Основные понятия систем искусственного иттеллекта
Когда инженер по знаниям получает знания из различных источников, он должен интегрировать их в некоторую взаимосвязанную и непротиворечивую систему знаний о предметной области. Знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно. Значительная часть профессионального опыта остается вне этих источников, в головах профессионалов, не могущих словесно их выразить. Такие знания часто называют профессиональным умением или интуицией. Для того, чтобы приобрести такие знания, нужны специальные приемы и методы. Они используются в инструментальных системах по приобретению знаний, создание которых – одна из современных задач инженерии знаний.
Следующая большая проблема, изучаемая в искусственном интеллекте, – это представление знаний в памяти системы. Для этого разрабатываются разнообразные модели представления знаний. В настоящее время в интеллектуальных системах используются четыре основные модели знаний. Первая модель, возможно, наиболее близка к тому, как представляются знания в текстах на естественном языке. В ее основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек вида: (a R b), где a и b два объекта или понятия, а R – двоичное отношение между ними. Такая модель графически может представляться в виде сети, в которой вершинам соответствуют объекты или понятия, а дугам – отношения между ними. Дуги помечены именами соответствующих отношений. Такая модель носит название семантической сети.
3. Интеллектуальное программирование. Трудоемкость разработки интеллектуальных приложений зависит от использованного языка, инструментальных систем, парадигмы программирования, средств разработки ИИС и приобретения знаний, систем когнитивной графики, рис.3.5.
Рис. 3.5. Инструментальные средства интеллектуальных систем.
Особняком стоят языки для представления знаний. Это языки, ориентированные на фреймы KL-1, KRL, FRL или язык ПИЛОТ, ориентированный на модель знаний в виде продукций
Системы когнитивной графики одно из направлений в интеллектуальном программировании. Одна из центральных идей искусственного интеллекта – это идея о том, что суть самого феномена интеллекта состоит в совместной работе двух систем переработки информации: зрительной, создающей образную картину мира, и символической, способной к абстрактному мышлению, к оперированию с понятиями, интегрирующими образы внешнего мира.
Возможность перехода от зрительной картины к ее текстовому (символическому) описанию и от текста к некоторой зрительной картине, составляет, по-видимому, основу того, что называется мышлением. Мы пока еще точно не знаем о том, как хранятся зрительные образы в памяти человека, как они обрабатываются, как они соотносятся с текстами, им соответствующими. Когнитивная графика и занимается приемами соотнесения текстов и зрительных картин через общее представление знаний, интегрирующих текстовые и зрительные образы. Примерами являются программы оживления картин, но не на основе жестких процедур, а в соответствии с некоторыми текстами на ограниченном естественном языке.
Если интерактивная компьютерная графика (ИКГ) реализует две связанные между собой функции: иллюстративную и когнитивную, то одновременный вывод ИКГ-изображений в разные окна дисплея создает у пользователя синтетический полиоконный ИКГ-образ. Иллюстративная функция обеспечивает визуальную адекватность графического образа оригиналу, т. е. визуальную «узнаваемость» оригинала. Когнитивная функция позволяет (при определенных условиях) изображать в наглядной графической форме внутреннее содержание оригинала. Функциональное содержание ИКГ представлено на рис. 3.6.
Рис. 3.6. Функциональное содержание ИКГ.
Эвристические программы повышают "интеллектуальный уровень" машины. Однако программы создания системы "общего интеллекта", т. е. универсальной эвристической программы, не существует. Трудности и неудачи в решении данного вопроса в значительной степени связаны со следующим.
1.Не учитываются в полном объеме реальные гносеологические характеристики человеческого интеллекта, приоритет отдается только выбору. Методы гносеологии включают в себя анализ, сравнение, эксперимент, наблюдение и другие инструменты, которые помогают нам получить достоверные знания.
2.Символы в эвристических программах не имеют интерпретации, отсутствует и содержательно обусловленный выбор. Поэтому в памяти ЭВМ не представлены ни сложная внутренняя структура образа, ни сеть его отношений с другими образами.
