Штучний інтелект

Вступ.

1. Історія інтелектуалізації комп'ютерів.

2. Підходи і напрямки до розуміння штучного інтелекту.

3. Експертні системи як вид систем штучного інтелекту.

4. Сучасне тлумачення проблеми штучного інтелекту. Застосування штучного інтелекту в Україні та світі.

Висновки.

Список використаної літератури.

Вступ

При вирішенні будь-якої задачі управління здійснюється обробка інформації на рівні спеціаліста з можливим залученням засобів комп’ютерної обробки. Інформаційне забезпечення повинне забезпечити ефективність обміну інформацією між керівництвом і об’єктом управління. В склад інформаційного забезпечення, звичайно, включають дані, які характеризують різнобічну діяльність підприємств, нормативні та законодавчі акти, що впливають на процеси господарювання, засоби їх формалізованого опису, програмні засоби ведення і підтримки баз даних. Швидкі зміни в політичній та економічній сферах країни ще більше підкреслили роль своєчасного інформаційного забезпечення для управління виробництвом. Економічні моделі діяльності часто визначаються не стільки інтересами власника виробництва, а і в значній мірі формуються під впливом дії законів та податкової політики держави. Це і обумовлює необхідність впровадження та мобільного використання експертних систем, які б допомагали орієнтуватися в динамічно змінному середовищі, — на що у менеджерів не вистачає часу через основні обов’язки.

Тепер, коли нагромаджено досвід в організації технологій переробки інформації, відбувається перехід до створення інформаційних технологій з використанням штучного інтелекту. Вважається, що основні напрями в галузі створення інформаційних технологій і штучного інтелекту пов’язані з винайденням ефективних систем подання знань і організацією процесу комунікації користувачів з ЕОМ, а також з плануванням доцільної діяльності та формуванням глобальної структури нормативної поведінки.

1. Історія інтелектуалізації комп'ютерів

З появою комп'ютерів почався розвиток наукових досліджень під загальною об'єднуючою назвою “штучний інтелект”. В 60-і роки провідними темами досліджень були евристичне програмування та використання формальної логіки. Це дозволяло програмувати шахову гру, доведення теорем та розв'язувати логічні задачі. Однак сподівання на ці методи виявилися перебільшеними. Формальна логіка дуже ідеалізує мислення людини, а пошук на дереві варіантів часто стає неефективним. Науковці дійшли розуміння необхідності ефективної репрезентації знань у машині. Як свідчить досвід розробки комп'ютерної системи CYC, навіть для відтворення здорового глузду десятирічного хлопчика довелося закодувати мільйон аксіом (правил). Тобто на програмування здорового глузду, яким володіє кожний психічно здоровий хлопчик, витратили приблизно стільки ж зусиль, як і на програмування “шахового розуму” на рівні чемпіону світу.

В той же час дослідники перейнялися такими цікавими задачами, як автоматичний переклад тексту, розуміння машиною усної мови, розпізнавання графічних зображень та образів, технічний зір (тобто сприйняття оточуючої обстановки через відеокамеру). Проблема перекладу тексту на іншу мову виявилася значно складнішою, ніж спочатку гадали оптимісти. Недостатньо вичерпно точно описати мову. Перекладачу необхідно розуміти зміст тексту, а для цього треба спиратися на модель світу, про який йдеться у тексті. А сприйняття усної мови ще складніше і включає цілу групу задач – розпізнання звуків та слів, синтаксичний та семантичний аналіз. Ще у 70-і роки розробники дійшли висновку, що ці процеси аналізу різних рівнів мають йти паралельно, взаємодіючи між собою і допомагаючи долати труднощі. Ця проблема дотепер не розв'язана задовільно. Наприклад, співробітники M.І.T. нещодавно)1 розробили систему GALAXY, яка може розуміти усні запитання клієнтів і відповідати їм, і хоча тематика питань обмежена погодою, рухом літаків та відомостями про Бостон, система часто помиляється. Поки що найкращі системи розпізнають не більше десяти тисяч слів і то помиляються майже на кожному четвертому слові.

Поєднання баз знань з логічними машинами (генераторами висновків) породило експертні системи. Це перший клас систем, “базованих на знаннях”, що зажив масового застосування. Виник напрямок інженерії знань. Були створені засоби вилучення знань у експертів та кодування їх у формі правил продукції. В експертних системах переважна частина знань жорстко зафіксована в формі правил продукції. Експертна система запитує у користувача дані і застосовує їх згідно зафіксованих правил. Ці системи відрізняються від традиційних програмних систем більшою гнучкістю, бо послідовність застосування правил не програмується прямо і заздалегідь, а визначається стратегією на основі поточної ситуації. Але ця різниця радше є способом програмування, аніж принциповою відмінністю у роботі. І не зовсім ясно, як мають співвідноситися стратегія виведення та зміст правил. Далі, з'ясувалося, що моделювання експерта вимагає, аби комп'ютер оперував нечіткою та суперечливою інформацією. Тому винайшли правила нечіткого виведення (з мірою невизначеності.) Опріч того, система знань має складну багаторівневу структуру.

Сучасні експертні системи будуються інакше. Вони базуються на моделях у формі так званих баєсових мереж. Замість “скирти” правил використовується модель у вигляді цілісної системи зв’язків, що адекватно описує проблемну область. Зв’язки відображають ймовірнісні залежності між змінними, що відтворює невизначеність поведінки. Вбудовані в модель “правила” можуть працювати в обох напрямках, а при потребі об’єднуються для сумісного застосування згідно наявної інформації. (Правила “склеюються докупи” в єдину конструкцію, придатну для виведення.) Структура моделі не лише каналізує процес виведення, а й може відображати причинно-наслідкові відношення.

