Системы искусственного интеллекта
Системы искусственного интеллекта – научное направление в рамках информатики, предмет исследования которого – имитация мышления человека с помощью компьютера. Появление этого научного направления было подготовлено всевозрастающей мощностью вычислительных машин. Системы искусственного интеллекта постоянно развиваются, так как:
– часть функций программирования в настоящее время оказалось возможным передать машине. При этом общение пользователя с ней происходит на языке, близком к естественному. Для этого в ЭВМ закладывают огромную базу знаний, способы решения, процедуры синтеза, программы, а также средства общения;
– в связи с внедрением ЭВМ во все сферы жизни индивида и общества становится возможным переход к безбумажной технологии обработки информации;
– если раньше производство ориентировалось на обязательное участие человека, то в настоящее время находят применение безлюдные технологии, основанные на роботизации и автоматизации системы управления;
– интеллектуальные системы завоевывают ведущее положение в проектировании образцов изделий. Некоторые изделия невозможно спроектировать без их участия.
К системам искусственного интеллекта принято относить:
1. Экспертные системы. Первые системы, которые нашли широкое применение, основаны на вводе знаний высококвалифицированных специалистов (экспертов) в ЭВМ и разработке специальной системы по их использованию. Элементы этих систем применяют в системах проектирования, диагностики, управления и в играх.
|
|
|
2. Системы естественно‑языкового общения (подразумевается письменная речь). Позволяют производить обработку связных текстов по какой‑либо тематике на естественном языке.
3. Системы речевого общения. Состоят из систем восприятия и воспроизведения речи.
4. Системы обработки визуальной информации. Находят применение в обработке аэрокосмических снимков, данных, поступающих с датчиков роботов и автоматизированных систем.
5. Системы машинного перевода. Подразумеваются естественные языки человеческого общения.
6. Системы автоматического проектирования. Без них не может обойтись ни одно крупное машиностроительное предприятие.
Основными проблемами при создании систем искусственного интеллекта являются:
– разработка способов формального описания знания и хранения знаний в компьютере;
– построение моделей умозаключений человека в процессе решения им практических и теоретических задач;
– обеспечение возможности общения «человек – компьютер» на естественном языке;
– обеспечение возможности самоорганизации и самообучения систем искусственного интеллекта.
|
|
|
Нейронные сети
Искусственные нейронные сети индуцированы биологией; они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты и экстраполируют их на новые случаи, извлекают существенные свойства из поступающей информации, содержащей излишние данные.
В качестве предмета научного исследования искусственные нейронные сети впервые заявили о себе в 1940‑е годы. Стремясь воспроизвести функции человеческого мозга, исследователи создали простые аппаратные (а позже – программные) модели биологического нейрона и системы его соединений (рис. 20).
Рис. 20. Персептронный нейрон
Первое систематическое изучение искусственных нейронных сетей было предпринято У. Мак‑Каллоком и У. Питсом в 1943 году. Позднее они исследовали сетевые парадигмы для распознавания изображений, подвергаемых сдвигам и поворотам. Простая нейронная модель, показанная на рис. 20, использовалась в большей части их работы. Элемент Σ умножает каждый вход х на вес w и суммирует взвешенные входы. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае – нулю. Эти системы (и множество им подобных) получили название персептронов. Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов. Существуют и более сложные схемы, описывающие более сложные системы.
|
|
|
Обучение. Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.
Обобщение. Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения жизненно важна для распознавания образов в реальном мире. Она позволяет преодолеть требование строгой точности, предъявляемое обычным компьютером, и открывает путь к системе, которая может иметь дело с тем несовершенным миром, в котором мы живем. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью «человеческого интеллекта» в форме специально написанных компьютерных программ.
|
|
|
Абстрагирование. Некоторые из искусственных нейронных сетей обладают способностью извлекать сущность из входных сигналов. Например, сеть может быть обучена на последовательность искаженных версий буквы «А». После соответствующего обучения предъявление такого искаженного примера приведет к тому, что сеть породит букву совершенной формы. В некотором смысле она научится порождать то, чего никогда не видела.
Персептронная представляемость. Доказательство теоремы обучения персептрона показало, что персептрон способен научиться всему, что он способен представлять. Важно при этом уметь различать представляемость и обучаемость. Понятие представляемости относится к способности персептрона (или другой сети) моделировать определенную функцию. Обучаемость же требует наличия систематической процедуры настройки весов сети для реализации этой функции.
Когнитрон. Основываясь на знании анатомии и физиологии мозга, когнитрон конструируется в виде слоев нейронов, соединенных синапсами, и реализует гипотетическую модель системы восприятия человека. Компьютерные модели продемонстрировали впечатляющие способности адаптивного распознавания образов, побуждая физиологов исследовать соответствующие механизмы мозга. Это взаимно усиливающее взаимодействие между искусственными нейронными сетями, физиологией и психологией может оказаться средством, с помощью которого со временем будут разгаданы механизмы мозга.
Неокогнитрон. Ориентирован на моделирование зрительной системы человека. Получает на входе двухмерные образы, аналогичные изображениям на сетчатой оболочке глаза, и обрабатывает их в последующих слоях аналогично тому, как это было обнаружено в коре головного мозга человека. Неокогнитрон достаточно универсален и может найти широкое применение как обобщенная система распознавания образов.
Применимость. Искусственные нейронные сети не являются панацеей. Они не годятся для выполнения широкого спектра задач, например таких, как начисление заработной платы. Однако они незаменимы в задачах распознавания образов, с которыми плохо справляются или вообще не справляются обычные компьютеры, и ряде других областей.
Искусственные нейронные сети сегодня. Существует много впечатляющих демонстраций возможностей искусственных нейронных сетей: превращать текст в фонетическое представление, которое затем с помощью уже иных методов превращали в речь; распознавать рукописные буквы; сконструирована система сжатия изображений, основанная на нейронной сети. Все они используют сеть обратного распространения – наиболее успешный из современных алгоритмов. Обратное распространение является систематическим методом для обучения многослойных сетей и тем самым преодолевает ограничения, указанные М. Минским для нейронных сетей.
Перспективы. Искусственные нейронные сети предложены для задач, простирающихся от управления боем до присмотра за ребенком. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны.
Дата добавления: 2018-10-26; просмотров: 301; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!