1.3 Перспективные направления искусственного интеллекта

На сегодняшний день существуют несколько направлений в области ИИ, которые в будущем обязательно приведут к существенным изменениям в технологиях.

Тема касающиеся пространства - не новая, но она довольно бурно развивается сейчас в области ИИ и имеет большое значение при создании автономных мобильных устройств, для анализа различных изображений, а также синтеза текстовых описаний по изображениям.

При помощи методов обучения машин и автоматических формирований гипотез можно будет решать большое количество полезных задач – повышение адаптации, а также интеллекта устройств.

Подход, учрежденный на спецтехнологиях шпионов (умственных) признают одним из самых перспективных для разработки масштабных программ, а также создание средств управления большой и трудной системой (телекоммуникационные системы, поиск информации).

Вполне дозволено ждать воздействие способов и идей неестественного разума на машинный обзор текстов на натуральном языке. Это воздействие, затронет семантический и синтаксический обзоры.

Одним из самых значимых и перспективных направлений в ИИ необходимо отнести задачу механического планирования поведения. Областей использования способов механического планирования дюже много. От бытовой техники до беспилотных космических кораблей, способных самосильно постигать просторы глубокого космоса.

2 Нейронные сети

В последние время наблюдается очень активные действия по использованию и внедрению нейронные сетей в самые различные области таких как: техника, геология, физика, бизнес и т.д. На рисунке 2 представлена нейронная сеть.

^[4]

Рис. 2 «Нейронная сеть»

Нейронные сети применяются везде, где необходимо решить задачи связанные с управлением, прогнозированием, а также с классификацией. Такое активнейшее использование обуславливается следующими причинами:

Широкие вероятности. Для воспроизводства дюже трудных зависимостей применяются сильные способы моделирования, которые реализуются с поддержкой нейронных сетей. Крайне долгое время в большинстве областей использовалось линейное моделирование, оно являлось основным способом, так как для него разрабатывались разные отлично оптимизированные процедуры. Линейные модели в задачах работают нехорошо там, где не дюже отлично себя проявляет линейная аппроксимация. А также нейронные сети не разрешают оперировать в случае большого числа переменных вследствие предотвращения «проклятия размерности».

Простота в применении. Нейронные сети способны обучаться на примерах. Человек, пользующийся нейронной сетью, выбирает нужные данные, дальше ему даётся вероятность запуска алгоритма обучения, тот, что воспримет данные механически. От пользователя, разумеется, требуются какие-то эвристические познания о том, как необходимо отобрать и подготовить данные, предпочесть нужную архитектуру сети, а также обработать итоги. Для того Дабы применять нейронные сети, нужен, значительно меньший ярус познаний, чем для применения традиционных способов статистики.

Нейронные сети дюже привлекают к себе внимание тем, что они основаны на легкой модели нервозной системы. В недалёком грядущем становление таких моделей подлинно может послужить созданию мыслящих машин (компьютеров). Существует система ST Neural Networks которая способна создавать примитивные нейронные сети, что является находкой для экспертов по прикладной статистике.