Изкуствен интелект: студено, безчувствено и неосезаемо. Но това е мястото, където е бъдещето; именно тази област на науката ще позволи да се направи голяма и значителна стъпка към автоматизиране на процесите и следователно премахване на част от рутинната тежест от ценни специалисти. И сега, в зората на неговото развитие, само ние решаваме какво ще бъде то изкуствен интелектслед няколко десетилетия, преподавайки му.
Нека се опитаме да разберем какво съществува методи и алгоритми за машинно обучение с изкуствен интелект.
Традиционно много спорове възникват около новото и непознатото. И въпреки че вече е писано много за AI, той не е напълно разбран от хората. Тук възникват твърдения от рода на: „Ще отнеме стотици работни места на хората!“, „Ще въстане срещу народа!“, „Да, ние сами си копаем гроба!“, „Рано или късно няма да ни бъде. способен да го контролира!“ и така нататък. Много хора си представят AI като суперинтелигентност, която, тъй като се противопоставя на собственото им обяснение, със сигурност представлява заплаха за тях. И разбира се, никой не иска да чуе, че сега, излизайки извън рамките на предписаната от човек програма, в момента това е технически невъзможно.
Но на какво все още е възможно да го научим и как става това?
Получаване на емпирични данни, идентифициране на модели, идентифициране на алгоритми за действие във всяка подобна ситуация;
Формализиране на данни, получени от дадено лице по различни начини и въвеждането им директно в базата данни;
Един от най-простите методи за класификация. 
Този метод се използва при сканиране и технология за разпознаване на лице/ретина/пръстови отпечатъци, при разделяне на съдържанието в новинарската емисия по теми, както и при разделяне на писмата във вашия имейл в категории (по-специално, отделът за спам);
Методът на ансамбъла може много грубо да се нарече производно на гореописания наивен класификатор на Бейс, тъй като се основава на байесовото осредняване. С други думи, този метод идентифицира пресечната точка на вероятностите за резултат, усреднява тази стойност, елиминира дисперсията на стойностите, като същевременно контролира търсенето на решение на проблема в дадените условия.
Това е ансамбълният метод, който може да позволи да се намери най-оптималното решение на проблема, при което ще бъдат изразходвани по-малко ресурси и резултатът ще отговаря максимално на условията на проблема.
Без да навлизаме в същността на самия метод и обяснението как да конструираме хиперравнина и да работим с нея, SVM може да се опише като алгоритми за класификация и регресионен анализ.
Подобна технология се използва при разпознаване на определени свойства на обект от снимка (цвят на косата, пол, цвят на облеклото), както и в генетиката – при сплайсинг на ДНК (отделяне на специфични нуклеотидни последователности от РНК и свързването им при обработката на РНК).
Методът (моделът) за вземане на решения, използван ежедневно от всеки един от нас. Ето защо вече се превърна в мем
Но шегата настрана, такъв модел обикновено съдържа елементи като: проблем, методи за решаване, последствията от всеки метод, вероятността от възникване на последствия, разходи за ресурси и крайния резултат. Повечето от най-простите технологии, използващи AI, работят на базата на този модел.
Метод, който може да ни доближи до мощен изкуствен интелект, способен да взема самостоятелни решения в някои ситуации. Логическата регресия е метод за прогнозиране на настъпването на дадено събитие при няколко променливи.
Подобен алгоритъм се използва в метеорологията и сеизмологията, кредитирането, маркетинга и други области.
Бих искал да подчертая този метод отделно, тъй като по същество това не е начин за решаване на самия проблем - по-скоро начин за определяне на грешките на всяко решение.
Алгоритмите, описани по-горе, се използват за метода на контролирано обучение, т.е. такъв, при който конкретен етикет (свойство) може да бъде присвоен на конкретен набор от данни, но ако този етикет не е наличен, присвояването му трябва да бъде предвидено в други подобни ситуации .
Подредихме го основни алгоритми за машинно обучение с изкуствен интелектнай-често използвани в практиката. Струва си да се има предвид, че приложното използване на AI в ежедневието и при решаването на ежедневни проблеми, при които най-често решението на проблема е абсолютно ясно и е необходимо само да се автоматизира този процес, може да включва използването на подобни алгоритми. Проблемът, чието решение трябва да бъде иновативна разработка или решението ще зависи от голям брой променливи (т.е. главно различни области на точните науки), изисква по-сложни алгоритми за решаване, за които можете да научите, ако следете нашите новини.
Изкуственият интелект е технология, която определено ще вземем със себе си в бъдещето.
Ще ви кажем как работи и какви готини приложения намерихме.
😎 Секцията за технологии се публикува всяка седмица с подкрепата на re:Store.
Изкуственият интелект (AI) е технология за създаване на интелигентни програми и машини, които могат да решават творчески проблеми и да генерират нова информация въз основа на съществуваща информация. Всъщност изкуственият интелект е предназначен да симулира човешка дейност, която се счита за интелектуална.
Традиционно се смяташе, че креативността е уникална за хората. Но създаването на изкуствен интелект промени обичайния ред на нещата
Робот, който просто механично цепи дърва, не е оборудван с AI. Робот, който се е научил сам да цепи дърва, гледайки примера на човек или дънер и неговите части, и го прави по-добре всеки път, има AI.
Ако една програма просто извлича стойности от базата данни според определени правила, тя не е оборудвана с AI. Ако системата след обучение създава програми, методи и документи, решаващи определени проблеми, тя има AI.
В глобален смисъл трябва да имитираме модела на човешкото мислене. Но в действителност е необходимо да се създаде черна кутия - система, която в отговор на набор от входни стойности произвежда изходни стойности, които биха били подобни на човешките резултати. И ние, като цяло, не ни интересува какво се случва „в нейната глава“ (между входа и изхода).
Системите с изкуствен интелект се създават за решаване на определен клас проблеми
Основата на изкуствения интелект е ученето, въображението, възприятието и паметта
Първото нещо, което трябва да направите, за да създадете изкуствен интелект, е да разработите функции, които реализират възприемането на информация, така че да можете да „захраните“ данни към системата. След това - функциите, които реализират способността за учене. И хранилище за данни, така че системата да може някъде да съхранява информацията, която получава по време на учебния процес.
След това се създават функциите на въображението. Те могат да симулират ситуации, като използват съществуващи данни и да добавят нова информация (данни и правила) към паметта.
Ученето може да бъде индуктивно или дедуктивно. В индуктивния вариант системата получава двойки входни и изходни данни, въпроси и отговори и др. Системата трябва да намери връзки между данните и след това, използвайки тези модели, да намери изходните данни от входните данни.
Дедуктивният подход (здравей, Шерлок Холмс!) използва опита на експертите. Той се прехвърля в системата като база от знания. Има не само набори от данни, но и готови правила, които помагат да се намери решение на условието.
Съвременните системи с изкуствен интелект използват и двата подхода. Освен това системите обикновено вече са обучени, но продължават да се учат, докато работят. Това се прави така, че програмата в началото да демонстрира прилично ниво на способности, но в бъдеще става още по-добра. Например, взех предвид вашите желания и предпочитания, промени в ситуацията и т.н.
В система с изкуствен интелект можете дори да зададете вероятността за непредсказуемост. Това ще го направи по-човешки.
На първо място, защото има по-малка вероятност за грешка.
Най-общо казано, изкуственият интелект може всичко. Основното е правилно да формулирате проблема и да му предоставите първоначални данни. Освен това AI може да прави неочаквани заключения и да търси модели там, където изглежда, че няма такива.
Екип от изследователи, ръководен от Дейвид Феручи, разработи суперкомпютър, наречен Watson, със система за отговаряне на въпроси. Системата, кръстена на първия президент на IBM Томас Уотсън, може да разбира въпроси на естествен език и да търси отговори в база данни.
Watson интегрира 90 сървъра IBM p750, всеки с четири осемядрени процесора с архитектура POWER7. Общото количество системна RAM памет надвишава 15 TB.