Всі інтелектуалізовано (інтелектуальні) машини можна класифікувати згідно стосунків між середовищем, людиною та машиною. Відтак інтелектуальні машини поділяються на два основних роди – роботичні (автономні) і діалогово-комп’ютерні. Роботичні системи безпосередньо керують механізмами та пристроями у матеріальній діяльності. А діалогові комп'ютери отримують завдання (запитання) від людини і звітують їй інформаційними підсумками. Образно ці два роди можна назвати відповідно: 1) електронно-механічна “собака”; 2) електронна “голова професора Доуеля”. (Програмні агенти, що мігрують в Інтернеті, займають проміжне становище між названими родами.) Можна сказати, що діалогові комп'ютери відрізняються від роботів тим, що в них немає “ніг”, “очей”, засобів орієнтації та рівноваги, і що “руки” в них – слабкі і короткі, але є контактна рецепторна система (сьогодні – це переважно кнопки та “миша”) і доволі розвинутий орган індикації стану “мозку”. Центральна задача машини-робота – розпізнати ситуацію, синтезуючи інформацію сигналів датчиків. А “мозок” діалогового комп'ютера зайнятий задачами більш “теоретичними” та “байдужими” до безпосереднього оточення. Практичним використанням результатів вирішення цих задач переймається людина.

Виділивши інтелектуалізовано діалогово-комп'ютерні машини, мусимо відповісти на питання: який комп'ютер можна вважати інтелектуальним? Систему комп'ютерного інтелекту (СКІ) можна лаконічно визначити як систему із мікроелектронних структур, допоміжного обладнання і активної організованої інформації, яка виявляє інтелектуальні властивості і активну поведінку, що сприяє людині-користувачу у розв'язанні задач. Інтелектуальні властивості СКІ виявляються як здатність регулярно робити кроки (дії), несподівані для людини і рівночасно корисні для розв'язання задач. Оскільки інтелектуальність потрібна не як самоціль, а як засіб для роботи та досліджень, треба визначити критерії ефективності. (Це, поміж іншим, дозволить уникнути зайвих філософських сперечань щодо інтелекту.) Ефективність комп'ютерних систем у кінцевому рахунку може проявитися (“матеріалізуватися”) через два взаємопов'язані аспекти:

• зниження сумарних витрат (враховуючи непрямі) на розв'язання задач;

• отримання кінцевого суспільного ефекту від розв'язаних задач (економічного, екологічного, соціального, безпека і т.д.), а також через набуття нових знань (які мають дати ефект у майбутньому).

З одного боку, інтелектуалізація полегшує процес розв'язання задач і економить розумові зусилля людини на одержання рішення. Це сприяє автоматизації все більшого числа функцій управлінців, службовців, аналітиків, секретарів, викладачів, операторів, керівників, і підіймає на новий щабель технологію їхньої праці. З іншого боку, мобілізуючи суспільні знання, інтелектуалізація дає змогу розв'язати нові проблеми, які не піддавалися раніше, тобто дозволяє подолати традиційні обмеження на шляху розв'язання складних проблем. Тим самим зростає “креативний потенціал” системи. Перелічимо механізми, завдяки яким може досягатися зростання креативного потенціалу системи.

1. Стимуляція творчих можливостей людини, “синергізм” людської інтуїції з обчислювальною швидкістю і бездоганною пам'яттю комп'ютера. Завдяки комфортному інформаційному середовищу і дружньому інтерфейсу системи експерти можуть безпосередньо впливати на процес розв'язання задачі у машині. А образне зображення на дисплеї комп'ютера стимулює евристичне мислення людини.

2. Інтеграція і концентрована мобілізація суспільних знань. Накопичений людством досвід і різноманітні знання вкладаються в комп'ютерні бази знань частинами, поступово і з різних джерел, а у розв’язанні задач можуть використовуватись практично одночасно.

3. Безпосередня інтеграція інтелекту різних експертів під час їх оперативної взаємодії за посередництвом СКІ. Забезпечується якісно новий вид “мозкового штурму”.

СКІ об'єднує зусилля та інтелект різних фахівців і експертів завдяки тому, що допомагає здолати мовне та термінологічне непорозуміння між людьми, а також усуває соціально-психологічні перепони спілкування. Вже зараз спілкування через глобальну комп'ютерну мережу Іnternet (в формі електронних конференцій) дозволяє людям позбутися тиску авторитетів, дискомфорту соціальної нерівності та психологічної несумісності. А інтелект СКІ додасть до цього ще можливість порозумітися фахівцям, що мислять різними системами понять і різними мовами.

Технологію використання знань в експертних системах можна назвати "комп'ютеро-центричною". Більшість сучасних комп'ютерних систем не можуть розв'язувати задачі самостійно, і для рішення необхідні інтуїція і інтелект людини-фахівця. Такі системи працюють у режимі “людино-центричної” технології, коли в діалозі спрямовуюча роль належить людині. Однак контакт між людиною і комп'ютером в таких системах – дуже примітивний. Ймовірно, в майбутніх системам втілиться "людино-орієнтована симбіотична" технологія взаємодії. Важливими рисами машини мають стати розуміння мови, наближеної до людської; людиноподібні реакції, логіка, та поведінка у діалозі; здатність розв'язувати не строго сформульовані задачі; здатність до навчання; розуміння аналогій та метафор і т.д.