3.Вновь поступающая информация не влияет на базу данных, вследствие чего она не используется в решении задачи.
4.Семантика, вложенная в машину, не многоярусная: формальные аналоги категорий не имеют аналогов чувственных образов;
5.Данные, вносимые сегодня в ЭВМ, не имеют базы "целей". В результате этого в совокупные ее функции не включены элементы целеполагания собственно информационных и деятельностных аспектов функционирования интеллектуальных систем.
ГЛАВА 4
. ТИПЫ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Технологии искусственного интеллекта можно условно разделить на две большие категории: ИИ на основе возможностей и ИИ на основе функциональности. Каждая из этих разновидностей, в свою очередь, делится на более специализированные подкатегории, рис. 4.1.
Рис. 4.1. Типы искусственного интеллекта
1. ИИ на основе возможностей.
а). Узкий ИИ. Узкий или слабый искусственный интеллект (Narrow AI, NAI или Artificial Narrow Intelligence, ANI) – это узко специализированный ИИ, обученный выполнять конкретную задачу. Слабый ИИ работает в рамках ограниченного и заранее определенного набора параметров, ограничений и контекстов. Примерами использования NAI могут служить пользовательские рекомендации по видео/аудио контенту в популярных онлайн-кинотеатрах или соцсетях, предложения о покупке на сайтах электронной коммерции, автономные автомобили, а также системы распознавания речи и изображений и промышленные роботы и виртуальные персональные помощники, такие как Siri от Apple.
б). Общий ИИ. Общий или сильный искусственный интеллект (General AI, GAI или Artificial General Intelligence, AGI) – версия ИИ, которая выполняет любую интеллектуальную задачу с человеческой эффективностью. Целью общего ИИ является разработка системы, способной думать самостоятельно, как это делают люди. В настоящее время общий ИИ все еще находится в стадии исследования, и предпринимаются усилия по разработке машин с расширенными когнитивными способностями. Общий искусственный интеллект, описывает программирование, которое может воспроизвести когнитивные способности человеческого мозга. При столкновении с незнакомой задачей сильная система ИИ может использовать нечеткую логику для применения знаний из одной области к другой и автономного поиска решения задачи.
в) Супер-ИИ. Искусственный суперинтеллект (Super AI, SAI) – это версия ИИ, которая превосходит людской интеллект и может выполнять любую задачу лучше, чем человек. Возможности машины с супер-ИИ включают следующие виды самостоятельной деятельности: мышление, аргументация, решение головоломок, вынесение суждений, обучение, общение. Сегодня это гипотетическая концепция, но она представляет собой будущее ИИ.
2. ИИ на основе функциональности.
а). Реактивные машины. Реактивные машины – базовая разновидность ИИ, представители которой не хранят прошлый опыт или воспоминания для будущих действий. Такие системы фокусируются на текущих сценариях и реагируют на них, основываясь на наилучших возможных действиях. Популярные примеры реактивных машин включают шахматный суперкомпьютер Deep Blue от IBM и программа для игры в Го AlphaGo от Google. Эти системы ИИ не имеют памяти и зависят от конкретной задачи, но поскольку у него нет памяти, он не может использовать прошлый опыт для обоснования будущих решений. Хорошо подходит для простых задач классификации и распознавания образов. Отлично подходит для сценариев, в которых известны все параметры: может превзойти людей, потому что он может выполнять вычисления намного быстрее. Не способен работать со сценариями, включающими несовершенную информацию или требующими исторического понимания.
б). Машины с ограниченной памятью. Машины с ограниченной памятью могут хранить и использовать прошлый опыт или данные в течение короткого периода времени. У этих систем ИИ есть память, поэтому они могут использовать прошлый опыт для обоснования будущих решений. Например, беспилотный автомобиль может хранить информацию о скорости транспортных средств поблизости, их соответствующих расстояниях, ограничениях скорости и другую важную информацию для навигации в пробках.
