода существуют как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

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

Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней, кроме "да/нет" (1/0), еще и промежуточные значения — "не знаю" (0.5), "пациент скорее жив, чем мертв" (0.75), "пациент скорее мертв, чем жив" (0.25). Данный подход больше похож на мышление человека, поскольку мы на вопросы редко отвечаем только "да" или "нет". Хотя, правда, на экзамене будут приниматься только ответы из разряда классической булевой алгебры.

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

Под структурным подходом мы подразумеваем здесь попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был персептрон Френка Розенблатта. Основной моделируемой структурной единицей в персептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в просторечии обычно известны под термином "нейронные сети" (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного использования их для построения собственно систем ИИ — это ТАИР.

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

Довольно большое распространение получил и эволюционный подход. При построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС, и набор логических правил, и любая другая модель. После этого мы включаем компьютер, и он на основании проверки моделей отбирает самые лучшие из них, на основе которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

В принципе, можно сказать, что эволюционных моделей как таковых не существует, существуют только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной деятельности разработчика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она становится как бы вещью в себе.Еще один широко используемый подход к построению систем ИИ — имитационный . Данный подход является классическим для кибернетики с одним из ее базовых понятий — "черным ящиком" (ЧЯ). ЧЯ — устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же.

Таким образом здесь моделируется другое свойство человека — способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни.

Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

С ЧЯ связана одна очень интересная идея. Кто бы хотел жить вечно? Я думаю, что почти все ответят на этот вопрос "я".

Представим себе, что за нами наблюдает какое-то устройство, которое следит за тем, что в каких ситуациях мы делаем, говорим. Наблюдение идет за величинами, которые поступают к нам на вход (зрение, слух, вкус, тактильные, вестибулярные и т. д.), и за величинами, которые выходят от нас (речь, движение и др.). Таким образом человек выступает здесь как типичный ЧЯ.

Далее это устройство пытается отстроить какую-то модель таким образом, чтобы при определенных сигналах на входе она выдавала на выходе те же данные, что и человек. Если данная затея будет когда-нибудь реализована, то для всех посторонних наблюдателей такая модель будет той же личностью, что и реальный человек. А после его смерти она будет высказывать те мысли, которые предположительно высказывал бы и смоделированный человек. [6]

Мы можем пойти дальше и скопировать эту модель и получить брата близнеца с точно такими же "мыслями".

Можно сказать, что "это, конечно, все интересно, но при чем тут я? Ведь эта модель только для других будет являться мной, но внутри ее будет пустота. Копируются только внешние атрибуты, но я после смерти уже не буду думать, мое сознание погаснет (для верующих людей слово "погаснет" необходимо заменить на "покинет этот мир") ". Что ж, это так. Но попробуем пойти дальше. [5]

Согласно философским представлениям автора данного курса, сознание представляет собой сравнительно небольшую надстройку над нашим подсознанием, которая следит за активностью некоторых центров головного мозга, таких, как центр речи или конечной обработки зрительных образов, после чего "возвращает" эти образы на начальные ступени обработки данной информации. Происходит повторная обработка этих образов, мы как бы видим и слышим, что думает наш мозг. Следовательно, появляется возможность мысленного моделирования окружающей действительности при нашем "активном" участии в данном процессе.

[5] Функциональное программирование на языке Haskell. Автор: Роман Душкин. ДМК-Пресс, 2016 г. 403 стр.

[6] Робинсон Дж. Логическое программирование – прошлое, настоящее и будущее. – В кн. Логическое программиование. Сб.статей / Пер. с англ. и фр. под ред. В.Н.Агафонова. – М.: Мир, 1988. – С.8-26.

И именно наш процесс наблюдения за деятельностью этих немногих центров является тем, что мы называем сознанием. Если мы "видим" и "слышим" наши мысли, мы в сознании, если нет, то мы находимся в бессознательном состоянии.

