Koncept vještačke inteligencije (AI ili AI) uključuje ne samo tehnologije koje vam omogućavaju stvaranje inteligentnih mašina (uključujući kompjuterske programe). AI je takođe jedna od oblasti naučne misli.

Umjetna inteligencija - definicija

Inteligencija- ovo je mentalna komponenta osobe koja ima sljedeće sposobnosti:

• adaptivni;
• učenje kroz akumulaciju iskustva i znanja;
• sposobnost primene znanja i veština za upravljanje okruženjem.

Intelekt objedinjuje sve sposobnosti osobe da spozna stvarnost. Uz pomoć njega čovjek razmišlja, pamti nove informacije, percipira okolinu i tako dalje.

Pod umjetnom inteligencijom se podrazumijeva jedna od oblasti informacionih tehnologija, koja se bavi proučavanjem i razvojem sistema (mašina) obdarenih sposobnostima ljudske inteligencije: sposobnošću učenja, logičkog zaključivanja i sl.

Trenutno se rad na umjetnoj inteligenciji odvija kreiranjem novih programa i algoritama koji rješavaju probleme na isti način kao i čovjek.

Zbog činjenice da se definicija AI razvija kako se ovaj smjer razvija, potrebno je spomenuti AI Efekat. Odnosi se na učinak koji umjetna inteligencija stvara kada je napravila određeni napredak. Na primjer, ako je AI naučio da izvodi bilo koju radnju, tada se odmah pridružuju kritičari, tvrdeći da ovi uspjesi ne ukazuju na prisustvo razmišljanja u mašini.

Danas razvoj veštačke inteligencije ide u dva nezavisna pravca:

• neurokibernetika;
• logičan pristup.

Prvi pravac uključuje proučavanje neuronskih mreža i evolucionog računarstva sa stanovišta biologije. Logički pristup uključuje razvoj sistema koji oponašaju intelektualne procese visokog nivoa: mišljenje, govor i tako dalje.

Prvi rad u oblasti veštačke inteligencije počeo je da se sprovodi sredinom prošlog veka. Pionir istraživanja u ovom pravcu bio je Alan Turing, iako su određene ideje počeli izražavati filozofi i matematičari u srednjem vijeku. Konkretno, već početkom 20. stoljeća uveden je mehanički uređaj koji može rješavati šahovske probleme.

Ali u stvarnosti ovaj pravac je formiran sredinom prošlog stoljeća. Pojavi radova o veštačkoj inteligenciji prethodila su istraživanja ljudske prirode, načina upoznavanja sveta oko nas, mogućnosti misaonog procesa i drugih oblasti. Do tada su se pojavili prvi kompjuteri i algoritmi. Odnosno, stvoren je temelj na kojem se rodio novi smjer istraživanja.

Godine 1950. Alan Turing je objavio članak u kojem je postavljao pitanja o mogućnostima budućih mašina, kao i o tome da li one mogu nadmašiti ljude u smislu osjećaja. Upravo je ovaj naučnik razvio proceduru koja je kasnije nazvana po njemu: Tjuringov test.

Nakon objavljivanja radova engleskog naučnika, pojavila su se nova istraživanja u oblasti AI. Prema Turingu, samo mašina koja se ne može razlikovati od osobe tokom komunikacije može se prepoznati kao mašina za razmišljanje. Otprilike u isto vrijeme kada se pojavila uloga naučnika, rođen je koncept, nazvan Baby Machine. Predviđeno je progresivni razvoj AI i stvaranje mašina čiji se misaoni procesi prvo formiraju na nivou deteta, a zatim postepeno unapređuju.

Termin "vještačka inteligencija" rođen je kasnije. Godine 1956. grupa naučnika, uključujući Turinga, sastala se na američkom univerzitetu Dartmund kako bi razgovarala o pitanjima vezanim za AI. Nakon tog sastanka počeo je aktivan razvoj mašina sa mogućnostima veštačke inteligencije.

Posebnu ulogu u stvaranju novih tehnologija u oblasti AI imali su vojni resori koji su aktivno finansirali ovu oblast istraživanja. Nakon toga, rad na polju umjetne inteligencije počeo je privlačiti velike kompanije.

Savremeni život postavlja složenije izazove za istraživače. Stoga se razvoj AI odvija u fundamentalno drugačijim uvjetima, ako ih uporedimo s onim što se dogodilo u periodu pojave umjetne inteligencije. Procesi globalizacije, djelovanje uljeza u digitalnoj sferi, razvoj interneta i drugi problemi - sve to postavlja složene zadatke pred naučnike čije rješenje leži u oblasti AI.

Unatoč uspjesima postignutim u ovoj oblasti posljednjih godina (na primjer, pojava autonomne tehnologije), još uvijek se čuju glasovi skeptika koji ne vjeruju u stvaranje istinski umjetne inteligencije, a ne baš sposobnog programa. Brojni kritičari strahuju da će aktivni razvoj AI uskoro dovesti do situacije u kojoj će mašine u potpunosti zamijeniti ljude.

Pravci istraživanja

Filozofi još nisu došli do konsenzusa o tome kakva je priroda ljudskog intelekta i kakav je njegov status. S tim u vezi, u naučnim radovima posvećenim AI, postoje mnoge ideje koje govore koje zadatke umjetna inteligencija rješava. Takođe ne postoji uobičajeno razumijevanje pitanja kakva se mašina može smatrati inteligentnom.

Danas razvoj tehnologija umjetne inteligencije ide u dva smjera:

1. Silazno (semiotički). Uključuje razvoj novih sistema i baza znanja koje imitiraju mentalne procese visokog nivoa kao što su govor, izražavanje emocija i razmišljanje.
2. Uzlazno (biološko). Ovaj pristup uključuje istraživanje u oblasti neuronskih mreža, kroz koje se kreiraju modeli intelektualnog ponašanja sa stanovišta bioloških procesa. Na osnovu ovog pravca nastaju neurokompjuteri.

Određuje sposobnost vještačke inteligencije (mašine) da razmišlja na isti način kao i osoba. U opštem smislu, ovaj pristup uključuje stvaranje AI čije se ponašanje ne razlikuje od ljudskih akcija u istim, normalnim situacijama. U stvari, Tjuringov test pretpostavlja da će mašina biti inteligentna samo ako je u komunikaciji sa njom nemoguće razumeti ko govori: mehanizam ili živa osoba.

Knjige naučne fantastike nude drugačiji način procene sposobnosti veštačke inteligencije. Umjetna inteligencija će postati stvarna ako osjeća i može stvarati. Međutim, ovakav pristup definiciji se ne održava u praksi. Već se, na primjer, stvaraju mašine koje imaju sposobnost da reaguju na promjene u okolini (hladnoća, vrućina i tako dalje). U isto vrijeme, ne mogu se osjećati onako kako se čovjek osjeća.

Simbolički pristup

Uspjeh u rješavanju problema uvelike je određen sposobnošću fleksibilnog pristupa situaciji. Mašine, za razliku od ljudi, interpretiraju podatke koje primaju na jedinstven način. Dakle, samo osoba učestvuje u rješavanju problema. Mašina izvodi operacije zasnovane na pisanim algoritmima koji isključuju upotrebu nekoliko modela apstrakcije. Postizanje fleksibilnosti programa moguće je povećanjem resursa uključenih u tok rješavanja problema.

Gore navedeni nedostaci su tipični za simbolički pristup koji se koristi u razvoju AI. Međutim, ovaj smjer razvoja umjetne inteligencije omogućava vam stvaranje novih pravila u procesu proračuna. A problemi koji proizlaze iz simboličkog pristupa mogu se riješiti logičkim metodama.

logičan pristup

Ovaj pristup uključuje kreiranje modela koji oponašaju proces zaključivanja. Zasniva se na principima logike.

Ovaj pristup ne uključuje upotrebu krutih algoritama koji dovode do određenog rezultata.

Pristup baziran na agentima

Koristi inteligentne agente. Ovaj pristup pretpostavlja sljedeće: inteligencija je računski dio, kroz koji se postižu ciljevi. Mašina igra ulogu inteligentnog agenta. Ona uči okolinu uz pomoć posebnih senzora, a s njom stupa u interakciju preko mehaničkih dijelova.

Pristup baziran na agentima fokusira se na razvoj algoritama i metoda koji omogućavaju mašinama da ostanu operativne u različitim situacijama.

Hibridni pristup

Ovaj pristup podrazumijeva integraciju neuronskih i simboličkih modela, čime se postiže rješavanje svih problema vezanih za procese mišljenja i računanja. Na primjer, neuronske mreže mogu generirati smjer u kojem se kreće operacija mašine. A statičko učenje pruža osnovu kroz koju se problemi rješavaju.

Prema ekspertima kompanije Gartner, do početka 2020-ih, gotovo svi objavljeni softverski proizvodi koristit će tehnologije umjetne inteligencije. Također, stručnjaci sugeriraju da će oko 30% ulaganja u digitalnu sferu pasti na AI.

Prema analitičarima Gartnera, umjetna inteligencija otvara nove mogućnosti za saradnju ljudi i mašina. Istovremeno, proces istiskivanja osobe AI ne može se zaustaviti iu budućnosti će se ubrzati.

U društvu PwC vjeruju da će do 2030. godine obim svjetskog bruto domaćeg proizvoda porasti za oko 14% zbog brzog uvođenja novih tehnologija. Štaviše, približno 50% povećanja će obezbijediti povećanje efikasnosti proizvodnih procesa. Druga polovina indikatora će biti dodatna dobit ostvarena uvođenjem AI u proizvode.

U početku će Sjedinjene Države dobiti efekat upotrebe umjetne inteligencije, jer je ova zemlja stvorila najbolje uvjete za rad AI mašina. U budućnosti će ih nadmašiti Kina, koja će uvođenjem ovakvih tehnologija u proizvode i njihovu proizvodnju izvući maksimalan profit.

Stručnjaci kompanije Prodajna snaga tvrde da će AI povećati profitabilnost malih preduzeća za oko 1,1 bilion dolara. I to će se desiti do 2021. Djelomično će se ovaj pokazatelj postići implementacijom rješenja koje nudi AI u sisteme odgovorne za komunikaciju sa kupcima. Istovremeno će se povećati efikasnost proizvodnih procesa zahvaljujući njihovoj automatizaciji.

Uvođenjem novih tehnologija otvorit će se i dodatnih 800.000 radnih mjesta. Stručnjaci napominju da ova brojka nadoknađuje gubitak slobodnih radnih mjesta zbog automatizacije procesa. Analitičari, na osnovu ankete među kompanijama, predviđaju da će njihova potrošnja na automatizaciju fabrike porasti na oko 46 milijardi dolara do početka 2020-ih.

U Rusiji se takođe radi na polju veštačke inteligencije. Za 10 godina, država je finansirala više od 1,3 hiljade projekata u ovoj oblasti. Štaviše, najveći dio investicija otišlo je u razvoj programa koji nisu vezani za obavljanje komercijalnih djelatnosti. To pokazuje da ruska poslovna zajednica još nije zainteresirana za uvođenje tehnologija umjetne inteligencije.

Ukupno je u Rusiju u te svrhe uloženo oko 23 milijarde rubalja. Iznos vladinih subvencija je inferioran u odnosu na iznos finansiranja AI koje pokazuju druge zemlje. U Sjedinjenim Državama se svake godine za ove svrhe izdvaja oko 200 miliona dolara.

U osnovi, u Rusiji se iz državnog budžeta izdvajaju sredstva za razvoj AI tehnologija, koje se zatim koriste u sektoru transporta, odbrambenoj industriji i u projektima koji se odnose na sigurnost. Ova okolnost ukazuje na to da kod nas ljudi češće ulažu u oblasti koje omogućavaju brzo postizanje određenog efekta od uloženih sredstava.

Navedena studija je također pokazala da Rusija sada ima veliki potencijal za obuku stručnjaka koji mogu biti uključeni u razvoj AI tehnologija. U proteklih 5 godina, oko 200 hiljada ljudi je obučeno u oblastima vezanim za AI.

AI tehnologije se razvijaju u sljedećim pravcima:

• rješavanje problema koji omogućavaju približavanje sposobnosti umjetne inteligencije ljudskim i pronalaženje načina da se one integrišu u svakodnevni život;
• razvoj punopravnog uma, kroz koji će se rješavati zadaci pred čovječanstvom.

Trenutno su istraživači fokusirani na razvoj tehnologija koje rješavaju praktične probleme. Naučnici se do sada nisu približili stvaranju potpune umjetne inteligencije.

Mnoge kompanije razvijaju tehnologije u oblasti AI. "Yandex" ih koristi u radu pretraživača više od godinu dana. Ruska IT kompanija se od 2016. godine bavi istraživanjem u oblasti neuronskih mreža. Potonji mijenjaju prirodu rada pretraživača. Konkretno, neuronske mreže uspoređuju upit koji je unio korisnik s određenim vektorskim brojem koji najpotpunije odražava značenje zadatka. Drugim riječima, pretraga se ne vrši po riječi, već prema suštini informacija koje osoba traži.