в). ИИ с теорией разума. Теория разума или теория сознания относится к типу ИИ, который может понимать человеческие эмоции и убеждения и способен к социальному взаимодействию по человеческому подобию. Этот вид искусственного интеллекта еще не разработан и существует только в концепции. Теория сознания – это психологический термин. Применительно к ИИ это означает, что система должна обладать социальным интеллектом, чтобы понимать эмоции. Этот тип ИИ сможет делать выводы о человеческих намерениях и предсказывать поведение, что является необходимым навыком для систем ИИ, чтобы стать неотъемлемыми членами команд, состоящих из людей. Способен понимать человеческие мотивы и рассуждения. Может предоставить личный опыт каждому на основе его мотивов и потребностей. Способен учиться на меньшем количестве примеров, потому что понимает мотивы и намерения. Считается следующей вехой в эволюции ИИ
г). Самосознающий ИИ. Концепция искусственного интеллекта с самосознанием относится к сверхразумным машинами с их сознанием, чувствами, эмоциями и убеждениями. Ожидается, что такие системы будут умнее человеческого разума и могут превзойти нас в поставленных задачах.
Разновидности интеллектуальных систем. В зависимости от набора компонентов, реализующих определенные функции, можно выделить следующие основные разновидности интеллектуальных систем:
-интеллектуальные информационно-поисковые системы;
–экспертные системы (ЭС);
-расчетно-логические системы;
–гибридные экспертные системы.
Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фактографическими) базами данных на естественном, точнее, ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них характерно использование (помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области) лингвистического процессора.
Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали создаваться в математически слабо формализованных областях науки и техники, таких как медицина, геология, биология и другие. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.
Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае по описанию проблемы на языке предметной области обеспечивается автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функционально семантической сети и компонентов дедуктивного вывода и планирования.
Гибридные экспертные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и информационно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.
Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы.
Преимущества и недостатки искусственного интеллекта представлены на рис. 4.2.
Преимущества искусственного интеллекта.
а). Эффективное решение сложных задач. Исследования ИИ сосредоточены на разработке алгоритмов решения сложных задач, способных делать логические выводы и имитировать человеческие рассуждения. Такие виды искусственного интеллекта, как системы прогнозирования фондового рынка, предлагают методы решения неопределенных ситуаций или головоломок с неполной информацией, основывающиеся на практическом использовании теории вероятности.
Рис.4.2. Преимущества и недостатки искусственного интеллекта
б). Облегчение планирования. С помощью ИИ человек может делать прогнозы и выяснять отдаленные последствия своих действий в будущем, чтобы принимать верные решения в настоящем. Планирование на основе искусственного интеллекта позволяет более эффективно достигать целей и оптимизирует общую производительность с помощью инструментов предиктивной аналитики, анализа данных, прогнозирования и моделей оптимизации. Это особенно актуально для робототехники, автономных систем, когнитивных помощников и кибербезопасности.
в). Развитие творчества. ИИ может обрабатывать огромные объемы данных, рассматривать варианты и альтернативы, чтобы находить новые направления творческой мысли или возможности для общественного прогресса. Например, система искусственного интеллекта может предоставить несколько вариантов дизайна интерьера для трехмерной планировки квартиры или предложить несколько неожиданных решений в оформлении фирменного стиля компании.
г). Возможность непрерывного обучения. Машинное обучение подразумевает способность компьютерных алгоритмов улучшать знания ИИ посредством наблюдений и прошлого опыта. Искусственный интеллект в основном использует две модели обучения – контролируемую и неконтролируемую, основное различие между которыми заключается в использовании различных наборов данных. Поскольку системы ИИ обучаются независимо, они требуют минимального вмешательства человека или вообще могут обходиться бег него. Например, технология ML предполагает непрерывный автоматизированный процесс обучения.
д). Создание системы представления знаний. Исследования ИИ вращаются вокруг идеи представления знаний и инженерии знаний. Это относится к представлению «того, что известно» машинам с онтологией для создания набора объектов, отношений и понятий. Представление знаний раскрывает информацию, которую компьютер использует для решения сложных практических проблем, таких как диагностика медицинских заболеваний или взаимодействие с людьми на естественном языке. Исследователи могут использовать представленную информацию для расширения базы знаний ИИ, а также для тонкой настройки и оптимизации своих моделей ИИ.
