8 Общее понятие о системе искусственного интеллекта. Основные сферы использования систем искусственного интеллекта

Искусственный интеллект (ИИ) - это наука о концепциях, позволяющих ВМ делать такие вещи, которые у людей выглядят разумными. Центральные задачи ИИ состоят в том, что бы сделать ВМ более полезными и чтобы понять принципы, лежащие в основе интеллекта. Ученым и инженерам, специализирующимся в вычислительной технике, необходимо знать, каким образом ИИ может помочь им в разрешение трудных проблем.

Помимо информационно-вычислительных задач, решение которых осуществляется по заданному алгоритму, в последнее десятилетие компьютерные технологии все активнее пытаются применить для реализации интеллектуальных процессов, то есть, процессов поиска решения, при которых конечный результат непредсказуем и является плодом логических самостоятельных заключений и выводов компьютера.

В основу мыслительной деятельности компьютера положен программный принцип реализации. Однако принципы моделирования интеллектуальных процессов - процессов приобретения, накопления, и использования знаний имеют свои ярко выраженные особенности, которые позволяют выделить их в отдельный класс компьютерных систем и технологий, относящихся к системам искусственного интеллекта.

Под системами, обладающими искусственным интеллектом (ИИ), понимают устройства или программы, имеющие такие характеристики, присущие человеческому интеллектуальному поведению, как понимание и использование языка, причинная обусловленность поведения, способность гибко реагировать на ситуацию, использовать преимущество благоприятных ситуаций, проводить разграничения между сходными ситуациями, выводить новые идеи, заключения и др. Разграничение интеллектуального и неинтеллектуального поведения весьма условно. Программные системы, основанные на естественно - научных теориях о природных процессах и математических методах, не относят к интеллектуальным.

Программные системы, реализующие алгоритмы, для которых не существует формальной модели решения, называют эвристическими и относят к классу интеллектуальных систем (или систем искусственного интеллекта). Принципиальное отличие интеллектуальных систем от традиционных компьютерных программ состоит в следующем. К творческим, интеллектуальным задачам относят задачи, для которых пока еще не существует формальной модели решения, например, игра в шахматы.

Задачи искусственного интеллекта - это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения. В связи с этим развиваются такие направления, как экспертные системы, база знаний, нейронные сети, нейрокомпьютеры, DM - системы.

Область применения.

• Доказательства теорем;

• Игры;

• Распознавание образов;

• Принятие решений;

• Адаптивное программирование;

• Сочинение машинной музыки;

• Обработка данных на естественном языке;

• Обучающиеся сети (нейросети);

• Вербальные концептуальные обучения.

Итак, задачей систем-классификаторов является установление принадлежности образа к одному из формально определенных классов. Формальные признаки могут быть определены посредством правил типа “если..-то..”, а системы, оперирующие с такими правилами, получили название экспертных систем. Традиционной областью применения классификаторов на нейронных сетях является экспериментальная физика высоких энергий, где одной из актуальных задач выступает выделение среди множества зарегистрированных в эксперименте событий с элементарными частицами событий, представляющих интерес для данного эксперимента.

Проблема категоризации находится на ступеньку выше по сложности в сравнении с классификацией. Особенность ее заключается в том, что помимо отнесения образа к какой-либо группе, требуется определить сами эти группы, т.е. сформировать категории.

В случае обучения с учителем (например, в персептроне) формирование категорий происходит методом проб и ошибок на основе примеров с известными ответами, предоставляемыми экспертом. Формирование категорий весьма напоминает процесс обучения у живых организмов, поэтому обычно эксперта называют “супервизором” или учителем. Учитель управляет обучением при помощи изменения параметров связей и, реже, самой топологии сети.

Задачей системы-категоризатора является формирование обобщающих признаков в совокупности примеров. При увеличении числа примеров несущественные, случайные признаки сглаживаются, а часто встречающиеся - усиливаются, при этом происходит постепенное уточнение границ категорий. Хорошо обученная нейросетевая система способна извлекать признаки из новыхпримеров, ранее неизвестных системе, и принимать на их основе приемлемые решения.

Нейронные сети применяются кроме перечисленных областей и в задачах с плохо структурированной информацией, например при распознавании образов, рукописного текста, анализе речи и т.д.