U 2016 "Yandex" pokrenuo uslugu "zen", koji analizira korisničke preferencije.

Kompanija Abbyy nedavno uveden sistem Compreno. Uz pomoć njega moguće je razumjeti tekst napisan prirodnim jezikom. Drugi sistemi zasnovani na tehnologijama veštačke inteligencije takođe su ušli na tržište relativno nedavno:

1. findo. Sistem je sposoban da prepozna ljudski govor i traži informacije u različitim dokumentima i datotekama koristeći složene upite.
2. Gamalon. Ova kompanija je uvela sistem sa mogućnošću samoučenja.
3. Watsone. IBM računar koji koristi veliki broj algoritama za traženje informacija.
4. ViaVoice. Sistem za prepoznavanje ljudskog govora.

Velike komercijalne kompanije ne zaobilaze napredak u oblasti umjetne inteligencije. Banke aktivno implementiraju takve tehnologije u svoje aktivnosti. Uz pomoć sistema zasnovanih na veštačkoj inteligenciji, oni obavljaju transakcije na berzama, upravljaju imovinom i obavljaju druge operacije.

Odbrambena industrija, medicina i druge oblasti implementiraju tehnologije za prepoznavanje objekata. A kompanije za razvoj igara koriste umjetnu inteligenciju za kreiranje svog sljedećeg proizvoda.

Tokom proteklih nekoliko godina, grupa američkih naučnika radila je na projektu NEIL, u kojem istraživači traže od kompjutera da prepozna ono što je prikazano na fotografiji. Stručnjaci sugeriraju da će na taj način moći stvoriti sistem sposoban za samoučenje bez vanjske intervencije.

Kompanija VisionLab uvela sopstvenu platformu LUNA, koji može prepoznati lica u realnom vremenu birajući ih iz ogromne grupe slika i video zapisa. Ovu tehnologiju sada koriste velike banke i mrežni trgovci na malo. Uz LUNA, možete uporediti preferencije ljudi i ponuditi im relevantne proizvode i usluge.

Jedna ruska kompanija radi na sličnim tehnologijama N-Tech Lab. Istovremeno, njegovi stručnjaci pokušavaju stvoriti sistem za prepoznavanje lica zasnovan na neuronskim mrežama. Prema najnovijim podacima, ruski razvoj se nosi sa postavljenim zadacima bolje od osobe.

Prema Stephenu Hawkingu, razvoj tehnologija umjetne inteligencije u budućnosti će dovesti do smrti čovječanstva. Naučnik je primetio da će ljudi postepeno degradirati zbog uvođenja veštačke inteligencije. A u uslovima prirodne evolucije, kada se osoba treba neprestano boriti da preživi, ​​ovaj proces će neminovno dovesti do njegove smrti.

Rusija pozitivno razmatra uvođenje AI. Aleksej Kudrin je svojevremeno rekao da bi upotreba takvih tehnologija smanjila troškove održavanja državnog aparata za oko 0,3% BDP-a. Dmitrij Medvedev predviđa nestanak brojnih profesija zbog uvođenja AI. Međutim, zvaničnik je naglasio da će upotreba takvih tehnologija dovesti do brzog razvoja drugih industrija.

Prema ekspertima Svjetskog ekonomskog foruma, do početka 2020-ih oko 7 miliona ljudi u svijetu će ostati bez posla zbog automatizacije proizvodnje. Uvođenje AI vrlo je vjerovatno da će uzrokovati transformaciju ekonomije i nestanak niza zanimanja vezanih za obradu podataka.

Eksperti McKinsey izjavljuju da će proces automatizacije proizvodnje biti aktivniji u Rusiji, Kini i Indiji. U ovim zemljama će u bliskoj budućnosti do 50% radnika ostati bez posla zbog uvođenja AI. Njihovo mjesto će zauzeti kompjuterizirani sistemi i roboti.

Prema McKinseyju, umjetna inteligencija će zamijeniti poslove koji uključuju fizički rad i obradu informacija: maloprodaju, hotelsko osoblje i tako dalje.

Do sredine ovog stoljeća, prema procjenama stručnjaka jedne američke kompanije, broj radnih mjesta u svijetu biće smanjen za oko 50%. Ljudi će biti zamijenjeni mašinama koje mogu obavljati slične operacije sa istom ili većom efikasnošću. Istovremeno, stručnjaci ne isključuju opciju u kojoj će se ova prognoza ostvariti prije određenog vremena.

Drugi analitičari primjećuju štetu koju roboti mogu uzrokovati. Na primjer, stručnjaci McKinseyja ističu da roboti, za razliku od ljudi, ne plaćaju porez. Kao rezultat toga, zbog smanjenja budžetskih prihoda, država neće moći održavati infrastrukturu na istom nivou. Stoga je Bill Gates predložio novi porez na robotsku opremu.

AI tehnologije povećavaju efikasnost kompanija smanjujući broj napravljenih grešaka. Osim toga, oni vam omogućavaju da povećate brzinu operacija na nivo koji osoba ne može postići.

Ranije se koncept umjetne inteligencije (AI) povezivao s nadom da se stvori mašina za razmišljanje koja bi se mogla takmičiti s ljudskim mozgom i možda ga nadmašiti. Ove nade, koje su dugo zaokupljale maštu mnogih entuzijasta, ostale su neostvarene. I iako su fantastični književni prototipovi "pametnih mašina" nastali stotinama godina prije naših dana, tek od sredine tridesetih, od objavljivanja djela A. Turinga, koji su osudili stvarnost stvaranja takvih uređaja, problem AI počeo da se shvata ozbiljno.

Kako bi odgovorio na pitanje koju mašinu treba smatrati "razmišljajućim", Turing je predložio korištenje sljedećeg testa: tester komunicira preko posrednika sa njemu nevidljivim sagovornikom, osobom ili mašinom. “Intelektualcem” se može smatrati mašina koju tester u procesu takve komunikacije ne može razlikovati od osobe.

Ako se tester, prilikom testiranja kompjutera na "inteligenciju", pridržava prilično strogih ograničenja u odabiru teme i oblika dijaloga, svaki moderni računar opremljen odgovarajućim softverom će proći ovaj test. Može se smatrati znakom inteligencije da se može voditi razgovor, ali kao što je pokazano, ova ljudska sposobnost se lako modelira na kompjuteru. Sposobnost učenja može poslužiti kao znak inteligencije. Godine 1961., profesor D. Michi, jedan od vodećih britanskih stručnjaka za umjetnu inteligenciju, opisao je mehanizam koji se sastoji od 300 kutija šibica koje bi mogle naučiti igrati tic-tac-toe. Michin je ovaj uređaj nazvao MENACE (Matchbox Educable Naughts and Crosses Engine). U imenu (prijetnji) očito postoji dio ironije uzrokovane predrasudama prema mašinama koje misle.

Do sada nije postojala jedinstvena i univerzalno priznata definicija AI i to nije iznenađujuće. "Dovoljno je podsjetiti da također ne postoji univerzalna definicija ljudske inteligencije. Rasprava o tome šta se može smatrati znakom AI, a šta nije, podsjeća na sporove srednjovjekovnih naučnika o tome koliko anđela može stati na vrh igla”1. Sada je uobičajeno da se AI naziva nizom algoritama i softverskih sistema, čija je karakteristična karakteristika da neke probleme mogu riješiti na isti način kao što bi to uradio neko ko razmišlja o njihovom rješenju.

Neuralne mreže

Ideja o neuronskim mrežama rođena je u toku istraživanja u oblasti umjetne inteligencije, naime, kao rezultat pokušaja da se reproducira sposobnost neuronskih bioloških sistema da uče i ispravljaju greške modeliranjem strukture niskog nivoa. mozak. Glavno područje istraživanja umjetne inteligencije 60-80-ih godina bili su ekspertni sistemi. Takvi sistemi su bili zasnovani na visokom nivou modeliranja procesa mišljenja (posebno na njegovom predstavljanju kao manipulacije simbolima). Ubrzo je postalo jasno da takvi sistemi, iako mogu biti korisni u nekim područjima, ne pokrivaju neke ključne aspekte funkcioniranja ljudskog mozga.

Prema jednoj tački gledišta, razlog za to je što nisu u stanju da reproduciraju strukturu mozga. Da biste stvorili umjetnu inteligenciju, morate izgraditi sistem sa sličnom arhitekturom.

Mozak se sastoji od vrlo velikog broja (otprilike 1010) neurona povezanih brojnim vezama (u prosjeku nekoliko hiljada veza po neuronu, ali taj broj može jako varirati). Neuroni su posebne ćelije sposobne za širenje elektrohemijskih signala. Neuron ima razgranatu strukturu ulaza informacija (dendriti), jezgro i granasti izlaz (akson). Aksoni ćelije su povezani sa dendritima drugih ćelija preko sinapsi. Kada se aktivira, neuron šalje elektrohemijski signal niz svoj akson. Preko sinapsi, ovaj signal stiže do drugih neurona, koji se zauzvrat mogu aktivirati. Neuron se aktivira kada ukupan nivo signala koji su došli do njegovog jezgra iz dendrita pređe određeni nivo (prag aktivacije).

Intenzitet signala koji neuron prima (i, posljedično, mogućnost njegove aktivacije) jako ovisi o aktivnosti sinapsi. Svaka sinapsa ima dužinu, a specijalne hemikalije prenose signal duž nje. Jedan od najuglednijih istraživača neurosistema, Donald Hebb, postulirao je da se učenje prvenstveno sastoji u promjeni jačine sinoptičkih veza. Na primjer, u klasičnom eksperimentu. Pavlova, svaki put prije nego što je psa nahranila, zazvonilo je zvono i pas je brzo naučio da povezuje zvonjavu sa hranom.

Sinoptičke veze između područja moždane kore odgovornih za sluh i žlijezda slinovnica su se intenzivirali, a kada je korteks bio uzbuđen zvukom zvona, pas je počeo sliniti.

Dakle, budući da je izgrađen od vrlo velikog broja vrlo jednostavnih elemenata (od kojih svaki uzima ponderiranu sumu ulaznih signala i, ako ukupni ulaz premašuje određeni nivo, prosljeđuje binarni signal), mozak je u stanju rješavati izuzetno složene probleme. Definicija formalnog klasičnog neurona data je kako slijedi:

On prima ulazne signale (ulazne podatke ili izlazne signale od drugih neurona u mreži) kroz nekoliko ulaznih kanala. Svaki ulazni signal prolazi kroz spoj koji ima određeni intenzitet (ili težinu); ova težina odgovara sinoptičkoj aktivnosti biološkog neurona. Svaki neuron ima specifičnu vrijednost praga povezanu s njim. Izračunava se ponderisani zbir ulaza, oduzima se vrednost praga i kao rezultat dobija se vrednost aktivacije neurona.

Aktivacijski signal se transformira pomoću aktivacijske funkcije (ili prijenosne funkcije) i kao rezultat se dobije izlazni signal neurona.

Ako koristite funkciju postupne aktivacije, tada će takav neuron raditi na potpuno isti način kao prirodni neuron opisan gore.

Neuronske mreže u umjetnoj inteligenciji

Rad na stvaranju inteligentnih sistema odvija se u dva pravca. Pristalice prvog pravca, koji danas čine apsolutnu većinu među stručnjacima iz oblasti veštačke inteligencije, polaze od stava da se od veštačkih sistema ne zahteva da u svojoj strukturi i funkcionisanju ponavljaju strukturu i procese koji se u njoj odvijaju svojstvene biološkim sistemima. . Važno je samo da je na ovaj ili onaj način moguće postići iste rezultate u ponašanju koji su karakteristični za ljude i druge biološke sisteme.

Pristalice drugog pravca smatraju da se to ne može učiniti na čisto informativnom nivou. Fenomen ljudskog ponašanja, njegova sposobnost učenja i prilagođavanja, prema mišljenju ovih stručnjaka, posljedica je biološke strukture i karakteristika njenog funkcionisanja.

Pristalice prvog informativnog pravca imaju stvarno radne rasporede i programe koji modeliraju određene aspekte intelekta. Jedan od najupečatljivijih radova koji predstavlja prvi pravac je program "General Problem Solver" A. Newella, I. Shawa i G. Simona. Razvoj informacionog pravca polazio je od zadatka racionalizacije rasuđivanja pojašnjavanjem opštih metoda za brzo prepoznavanje lažnih i istinitih tvrdnji u datom sistemu znanja. Sposobnost rasuđivanja i pronalaženja kontradiktornosti u različitim sistemima međusobno povezanih situacija, predmeta, pojmova važan je aspekt fenomena mišljenja, izraz sposobnosti deduktivnog mišljenja.

Efikasnost informacionog pravca je neosporna u oblasti proučavanja i reprodukcije deduktivnih mentalnih manifestacija. Za neke praktične probleme ovo je dovoljno. Informacioni pravac je egzaktna, rigorozna nauka koja je inkorporirala glavne rezultate istraživanja kibernetike i matematičke kulture. Glavni problemi informacionog pravca su da uvedu internu aktivnost u svoje modele i da budu u stanju da predstave induktivne procedure.

