Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Скачиваний:
63
Добавлен:
22.05.2015
Размер:
465.19 Кб
Скачать

Лекция. Искусственный интеллект

ИИэто научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными.

ИИ можно определить как научную дисциплину, которая занимается автоматизацией разумного поведения.

Человечество успешно справилось с автоматизацией ручного труда, насколько это возможно для труда умственного? Для хорошо формализуемых задач написаны алгоритмы, реализующие подходящие численные методы решения, т.е. такие задачи решаются алгоритмическими методами, которые приводят к численному результату. Но есть другие, плохо формализуемые задачи, т.е. когда мы не имеем полных исходных данных, или когда невозможно точно сформулировать цель, например в виде целевой функции. Такие задачи решаются эвристическими методами, которые не дают точного численного решения, но предлагают способ направленного поиска решения.

Основная функция мышления заключается в выработке схем целесообразных внешних действий (разумного поведения) в бесконечно изменяющихся условиях. Специфика человеческого мышления (в отличие от рассудочной деятельности животных) состоит в том, что человек вырабатывает и накапливает знания, храня их в своей памяти. Выработка схем внешних действий происходит не по принципу "стимул - реакция", а на основе знаний, получаемых дополнительно из среды, для поведения в которой вырабатывается схема действия.

Этот способ выработки схем внешних действий (а не просто действия по командам, пусть даже меняющимся как функции от времени или как однозначно определенные функции от результатов предшествующих шагов) является существенной характеристикой любого интеллекта. Отсюда следует, что к системам ИИ относятся те, которые, используя заложенные в них правила переработки информации, вырабатывают новые схемы целесообразных действий на основе анализа моделей среды, хранящихся в их памяти. Способность к перестройке самих этих моделей в соответствии с вновь поступающей информацией является свидетельством более высокого уровня ИИ.

Многие ученые считают, что реализовать с помощью компьютеров интеллект невозможно, потому, что они не мотивированы в развитии. Мотивация – это то, что заставляет человека накапливать знания и применять их в соответствующей ситуации.

Эвристические методы опираются на накопленный специалистами в данной области опыт, и хотя они не гарантируют 100% успех, но в большинстве случаев существенно сокращают время решения задачи. Эвристические методы имеют непосредственное отношение к ИИ.

Интеллектуальностьсвойство исключительно человеческое, да и сам процесс деятельности мозга до сих пор по большому счету является загадкой. Но это не мешает исследователям пытаться создавать машины, имитирующие разумное поведение или решающие интеллектуальные задачи.

Кстати, с самим понятием интеллекта научное сообщество тоже еще до конца не определилось. Зато уже есть тест, который способен определить обладает ли искусственная система интеллектом. Алан Тьюринг решил, что нет смысла разрабатывать обширный список требований, необходимых для создания ИИ, который к тому же может оказаться противоречивым, и предложил тест, основанный на том, что поведение объекта, обладающего ИИ, в конечном итоге нельзя будет отличить от поведения таких бесспорно интеллектуальных сущностей, как человек.

Компьютер успешно пройдет тест Тьюринга, если человек-экспериментатор, задавший ему в письменном виде определенные вопросы, не сможет определить, получены ли письменные отве-

ты от человека или от программы. В тесте Тьюринга сознательно исключено непосредственное физическое взаимодействие экспериментатора и компьютера, поскольку для создания ИИ не требуется физическая имитация человека.

Тьюринг предсказывал, что компьютеры, в конечном счете, пройдут его тест. Он считал, что к 2000 году компьютер в ходе 5-минутного теста сможет обмануть судей в 30 % случаев. Это предсказание не сбылось. Пока что ни одна программа и близко не подошла к прохождению теста Тьюринга. Ежегодно проводятся соревнования между ботами и создателю наиболее человекоподобного из ботов присуждается премия Лѐбнера $2000.

Первой программе, которая пройдѐт стандартный (текстовый) тест Тьюринга будет вручена серебряная медаль и вознаграждение в 25,000$. Первой программе, которая пройдѐт этот тест с использованием текстового, визуального и звукового подтверждения будет вручена золотая медаль и приз в 100,000$. После вручения золотой медали конкурс будет закрыт. Премия Тьюринга еще не присуждалась ни разу. Самый лучший результат показала программа A.L.I.C.E. выиграв приз Лѐбнера 3 раза (в 2000, 2001 и 2004).