Одною з типових СКІ може стати електронний помічник експерта, консультанта або аналітика для прогнозування і пояснення реальних явищ і процесів. Такі СКІ можуть застосовуватись в центральних державних органах при дослідженні економічних і соціальних процесів, при обґрунтуванні рішень, у бізнесі, і т.д. Їх основою стануть методи, що розвиваються в рамках нового напрямку в галузі штучного інтелекту – data mіnіng and knowledge dіscovery іn data (що за змістом можна передати як відпрацювання даних та виявлення знань). Ці методи виявляють закономірності у великих базах даних і вилучають звідти ці закономірності у “кристалізованій” формі. Можна сказати, що ці методи автоматично узагальнюють інформацію, видобувають знання шляхом концентрації (“збагачення”) інформації, яка розпорошена у величезній сукупності даних. Методи включають, зокрема, класифікацію, виявлення асоціацій, виявлення трендів, відхилень і аномалій, моделювання залежностей та навіть каузальних відношень. Комп'ютер просіює дані, вилучаючи звідти регулярні патерни, стійкі співвідношення (пропорції), “відбитки” джерела даних.

Інший напрямок застосування СКІ – інформаційне обслуговування і посередництво між людьми, функції "електронного секретаря" менеджера або керівника установи. Такій системі, наприклад, для планування зустрічей, треба розуміти зміни життєвих обставин людей і психологічні особливості. Глобальна комп'ютерна мережа Іnternet, дотягуючи своє павутиння до кожного робочого місця, перетворює електронні комунікації (пошту, конференції, електронні бібліотеки) на основні канали інформації. Потоки інформації невпинно зростають. На комп'ютер перекладають сортування, аналіз потоків листів, їх підготовку. Отож він мусить сприймати професійні жаргони, стежити за взаєминами між людьми і зважати на приховані інтереси, розуміти стиль та діалект кожного адресату, а при необхідності – і різні національні мови. Таким же чином комп'ютер може готувати огляди періодики і витяги зі звітів. Треба мати на увазі, що суб'єктивні погляди і уявлення власника комп'ютера звичайно не висловлені мовою, а лише проглядаються у поведінці людини. Для абонентів Інтернету розробники вже пропонують перші зразки так званих інтелектуальних агентів. Наприклад, програма Yenta, спостерігаючи електронне листування, «втямлює» ваші потреби і підшукує респондентів для зустрічі, а також знаходить потрібні вам товари і збиває ціну.

Можливе застосувати СКІ і при розв'язанні широкого кола наукових, пошукових та інженерних задач. Один з менеджерів фірми Mіcrosoft нещодавно визнав, що додання все нових можливостей та засобів у нові версії програмних продуктів значно ускладнює працю користувача. Мета інтелектуалізації полягає в тому, щоб звільнити користувача від необхідності нишпорити у великих каталогах і бібліотеках програм і пакетів в пошуках найбільш придатного інструменту, або занурюватись в ієрархічні глибини меню дій та сервісів. Уявімо, що людина може просто подати на вхід системи завдання у вигляді стислих (лаконічних) вказівок. Наприклад, просто дати опис мети, опис шляхів та методів її досягнення і початкові умови задачі. Реалізувати цю ідею заважають термінологічні розбіжності, неоднозначність слів і мовних конструкцій і т.д. Згідно рівня здібностей комп'ютера сприймати і виконувати вказівки (запити) людини можна розрізняти два ступені інтелектуалізації – “поверхневу” і глибоку. Поверхнево – інтелектуалізована система просто намагається ототожнити (ідентифікувати) запит з одним із завдань, що зберігаються в системі і вже запрограмовані. "Тямущість" такої системи обмежена здатністю вірно вибирати завдання з-поміж фіксованого їх переліку. Інтелектуальний інтерфейс такого типу підходить для систем, які працюють з постійним об’єктом, коли багато чого “розуміється без слів”. Про глибоку інтелектуалізацію системи доречно говорити, якщо система здатна сприймати і виконувати будь-які нові розумні завдання або запити з широкої галузі, подані в узагальнений, неповній формі (зокрема, на професійній мові). Система має "збагнути", які дії випливають з поданого запиту, спланувати і організувати виконання завдання. При цьому доводиться автоматично виявляти і долати можливі помилки і суперечності у формулюванні завдання, виявляти, якої інформації не вистачає, а також пропонувати варіант корекції завдання. Такі здібності створюють ілюзію, що система "розуміє" завдання. Для цього комп'ютеру треба орієнтуватися у великих базах знань, які описують не лише моделі галузей науки, але й зв'язки між галузевими знаннями, утворюючі багатобічні моделі світу.

Ніяка система не зможе відразу повністю “зрозуміти” складну задачу і вичерпно сформувати завдання. Часто сам користувач спочатку не дуже чітко усвідомлює, чого прагне. Отож система повинна лише розпочати просування в напрямку до розв'язання задачі. Завдання розпадається на низку “розвідувальних” задач і кроків. Наскільки великі кроки треба робити комп'ютеру? Тут необхідно пройти між Сциллою ледачого тугодума і Харибдою некерованого ерудита. Надто мала глибина аналізу означає, що майже все доведеться робити самій людині. Навпаки, надто велика глибина аналізу веде до того, що комп'ютер порине у розгляд численних версій, які швидко розгалужуються і потім виявляються хибними. Система буде довго “думати”, а користувач втомиться од невдалих пропозицій та запитів. Тому треба регулювати глибину аналізу, оцінюючи достовірність гіпотез та висновків і контролюючи поточний рівень взаєморозуміння між системою і користувачем.

Аби донести до людини “внутрішньо-комп'ютерний” поточний стан розв'язання завдання, потрібне наочне відображення на екрані поточної ситуації та проміжних результатів. Когнітивні образи, “зорові мапи”, – це все, що може дати комп'ютер в таких ситуаціях. Адже щоб поінформувати користувача мовою, треба осмислити (зрозуміти) ситуацію, а цього комп'ютер не може. (Через це поки що невідомо, як підключити комп’ютер безпосередньо до “розуму” людини.)