Jedan od centralnih problema je „problem aktivnog znanja koje generiše potrebu za aktivnostima sistema zbog znanja koje se akumulira u memoriji sistema“1.

Pristalice drugog biološkog pravca imaju za sada manje rezultate nego što se nadaju. Jedan od osnivača biološkog trenda u kibernetici je W. McCulloch. U neurofiziologiji je utvrđeno da se niz funkcija i svojstava u živim organizmima ostvaruje korištenjem određenih neuronskih struktura. Na osnovu reprodukcije ovakvih struktura, u nizu slučajeva dobijeni su dobri modeli, posebno za pojedine aspekte rada optičkog trakta.

Stvaranje neuroračunara koji simuliraju neuronske mreže (NN) trenutno se smatra jednim od najperspektivnijih područja u rješavanju problema intelektualizacije novonastalih računara i informaciono-analitičkih sistema nove generacije.

U većini studija na ovu temu, NN se predstavlja kao skup velikog broja relativno jednostavnih elemenata čija topologija veza zavisi od tipa mreže. Gotovo svi poznati pristupi projektovanju neuronskih mreža uglavnom se odnose na odabir i analizu nekih posebnih struktura homogenih mreža na formalnim neuronima sa poznatim svojstvima (Hopfield, Hamming, Grossberg, Kohonnen mreže, itd.) i nekim matematički opisanim načinima njihov rad. U ovom slučaju, termin neuronske mreže je metaforičan, jer samo odražava činjenicu da su te mreže u nekom smislu slične živim neuronskim mrežama, ali ih ne ponavljaju u svoj složenosti. Kao rezultat ove interpretacije, neuronski kompjuteri se smatraju sljedećom etapom visoko paralelnih superračunara s originalnom idejom paraleliziranja algoritama za rješavanje različitih klasa problema. Sam pojam neurokompjuter neurokompjuter, po pravilu, ni na koji način nije povezan ni sa kakvim svojstvima i karakteristikama mozga ljudi i životinja. Povezuje se samo sa uslovnim imenom logičkog elementa praga kao formalnog neurona sa podesivim ili fiksnim težinskim koeficijentima, koji implementira najjednostavniju funkciju prenosa neuronske ćelije. Istraživanja u oblasti stvaranja neurointeligencije sprovode se na različitim nivoima: teorijski alati, prototipovi za primenjene zadatke, NN softver, hardverske strukture. Glavne faze na putu stvaranja kompjutera sličnog mozgu su rasvjetljavanje principa formiranja međuelementnih veza i moždanih sistema adaptivnih mreža s velikim brojem elemenata, stvaranje kompaktnog multi-inputa. adaptivni element analogan stvarnom neuronu, proučavanje njegovih funkcionalnih karakteristika, razvoj i implementacija programa obuke za uređaj nalik mozgu.

Ovaj pravac je formiran na osnovu tvrdnje da se ljudska inteligencija može detaljno opisati i potom uspješno oponašati pomoću mašine. Goethe Faust Ideja da čovjek ne može raditi težak posao za čovjeka pojavila se u kamenom dobu kada je čovjek pripitomio psa. Ono što je bilo najvrednije u ovoj kreaciji je ono što danas zovemo veštačka inteligencija. Za njega je legalizovana ideja pojačane borbe protiv zla, koja prevazilazi granice verskog prava...

Podijelite rad na društvenim mrežama

Ako vam ovaj rad ne odgovara, na dnu stranice nalazi se lista sličnih radova. Možete koristiti i dugme za pretragu

ZAJEDNIČKI INSTITUT ZA NUKLEARNA ISTRAŽIVANJA

OBRAZOVNO-NAUČNI CENTAR

ESSAY

u istoriji i filozofiji nauke

na temu:

ISTORIJA RAZVOJA VEŠTAČKE INTELIGENCIJE

Završeno:

Pelevanyuk I.S.

Dubna

2014

Uvod 3

Prije nauke 4

Prve ideje 4

Tri zakona robotike 5

Prvi naučni koraci 7

Turingov test 7

Darmouth seminar 8

1956-1960: vrijeme velikih nada 9

1970-e: Sistemi zasnovani na znanju 10

Borba na šahovskoj tabli 11

Upotreba umjetne inteligencije u komercijalne svrhe 15

Promjena paradigme 16

Data mining 16

Zaključak 21

Reference 22

Uvod

Pojam intelekt (lat. intellectus) označava um, razum, sposobnost mišljenja i racionalno znanje. Obično to znači sposobnost stjecanja, pamćenja, primjene i transformacije znanja za rješavanje nekih problema. Zahvaljujući ovim osobinama, ljudski mozak je u stanju da rješava različite zadatke. Uključujući i one za koje ne postoje ranije poznate metode rješenja.

Pojam umjetna inteligencija nastao je relativno nedavno, ali čak i sada je gotovo nemoguće zamisliti svijet bez nje. Ljudi najčešće ne primjećuju njegovo prisustvo, ali ako bi ga iznenada više nema, to bi radikalno utjecalo na naše živote. Područja u kojima se koriste tehnologije umjetne inteligencije stalno se obnavljaju: nekada su to bili programi za igranje šaha, zatim - roboti za usisivače, sada algoritmi mogu sami trgovati na berzama.

Ovaj pravac je formiran na osnovu tvrdnje da se ljudska inteligencija može detaljno opisati i, nakon toga, uspješno oponašati pomoću mašine. Umjetna inteligencija bila je uzrok velikog optimizma, ali je ubrzo pokazala zapanjujuću složenost implementacije.

Glavna područja razvoja umjetne inteligencije uključuju rasuđivanje, znanje, planiranje, učenje, jezičku komunikaciju, percepciju i sposobnost kretanja i manipulacije objektima. Generalizirana umjetna inteligencija (ili "jaka AI") je još uvijek na horizontu. Trenutno popularni pristupi uključuju statističke metode, računsku inteligenciju i tradicionalnu simboličku AI. Postoji ogroman broj alata koji koriste umjetnu inteligenciju: različite verzije algoritama pretraživanja, algoritama matematičke optimizacije, logike, metode zasnovane na vjerojatnosti i mnogi drugi.

U ovom eseju pokušao sam da sakupim najvažnije, sa moje tačke gledišta, događaje koji su uticali na razvoj tehnologije i teorije veštačke inteligencije, glavna dostignuća i preduslove.

Prije pojave nauke

Prve ideje

„Kažu nam „luđak“ i „fantastično“,

Ali, izlazeći iz tužne zavisnosti,

Tokom godina, mozak mislioca je vješt

Mislilac će biti vještački stvoren.”

Gete, Faust

Ideja da ne-čovek može da obavlja težak posao za čoveka nastala je u kamenom dobu, kada je čovek pripitomio psa. Pas je bio idealno prilagođen ulozi čuvara i obavljao je taj zadatak mnogo bolje od osobe. Naravno, ovaj primjer se ne može smatrati demonstracijom upotrebe umjetne inteligencije, jer je pas živo biće: već je obdaren sposobnošću prepoznavanja slika, orijentacije u prostoru, a također je predisponiran za neko osnovno učenje u kako bi se prepoznao „prijatelj/neprijatelj“. Međutim, pokazuje smjer misli osobe.

Drugi primjer je mit o Talosu. Talos je, prema legendi, bio veliki bronzani vitez, kojeg je Zevs dao Evropi da zaštiti ostrvo Krit. Njegov posao je bio da drži strance podalje od ostrva. Ako bi im se približili, Talos je bacao kamenje na njih; ako su uspjeli da pristanu, Talos se zapalio i spalio neprijatelje u svom naručju.

Zašto je Talos tako izuzetan? Izrađen od najtrajnijeg materijala u to vrijeme, sposoban da otkrije tko je stranac, praktički neranjiv, bez potrebe za odmorom. Tako su stari Grci zamišljali stvaranje bogova. Ono što je bilo najvrednije u ovoj kreaciji je ono što danas zovemo veštačka inteligencija.

Još jedan zanimljiv primjer može se uzeti iz jevrejske tradicije - to su legende o golemima. Golem je glineno stvorenje ljudske vrste. Njih su, prema legendi, mogli stvoriti rabini kako bi zaštitili jevrejski narod. U Pragu je nastala jevrejska narodna legenda o golemu, kojeg je stvorio glavni praški rabin za obavljanje raznih „crnih“ poslova ili jednostavno teških zadataka. Poznati su i drugi golemi, stvoreni prema narodnoj tradiciji od strane raznih autoritativnih rabina, inovatora religiozne misli.

U ovoj legendi, narodna fantazija opravdava otpor društvenom zlu nasiljem golema. Za njega je legalizirana ideja pojačane borbe protiv zla, koja nadilazi granice vjerskog prava; Nije ni čudo što golem, prema legendi, može prekoračiti svoje moći, izjavljujući svoju volju, suprotno volji svog tvorca: golem je u stanju da učini ono što je za osobu zločinačko po zakonu.

I na kraju, roman Frankenštajn ili moderni Prometej Mary Shelley. Može se nazvati pretkom naučnofantastične književnosti. Opisuje život i rad dr Viktora Frankenštajna, koji je oživeo biće stvoreno od delova tela mrtvih ljudi. Međutim, vidjevši da je ispalo ružno i monstruozno, doktor se odriče svoje kreacije i napušta grad u kojem je živio. Bezimeno stvorenje, koje narod mrzi zbog svog izgleda, ubrzo počinje da proganja svog tvorca.

I tu se opet postavlja pitanje odgovornosti koju čovjek snosi za svoja stvorenja. Početkom 19. vijeka, roman je pokrenuo nekoliko pitanja o paru tvorac i kreacija. Koliko je bilo etično stvoriti takvu kreaciju? Ko je odgovoran za njegove postupke? Pitanja usko povezana s idejama o umjetnoj inteligenciji.

Mnogo je sličnih primjera koji su na neki način povezani sa stvaranjem umjetne inteligencije. Ovo se ljudima čini kao sveti gral koji može riješiti mnoge njihove probleme i osloboditi ih svih manifestacija nedostatka i nejednakosti.

Tri zakona robotike

Od Frankenštajna, umjetna inteligencija se stalno pojavljuje u književnosti. Ideja o njemu postala je plodno tlo za razmišljanje pisaca i filozofa. Jedan od njih, Isaac Asimov, zauvijek će nam ostati u sjećanju. Godine 1942. u svom romanu Okrugli ples opisao je tri zakona koje roboti moraju slijediti:

1. Robot ne može nauditi osobi ili svojim nečinjenjem dozvoliti da osoba bude ozlijeđena.
2. Robot se mora povinovati svim naredbama koje daju ljudi, osim ako su ta naređenja u suprotnosti sa Prvim zakonom.
3. Robot mora voditi računa o svojoj sigurnosti u mjeri u kojoj to nije u suprotnosti sa Prvim i Drugim zakonom.

Prije Isaaca, priče o umjetnoj inteligenciji i o robotima zadržale su duh romana Frankenstein Mary Shelley. Kako je sam Isaac rekao, ovaj problem je postao jedan od najpopularnijih u svijetu naučne fantastike 1920-ih i 1930-ih godina, kada su napisane mnoge priče, čija su tema bili roboti koji su se bunili i uništavali ljude.

Ali nisu svi pisci naučne fantastike slijedili ovaj obrazac, naravno. Godine 1938., na primjer, Lester del Rey je napisao kratku priču Helen O'Loy, priču o ženi robota koja se zaljubila u svog tvorca i kasnije postala njegova idealna žena. Što, inače, veoma liči na priču o Pigmalionu. Pigmalion je isklesao kip djevojke od slonovače tako lijepe da se i sam zaljubio u nju. Dirnuta takvom ljubavlju, Afrodita je oživjela statuu, koja je postala žena Pigmaliona.

U stvari, pojava tri zakona desila se postepeno. Dve najranije priče o robotima, "Robi" (1940) i "Logika" (1941), nisu eksplicitno opisali zakone. Ali već su implicirali da roboti moraju imati neka interna ograničenja. U sljedećoj priči: "Lažov" (1941), prvi je zakon izgovoren. A sva tri zakona su se u cijelosti pojavila tek u Okruglom plesu (1942).

Unatoč činjenici da se danas robotika razvija kao nikada prije, istraživači iz područja umjetne inteligencije ne pridaju toliku važnost zakonima robotike. Uostalom, zakoni se, zapravo, poklapaju sa osnovnim principima čovječanstva. Međutim, što roboti postaju složeniji, to je očiglednija potreba za stvaranjem nekih osnovnih principa i sigurnosnih mjera za njih.

Postoje čak i tvrdnje da je malo vjerovatno da će Zakoni biti u potpunosti implementirani u svim robotima, jer će uvijek biti onih koji žele koristiti robote za uništavanje i ubijanje. Naučnik naučne fantastike Robert Sawyer sastavio je ove izjave u jednu:

„Razvoj AI je biznis, a poznato je da biznis nije zainteresovan za razvoj osnovnih sigurnosnih mjera, posebno onih filozofskih. Evo nekoliko primjera: duhanska industrija, automobilska industrija, nuklearna industrija. Nikome od njih u početku nije rečeno da su neophodne ozbiljne sigurnosne mjere i svi su spriječili ograničenja nametnuta spolja, a niko od njih nije donio apsolutni edikt protiv nanošenja štete ljudima.