Последние два конкурса выиграл Брюс Уилкокс с ботами Сьюзетт (2010) и Rosette (2011). Уилкокс верит, что настанет день, когда нам (людям) будут не нужны устройства ввода информации. Мы будем просто разговорить с компьютером на естественном языке, и Сьюзетт, и Розетт, и другие боты - это всего лишь первые шаги в этом направлении. Успех виртуальных личностей Сьюзетт и Розетт опирается не на обширную базу данных с готовыми фразами ответов на всевозможные вопросы, а на набор скриптов, которые формируют оптимальные варианты ответов.

Несмотря на то, что прошло больше 50 лет, тест Тьюринга не потерял своей значимости. Но в настоящее время серьезные исследователи ИИ практически не занимаются решением задачи прохождения теста Тьюринга, считая, что гораздо важнее изучить основополагающие принципы интеллекта, чем продублировать одного из носителей естественного интеллекта.

Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс. База знанийэто база данных, содержащая как сами фактические данные, так и правила логического вывода.

 

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА

?

 

 

 

БАЗА ЗНАНИЙ

 

 

 

Правила

решатель

пользовательский

 

логического

 

интерфейс

БД

 

вывода

 

 

 

 

 

 

Область наук об ИИ, изучающая базы знаний и методы работы со знаниями, называется инженерией знаний. Современные базы знаний обычно работают совместно с продвинутыми системами поиска информации и имеют тщательно продуманную структуру и формат представления знаний.

Двумя наиболее важными требованиями к информации, хранящейся в базе знаний интеллектуальной системы, являются:

достоверность конкретных и обобщѐнных сведений, имеющихся в базе данных, и

релевантность1 информации, получаемой с помощью правил вывода базы знаний.

Для формализации и представления знаний разрабатываются специальные модели пред-

ставления знаний и языки для описания знаний.

Система является интеллектуальной, если она обладает знаниями и умеет использовать их для достижения сформулированной цели. Экспертные системы явились первыми действительно интеллектуальными системами и, в конечном счете, интеллектуальность определила их коммерческий успех.

Чтобы сделать систему интеллектуальной, ее нужно снабдить множеством высококачественных специальных знаний о некоторой предметной области. Процесс создания экспертных систем на первых этапах заключается в специфическом взаимодействии эксперта (экспертов) и инженера по знаниям с целью «извлечения» из эксперта и встраивания в систему процедур, стратегий эмпирических правил, которые он использует для решения задач.

Эксперт – это человек, который благодаря обучению и опыту является знатоком в определенной области. Эксперты хорошо умеют распознавать в проблемах, с которыми сталкиваются, шаблоны, с которыми они уже знакомы. Очень важно подчеркнуть, что эксперт должен не только знать, но и уметь.

Рис. Структура типичной ЭС

База данных предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.

База знаний в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из РП и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, - это облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию общения со всеми категориями пользователей как в ходе решения задач, так и приобретения знаний, объяснения результатов работы.

1 Релевантность- семантическое соответствие поискового запроса и поискового образа документа. Т.е. насколько ответ адекватен вопросу.

Экспертная система работает в двух режимах: приобретения знаний и решения задач (называемым также режимом консультации или режимом использования ЭС).

Экспертные системы как отдельное направление выделилось из общего русла исследований по ИИ в начале 80-х г.г. Основным предметом исследований нового направления являются знания – их приобретение, представление и использование.

Отличием экспертных систем от классических программ, работа которых основана на точных данных является то, что экспертные системы могут ошибаться. Причина ошибок лежит в том, что знания специалистов, как и знания, заложенные в экспертные системы, не точны. Важно, по крайней мере, чтобы экспертные системы ошибались не чаще, чем ошибается человек-эксперт.

Т.о. можно сформулировать следующее определение экспертной системы. Экспертная

система– это вычислительная система, в которую включены знания специалистов о некоторой узкой предметной области в форме базы знаний. Экспертные системы должны уметь при-

нимать решения вместо специалиста в заданной предметной области.

