Основные понятия систем искусственного иттеллекта

В настоящее время практические работы в области искусственного интеллекта ведутся, в основном, по двум направлениям, рис.3.1:

1. бионическое (нейрокибернетика) – попытки смоделировать с помощью искусственных систем психофизиологическую деятельность человеческого мозга с целью создания искусственного разума;

2. прагматическое (кибернетика черного ящика) – создание программ, позволяющих с использованием ЭВМ воспроизводить не саму мыслительную деятельность, а являющиеся ее результатами процессы. Здесь достигнуты важнейшие результаты, имеющие практическую ценность.

Рис.3.1. Направления исследований в области искусственного интеллекта

3.1. Бионическое направление

Ученые, работающие в бионическом направлении, пытаются воссоздать техническими средствами сам объект, в котором бы протекали процессы, схожие с психическими процессами, проявляющимися у человека во время решения задач. Такие исследователи специально конструируют сети искусственных нейронов и другие аналоги, присущие нервной системе человека. Нейронные модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования:

–первая—понять функционирование нервной системы человека на уровне физиологии и психологии,

–вторая—создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.

Еще в 1949 г. была создана модель человеческого обучения – модель Д. Хэбба. Он предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. В пятидесятые и шестидесятые годы группа исследователей создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования.

Широкий интерес научной общественности к нейросетям начался в начале восмидесятых годов после теоретических работ физика Хопфилда. Он и его последователи обогатили теорию параллельных вычислений многими идеями: коллективное взаимодействие нейронов. Практическое применение нейросетей началось после публикации Румельхартом метода обучения многослойного персептрона. Удельная стоимость современных нейровычислений на порядок ниже, чему традиционных компьютеров, а быстродействие – в сотни раз выше. Системы нейронной обработки можно классифицировать следующим образом, рис.3.2.

Рис. 3.2. Классификация систем нейронной обработки.

Реально нейрокомпьютеры используются в специализированных системах, где требуется обучать и постоянно переобучать сотни нейросетей, объединенные в единые информационные комплексы, или в системах реального времени, где скорость обработки данных критична (например, при обработке экспериментов на современных ускорителях элементарных частиц используют нейрокомпьютер CNAPS с производительностью 10

Доступность и возросшие вычислительные возможности современных компьютеров привели к широкому распространению программ, использующих принципы нейросетевой обработки данных, Этот подход не использует параллелизм, но ориентируется исключительно на способность нейросетей решать неформализованные задачи и реализуется нейроэмуляторами.

Сторонники нейробионики моделируют искусственным образом процессы, происходящие в мозгу человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента – аналога нейрона.

Нейроподобные сети в последнее время являются одним из самых перспективных направлений в области искусственного интеллекта и постепенно входят в бытность людей в широком спектре деятельности и подразделяются на несколько групп.

Сети первой группы, такие, как сети обратного распространения ошибки, сети Хопфилда и др., используются для распознавания образов, анализа и синтеза речи, перевода с одного языка на другой и прогнозирования.

Сети второй группы используются как системы управления в реальном времени несложных объектов. Это управление популярными в последнее время интеллектуальными агентами, исполняющими роль виртуальных секретарей. Особенностями данной группы является появление некоторых внутренних стимулов, возможность к самообучению и функционированию в реальном времени.

Сети третьей группы, являющиеся дальнейшим развитием предыдущих, представляют собой уже нейроподобные системы, и нацелены они на создание экзотических в настоящее время виртуальных личностей, информационных копий человека, средой обитания которых является глобальная сеть Интернет.

К бионическому направлению относятся исследования и разработки эволюционных и генетических алгоритмов, а также роевого интеллекта.

Класс эволюционных алгоритмов представляет собой исследования, в которых изучаются и моделируются процессы естественного и искусственного отбора. Все эволюционные алгоритмы моделируют базовые эволюционные процессы в природе – наследование, мутации и отбор.

В применении к технологиям искусственного интеллекта работа эволюционных алгоритмов всегда связана с взаимодействием искусственной интеллектуальной системы с какой-либо средой, а опосредованно через неё, возможно, и с другими интеллектуальными системами (как искусственными, так и естественными). В эволюционной стратегии осуществляется поиск целевого вектора, который наилучшим образом подходит под решение задачи. И компонентами этого вектора являются только действительные числа.