Prvi naučni koraci

Istorija razvoja veštačke inteligencije kao nauke može se pratiti do ranih filozofskih dela kao što su Diskurs o metodi (Rene Descartes, 1637), Ljudska priroda (Thomas Hobbes, 1640). Ako se razvoj posmatra i sa tehničke tačke gledišta, onda možemo spomenuti prvi mehanički digitalni računar, koji se pojavio još ranije: 1623. godine, zahvaljujući naporima Wilhelma Schickarda. Međutim, želeo bih da skrenem pažnju na pedesete godine prošlog veka, kada je Alan Turing u svom članku „Računarske mašine i um“ krenuo da utvrdi da li je mašina sposobna da razmišlja.

Tjuringov test

Osoba komunicira sa drugom osobom i kompjuterskim programom. Osoba može postavljati pitanja preko terminala, njegov zadatak je da odredi gdje je program i gdje se osoba nalazi. Svrha programa je da dovede osobu u zabludu i natjera je da napravi pogrešan izbor. Prema uslovima, prepiska je morala da se vodi u fiksnim intervalima, jer su tada računari bili spori i to je omogućavalo da se odmah utvrdi gde se nalazi program. Sada je ovo pravilo potrebno jer kompjuter može odgovoriti mnogo brže od čovjeka.

Zapravo, postoji nekoliko verzija formulacije. U jednom od njih, na primjer, kompjuter je morao uvjeriti panel od nekoliko ljudi da komuniciraju s drugom osobom. I u jednoj od prvih opcija, Turing predlaže da učesnik eksperimenta igra šah sa osobom i sa kompjuterom, a zatim odredi ko je od njih ko. Zapravo, u vrijeme pisanja ovog teksta, Alan Turing je radio na umjetnoj inteligenciji oko 10 godina.

U kasnijoj istoriji Thiring testa može se identifikovati nekoliko ključnih događaja. Ali glavna stvar se dogodila 1966. godine, Joseph Weizenbaum je kreirao Eliza program, koji je mogao parodirati razgovor sa psihoterapeutom. To joj je omogućilo da odgovori na pitanje pitanjem u uslovima neizvjesnosti. Evo primjera kako bi mogao ispasti razgovor s njom:

H: Ko je tvoj omiljeni kompozitor?

Elisa: Da li te zanima ova tema? (Odgovara na pitanje pitanjem)

H: Boli me glava.

Elisa: Zašto kažeš da te boli glava? (uvjet nesigurnosti)

X: Moj otac me mrzi

Elisa: Ko te još mrzi u porodici? (reaguje na ključnu riječ "otac")

Eliza će zauvijek ostati važna prekretnica u razvoju umjetne inteligencije. Bio je to prvi program koji je prevazišao komunikacijsku paradigmu Čovjek/Mašina i bio u stanju da stvori imitaciju komunikacije Ljudsko/Ljudsko.

Darmouth Seminar

Zahvaljujući eksplozivnom skoku u brzini kompjutera, istraživači su počeli vjerovati da neće biti teško stvoriti umjetnu inteligenciju zahvaljujući kompjuteru. Činjenica je da su u to vrijeme postojala dva područja istraživanja: neurokibernetika i, nešto kasnije, kibernetika „crne kutije”.

Osnova neurokibernetike bio je princip da je jedini objekt sposoban za razmišljanje osoba, što znači da misaoni uređaj treba da modelira njegovu strukturu. Naučnici su pokušali da stvore elemente koji bi radili kao neuroni u mozgu. Zahvaljujući tome, kasnih 50-ih godina, pojavile su se prve neuronske mreže. Napravila su ih dva američka naučnika:Rosenblatt i P.McCulloch. Pokušali su stvoriti sistem koji bi mogao simulirati rad ljudskog oka. Nazvali su svoj uređaj Perceptron. Mogao je prepoznati rukom pisana slova. Sada je glavno područje primjene neuronskih mreža prepoznavanje uzoraka.

Kibernetika “crne kutije” zasnivala se na principu da nije važno kako je mašina za razmišljanje raspoređena unutra, najvažnije je da na određeni skup ulaznih podataka reaguje na isti način kao i osoba. Istraživači koji rade u ovoj oblasti počeli su stvarati vlastite modele. Ispostavilo se da nijedna od postojećih nauka: psihologija, filozofija, neurofiziologija, lingvistika, nije mogla rasvijetliti algoritam mozga.

Razvoj kibernetike “crne kutije” započeo je 1956. godine, kada je održan Darmouth seminar, čiji je jedan od glavnih organizatora bio John McCarthy. Tada je postalo jasno da ni teorijsko znanje ni tehnička baza nisu dovoljni za implementaciju principa neurokibernetike. Ali istraživači informatike vjerovali su da bi zajedničkim naporima mogli razviti novi pristup stvaranju umjetne inteligencije. Zalaganjem nekih od najistaknutijih naučnika iz oblasti računarstva, organizovan je seminar pod nazivom: Dartmouth Summer Project for Artificial Intelligence Research. Prisustvovalo je 10 ljudi, od kojih su mnogi ubuduće nagrađeni Turingovom nagradom - najpočasnijom nagradom u oblasti računarskih nauka. Slijedi uvodna riječ:

“ Predlažemo dvomjesečnu studiju umjetne inteligencije sa 10 učesnika u ljeto 1956. na Dartmouth koledžu u Hanoveru, New Hampshire.

Istraživanje se zasniva na pretpostavci da se bilo koji aspekt učenja ili bilo koje drugo svojstvo inteligencije može, u principu, opisati tako precizno da ga mašina može simulirati. Pokušaćemo da razumemo kako da naučimo mašine da koriste prirodne jezike, formiraju apstrakcije i koncepte, rešavaju probleme koji su trenutno mogući samo ljudima i kako se usavršavaju.

Vjerujemo da je značajan napredak na jednom ili više ovih problema sasvim moguć ako se na njemu radi posebno odabrana grupa naučnika tokom ljeta.”

Bila je to možda najambicioznija aplikacija za grant u istoriji. Na ovoj konferenciji zvanično je osnovana nova naučna oblast - „Umjetna inteligencija“. I možda ništa konkretno nije otkriveno niti razvijeno, ali zahvaljujući ovom događaju neki od najistaknutijih istraživača su se upoznali i krenuli u istom pravcu.

1956-1960: vrijeme velike nade

Tada se činilo da je rješenje već vrlo blizu i, uprkos svim poteškoćama, čovječanstvo će uskoro moći stvoriti punopravnu umjetnu inteligenciju koja bi mogla donijeti stvarne koristi. Postojali su programi koji su mogli stvoriti nešto intelektualno. Klasičan primjer je program teoretičara logike.

Godine 1913. Whitehead i Bertrand Russell objavili su svoju Principia Mathematica. Njihov cilj je bio da pokažu da se sa minimalnim skupom logičkih alata kao što su aksiomi i pravila zaključivanja mogu ponovo stvoriti sve matematičke istine. Ovo djelo se smatra jednom od najutjecajnijih knjiga ikada napisanih nakon Aristotelovog Organona.

Program teoretičara logike bio je u stanju da sam rekreira većinu Principia Mathematica. Štaviše, na nekim mjestima čak i elegantnije nego što su to učinili autori.

Teoretičar logike predstavio je nekoliko ideja koje su postale centralne u istraživanju umjetne inteligencije:

1. Rasuđivanje kao način traženja. U stvari, program je prošao kroz stablo pretrage. Koren stabla su bile početne izjave. Pojava svake grane bila je zasnovana na pravilima logike. Na samom vrhu stabla, postojao je rezultat - nešto što je program mogao dokazati. Put od osnovnih naredbi do ciljnih nazvan je dokaz.

2. Heuristika. Autori programa su shvatili da će drvo rasti eksponencijalno i da će ga morati nekako, „na oko“, odsjeći. Pravila prema kojima su se riješili nepotrebnih grana nazvali su “heurističkim”, koristeći termin koji je uveo Gyorgy Pólya u svojoj knjizi “Kako riješiti problem”. Heuristika je postala važna komponenta istraživanja umjetne inteligencije. Ostaje važna metoda za rješavanje složenih kombinatornih problema, takozvanih „kombinatornih eksplozija“ (primjer: problem trgovačkog putnika, nabrajanje šahovskih poteza).

3. Obrada strukture “Lista”. Za implementaciju programa na kompjuteru kreiran je programski jezik IPL (Information Processing Language) koji je koristio isti oblik lista koje je John McCarthy koristio u budućnosti za kreiranje Lisp jezika (za koji je dobio Turingovu nagradu), koji je još uvijek ga koriste istraživači umjetne inteligencije.

1970-e: Sistemi zasnovani na znanju

Sistemi zasnovani na znanju su kompjuterski programi koji koriste baze znanja za rešavanje složenih problema. Sami sistemi se dalje dijele na nekoliko klasa. Zajedničko im je da svi pokušavaju da predstave znanje kroz alate kao što su ontologije i pravila, a ne samo programski kod. Uvek se sastoje od najmanje jednog podsistema, a češće od dva istovremeno: baze znanja i mašine za zaključivanje. Baza znanja sadrži činjenice o svijetu. Mehanizam zaključivanja sadrži logička pravila, koja su obično predstavljena kao pravila IF-THEN. Sisteme zasnovane na znanju prvi su kreirali istraživači veštačke inteligencije.

Prvi radni sistem zasnovan na znanju bio je Mycin program. Ovaj program je kreiran za dijagnosticiranje opasnih bakterija i odabir najprikladnijeg tretmana za pacijenta. Program je funkcionisao prema 600 pravila, postavljao je doktoru mnogo pitanja sa da/ne i davao listu mogućih bakterija sortiranih prema verovatnoći, takođe je obezbedio interval poverenja i mogao da preporuči kurs lečenja.

Stanfordska studija je pokazala da je Mycin pružio prihvatljiv tok liječenja u 69% slučajeva, što je bolje od stručnjaka koji su ocijenjeni po istim kriterijima. Ova studija se često citira da pokaže neslaganje između medicinskih stručnjaka i sistema ako ne postoji standard za „ispravan“ tretman.

Nažalost, Mycin nikada nije testiran u praksi. Pokrenuta su etička i pravna pitanja vezana za korištenje ovakvih programa. Nije bilo jasno ko bi trebao snositi odgovornost ako se pokaže da je preporuka programa pogrešna. Drugi problem je bilo tehnološko ograničenje. U to vrijeme nije bilo personalnih kompjutera, jedna sesija je trajala više od pola sata, a to je bilo neprihvatljivo za zaposlenog doktora.

Glavno dostignuće programa bilo je to što je svijet uvidio moć sistema zasnovanih na znanju i moć umjetne inteligencije općenito. Kasnije, 1980-ih, drugi programi su počeli da se pojavljuju koristeći isti pristup. Da bi se pojednostavila njihova izrada, kreirana je ljuska E-Mycin, koja je omogućila stvaranje novih ekspertskih sistema uz manje napora. Nepredviđena poteškoća s kojom su se programeri suočili bila je izvlačenje znanja iz iskustva stručnjaka, iz očiglednih razloga.

Važno je napomenuti da je upravo u to vrijeme sovjetski naučnik Dmitrij Aleksandrovič Pospelov započeo svoj rad na polju umjetne inteligencije.

Borite se na šahovskoj tabli

Zasebno, može se razmotriti istorija sukoba između čovjeka i umjetne inteligencije na šahovskoj tabli. Ova priča je počela davno: kada je 1769. godine u Beču Wolfgang von Kempeleng stvorio šahovsku mašinu. Bila je to velika drvena kutija sa šahovskom pločom na vrhu, a iza nje je stajao voštani Turčin u odgovarajućoj odjeći (zbog toga se mašina ponekad skraćeno naziva Turčin). Prije početka predstave vrata lože su se otvorila, a publika je mogla vidjeti mnoge detalje određenog mehanizma. Zatim su se vrata zatvorila, a automobil je pokrenut posebnim ključem, poput sata. Nakon toga dolazio je ko je htio da igra i povlačio se.

Ova mašina je postigla ogroman uspeh i uspela je da proputuje celu Evropu, izgubivši samo nekoliko partija od jakih šahista. Naime, unutar kutije se nalazila osoba koja je uz pomoć sistema ogledala i mehanizama mogla posmatrati stanje partije i uz pomoć sistema poluga kontrolisati ruku “Turčina”. I to nije bila posljednja mašina u kojoj se, zapravo, krio živi šahist. Takve mašine su bile uspešne sve do početka dvadesetog veka.

Pojavom kompjutera, mogućnost stvaranja umjetnog šahista postala je opipljiva. Alan Turing je razvio prvi program sposoban za igranje šaha, ali je zbog tehničkih ograničenja bilo potrebno oko pola sata da napravi jedan potez. Postoji čak i snimak utakmice programa sa Alikom Glenijem, Turingovim kolegom, koji je program izgubio.

