Искусственный интеллект

Модель, в данном случае, рассматривается как отражение, обобщение субъектом предмета познания, т.е. мышления или процессов активного  отражения. При этом, мышление определяется, представляется логикой, по крайней мере, в области осознанного мышления, т.е. сознания. Рассмотрение мышления, как предмета теории искусственного интеллекта, предполагает две стороны. С одной стороны, это определенная логическая система - система знаний или, просто, знания, т.е. логические формы и отношения между ними. С другой стороны, изменения логической системы, что приводит к изменению системы знаний, в том числе и к генерации, порождению новых знаний. Формализация предполагает построение некоторой формально-логической системы, которую в свою очередь, можно определить как формальную систему знаний. Знаковое представление необходимо для материализации, фиксации, определенности полученной системы знаний. 

Современные технологии искусственного интеллекта 

Искусственный интеллект как научное направление  возник и начал активно развиваться  после Второй мировой войны. С тех пор в этой области разрабатываются модели и методы решения задач, традиционно считавшихся интеллектуальными и не поддававшихся формализации (строгому математическому описанию) и автоматизации.

Само направление  определено как "искусственный интеллект" в силу того, что основой всех его методов являются попытки  копирования и моделирования существующих в природе интеллектуальных механизмов, таких как работа центральной нервной системы позвоночных, иммунитет, поведенческие реакции и т.д.

Далее представлен  обзор современных направлений, методологий и подходов, которые  могут быть отнесены к технологиям  искусственного интеллекта.

Нейронные сети и их вариации. Представляют собой  сеть взаимосвязанных элементов, которые  являются математической моделью нейронов мозга. Используются для определения  априорно неизвестных сложных функциональных зависимостей на основании статистических данных.

Байесовы (вероятностные) сети*. Моделируют вероятностные причинно-следственные связи. Позволяют рассчитывать вероятность наступления того или иного события при известной априорной вероятности причин. Позволяют строить модели в режиме реального времени с учетом неполноты данных и возможностью корректировки результата при появлении дополнительной информации. Могут использоваться для совместной обработки данных количественного и качественного характера.

Методы эвристической  самоорганизации. Методы данной группы исследуют функциональные и вероятностные  взаимосвязи "входов" и "выходов" некоторой системы, т.е. позволяют  моделировать сложные нелинейные процессы и системы при отсутствии априорных  знаний о структуре модели. Метод  группового учета аргументов (МГУА), например, позволяет моделировать неизвестные  закономерности функционирования исследуемого процесса или системы по информации, неявно присутствующей в выборке "входных" и "выходных" данных.

Теория игр. Позволяет  формализовать описание процессов  принятия сознательных целенаправленных решений при участии одной  или нескольких сторон в условиях неопределенностей, риска и конфликта, которые возникают при столкновении интересов. Задача теории игр заключается  в предложении рекомендаций рационального образа действий участников процесса принятия решений, т.е. в определении оптимальной стратегии для каждого из них.

Теория хаоса. Предлагает новые методы анализа  данных, позволяющие выявлять скрытые  зависимости там, где раньше систему  считали случайной, и не имеющей  каких-либо закономерностей. Применение аппарата теории хаоса позволяет  качественно изучать нестабильное апериодическое поведение в нелинейных динамических системах, например, в  экономических, экологических, социальных и биологических системах и процессах.

Многозначные  логики. Нечеткая логика. Логика антонимов*. Расширяет возможности "обычной" двоичной логики, оперирующей только понятиями "1-да" и "0-нет". Позволяет  оперировать с нечеткой, неточной, "размытой" информацией. Дает возможность  использования качественных, а не количественных характеристик, что  позволяет манипулировать лингвистическими понятиями и знаниями, выражаемыми  на обычном языке (например, для описания процессов: "плохо"-"средне"-"хорошо", "огромный-большой-маленький-мизерный" и т.д.).

Эволюционные  и клональные алгоритмы. Адаптивные методы поиска, используемые для решения задач функциональной оптимизации. Основаны на эволюционных процессах биологических организмов: популяции развиваются, подчиняясь законам естественного отбора и принципу "выживает сильнейший". Моделируя этот процесс, эволюционные алгоритмы, в частности генетические, способны "развивать" решения реальных задач, если они соответствующим образом закодированы. Такой подход является динамическим и позволяет довольно быстро находить оптимальные, с определенной точки зрения, решения.