Для поиска решения осуществляются скрещивание особей и мутации. Далее применяется функция отбора, которая принимает на вход всю когорту – и родительские особи, и множество их потомков. Отбор осуществляется детерминированным образом – оставляются самые лучшие особи, причём без повторений.

Операция мутации может быть произвольной над действительными числами, но обычно используется простое добавление нормально распределённого случайного числа к компонентам векторов. Важным дополнением эволюционной стратегии является то, что в процессе эволюции параметры нормального распределения добавляемой в рамках мутации случайной величины адаптируются под поиск решения задачи.

Генетический алгоритм позволяет найти оптимальное или субоптимальное решение задачи с требуемой точностью в тех случаях, когда существует возможность представить входные данные в виде вектора значений, а критерий останова выразить в виде предиката, возвращающего истину на тех входных параметрах, которые достаточны для решения. Предикат зависит от так называемой фитнес-функции, которая возвращает степень соответствия входного вектора целевому значению. Ну и, само собой разумеется, искомое значение должно существовать, иначе алгоритм никогда не остановится.

При помощи генетического алгоритма можно отобрать подходящее значение в пространстве поиска. Генетический алгоритм состоит из следующих шагов: генерация начальной популяции, цикличный процесс рождения новых поколений и отбора, остановка и возвращение результатов поиска.

На этапе генерации начальной популяции необходимо подготовить некоторое количество «начальных» значений в пространстве поиска, с которых алгоритм начнёт свою работу. Начать можно с произвольных значений, но если такие значения будут как можно более близки к целевому, то алгоритм отработает намного быстрее.

Далее – запуск цикличного процесса рождения новых поколений и отбора. Фактически, это и есть сам генетический алгоритм, который раз за разом запускает процесс порождения новых поколений, изучения новых особей и отбора наиболее интересных.

Роевой интеллект (РИ). Рассматривается в теории искусственного интеллекта как метод оптимизации. Понятие роевого интеллекта все теснее переплетается с алгоритмами обработки и оптимизации больших количеств и потоков информации. Ещё давным-давно люди стали интересоваться так называемым “роевым поведением” – каким образом птицы летят на юг огромными косяками, не сбиваясь с курса. Как огромные колонии муравьёв работают так слаженно и возводят структуры, по сложности не уступающие современным мегаполисам. Как пчёлы могут так точно определять и добывать в необходимом для всей колонии питание. Все эти большие группы животных/насекомых можно объединить одним общим словом – рой. Благо, человечество не стоит на месте и, развиваясь, люди стали изобретать компьютеры, при помощи которых инженеры стали моделировать “роевой интеллект”– попытки сделать роботизированные, автоматические и автоматизированные рои. Хоть далеко не все попытки были успешными, но, тем не менее, они положили начало созданию РИ, заложив к его основанию некоторые фундаментальные правила. Одним из них является тот факт, что для роевого интеллекта необходимо большое (достаточно) количество агентов, способных взаимодействовать между собой и окружающей их средой локально. Наблюдая за различными естественными примерами роёв, человечество придумало различные модели РИ, чьё поведение основывалось на различных путях взаимодействия с окружающей средой и между собой. У данного метода есть три основные теории, которые описывают его функционирование и взаимодействие между элементами: – теория отрицательного отбора; – теория иммунной сети; – теория клональной селекции.

Метод роя частиц (МРЧ) является методом численной оптимизации, поддерживающий общее количество возможных решений, которые называются частицами или агентами, и перемещая их в пространстве к наилучшему найденному в этом пространстве решению, всё время находящемуся в изменении из-за нахождения агентами более выгодных решений. Классическая компьютерная модель МРЧ была создана лишь в 1995 году Расселом Эберхартом и Джеймсом Кеннеди. Их модель отличается тем, что частицы-агенты роя, помимо подчинения неким правилам обмениваются информацией друг с другом, а текущее состояние каждой частицы характеризуется местоположением частицы в пространстве решений и скоростью перемещения. Если проводить аналогию со стаей, то можно сказать, что все агенты алгоритма (частицы), в стае они могут быть птицами или рыбами, ставят для себя три довольно простых задачи:

– все агенты должны избегать пересечения с окружающими их агентам;

–каждая частица должна корректировать свою скорость в соответствии со скоростями окружающих её частиц;

–каждый агент должен стараться сохранять достаточно малое расстояние между собой и окружающими его агентами.

