ПРИНЦИП ОБУЧЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ИСТОРИЯ ЕГО СОЗДАНИЯ

THE PRINCIPLE OF ARTIFICIAL INTELLIGENCE TRAINING AND THE HISTORY OF ITS CREATION

Alexander Ruzanov

student, Department of Information Systems and Technologies, Volga Region State University of Telecommunications and Informatics,

Russia, Samara

АННОТАЦИЯ

В данной статье рассматривается основная информация о искусственном интеллекте, как о современном - одним из достижений человечества, имеющая большую значимость в развитии этой сферы. История начала пути искусственного интеллекта, его алгоритмов и способам обучения.

ABSTRACT

This article discusses the basic information about artificial intelligence as a modern one - one of the achievements of mankind, which is of great importance in the development of this sphere. The history of the beginning of the path of artificial intelligence, its algorithms and learning methods.

Ключевые слова. Искусственный интеллект; нейросетевая сеть; алгоритм; робототехника.

Keywords. Artificial intelligence; neural network; algorithm; robotics.

Стоит начать с определения, что же такое интеллект. В разных областях это понятие различается, но значение примерно одно. «Интеллект – это то, что оценивается в интеллектуальных текстах.» Это одно из многих других определений, но по сфере, которая рассматривается будет уместно сказать, что интеллект – это как машина, которая обозначает некоторую программу, реализуемую на универсальной вычислительной машине. Само значение этих слов, что машина обладает некоторым типом поведения, может поставить людей в тупик, ведь мы понимаем, что машина не может мыслить сама и мы записываем в неё все нужные данные для её мышления, но есть и другие слова, такие как – интеллект умеет развиваться. Соответственно, исходя из этих слов можно сделать вывод, что в будущем будет программа, которая сама начнёт развиваться, как мы с самого детства.

Далее стоит рассмотреть само определение искусственного интеллекта – как область исследований, направленных на то, чтобы выполнять функции, которые способны выполнять люди, а в дальнейшем и которые не могут. Поскольку это проблема рассматривается и находится в этой области, можно сказать, что она актуальна и интересует многих людей. Не одно десятилетие люди занимаются созданием искусственного интеллекта. Ведь машина может облегчить спектры многих видов работ и облегчить их.

Один из перспективных подходов к организации обработки неявных форм представления знаний связан с применением технологии нейросетевых структур, аккумулирующей основные функциональные особенности биологических прототипов. Эта технология построения интеллектуальных систем предполагает формирование однородных структур, состоящих из множества взаимосвязанных элементов с заданной характеристикой преобразования сигналов. Совокупность знаний, закладываемых в процессе обучения такой структуры, определяется настройкой весовых коэффициентов межэлементных связей и позволяет обеспечить надежную классификацию предъявляемых примеров. При этом важнейшим достоинством нейросетевых структур является высокое быстродействие, достигаемое за счет параллельности обработки информации при их аппаратной реализации.

При этом следует руководствоваться несколькими основополагающими принципами:

- возможности сети возрастают с увеличением числа ее элементов, плотности связей между ними и числом выделенных слоев;

- введение обратных связей наряду с увеличением возможностей сети поднимает вопрос о ее динамической устойчивости;

- повышение сложности алгоритмов функционирования в связи, например, с введением нескольких типов синапсов - возбуждающих, тормозящих и др. также способствует повышению возможностей нейронной сети.

Но всё же, нейросетевые структуры не совсем, искусственный интеллект, так как она обучается по определённому алгоритму и только тем данным, что мы запишем в её память, ведь в старых вычислительных машинах она была очень ограничена, на данный момент же с этим попроще и можно обучить нейронную сеть до состояния похожего на интеллект, но таковым являться не будет. Обобщая информацию из всех заданных данный, можно сказать, что алгоритмы управления всех нейронных сетей используются для получения знаний. Ведь чем больше мы даём данных, запланированной программе, тем больше знаний и опыта мы можем получить из результата. В тоже время сама программа, запланированная на обучение, становится только лучше и всё больше похоже на интеллект. Данное объяснение можно рассмотреть на рисунке 1.

Рисунок 1. Обобщенная структура интеллектуальной системы управления

Попробовать машины действовать как можно более "разумно", привлекательна сама по себе, и создается впечатление, что многие исследователи, работающие в этой области, не делали серьезных попыток мотивировать свою деятельность. Как и во многих других областях научных исследований, Мотивации деятельности можно разделить на две группы: объяснение и использование. Сначала умы науки захотели это сделать, они начали всё планировать, рисовать чертежи, затем начали всё делать и развивать. В конечном итоге получились неплохие для использования сети. Например - такие как: AutoDRAW.com, которая генерирует рисунки, стоит нанести лишь эскиз предполагаемого рисунка. Из черточек похожих на дерево, нарисует, как очевидно, дерево. Но в будущем эта функция будет развиваться и расширится. Есть множество интересных наработок и нейронных сетей. Они становятся всё популярнее. Особенно те, которые можно использовать уже готовыми просто вбивая свои данные, о том, что ты хочешь получить. Алгоритмы у них похожие, но разные в том или ином смысле.

