2. Успіхи систем штучного інтелекту і їхньої причини

Використання експертних систем і нейронних мереж приносить значний економічний ефект. Так, наприклад: - American Express [1] скоротила свої втрати на 27 млн. доларів у рік завдяки експертній системі, що визначає доцільність видачі або відмови в кредиті тій або іншій фірмі; - DEC щорічно заощаджує [1] 70 млн. доларів у рік завдяки системі XCON/XSEL, що за замовленням покупця становить конфігурацію обчислювальної системи VAX. Її використання скоротило число помилок від 30% до 1%; - Sira скоротила витрати на будівництво трубопроводу в Австралії на 40 млн. доларів [3] за рахунок керуючим трубопроводом експертної системи, реалізованої на базі описуваної нижче системи G2. Комерційні успіхи до експертних систем і нейронних мереж прийшли не відразу. Протягом ряду років (з 1960-х років) успіхи стосувалися в основному дослідницьких розробок, що демонстрували придатність систем штучного інтелекту для практичного використання. Починаючи приблизно з 1985 (а в масовому масштабі, імовірно, з 1988-1990 років), у першу чергу, експертні системи, а в останні два роки й нейронні мережі стали активно використатися в реальних додатках. Причини, приведшие системи штучного інтелекту до комерційного успіху, що випливають: 1. Спеціалізація. Перехід від розробки інструментальних засобів загального призначення до проблемно/предметно спеціалізованих засобів [4], що забезпечує скорочення строків розробки додатків, збільшує ефективність використання інструментарію, спрощує й прискорює роботу експерта, дозволяє повторно використати інформаційне й програмне забезпечення (об'єкти, класи, правила, процедури). 2. Використання мов традиційного програмування й робочих станцій. Перехід від систем, заснованих на мовах штучного інтелекту (Lisp, Prolog і т.п.), до мов традиційного програмування (З, З++ і т.п.) спростив "інтегрованість" і знизив вимоги додатків до швидкодії і ємності пам'яті. Використання робочих станцій замість ПК різко збільшило коло можливих додатків методів штучного інтелекту. 3. Інтегрованість. Розроблено інструментальні засоби штучного інтелекту, що легко інтегруються з іншими інформаційними технологіями й засобами (з CASE, СУБД, контролерами, концентраторами даних і т.п.). 4. Відкритість і переносимость. Розробки ведуться з дотриманням стандартів, що забезпечують дані характеристики [5]. 5. Архітектура клієнт/сервер. Розробка розподіленої інформаційної системи в даній архітектурі дозволяє знизити вартість устаткування, використовуваного в додатку, децентралізувати додатка, підвищити надійність і загальну продуктивність, оскільки скорочується обсяг інформації, що пересилає між ЕОМ, і кожен модуль додатка виконується на адекватному встаткуванні. Перераховані причини можуть розглядатися як загальні вимоги до інструментальних засобів створення систем штучного інтелекту. З п'яти факторів, що забезпечили їхній успіх у передових країнах, у Росії, мабуть, повністю не реалізовані чотири з половиною (у деяких вітчизняних системах здійснений перехід до мов традиційного програмування, однак вони, як правило, орієнтовані середовище на MS-DOS, а не ОС UNIX або Windows NT. Крім того, у Росії й СНД у ряді напрямків дослідження практично не ведуться, і, отже, у цих напрямках (нейронні мережі; гібридні системи; міркування, засновані на прецедентах; міркування, засновані на обмеженнях) не можна очікувати й появи комерційних продуктів.

Отже, в області штучного інтелекту найбільшого комерційного успіху досягли експертні системи й засоби для їхньої розробки. У свою чергу, у цьому напрямку найбільшого успіху досягли проблемно/предметно спеціалізовані засоби. Якщо в 1988 році доход від них склав тільки 3 млн. доларів, то в 1993 році - 55 млн. доларів.