Ideja o stvaranju ovakvih programa zasnovanih na kompjuterima izazvala je odjek u naučnom svijetu. Postavljena su mnoga pitanja. Odličan primjer je članak: “Upotreba digitalnih kompjutera za igre” (Digital Computers apply to Games). Postavlja 6 pitanja:

1. Da li je moguće napraviti mašinu koja bi pratila pravila šaha, mogla bi dati nasumičan tačan potez ili provjeriti da li je potez ispravan?

2. Da li je moguće stvoriti mašinu sposobnu da rešava šahovske probleme? Na primjer, reći kako se matira u tri poteza.

3. Da li je moguće napraviti mašinu koja bi igrala dobru igru? Koja bi, na primjer, suočena sa određenim uobičajenim rasporedom figura, mogla bi nakon dva-tri minuta proračuna dati dobar ispravan potez.

4. Da li je moguće stvoriti mašinu koja igrajući šah uči i usavršava svoju igru ​​iznova i iznova?

Ovo pitanje donosi još dva koja su vjerovatno već na jeziku čitaoca:

5. Da li je moguće stvoriti mašinu koja je u stanju da odgovori na pitanje na način da je nemoguće razlikovati njen odgovor od odgovora osobe.

6. Možete li stvoriti mašinu koja će se osjećati kao vi ili ja?

U članku je glavni naglasak stavljen na pitanje broj 3. Odgovor na pitanja 1 i 2 je striktno pozitivan. Odgovor na pitanje 3 se odnosi na upotrebu složenijih algoritama. Za pitanja 4 i 5, autor kaže da ne vidi uvjerljive argumente koji opovrgavaju takvu mogućnost. I na pitanje 6: „Nikad neću saznati da li osećaš sve isto kao ja.”

Čak i ako takve studije same po sebi, možda, nisu bile od velikog praktičnog interesa, ipak su bile vrlo interesantne teoretski i postojala je nada da će rješenje ovih problema postati poticaj za rješavanje drugih problema slične prirode i od većeg značaja.

Sposobnost igranja šaha dugo se pripisuje standardnim testnim zadacima koji demonstriraju sposobnost umjetne inteligencije da se nosi sa zadatkom ne sa stanovišta "grube sile", što se u ovom kontekstu shvaća kao korištenje ukupnog nabrajanja mogućih kreće, ali uz pomoć..."nešto takav“, kako je jednom rekao Mihail Botvinik, jedan od pionira u razvoju šahovskih programa. Svojevremeno je uspeo da „probije“ zvanična sredstva za rad na projektu „majstora veštačkog šaha“, softverskog paketa PIONEER, koji je nastao pod njegovim rukovodstvom u Svesaveznom istraživačkom institutu za elektroprivredu. Botvinik je više puta izvještavao predsjedništvo Akademije nauka SSSR-a o mogućnostima primjene osnovnih principa "PIONEER-a" na rješavanje problema optimizacije upravljanja u nacionalnoj ekonomiji.

Osnovnu ideju na kojoj je bivši svjetski prvak zasnovao svoj razvoj, sam je formulirao u jednom od svojih intervjua 1975. godine: „Više od desetak godina radim na problemu prepoznavanja razmišljanja šahovskog majstora: kako se pronašao potez bez kompletnog nabrajanja? A sada se može tvrditi da je ova metoda u osnovi otkrivena... Tri glavne faze kreiranja programa: mašina mora biti u stanju da pronađe putanju kretanja komada, zatim mora "naučiti" da formira prostor za igru , lokalno bojno područje na šahovskoj ploči i moći formirati skup ovih zona. Prvi dio posla je urađen već duže vrijeme. Potprogram formiranja zona je sada završen. Otklanjanje grešaka će početi u narednim danima. Ako bude uspješan, postojat će puno povjerenje da će i treća etapa biti uspješna i automobil će početi igrati.”

PIONEER projekat je ostao nedovršen. Botvinik je na njemu radio od 1958. do 1995. i za to vreme uspeo je da izgradi algoritamski model šahovske partije zasnovan na traženju „drveta opcija“ i sukcesivnog postizanja „nepreciznih ciljeva“, koji su predstavljali materijalnu korist.

Godine 1974. sovjetski kompjuterski program Kaissa osvojio je Prvo svjetsko prvenstvo u kompjuterskom šahu, pobijedivši ostale šahovske mašine u sve četiri partije, igrajući, prema riječima šahista, na nivou treće kategorije. Sovjetski naučnici uveli su mnoge inovacije za šahovske mašine: korištenje početne knjige, čime je izbjegnuto računanje poteza na samom početku partije, kao i posebnu strukturu podataka: bitboard, koji se još uvijek koristi u šahovskim mašinama.

Postavilo se pitanje da li program može da pobedi čoveka. 1968. šahista David Levy se kladio na 1.250 funti da ga nijedna mašina ne može pobijediti u narednih 10 godina. 1977. odigrao je utakmicu sa Kaissom i pobijedio, nakon čega turnir nije nastavljen. Godine 1978. osvojio je partiju protiv Chess4.7, najboljeg šahovskog programa u to vrijeme, nakon čega je priznao da nije preostalo mnogo vremena prije nego što programi budu mogli poraziti naslovljene šahiste.

Posebnu pažnju treba obratiti na igre između čoveka i kompjutera. Prva je bila prethodno spomenuta igra programa Alika Glenyja i Turinga. Sljedeći korak bilo je uspostavljanje programa Los Alamos 1952. godine. Igrala je na tabli 6x6 (bez biskopa). Test je obavljen u dvije faze. Prva etapa je partija sa jakim šahistom, u kojoj je nakon 10 sati igre pobijedio čovjek. Druga faza je bila partija protiv djevojčice koja je neposredno prije testa učila da igra šah. Rezultat je bila pobjeda programa na 23. potezu, što je tada bio nesumnjivi uspjeh.

Tek 1989. godine Deep Thought je uspio pobijediti međunarodnog velemajstora: Benta Larsena. Iste godine odigrala se i utakmica istog programa sa Garijem Kasparovom, koju je Kasparov lako dobio. Nakon utakmice je izjavio:

“ Ako kompjuter može da pobedi najbolje od najboljih u šahu, to će značiti da je kompjuter u stanju da komponuje najbolju muziku, piše najbolje knjige. Ne mogu vjerovati. Ako se napravi kompjuter sa rejtingom 2800, odnosno jednak mom, i ja ću smatrati svojom dužnošću da ga izazovem na utakmicu kako bih zaštitio ljudski rod.”

1996. Deep Blue kompjuter je izgubio turnir od Kasparova, ali je po prvi put u istoriji dobio utakmicu protiv svetskog šampiona. I tek 1997. godine, prvi put u istoriji, kompjuter je pobedio na turniru protiv svetskog šampiona rezultatom 3,5:2,5.

Nakon Kasparovljevih mečeva, mnogi čelnici FIDE su u više navrata izražavali ideju da je održavanje mješovitih mečeva (osoba protiv kompjuterskog programa) neprikladno iz više razloga. Podržavajući ovu poziciju, Gari Kasparov je objasnio:Da, kompjuter ne zna šta je pobeda ili poraz. A kako je meni?.. Kako ću se osjećati u igri nakon neprospavane noći, nakon grešaka u igri? Sve su to emocije. Oni stavljaju ogroman teret na čovjeka, a najneugodnije je to što shvatite da vaš protivnik nije podložan umoru ili bilo kojim drugim emocijama.».

I ako je čak i sada u šahovskoj borbi prednost na strani kompjutera, onda je u takmičenjima kao što je igra Go kompjuter pogodan samo za igranje sa početnicima ili sa igračima srednjeg nivoa. Razlog je taj što je u Gou teško procijeniti stanje ploče: jedan potez može napraviti pobjedničku poziciju iz nedvosmisleno izgubljene pozicije. Osim toga, kompletno nabrajanje je praktično nemoguće, jer bez upotrebe heurističkog pristupa, kompletno nabrajanje prva četiri poteza (dva s jedne i dva s druge strane) može zahtijevati procjenu gotovo 17 milijardi mogućih scenarija.

Od sličnog interesa može biti i igra pokera. Poteškoća je u tome što stanje nije u potpunosti vidljivo, za razliku od Go i šaha, gdje oba igrača vide cijelu ploču. U pokeru je moguće da protivnik kaže pas, a ne pokaže svoje karte, što može zakomplikovati proces analize.

U svakom slučaju, igre uma su podjednako važne za AI programere kao što su voćne mušice za genetičare. Ovo je pogodno polje za testiranje, polje za istraživanje, teorijsko i praktično. Ovo je takođe pokazatelj razvoja nauke o veštačkoj inteligenciji.

Upotreba umjetne inteligencije u komercijalne svrhe

Osamdesetih godina, inspirisane napretkom u veštačkoj inteligenciji, mnoge kompanije odlučile su da isprobaju nove tehnologije. Međutim, samo najveće kompanije mogle su sebi priuštiti takve eksperimentalne korake.

Jedna od prvih kompanija koja je usvojila tehnologije umjetne inteligencije bila je DEC (Digital Equipment Corp). Bila je u mogućnosti da implementira XSEL ekspertni sistem, koji joj je pomogao da konfiguriše opremu i odabere alternative za klijente. Kao rezultat toga, trosatni zadatak je smanjen na 15 minuta, a broj grešaka smanjen sa 30% na 1%. Prema riječima predstavnika kompanije, XSEL sistem je omogućio zaradu od 70 miliona dolara.

American Express je koristio ekspertski sistem da odluči da li će klijentu izdati kredit ili ne. Ovaj sistem je imao jednu trećinu veće šanse da ponudi kredit nego stručnjaci. Kažu da je zarađivala 27 miliona dolara godišnje.

Isplata koju pružaju inteligentni sistemi često je bila ogromna. Bilo je to kao prelazak iz hodanja u vožnju, ili iz vožnje u letenje.

Međutim, nije sve bilo tako jednostavno s integracijom umjetne inteligencije. Prvo, ne može se svaki zadatak formalizirati na nivo na kojem bi ga umjetna inteligencija mogla nositi. Drugo, sam razvoj je bio veoma skup. Treće, sistemi su bili novi, ljudi nisu navikli da koriste kompjutere. Neki su bili skeptični, a neki čak i neprijateljski raspoloženi.

Zanimljiv primjer je DuPont, koji je mogao potrošiti 10.000 dolara i mjesec dana za izgradnju malog pomoćnog sistema. Mogla je da radi na personalnom računaru i omogućila joj je dodatni profit od 100.000 dolara.

Nisu sve kompanije uspješno implementirale tehnologije umjetne inteligencije. To je pokazalo da je za korištenje ovakvih tehnologija potrebna velika teoretska baza i veliki broj resursa: intelektualnih, privremenih i materijalnih. Ali ako bude uspješan, troškovi su se osvetom isplatili.

Promjena paradigme

Sredinom 1980-ih, čovječanstvo je uvidjelo da su kompjuteri i umjetna inteligencija u stanju da se nose s teškim zadacima kao i ljudi i, na mnogo načina, čak i bolje. Pri ruci su bili primjeri uspješne komercijalne upotrebe, napredak u industriji igara i napredak u sistemima za podršku odlučivanju. Ljudi su vjerovali da će se u jednom trenutku kompjuteri i umjetna inteligencija moći nositi sa svakodnevnim problemima bolje od ljudi. Vjerovanje koje se prati od davnina, tačnije, od stvaranja tri zakona robotike. Ali u nekom trenutku, ovo vjerovanje je prešlo na novi nivo. A kao dokaz za to može se navesti još jedan zakon robotike, koji je sam Isaac Asimov 1986. radije nazvao „nulom“:

“0. Robot ne može nauditi osobi osim ako ne dokaže da će na kraju koristiti cijelom čovječanstvu.”

Ovo je ogroman pomak u viziji mjesta umjetne inteligencije u ljudskom životu. U početku su mašine dobile mjesto slabovoljnog sluge: stoke novog doba. Međutim, sagledavši njene izglede i mogućnosti, osoba je počela postavljati pitanje može li umjetna inteligencija upravljati životima ljudi bolje od samih ljudi. Neumoran, pravedan, nesebičan, nepodložan zavisti i željama, možda bi mogao drugačije urediti živote ljudi. Ideja zapravo nije nova, pojavila se 1952. godine u romanu Kurta Voneguta Mehanički klavir ili Utopija 14. Ali tada je bilo fantastično. Sada je to postala moguća perspektiva.

rudarenje podataka

Istorija ovog trenda u rudarenju podataka počela je 1989. godine, nakon seminara Grigorija Pjateckog-Šapira. Pitao se da li je moguće izvući korisno znanje iz dugog niza naizgled neupadljivih podataka. Na primjer, to može biti arhiva upita baze podataka. U slučaju da gledajući ga možemo identificirati neke obrasce, to bi ubrzalo bazu podataka. Primjer: svakog jutra od 7:50 do 8:10 pokreće se zahtjev koji zahtijeva puno resursa za kreiranje izvještaja za prethodni dan, u kom slučaju se do tog vremena već može generirati između ostalih zahtjeva, tako da će baza podataka biti ravnomjernije opterećeni zahtjevima. Ali zamislite da ovaj zahtjev inicira zaposlenik tek nakon što unese nove podatke. U tom slučaju bi se pravilo trebalo promijeniti: čim određeni zaposlenik unese podatke, možete početi pripremati izvještaj u pozadini. Ovaj primjer je izuzetno jednostavan, ali pokazuje kako prednosti rudarenja podataka tako i poteškoće povezane s njim.