е). Поощрение социального интеллекта. Аффективные вычисления, также называемые «эмоциональным ИИ» (EAI), – это ветвь ИИ, которая распознает, интерпретирует и моделирует человеческий опыт, чувства и эмоции. С их помощью компьютеры могут считывать выражения лица, язык тела и тон голоса, чтобы позволить системам ИИ взаимодействовать и общаться на человеческом уровне. Исследовательские усилия в направлении «эмоционального ИИ» в перспективе приведут к появлению у машин социального интеллекта.
Недостатки искусственного интеллекта.
а). Предвзятость алгоритмов. Системы ИИ работают с обученными данными, а значит их качество напрямую зависит от качества использованных данных, что неизбежно вызывает предвзятость. Этот недостаток может возникать из-за расовых, гендерных, социальных или культурных предубеждений, которые были свойственны людям, а позже перенеслись на алгоритмы, обученные на созданном человеком контенте. Предвзятость искусственного интеллекта может повлиять на такие жизненно важные решения, как выбор подходящих кандидатов во время собеседования или определение права на получение кредита.
б). Проблема «черного ящика». Алгоритмы искусственного интеллекта похожи на «черные ящики» – методы их работы надежно скрыты от пользователей и специалистов. Мы можем увидеть, какой прогноз дала система, но не знаем, как она пришла к этому выводу, что снижает уровень доверия.
в). Расход вычислительных ресурсов. При работе ИИ требуется высокая вычислительная мощность. Чем больше алгоритмов ИИ участвуют в рабочем процессе, тем больше им требуется дополнительных ядер и графических процессоров. Ограничения, задаваемые «железом» – один из главных факторов, препятствующих повсеместному проникновению систем искусственного интеллекта во все области хозяйства.
г). Сложная интеграция. Интегрировать ИИ в существующую корпоративную инфраструктуру сложнее, чем добавить плагины на веб-сайты или изменить таблицы Excel. Важно убедиться, что текущее ПО и оборудование совместимы с требованиями системы искусственного интеллекта, а значит интеграция не понизит текущую производительность. Кроме того, необходимо внедрить интерфейс ИИ, чтобы упростить управление его инфраструктурой.
д). Юридические вопросы. Такие тонкие вопросы как массовая обработка конфиденциальных данных или ответственность за действия машин под управлением ИИ, могут стать причиной противоречий с действующими нормами законов. Хотя само понятие «искусственный интеллект» введено в российское правовое поле президентским указом № 490 и последующим федеральным законом № 123-ФЗ, детальное регулирование использования ИИ – задача ближайшего будущего.
ГЛАВА 5. ФУНКЦИОНАЛЬНАЯ СТРУКТУРА СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
ИИ можно рассматривать как набор технологий и методов, которые позволяют машинам имитировать человеческие когнитивные функции. Это включает в себя способность к обучению, адаптации, распознаванию паттернов и принятию решений. Одним из ключевых аспектов ИИ является его способность анализировать большие объемы данных и извлекать из них полезную информацию. Это делает ИИ особенно полезным в эпоху больших данных, когда объемы информации растут экспоненциально.
На рис. 5.1 представлены основные компоненты ИИ и дисциплины, являющиеся основой ИИ, из которых предварительно формируется функциональная структура системы искусственного интеллекта.
Рис.5.1. Основные компоненты ИИ и дисциплины, являющиеся основой ИИ
Функциональная система искусственного интеллекта состоит из трех основных комплексов, рис.5.2.
Первый комплекс представляет собой исполнительную систему, которая объединяет всю совокупность средств, обеспечивающих выполнение программ являющейся совокупностью средств, которые выполняют для эффективного решения задач. К ним относятся программы, осуществляющие любые вычисления, программы поиска информации в базах знаний, программы логического вывода, а также вся совокупность аппаратных средств, обеспечивающих работу этих программ.
Вторым комплексом является база знаний (решатель), которая занимает центральное положение по отношению к остальным компонентам вычислительной системы в целом, через БЗ осуществляется интеграция средств вычислительной системы (ВС), участвующих в решении задач.
