Сингулярность снова близко
Технологическая сингулярность - предполагаемая точка в будущем, когда эволюция человеческого разума в результате развития нанотехнологии, биотехнологии и искусственного интеллекта ускорится до такой степени, что дальнейшие изменения приведут к возникновению разума с гораздо более высоким уровнем быстродействия и новым качеством мышления.
Искусственный интеллект. В течение пяти лет все поисковые системы полностью перейдут на человеческий язык. Пару лет назад суперкомпьютер IBM "Уотсон" стал лучшим игроком в телешоу Jeopardy! - аналоге российской "Своей игры". В викторине задают довольно запутанные вопросы, зачастую включающие каламбуры, шутки и метафоры. Несмотря на то, что еще недавно чувство юмора и способность понимать иносказания считались привилегией человеческого разума, искусственный интеллект ответил на все вопросы без запинки, обойдя тандем двух самых удачных игроков-людей.
Суперкомпьютер IBM "Уотсон" побеждает в телешоу Jeopardy. Фото: Jeopardy Productions / AP
Большую часть своих знаний "Уотсон" подчерпнул из "Википедии" и еще других энциклопедий; всего суперкомпьютер прочитал около 200 миллионов страниц. Сейчас Курцвейл работает в Google над искусственным интеллектом, который был бы способен на полноценную беседу с пользователем.
"Например, он будет вовлекать вас в диалог, чтобы прояснить двусмысленности или сложные вопросы", - говорит он.
Подробнее 1
Вопросы для подготовки к экзамену по дисциплине «Системы искусственного интеллекта»
2013-2014 Учебный год
Цель изучения дисциплины. Объекты изучения. Области применения систем искусственного интеллекта. Исторический обзор развития искусственного интеллекта
Содержание вопроса. подъёмы и спады развития искусственного интеллекта, Философские, моральные и социальные аспекты.
Классификация интеллектуальных информационных систем.
Содержание вопроса. Системы с интеллектуальным интерфейсом и их виды, экспертные системы и их виды, самообучающиеся системы и их виды, адаптивные системы и их виды.
Модели представления знаний в виде предикатов и продукционных моделей Содержание вопроса. Определение предикатов первого порядка Определение продукционных правил. Достоинства и недостатки каждой модели представления знаний и примеры моделей представления знаний
Модели представления знаний в виде фреймов Содержание вопроса. Определение фрейма. Структура фрейма. Способы представления слотов. Фреймы-образцы и фреймы-экземпляры. Фреймы-сценарии Достоинства и недостатки фреймовой модели представления знаний
Модели представления знаний в виде семантических моделей. Содержание вопроса. Определение семантических сетей. Виды семантических сетей. Виды отношений. Достоинства и недостатки семантической модели представления знаний
Модели представления знаний в виде нейронных сетей и нечётких множеств. Содержание вопроса. Представление знаний нейронными сетями и нечёткими правилами. Дообучение и переобучение нейронной сети. Две формы представления знаний в нейронной сети. Пример представления знаний в виде нечётких правил. Достоинства и недостатки каждой модели представления знаний
Экспертные системы: классификация и структура. Инструментальные средства проектирования экспертных систем. Содержание вопроса. Определение экспертной системы (ЭС) и инжинерии знаний. Структура ЭС и назначение основных узлов. Классификация ЭС: по решаемой задаче, по связи с реальным временем, по типу ЭВМ, по степени интеграции. Виды инструментальных средств проектирования ЭС.
Машина логического вывода. Принцип работы интерпретатора. Конфликтное множество. Способы разрешения конфликтов в эс. Способы управления выводом.
Содержание вопроса. Понятие машины логического вывода. Функции управляющего компонента и компонента вывода. Применение правила modus ponens. Конфликтное множество.
Стратегии логического вывода, применяемые в продукционных ЭС. Содержание вопроса. Понятие прямого и обратного вывода в глубину и в ширину. Демонстрация на примере продукционных правил. Рекомендации применения стратегий вывода.
Представление знаний и разработка экспертных систем на языках искусственного интеллекта (Lisp, Prolog).
Содержание вопроса. Примеры представления знаний на языках Lisp, Prolog. Достоинства и недостатки представления знаний на языке Xlisp и Prolog по сравнению с традиционными языками (сравнение провести по критериям: трудоёмкости и сроков разработки, эффективности отладки и редактирования базы знаний в процессе эксплуатации, построения машины логического вывода)
Уровни разработки экспертных систем. Этапы разработки экспертных систем. Показатели качества разработки экспертных систем. Содержание вопроса. Характеристика уровней проектирования. Демонстрационный прототип. Исследовательский прототип. Действующий прототип. Промышленная система. Коммерческая система. Этапы разработки: идентификации, концептуализации, формализации, реализации, тестирования и сопровождения. Оценка качества ЭС со стороны пользователя, со стороны эксперта и со стороны разработчика.
Основы теории приближенных рассуждений. Содержание вопроса. Недостатки применения формул расчета условной вероятности Байеса. Реализация приближенных рассуждений в экспертной системе MYZIN. Коэффициенты уверенности от-1 до +1. Обратимые и необратимые правила. Графическое представление схем логического вывода (И, ИЛИ, НЕ и их комбинации). Процесс распространения в сети логического вывода. Биполярные схемы подсчета коэффициентов уверенности. Пример расчета коэффициентов уверенности в логической сети
Нейросетевые экспертные системы. Примеры реализации нейронных экспертных систем. Содержание вопроса. Определение нейросетевой экспертной системы(НЭС). Представление знаний в виде обучающего множества и синаптической карты. Проблемы выбора оптимальной архитектуры НЭС, ее обучения и дообучения. Примеры созданных НЭС.
Искусственная нейронная сеть. Биологический нейрон и математическая модель искусственного нейрона. Принципы обучения нейронных сетей: с учителем и без учителя. Слоистые и полносвязные нейронные сети.
Содержание вопроса. Биологический нейрон и принцип его функционирования. Математическая модель искусственного нейрона. Виды активационных функций и их характеристики. Процесс обучения нейронной сети с учителем и без учителя. Проблемы обучения. Понятие слоистой и полносвязной сети. Области применения нейронных сетей.
Персептрон. Алгоритм обучения. Пример нейронной сети для решения задачи «Исключающее ИЛИ». Содержание вопроса. Структурная схема персептрона для распознавания четных и нечетных чисел. Дельта-правило. Алгоритм обучения персептрона. Трудности реализации алгоритма обучения персептрона. Проблема реализации функции «Исключающее ИЛИ» с помощью однослойного персептрона. Графическая иллюстрация решения задачи.
Алгоритм обратного распространения ошибки. Недостатки алгоритма обратного распространения ошибки. Рекомендации по обучению и архитектуре многослойных нейронных сетей. Адаптивный шаг обучения. Содержание вопроса. Описание основных шагов алгоритма обучения(прямая и обратная волна). Выбор шага обучения. Недостатки алгоритма обратного распространения.
Подбор оптимальной архитектуры нейронной сети.
Содержание вопроса. Способность к обобщению. Понятия обучающего множества, тестового и контрольного множества. Зависимость ошибки обобщения от размера обучающей выборки и от меры Вапника-Червоненкиса. Практические рекомендации по выбору меры Вапника-Червоненкиса. Влияние длительности обучения на погрешность обобщения. Эффект переобучения сети.