Система искусственного интеллект, нейроне сети

Содержание:
Введение 3
1 Понятие «системы искусственного интеллекта» и «нейронные сети» 4
2 Краткий исторический обзор развития работ в области ИИ. 6
3 Классификация «систем искусственного интеллекта» и «нейронных сетей» 8
Заключение 14
Список литературы 15

Введение

Всю историю человечества можно свести к истории раздвигания граней неизвестного. Одним из вопросов человека к самому, вечно спорных и до сих пор нерешенных, является вопрос о возможности создания искусственного интеллекта (ИИ).
Проблема создания ИИ не такая современная, как кажется, так как человек с древнейших времен старался упростить свою жизнь, переложив на специальные приспособления часть своих обязанностей.
Ранее данный вопрос был ограничен созданием роботов или машин, которые могут осуществлять тяжелую физическую работу. Однако человек, с развитием науки, все чаще стал задумываться о создании машины, которая может осуществлять умственную работу.
В настоящее время актуальность создания ИИ связана со сложностью проблем, которые приходится решать человечеству. Например, освоение космоса, прогнозирование антропогенного воздействия на окружающую среду и природных катаклизмов, создание сложнейших инженерных проектов, применение в медицине современной техники и множество научных исследований.
Человечеству, при существующих темпах развития технологий и роста объемов информации, нужен не просто помощник, а разумный союзник, друг и товарищ. ИИ должен выступить в этой роли.
В области ИИ, можно наблюдать стремительный переход от абстрактных фундаментальных исследований к началу применения достижений ИИ в разных сферах прикладной деятельности.
Развитие исследований в области ИИ представляет собой один из источников современной научно-технической революции.
Актуальность рассматриваемой проблемы, также заключается в том, что ее решение может нас продвинуть не только по пути научно-технического и социального прогресса, но и по пути понимания человеческого разума и познания, прояснения тонкостей современной культуры и ее связи с прошлым.
В связи с актуальностью темы, целью данной работы является рассмотрение общих положений в данной сфере, при этом будут решены несколько сопутствующих задач, а именно:
Будут рассмотрены основные определения, без этого, дальнейший разговор в данной сфере невозможен.
Будет кратко рассмотрена история возникновения и развития, не зная прошлого, нельзя двигаться к будущему.
Будет дана общая краткая классификация и описанием.
1 Понятие «системы искусственного интеллекта» и «нейронные сети»От латинского слова intellectus происходит термин интеллект (intelligence) – что означает разум, рассудок, ум, мыслительные способности человека.
Значит, (artificial intelligence) искусственный интеллект (ИИ) – как правило, толкуется, как свойство автоматических систем брать на себя отдельные функции интеллекта человека, к примеру, выбирать и принимать оптимальные решения на основе рационального анализа внешних воздействий и ранее полученного опыта.
Определение «интеллект» применяется и в технике, и в технических дисциплинах, но оно отличается от определений, которые были сформированы в контексте философских и психологических исследований сознания.
Интеллект – способность мозга решать (интеллектуальные) задачи посредством приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к различным ситуациям.
Чтобы понять, чем отличается интеллектуальная задача от просто задачи, нужно дать определение «алгоритм» — одного из ключевых терминов кибернетики.
Под алгоритмом нужно понимать точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач.
Поиск алгоритмов это естественная цель человека при решении им различных классов задач. Отыскание алгоритма для задач некоторого данного типа связано со сложными и тонкими рассуждениями, которые требуют высокой квалификации и большой изобретательности.
Задачи, которые связаны с поиском алгоритма решения класса задач определенного типа, называются интеллектуальными.
Мышлением, или интеллектуальной деятельностью называется деятельность мозга, которая направлена на решение интеллектуальных задач.
Мышление и интеллект связаны с решением таких задач, как логический анализ, доказательство теорем, планирование поведения, распознавание ситуаций, управление в условиях неопределенности и игры.
В процессе решения задач проявляются характерные черты интеллекта: способность к обучению, накоплению, обобщению опыта и адаптации к меняющимся условиям в процессе решения задач.
Вследствие чего, интеллект мозг может решать различные задачи, в том числе легко перестраиваться с решения одной задачи на другую. Мозг, который наделен интеллектом, представляет собой универсальное средство решения большого круга задач, для которых нет стандартных, предварительно известных методов решения.
Единого определения, целиком описывающую научную область ИИ – нет.
3 точки зрения на научную область ИИ:
В результате работ в области ИИ образуется множество прикладных систем, решающих задачи, для которых ранее создаваемые системы были непригодны.
Новое направление связано с новыми идеями решения задач на ЭВМ, с созданием принципиально иной технологии программирования, с переходом к архитектуре ЭВМ, отвергающей классическую архитектуру, принадлежавшей еще к первым ЭВМ.