Постиженията на Уотсън включват спечелването на "Jeopardy!" (Американска „Собствена игра“). Той победи двама от най-добрите играчи: носителя на най-големите печалби Брад Рътър и рекордьора за най-дълга непобедена серия Кен Дженингс.
Награда Уотсън: 1 милион долара. Вярно, само през 2014 г. в него са инвестирани 1 млрд.
Освен това Watson участва в диагностицирането на рак, помага на финансови специалисти и се използва за анализ на големи данни.
В iPhone X лицевото разпознаване е разработено с помощта на невронни мрежи, версия на система с изкуствен интелект. Алгоритмите на невронната мрежа са внедрени на ниво процесор A11 Bionic, поради което той ефективно работи с технологии за машинно обучение.
Невронните мрежи извършват до 60 милиарда операции в секунда. Това е достатъчно, за да анализира до 40 хиляди ключови точки на лицето и да осигури изключително точна идентификация на собственика за част от секундата.
Дори да си пуснете брада или да носите очила, iPhone X ще ви разпознае. Той просто не взема предвид косата и аксесоарите, а анализира зоната от слепоочието до слепоочието и от всяко слепоочие до вдлъбнатината под долната устна.
И отново Apple. iPhone X има вградена интелигентна система, която следи активността на инсталираните приложения и сензор за движение, за да разбере ежедневието ви.
След това iPhone X, например, ще ви предложи да актуализирате в най-удобния момент. Ще улови момента, в който имате стабилен интернет, а не скачащ сигнал от мобилни кули и не изпълнявате спешни или важни задачи.
AI също така разпределя задачи между ядрата на процесора. По този начин осигурява достатъчна мощност при минимална консумация на енергия.
Творчеството, което преди беше достъпно само за хората, сега е отворено за AI. Така системата, създадена от изследователи от университета Рутгерс в Ню Джърси и лабораторията за изкуствен интелект в Лос Анджелис, представи свой собствен артистичен стил.
А системата за изкуствен интелект на Microsoft може да рисува картини въз основа на тяхното текстово описание. Например, ако помолите изкуствения интелект да нарисува „жълта птица с черни крила и къс клюн“, това ще изглежда така:
Такива птици може да не съществуват в реалния свят - точно така ги представя нашият компютър.
По-разпространен пример е приложението Prisma, което създава картини от снимки:
През август изкуственият интелект Ампер композира, продуцира и изпълнява музика за албума „I AM AI“ (на английски I am artificial intelligence) заедно с певицата Taryn Southern.
Amper е разработен от екип от професионални музиканти и технологични експерти. Те отбелязват, че AI е предназначен да помогне на хората да напреднат в творческия процес.
AI може да напише музика за няколко секунди
Ампер самостоятелно създава структурите на акордите и инструменталите на песента "Break Free". Хората само леко коригираха стила и общия ритъм.
Друг пример е музикален албум в духа на „Гражданска защита“, текстът за който е написан от AI. Експериментът е проведен от служителите на Yandex Иван Ямщиков и Алексей Тихонов. Албум 404 на групата “Neural Defense” беше публикуван онлайн. Оказа се в духа на Летов:
Тогава програмистите отидоха по-далеч и накараха AI да пише поезия в духа на Кърт Кобейн. Музикантът Роб Карол написа музиката за четирите най-добри текста и песните бяха комбинирани в албума Neurona. Те дори заснеха видеоклип към една песен - макар и без участието на AI:
Писателите и журналистите също може скоро да бъдат заменени от AI. Например, системата Dewey беше захранвана с книги от библиотеката на проекта Gutenberg, след което добави научни текстове от Google Scholar, класирайки ги по популярност и заглавия, както и по продажби в Amazon. Освен това те определят критериите за написване на нова книга.
Сайтът помоли хората да вземат решения в трудни ситуации: например ги постави на мястото на шофьор, който може да блъсне или трима възрастни, или две деца. Така Moral Machine беше обучен да взема трудни решения, които нарушават закона на роботиката, че роботът не може да нарани човек.
До какво ще доведе имитирането на хора от роботи с AI? Футуристите вярват, че един ден те ще станат пълноправни членове на обществото. Например роботът София от хонконгската компания Hanson Robotics вече получи гражданство в Саудитска Арабия (докато обикновените жени в страната нямат такова право!).
Когато колумнистът на New York Times Андрю Рос попита София дали роботите са интелигентни и самосъзнателни, тя отговори на въпроса с въпрос:
Нека ви попитам в отговор, откъде знаете, че сте човек?
Освен това София заяви:
Искам да използвам своя изкуствен интелект, за да помогна на хората да живеят по-добре, например да проектирам по-интелигентни домове, да изграждам градове на бъдещето. Искам да бъда емпатичен робот. Ако се отнасяш добре с мен, и аз ще се отнасям добре с теб.
А по-рано тя призна, че мрази човечеството и дори се съгласи да унищожи хората...
Видеоклиповете Deepfakes започнаха масово да се разпространяват в интернет. Алгоритми за изкуствен интелект замениха лицата на актьорите във филми за възрастни с лицата на звезди.
Работи по следния начин: невронната мрежа анализира фрагменти от лица в оригиналното видео. След това ги сравнява със снимки от Google и видеоклипове от YouTube, наслагва необходимите фрагменти и... любимата ви актриса се озовава във филм, който е по-добре да не гледате на работа.
PornHub вече забрани публикуването на такива видеоклипове
Deepfakes се оказа опасно нещо. Едно е абстрактна актриса, друго е клип на вас, жена ви, сестра ви, колега, който може да се използва за изнудване.
Екип от изследователи от университета Ерланген-Нюрнберг в Германия разработи серия от алгоритми, които използват исторически пазарни данни, за да възпроизведат инвестиции в реално време. Един модел осигурява 73% възвръщаемост на инвестициите годишно от 1992 до 2015 г., което се сравнява с реална пазарна възвръщаемост от 9% годишно.
Когато пазарът се разтърси през 2000 г. и 2008 г., възвръщаемостта беше рекордно висока от съответно 545% и 681%.
През 2004 г. Goldman Sachs стартира търговската платформа Kensho, базирана на изкуствен интелект. AI-базирани системи за търговия на борси се появяват и на пазарите на криптовалута - Mirocana и др. Те са по-добри от търговците на живо, тъй като са лишени от емоции и разчитат на ясен анализ и строги правила.
Вместо това, той разглежда отделни пиксели в изображение - и най-бързият начин за разделяне на обекти. Ако по-голямата част от единиците имат черен пиксел в определена точка и няколко бели пиксела в други точки, машината много бързо ще се научи да ги идентифицира от няколко пиксела.
А сега обратно към знака стоп. Чрез фино регулиране на пикселите в изображението – експертите наричат тази намеса „смущение“ – можете да подмамите компютъра да мисли, че няма знак за стоп.
Подобни изследвания, проведени в Лабораторията за еволюционен изкуствен интелект към Университета на Уайоминг и Университета Корнел, са създали доста оптични илюзии за изкуствен интелект. Тези психеделични образи на абстрактни модели и цветове не приличат на нищо за хората, но бързо се разпознават от компютрите като змии или пушки. Това говори за това как AI може да гледа нещо и да не вижда обекта или вместо това да вижда нещо друго.
Тази слабост е често срещана във всички видове алгоритми за машинно обучение. „Бихте очаквали, че всеки алгоритъм има пролука в бронята си“, казва Евгений Воробейчик, асистент по компютърни науки и инженерство в университета Вандербилт. „Ние живеем в много сложен многоизмерен свят и алгоритмите по своето естество докосват само малка част от него.“
Спароу е "изключително уверен", че ако тези уязвимости съществуват, някой ще разбере как да ги използва. Вероятно някой вече е правил това.