Отже, інтелектуалізація комп'ютера забезпечує полегшення праці кінцевого користувача за рахунок зростання витрат праці розробників та системних програмістів. Це каталізує експансію інформаційних технологій в масові сфери людської діяльності. Тим самим робиться новий оберт спіралі технологічної еволюції комп'ютерних систем, яку ми сприймаємо як інформаційну революцію.

2. Підходи і напрямки до розуміння штучного інтелекту

«Штучний інтелект» — розділ інформатики, що займається формалізацією задач, які нагадують задачі, виконувані людиною. При цьому в більшості випадків наперед невідомий алгоритм розв'язання задачі. Точного визначення цієї науки немає, оскільки у філософії не розв'язане питання про природу і статус людського інтелекту. Немає і точного критерію досягнення комп'ютером «розумності», хоча перед штучним інтелектом було запропоновано низку гіпотез, наприклад, Тест Тюринга або гіпотеза Ньюела-Саймона. Нині є багато підходів як до розуміння задач ШІ, так і до створення інтелектуальних систем.

За визначенням, штучний інтелект — це штучна система, яка імітує рішення людиною складних завдань в процесі його життєдіяльності (лат. іntelektus — розум; розумові здібності людини). Людина у своїй діяльності використовує різноманітні інтелектуальні функції (інтуїція, творчість, уява, асоціація, індукція, дедукція, обчислення, пошук та ін.). Створення штучних систем, які б реалізовували ці функції і є головним завданням проблематики штучного інтелекту.

Одна з класифікацій виділяє два підходи до розробки ШІ:

· нисхідний, семіотичний — створення символьних систем, моделюючих високорівневі психічні процеси: мислення, судження, мова, емоції, творчість і т. д.;

· висхідний, біологічний — вивчення нейронних мереж і еволюційні обчислення, моделюючі інтелектуальну поведінку на основі більш менших «не інтелектуальних» елементів.

Ця наука пов'язана з психологією, нейрофізіологією, трансгуманізмом та іншими. Як і всі комп'ютерні науки, вона використовує математичний аппарат. Особливе значення для неї мають філософія і робототехніка. Штучний інтелект — дуже молода область досліджень, започаткована 1956 року. Її історичний шлях нагадує синусоїду, кожен «зліт» якої ініціювався якою-небуть новою ідеєю. На сьогодні її розвиток перебуває на «спаді», поступаючись застосуванню уже досягнутих результатів в інших областях науки, промисловості, бізнесі і навіть повсякденному житті.

Існують різні підходи до створення систем ШІ. На даний момент можна виділити 4 досить різних підходи:

Логічний підхід. Основою для вивчення логічного підходу слугує Булева алгебра. Кожен програміст знайомий з нею з тих пір, коли він вивчав оператор ІF. Свого подальшого розвитку Булева алгебра отримала у вигляді обчислення предикатів — в якому вона розширена за рахунок введення предметних символів, відношень між ними. Крім цього, кожна така машина має блок генерації цілі, і система виводу намагається довести дану ціль як теорему. Якщо ціль досягнута, то послідовність використаних правил дозволить отримати ланцюжок дій, необхідних для реалізації поставленої цілі (таку систему ще називають експертною системою). Потужність такої системи визначається можливостями генератора цілей і машинного доведення теорем. Для того щоб досягти кращої виразності логічний підхід використовує новий напрям, його назва — нечітка логіка. Головною відмінністю цього напряму є те, що істинність вислову може приймати окрім значень так/ні (1/0) ще й проміжне значення — не знаю (0.5), пацієнт швидше за все живий, ніж мертвий (0.75), пацієнт швидше за все мертвий, ніж живий (0.25). Такий підхід більш подібний на мислення людини, оскільки він рідко відповідає так або ні.

Під структурним підходом ми розуміємо спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Головною моделюючою структурною одиницею в перцептронах (як і в більшості інших варіантах моделювання мозку) є нейрон. Пізніше виникли і інші моделі, більш відомі під назвою нейронні мережі (НМ) і їхні реалізації — нейрокомп’ютери. Ці моделі відрізняються за будовою окремих нейронів, за топологією зв’язків між ними і алгоритмами навчання. Серед найбільш відомих на даний час варіантів НМ можна назвати НМ зі зворотнім розповсюдженням помилки, сітки Кохонена, сітки Хопфілда, стохастичні нейрони сітки. В більш ширшому розумінні цей підхід відомий як Конективізм. Відмінності між логічним та структурним підходом не стільки принципові, як це здається на перший погляд. Алгоритми спрощення і вербалізації нейронних мереж перетворюють моделі структурного підходу в явні логічні моделі.[1] З іншої сторони, ще в 1943 році Маккалок і Піттс показали, що нейронна сітка може реалізувати будь-яку функцію алгебри логіки[2].

Еволюційний підхід. Під час побудови системи ШІ за даним методом основну увагу зосереджують на побудові початкової моделі, і правилам, за якими вона може змінюватися (еволюціонувати). Причому модель може бути створена за найрізноманітнішими методами, це може бути і НМ, і набір логічних правил, і будь-яка інша модель. Після цього ми вмикаємо комп’ютер і він, на основі перевірки моделей відбирає найкращі з них, і по цих моделях за найрізноманітнішими правилами генеруються нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний алгоритм.

Імітаційний підхід. Цей підхід є класичним для кібернетики з одним із її базових понять чорний ящик. Об’єкт, поведінка якого імітується, якраз і являє собою „чорний ящик”. Для нас не важливо, які моделі в нього всередині і як він функціонує, головне, щоби наша модель в аналогічних ситуаціях поводила себе без змін. Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, без поділу на елементарні операції і формального опису дій. Часто ця властивість економить багато часу об’єкту, особливо на початку його життя.