Если бы мы смогли смоделировать работу именно этих немногих "сознательных" нервных центров (работа которых, правда, основана на деятельности всего остального мозга) в качестве одного ЧЯ и работу "супервизора" в качестве другого ЧЯ, то можно было бы с уверенностью говорить, что "да, данная модель думает, причем так же, как и я". Здесь я ничего не хочу говорить о том, как получить данные о работе этих нервных центров, поскольку, на мой взгляд, сегодня нет ничего такого, что позволило бы следить за мозгом человека годами и при этом не мешало бы его работе и жизни. Хотелось бы отметить, что на практике очень четкой границы между ними нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть — по другому. [13]

[13] Электронный ресурс https://sandbox.raccoongang.com

[7]  Братко И. Программирование на языке Пролог для искусственного интеллекта.-М.:Мир,1990.-560с. 

Глава 3. Обеспечение бесперебойного функционирования систем искусственного интеллекта на базе корректно выбранных подходов к его построению.

3.1 Алгоритмы поиска оптимального пути

Существует немало методов нахождения пути между двумя вершинами графа. Одним из самых распространенных является алгоритм Дейкстры. Позднее была придумана модификация данного алгоритма. Им стал алгоритм А* (А стар), алгоритм поиска по первому наилучшему совпадению на графе, который находит маршрут с наименьшей стоимостью от одной вершины (начальной) к другой (целевой, конечной). Порядок обхода вершин определяется эвристической функцией «расстояние + стоимость» (обычно обозначаемой как f(x)). Эта функция — сумма двух других: функции стоимости достижения рассматриваемой вершины (x) из начальной (обычно обозначается как g(x) и может быть как эвристической, так и нет) и эвристической оценкой расстояния от рассматриваемой вершины к конечной (обозначается как h(x)).

В 2011 году был представлен алгоритм Jump Point Search. Этот алгоритм является улучшенным алгоритмом поиска пути A*. JPS ускоряет поиск пути, “перепрыгивая” многие места, которые должны быть просмотрены. В отличие от подобных алгоритмов JPS не требует предварительной обработки и дополнительных затрат памяти.

Рисунок 2 – Схематическая схема работы алгоритма Jump Point Search

Алгоритм работает на неориентированном графе единой стоимости. Каждое поле карты имеет <= 8 соседей, которые могут быть проходимы или же нет. Каждый шаг по направлению (по вертикали или по горизонтали) имеет стоимость 1; шаг по диагонали имеет стоимость корень из 2. Движения через препятствия запрещены. Обозначение относится к одному из восьми направлений движения (вверх, вниз, влево и т.д.).

• Запись y = x + kd означает, что точка y может быть достигнута через k шагов из x в направлении d. Когда d – движение по диагонали, перемещение делится на два перемещения по прямой d1 и d2.
• Путь p = (n0, n1, …, nk) – упорядоченное перемещение по точкам без циклов из точки n0 до точки nk.
• Обозначение p \ x означает, что точка x не встречается на пути p.
• Обозначение len(p) означает длину или стоимость пути p.
• Обозначение dist(x, y) означает длину или стоимость пути между точками x и y.

Jump points

“Прыжковые точки” позволяют ускорить алгоритм поиска пути, рассматривая только “необходимые” точки. Такие точки могут быть описаны двумя простыми правилами выбора соседей при рекурсивном поиске: одно правило для прямолинейного движения и другое – для диагонального. В обоих случаях необходимо доказать, что исключая из набора ближайших соседей вокруг точки, найдётся оптимальный путь из предка текущей точки до каждого из соседей, и этот путь не будет содержать в себе посещенную точку. Рассмотрим случай 1, который отражает основную идею:

Рисунок 3 - Отсеченный сосед

Рисунок 4 – Принужденный сосед

Пример работы алгоритма Jump Point Search

Здесь добавляется точка x для рассмотрения, предком которой является p(x); направление движение от p(x) к x является прямолинейное перемещение вправо. (Левая картинка): Рекурсивно применяем правило отсечки и получаем у в качестве преемника прыжковой точки х. Эта точка интересна тем, что есть сосед z, в который можно попасть по оптимальному пути только через y. Промежуточные точки не генерируются и не рассматриваются. (Правая картинка): Рекурсивно принимаем диагональные правила отсечки. Обратите внимание, что перед каждым следующим диагональным шагом необходимо рекурсивно пройтись по прямым линиям (выделены пунктиром). Только если обе “прямые” рекурсии не могут определить точку следующего прыжка, то перемещаемся дальше по диагонали. Точка w – вынужденный сосед х, создаётся как обычный.