Исследования в области ИИ это фундаментальные исследования, в рамках которых создаются методы и модели решения задач, которые традиционно считались интеллектуальными и не поддававшихся ранее автоматизации и формализации.
Под интеллектуальными системами нужно понимать любые формальные, биологические или искусственные системы, которые проявляют способность к целенаправленному поведению. Последнее содержит свойства (проявления) общения, накопления знаний, адаптации, обучения, и принятия решений т.п.Системы ИИ – системы, которые предназначены для выполнения на ЭВМ интеллектуальных задач. В теории ИИ часто системы ИИ называют интеллектуальными системами.
Еще одно определение понятия «интеллектуальная система»: система считается интеллектуальной, если в ней реализованы 3 базовые функции:
Функция общения. Интеллектуальная система обязана быть способной общаться с человеком на языке, который близок к естественному языку и получать информацию через каналы, аналогичные тем, которые использует человек при восприятии окружающего мира, в первую очередь звуковой и зрительный, уметь создавать «для себя» или по просьбе человека объяснения собственной деятельности, оказывать человеку помощь посредством знаний, хранимых в ее памяти, и логических средств рассуждения.Функция рассуждения. Интеллектуальная система обязаны быть способной создавать новые знания при помощи логического вывода и механизмов выявления закономерностей в накопленных знаниях, получать обобщенные знания на базе частных знаний и логически планировать свою деятельность.
Функция представления и обработки знаний. Интеллектуальная система обязана быть способной накапливать знания об окружающем мире, классифицировать и оценивать их с точки зрения непротиворечивости и прагматики, инициировать процессы получения новых знаний, соотносить новые знания со знаниями, хранящимися в базе знаний.
Нейронные сети – это одно из направлений исследований в области ИИ, которое основано на попытках воспроизвести нервную систему человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно дать возможность смоделировать, хотя и достаточно грубо, работу человеческого мозга.
Нейронная сеть или нервная система человека – сложная сеть структур человека, обеспечивающая взаимосвязанное поведение всех систем организма.
Нейронные сети в ИИ – упрощенные модели биологических нейронных сетей.
Ключевым свойством нейронных сетей является способность к обучению. Обучение нейронной сети в первую очередь заключается в изменении «силы» синаптических связей между нейронами.
Нейронные сети это приоритетное направление исследований в области ИИ.
В термине ИИ нет никакого упоминания нейронных сетей. Потому что этот термин описывает не какую-либо технологию, не инструмент, не средство. Термин ИИ описывает конечный результат (способность учиться и использовать изученное). То есть, ИИ может быть создан на основе нейронных сетей, а может быть, и без них.
С другой стороны, термин «нейронная сеть» описывает как раз технологию (идею, подход) программирования. Идея в том, чтобы вместо того, чтобы программировать все действия программы команда за командой (как в классическом программировании), создать некоторую базовую структуру с самыми общими представлениями о том, с чем ей придется работать.
2 Краткий исторический обзор развития работ в области ИИ.Упрощенно, можно считать, что история ИИ началась с момента создания первых ЭВМ в 40-х г.г. прошлого века с появлением ЭВМ, обладающих относительно высокой производительностью. В это время, стали возникать первые вопросы в области ИИ: возможно ли создать машину, интеллектуальные возможности которой были бы равны интеллектуальным возможностям человека или даже превосходили возможности человека?
Термин «нейронная сеть» появился также в это время. Первые работы, в которых были получены основные результаты в данном направлении, были проделаны Питтсом и Мак-Каллоком. В 1943 г. ими была разработана компьютерная модель нейронной сети на основе математических алгоритмов и теории деятельности головного мозга.
Они выдвинули предположение, что нейроны можно упрощенно рассматривать как устройства, которые оперируют двоичными числами, и назвали данную модель «пороговой логикой».
Подобно своему биологическому прототипу нейроны Мак-Каллока-Питтса могли обучаться посредством подстройки параметров, описывающих синаптическую проводимость.
Исследователи предложили конструкцию сети из электронных нейронов и показали, что подобная сеть способна осуществлять почти любые вообразимые логические или числовые операции. Мак-Каллок и Питтс предположили, что подобная сеть в состоянии также обучаться, распознавать образы, обобщать, т.е. у нее будут черты интеллекта.
Данная модель заложила основы 2-х разных подходов исследований нейронных сетей. Один подход был ориентирован собственно на изучение биологических процессов в головном мозге, другой – на применение нейронных сетей как метода ИИ для решения разных практических задач задач.
Также необходимо отметить работу Алана Тьюринга «Computing Machinery and Intelligence (Вычислительные машины и разум)». Данная работа была опубликована в 1950 г. в журнале «Mind», дающая широкой аудитории представление о том, что сейчас называется тестом Тьюринга.