В рамках гібридних інтелектуальних систем намагаються об’єднати ці напрямки. Експертні правила висновків можуть генеруватися нейронними мережами, а породжуючі правила отримують з допомогою статистичного вивчення. Багатообіцяючий новий підхід, який ще називають підсилення інтелекту, розглядають досягнення ШІ в процесі еволюційної розробки як поточний ефект підсилення людського інтелекту технологіями.

Кінцевою метою досліджень з питань «штучного інтелекту» є розкриття таємниць мислення та створення моделі мозку. Принципова можливість моделювання інтелектуальних процесів випливає з основного гносеологічного результату кібернетики, який полягає у тому, що будь-яку функцію мозку, будь-яку розумову діяльність, описану мовою з суворо однозначною семантикою за допомогою скінченного числа слів, в принципі можна передати електронній цифровій обчислювальній машині (ЕЦОМ). Сучасні ж наукові уявлення про природу мозку дають підстави вважати, що принаймні в суто інформаційному аспекті найістотніші закономірності мозку визначаються скінченною (хоч, може, й надзвичайно великою) системою правил.

Хоч проблема «штучного інтелекту» тісно пов'язана з потребами практики, однак тут немає єдиної загальної практичної задачі, яка б однозначно визначала розвиток теорії, проте є багато задач, які є частковими, вузькими. Тому проблема «штучного інтелекту» — це фактично цілий комплекс проблем, які характеризуються різним ступенем загальності, абстрактності, складності й розробленості і кожній з яких властиві свої принципові й практичні труднощі. Це такі проблеми, як розпізнавання образів, навчання й самонавчання, евристичне програмування, створення загальної теорії самоорганізовуваних систем, побудова фізичної моделі нейрона та ін., багато з яких мають велике самостійне значення. По всіх цих напрямах одержано важливі результати, як практичного так і теоретичного характеру, продовжуються інтенсивні дослідження.

Оскільки крім малочисельних оптимістів майже ніхто не намагається саме "виготовити" інтелект, аналогічний людському, то мова ведеться про створення системи, яка буде здатна реалізувати певні моделі інтелекту.

проблемна галузь — містить предметну галузь та завдання, які в ній вирішуються;

знання — це основні закономірності предметної галузі, які дають людині змогу вирішувати конкретні професійні та інші завдання, а саме: факти, поняття, правила, оцінки, взаємозалежності, евристики, а також стратегії прийняття рішень у цій галузі. Знання — це сукупність відомостей, які створюють цілісний опис, що відповідає деякому рівню обізнаності про питання, предмет, проблему, що описуються.

Склад знань інтелектуальних програмних систем залежить від проблемної галузі, від структури системи, від вимог та цілей користувачів, від мови спілкування.

Знання та дані мають багато спільного, а різницю між ними дають змогу уяснити такі терміни, як екстенсіонал та інтенсіонал, що належать до будь-якого поняття, яке використовує людина. Екстенсіонал — набір конкретних фактів, що відповідають даному поняттю. Інтенсіонал — визначення або опис деякого поняття через його властивості. Наприклад, для поняття "поліклініка" екстенсіоналом є набір типу: "дитяча поліклініка, заводська поліклініка, поліклініка № 4 і т. ін.", а інтенсіонал може мати, наприклад, такий вигляд: "медичний заклад для подання амбулаторної допомоги за місцем мешкання або роботи". Інтенсіонал відокремлює знання від даних, які завжди задаються екстенсіонально.

Основною складовою частиною інтелектуальних програмних систем є база знань. База знань — це сукупність систематизованих основоположних відомостей, які належать до відповідної галузі знання, зберігаються у пам'яті ЕОМ, об'єм яких є необхідним та достатнім для вирішення заданого кола теоретичних чи практичних завдань. Іншими словами, база знань — це семантична модель, яка призначена для представлення в ЕОМ знань накопичених людиною у визначеній предметній галузі. Ці моделі можна розділити на два типи: логічні та евристичні. Прикладами логічних моделей є моделі обчислення предикатів, моделі індуктивного типу, а до евристичних моделей віднесені продукційні, фреймові, мережні. Частіше всього експертні системи використовують продукційні моделі баз знань, де продукціями є пари виду "умова — дія" ("якщо…то"), які люди використовують при міркуваннях. Такі системи, в яких вихідною інформацією є не тільки вихідні дані завдання, але й правила обробки цих даних, що подаються у вигляді продукцій, називають продукційними.

3. Експертні системи як вид систем штучного інтелекту

База знань є змістовною частиною банку знань, який необхідно розглядати як сховище знань, що являє собою у сукупності і самі знання і засоби, за допомогою яких здійснюється їх накопичення, збереження, оновлення та використання, а також засоби управління усіма цими процесами.

В системах штучного інтелекту і в експертних системах зокрема вирішуються, як правило, неформалізовані завдання. До них належать завдання, які мають одну або декілька наступних характеристик:

— завдання не можуть бути заданими в числовій формі;

— їх цілі не можуть бути відображені у термінах точно визначеної цільової функції;

— не існує алгоритмічного рішення завдань,

— алгоритмічне рішення існує, але його не можна використати через обмеженість ресурсів (час, пам'ять).