Рисунок 5 – Пример работы алгоритма Jump Point Search

Результаты применения исследуемой архитектуры в простейшем игровом симуляторе

Для исследования возможностей предложенной архитектуры была разработан простейший симулятор игрового мира, в котором на игровом поле размещаются агенты и «пища». Целью каждого агента является сборка максимального количества «пищи». [14]

[14] Ножов И.М. Практическое применение искусственного интеллекта в компьютерных играх / Ножов И.М. – М. : РГГУ, 2008. – 140с.

При этом область карты, видимая агентом, ограничена. Помимо агентов и пищи на карте располагаются препятствия (черные квадраты). Как только вся «пища» на игровой карте собрана, игра заканчивается. Игроку-человеку предоставляется возможность управления одним из агентов. Игра случайным образом располагает агентов и «пищу» на игровом поле, и на каждой игровой итерации опрашивает агентов об их следующем шаге, затем перерисовывает игровое поле. Агент, получая право сделать движение, обновляет свою видимую зону игрового поля, затем вызывает принятие решения подсистемой ИИ. ИИ запрашивает у агента эффективность перехода в каждом из направлений. Значение функции тем выше, чем ближе к агенту «пища» после совершения хода в данном направлении. Причём близость рассматривается с учетом поиска пути до цели (использовался алгоритм Jump Point Search[4]) и возможностей для видимых объектов добраться до «пищи» за меньшее количество ходов. Таким образом, выбрав экстремум из всех значений, определяется следующий ход. Если же агент находится в открытой местности, где в поле видимости нет целей, то принимается случайное направление, но при этом учитываются предыдущие ходы агента, чтобы он не двигался по замкнутой траектории. На рис. 6 представлена экранная форма игры. Красными точками на ней изображены агенты, синими – ресурсы («пища»), поедаемые ими. А серыми рамками обведены области, которые видимы агентам.

Рисунок 6 – Экранная форма игрового процесса

Основной целью агентов на игровом поле является сбор ресурсов. Но если в видимой области игрового поля агент не находит «пищи», то он следует за ближайшим к нему агентом и «поедает» его. При нажатии клавиши пробел происходит генерация точек «пищи» на игровом поле. Одно нажатие генерирует 10 объектов-ресурсов, которые располагаются на игровом поле случайным образом. Игра тестировалась при различных количествах агентов и ресурсов на игровом поле. При этом во всех случаях все агенты имели именно такое поведение, которое было ожидаемо: в первую очередь собирались ресурсы, а если они отсутствовали в области видимости, то агенты «поедали» друг друга. При изменении приоритетов у данных целей, поведение агентов изменялось соответствующе. Во всех случаях спустя небольшой промежуток времени на поле оставался всего один агент, который свободно перемещался по игровому пространству в поиска «пищи».

Универсальный алгоритмический интеллект.

Сама идея данного подхода известна давно, но получил он признание сравнительно недавно в основном через работы [Hutter, 2001], [Schmidhuber, 2003] и другие работы этих авторов. В его рамках основной упор делается на модели универсальной индукции Соломонова, включенные в систему выбора действий в окружающей среде для максимизации некоторой оценивающей функции. Здесь анализ начинается с простой универсальной модели, на которую не накладываются ресурсные ограничения.

Первый шаг подхода аналогичен, так как можно предположить, что свойство универсальности крайне желательно сразу вводить в модель универсального ИИ и поддерживать сохранение этого свойства при развитии модели, которое осуществляется путем ввода ресурсных ограничений. В современных версиях рассматриваемых подходов ресурсные ограничения также вводятся, но с сохранением максимальной непредвзятости универсального ИИ, что позволяет строить общие модели самооптимизации. Такой учет ограничений на ресурсы, однако, не вполне достаточен. Можно сказать, что он требует воспроизводства целиком эволюции, которая также начиналась как универсальный самооптимизирующийся поиск без какой-либо априорной информации.