Характерными чертами экспертной системы являются:

четкая ограниченность предметной области;

способность принимать решения в условиях неопределенности;

способность объяснять ход и результат решения понятным для пользователя способом;

четкое разделение декларативных и процедурных знаний (фактов и механизмов вывода);

способность пополнять базу знаний, возможность наращивания системы;

результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов;

ориентация на решение неформализованных (способ формализации пока неизвестен) задач;

алгоритм решения не описывается заранее, а строится самой экспертной системой;

отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

Экспертные системы применяются для решения только сложных практических (не алгоритмических) задач. Решения экспертных систем обладают прозрачностью, т.е. могут, быть объяснены пользователю на качественном уровне (в отличие от решений, полученных с помощью числовых алгоритмов, и в особенности от решений полученных статистическими методами). Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях.

Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлознобумажная промышленность, телекоммуникации и связь и др.

Экспертные системы хорошо себя зарекомендовали, но только в узкоспециализированных областях. Для создания более универсальных интеллектуальных систем требовался другой подход. Исследователи ИИ обратили внимание на биологические нейронные сети, которые лежат в основе человеческого мозга.

Нейронные сети в искусственном интеллекте – это упрощенные математические модели биологических нейронных сетей, а также их программные или аппаратные реализации.

На этом сходство заканчивается. Структура человеческого мозга очень сложна, и поэтому воспроизвести ее хотя бы более или менее точно не представляется возможным. На сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта.

Исследования по искусственным нейронным сетям связаны с тем, что способ обработки информации человеческим мозгом в корне отличается от методов, применяемых обычными цифровыми компьютерами. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер. Учеными доказано, что мозг состоит из огромного числа структурных компонентов – нервных клеток, называемых также нейронами. Нейрон создает соединения с другими нейронами за счет передачи электрических сигналов по синапсами, которые выполняют роль связей между нейронами. Сигналы, распространяемые по нейронной сети, управляют активностью мозга в течение короткого интервала, а также становятся причиной долговременных изменений состояния самих нейронов и их соединений.

Мозг человека обладает способностью организовывать работу нейронов, так, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработку сигналов органов чувств, моторные функции) во много раз быстрее, чем самые быстродействующие современные компьютеры.

Разработка искусственных нейронных сетей началась в начале ХХ века, но только в 90-х годах, когда вычислительные системы стали достаточно мощными, нейронные сети получили широкое распространение. Хотя решение на основе нейронных сетей может выглядеть и вести себя как обычное программное обеспечение, есть принципиальное различие - большинство реализаций на основе нейронных сетей «обучается», а «не программируется»: сеть учиться выполнять задачу, а не программируется непосредственно. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

ИНС представляют собой систему соединѐнных и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в ПК. 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 соединѐнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Микросхемы компьютера способны выполнить отдельную команду меньше чем за наносекунду, тогда как нейроны действуют в миллионы раз медленнее. Но мозг восполняет этот свой недостаток, поскольку все его нейроны действуют одновременно, тогда как большинство современных компьютеров имеет только один процессор (но с несколькими ядрами) или небольшое количество процессоров. Таким образом, даже несмотря на то, что компьютер обладает преимуществом более чем в миллион раз в физической скорости переключения, оказывается, что мозг по сравнению с ним выполняет все свои действия примерно в 100 000 раз быстрее.

В Женеве уже 5 лет создается модель, которая является визуализацией нейронной сети, Модель состоит из 10 тыс. нейронов и 100 млн синапсов. Результат, которого они достигли - температура Женевского озера повысилась на 2 градуса, потому что тот суперкомпьютер, который

используется для расчета этой нейронной сети и который построила IBM (Blue Ray), использует его воды для своего охлаждения.

Применения ИНС:

1.Распознавание образов. В качестве образов могут выступать различные по своей природе объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определѐнному классу.

Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из еѐ выходов должен появиться признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть «не уверена» в своѐм ответе.

Пример: распознавание цифр по изображению. Сеть должна содержать такое количество искусственных нейронов на входе, сколько пикселей будет использоваться для создания образа цифры и столько выходов, сколько цифр (10).

2.Принятие решений и управление. Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети при этом должен появиться признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы.

3.Прогнозирование. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда,

когда предыдущие изменения действительно в какой-то степени предопределяют будущие.

Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

Генетические алгоритмы

Это одно из направлений исследований в области искусственного интеллекта, занимающееся созданием упрощенных моделей эволюции живых организмов для решения задач оптимизации. Генети́ческий алгори́тм— это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путѐм случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

Теория эволюции Дарвина утверждает, что развитие любой биологической особи заключается в целенаправленном изменении себя таким образом, чтобы лучше приспособиться к условиям окружающей среды. Приобретение животными защитной окраски, развитие у человека сложной и разветвленной нервной системы и многое другое – все это результат работы многолетнего процесса эволюции. Говоря языком математики, эволюция природы – это процесс оптимизации живых организмов.

Согласно теории Дарвина, естественный отбор – это основной механизм эволюции. Суть естественного отбора заключается в следующем: более приспособленные биологические особи имеют больше шансов для выживания и размножения, а значит, приносят больше потомства, чем остальные. Через механизмы генетического наследования потомки перенимают от своих родителей основные качества. Таким образом, потомки «сильных» биологических особей также будут более приспособленными по сравнению со своими сверстниками. Все это приводит к увеличению доли приспособленных особей в общей массе вида и спустя несколько сотен поколений общая приспособленность вида увеличится. Именно эта идея и лежит в основе генетических алгоритмов.

Для того, чтобы принцип работы генетических алгоритмов стал более прозрачен, необходимо более подробно остановиться на механизмах генетического наследования. Любая биологическая особь состоит из большого числа клеток, в каждой из которых хранится генетическая информация этой особи. Эта генетическая информация хранится в виде специального набора очень длинных молекул, получившего названия ДНК – дезоксирибонуклеиновой кислоты. Каждая молекула ДНК окружена оболочкой – такое образование называется хромосомой. Хромосомы состоят из генов. Каждый ген кодирует некоторое качество особи, например, цвет глаз или наследственные болезни. Различные значения гена называются его аллелями. При зачатии происходит взаимодействие двух родительских половых клеток, каждая из которых несет ДНК своего хозяина. Как правило, взаимодействие клеток заключается в делении ДНК на две части с последующим обменом этих половинок. Т.е. потомок наследует по половине ДНК от каждого родителя.

Впервые генетический алгоритм был предложен Джоном Холландом в 1975 году в Мичиганском университете. Его заинтересовал тот факт, что эволюционируют не сами живые существа, а хромосомы, из которых они состоят.

Сегодня становятся более популярными методы решения задач, основанные на совместном использовании нейронных сетей и генетических алгоритмов.

Многоагентные системы

В классической теории искусственного интеллекта решение какой-либо задачи сводится к созданию некоторой одной интеллектуальной системы, называемой агентом, которая, имея в своем распоряжении все необходимые знания, способности и вычислительные ресурсы, способна решить некоторую глобальную проблему.

Многоагентные системы или мультиагентные системы – это направление искусственного интеллекта, которое для решения сложной задачи или проблемы использует системы, состоящие из множества взаимодействующих агентов.

В теории многоагентных систем (также часто встречается название «мультиагентные системы») за основу берется противоположный принцип. Считается, что один агент владеет всего лишь частичным представлением о глобальной проблеме, а значит, он может решить лишь некоторую часть общей задачи. В связи с этим для решения сложной задачи необходимо создать некоторое множество агентов и организовать между ними эффективное взаимодействие, что позволит построить единую многоагентную систему. В многоагентных системах весь спектр задач по определенным правилам распределяется между всеми агентами, каждый из которых считается членом

организации или группы. Распределение заданий означает присвоение каждому агенту некоторой роли, сложность которой определяется исходя из возможностей агента.

Для организации процесса распределения задачи в многоагентных системах создается либо система распределенного решения проблемы либо децентрализованный искусственный интеллект. В первом варианте процесс декомпозиции глобальной задачи и обратный процесс композиции найденных решений происходит под управлением некоторого единого «центра». При этом многоагентная система проектируется строго сверху вниз, исходя из ролей определенных для агентов и результатов разбиения глобальной задачи на подзадачи. В случае использования децентрализованного искусственного интеллекта распределение заданий происходит в процессе взаимодействия агентов и носит больше спонтанный характер. Нередко это приводит к появлению в многоагентных системах резонансных, синергетических эффектов.