Алгоритм роя частиц – итеративный процесс, постоянно находящийся в изменении. Так же все частицы знают местоположение наилучшего результата поиска во всём рое и с каждой итерацией агенты корректируют вектора своих скоростей и их направления, стараясь приблизиться к наилучшей точке роя и при этом быть поближе к своему индивидуальному максимуму. При этом постоянно происходит расчёт искомой функции и поиск наилучшего значения. Концепцию данного алгоритма описывает формула, согласно которой корректируется модуль и направление скорости агентов.

v⍵v+rnd()(Pbest-x)c1+rnd()(gbest-x)c2,

где: ⍵ – коэффициент инерции, определяющий баланс между тем, насколько широко будет “заходить” в исследовании агент и тем, насколько сильно агент будет желать остаться рядом с найденными ранее оптимальными решениями;

–Pbest – координаты наилучшей найденной агентом точкой; -gbest – координаты наилучшей роевой точки; x – текущие координаты точки;

–rnd() – случайный коэффициент, принимающий значение от 0 до 1; c1, c2 – постоянные ускорения.

Изначально этот алгоритм применялся для исследований социального психолога, Кеннеди, но самое большое распространение этот алгоритм смог получить при решениях задач оптимизации различных нелинейно-многомерных уравнениях. Этот алгоритм в современном мире применяется в машинном обучении, для решений задач оптимизации и в различных точных и экспериментальных науках, таких как биоинженерия и т. д.

3.2. Информационное (прагматическое) направление

Сторонники информационного направления убеждены, что «важнее всего результат», т. е. хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов.

Информационное направление разделяется на три составляющие.

1.Эвристическое программирование – это разработка оригинальных методов, алгоритмов решения задач, подобных человеческим, а в некоторых случаях даже и лучших. Под эвристикой понимается правило, стратегия, метод или прием, используемые для повышения эффективности системы, которая пытается найти решения сложных задач. Эвристическая программа – это программа для компьютера, использующая эвристики.

Разработка машинных эвристических программ идет по двум основным направлениям:

а) создаются специализированные программы для решения относительно узких классов задач с использованием особенностей этих же классов;

б) программы второго направления претендуют на универсальное замещение человеческого интеллекта. Они чаще всего отождествляются с моделями мыслительного процесса.

Эвристические программы могут играть в шахматы, шашки, карточные игры, находить ответы на вопросы, находить решения из области математических исчислений; доказывать теоремы в математической логике и геометрии; способны обучаться на основе своего опыта; решать различные классы задач. Здесь исследователь воспроизводит в компьютере методы, используемые людьми, т.к. интеллект человека выше интеллекта компьютера. Структура программ решения интеллектуальных задач, предложенная Д. А. Поспеловым, представлена на рис. 3.3.

Рис. 3.3. Программы решения интеллектуальных задач

2.Системы, основанные на знаниях. Это направление в искусственном интеллекте образует его фундамент. Именно здесь создается теория данного научного направления, решаются основные проблемы, связанные с центральным объектом изучения искусственного интеллекта.

Структура знаний систем, основанных на знаниях, рис.3.4.

Рис. 3.4. Системы, основанные на знаниях.

Всякая предметная (проблемная) область деятельности может быть описана в виде некоторой совокупности сведений о структуре этой области, основных ее характеристиках, процессах, протекающих в ней, а также о способах решения возникающих в ней задач. При использовании интеллектуальных систем для решения задач в данной предметной области необходимо собрать о ней сведения и создать концептуальную модель этой области. Источниками знаний могут быть документы, статьи, книги, фотографии, киносъемка и многое другое. Из этих источников надо извлечь содержащиеся в них знания. Этот процесс может оказаться достаточно трудным, ибо надо заранее оценить важность тех или иных знаний для работы интеллектуальной системы.

В области извлечения знаний можно выделить два основных направления: формализация качественных знаний и интеграция знаний. Первое направление связано с созданием разнообразных методов, позволяющих переходить от знаний, выраженных в текстовой форме, к их аналогам, пригодным для ввода в память интеллектуальной системы. В связи с этой проблемой развивались не только традиционные методы обработки экспериментальных данных, но и совершенно новое направление, получившее название нечеткой математики.

Нечеткая математика и ее методы оказали существенное влияние на многие области искусственного интеллекта и, в частности, на весь комплекс проблем, связанных с представлением и переработкой качественной информации.