Історія та напрямки розвитку систем ШтІ

Найпершими інтелектуальними задачами, які стали розв'язуватися за допомогою ЕОМ були логічні ігри (шашки, шахи), доказ теорем. Хоча, правда тут треба відзначити ще кібернетичні іграшки типу "электронной мыши" Клода Шеннона, яка управлялася складною релейною схемою. Ця мишка могла "исследовать" лабіринт, і знаходити вихід з нього. А крім того, поміщена у вже відомий їй лабіринт, вона не шукала вихід, а зразу ж, не заглядаючи в тупикові ходи, виходила з лабіринту.

Американський кібернетик А. Самуель склав для обчислювальної машини програму, яка дозволяє їй грати в шашки, причому в ході гри машина навчається або, принаймні, створює враження, що навчається, покращуючи свою гру на основі накопиченого досвіду. У 1962 г. ця програма билася з Р. Нілі, сильним шашкістом в США і перемогла.

Яскравим прикладом складної інтелектуальної гри до недавнього часу були шахи. У 1974 г. відбувся міжнародний шаховий турнір машин, забезпечених відповідними програмами. Як відомо, перемогу на цьому турнірі отримала радянська машина з шаховою програмою "Каисса".

Чому тут спожито "до недавнього времени"? Річ у тому, що недавні події показали, що не дивлячись на досить велику складність шахів, і неможливість, у зв'язку з цим виробити повний перебір ходів, можливість перебору їх на більшу глибину, ніж звично, дуже збільшує шанси на перемогу. Наприклад, по повідомленнях у пресі, комп'ютер фірми IBM, що переміг Каспарова, мав 256 процесорів, кожний з яких мав 4 Гб дисковій пам'яті і 128 Мб оперативної. Весь цей комплекс міг прораховувати більше 100'000'000 ходів в секунду. До недавнього часу рідкістю був комп'ютер, що може робити таку кількість цілочисельних операцій в секунду, а тут ми говоримо про ходи, які повинні згенерувати і для яких прораховані оцінні функції. Хоча з другого боку, цей приклад говорить про могутність і універсальність переборних алгоритмів.

У 1957 г. американський фізіолог Ф. Розенблатт запропонував модель зорового сприйняття

Проблема навчання розпізнаванню тісно пов'язана з іншою інтелектуальною задачею — проблемою перекладу з однієї мови на іншій, а також навчання машини мові. При достатньо формальній обробці і класифікації основних граматичних правил і прийомів користування словником можна створити цілком задовільний алгоритм для перекладу, скажемо наукового або ділового тексту. Для деяких мов такі системи були створені ще в кінці 60-г. Проте для того, щоб зв'язно перевести достатньо великий розмовний текст, необхідно розуміти його значення. Роботи над такими програмами ведуться вже давно, але до повного успіху ще далеко. Є також програми, що забезпечують діалог між людиною і машиною на урізаній природній мові.

Що ж до моделювання логічного мислення, то хорошою модельною задачею тут може служити задача автоматизації доказу теорем. Починаючи з 1960 г., був розроблений ряд програм, здатних знаходити докази теорем в численні предикатів першого порядку. Ці програми володіють, за словами американського фахівця у області ІІ Дж. Маккатті, "здравым смыслом", тобто здатністю робити дедуктивні висновки.

Дуже великим напрямом систем ШтІ є роботехніка.

Перших роботів важко назвати інтелектуальними. Тільки в 60-х роках з'явилися роботи з «органами почуттів», які управлялися універсальними комп'ютерами. Наприклад в 1969 г. у Електротехнічній лабораторії (Японія) почалася розробка проекту "промисловий інтелектуальний робот". Мета цієї розробки — створення маніпуляційного з «органами почуттів» робота з елементами штучного інтелекту для виконання складально-монтажних робіт з візуальним контролем.

Поступово характеристики роботів монотонно поліпшувалися, Але дотепер вони ще далекі по тямущості від людини, хоча деякі операції вже виконують на рівні кращих жонглерів. Наприклад утримують на лезі ножа кульку від настільного про тенісу.