Технология многоагентных систем, хотя и насчитывает уже более чем десятилетнюю историю своего активного развития, находится в настоящее время еще в стадии становления. Ведутся активные исследования в области теоретических основ формализации основных понятий и компонент систем, в особенности в области формализации ментальных понятий. Основные достижения в этой части пока не очень ориентируются на аспекты практической реализации и пока далеки от практики. В частности, при формализации ментальных понятий полностью игнорируются все разработанные в искусственном интеллекте подходы для работы с плохо структурируемыми понятиями, не вполне определенными понятиями, методы, которые базируются на вероятность и нечеткость. Представляется, что это обширное, новое и чистое поле деятельности для соответствующих специалистов.

Многоагентные системы - это активно развивающееся направление искусственного интеллекта, которое в настоящее время еще находится в стадии становления. В сообществе специалистов по мультиагентным системам как одна из перспективных моделей рассматривается модель самообучающегося агента. Однако при этом делаются ссылки на результаты в области извлечения знаний и машинного обучения, полученные ранее в искусственном интеллекте применительно к экспертным системам. Очевидно, что применительно к мультиагентной системе задача обучения имеет много специфики по сравнению с задачами в общей постановке, однако, эта специфика пока не изучается и не ведутся исследования по этой проблеме. Весьма специфична и задача обучения агентов коллективному поведению, ведь кооперативное решение задач подразумевает совместное использование знаний нескольких агентов. Этот вопрос тоже пока остается вне поля зрения специалистов по мультиагентным системам.

Работы в области многоагентных систем, в особенности разработка приложений, требуют привлечение знаний и технологий из ряда областей, которые ранее были вне поля зрения специалистов по искусственному интеллекту. Прежде всего это относится к параллельным вычислениям, технологии открытой распределенной обработки, обеспечения безопасности и мобильности агентов. Необходимы знания в области сетевых компьютерных технологий и, в особенности, в области программирования в Internet.

Технология мультиагентных систем не является просто объединением различных результатов в области искусственного интеллекта. Интеграция, которая приводит к парадигме многоагентных систем, привносит ряд принципиально новых свойств и возможностей в информационные технологии и по существу представляет собой качественно новый, более высокий уровень ее развития, тот уровень, который позволяет прогнозировать ее ведущее положение в ближайшие десятилетия. Специалистам в области искусственного интеллекта здесь принадлежит ведущая роль.

Главные направления развития многоагентных систем

Сегодня основными направлениями в разработке многоагентных систем являются распределенный искусственный интеллект и искусственная жизнь. Ядро распределенного искусственного интеллекта составляют исследования взаимодействия и кооперации небольшого числа интеллектуальных агентов, например, классических интеллектуальных систем, включающих базы знаний и решатели. Главной проблемой в распределенном искусственном интеллекте является разработка интеллектуальных групп и организаций, способных решать задачи путем рассуждений, связанных с обработкой символов. Иными словами, здесь групповое интеллектуальное поведение образуется на основе индивидуальных интеллектуальных поведений. Это означает согласование целей, интересов и стратегий различных агентов, координацию их действий, разрешение конфликтов путем переговоров; теоретическую базу здесь составляют результаты, полученные в психологии малых групп и социологии организаций.

Системы распределенного искусственного интеллекта определяются тремя основными характеристиками:

способ распределения задач между агентами;

способ распределения властных полномочий;

способ коммуникации агентов.

Важным разделом распределенного искусственного интеллекта является распределенное (кооперативное) решение задач. Речь идет о сети слабо связанных между собой решателей, совместно работающих в целях решения задач, которые выходит за рамки индивидуальных возможностей. Различные узлы подобной сети, как правило, имеют неодинаковый опыт (знания, точки зрения) и разные ресурсы. Каждый узел должен быть способен модифицировать свое поведение в зависимости от обстоятельств, а также планировать свои стратегии коммуникации и кооперации с другими узлами. Здесь показателями уровня кооперации являются: характер распределения задач, объединение различных точек зрения и, конечно, возможность решения общей проблемы в заданное время.

Второе направление – искусственная жизнь – в большей степени связано с трактовкой интеллектуального поведения в контексте выживания, адаптации и самоорганизации в динамичной, враждебной среде, которая восходит еще к работам Ж. Пиаже.

