ПІДХОДИ І НАПРЯМКИ ДО РОЗУМІННЯ ШТУЧНОГО ІНТЕЛЕКТУ

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

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

Одна з класифікацій виділяє два підходи до розробки ШІ:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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