Очевидно, чтобы становление подобного универсального интеллекта могло быть осуществлено за обозримое время, необходимо в него закладывать как достаточно большой объем априорной информации о структуре внешнего мира, так и эвристики для сокращения перебора вариантов моделей и действий. Эти эвристики как раз можно почерпнуть из феноменологии когнитивных функций естественного интеллекта. С другой стороны, в сильный ИИ нерационально вручную закладывать слишком большой объем специфичных знаний, которые он может почерпнуть самостоятельно. Очевидно, необходимо достижение оптимального компромисса между этими двумя крайностями. Помимо этого, отдельный вопрос для обсуждения заключается в том, а действительно ли представленные модели являются универсальными. Для этого необходимо тщательно сравнить гипотетические возможности этих моделей с возможностями человека. Отчасти такие сравнения проводятся (например, [Hutter, 2005]), хотя их нельзя назвать бесспорными или исчерпывающими. Тем не менее, сомнения в действительной универсальности этих моделей вполне можно выдвинуть, что будет показано при анализе нашей собственной модели универсального алгоритмического интеллекта.

Сейчас можно отметить лишь одно из таких сомнений, которое заключается в том, что интеллект лишь в нулевом приближении можно свести к максимизации априорно заданной целевой функции. Ведь если, скажем, задача интеллекта заключается в обеспечении выживания, то априорно заданная целевая функция (базирующаяся, скажем, на эмоциональных оценках) может быть лишь грубой эвристической аппроксимацией цели выживания. Это означает необходимость существования специальных механизмов, позволяющих каким-то образом уточнять целевую функцию в онтогенезе. Здесь можно привести следующую аналогию с шахматами. Пусть один интеллектуальный агент может сыграть только одну партию. Имея ограниченные вычислительные ресурсы, он не может осуществить полный перебор вариантов, чтобы предсказать победу или поражение. Рождаясь с минимумом априорных знаний о мире, он не может иметь сложную целевую функцию, которая бы позволяла эффективно отсекать неперспективные варианты на дереве игры. Исходная целевая функция может опираться лишь на какие-то непосредственно воспринимаемые стимулы, скажем на суммарную силу фигур (дающую ощущение боли и удовольствия при потере своей фигуры или съедении В процессе взросления (игры) агент может построить более сложные понятия, но самостоятельно (не прожив жизнь целиком) он в принципе не сможет определить, как на основе этих понятий можно улучшить целевую функцию. Эту информацию ему, однако, могут дать другие агенты, но только при условии, что имеется некий хороший механизм модификации целевой функции. Этот аспект имеет отношение и к проблеме дружественного ИИ

Подход на основе обучения целевым функциям. [14] Проблема обучения целевым функциям иногда рассматривается в качестве основополагающей при построении сильного ИИ (или, точнее, дружественного ИИ [Yudkowsky, 2011]). В рамках этого подхода совершенно справедливо замечается, что максимизация априорной целевой функции недостаточна для того, чтобы искусственный интеллект оказался универсальным, особенно, в части эффективного (и желаемого) взаимодействия с социальным окружением, которое является таким же элементом объективной реальности, как и физическое окружение. Проблема наделения ИИ способностью к модификации собственной целевой функции нетривиальна в силу того, что не ясно, как целевая функция может оптимизироваться, если не под управлением другой целевой функции (или каких-то других априорных механизмов). ____________________________________________________________

[14] Ножов И.М. Практическое применение искусственного интеллекта в компьютерных играх / Ножов И.М. – М. : РГГУ, 2008. – 140с.