В русле искусственной жизни глобальное интеллектуальное поведение всей системы рассматривается как результат локальных взаимодействий большого числа простых и необязательно интеллектуальных агентов. Здесь также используются такие термины как «коллективный интеллект» или «интеллект роя». Сторонники этого направления, в частности, Р. Брукс, Ж. Денебург, Л. Стиле и др., опираются на следующие положения:

многоагентная система есть популяция простых и зависимых друг от друга агентов;

каждый агент самостоятельно определяет свои реакции на события в локальной среде и взаимодействия с другими агентами;

связи между агентами являются горизонтальными, т.е. не существует агента-супервизора, управляющего взаимодействием других агентов;

нет точных правил, чтобы определить глобальное поведение агентов;

поведение, свойства и структура на коллективном уровне порождаются только локальными взаимодействиями агентов.

Здесь механизмы реакций на воздействия среды и локальных взаимодействий в общем случае не включают такие аспекты как прогнозирование, планирование, обработка знаний, но подчас позволяют решать сложные задачи. Типичными примерами такого коллективного интеллекта из биологии являются колонии муравьев, пчелиные ульи, стаи птиц и т. п. Соответственно,

здесь базовыми дисциплинами могут служить различные области биологической науки и, в первую очередь, эволюционная теория и генетика.

Часто проводятся принципиальные различия между распределенным и децентрализованным искусственным интеллектом. Идеология распределенного решения задач предполагает главным образом разделение знаний и ресурсов между агентами и, в меньшей степени, распределение управления и властных полномочий; как правило, здесь постулируется наличие единого органа управления, обеспечивающего принятие решений в критических (конфликтных) ситуациях. Исходным объектом исследования является общая сложная проблема, для решения которой формируется группа агентов, строится общая концептуальная модель и вводятся глобальные критерии достижения цели.

В полностью децентрализованных системах управление происходит только за счет локальных взаимодействий между агентами. Здесь базовым объектом исследования оказывается уже не распределенное решение некоторой общей задачи, а деятельность автономного агента в динамическом многоагентном мире (а также координация деятельности различных агентов). При этом наряду с распределенными знаниями и ресурсами, описываются локальные задачи отдельных агентов, решаемые на базе локальных концептуальных моделей и локальных критериев.

Современные разработки в области искусственного интеллекта

Какие возможности предоставляет искусственный интеллект в наши дни? Краткий ответ на этот вопрос сформулировать сложно, поскольку в этом научном направлении существует слишком много подобластей, в которых выполняется очень много исследований. Ниже приведен краткий обзор современных разработок с применением технологий искусственного интеллекта.

Автономное планирование и составление расписаний. Работающая на удалении в сотни миллионов километров от Земли программа Remote Agent агентства NASA стала первой бортовой автономной программой планирования, предназначенной для управления процессами составления расписания операций для космического аппарата. Программа Remote Agent вырабатывала планы на основе целей высокого уровня, задаваемых с Земли, а также контролировала работу космического аппарата в ходе выполнения планов: обнаруживала, диагностировала и устраняла неполадки по мере их возникновения.

Ведение игр. Программа Deep Blue компании IBM стала первой компьютерной программой, которой удалось победить чемпиона мира в шахматном матче, после того как она обыграла Гарри Каспарова со счетом 3.5:2.5 в показательном матче. Каспаров заявил, что ощущал напротив себя за шахматной доской присутствие «интеллекта нового типа». Журнал Newsweek описал этот матч под заголовком «Последний оборонительный рубеж мозга». Стоимость акций IBM выросла на 18 миллиардов долларов.

Автономное управление. Система компьютерного зрения Alvinn была обучена вождению автомобиля, придерживаясь определенной полосы движения. В университете CMU эта система была размещена в микроавтобусе, управляемом компьютером NavLab, и использовалось для проезда по Соединенным Штатам; на протяжении 4586.6 км система обеспечивала рулевое управление автомобилем в течение 98% времени. Человек брал на себя управление лишь в течение остальных 2%, главным образом на выездных пандусах. Компьютер NavLab был оборудован видеокамерами, которые передавали изображения дороги в систему Alvinn, а затем эта система вычисляла наилучшее направление движения, основываясь на опыте, полученном в предыдущих учебных пробегах.

Диагностика. Медицинские диагностические программы, основанные на вероятностном анализе, сумели достичь уровня опытного врача в нескольких областях медицины. Хекерман описал случай, когда ведущий специалист в области патологии лимфатических узлов не согласился с

Соседние файлы в папке ЭкИнф