Експертні системи — одне з найбільш суттєвих практичних досягнень у галузі штучного інтелекту. Сфера їх застосування постійно поширюється, досягнуті значні результати при вирішенні реальних завдань. Вони обумовили велике зацікавлення експертними системами не тільки спеціалістів-теоретиків, але й практичних працівників у найрізноманітніших галузях людської діяльності. Причинами цього зацікавлення є: по-перше, ЕС орієнтовані на вирішення широкого кола завдань у неформалізованій галузі, що раніше вважалося мало доступним для обчислювальної техніки; по-друге, ЕС призначені для роботи фахівців, які не мають навичок програмування, що дає змогу поширення сфери використання обчислювальної техніки; по-третє, ЕС призначені для вирішення практичних завдань і при цьому дають результати, які не гірше, а часто навіть переважають ті, що може отримати людина-експерт, користуючись традиційними засобами. Найбільш високих результатів на цей час досягнуто при розробці та використанні ЕС , які реалізують таку інтелектуальну функцію, як дедукція.

ЕС поклали початок розвитку сукупності методів "інженерії знань" — технічних прийомів використання знань, які склали на час появи ЕС новий підхід до створення високоефективних програмних систем. Якщо при традиційному використанні ЕОМ процес обробки інформації полягає у виконанні програми, за такими технологіями — це отримання потрібних знань.

Загальні вимоги до організації процесу обробки інформації за інтелектуальними технологіями: вирішення завдання має розглядатися як подання користувачу потрібного знання; інформаційна потреба "споживача" у знаннях визначається як відсутність інформації для вирішення загального завдання у складі людино-машинної системи (ЛМС); хід вирішення завдання у будь-який проміжок часу оцінюється за станом системи знань обчислювальної системи. Отже, відмінна риса обробки знань полягає у корінній зміні людино-машинних відносин і становленню нового стилю вирішення проблем.

Світовий досвід створення експертних систем базується на дотриманні таких основних принципів їх розробки:

1. Потужність експертної системи обумовлена в першу чергу потужністю бази знань та можливістю її поповнення і тільки у другу чергу — методами (процедурами), які вона використовує. Раніше у дослідженнях у галузі штучного інтелекту панувала інша точка зору.

2. Знання, що дозволяють експерту (або експертній системі) отримувати якісні та ефективні рішення своїх завдань, є в основному евристичними, експериментальними, невизначеними, правдоподібними. Причинами цього є те, що ці завдання є неформалізованими або слабоформалізованими, а знання експертів мають індивідуальний характер, тобто властивий конкретній людині.

3. Враховуючи неформалізованість завдань, які вирішуються, та евристичний, особистосний характер знань, що при цьому використовуються, користувач (експерт ) повинен мати можливість безпосередньої взаємодії з експертною системою у діалоговій формі.

У зв'язку з тим, що основним джерелом потужності ЕС є знання, ці системи повинні мати здібності до набуття знань і характеризуватися такими головними властивостями:

1) ЕС обмежена визначеною сферою експертизи;

2) компетентність ЕС має бути не нижче рівня експерта-фахівця;

3) здатність до міркувань при сумнівних даних на основі символьних перетворень з використанням окремих та загальних схем міркувань;

4) здатність вирішувати реальні завдання у межах предметної галузі та надавати пояснення прийнятим рішенням зрозумілим способом;

5) факти та механізм виводу чітко розмежені одне від одного;

6) відкритість ЕС, тобто можливість нарощування системи;

7) ЕС базується на використанні правил і здатна переформульовувати запити та завдання;

8) здатність до метаміркувань (міркувань про свою роботу та структуру);

9) ЕС на виході надає пораду (не таблиці цифр, малюнки, а чітку пораду);

10) ЕС повинна бути економічно вигідною.

Особливості побудови і функціонування експертних систем розглянемо на прикладі системи продукційного типу. Така типова експертна система у своєму складі має такі компоненти (див. рис. 2):

— база знань , яка зберігає множину продукцій (у загальному випадку правил);

— робоча пам'ять, яка зберігає дані (база даних);

— інтерпретатор, який вирішує на основі знань, що є в системі, поставлене їй завдання;

— лінгвістичний процесор, який здійснює діалогову взаємодію з користувачем (експертом) на природній для нього мові;

— компонента надбання знань;

— пояснювальна компонента, яка дає пояснення діям системи та відповідає на питання, чому ті чи інші висновки були зроблені.

Основою кожної експертної системи є широкий запас знань про конкретну проблемну галузь. У більшості випадків ці знання організовані як деяка сукупність правил, які дозволяють робити висновки на основі вихідних даних або припущень. У відповідності з загальною схемою ЕС для її функціонування необхідні такі знання:

· знання про процес вирішення завдання (керуючі знання), які використовує інтерпретатор;

· знання про мову спілкування та способи організації діалогу, які використовує лінгвістичний процесор;

· знання про способи подання та модифікації знань, які використовує компонента надбання знань;

· підтримуючі структурні та керуючі знання, які використовує пояснювальна компонента.

Експертна система працює у двох режимах: у режимі надбання знань і у режимі вирішення завдань. У режимі надбання знань у спілкуванні з експертною системою приймає участь експерт (через інженера по знанням). У цьому режимі експерт наповнює систему знаннями (правилами), які дозволять їй у режимі рішення самостійно вирішувати завдання з галузі експертизи.

У режимі вирішення завдань у спілкуванні з ЕС приймає участь користувач, якого цікавить результат і (або) спосіб отримання рішення. Необхідно зазначити, що в залежності від призначення ЕС користувач може або не бути фахівцем у даній проблемній галузі (у цьому випадку він звертається до ЕС за порадою, тому що не вміє отримати відповідь сам), або бути фахівцем (у цьому випадку користувач може й сам отримати результат, але звертається до ЕС з метою прискорити процес отримання результату чи з метою покласти на ЕС рутинну роботу).