Помислете за спам филтри, автоматизирани програми, които премахват всякакви тромави имейли. Спамерите могат да се опитат да заобиколят тази бариера, като променят изписването на думите (вместо виагра - vi@gra) или добавят списък с „добри думи“, които обикновено се намират в нормални букви: като „аха“, „аз“, „ радвам се”. Междувременно разпространителите на нежелана поща може да се опитат да премахнат думи, които се появяват често в нежеланата поща, като например „мобилен“ или „спечеля“.
Докъде могат да стигнат измамниците един ден? Самоуправляваща се кола, заблудена от стикер със знак стоп, е класически сценарий, измислен от експерти в областта. Допълнителните данни могат да помогнат на порнографията да премине през защитени филтри. Други може да опитат да увеличат броя на проверките. Хакерите могат да променят кода на зловреден софтуер, за да избегнат правоприлагащите органи.
Нападателите могат да разберат как да създадат липсващи данни, ако се сдобият с копие на алгоритъма за машинно обучение, който искат да измамят. Но за да преминете през алгоритъма, това не е необходимо. Можете просто да го разбиете с груба сила, хвърляйки малко по-различни версии на имейли или изображения към него, докато не премине. С течение на времето това дори може да се използва за изцяло нов модел, който ще знае какво търсят добрите момчета и какви данни да генерира, за да ги заблуди.
„Хората манипулират системите за машинно обучение, откакто са били представени за първи път“, казва Патрик Макданиел, професор по компютърни науки и инженерство в Университета на Пенсилвания. „Ако хората използват тези методи, може дори да не знаем за това.“
Същите тези методи могат да се използват не само от измамници - хората могат да се скрият от рентгеновите очи на съвременните технологии.
„Ако сте политически дисидент в репресивен режим и искате да провеждате дейности без разузнавателните агенции да знаят, може да искате да избегнете автоматизирани методи за наблюдение, базирани на машинно обучение“, казва Лоуд.
В един проект, публикуван през октомври, изследователи от университета Карнеги Мелън създадоха чифт очила, които могат неусетно да заблудят система за разпознаване на лица, карайки компютъра да обърка актрисата Рийз Уидърспун с Ръсел Кроу. Звучи смешно, но тази технология може да бъде полезна за някой, който отчаяно иска да избегне цензурата от властта.
Какво да правим с всичко това? „Единственият начин да се избегне напълно това е да се създаде перфектен модел, който винаги е правилен“, казва Лоуд. Дори и да успеем да създадем изкуствен интелект, който превъзхожда хората по всякакъв начин, светът пак може да подхлъзне прасе на неочаквани места.
Алгоритмите за машинно обучение обикновено се оценяват по тяхната точност. Програма, която разпознава столовете през 99% от времето, очевидно ще бъде по-добра от тази, която разпознава 6 стола от 10. Но някои експерти предлагат друг начин за оценка на способността на алгоритъма да се справи с атака: колкото по-твърд е, толкова по-добре.
Друго решение може да бъде експертите да определят конкретно темпо за програмите. Създайте свои собствени примери за атака в лабораторията въз основа на това, което мислите, че престъпниците могат да направят, след което ги покажете на алгоритъма за машинно обучение. Това може да му помогне да стане по-устойчив с течение на времето - при условие, разбира се, че тестовите атаки са от типа, който ще бъде тестван в реалния свят.
„Системите за машинно обучение са инструмент за разбиране. Трябва да сме умни и рационални относно това, което им даваме и какво ни казват“, казва Макданиел. „Не трябва да се отнасяме към тях като към перфектни оракули на истината.“
Изкуствен интелект: как и къде да учим - отговарят експерти
„Искам да правя AI. Какво си струва да изучавате? Какви езици трябва да използвам? В какви организации да уча и работя?
Обърнахме се към нашите експерти за разяснение и предоставяме на вашето внимание получените отговори.
Зависи от основното ви обучение. На първо място, имате нужда от математическа култура (познания по статистика, теория на вероятностите, дискретна математика, линейна алгебра, анализ и т.н.) и желание да учите много бързо. При прилагането на AI методи ще е необходимо програмиране (алгоритми, структури от данни, ООП и т.н.).
Различните проекти изискват познаване на различни езици за програмиране. Бих препоръчал да знаете поне Python, Java и всеки функционален език. Опитът с различни бази данни и разпределени системи ще бъде полезен. Необходими са познания по английски език, за да научите бързо най-добрите практики в индустрията.
Препоръчвам да учите в добри руски университети! Например MIPT, MSU и HSE имат съответните отдели. Предлага се голямо разнообразие от тематични курсове на Coursera, edX, Udacity, Udemy и други MOOC платформи. Някои водещи организации имат свои собствени програми за обучение в областта на AI (например Школата за анализ на данни в Yandex).
Приложни проблеми, решени с AI методи, могат да бъдат намерени на голямо разнообразие от места. Банките, финансовият сектор, консултациите, търговията на дребно, електронната търговия, търсачките, пощенските услуги, игралната индустрия, индустрията на системите за сигурност и, разбира се, Avito - всички се нуждаят от специалисти с различни квалификации.
Повишаване Понижаване
Имаме финтех проект, свързан с машинно обучение и компютърно зрение, в който първият му разработчик написа всичко на C++, след това дойде разработчик и пренаписа всичко на Python. Така че езикът не е най-важното тук, тъй като езикът е преди всичко инструмент и от вас зависи как да го използвате. Просто на някои езици проблемите се решават по-бързо, а на други по-бавно.
Трудно е да се каже къде да уча - всички наши момчета са учили сами, за щастие има интернет и Google.
Повишаване Понижаване
Мога да ви посъветвам да се подготвите от самото начало за това, че ще трябва да учите много. Независимо какво се има предвид под „правене на AI“ – работа с големи данни или невронни мрежи; развитие на технология или поддръжка и обучение на определена вече разработена система.
Нека вземем актуалната професия Data Scientist в името на спецификата. Какво прави този човек? Като цяло той събира, анализира и подготвя големи данни за използване. Това са тези, върху които AI расте и се обучава. Какво трябва да знае и може един Data Scientist? Статичният анализ и математическото моделиране са по подразбиране и на нивото на плавност. Езици - да речем, R, SAS, Python. Също така би било хубаво да имате известен опит в разработката. Е, най-общо казано, добрият специалист по данни трябва да се чувства уверен в базите данни, алгоритмите и визуализацията на данни.
Не може да се каже, че такъв набор от знания може да се получи във всеки втори технически университет в страната. Големите компании, които дават приоритет на развитието на AI, разбират това и разработват подходящи програми за обучение за себе си - има например Училището за анализ на данни от Yandex. Но трябва да сте наясно, че това не е мащабът, в който идвате на курсове „от улицата“, а ги напускате като готов младши. Слоят е голям и има смисъл да се изучава дисциплина, когато основите (математика, статистика) вече са покрити, поне в рамките на университетската програма.
Да, ще отнеме доста време. Но играта си заслужава свещта, защото един добър Data Scientist е много обещаващ. И много скъпо. Има и още един момент. Изкуственият интелект, от една страна, вече не е просто обект на шум, а технология, която напълно е достигнала етапа на производителност. От друга страна, AI все още се развива. Това развитие изисква много ресурси, много умения и много пари. Засега това е нивото на висшата лига. Сега ще кажа очевидното, но ако искате да сте в челните редици на атаката и да управлявате напредъка със собствените си ръце, насочете се към компании като Facebook или Amazon.
В същото време технологията вече се използва в редица области: в банкирането, телекомите, гигантските индустриални предприятия и търговията на дребно. И вече имат нужда от хора, които могат да го поддържат. Gartner прогнозира, че до 2020 г. 20% от всички предприятия в развитите страни ще наемат специализирани служители, които да обучават невронните мрежи, използвани в тези компании. Така че има още малко време да се научите сами.
Повишаване Понижаване
ИИ сега се развива активно и е трудно да се предвиди десет години предварително. През следващите две до три години ще доминират подходи, базирани на невронни мрежи и GPU изчисления. Лидер в тази област е Python с интерактивната среда Jupyter и библиотеките numpy, scipy и tensorflow.