Суть теста: человек и робот общаются с другим человеком, так, чтобы тот не знал и не видел, кто есть кто. К примеру, по телефону, через телетайп или через чат. Если робот смог выдать себя за человека, значит, это и есть ИИ.
Значительный прорыв в практических приложениях ИИ произошел в 70-х гг., когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов.
В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы. Пришел новый подход к решению задач ИИ – представление знаний. Созданы «MYCIN» и «DENDRAL» – ставшие уже классическими экспертные системы для медицины и химии.
Данные системы в определенном смысле можно назвать диагностическими, так как в первом случае («MYCIN») по ряду симптомов (признаков патологии организма) определяется болезнь (ставится диагноз), во втором – по ряду свойств определяется химическое соединение. В принципе, этот этап в истории ИИ можно назвать рождением экспертных систем.
Следующий значимый период в истории ИИ – это 80-е года. На данном отрезке ИИ пережил второе рождение. Были широко осознаны его огромный потенциал, как в исследованиях, так и в развитии производства. В рамках новой технологии появились первые коммерческие программные продукты. В это время стала развиваться область машинного обучения.
До этих пор перенесение знаний специалиста-эксперта в машинную программу было утомительной и долгой процедурой. Создание систем, автоматически улучшающих и расширяющих свой запас эвристических (не формальных, основанных на интуитивных соображениях) правил – важнейший этап в последние годы.
Сегодняшнее состояние исследований в этой области можно охарактеризовать словами одного из известных специалистов в области искусственного интеллекта, профессора Загоруйко Н.Г.:
«Дискуссии на тему «Может ли машина мыслить?» уже давно сошли со страниц газет и журналов. Скептики устали ждать, когда же сбудутся обещания энтузиастов. А энтузиасты без лишних разговоров, небольшими шагами продолжают двигаться в направлении горизонта, за которым они надеются увидеть искусственного собрата по разуму».
Развитие исследований по ИИ в данном направлении обусловливается стремительным ростом производства средств вычислительной техники и также резким их удешевлением, делающим их потенциально доступными для более широких кругов пользователей.
3 Классификация «систем искусственного интеллекта» и «нейронных сетей»Для систем ИИ характерны признаки:
адаптивность;
способность к самообучению;
умение решать сложные задачи;
развитые коммуникативные способности.
В соответствии с данными признаками, системы ИИ, делятся на классы, представленные на рисунке 1.
Рисунок 1 – Классификация систем ИИ
Базы знаний дают возможность, в отличии от традиционных баз данных, обеспечивать выборку требуемой информации, не хранимой явно, а выводимой из совокупности хранимых данных.
Естественно-языковые интерфейсы используются для доступа к базам знаний, машинного перевода с иностранных языков, голосового ввода команд, контекстного поиска текстовой информации.
Гипертекстовые системы применяются для реализации поиска по ключевым словам в базе данных с текстовой информацией.
Системы контекстной помощи это частный случай гипертекстовых систем и естественно-языковых систем. В отличие от них пользователь сам описывает проблему, а система осуществляет поиск относящихся к ситуации рекомендаций.
Системы когнитивной графики ориентированы на общение с пользователем с помощью графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов.
Экспертные системы (ЭС) предназначаются для решения неформализованных задач, т.е. задач, решаемых посредством неточных знаний, являющихся результатом обобщения многолетнего опыта работы и интуиции специалистов.
Классифицирующие ЭС решают задачи распознавания ситуаций. Главным методом формирования решений в них является дедуктивный логический вывод.
Доопределяющие ЭС применяются для решения задач с не полностью определенными данными и знаниями. В качестве методов обработки неопределенных знаний могут применяться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.
Трансформирующие ЭС осуществляют преобразование знаний в процессе решения задачи.
Мультиагентные системы – динамические ЭС, которые основаны на интеграции различных источников знаний, обменивающиеся между собой полученными результатами в процессе решения задач.
Системы данного класса основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры составляют так называемую обучающую выборку. Элементы обучающей выборки описываются множеством классификационных признаков.
Индуктивные системы дают возможность обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам.
Нейронные сети – обобщенное название группы математических моделей и алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций.
Нейронные сети применяются для решения задач аппроксимации и идентификации функций, классификации и распознавания образов, обработки сигналов, сжатия данных, прогнозирования и адаптивного управления.
Нейронная сеть – кибернетическая модель нервной системы, представляющая собой совокупность большого числа нейронов, топология соединения которых зависит от типа сети. Нейроны соединяются в слои. Различают сети прямого распространения и рекурентные сети (с обратными связями).
Чтобы создать нейронную сеть для решения какой-либо задачи, необходимо выбрать тип сети и определить параметры сети в процессе ее обучения.
В системах, основных на прецедентах, база знаний содержит описания конкретных ситуаций (прецеденты). Поиск решений производится на основе аналогий по значениям соответствующих признаков. В отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых может оцениваться некоторым коэффициентом уверенности.