Termin datamining nema službeni prijevod na ruski. Može se prevesti kao „vađenje podataka“, a „vađenje podataka“ je slično onome koje se izvodi u rudnicima: ako imate puno sirovina, možete pronaći vrijedan predmet. U stvari, sličan termin je postojao još 1960-ih: Data Fishing ili Data Dredging. Koristili su ga statističari, što označava priznatu lošu praksu pronalaženja obrazaca u odsustvu apriornih hipoteza. U stvari, termin bi se ispravnije mogao nazvati Database mining, ali se pokazalo da je ovaj naziv zaštitni znak. Sam Grigory Pyatetsky-Shapiro je predložio termin „Otkriće znanja u bazama podataka“, ali je u poslovnom okruženju i štampi naziv „Data mining“ fiksiran.

Ideja da je korištenjem određene baze podataka o nekim činjenicama moguće predvidjeti postojanje novih činjenica pojavila se davno i stalno se razvijala u skladu sa stanjem tehnike: Bayesova teorema 1700-ih, regresiona analiza 1800-ih , klaster analiza u analizi 1930-ih, 1940-te - neuronske mreže, 1950-te - genetski algoritmi, 1960-te - stabla odlučivanja. Termin Data mining ih je ujedinio ne po principu kako rade, već prema tome šta im je cilj: posjedujući određeni skup poznatih podataka, mogu predvidjeti koji će podaci biti sljedeći.

Cilj rudarenja podataka je pronaći „skriveno znanje“. Pogledajmo bliže šta znači "skriveno znanje". Prvo, to mora biti novo znanje. Na primjer, da se vikendom povećava broj robe koja se prodaje u supermarketu. Drugo, znanje ne bi trebalo da bude trivijalno, ne svedeno na pronalaženje matematičkog očekivanja i varijanse. Treće, ovo znanje bi trebalo da bude korisno. Četvrto, znanje koje se lako može protumačiti.

Dugo su ljudi vjerovali da kompjuteri mogu predvidjeti sve: cijene dionica, opterećenje servera, količinu potrebnih resursa. Međutim, pokazalo se da je često vrlo teško izvući informacije iz deponije podataka. U svakom konkretnom slučaju potrebno je prilagoditi algoritam, ako nije samo neka vrsta regresije. Ljudi su vjerovali da postoji univerzalni algoritam koji, poput crne kutije, može apsorbirati veliku količinu podataka i početi s predviđanjima.

Unatoč svim ograničenjima, alati koji olakšavaju rudarenje podataka poboljšavaju se iz godine u godinu. A od 2007. godine, Rexer Analytics svake godine objavljuje rezultate istraživanja stručnjaka o postojećim alatima. Istraživanje 2007. godine sastojalo se od 27 pitanja i uključivalo je 314 učesnika iz 35 zemalja. U 2013. godini anketa je uključivala već 68 pitanja, a u njoj je učestvovalo 1259 stručnjaka iz 75 zemalja svijeta.

Data mining se i dalje smatra obećavajućim smjerom. I opet, njegova upotreba otvara nova etička pitanja. Jednostavan primjer je korištenje alata za prikupljanje podataka za analizu i predviđanje zločina. Slične studije od 2006. godine provode različiti univerziteti. Aktivisti za ljudska prava se tome protive, tvrdeći da saznanja stečena na ovaj način mogu dovesti do potrage, koje se ne zasnivaju na činjenicama, već na pretpostavkama.

Preporučujući sistemi su daleko najopipljiviji rezultat razvoja vještačke inteligencije. Možemo se susresti sa njom odlaskom u neku od popularnih internet prodavnica. Zadatak sistema preporuka je da odredi, na primjer, listu proizvoda koje je pregledao određeni korisnik, prema nekim vidljivim karakteristikama, da odredi koji će proizvodi biti najzanimljiviji korisniku.

Zadatak pronalaženja preporuka svodi se i na zadatak učenja mašine, baš kao i kod rudarenja podataka. Vjeruje se da je historija razvoja sistema preporuke započela uvođenjem sistema Tapiserija od strane Davida Goldberga u Xerox Palo Alto istraživačkom centru 1992. godine. Svrha sistema je bila filtriranje korporativne pošte. Postao je svojevrsni rodonačelnik sistema preporuka.

Trenutno postoje dva sistema preporuka. David Goldberg je predložio sistem zasnovan na kolaborativnom filtriranju. To jest, da bi dao preporuku, sistem gleda informacije o tome kako su drugi korisnici slični ciljnom korisniku ocijenili određeni objekt. Na osnovu ovih informacija, sistem može pretpostaviti koliko visoko će ciljni korisnik ocijeniti određeni objekt (proizvod, film).

Filteri sadržaja su još jedna vrsta sistema preporuka. Preduvjet za postojanje filtera sadržaja je određena baza podataka koja mora pohraniti metriku za sve objekte. Dalje, nakon nekoliko radnji korisnika, sistem je u mogućnosti odrediti koji tip objekata se korisniku sviđa. Na osnovu postojećih metrika, sistem može pokupiti nove objekte koji će na neki način biti slični onima koji su već pregledani. Nedostatak ovakvog sistema je što prvo morate izgraditi veliku bazu podataka sa metrikom. Sam proces izgradnje metrike može biti izazov.

Opet se postavlja pitanje da li upotreba ovakvih sistema nije prekršaj. Ovdje postoje dva pristupa. Prvi je eksplicitno prikupljanje podataka, koje predstavlja prikupljanje podataka isključivo u okvirima u kojima funkcioniše sistem preporuka. Na primjer, ako je ovo sistem preporuka za online prodavnicu, onda će ponuditi procjenu nekog proizvoda, sortiranje proizvoda prema interesovanju i kreiranje liste omiljenih proizvoda. Kod ovog tipa sve je jednostavno: sistem ne prima informacije o aktivnostima korisnika van svojih granica, sve što zna je sam korisnik. Drugi tip je implicitno prikupljanje podataka. Uključuje tehnike kao što su korištenje informacija iz drugih, sličnih resursa, vođenje evidencije o ponašanju korisnika, provjera sadržaja korisničkog računala. Ova vrsta prikupljanja informacija za sisteme preporuka je zabrinjavajuća.

Međutim, u tom pravcu korištenje privatnih informacija izaziva sve manje kontroverzi. Na primjer, 2013. godine na konferenciji YAC (Yandex Another Conference) najavljeno je stvaranje Atom sistema. Njegova svrha je da vlasnicima web stranica pruži informacije koje su im potrebne za izradu preporuka. Ove informacije u početku bi trebale prikupljati usluge Yandexa. Odnosno, u ovom slučaju se vrši implicitno prikupljanje podataka. Primjer: osoba ulazi u uslugu pretraživanja kako bi saznala najzanimljivija mjesta u Parizu. Nakon nekog vremena, osoba posjeti stranicu turističke agencije. Bez Atoma, agencija bi jednostavno morala osobi pokazati najpopularnije ture. Atom bi mogao savjetovati stranicu da prije svega pokaže korisniku obilazak Pariza i napravi lični popust na ovu konkretnu turu kako bi se razlikovala od drugih. Dakle, povjerljive informacije ne idu dalje od Atom servisa, sajt zna šta da savjetuje klijentu, a klijent je zadovoljan što je brzo pronašao ono što je tražio.

Do danas, sistemi preporuke su najjasniji primjer onoga što tehnologije umjetne inteligencije mogu postići. S jednim takvim sistemom može se obaviti posao koji čak ni armija analitičara ne bi mogla podnijeti.

Zaključak

Sve ima početak, kao što je rekao Sančo Panza, i taj početak se mora opisati.

okrenuti se nečemu što mu prethodi. Hindusi su izmislili slona, ​​koji

koji je držao svijet, ali su ga morali staviti na kornjaču. Need

imajte na umu da se pronalazak sastoji u stvaranju ne iz praznine, već iz

haos: prije svega treba voditi računa o materijalu ...

Mary Shelley, Frankenstein

Razvoj veštačke inteligencije kao nauke i tehnologije za stvaranje mašina počeo je pre nešto više od jednog veka. A dostignuća koja su do sada postignuta su zapanjujuća. Oni okružuju ljude skoro svuda. Tehnologije umjetne inteligencije imaju posebnost: čovjek ih samo u početku smatra nečim intelektualnim, a onda se navikne na njih i one mu se čine prirodnim.

Važno je zapamtiti da je nauka o vještačkoj inteligenciji usko povezana sa matematikom, kombinatorikom, statistikom i drugim naukama. Ali ne samo da oni utječu na njega, već vam razvoj umjetne inteligencije omogućava da drugačije sagledate ono što je već stvoreno, kao što je bio slučaj s programom Logic Theorist.

Važnu ulogu u razvoju tehnologija umjetne inteligencije igra razvoj kompjutera. Teško je zamisliti ozbiljan program za rudarenje podataka, koji bi bio dovoljan za 100 kilobajta RAM-a. Kompjuteri su omogućili ekstenzivni razvoj tehnologija, dok su teorijska istraživanja poslužila kao preduslovi za intenzivan razvoj. Možemo reći da je razvoj nauke o veštačkoj inteligenciji bio posledica razvoja kompjutera.

Istorija razvoja veštačke inteligencije nije završena, ona se upravo sada piše. Tehnologije se stalno usavršavaju, stvaraju se novi algoritmi i otvaraju se nova područja primjene. Vrijeme neprestano otvara nove mogućnosti i nova pitanja za istraživače.

Ovaj sažetak se ne fokusira na zemlje u kojima su provedena određena istraživanja. Cijeli svijet je malo po malo doprinio području koje danas nazivamo naukom o umjetnoj inteligenciji.

Bibliografija

Mitovi naroda svijeta. M., 1991-92. U 2 tom T.2. S. 491,

Idel, Moše (1990). Golem: jevrejske magične i mistične tradicije o umjetnom antropoidu. Albany, New York: State University of New York Press. ISBN 0-7914-0160-X. strana 296

Asimov, Isak. Esej br. 6. Zakoni robotike // Robot dreams in . M.: Eksmo, 2004. S. 781784. ISBN 5-699-00842- X

Vidi Nonn. Djela Dioniza XXXII 212. Klement. Protreptic 57, 3 (referenca na Filostefana).

Robert J. Sawyer. O Asimovim tri zakona robotike (1991).

Turing, Alan (oktobar 1950.), "Računarska mašina i inteligencija", Mind LIX (236): 433460

McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude (1955.)Prijedlog za ljetni istraživački projekat u Dartmouthu o umjetnoj inteligenciji

Crevier 1993, str. 4648.

Smith, Reid (8. maj 1985.). "Koncepti, tehnike, primjeri sistema zasnovanih na znanju"

Alan Turing, "Digitalni kompjuteri primijenjeni na igre". n.d. AMT-ov doprinos "Brže od misli", ur. B.V. Bowden, London 1953. Objavio Pitman Publishing. TS sa MS korekcijama. R.S. 1953b

Kaissa - Svjetski prvak. Časopis "Nauka i život", januar 1975, str. 118-124

Štreber, E. Velemajstor "Duboka misao" // Nauka i život. M., 1990. V. 5. P. 129130.

F. Hayes-Roth, N. Jacobstein. Stanje sistema zasnovanih na znanju. Saopštenje ACM-a, mart, 1994, v.37, br.3, str.27-39.

Karl Rexer, Paul Gearan i Heather Allen (2007); 2007 Data Miner Survey Summary, predstavljen na SPSS Directions konferenciji, okt. 2007. i Oracle BIWA Summit, okt. 2007.

Karl Rexer, Heather Allen i Paul Gearan (2013); Sažetak istraživanja Data Miner 2013, predstavljen na Predictive Analytics World, okt. 2013.

