Раздел 6. Проблемы и перспективы развития интеллектуальных ис

6.1. Тенденции развития теории ии в современном мире

Сегодня можно выделить ряд направлений в искусственном интеллекте, которые во вполне обозримом будущем могут привести к качественным изменениям в технике и технологиях.

Одно из наиболее перспективных направлений  рассуждения, основанные на прецедентах. Внедрение соответствующих технологий приведет к значительному прогрессу в ряде областей ИИ.

Рассуждения о пространстве  также бурно развивающаяся сейчас область ИИ. Она имеет все возрастающее прикладное значение в связи с работами по созданию автономных мобильных устройств, анализу изображений (в частности, аэрофото- и космоснимков), задачами синтеза текстовых описаний по изображениям.

С помощью методов машинного обучения и автоматического формирования гипотез можно будет решить ряд полезных практических задач  от обнаружения закономерностей в данных до повышения степени адаптивности и «уровня интеллекта» различных технических устройств.

Интересное и бурно развивающееся направление  технология интеллектуальных агентов. Они могут использоваться как средства управления крупными и сложными системами вроде телекоммуникационых систем, распределенных производств, систем управления войсками, транспортом, сетями, распределенным поиском информации.

Следует ожидать всё большего влияния идей и методов ИИ на машинный анализ текстов (АТ) на естественном языке. Это влияние, скорее всего, коснется семантического анализа и связанных с ним методов синтаксического анализа. В этой области оно проявится в учете модели мира на заключительных стадиях семантического анализа и использовании знаний о предметной области и ситуативной информации для уменьшения переборов на более ранних стадиях (например, при построении деревьев синтаксического разбора).

Второе направление взаимосвязи ИИ и АТ  это использование методов машинного обучения в АТ, использование рассуждений на основе прецедентов и рассуждений на основе аргументации для решения некоторых задач АТ (например задач уменьшения «мусора» и повышения степени релевантности поиска).

К одному из наиболее важных и перспективных направлений в искусственном интеллекте следует сегодня отнести задачи автоматического планирования поведения. Область применения методов автоматического планирования  это устройства с высокой степенью автономности и целенаправленным поведением, от бытовой техники до беспилотных космических кораблей.

Вопросы на экзамен

1. Проблема искусственного интеллекта (ИИ): история и предпосылки

2. Вклад российских ученых в теорию ИИ

3. Основные задачи ИИ и методы их решения

4. Понятие данных и знаний. Основные подходы к представлению знаний

5. Представление знаний семантическими сетями

6. Представление знаний на основе фреймовой модели

7. Продукционная и модель знаний

8. Понятие экспертной системы. Архитектура ЭС

9. Неточный вывод на знаниях. Достоинства и недостатки

10. Что такое нечеткие логики? Формализация неточного знания с помощью нечетких логик

11. Аксиомы триангулированной нормы и ко-нормы, следствия из аксиом

12. Правила МР и МТ для неточного вывода

13. Формализация неточного знания с помощью вероятности. Четыре подхода к определению вероятности.

14. Применение теоремы Байеса в моделировании правдоподобных рассуждений.

15. Ограничения на байесовскую модель правдоподобных рассуждений.

16. Принцип накопления свидетельств в неточном выводе.

17. Понятие фрейма различия в теории свидетельств Шафера

18. Роль и понятие массы в теории свидетельств Шафера

19. Комбинирование свидетельств в теории Шафера

20. Оценка незнания в теории Шафера

21. Основные функции теории Шафера. Понятие об интервале доверия.

22. Виды логического вывода: индуктивный, дедуктивный, традуктивный и абдуктивный. Их особенности

23. Методы индуктивной логики

24. Обратная дедукция (раскрыть на примерах)

25. Схемы правдоподобных рассуждений Д.Пойя

26. Роль и место теории распознавания образов в проблеме разработки интеллектуальных интерфейсов

27. Основные методы и задачи теории распознавания образов

28. Признаки объектов, виды и свойства признаков.

29. Пространство признаков, образ объекта и эталон класса.

30. Гипотеза компактности при классификации образов

31. Понятие о классификации методом решающих функций

32. Алгоритмы кластеризации

33. Персептрон. Алгоритм персептрона

34. Принцип подкрепления-наказания в обучении нейронных сетей

35. Проблема синтеза литературных текстов

36. Методы синтеза музыкальных произведений

37. Модели и методы поиска данных

38. Понятие об информационно-поисковых системах

39. Поиск на основе классификации

40. Поиск по ключевым словам

41. Виды анализа текстов в современных информационно-поисковых машинах

42. Интеллектуальные информационно-поисковые машины

43. Будущее искусственного интеллекта

68