Машинне навчання
Навчання вважається серйозною проблемою ШІ. Її важливість безперечна, оскільки здатність до нього є однією з головних складових розумної поведінки. Експертна система може виконувати тривалі і працемісткі обчислення для вирішення проблем. Але на відміну від людини вона, якщо треба вирішити ту чи іншу проблему вдруге не „згадає” розв’язку і щоразу знову виконуватиме ті самі обчислення, а це не схоже на розумну поведінку. Більшість експертних систем обмежені негнучкістю їх стратегій прийняття рішень та складнощами модифікації великих обсягів коду. Розв’язання цих проблем полягає в тому, щоб примушувати програми вчитися самим на досвіді, аналогіях чи прикладах. Навчання є складною справою, проте існують такі програми, які спростовують побоювання про їх неприступність. Однією з таких є АМ – автоматизований математик, розроблений для відкриття математичних закономірностей. Відштовхуючись від закладених в неї понять та аксіом теорії множин, цій програмі вдалося вивести з них такі важливі математичні концепції, як потужність множини, цілочислова арифметика, багато результатів теорії чисел. АМ будував теореми, модифікуючи базу знань, і застосовував евристичні методи для пошуку найкращих з можливих альтернативних теорем.
Суттєвий вплив на цю галузь мали дослідження Уїнстона з виведення таких структурних понять, як побудова „арок” з наборів „світу блоків”. Алгоритм ІДЗ виявив здібності у вирізненні загальних принципів з різних прикладів. Система Meta-DENDRAL виводить правила інтерпретації спектрографічних даних з органічної хімії на прикладах інформації про речовини з певною структурою. Система Teiresias – інтелектуальний „інтерфейс” для експертних систем – перетворює повідомлення на високорівневій мові у нові правила своєї бази знань. Програма Hacker будує плани для маніпулювання у „світі блоків” за допомогою ітеративного процесу напрацювання плану, випробування виявлених недоліків. Робота у сфері навчання, яке базується на „поясненнях”, продемонструвала свою ефективність для навчання апріорного знання. Нині відомо багато біологічних і соціологічних моделей навчання. Успішність програм машинного навчання спонукає до думки про існування універсальних принципів, відкриття яких дало б змогу конструювати програми, здатні навчатися в реальних проблемних галузях.
Альтернативні уявлення: нейронні мережі та генетичні алгоритми
В багатьох випадках для реалізації інтелекту використовуються явні зображення знань і прискіпливо спроектовані алгоритми перебирання.
Зовсім інший підхід полягає у побудові інтелектуальних програм із застосуванням моделей, що імітують структури нейронів у людському мозку чи еволюцію різних альтернативних конфігурацій, як це робиться у генетичних алгоритмах та штучному житті.
рис. 1. Спрощена схема нейрона
Як показує схема нейрон (рис.1) складається з клітини, яка має багато розгалужень, що називаються дендритами, і одну гілку – аксон. Дендрити приймають сигнали від інших нейронів. Коли сума цих імпульсів перевищує певну межу, нейрон сам збуджується, а імпульс, чи „сигнал”, проходить по аксону. Розгалуження на кінцівці аксона утворюють синапси (місце контакту між нейронами) з дендритами інших нейронів. Синапси можуть бути збуджуючими (excitatory) чи гальмуючими (inhibitory), залежно від того, чи збільшують вони результуючий сигнал. Таке просте зображення нейрона передає основні риси, істотні у нейронних обчислювальних моделях. Наприклад, кожний обчислювальний елемент підраховує значення якоїсь функції своїх входів і передає результат до приєднаних до нього елементів мережі. Кінцеві результати є наслідками паралельної та розподільчої обробки у мережі, утвореної нейронними з’єднаннями і пороговими значеннями. Нейронні архітектури привабливі як засоби реалізації інтелекту з багатьох причин.
Традиційні програми ШІ можуть бути занадто нестійкими і чутливими до шуму. Людський інтелект є значно гнучкішим при обробці такої інформації із завадами, як обличчя у затемненій кімнаті чи розмови на шумних вечорницях. Нейронні архітектури більш придатні для зіставлення зашумлених чи недостатніх даних, оскільки вони зберігають знання у вигляді великої кількості дрібних елементів, розподілених по мережі.
За допомогою генетичних алгоритмів та методик штучного життя досягають нових рішень проблем з компонентів попередніх рішень. Генетичні оператори, такі як схрещування чи мутація, подібно до своїх еквівалентів у реальному світі, видають з кожним поколінням дедалі кращі рішення. У штучному житті нові покоління створюються на основі функції „якості” сусідніх елементів у попередніх поколіннях. Нейронні архітектури і генетичні алгоритми дають природні моделі паралельної обробки даних, оскільки кожний нейрон чи сегмент рішення являє собою незалежний елемент. Людина швидше розв’язує задачу, коли отримує більше інформації, тоді як комп’ютери, навпаки, уповільнюють роботу. Це уповільнення відбувається внаслідок збільшення тривалості послідовного пошуку в базі знань. Архітектура з масовим паралелізмом, наприклад людський мозок, не страждає на такий недолік. Крім того, є щось привабливе у підході до проблем інтелекту з позицій нервової системи чи генетики. Мозок як результат еволюції виявляє розумну поведінку і робить це через нейронні структури.