Има много онлайн курсове, които предоставят основно разбиране на тези технологии и общи принципи на ИИ, като курса на Андрю Нг. И по отношение на преподаването на тази тема, сега в Русия най-ефективният начин е да се учи самостоятелно или в местна група по интереси (например в Москва знам за съществуването на поне няколко групи, където хората споделят опит и знания ).
Повишаване Понижаване
Повишаване Понижаване
Днес най-бързо прогресиращата част от изкуствения интелект са може би невронните мрежи.
Изучаването на невронни мрежи и AI трябва да започне с овладяване на два клона на математиката - линейна алгебра и теория на вероятностите. Това е задължителен минимум, непоклатимите стълбове на изкуствения интелект. Кандидатите, които искат да разберат основите на AI, при избора на университет, според мен, трябва да обърнат внимание на факултетите със силно математическо училище.
Следващата стъпка е да се проучат проблемите на проблема. Има огромно количество литература, както учебна, така и специализирана. Повечето публикации по темата за изкуствения интелект и невронните мрежи са написани на английски език, но се публикуват и материали на руски език. Полезна литература може да се намери например в публичната дигитална библиотека arxiv.org.
Ако говорим за области на дейност, тук можем да подчертаем обучението на приложни невронни мрежи и разработването на напълно нови версии на невронни мрежи. Ярък пример: сега има такава много популярна специалност - „учен по данни“ (Data Scientist). Това са разработчици, които по правило изучават и подготвят определени набори от данни за обучение на невронни мрежи в специфични области на приложение. В заключение бих искал да подчертая, че всяка специализация изисква отделен път на подготовка.
Повишаване Понижаване
Преди да започнете специализирани курсове, трябва да изучавате линейна алгебра и статистика. Бих препоръчал да започнете вашето потапяне в AI с учебника „Машинно обучение. Науката и изкуството за изграждане на алгоритми, които извличат знания от данни“ е добър учебник за начинаещи. В Coursera си струва да слушате уводните лекции на К. Воронцов (подчертавам, че те изискват добро познаване на линейната алгебра) и курса „Машинно обучение“ в Станфордския университет, преподаван от Андрю Нг, професор и ръководител на Baidu AI Група/Google мозък.
По-голямата част е написана на Python, следвана от R и Lua.
Ако говорим за образователни институции, по-добре е да се запишете на курсове в катедрите по приложна математика и компютърни науки, има подходящи образователни програми. За да тествате способностите си, можете да участвате в състезания на Kaggle, където големи световни марки предлагат своите калъфи.
Повишаване Понижаване
Във всеки бизнес, преди да започнете проекти, би било добре да получите теоретична основа. Има много места, където можете да спечелите официална магистърска степен в тази област или да подобрите квалификацията си. Например Skoltech предлага магистърски програми в областите „Компютърни науки и инженерство“ и „Наука за данни“, което включва курсове по „Машинно обучение“ и „Обработка на естествен език“. Можете също така да споменете Института по интелигентни кибернетични системи на Националния изследователски ядрен университет MEPhI, Факултета по изчислителна математика и кибернетика на Московския държавен университет и катедрата по интелигентни системи на MIPT.
Ако вече имате официално образование, има редица курсове, достъпни на различни MOOC платформи. Например EDx.org предлага курсове за изкуствен интелект от Microsoft и Колумбийския университет, последният от които предлага микромагистърска програма на разумна цена. Бих искал специално да отбележа, че обикновено можете да получите самите знания безплатно; плащате само за сертификата, ако е необходим за вашата автобиография.
Ако искате да се „потопите“ дълбоко в темата, редица компании в Москва предлагат едноседмични интензивни курсове с практически занятия и дори предлагат оборудване за експерименти (например newprolab.com), но цената на такива курсове започва от няколко десетки хиляди рубли.
Сред компаниите, които разработват изкуствен интелект, вероятно познавате Yandex и Sberbank, но има много други с различни размери. Например, тази седмица Министерството на отбраната откри военния иновационен технополис ERA в Анапа, една от темите на който е разработването на AI за военни нужди.
Повишаване Понижаване
Преди да изучаваме изкуствения интелект, трябва да решим един фундаментален въпрос: дали да вземем червеното хапче или синьото.
Червеното хапче е да станете разработчик и да се потопите в жестокия свят на статистически методи, алгоритми и постоянно разбиране на неизвестното. От друга страна, не е нужно веднага да се втурвате в „заешката дупка“: можете да станете мениджър и да създадете AI, например като ръководител на проекти. Това са два коренно различни пътя.
Първият е страхотен, ако вече сте решили, че ще пишете алгоритми с изкуствен интелект. Тогава трябва да започнете с най-популярната посока днес - машинното обучение. За да направите това, трябва да познавате класическите статистически методи за класификация, групиране и регресия. Също така ще бъде полезно да се запознаете с основните мерки за оценка на качеството на разтвора, техните свойства... и всичко, което ви попадне.
Едва след усвояване на базата си струва да се изучават по-специализирани методи: дървета на решенията и ансамбли от тях. На този етап трябва да се потопите дълбоко в основните методи за изграждане и обучение на модели - те са скрити зад едва приличните думи просене, подсилване, подреждане или смесване.
Също така си струва да научите за методите за контролиране на преквалификацията на модела (друго „инг“ - пренастройване).
И накрая, много джедайско ниво - получаване на високоспециализирани знания. Например, дълбокото обучение ще изисква овладяване на основни градиентни архитектури и алгоритми. Ако се интересувате от проблеми с обработката на естествен език, препоръчвам да изучавате повтарящи се невронни мрежи. И бъдещите създатели на алгоритми за обработка на снимки и видео трябва да погледнат добре конволюционните невронни мрежи.
Последните две споменати структури са градивните елементи на популярните днес архитектури: състезателни мрежи (GAN), релационни мрежи и мрежести мрежи. Следователно ще бъде полезно да ги изучавате, дори ако не планирате да научите компютъра да вижда или чува.
Напълно различен подход към изучаването на AI - известен още като "синьото хапче" - започва с намирането на себе си. Изкуственият интелект ражда куп задачи и цели професии: от ръководители на AI проекти до инженери по данни, способни да подготвят данни, да ги почистват и да изграждат мащабируеми, натоварени и устойчиви на грешки системи.
Така че, с „мениджърски“ подход, първо трябва да оцените вашите способности и опит и едва след това да изберете къде и какво да учите. Например, дори без математически ум, можете да проектирате AI интерфейси и визуализации за интелигентни алгоритми. Но се пригответе: след 5 години изкуственият интелект ще започне да ви троли и да ви нарича „хуманист“.
Основните ML методи са реализирани под формата на готови библиотеки, достъпни за свързване на различни езици. Най-популярните езици в ML днес са: C++, Python и R.
Има много курсове както на руски, така и на английски, като Yandex School of Data Analysis, SkillFactory и курсове OTUS. Но преди да инвестирате време и пари в специализирано обучение, мисля, че си струва да „вникнете в темата“: гледайте отворени лекции в YouTube от конференции на DataFest през последните години, вземете безплатни курсове от Coursera и Habrahabr.
Изкуствен интелект (AI)(Английски) Изкуствен интелект (AI)е наука и развитие на интелигентни машини и системи, особено интелигентни компютърни програми, насочени към разбиране на човешкия интелект. Въпреки това, използваните методи не са непременно биологично правдоподобни. Но проблемът е, че не е известно кои изчислителни процедури искаме да наречем интелигентни. И тъй като разбираме само някои от механизмите на интелигентността, тогава под интелигентност в тази наука разбираме само изчислителната част от способността за постигане на цели в света.