Информационные хранилища отличаются от баз знаний. Хранилище данных – предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, используемых для поддержки процессов принятия управленческих решений.
Адаптивные системы должны удовлетворять ряду требований:
адекватно отражать знания проблемной области в каждый момент времени;
быть пригодными для легкой и быстрой реконструкции при изменениях проблемной среды.
Ядром систем данного класса является модель проблемной области, поддерживаемая в специальной БЗ – репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения. При разработке адаптивных систем используется типовое или оригинальное проектирование.
Реализация оригинального проектирования основана на использовании CASE- технологий.
При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. При этом используются инструментальные средства компонентного (сборочного) проектирования.
При использовании CASE-технологий при изменении проблемной области каждый раз применяется генерация программного обеспечения, а при использовании сборочной технологии – конфигурирование программ или их переработка.
Можно провести следующую классификацию нейронных сетей, рисунок 2.
Рисунок 2 – Классификация нейронных сетей
Классификация нейронных сетей по характеру обучения делит их на:
нейронные сети, использующие обучение с учителем;
нейронные сети, использующие обучение без учителя.
Нейронные сети, использующие обучение с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой.
Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором. Далее веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку.
Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемого уровня.
Обучение без учителя является намного более правдоподобной моделью обучения с точки зрения биологических корней искусственных нейронных сетей. Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами.
Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.
Настройка весов:
сети с фиксированными связями – весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи;
сети с динамическими связями – для них в процессе обучения происходит настройка синаптических весов.
Тип входной информации:
аналоговая – входная информация представлена в форме действительных чисел;
двоичная – вся входная информация в таких сетях представляется в виде нулей и единиц.
Сети прямого распространения – все связи направлены строго от входных нейронов к выходным. К таким сетям относятся, например: простейший персептрон (разработанный Розенблаттом) и многослойный персептрон.
Реккурентные нейронные сети – сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя.
Радиально базисные функции – вид нейронной сети, имеющий скрытый слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются. Предложены в работах Broomhead and Lowe (1988) и Moody and Darkin (1989).
Радиально базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию и синаптические веса входного и скрытого слоев равны единицы.
Самоорганизующиеся карты или Сети Кохонена – такой класс сетей, как правило, обучается без учителя и успешно применяется в задачах распознавания.
Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего 2 слоя: входной и выходной, составленный из радиальных элементов.
Заключение

ИИ – современная область науки, которая появилась в первой половине XX века на базе вычислительной техники, математической логики, психологии, программирования, нейрофизиологии, лингвистики и иных отраслей знания.
Перед учеными стояла задача в том, чтобы построить компьютер, функционирующий так, что по результатам его работы невозможно было бы отличить его деятельность от деятельности человеческого разума.
На данный момент ИИ рассматривают как прикладную область исследований, сопряженную с имитацией отдельных функций интеллекта человека.
Распознавание образов, машинный перевод, интеллектуальные агенты, робототехника – это только часть направлений, по которым развиваются системы ИИ.
Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области ИИ, выявили, что вступили в схватку с достаточно запутанными проблемами, далеко выходящими за пределы традиционной информатики.
Оказалось, что, в первую очередь, нужно понять механизмы процесса обучения, природу чувственного восприятия и языка. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, необходимо понять то, как действуют миллиарды взаимосвязанных нейронов.
И тогда многие исследователи пришли к выводу, что, пожалуй, наиболее сложный вопрос, стоящий перед современной наукой – познание процессов функционирования человеческого разума, а не просто имитация его работы, что непосредственно затрагивало фундаментальные теоретические проблемы психологической науки.
В настоящие время наука подошла к такому уровню своего развития, что появилась возможность создания искусственного интеллекта. Однако многие ученые скептически относятся к этому вопросу, т.к. есть большое количество проблем, которые пока не удается решить научным путем.
Несмотря на это, задача создания ИИ не перестала быть менее актуальной. Сейчас создаются все более и более усовершенствованные программы, максимально напоминающие по своему действию мыслительные процессы человека. Они значительно упростили наш быт, труд и играют большую роль в современной жизни и науке.
Ключевым фактором, определяющим сегодня развитие ИИ-технологий, принято считать темп роста вычислительной мощности ЭВМ
Список литературы

Бессмертный, И.А. Системы искусственного интеллекта: учебное пособие для академического бакалавриата / И. А. Бессмертный. – 2-е изд., испр. и доп. – Москва: Издательство Юрайт, 2018. – 130 с. – (Бакалавр. Академический курс).Ноткин Л.И. «Искусственный интеллект и проблемы обучения» - М. : КомКнига, 1999
Джордж Л.Ф. «Искусственный интеллект: стратегии и методы решения сложных проблем», 4-е издание. Пер. с англ. - М.: «Издательский дом «Вильямс», 2003 г. - 432 с.