Рис.5.2. Функциональная структура СИИ
База данных (БД) является информационной моделью определенной предметной области внешнего мира, содержит все необходимые факты, явления, процессы и характеристики объектов в динамике их существования, а также алгоритмы управления этими данными для решения прикладных задач. База данных строится на основе модели данных, которая описывает с помощью специальных языков структуру данных, их признаки (атрибуты) и информационные связи. По типу структуры различают иерархические, сетевые и реляционные (табличные) БД. Наиболее простой и естественной формой описания данных является реляционная модель, позволяющая использовать алгебраические операции над данными (атрибутами и их отношениями) как некоторыми множествами. Отсюда возникло понятие реляционной алгебры. Реляционная алгебра оперирует не только с однозначными множествами и переменными, но и с нечеткими (размытыми) множествами и отношениями. В базу данных может входить база целей, которую формирует Человек.
База знаний (БЗ) включает в себя:
–сведения о структуре и содержании базы данных;
–информационные и математические модели, описывающие отношения и закономерности взаимодействия объектов предметной области как в текущий момент времени, так и в динамике изменения, прогнозирование потенциально возможных состояний и методы их количественной оценки;
–информационные и математические модели адаптации имеющихся знаний в случае изменений, возникающих в базе данных.
База знаний выступает по отношению к другим средствам ВС как система, содержащая декларативные знания (и ассоциированные с ними процедуры), которые имеют единые принципы представления, общий язык описания, общую схему манипулирования этими знаниями, ориентированную на осуществление инвариантных относительно различных применений операций со знаниями всех уровней. Знания, содержащиеся в БЗ, независимы от обрабатывающих программ и образуют целостную систему.
Третий комплекс- совокупность средств интеллектуального интерфейса (интеллектуальный интерфейс), имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре интересов конечных пользователей. Интеллектуальный интерфейс (ИИ) – система программных и аппаратных средств, обеспечивающих для конечного пользователя использование компьютера для решения задач, которые возникают в среде его профессиональной деятельности либо без посредников, либо с незначительной их помощью. ИИ включает в себя все средства уровня конечного пользователя, обеспечивающие взаимодействие между конечным пользователем и ВС в процессе решения задачи.
По выполняемым функциям средства общения можно разделить на две группы: средства трансляции и средства обеспечения взаимопонимания.
Средства трансляции осуществляют трансляцию с языка пользователя на язык представления знаний в БЗ и обратный перевод.
Средства обеспечения взаимопонимания должны поддерживать одинаковое понимание сообщения передающий и принимающей системой, т.е. приписывание принимающей системой сообщению того значения, которое и предполагалось передающей системой.
Функциональный взгляд на систему искусственного интеллекта, который включает приобретение, обработку и применение знаний, показан на рис. 5.3.
Рис.5.3. Приобретение, обработка и применение знаний
Функциональная структура дает общее представление о том, как системы искусственного интеллекта функционируют в замкнутом контуре управления. ИИ-системы учатся на знаниях, используют обучение для решения следующих функциональных задач:
–обработка текущих измерений;
–приобретение новых знаний;
–поддержка жизненного цикла системы;
–идентификация состояния объекта управления и внешней среды (включая обработку изображений);
–поддержка принятия решений, включая прогнозы;
–выполнение действий, основанных на принятых решениях;
–оценка вероятности достижения поставленных целей и рисков.
Представленная функциональная структура системы искусственного интеллекта позволяет осуществлять обработку данных в трех уровнях, рис. 5.4.
Рис.5.4. Уровни обработки данных в системе искусственного интеллекта
Первый уровень – сбор данных, второй уровень – обработка данных, третий уровень – на основе предыдущих уровней ИИ создаются новые ценности в виде интеллектуальных сервисов и товаров.
ГЛАВА 6. НЕЙРОННЫЕ СЕТИ
Искусственная нейронная сеть (ИНС) представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие простые по отдельности процессоры вместе способны выполнять довольно сложные задачи.