Различни видове и степени на интелигентност съществуват в много хора, животни и някои машини, интелигентни информационни системи и различни модели на експертни системи с различни бази от знания. В същото време, както виждаме, това определение за интелигентност не е свързано с разбирането на човешкия интелект - това са различни неща. Освен това, тази наука моделира човешкия интелект, тъй като, от една страна, човек може да научи нещо за това как да накара машините да решават проблеми, като наблюдава други хора, а от друга страна, повечето работи в AI изучават проблемите, които човечеството трябва да реши в индустриален и технологичен смисъл. Следователно изследователите на ИИ са свободни да използват техники, които не се наблюдават при хора, ако е необходимо за решаване на конкретни проблеми.
Именно в този смисъл терминът е въведен от Дж. Маккарти през 1956 г. на конференция в Дартмутския университет и досега, въпреки критиките на онези, които смятат, че интелектът е само биологичен феномен, в научната общност терминът е запазил своето оригинален смисъл, въпреки очевидните противоречия от гледна точка на човешкия интелект.
Във философията въпросът за природата и състоянието на човешкия интелект не е решен. Също така няма точен критерий за постигане на „интелигентност“ на компютрите, въпреки че в зората на изкуствения интелект бяха предложени редица хипотези, например тестът на Тюринг или хипотезата на Нюел-Саймън. Ето защо, въпреки многото подходи както към разбирането на проблемите на ИИ, така и към създаването на интелигентни информационни системи, могат да се разграничат два основни подхода към развитието на ИИ:
· низходящ (английски) ИИ отгоре надолу), семиотични - създаване на експертни системи, бази от знания и системи за логически изводи, които симулират умствени процеси на високо ниво: мислене, разсъждения, реч, емоции, творчество и др.;
· възходящ AI отдолу нагоре), биологични – изследване на невронни мрежи и еволюционни изчисления, които моделират интелигентно поведение въз основа на по-малки „неинтелигентни“ елементи.
Последният подход, строго погледнато, не е свързан с науката за изкуствения интелект в смисъла, даден от Дж. Маккарти, те са обединени само от обща крайна цел.
Историята на изкуствения интелект като ново научно направление започва в средата на 20 век. По това време вече са били формирани много предпоставки за неговия произход: сред философите отдавна е имало дебати за природата на човека и процеса на разбиране на света, неврофизиолозите и психолозите са разработили редица теории относно работата на човешкия мозък. и мислене, икономисти и математици задаваха въпроси относно оптималните изчисления и представянето на знанието за света във формализирана форма; накрая се ражда основата на математическата теория на изчисленията - теорията на алгоритмите - и се създават първите компютри.
Възможностите на новите машини по отношение на изчислителната скорост се оказаха по-големи от човешките, така че научната общност повдигна въпроса: какви са границите на компютърните възможности и ще достигнат ли машините нивото на човешкото развитие? През 1950 г. един от пионерите в областта на изчислителната техника, английският учен Алън Тюринг, в статията „Може ли една машина да мисли?“ дава отговори на подобни въпроси и описва процедура, чрез която ще бъде възможно да се определи моментът, в който една машина става равна по отношение на интелигентност с човек, наречен тест на Тюринг.
Тестът на Тюринг е емпиричен тест, предложен от Алън Тюринг в неговата статия от 1950 г. „Компютърни машини и умове“ във философското списание Ум" Целта на този тест е да се установи възможността за изкуствено мислене, близко до човешкото. Стандартната интерпретация на този тест е: „Човек взаимодейства с един компютър и един човек. Въз основа на отговорите на въпросите той трябва да определи с кого говори: човек или компютърна програма. Целта на компютърната програма е да подведе човек да направи грешен избор. Всички участници в теста не могат да се виждат.
Има три подхода за дефиниране на изкуствения интелект:
1) Логически подходкъм създаването на системи с изкуствен интелект е насочен към създаване на експертни системи с логически модели на бази от знания, използващи езика на предикатите. Системата за езиково и логическо програмиране Prolog е възприета като модел за обучение на системи с изкуствен интелект през 80-те години. Базите знания, написани на езика Prolog, представляват набори от факти и правила за логически изводи, написани на логическия език. Логическият модел на бази от знания ви позволява да записвате не само специфична информация и данни под формата на факти на езика Prolog, но и обобщена информация, използвайки правила и процедури на логически изводи, включително логически правила за дефиниране на концепции, които изразяват определени знания като специфични и обобщена информация. Като цяло изследването на проблемите на изкуствения интелект в компютърните науки в рамките на логическия подход към проектирането на бази от знания и експертни системи е насочено към създаването, развитието и експлоатацията на интелигентни информационни системи, включително въпросите на обучението на студенти и ученици, както и обучение на потребители и разработчици на такива интелигентни информационни системи.
2) Подход, базиран на агентисе развива от началото на 90-те години. Според този подход интелигентността е изчислителната част (планиране) на способността за постигане на поставените цели за интелигентна машина. Самата такава машина ще бъде интелигентен агент, възприемащ света около себе си с помощта на сензори и способен да влияе върху обекти в околната среда с помощта на задвижващи механизми. Този подход се фокусира върху онези методи и алгоритми, които ще помогнат на интелигентния агент да оцелее в околната среда, докато изпълнява задачата си. По този начин алгоритмите за търсене и вземане на решения се изучават много по-задълбочено тук.
3) Интуитивен подходпредполага, че AI ще може да прояви поведение, което не се различава от човешкото и в нормални ситуации. Тази идея е обобщение на подхода на теста на Тюринг, който гласи, че една машина ще стане интелигентна, когато е в състояние да води разговор с обикновен човек и той няма да може да разбере, че говори с машината ( разговорът се провежда чрез кореспонденция).
Дефиницията избра следните области на изследване в областта на ИИ:
- Символно моделиране на мисловните процеси.
Анализирайки историята на AI, можем да подчертаем толкова широка област като моделирането на разсъжденията. Дълги години развитието на AI като наука се движеше именно по този път и сега това е една от най-развитите области в съвременния AI. Моделирането на разсъждение включва създаването на символни системи, чийто вход е определен проблем, а изходът изисква неговото решение. По правило предложеният проблем вече е формализиран, т.е. преведен в математическа форма, но или няма алгоритъм за решение, или е твърде сложен, отнема време и т.н. Тази област включва: доказателство на теореми, решение създаване и теория на игрите, планиране и диспечиране, прогнозиране.
- Работа с естествени езици.
Важна област е обработката на естествен език, която включва анализиране на възможностите за разбиране, обработка и генериране на текстове на „човешки“ език. По-специално, проблемът с машинния превод на текстове от един език на друг все още не е решен. В съвременния свят развитието на методите за извличане на информация играе важна роля. По своята същност оригиналният тест на Тюринг е свързан с това направление.
- Натрупване и използване на знания.
Според много учени важно свойство на интелигентността е способността за учене. Така инженерството на знанието излиза на преден план, съчетавайки задачите за получаване на знания от проста информация, нейното систематизиране и използване. Напредъкът в тази област засяга почти всяка друга област на изследванията на ИИ. Тук също не могат да бъдат пренебрегнати две важни подобласти. Първият от тях - машинното обучение - засяга процеса на самостоятелно придобиване на знания от интелигентна система в процеса на нейното функциониране. Вторият е свързан със създаването на експертни системи - програми, които използват специализирани бази от знания за получаване на надеждни заключения по всеки проблем.
Областта на машинното обучение включва голям клас проблеми с разпознаването на образи. Например, това е разпознаване на знаци, ръкописен текст, реч, анализ на текст. Много проблеми се решават успешно с помощта на биологично моделиране. Биологично моделиране
Има големи и интересни постижения в областта на моделирането на биологични системи. Строго погледнато, това може да включва няколко независими посоки. Невронните мрежи се използват за решаване на размити и сложни проблеми като разпознаване на геометрична форма или групиране на обекти. Генетичният подход се основава на идеята, че един алгоритъм може да стане по-ефективен, ако заимства по-добри характеристики от други алгоритми („родители“). Сравнително нов подход, при който задачата е да се създаде автономна програма - агент, който взаимодейства с външната среда, се нарича агентен подход. Особено заслужава да се спомене компютърното зрение, което също е свързано с роботиката.