3. Підходи до побудови систем ШтІ

Існують різні підходи до побудови систем ІІ. Це розділення не є історичним, коли одна думка поступово змінюватиме інше, і різні підходи існують і зараз. Крім того, оскільки по-справжньому повних систем ІІ в даний час немає, то не можна сказати, що якийсь підхід є правильним, а якийсь помилковим.

Спершу стисло розглянемо логічний підхід. Чому він виник? Адже людина займається зовсім не тільки логічними вигадками. Цей вислів звичайно вірний, але саме здібність до логічного мислення дуже сильно відрізняє людину від тварин.

Для більшості логічних методів характерна велика трудомісткість, оскільки під час пошуку доказу можливий повний перебір варіантів. Тому даний підхід вимагає ефективної реалізації обчислювального процесу, і хороша ра бота звичайно гарантується при порівняно невеликому розмірі бази даних.

Під структурним підходом ми маємо на увазі тут спроби побудови ШтІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Основною модельованою структурною одиницею в перцептронах (як і в більшості інших варіантів моделювання мозку) є нейрон.

Пізніше виникли і інші моделі, які в простолюдді звичайно відомі під терміном "нейронные сети" (НС). Ці моделі розрізняються по будові окремих нейронів, по топології зв'язків між ними і по алгоритмах навчання. Серед найвідоміших зараз варіантів НС можна назвати НС із зворотним розповсюдженням помилки, мережі Хопфілда, стохастичні нейронні мережі.

Досить велике поширення набув і еволюційний підхід. При побудові систем ІІ по даному підходу основна увага надається побудові початкової моделі, і правилам, по яких вона може змінюватися (еволюціонувати). Причому модель може бути складена по самих різних методах, це може бути і НС і набір логічних правил і будь-яка інша модель. Після цього ми включаємо комп'ютер і він, на підставі перевірки моделей відбирає найкращі з них, на підставі яких за самими різними правилами генеруються нові моделі, з яких знову вибираються найкращі і т.д.

У принципі можна сказати, що еволюційних моделей як таких не існує, існує тільки еволюційні алгоритми навчання, але моделі, одержані при еволюційному підході мають деякі характерні особливості, що дозволяє виде лити їх в окремий клас.

Такими особливостями є перенесення основної роботи розробника з побудови моделі на алгоритм її модифікації і те, що одержані моделі практично не супроводять витяганню нових знань про середовище, що оточує систему ІІ, то їсть ь вона стає як би річчю в собі.

Ще один широко використовуваний підхід до побудови систем ІІ — імітаційний. Даний підхід є класичним для кібернетики з одним з її базових понять — "черным ящиком" (ЧЯ). ЧЯ — пристрій, програмний модуль або набір даних, інформація про внутрішню структуру і зміст яких відсутні повністю, але відомі специфікації вхідних і вихідних даних. Об'єкт, поведінка якого імітується, якраз і є таким "черный ящик". Нам не важливо, що у нього і у моделі всередині і як він функціонує, головне, щоб наша модель в аналогічних ситуаціях поводилася так само.

Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, не вдаючись в подробиці, навіщо це потрібно. Часто ця здатність економить йому масу часу, особливо на початку його життя.

Основним недоліком імітаційного підходу також є низька інформаційна здатність більшості моделей, побудованих з його допомогою.

4. Експертні системи

У контексті розвитку комерційної обробки інформації зазвичай|звично| розглядають|розглядують| три поняття:

• інформаційні системи;

• системи підтримки ухвалення|прийняття| рішень;

• системи з|із| базою знань.

Традиційні інформаційні системи незалежно від доступних засобів|коштів| або вживаних технологій забезпечують користувача «сирою» інформацією без яких-небудь додаткових пояснень. Вони просто обробляють і поширюють|розповсюджують| дані, що зберігаються в базі даних.

Системи підтримки ухвалення рішень складаються не тільки з бази даних, але також з бази, що містить техніку, методи, прогнози і статистику, що робить можливою комплексну обробку доступної інформації. Вони дають можливість «індивідуалізованого» виведення інформації, відповідного потребам користувача.

Дата добавления: 2014-01-04