Важность возможности модификации целевой функции связана не только с тем, что это необходимо для полноценной универсальности агента, но и с тем, что ИИ, стремящийся к максимизации априорной целевой функции, вполне может найти такие действия, оптимальные с точки зрения этой функции, которые окажутся крайне нежелательными для людей [Yudkowsky, 2011]. Хотя важность этих аспектов бесспорна, их рассмотрение вне конкретных моделей универсaльного интеллекта не позволяет наметить путь создания сильного ИИ (а, скорее, задает некоторые ограничения на пути его создания), поэтому данный подход следует считать комплементарным другим подходам. Возможность модификации целевой функции необходимо предусмотреть в архитектуре универсального интеллектуального агента, хотя в целом это можно рассматривать на том же уровне, что и другие когнитивные функции, а именно, как специфическую эвристику повышения эффективности развития «младенческого» ИИ до уровня «взрослого» ИИ;

Заключение.

Создание системы искусственного интеллекта прежде всего требует тщательно организованной работы, а так же обладания всеми необходимыми знаниями для создания действительно рабочей системы удовлетворяющей все запросы пользователя. Главенствующим фактором в решении данного вопроса является выбор необходимого подхода в построении системы исключающей сбои в работе механизма. Имеющиеся в современной практике системы с течением времени имеют свойство изменяться и модернизироваться в следствии совершенствования мира информационных технологий, приобретая совершенно иные вариации и структуры.

Имея тесную связь с кибернетикой это направение стремиться проникнуть во все сферы деятельности человечества вобрав в себя разнообразные данные навыки и системы управления.Содержательная сложность интеллекта, его когнитивная архитектура, – это то, что позволяет действовать нам в имеющемся окружающем мире в условиях ограниченных ресурсов и без чрезмерно длительного обучения. Однако это же и значит, что главная сложность нашего интеллекта связана именно с его оптимизированностью под окружающий мир. Проще говоря структура такого интеллекта совершенно не может быть выведена теоретически в универсальных моделях интеллекта, а скорее должна быть получена эмпирически как-бы самим универсальным интеллектом, либо разработчиками. И конечно же, люди при всем этом желают создать нaстолько универсальный интеллект, нaсколько это возможно.

Говоря точнее, такой интеллект может быть настолько же универсальным, насколько являются упоминавшиеся простейшие модели. Разница между ними будет лишь в смещении предпочтений или предвзятости по направлению к нашему миру.

Естественно, повышение эффективности такого интеллекта для нашего мира произойдет за счет снижения его эффективности(ноне до нуля, в чем и заключается универсальность) в каких-то других возможных мирах, однако, с учетом того, что ему предстоит действовать в первую очередь в нашем мире, это является вполне допустимым. И подводя итог, хотелось бы отметить, важность, значимость и универсальность системы искуственного интелекта в мире, так как данная система существенно упрощая многие элементы делает возможным воплощение в жизнь все новых возможностей компьютерных технологий.

Список литературы

[1] Электронный ресурс посвященный информационным технологиям https://investoriq.ru

[2] Электронный ресурс посвященный информационным технологиям https://cryptus.world/

[3] Электронный ресурс посвященный информационным технологиям http://www.tadviser.ru

[4] Ежемесячный журнал группы компаний «Фридом Финанс», январь 2017г. 5стр.

[5] Электронный справочный ресурс https://studref.com

[7]  Братко И. Программирование на языке Пролог для искусственного интеллекта.-М.:Мир,1990.-560с. 

[6] Электронный справочный ресурс http://lib.kstu.kz

[8] Электронный справочный ресурс http://mirznanii.com

[9] Электронный справочный ресурс https://helpiks.org

[10] Электронный ресурс http://www.libed.ru.

[11] Марков В.Н. Современное логическое программирование на языке Visual Prolog 7.5 БХВ-Петербург, 2016. — 544 с.: ил. — (Учебная литература для вузов)

[12] 2009-2018 — ПСИХОЛОГОС — Энциклопедия практической психологии (март 2018г.)

[13] Электронный ресурс https://sandbox.raccoongang.com

[14] Ножов И.М. Практическое применение искусственного интеллекта в компьютерных играх / Ножов И.М. – М. : РГГУ, 2008. – 140с.