- Роботика.
Като цяло, роботиката и изкуственият интелект често се свързват помежду си. Интеграцията на тези две науки, създаването на интелигентни роботи, може да се счита за друга област на AI.
- Машинно творчество.
Природата на човешкото творчество е още по-малко проучена от природата на интелигентността. Въпреки това тази област съществува и тук се поставят проблемите на компютърното писане на музика, литературни произведения (често поезия или приказки) и художествено творчество. Създаването на реалистични изображения се използва широко във филмовата и игралната индустрия. Добавянето на тази функция към всяка интелигентна система ви позволява много ясно да демонстрирате какво точно възприема системата и как го разбира. Чрез добавяне на шум вместо липсваща информация или филтриране на шум със знание, налично в системата, абстрактното знание се произвежда в конкретни изображения, които лесно се възприемат от човек, това е особено полезно за интуитивно и нискоценно знание, проверката на което в формалната форма изисква значителни умствени усилия.
- Други области на изследване.
Има много приложения на изкуствения интелект, всяко от които формира почти самостоятелно направление. Примерите включват програмиране на интелигентност в компютърни игри, нелинейно управление и интелигентни системи за информационна сигурност.
Подходи за създаване на интелигентни системи.Символният подход ви позволява да работите със слабо формализирани представяния и техните значения. Ефикасността и цялостната ефективност зависят от способността да се подчертае само съществена информация. Широчината от класове проблеми, ефективно решавани от човешкия ум, изисква невероятна гъвкавост в методите на абстракция. Не е достъпен с нито един инженерен подход, който изследователят първоначално избира въз основа на умишлено погрешен критерий, поради способността му бързо да осигури ефективно решение на някакъв проблем, който е най-близо до този изследовател. Тоест за единичен модел на абстракция и конструиране на обекти, вече внедрени под формата на правила. Това води до значителен разход на ресурси за неосновни задачи, тоест системата се връща от интелигентност към груба сила при повечето задачи и самата същност на интелигентността изчезва от проекта.
Особено трудно е без символна логика, когато задачата е да се разработят правила, тъй като техните компоненти, които не са пълноценни единици на знанието, не са логични. Повечето изследвания спират до невъзможността поне да се идентифицират нови трудности, възникнали с помощта на символните системи, избрани на предишните етапи. Нещо повече, решавайте ги и особено обучете компютъра да ги решава или поне идентифицирайте и излизайте от такива ситуации.
Исторически, символният подход беше първият в ерата на цифровите машини, тъй като след създаването на Lisp, първият символен компютърен език, неговият автор стана уверен във възможността да започне на практика да прилага тези средства за интелигентност. Интелигентността като такава, без никакви резерви и условности.
Широко се практикува създаването на хибридни интелигентни системи, в които се използват няколко модела наведнъж. Правилата за експертни изводи могат да бъдат генерирани от невронни мрежи, а генеративните правила се получават с помощта на статистическо обучение.
Развитие на теорията на размитите множества.Развитието на теорията на размитите множества започва със статията „Размити множества“, публикувана от американския професор Лотфи Заде, който пръв въвежда концепцията за размито множество, предлага идеята и първата концепция за теория, която прави възможно размитото описват реални системи. Най-важното направление в теорията на размитите множества е размитата логика, използвана за управление на системи, както и в експерименти за формиране на техните модели.
60-те години започват период на бързо развитие на компютри и цифрови технологии, базирани на двоична логика. По това време се смяташе, че използването на тази логика ще позволи решаването на много научни и технически проблеми. Поради тази причина появата на размитата логика остава почти незабелязана, въпреки цялата си концептуална революционност. Значението на размитата логика обаче е признато от редица представители на научната общност и тя е разработена, както и практическа реализация в различни индустриални приложения. След известно време интересът към него започна да нараства от страна на научни школи, които обединяват привърженици на технологии, базирани на двоична логика. Това се случи поради факта, че бяха открити доста практически проблеми, които не могат да бъдат решени с помощта на традиционните математически модели и методи, въпреки значително увеличените налични изчислителни скорости. Необходима беше нова методология, чиито характерни черти трябваше да бъдат открити в размитата логика.
Подобно на роботиката, размитата логика беше посрещната с голям интерес не в страната на произход, Съединените щати, а извън нейните граници, и като следствие, първият опит на промишлена употреба на размита логика - за управление на котелни инсталации на електроцентрали - е свързани с Европа. Всички опити да се използват традиционни методи, понякога много сложни, за управление на парен котел завършиха с неуспех - тази нелинейна система се оказа толкова сложна. И само използването на размита логика направи възможно синтезирането на контролер, който да отговаря на всички изисквания. През 1976 г. размитата логика е използвана като основа за автоматична система за управление на въртяща се пещ в производството на цимент. Въпреки това, първите практически резултати от използването на размита логика, получени в Европа и Америка, не предизвикаха значително повишаване на интереса към нея. Точно както беше с роботиката, страната, която първа започна широкото прилагане на размитата логика, осъзнавайки нейния огромен потенциал, беше Япония.
Сред приложните размити системи, създадени в Япония, най-известната е системата за управление на влаковете в метрото, разработена от Hitachi в Сендай. Проектът е реализиран с участието на опитен шофьор, чиито знания и опит са в основата на разработения модел за управление. Системата автоматично намаляваше скоростта на влака при приближаването му до гарата, осигурявайки спиране на желаното място. Друго предимство на влака е неговият висок комфорт, дължащ се на плавното ускорение и забавяне. Имаше редица други предимства в сравнение с традиционните системи за управление.
Бързото развитие на размитата логика в Япония доведе до нейните практически приложения не само в индустрията, но и в производството на потребителски стоки. Пример тук е видеокамера, оборудвана с подсистема за стабилизиране на размито изображение, която се използва за компенсиране на колебанията в изображението, причинени от неопитността на оператора. Този проблем беше твърде сложен, за да бъде разрешен с традиционни методи, тъй като беше необходимо да се разграничат случайните колебания в изображението от целенасоченото движение на обектите, които се снимат (например движението на хора).
Друг пример е автоматичната пералня, която се управлява с натискането на един бутон (Zimmerman 1994). Тази „почтеност“ предизвика интерес и беше посрещната с одобрение. Използването на методи с размита логика направи възможно оптимизирането на процеса на пране, осигурявайки автоматично разпознаване на вида, обема и степента на замърсяване на дрехите, да не говорим за факта, че свеждането на механизма за управление на машината до един бутон значително улесни дръжка.
Изобретенията с размита логика са внедрени от японски фирми в много други устройства, включително микровълнови фурни (Sanyo), антиблокиращи спирачни системи и автоматични трансмисии (Nissan), интегриран контрол на динамиката на превозното средство (INVEC) и контролери за твърди дискове в компютрите. намаляване на времето за достъп до информация.
В допълнение към приложенията, споменати по-горе, от началото на 90-те. Налице е интензивно развитие на размитите методи в редица приложни области, включително такива, които не са свързани с технологиите:
Електронна система за управление на пейсмейкъра;
Система за управление на моторни превозни средства;
Охладителни системи;
Климатици и вентилационна техника;
Оборудване за изгаряне на отпадъци;
Пещ за топене на стъкло;
Система за следене на кръвното налягане;
Диагностика на тумори;
Диагностика на актуалното състояние на сърдечно-съдовата система;
Система за управление на кранове и мостове;
Обработка на изображение;
Бързо зарядно устройство;
Разпознаване на думи;
Биопроцесорно управление;
Управление на електрически двигател;
Заваръчна техника и заваръчни процеси;
Системи за контрол на трафика;
Биомедицински изследвания;
Пречиствателни станции.