У режимі надбання знань експерт вводить у систему продукції про галузь експертизи. Продукції (у більш загальній трактовці правила) подаються на природній для користувача мові. Об'єднання знов введених продукцій з базою знань здійснюється компонентою надбання знань. Для того щоб переконатись у достатності знань (тобто переконатися у тому, що процес налагодження системи завершено), експерт перевіряє роботу системи на тестових прикладах. Якщо отриманий експертом результат його не задовольняє, то він за допомогою пояснювальної компоненти отримує відомості про те, яким чином був цей результат сформований і, при необхідності, вносить корективи у введені продукції (правила). По завершенні процесу налагодження система передається користувачам для експлуатації.

Функція компоненти надбання (засвоєння) знань полягає у підтримці процесу здобуття знань з вузько спеціалізованої предметної галузі. Звичайно, дані про предметну галузь мають уривчастий характер, слабко структуровані та погано формалізовані. Функції передачі знань від джерела до експертної системи виконуються інженерами по знанням. Це найбільш вузьке місце при створенні ЕС . Робляться спроби автоматизації цього процесу. Одним з найбільш простих способів є організація роботи експерта з використанням опитово-відповідальної системи. Сьогодні вже створені програми, які здатні навчатися як фактичним знанням про предметну галузь, так і знанням про стратегії вирішення завдань.

Зазначимо, що вдосконалення, внесені розробниками у сучасні системи управління базами даних, дозволяють використовувати їх при створенні експертних систем. При цьому СУБД використовують не тільки як системи, які забезпечують маніпулювання базою фактів, а навіть як інструментальні засоби побудови ЕС.

4.Сучасне тлумачення проблеми штучного інтелекту. Застосування штучного інтелекту в Україні та світі

Проблема штучного інтелекту відноситься до групи "хронічних" проблем, розв’язання яких насправді не є необхідним для виживання людства. Основною рушійною силою на сучасному етапі є наукова цікавість. Пройшли ті часи коли створення повноцінного штучного інтелекту вважалось цілком здійснимою метою, досягнення якої при порівняно невеликих капіталовкладеннях (а в умовах холодної війни світових наддержав гроші для розробки стратегічних напрямків науки взагалі не лічили) обіцяло надати кардинальні економічні та військові переваги. Розробка проблеми хоча і не наблизила нас до створення діючого штучного інтелекту, однак стимулювало розвиток багатьох галузей практичної науки і справила значний вплив на процес пізнання людиною себе як мислячої істоти. Зокрема, збагатилися наші знання принципів роботи мозку, його фундаментальних механізмів та його молекулярної природи. Прямим розвитком цієї сфери знання повинно бути розумне керування мозком у майбутньому, а також використання законів його діяльності для конструювання різноманітних механізмів, що складають основу технічного прогресу в нашу епоху.

Наукові дослідження у галузі штучного інтелекту поділяють на два напрямки: програмно-прагматичний та біонічний. Перший напрямок охоплює створення програм, за допомогою яких можна вирішити завдання, що до цього вважалися виключною прерогативою людини (логічні задачі, задачі пошуку, класифікації і т. ін.). Другий напрямок досліджує проблеми штучного відтворення тих структур і процесів, які характерні для живого людського мозку та лежать в основі процесу рішення завдань людиною. У зв'язку зі складністю цілей та завдань біонічного напрямку на цей час у галузі штучного інтелекту домінує програмно-прагматичний напрямок. У цьому напрямку не стає питання про адекватність структур та методів, що використовуються, тим, якими користується в аналогічних випадках людина, а розглядається лише кінцевий результат рішення конкретних завдань.

З точки зору практичних результатів програмно-прагматичного напрямку виділяють такі розділи: інтелектуальні програми (програми рішення інтелектуальних завдань), робота зі знаннями (теорія і програми), інтелектуальне програмування (теорія та сервісні інтелектуальні програми), інтелектуальні програмні системи. Видами інтелектуальних програмних систем є: експертні системи, інтелектуальні інформаційні системи, розрахунково-логічні (гібридні) системи, інтелектуальні системи проектування та наукових досліджень, інтелектуальні роботи, системи для навчання.

В проблемі штучного інтелекту, на мій погляд, можна виділити два основних напрямки, які на сьогодні співіснують:

1. Напрямок, який є розвитком класичного розуміння штучного інтелекту (задачі зворотного конструювання інтелекту людини).

2. Сучасний напрямок пов’язаний з еволюційним підходом.

Класичний підхід вважає що для створення штучного інтелекту треба досконало вивчити людський мозок, тобто матеріальне втілення природного інтелекту. Після цього буде легко змоделювати всі процеси в мозку за допомогою технічних засобів. Отримана модель і буде володіти штучним інтелектом.

Класичний підхід пройшов в своєму розвитку довгий шлях від вивчення будови окремих нейронів до сучасного функціонального магнітно-резонансного нейрокортування мозку, що дозволяє напряму вивчати еволюцію функціональних систем.

Головним теоретичним здобутком класичного підходу стало розуміння принципової помилковості обраного шляху досліджень. Цінними також є розроблені частинні випадки штучного інтелекту: експертні системи, системи розпізнавання образів і мови. Головна мета, а саме, створення повноцінного штучного інтелекту, який би пройшов тест Тьюрінга, не була досягнута. Важливим наслідком класичного підходу стало розуміння того що ми не до кінця розуміємо саме поняття інтелект. Безперечно, існує багато визначень інтелекту, однак весь час виявляється що його дійсна сутність втікає від науковців. Таким чином питання про створення штучного інтелекту відкладається до з’ясування змісту поняття інтелекту взагалі. Відповідь на це питання дозволить чітко уявити той позитивний результат який ми намагаємось досягти і відрізнити його від хибних результатів.

Отже, проблема штучного інтелекту виявилась однією із таких, в центрі якої стоїть людина. Адже людському інтелекту належить осягнути зміст інтелекту взагалі а значить і себе як його частинний випадок. Саме тут міститься основний філософський акцент цієї проблеми. Розглядаючи інтелект як інструмент розв’язання різноманітних задач, ми приходимо до бачення задачі створення штучного інтелекту як задачі задач. Звичайно в такому формулюванні проблему розв’язати не можна.

