1.6. Основные направления в искусственном интеллекте

В рамках ИИ различают три основных направления:

• символьное (нисходящее) , которое основано на моделировании процессов мышления человека, на представлении и использовании знаний;

• нейросетевое (восходящее) направление, которое основано на моделировании отдельных структур мозга (нейронов).

• Интерактивные интеллектуальные системы

Сверхзадачей ИИ является построение компьютерных интеллектуальных систем, которые обладают уровнем эффективности решений неформализованных задач, сопоставимым с человеческим или превосходящим его.

В качестве критерия интеллектуальности предложен так называемый тест Тьюринга.

Алан Тьюринг предложил его для проверки того, является ли компьютер разумным в человеческом смысле слова. Тест заключается в том, что человек-судья переписывается с двумя собеседниками на естественном языке. Один из собеседников- человек, другой – компьютер. Каждый из собеседников старается, чтобы человеком признали его. Общение сводится к обмену текстовыми сообщениями. Промежутки времени передачи сообщений контролируются, чтобы судья не мог делать заключения исходя из скорости ответов. Если судья не может надежно определить, кто есть кто, тогда считается, что компьютер прошел тест.

К настоящему времени ни одна аппаратно-программная система не достигла такого уровня развития, чтобы успешно пройти тест Тьюринга.

Поэтому в последнее время в рамках идеологии ИИ рассматривается третий подход к построению систем а именно, создание смешанных человекомашинных, или, интерактивных интеллектуальных систем, осуществляющих симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях являются оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

С ИИ тесно связаны математика, логика, теория информатики, филология, философия, психология и много других смежных областей знаний.

1.7. Подходы к построению ИИ.

1) логический – основанный на правилах логического вывода;

2) структурный – моделирование структуры человеческого мозга. Основой моделирования является нервная клетка – нейрон. (например, модель зрительного восприятия и распознавания –перцептрон). Отсюда направление –нейронные сети ( строим отдельный нейрон, разрабатываем топологию связей между нейронами, разрабатываем алгоритм обучения) Нейронные сети успешно применяются в задачах распознавания образов, в робототехнике, для обслуживания АЭС, ТЭС, в медицине, автономные летающие устройства для сбора разведывательной информации(беспилотные самолеты).Наиболее известны нейросети с обратным распространением ошибки, сети Хопфилда и стохастические (вероятностные) нейронные сети.

Легкое распараллеливание алгоритма и высокая производительность нейронных сетей даже в условиях неполноты информации является их неоспоримым примуществом.

3) эволюционный подход – построение начальной модели и разработка правил, по которым она может изменяться (эволюционировать).При этом начальная модель может быть любой (и логической, и структурной). Разрабатывается эволюционный алгоритм, проверка на оптимальность - то есть выбор наилучшей модели по определенному критерию, а дальше моделируются новые модели и т.д.

4) имитационный – кибернетический подход Объект, поведение которого имитируется, представляется черным ящиком. Главное, чтобы модель в аналогичной ситуации вела себя также как и моделируемый объект. Используется теория адаптивных систем и эволюционного развития.

5) смешанные системы

Замечания

Большой интерес представляют голографические системы обработки информации. Они обещают решение тех задач ИИ, с которыми не справляются даже самые мощные компьютеры. Это связано с тем, что некоторые ключевые механизмы работы нашего мозга похожи на механизмы работы оптической голограммы.

В рамках парадигм ФЛП предлагаются различные методики и инструменты для решения задач ИИ.