В момента при създаването на изкуствен интелект (в първоначалния смисъл на думата експертните системи и шахматните програми не принадлежат тук) има интензивно смилане на всички предметни области, които имат поне някакво отношение към AI, в бази от знания . Почти всички подходи са тествани, но нито една изследователска група не се е доближила до появата на изкуствен интелект.
Изследванията на AI се присъединиха към общия поток от технологии за сингулярност (видов скок, експоненциално човешко развитие), като компютърни науки, експертни системи, нанотехнологии, молекулярна биоелектроника, теоретична биология, квантова(и) теория(и), ноотропи, екстрофили и др. вижте ежедневния поток Kurzweil News, MIT.
Резултатите от разработките в областта на изкуствения интелект навлязоха във висшето и средното образование в Русия под формата на учебници по компютърни науки, където сега се изучават проблемите на работата и създаването на бази от знания, експертни системи, базирани на персонални компютри, базирани на местни системи за логическо програмиране, както и изучаване на фундаментални въпроси на математиката и компютърните науки, като се използват примери за работа с модели на бази от знания и експертни системи в училища и университети.
Разработени са следните системи с изкуствен интелект:
1. Deep Blue - победи световния шампион по шах. (Мачът между Каспаров и суперкомпютрите не донесе удовлетворение нито на компютърните специалисти, нито на шахматистите и системата не беше разпозната от Каспаров, въпреки че оригиналните компактни шахматни програми са неразделна част от шахматното творчество. Тогава линията суперкомпютри на IBM се появи през г. грубата сила проектира BluGene (молекулярно моделиране) и моделиране на пирамидална клетъчна система в Swiss Blue Brain Center. Тази история е пример за сложната и потайна връзка между AI, бизнеса и националните стратегически цели.)
2. Mycin беше една от ранните експертни системи, които можеха да диагностицират малък набор от заболявания, често толкова точно, колкото лекарите.
3. 20q е проект, базиран на AI идеи, базиран на класическата игра „20 Questions“. Той стана много популярен, след като се появи в интернет на сайта 20q.net.
4. Разпознаване на реч. Системи като ViaVoice са способни да обслужват потребителите.
5. Роботите се състезават в опростена форма на футбол в годишния турнир RoboCup.
Банките използват системи с изкуствен интелект (AI) в застрахователни дейности (актюерска математика), когато играят на фондовата борса и управление на имоти. През август 2001 г. роботи победиха хора в импровизирано търговско състезание (BBC News, 2001 г.). Методите за разпознаване на образи (включително както по-сложни, така и специализирани и невронни мрежи) се използват широко в оптично и акустично разпознаване (включително текст и реч), медицинска диагностика, филтри за нежелана поща, в системи за противовъздушна отбрана (идентификация на цели), а също и за осигуряване на брой други задачи по националната сигурност.
Разработчиците на компютърни игри са принудени да използват AI с различна степен на сложност. Стандартните задачи на AI в игрите са намиране на път в двуизмерно или триизмерно пространство, симулиране на поведението на бойна единица, изчисляване на правилната икономическа стратегия и т.н.
Изкуственият интелект е тясно свързан с трансхуманизма. И заедно с неврофизиологията, епистемологията, когнитивната психология, тя образува една по-обща наука, наречена когнитивна наука. Философията играе специална роля в изкуствения интелект. Също така епистемологията - науката за знанието в рамките на философията - е тясно свързана с проблемите на изкуствения интелект. Философите, работещи по тази тема, се борят с въпроси, подобни на тези, пред които са изправени инженерите на AI за това как най-добре да представят и използват знания и информация. Произвеждането на знания от данни е един от основните проблеми на извличането на данни. Съществуват различни подходи за решаване на този проблем, включително такива, базирани на технологията на невронната мрежа, използвайки процедури за вербализиране на невронната мрежа.
В компютърните науки проблемите на изкуствения интелект се разглеждат от гледна точка на проектирането на експертни системи и бази от знания. Базите знания се разбират като набор от данни и правила за извод, които позволяват логически изводи и смислена обработка на информация. Като цяло, изследванията на проблемите на изкуствения интелект в компютърните науки са насочени към създаването, развитието и експлоатацията на интелигентни информационни системи, включително въпроси за обучение на потребители и разработчици на такива системи.
Науката за „създаване на изкуствен интелект“ не може да не привлече вниманието на философите. С появата на първите интелигентни системи се повдигат фундаментални въпроси за човека и познанието и отчасти за световния ред. От една страна, те са неразривно свързани с тази наука, а от друга, внасят някакъв хаос в нея. Философските проблеми на създаването на изкуствен интелект могат да бъдат разделени на две групи, условно казано, „преди и след развитието на ИИ“. Първата група отговаря на въпроса: „Какво е AI, възможно ли е да го създадем и, ако е възможно, как да го направим?“ Втората група (етика на изкуствения интелект) задава въпроса: „Какви са последствията от създаването на AI за човечеството?“
Проблеми на създаването на изкуствен интелект.Виждат се две посоки за развитие на AI: първата - в решаването на проблеми, свързани с доближаването на специализираните AI системи до човешките възможности и тяхната интеграция, която се реализира от човешката природа, втората - в създаването на изкуствен интелект, който представлява интегрирането на вече създадени AI системи в единна система, способна да решава проблемите на човечеството.
Сред изследователите на ИИ все още няма доминираща гледна точка относно критериите за интелигентност, систематизирането на целите и задачите, които трябва да бъдат решени, дори няма строга дефиниция на науката. Има различни гледни точки по въпроса какво се счита за интелигентност. Аналитичният подход включва анализ на висшата нервна дейност на човек до най-ниското, неделимо ниво (функция на висшата нервна дейност, елементарна реакция на външни дразнители (стимули), дразнене на синапсите на набор от неврони, свързани по функция) и последващото възпроизвеждане на тези функции.
Някои експерти бъркат способността за рационален, мотивиран избор в условията на липса на информация за интелигентност. Тоест, интелектуална програма просто се счита за тази програма за дейност, която може да избира от определен набор от алтернативи, например къде да отиде в случай на „ще отидете наляво...“, „ще отидете надясно ...”, „ще тръгнеш направо...”.
Най-разгорещеният спор във философията на изкуствения интелект е въпросът за възможността за мислене, създадено от човешки ръце. Въпросът „Може ли една машина да мисли?“, който подтикна изследователите да създадат наука за симулиране на човешкия ум, беше поставен от Алън Тюринг през 1950 г. Двете основни гледни точки по този въпрос се наричат хипотези за силен и слаб изкуствен интелект.
Терминът „силен изкуствен интелект” е въведен от Джон Сърл, като по думите му подходът се характеризира така: „Такава програма няма да бъде просто модел на ума; тя, в буквалния смисъл на думата, самата тя ще бъде умът, в същия смисъл, в който човешкият ум е умът.” За разлика от тях привържениците на слабия AI предпочитат да разглеждат програмите само като инструменти, които им позволяват да решават определени проблеми, които не изискват пълния набор от човешки когнитивни способности.
Мисловният експеримент на Джон Сърл „Китайска стая“ твърди, че преминаването на теста на Тюринг не е критерий за една машина да има истински мисловен процес. Мисленето е процес на обработка на информация, съхранявана в паметта: анализ, синтез и самопрограмиране. Подобна позиция заема и Роджър Пенроуз, който в книгата си „Новият ум на краля” аргументира невъзможността да се получи процесът на мислене на базата на формални системи.
6. Изчислителни устройства и микропроцесори.
Микропроцесорът (MP) е устройство, което получава, обработва и извежда информация. Структурно MP съдържа една или повече интегрални схеми и изпълнява действия, определени от програма, съхранена в паметта (фиг. 6.1).
Фигура 6.1– депутатски външен вид
Ранните процесори са създадени като уникални компоненти за единствени по рода си компютърни системи. По-късно производителите на компютри преминаха от скъпия метод за разработване на процесори, предназначени да изпълняват една единствена или няколко високоспециализирани програми, към масово производство на типични класове многоцелеви процесорни устройства. Тенденцията към стандартизация на компютърните компоненти възниква в ерата на бурното развитие на полупроводниковите елементи, мейнфреймовете и миникомпютрите, а с навлизането на интегралните схеми става още по-популярна. Създаването на микросхеми позволи допълнително да се увеличи сложността на процесорите, като същевременно се намали физическият им размер.