Shyam Varan Nath (2006). “Otkrivanje obrasca kriminala pomoću rudarenja podataka”, WI-IATW “06 Zbornik radova međunarodne konferencije IEEE/WIC/ACM 2006. o web inteligenciji i tehnologiji inteligentnih agenata, stranica 41-44

David Goldberg, David Nichols, Brian M. Oki i Douglas Terry (2006). “Korišćenje kolaborativnog filtriranja za tkanje informacijske tapiserije”, Saopćenje ACM-a, decembar 1992., vol.35, n12, str.61-71

Ostali povezani radovi koji bi vas mogli zanimati.vshm>
14280.		Ideja o sustavima umjetne inteligencije i mehanizmima njihovog funkcioniranja	157.75KB
	Razmatranje strukture i mehanizama funkcionisanja inteligentnih sistema, s jedne strane, zahteva detaljan prikaz, uzimajući u obzir uticaj specifičnih karakteristika aplikacija, as druge strane, zahteva generalizaciju i klasifikaciju uvedenih pojmova, struktura. , mehanizmi.
609.			12.42KB
	U rasvjetnim instalacijama namijenjenim preduzećima za rasvjetu, plinske sijalice i žarulje sa žarnom niti se široko koriste kao izvori svjetlosti. Glavne karakteristike izvora svjetlosti uključuju: nazivni napon V; električna snaga W; svjetlosni tok jama: svjetlosna efikasnost lm W ovaj parametar je glavna karakteristika efikasnosti izvora svjetlosti; vijek trajanja h. Vrsta izvora svjetlosti u preduzećima bira se uzimajući u obzir tehničke i ekonomske pokazatelje specifičnosti proizvodnje ...
6244.		Istorija razvoja CIS-a	154.8KB
	Treba napomenuti da svaki tip sistema uključuje sisteme ranijih tipova. To znači da sistemi svih vrsta danas mirno koegzistiraju. Opšti model arhitekture CIS sistema Do nedavno je u tehnologiji kreiranja informacionih sistema dominirao tradicionalni pristup, kada je celokupna arhitektura informacionog sistema građena od vrha do dna od funkcionalnosti aplikacije do sistemskih inženjerskih rešenja, a prva komponenta informacionog sistema je u potpunosti proizašao iz drugog. U početku su se sistemi ovog nivoa bazirali na ...
17626.		Istorija razvoja plivanja	85.93KB
	Ogromna važnost vode u životu primitivnog čovjeka, potreba za industrijskim razvojem ovog neobičnog okruženja zahtijevali su od njega sposobnost plivanja kako ne bi umro u oštroj borbi za postojanje. Sa dolaskom državnog sistema, sposobnost plivanja postala je posebno neophodna u radu i vojnim poslovima.
9769.		Istorija razvoja etnopsihologije	19.47KB
	Istorijat razvoja etnopsihologije Zaključak. Tako je Hipokrat u svom djelu O zraku, vodama i lokalitetima napisao da su sve razlike među ljudima, uključujući i psihologiju, posljedica položaja zemlje, klime i drugih prirodnih faktora. Sledeća faza dubokog interesovanja za etničku psihologiju počinje sredinom 18. veka. Monteskje je možda najpotpunije izrazio opšti metodološki pristup tog perioda suštini etničkih razlika u duhu psihologije.
9175.		Istorija razvoja prirodnih nauka	21.45KB
	Među revolucijama prirodnih nauka mogu se razlikovati sljedeće vrste: globalne, koje pokrivaju sve prirodne znanosti i uzrokuju pojavu ne samo fundamentalno novih ideja o svijetu nove vizije svijeta, već i nove logičke strukture nauke, novi način ili stil razmišljanja; lokalno u pojedinim fundamentalnim naukama v. Formiranje novog ...
9206.		Istorija razvoja mehatronike	7.71KB
	U poslednjoj deceniji velika pažnja posvećena je stvaranju mehatroničkih modula za moderne automobile nove generacije tehnološke opreme alatnih mašina sa paralelnom kinematikom robota sa inteligentnim upravljanjem mikromašinama najnovije kompjuterske i kancelarijske opreme. Prvi ozbiljni rezultati o stvaranju i praktičnoj primeni robota u SSSR-u datiraju iz 1960-ih. Prvi industrijski uzorci modernih industrijskih robota sa pozicionom kontrolom stvoreni su 1971. godine na Lenjingradskom politehničkom institutu...
11578.		Istorija razvoja informacionih tehnologija	41.42KB
	Rezultati naučnih i primenjenih istraživanja u oblasti informatike, računarske tehnologije i komunikacija stvorili su čvrstu osnovu za nastanak nove grane veština i proizvodnje informacione industrije. predstavlja infrastrukturni i informacioni prostor za informatizaciju društva. Faze nastanka i razvoja informacione tehnologije Na samom početku situacije, da bi sinhronizovao izvedene efekte, osobi su bili potrebni kodirani komunikacijski signali. Reprezentacija informacija misli samokontrolu Dva objekta: izvor informacija i...
3654.		Istorija razvoja neorganske hemije	29.13KB
	Hemija, kao nauka, nastala je u starom Egiptu i korišćena je uglavnom kao primenjena nauka: za dobijanje bilo kakvih supstanci i proizvoda sa novim svojstvima koja su još uvek bila nepoznata širokom krugu ljudi. Sveštenici starog Egipta koristili su znanje iz hemije za dobijanje veštačkog nakita, balzamiranje ljudi
14758.		Istorija razvoja genetike kao fundamentalne nauke	942.85KB
	Istorija razvoja genetike kao fundamentalne nauke. Metode za proučavanje ljudske genetike. Istorija razvoja genetike kao fundamentalne nauke.2 Glavne faze u razvoju genetike: klasični period.

znanje se može pohraniti izvan mozga. Njihovi argumenti su:

1. spoznaja kao proces podleže formalizaciji;
2. inteligencija se može izmjeriti (koeficijent inteligencije IQ - kvocijent inteligencije 1 Termin je u naučnu upotrebu uveo V. Stern (1911) prema metodi proračuna A. Bineta (1903)., kapacitet pamćenja, reaktivnost psihe itd.);
3. mjere informacija (bit, bajt, itd.) su primjenjive na znanje. Pesimisti smatraju da umjetna inteligencija nije sposobna pohraniti znanje, jer je samo imitacija razmišljanja. Pesimisti smatraju da je ljudski intelekt jedinstven, da se kreativnost ne može formalizirati, da je svijet cjelovit i nedjeljiv na informacijske diskretne dijelove, da je slika ljudskog mišljenja mnogo bogatija od logičkog mišljenja mašina, itd.

Ko je u pravu u ovom sporu, pokazaće vreme. Napominjemo samo da memorija mašine pohranjuje ono što je u nju zapisano, a to može biti ne samo znanje kao najviši oblik informacije, već i jednostavno podaci koji mogu sadržavati znanje, dezinformacije i informacioni šum(Vidi "Istorija razvoja informatike. Razvoj ideja o informacijama. Na putu ka informatičkom društvu"). Da bi izvukla znanje iz podataka, mašina, kao i osoba, mora postaviti cilj („šta želim da znam?“) i prema tom cilju odabrati vrijedne informacije(Uostalom, pohranjuju vrijednosti, a ne sve što je užasno). Može umjetna inteligencija formulirati prihvatljive ciljeve i izvršiti umjetnu selekciju vrijednih informacija za te ciljeve je još jedan problem u teoriji i praksi umjetne inteligencije. Dok ovaj posao obavlja osoba - u ekspertnim sistemima, u programiranju robota, u sistemima upravljanja procesima itd. Besplatne mašine (vidi gore) moraće sami da urade ovaj posao. Istovremeno, naznačeni problem može se pogoršati zbog činjenice da u mrežama sa kojih mašine "skidaju" znanje može biti mnogo "smeća" i destruktivnih virusa.

4.4. Povijest razvoja ideja umjetne inteligencije i njihova implementacija

Po prvi put, ideje o stvaranju veštačke inteligencije nastale su u 17. veku. (B. Spinoza, R. Descartes, G.W. Leibniz i drugi). Govorimo o vještačkoj inteligenciji, a ne o mehaničkim lutkama, već poznatim u to vrijeme. Osnivači teorije umjetne inteligencije bili su, naravno, optimisti - vjerovali su u izvodljivost svoje ideje:

Po psihološkom zakonu očuvanja („zbir užitaka i bola jednak je nuli“) odmah su se pojavili pesimisti (F. Bacon, J. Locke i dr.), koji su se optimistima nasmijali: „Oh, prestanite! ”. Ali svaka ideja u nauci, jednom kada se pojavi, nastavlja da živi, ​​uprkos preprekama.

Ideja veštačke inteligencije počela je da dobija stvarne karakteristike tek u drugoj polovini 20. veka, posebno sa pronalaskom kompjutera i "inteligentnih robota". Da bi se ideja realizovala, takođe su bili potrebni primenjeni razvoji u matematičkoj logici, programiranju, kognitivnoj psihologiji, matematičkoj lingvistici, neurofiziologiji i drugim disciplinama koje se razvijaju u kibernetičkom kanalu odnosa između organizama i mašina u smislu funkcija kontrole i komunikacije. Sam naziv umjetna inteligencija" nastao je krajem 60-ih godina XX veka, a 1969. godine održana je Prva svetska konferencija o veštačkoj inteligenciji (Vašington, SAD).

kao prvo umjetna inteligencija razvijena u tzv analitički (funkcionalni) smjeru u kojem je mašina dobila instrukcije da radi privatno intelektualni zadaci kreativne prirode (igre, prevođenje s jednog jezika na drugi, slikanje, itd.).

Kasnije je nastao sintetički (model) smjer, prema kojem se pokušavalo modelirati kreativnu aktivnost mozga u općem smislu, "bez zamjene" za određene zadatke. Naravno, pokazalo se da je ovaj pravac teži za implementaciju od funkcionalnog. Predmet proučavanja smjera modela je bio metaprocedure ljudsko razmišljanje. Metaprocedure kreativnosti nisu same procedure (funkcije) intelektualne aktivnosti, već načine stvaranja takve procedure, načini učenja nove vrste intelektualne aktivnosti. U tim se načinima, vjerovatno, krije ono što se može nazvati intelektom. Prisutnost metaprocedura mišljenja razlikuje pravu inteligenciju od prividne, stoga je implementacija metaprocedura kreativnosti alatnim mašinama postala gotovo glavni zadatak smjera modela. Ne šta nego kako izmišljanje kako riješiti kreativni problem kako učenje (samoučenje) novih stvari? - ovo su pitanja inherentna implementaciji modela ljudskog kreativnog mišljenja.

U okviru pravca modela razvijena su uglavnom dva modela inteligencije. Hronološki prvi labirint model koji implementira svrsishodnu pretragu u lavirintu alternativnih načina rješavanja problema uz procjenu uspješnosti nakon svakog koraka ili sa stanovišta rješavanja problema u cjelini. Drugim riječima, model lavirinta se svodi na nabrajanje mogućih opcija (po analogiji sa nabrajanjem izlaznih opcija iz lavirinta). Uspjeh (ili neuspjeh) u odabiru jedne ili druge opcije može se ocijeniti na svakom koraku (tj. odmah nakon izbora), bez predviđanja konačnog rezultata rješavanja problema, ili, obrnuto, izbor opcije na svakom koraku može biti napravljen na osnovu konačnog rezultata. Na primjer, uzmimo šah. Rezultat svakog poteza možete procijeniti prema neposrednom dobitku ili gubitku nakon tog poteza (pobjeda ili gubitak figura, stjecanje pozicijske prednosti, itd.) bez razmišljanja o kraju igre. Ovakvim pristupom podrazumijeva se da će uspjeh na svakom potezu dovesti do uspjeha cijele utakmice, do pobjede. Ali to uopće nije potrebno. Na kraju krajeva, moguće je namamiti protivničkog kralja u zamku parenja žrtvovanjem figura u nizu poteza, gubeći prividnu pozicionu prednost. Ovim pristupom parcijalni uspjesi na svakom potezu ne znače ništa u odnosu na posljednji pobjednički potez – najavu mat.

Prvi pristup u modeliranju lavirinta razvijen je u heurističko programiranje, drugi pristup je dinamičko programiranje. očigledno, dinamičan pristup efikasniji od heurističkih kada je u pitanju šah. U svakom slučaju, jaki šahisti su, ne znajući, tačno koristili dinamičan pristup protiv šahovskih programa koji rade u heurističkom modu, i svojom prirodnom inteligencijom, pobijedili su lavirint umjetna inteligencija. Ali to je bio slučaj 60-ih i 70-ih godina. 20ti vijek Od tada su se šahovski programi toliko poboljšali (uključujući i uvođenje dinamičkog pristupa) da se sada uspješno suprotstavljaju svjetskim prvacima.

Modeli lavirinta su se široko koristili ne samo u kreiranju šahovskih programa, već i za programiranje drugih igara, kao i za dokazivanje matematičkih teorema i u drugim aplikacijama.

Prateći modele labirinta veštačke inteligencije, asocijativni modeli. Asocijacija (od lat. association - veza) - povezanost psiholoških predstava (zbog prethodnog iskustva), zbog koje jedna predstava, pojavivši se u umu, izaziva drugu predstavu (po principu sličnosti, sporednosti ili suprotnosti). Na primjer, nobelovac akademik I.P. Pavlov je, vodeći svoje poznate eksperimente sa psima, primetio da ako pas u isto vreme kada jede vidi upaljenu lampu, onda čim se lampa upali, kod psa počinje da se ističe želudačni sok, iako mu hrana nije nuđena. U srcu ovog uslovnog refleksa je asocijacija zasnovana na principu susjedstva. Asocijacija sličnosti opisana je u priči A.P. Čehov "Prezime konja". Asocijacija po suprotnosti može se opisati logičkom šemom: ako "ne A", onda "A". Na primjer, ako sam tokom dana vidio bijelu mačku, odmah sam je povezao s crnom mačkom koja je ujutro prešla cestu.