Сами специалисты в данной области подходят к проблеме разработки интеллектуальных машин, утверждая существование большого числа очень большого числа простых элементов обработки информации, собранных в случайную или организованную сеть и наличие некоторых процессов стимулирования или подавления их активности. Создатели моделей понимания отличаются более "макроскопическим" подходом и основываются в своих работах на в высшей степени сложных механизмах переработки информации. Они полагают, что создание интеллектуальной машины - задача настолько трудная, что ее невозможно решить, не начав все с самого начала, и поэтому включают в свои системы процессы обработки информации той максимальной степени сложности, которую только они способны сами понять и передать вычислительной машине (путем программирования). Важно отметить, что к разряду интеллектуальных следует относить те информационные технологии, которые обеспечивают возможность обработки знаний.

Немного истории про первые опыты в данной сфере исследования. Примерно в 1958 годы, пионеры в данной области не были уверены, что всё получится. Марвин Минский и Джон Маккарти, именно они подготовили почву для будущих исследований, причём Маккарати является создателем языка программирования – ЛИСП. Минский был связан с Массачусетским технологическим институтом (США) и, основываясь на идеях Маккалока, развивал отмеченную дихотомию в подходах к проблеме. Важными исследованиями занимались в то время Ньюэлл, Шоу и Саймон, работавшие над созданием "универсального решателя задач", Сэмюэль, Селфридж и другие. Стоит так же разобрать слово «дихотомия» - простыми словами, это деление или раздвоенность двух частей, более связанные внутри, чем между собой, а если углубиться, то это - способ логического деления класса на подклассы, который состоит в том, что делимое понятие полностью делится на два взаимоисключающих понятия. Дихотомическое деление в математике, философии, логике и лингвистике является способом образования подразделов одного понятия или термина и служит для образования классификации элементов. Дихотомия подходов также отмечается и анализируется в предисловии к хорошо известной книге Фейгенбаума и Фельдмана, которая в период ее публикации была признана лучшим сборником наиболее значительных статей по проблеме искусственного интеллекта. Однако несмотря на всю подготовленную почву, споры между разработчиками, о подходе разработки искусственного интеллекта продолжаются. И как им не быть, когда так много направлений, куда можно направить свой разум.

Доказательство теорем. Оно перекрывается с определенными областями математики и решением проблем в ряде других областей (в робототехнике).

Модели игр. Особое внимание уделяется шахматам.

Распознавание образов. Эта проблема касается распознавания зрительных или слуховых образов, а также образов других (смешанных) модальностей. Медицинская диагностика и предсказание погоды являются примерами задач распознавания образов, не связанных с какой-то конкретной модальностью. В последнее время большая часть работ в этой области ориентирована на анализ сцен, а не на распознавание отдельных объектов (например, печатных знаков), что важно для робототехники.

Использование естественного языка. Большое внимание уделялось системам вопрос-ответ и системам автоматического перевода. Последняя работа Винограда связала естественный язык с робототехникой.

Робототехника. Эта область имеет непосредственную практическую ценность.

Экспертные системы. В них воплощаются большие объемы знаний и навыков, присущих эксперту-человеку. Эти системы представляют большую ценность в медицинской диагностике и в некоторых других областях.

Инженерия знаний. Эта область не является самостоятельной, но сам термин отражает определенное отношение к тому, каким образом следует осуществлять взаимодействие различных видов знаний в распознавании образов, робототехнике и в экспертных системах.

Есть, множество разделов, которые исходят из этих больших разделов. Таким образом разработчики, так или иначе контактируя между собой, делятся опытом и ошибками, это помогает в будущих разработках. Недалеко находится общая проблематика теории искусственного интеллекта. Такие как анализ изображений или управления динамическими объектами. Их классификация может исходить из множества возможных ситуаций и множества допустимых управляющих решений. Таким образом можно сопоставить, что, ставя цель такому интеллекту, мы получаем знания. Важно отметить, что главная архитектурная особенность, которая отличает интеллектуальную систему управления от построенной по «традиционной» схеме, связана с подключением механизмов хранения и обработки знаний для реализации способностей по выполнению требуемых функций в неполнозаданных (или неопределенных) условиях при случайном характере внешних возмущений. К возмущениям подобного рода могут относиться непредусмотренное изменение целей, эксплуатационных характеристик системы и объекта управления, параметров внешней среды и многого другого. Кроме того, состав системы при необходимости дополняется средствами самообучения, обеспечивающими обобщение накапливаемого опыта и, на этой основе, пополнение знаний. К разряду интеллектуальных следует относить те информационные технологии, которые обеспечивают возможность обработки знаний.

Список литературы:

1. И.М. Макаров, В.М. Лохин, С.В. Манько, М.П. Романов. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ и интеллектуальные системы управления МОСКВА НАУКА, 2006. – 333 с.
2. Саймон Хайкин. НЕЙРОННЫЕ СЕТИ: Полный курс.: второе издание. 2006. – 1006 с.
3. С. Николенко, А. Кадурин, Е. Архангельская. Глубокое обучение.: погружение в мир нейронных сетей. 2018. – 481 с.