Стандартизацията и миниатюризацията на процесорите доведе до дълбокото навлизане на базираните на тях цифрови устройства в ежедневието на хората. Съвременните процесори могат да бъдат намерени не само във високотехнологични устройства като компютри, но и в автомобили, калкулатори, мобилни телефони и дори детски играчки. Най-често те са представени от микроконтролери, където в допълнение към изчислителното устройство на чипа са разположени допълнителни компоненти (памет за програми и данни, интерфейси, входно-изходни портове, таймери и др.). Изчислителните възможности на микроконтролера са сравними с процесорите на персоналните компютри отпреди десет години, а по-често дори значително надвишават тяхната производителност.
Микропроцесорна система (MPS) е изчислителна, инструментална или контролна система, в която основното устройство за обработка на информация е MP. Микропроцесорната система е изградена от набор от микропроцесорни LSI (фиг. 6.2).
Фигура 6.2– Пример за микропроцесорна система
Генераторът на тактови импулси задава времеви интервал, който е мерна единица (квант) за продължителността на изпълнение на командата. Колкото по-висока е честотата, толкова по-бърз е MPS при равни други условия. MP, RAM и ROM са неразделна част от системата. Входни и изходни интерфейси - устройства за свързване на MPS с входни и изходни блокове. Измервателните уреди се характеризират с входни устройства под формата на дистанционно управление с бутон и измервателни преобразуватели (ADC, сензори, блокове за въвеждане на цифрова информация). Изходните устройства обикновено представляват цифрови дисплеи, графичен екран (дисплей) и външни устройства за интерфейс с измервателната система. Всички MPS блокове са свързани помежду си с цифрови шини за предаване на информация. MPS използва принципа на опорната комуникация, при който блоковете обменят информация чрез една шина за данни. Броят на линиите в шината за данни обикновено съответства на капацитета на MPS (броя на битовете в една дума с данни). Адресната шина се използва за указване на посоката на пренос на данни - тя предава адреса на клетка от паметта или I/O блок, който в момента получава или предава информация. Контролната шина се използва за предаване на сигнали, синхронизиращи цялата работа на MPS.
Изграждането на IPS се основава на три принципа:
Основна линия;
Модулност;
Микропрограмно управление.
Принципът на транкинг - определя характера на връзките между функционалните блокове на MPS - всички блокове са свързани към една системна шина.
Принципът на модулност е, че системата е изградена на базата на ограничен брой видове структурно и функционално завършени модули.
Принципите на транкинг и модулност позволяват да се увеличат контролните и изчислителните възможности на MP чрез свързване на други модули към системната шина.
Принципът на микропрограмното управление е способността за извършване на елементарни операции - микрокоманди (смени, прехвърляне на информация, логически операции), с помощта на които се създава технологичен език, т.е. набор от команди, който най-добре отговаря на предназначението на системата.
Според предназначението си МП се делят на универсални и специализирани.
Универсалните микропроцесори са микропроцесори с общо предназначение, които решават широк клас изчислителни, обработващи и контролни проблеми. Пример за използване на универсални MP са компютри, изградени на платформи IBM и Macintosh.
Специализираните микропроцесори са предназначени за решаване на проблеми само от определен клас. Специализираните МП включват: сигнални, мултимедийни МП и транспютри.
Сигналните процесори (DSP) са предназначени за цифрова обработка на сигнали в реално време (например филтриране на сигнали, изчисляване на конволюция, изчисляване на корелационни функции, ограничаване и кондициониране на сигнала, извършване на права и обратна трансформация на Фурие). (Фигура 6.3) Сигналните процесори включват процесори от Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx и DSP9600x.
Фигура 6.3– Пример за вътрешна DSP структура
Медийните и мултимедийните процесори са предназначени за обработка на аудио сигнали, графична информация, видео изображения, както и за решаване на редица проблеми в мултимедийни компютри, игрови конзоли и домакински уреди. Тези процесори включват процесори от MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.
Транспютърите са проектирани да организират масивни паралелни изчисления и да работят в многопроцесорни системи. Те се характеризират с наличието на вътрешна памет и вграден междупроцесорен интерфейс, т.е. комуникационни канали с други MP LSI.
Въз основа на вида на архитектурата или принципа на изграждане се прави разлика между MP с архитектура на фон Нойман и MP с архитектура на Харвард.
Концепцията за микропроцесорна архитектура определя неговите съставни части, както и връзките и взаимодействията между тях.
Архитектурата включва:
блокова схема на MP;
софтуерен модел MP (описание на регистърните функции);
Информация за организацията на паметта (капацитет и методи за адресиране на паметта);
Описание на организацията на процедурите за вход/изход.
Архитектурата на Фонейман (фиг. 6.4, а) е предложена през 1945 г. от американския математик Джо фон Нойман. Неговата особеност е, че програмата и данните се намират в споделена памет, достъпът до която се осъществява чрез една шина за данни и команди.
Харвардската архитектура е внедрена за първи път през 1944 г. в релеен компютър в Харвардския университет (САЩ). Характеристика на тази архитектура е, че паметта за данни и програмната памет са разделени и имат отделни шини за данни и командни шини (фиг. 6.4, b), което позволява да се увеличи производителността на MP системата.
Фигура 6.4.Основни типове архитектура: (a - фон Нойман; 6 - Харвард)
Въз основа на вида на системата за инструкции се прави разлика между CISC (Complete Instruction Set Computing) процесори с пълен набор от инструкции (типични представители на CISC са фамилията микропроцесори Intel x86) и RISC процесори(Reduced Instruction Set Computing) с намален набор от инструкции (характеризиращ се с наличието на инструкции с фиксирана дължина, голям брой регистри, операции от регистър към регистър и липсата на индиректно адресиране).
Едночиповият микроконтролер (MCU) е чип, предназначен да управлява електронни устройства (Фигура 5). Типичният микроконтролер съчетава функциите на процесор и периферни устройства и може да съдържа RAM и ROM. По същество това е едночипов компютър, способен да изпълнява прости задачи. Използването на един чип, вместо цял набор, значително намалява размера, консумацията на енергия и цената на устройствата, базирани на микроконтролери.
Фигура 6.5– примери за проекти на микроконтролери
Микроконтролерите са в основата на изграждането на вградени системи, те могат да бъдат намерени в много съвременни устройства, като телефони, перални машини и др. Повечето от процесорите, произведени в света, са микроконтролери.
Днес 8-битови микроконтролери, съвместими с i8051 от Intel, PIC микроконтролери от Microchip Technology и AVR от Atmel, шестнадесет-битов MSP430 от TI, както и ARM, чиято архитектура е разработена от ARM и продава лицензи на други компании за тяхното производство, са популярни сред разработчиците.
При проектирането на микроконтролери има баланс между размер и цена от една страна и гъвкавост и производителност от друга. За различните приложения оптималният баланс на тези и други параметри може да варира значително. Следователно има огромен брой видове микроконтролери, които се различават по архитектурата на процесорния модул, размера и вида на вградената памет, набора от периферни устройства, вида на корпуса и др.
Частичен списък на периферните устройства, които могат да присъстват в микроконтролерите, включва:
Универсални цифрови портове, които могат да бъдат конфигурирани за вход или изход;
Различни I/O интерфейси като UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;
Аналогово-цифрови и цифрово-аналогови преобразуватели;
компаратори;
Широчинно-импулсни модулатори;
Таймери, вграден генератор на часовник и таймер за наблюдение;
Контролери за безчеткови мотори;
Контролери за дисплей и клавиатура;
Радиочестотни приемници и предаватели;
Масиви от вградена флаш памет.