Методы экспертных оценок*. Применяются при отсутствии возможности или трудо-ресурсной нецелесообразности получения данных в количественном выражении. При моделировании многих процессов и систем, например, экономических, социальных и биологических, понятие точных числовых оценок теряет всякий смысл. В таких случаях обращаются к использованию знаний и опыта экспертов - методам экспертных оценок, которые включают в себя методы получения, формализации и интеграции экспертных знаний.

Иммунные сети*. Основаны на принципах функционирования иммунной системы позвоночных, которая, выступает "вторым" интеллектом - как и нервная система, обладает такими свойствами как память, способность  обучаться, умение распознавать и принимать  решения о том, как вести себя в новых ситуациях. Методы, основанные на концепции искусственных иммунных сетей, используются в задачах распознавания  образов, информационной безопасности, прогнозировании временных рядов  и многих других.

Роевой интеллект*. Данный подход основан на коллективном интеллекте социальных насекомых, таких  как муравьи и пчелы, каждая особь  которых обладает очень малыми возможностями. Но, собираясь в многотысячную  и многомиллионную колонию, они  становятся роем, представляющим собой  мощную интеллектуальную распределенную систему. Многие современные задачи управления, моделирования и прогнозирования  могут быть эффективно решены с помощью  автономных эмерджентных систем, построенных  по такому принципу. Наиболее активными  сферами применения являются социальное и электоральное моделирование, экономическое прогнозирование, маркетинговые  исследования и исследования по корпоративному климату. 

Заключение 

Искусственный интеллект тесно связан с теоретической  информатикой, откуда он заимствовал  многие модели и методы, например, использование  логических средств для преобразования знаний. Столь же прочны связи этого направления с кибернетикой. Математическая и прикладная лингвистика, нейрокибернетика и гомеостатика теснейшим образом связаны с развитием искусственного интеллекта. И конечно, работы в этой области немыслимы без развития систем программирования.

Основная цель работ в области искусственного интеллекта - стремление проникнуть в  тайны творческой деятельности людей, их способности к овладению знаниями, навыками и умениями. Для этого  необходимо раскрыть те глубинные механизмы, с помощью которых человек  способен научиться практически  любому виду деятельности. И если суть этих механизмов будет разгадана, то есть надежда реализовать их подобие  в искусственных системах, т.е. сделать  их по-настоящему интеллектуальными. Такая  цель исследований в области искусственного интеллекта тесно связывает их с  достижениями психологии - науки, одной  из задач которой является изучение интеллекта человека. В психологии сейчас активно развивается особое направление - когнитивная психология, исследования в котором направлены на раскрытие закономерностей и механизмов, связанных с процессами познавательной деятельности человека и которые интересуют специалистов в области искусственного интеллекта.

Другое направление  психологии - психолингвистика также  интересует специалистов в области  искусственного интеллекта. Её результаты касаются моделирования общения  не только с помощью естественного  языка, но и с использованием иных средств: жестов, мимики, интонации  и т.п.

Кроме теоретических  исследований активно развиваются  и прикладные аспекты искусственного интеллекта. Например, робототехника  занимается созданием технических  систем, которые способны действовать  в реальной среде и частично или  полностью заменить человека в некоторых  сферах его интеллектуальной и производственной деятельности. Такие системы получили название роботов.

Экспертная система - еще одно прикладное направление  искусственного интеллекта. В отличие от других интеллектуальных систем, экспертная система имеет три главные особенности: 1 - она адаптирована для любого пользователя, 2 - она позволяет получать не только новые знания, но и профессиональные умения и навыки, связанные с данными знаниями, т.е. не только даёт знать что..., но и знать как..., 3 - она передаёт не только знания, но и пояснения и разъяснения, т.е. обладает обучающей функцией. 

Список  используемых источников 

Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы М.: Финансы и статистика, 2003. (учебник для студентов, обучающихся по информационным специальностям).

Сафонов В.О. Экспертные системы – интеллектуальные помощники  специалистов; О-во "Знание", Санкт-Петербург- СПб, 1992.31с.

Гаврилова Т.А. Базы знаний интеллектуальных систем:Учебное пособие для стд. Вузов – СПб.: Питер, 2000 – 328 с.

Гаврилов М. В. Информатика и информационные технологии : Учебник для студентов вузов / М. В. Гаврилов. – М. : Гардарики, 2006. – 655 с. : ил.