U asocijativnim modelima pretpostavlja se da se rješenje novog, nepoznatog problema na neki način zasniva na već poznatim riješenim problemima sličnim novom, pa se način rješavanja novog problema zasniva na asocijativnom principu sličnosti (sličnosti). Za njegovu implementaciju koristi se asocijativno pretraživanje u memoriji, asocijativno logičko zaključivanje metodama rješavanja problema kojima je mašina savladala u novoj situaciji itd. U modernim kompjuterima i inteligentnim robotima postoji asocijativno pamćenje. U zadacima se koriste asocijativni modeli klasifikacija, prepoznavanje obrazaca, učenje koji su već postali uobičajeni zadaci informacionih sistema i tehnologija. Međutim, teorija asocijativnih modela do 90-ih godina. 20ti vijek nije bilo i sada se stvara.

Nabrojimo ukratko glavne kreatore vještačke inteligencije.

N. Wiener(matematičar), U.R. Ashby(biolog) - osnivači kibernetike, koji su prvi izjavili da mašine mogu biti pametnije od ljudi, koji su dali početni podsticaj razvoju teorije veštačke inteligencije.

W. McCulloch, W. Peets(fiziolozi) - 1943. godine. predložio formalni model neurona; osnivači neurokibernetike i početni koncept neuronske mreže.

A. Turing(matematičar) - 1937. izumio je univerzalni algoritamski "Tjuringov stroj"; predložio je intelektualni "Turingov test" kako bi utvrdio da li je mašina inteligentna u uporednom dijalogu s njom i "razumnom osobom".

J. von Neumann(matematičar) - jedan od osnivača teorije igara i teorije samoreproducirajućih automata, arhitekture prvih generacija računara.

M. Somalvico(kibernetički) A. Azimov(biohemičar, pisac) - osnivači intelektualne robotike.

G. Simon, W. Reitman(psiholozi) - autori i programeri prvih labirintskih intelektualnih modela izgrađenih na principima heurističkog programiranja.

R. Bellman(matematičar), S.Yu. Maslov(logičar) - autori dinamičkog pristupa intelektualnim modelima lavirinta (dinamičko programiranje, metoda inverznog dokaza).

F. Rosenblatt(fiziolog), MM. bongard(fizičar) - pioniri problema prepoznavanja obrazaca; programeri uređaja i modela prepoznavanja i klasifikacije.

L. Zade, A.N. Kolmogorov, A.N. Tikhonov, M.A. Girshik(matematičari) - autori matematičkih metoda za rješavanje loše formaliziranih problema i odlučivanje u uslovima neizvesnosti.

N. Chomsky(matematičar, filolog) - osnivač matematičke lingvistike.

L.R. Luria(psiholog) - osnivač neuropsihologije, koja proučava osnovne mehanizme kognitivne aktivnosti mozga i drugih intelektualnih funkcija mozga.

K.E. Shannon(inženjer komunikacija), R.H. Zaripov(matematičar) - autori teorije i modela mašinske sinteze muzike.

Gornja lista je daleko od potpune. U oblasti umjetne inteligencije nisu radili i rade samo pojedini stručnjaci, već i timovi, laboratorije i instituti. Glavni problemi koje rješavaju su:

1. predstavljanje znanja;
2. modeliranje rasuđivanja;
3. inteligentni interfejs "čovjek-mašina", "mašina-mašina";
4. planiranje svrsishodnih aktivnosti;
5. obuka i samoobuka inteligentnih sistema;
6. mašinska kreativnost;
7. inteligentni roboti.

Osnovni koncepti vještačke inteligencije.

Prilično je teško dati preciznu definiciju šta je ljudska inteligencija, jer je inteligencija spoj mnogih vještina u području obrade i prezentiranja informacija. Inteligencija (inteligencija) dolazi od latinskog intellectus - što znači um, razum, razum; sposobnost ljudskog mišljenja. Sa visokim stepenom sigurnosti, inteligencijom se može nazvati sposobnost mozga da rješava (intelektualne) zadatke sticanjem, pamćenjem i svrhovitom transformacijom znanja u procesu učenja iz iskustva i prilagođavanja različitim okolnostima.

Veštačka inteligencija (AI) je skup naučnih disciplina koje proučavaju metode za rešavanje problema intelektualne (kreativne) prirode korišćenjem računara.
Umjetna inteligencija je jedno od područja informatike, čija je svrha razvoj hardverskih i softverskih alata koji omogućavaju korisniku koji nije programer da postavlja i rješava svoje, tradicionalno smatrane intelektualne zadatke, komunicirajući s računarom u ograničenom podskupu prirodnih jezik.

Sistemi veštačke inteligencije (AI) su kompjuterski zasnovani sistemi koji simuliraju rešavanje složenih intelektualnih zadataka od strane osobe.
Znanje: uopšteno govoreći, znanje je praktički proveren rezultat spoznaje stvarnosti, njenog ispravnog odraza u ljudskom mišljenju, posedovanja iskustva i razumevanja koji su ispravni i subjektivno i objektivno, na osnovu kojih se mogu graditi sudovi i zaključci koji izgledaju dovoljno pouzdani da se mogu smatrati znanjem. Dakle, u kontekstu IT-a, pojam znanje je informacija prisutna u realizaciji intelektualnih funkcija. Obično su to odstupanja, trendovi, obrasci i zavisnosti koje se nalaze u informacijama.Drugim riječima, inteligentni sistemi su istovremeno i sistemi za obradu znanja.

Programi umjetne inteligencije uključuju:

1. programi za igre (stohastičke, kompjuterske igre);

2. programi prirodnog jezika - mašinsko prevođenje, generisanje teksta, obrada govora;

3. programi za prepoznavanje - prepoznavanje rukopisa, slika, mapa;

4. programi za izradu i analizu grafičkih, slikarskih, muzičkih dela.

Razlikuju se sljedeća područja umjetne inteligencije:

1. ekspertni sistemi;

2. neuronske mreže;

3. sistemi prirodnog jezika;

4. evolucijske metode i genetski algoritmi;

5. rasplinuti skupovi;

6. sistemi za izvlačenje znanja.

Istorija razvoja veštačke inteligencije

Postoje tri glavne faze u razvoju AIS-a:

− 60-70. Ovo su godine uviđanja mogućnosti umjetne inteligencije i formiranja društvenog poretka koji podržava procese donošenja odluka i upravljanja. Nauka reaguje na ovaj poredak pojavom prvih perceptrona (neuralnih mreža), razvojem metoda za heurističko programiranje i situacionom kontrolom velikih sistema (razvijenih u SSSR-u)

− 70-80. U ovoj fazi postoji svijest o značaju znanja za formiranje adekvatnih odluka; pojavljuju se ekspertni sistemi u kojima se aktivno koristi aparat fuzzy matematike, razvijaju se modeli vjerodostojnog zaključivanja i vjerodostojnog zaključivanja

− 80-90. Postoje integrisani (hibridni) modeli predstavljanja znanja koji kombinuju intelekt: tragajući, računarski, logički i figurativni.

Termin vještačka inteligencija predložen je 1956. godine na seminaru na Univerzitetu Stanford (SAD).

Ideja o stvaranju umjetne sličnosti ljudskog uma za rješavanje složenih problema i simulaciju sposobnosti razmišljanja je u zraku od davnina. Prvi ga je izrazio R. Lully, koji je još u 14. veku pokušao da stvori mašinu za rešavanje različitih problema na osnovu opšte klasifikacije pojmova.

Razvoj umjetne inteligencije kao naučnog pravca postao je moguć tek nakon stvaranja kompjutera. To se dogodilo 40-ih godina XX veka. U isto vrijeme, N. Wiener stvara svoja temeljna djela o novoj nauci - kibernetici.

1954. godine na Moskovskom državnom univerzitetu počeo je sa radom seminar "Automati i razmišljanje" pod vodstvom profesora A. A. Lyapunova. Na seminaru su učestvovali vodeći fiziolozi, lingvisti, psiholozi i matematičari. Općenito je prihvaćeno da je u to vrijeme u Rusiji rođena umjetna inteligencija.

Značajan proboj u praktičnim primjenama umjetne inteligencije dogodio se sredinom 1970-ih, kada je potraga za univerzalnim algoritmom mišljenja zamijenjena idejom modeliranja specifičnog znanja stručnjaka stručnjaka.

U Sjedinjenim Državama, prvi komercijalni sistemi zasnovani na znanju, odnosno ekspertni sistemi, pojavili su se novi pristup rešavanju problema veštačke inteligencije – predstavljanje znanja. Kreirani su MYCIN i DENDRAL - klasični ekspertni sistemi za medicinu i hemiju.

U periodu 1980-1990. sprovedena su aktivna istraživanja u oblasti predstavljanja znanja, razvijani su jezici za predstavljanje znanja i ekspertni sistemi. Od sredine 1980-ih, umjetna inteligencija je komercijalizirana. Godišnje investicije rastu, stvaraju se industrijski ekspertni sistemi.

Ekspertski sistemi se ne koriste široko u praktičnoj medicini. Uglavnom se koriste kao sastavni dio medicinskih instrumentalno-računarskih sistema. To je prvenstveno zbog činjenice da se u stvarnom životu broj mogućih situacija i, shodno tome, dijagnostičkih pravila pokazao toliko velikim da sustav ili počinje zahtijevati veliku količinu dodatnih informacija o pacijentu, ili točnost dijagnoze. naglo opada.

Konvencionalno se može razlikovati 7 faza razvoja umjetne inteligencije, od kojih je svaka povezana s određenim nivoom razvoja umjetne inteligencije i paradigmom implementiranom u određenom sistemu.

Paradigma je nova ideja matematičkog opisa rada sistema umjetne inteligencije.

Faza 1 (50s) ( Neuroni i neuronske mreže )

Povezuje se sa pojavom prvih sekvencijalnih mašina, sa vrlo malim, po današnjim standardima, mogućnostima resursa u smislu memorije, brzine i klasa zadataka koje treba rešavati. To su bili problemi čisto računske prirode, za koje su bile poznate šeme rješenja i koji se mogu opisati nekim formalnim jezikom. Ovoj klasi pripadaju i zadaci adaptacije.

Faza 2 (60s) ( heurističko pretraživanje)

"Inteligencija" mašine je dopunjena mehanizmima za pretraživanje, sortiranje, najjednostavnijim operacijama generalizacije informacija koje ne zavise od značenja podataka koji se obrađuju. Ovo je postalo novo polazište u razvoju i razumijevanju zadataka automatizacije ljudskih aktivnosti.

Faza 3 (70-e) ( predstavljanje znanja)

naučnici su prepoznali važnost znanje(po obimu i sadržaju) za sintezu zanimljivih algoritama za rješavanje problema. To je značilo znanje sa kojim matematika ne može raditi, tj. iskusno znanje koje nije strogo formalne prirode i obično se opisuje u deklarativnom obliku. To su znanja stručnjaka iz različitih oblasti delatnosti, lekara, hemičara, istraživača itd. Takvo znanje se naziva ekspertnim znanjem, pa su shodno tome sistemi koji rade na bazi ekspertskog znanja postali poznati kao konsultantski sistemi ili ekspertni sistemi.

Faza 4 (80-e) ( mašine za učenje)

Četvrta faza razvoja umjetne inteligencije postala je proboj. Pojavom ekspertskih sistema u svijetu, započela je fundamentalno nova faza u razvoju inteligentnih tehnologija - era inteligentnih sistema - konsultanata koji su predlagali rješenja, opravdavali ih, bili u stanju da uče i razvijaju, komuniciraju sa osobom u poznatoj , iako ograničen, prirodni jezik .

Faza 5 (90-e) ( automatizovani obradni centri)

Komplikacija komunikacionih sistema i zadataka koje je trebalo rešavati zahtevali su kvalitativno novi nivo „inteligencije“ softverskih sistema, kao što su zaštita od neovlašćenog pristupa, informaciona sigurnost resursa, zaštita od napada, semantička analiza i traženje informacija u mrežama itd. . A inteligentni sistemi su postali nova paradigma za kreiranje naprednih sistema zaštite svih vrsta. Omogućavaju vam da kreirate fleksibilna okruženja unutar kojih je omogućeno rješavanje svih potrebnih zadataka.

Faza 6 (2000-te) ( Robotika )

Opseg robota je prilično širok i proteže se od autonomnih kosilica i usisivača do modernih modela vojne i svemirske tehnologije. Modeli su opremljeni navigacijskim sistemom i svim vrstama perifernih senzora.

Faza 7 (2008. godina)( Singularnost )

Stvaranje umjetne inteligencije i samoreproducirajućih strojeva, integracija ljudi s kompjuterima ili značajan skok u sposobnostima ljudskog mozga zahvaljujući biotehnologiji.

Prema nekim prognozama, tehnološki singularitet bi mogao doći oko 2030. godine. Zagovornici teorije tehnološke singularnosti smatraju da ako postoji fundamentalno drugačiji od ljudskog uma (post man), da se buduća sudbina civilizacije ne može predvidjeti na osnovu ljudskog (društvenog) ponašanja.