Історія досліджень в галузі штучного інтелекту на сьогодні виглядає різноманітною і повчальною. Тут були і злети і розчарування. Нестримний оптимізм змінювався обережною розважливістю. Багато вчених присвятили свою кар’єру проблемі інтелекту, навіть не домовившись про його зміст.

У зв’язку з проблемою ШІ розвинулись та отримали новий поштовх багато наук. Інформатика змінила наші уявлення про інтелект та інтелектуальні засоби праці, так і не давши остаточних відповідей на філософські питання. Комп’ютери дозволили людині дізнатися про себе більше ніж про комп’ютер [4].

Спроби створення частинних випадків штучного інтелекту дозволили навчити машини розпізнавати образи, маніпулювати інформацією і базами знань, підтримувати спілкування з людиною, але не дали відповіді на найважливіше питання, що таке свідомість. І чи можливий інтелект без свідомості.

Виявилось що найскладніше це не розміщення знань у машині, а видобування їх з людини. Вивчення природних мов та способів подання знань в людській свідомості також збагатили наші знання про себе. Проблема штучного інтелекту виявилась суттєво антропологічною. І хоча сучасний еволюційний підхід розглядає людський інтелект лише як частинний випадок інтелекту взагалі, наша власна свідомість залишається тим єдиним доступним мірилом, тим еталоном, за яким ми будемо завжди оцінювати успіхи в моделюванні інтелекту.

Банки застосовують системи штучного інтелекту (СШІ) в страховій діяльності (актуарна математика) при грі на біржі і управління власністю. В Серпні 2001 року роботи виграли в людей у імпровізованому змаганні по трейдингу BBC News, 2001). Методи розпізнавання образів, (включаючи, як більш складні і спеціалізовані, так і нейронні сітки) широко використовують при оптичному і акустичному розпізнаванні (в тому числі тексту і голосу), медицинській діагностиці, спам-фільтрах, в системах ППО (визначення цілей), а також для забезпечення ряду інших задач національної безпеки.

Розробники комп'ютерних ігор вимушені застосовувати ШІ тої чи іншої міри пропрацьованості. Стандартними задачами ШІ в іграх є відшукання шляху в двовимірному або тривимірному просторі, імітація поведінки бойової одиниці, обрахунок вірної економічної стратегії і так далі.

Проглядаються два напрямки розвитку ШІ:

· перший полягає у вирішенні проблем, пов'язаних з наближенням спеціалізованих систем ШІ до можливостей людини і їх інтеграції, яка реалізована природою людини.

· другий полягає у створенні Штучного Розуму, який представляє інтеграцію уже створених систем ШІ в єдину систему, здібну вирішувати проблеми людства.

Висновки

Штучний інтелект (ШІ) застосовується сьогодні в багатьох прикладних галузях. Практично усі вони, може бути, і не так швидко, як хотілося б, але неухильно і безупинно розвиваються. В останні роки сучасні ІТ-технології зробили дуже різкий стрибок уперед, в основному за рахунок підвищення продуктивності масових процесорів і стрімкого здешевлення пам'яті (як оперативної, так і "твердої"). Це привело до появи додатків, у яких утілені серйозні теоретичні наробітки ШІ.

При цьому можна відзначити дві тенденцій. З однієї сторони найбільший у світі фінансист досліджень по ШІ (особливо по робототехніці) — це військове наукове агентство DARPA. Сучасна зброя немислима без підходів ШІ (переважно нейронних технологій, нечітких експертних систем і інтелектуальних обчислювачів), що дозволяють за допомогою щодо малих ресурсів одержувати досить точні результати, для перебування яких класичними методами чисельної математики потрібні були б потужності суперкомп'ютерів. Наприклад, реалізація режиму автономного польоту на невеликій висоті в поганих погодних умовах без використання заздалегідь підготовленої комп'ютерної бази рельєфу вимагає застосування високоефективних механізмів синхронізації руху з даними, одержуваними від системи навігації GPS, відеокамер, радарів і інших датчиків.

Список використаної літератури

1. Балабанов О. Комп'ютерний інтелект: можливості і реальність //Вісник Національної Академії наук України. — 1997. — № 9-10. — C. 16-21

2. Богатырев Р. Анатомия искусственного интеллекта: Взгляд на эволюцию искусственного интеллекта сквозь призму компьютерных шахмат //Мир ПК. — 2004. — № 9. — C. 56-63.; № 10. — C. 92-98.; № 11. — C. 68-75. —

3. Міщенко Н. Штучний інтелект-виклик часу //Науковий світ. — 2006. — № 10. — C. 12-13

4. Мельник А. Искусственный интеллект: фантазии и реальность/ А.Мельник //PC WORLD UKRAINE. — 1999. — № 11-12. — C. 99-101

5. Никитина А.П. Искуственный интеллект: философия, методология, инновации //Вопросы философии. — 2006. — № 11. — C. 167-171

6. Панина Е.М. Когнитивная наука и искусственный интеллект/ Е.М.Панина //Вестник Московского университета. — 2000. — № 1 : Сер. 7. Философия. — C. 87-96

7. Сергеев А. Разум из машины: Искусственный интеллект все еще очень далек от того, что мы называем разумом/ Александр Сергеев //Вокруг света. — 2007. — № 10. — C. 74-82.

8. Щур Е. Всі надії — на проривні нанотехнології/ Едуард Щур //Наука і суспільство. — 2005. — № 1-2. — С.12

9. Эндрю А. Искусственный интеллект. — Пер. с англ. — М., 1985.