Τεχνητή νοημοσύνη: ψυχρό, αίσθημα και άυλο. Αλλά εδώ βρίσκεται το μέλλον· είναι αυτός ο τομέας της επιστήμης που θα επιτρέψει να γίνει ένα μεγάλο και σημαντικό βήμα προς την αυτοματοποίηση των διαδικασιών και, κατά συνέπεια, την αφαίρεση μέρους του φορτίου ρουτίνας από πολύτιμους ειδικούς. Και τώρα, στην αυγή της ανάπτυξής του, μόνο εμείς αποφασίζουμε τι θα είναι τεχνητή νοημοσύνημετά από μερικές δεκαετίες, διδάσκοντάς τον.
Ας προσπαθήσουμε να καταλάβουμε τι υπάρχει μέθοδοι και αλγόριθμοι μηχανικής μάθησης τεχνητής νοημοσύνης.
Παραδοσιακά, πολλές διαμάχες δημιουργούνται γύρω από το νέο και το άγνωστο. Και παρόλο που έχουν ήδη γραφτεί πολλά για την τεχνητή νοημοσύνη, δεν είναι πλήρως κατανοητό από τους ανθρώπους. Εδώ προκύπτουν ισχυρισμοί όπως: «Θα αφαιρέσει εκατοντάδες δουλειές από τους ανθρώπους!», «Θα επαναστατήσει εναντίον του λαού!», «Ναι, σκάβουμε τον τάφο μας!», «Αργά ή γρήγορα δεν θα είμαστε μπορεί να τον ελέγξει!». και ούτω καθεξής. Πολλοί άνθρωποι φαντάζονται την τεχνητή νοημοσύνη ως μια υπερευφυΐα, η οποία, δεδομένου ότι αψηφά τη δική τους εξήγηση, σίγουρα αποτελεί απειλή για αυτούς. Και φυσικά, κανείς δεν θέλει να ακούσει ότι τώρα, υπερβαίνοντας τα όρια του προγράμματος που ορίζει κάποιος, αυτή τη στιγμή αυτό είναι τεχνικά αδύνατο.
Τι είναι όμως ακόμα δυνατό να του διδάξουμε και πώς συμβαίνει αυτό;
Λήψη εμπειρικών δεδομένων, αναγνώριση προτύπων, αναγνώριση αλγορίθμων ενεργειών σε κάθε παρόμοια κατάσταση.
Τυποποίηση δεδομένων που λαμβάνονται από ένα άτομο με διαφορετικούς τρόπους και εισαγωγή τους απευθείας στη βάση δεδομένων.
Μία από τις απλούστερες μεθόδους ταξινόμησης. 
Αυτή η μέθοδος χρησιμοποιείται στη σάρωση και στην τεχνολογία αναγνώρισης προσώπου/αμφιβληστροειδούς/δαχτυλικού αποτυπώματος, στη διαίρεση του περιεχομένου στη ροή ειδήσεων ανά θέμα, καθώς και στη διαίρεση των γραμμάτων στο email σας σε κατηγορίες (συγκεκριμένα, το τμήμα ανεπιθύμητης αλληλογραφίας).
Η μέθοδος συνόλου μπορεί χονδρικά να ονομαστεί παράγωγο του προαναφερθέντος αφελούς ταξινομητή Bayes, δεδομένου ότι βασίζεται στον Bayesian μέσο όρο. Με άλλα λόγια, αυτή η μέθοδος προσδιορίζει τη διασταύρωση των πιθανοτήτων έκβασης, υπολογίζει τον μέσο όρο αυτής της τιμής, εξαλείφει τη διασπορά των τιμών, ενώ ταυτόχρονα ελέγχει την αναζήτηση λύσης στο πρόβλημα μέσα στις δεδομένες συνθήκες.
Είναι η μέθοδος συνόλου που μπορεί να καταστήσει δυνατή την εύρεση της πολύ βέλτιστης λύσης στο πρόβλημα, στην οποία θα δαπανηθούν λιγότεροι πόροι και το αποτέλεσμα θα ικανοποιήσει στο μέγιστο τις συνθήκες του προβλήματος.
Χωρίς να μπούμε στην ουσία της ίδιας της μεθόδου και στην εξήγηση του τρόπου κατασκευής ενός υπερεπίπεδου και εργασίας με αυτό, το SVM μπορεί να περιγραφεί ως αλγόριθμοι ταξινόμησης και ανάλυσης παλινδρόμησης.
Μια παρόμοια τεχνολογία χρησιμοποιείται για την αναγνώριση ορισμένων ιδιοτήτων ενός αντικειμένου από μια φωτογραφία (χρώμα μαλλιών, φύλο, χρώμα ρούχων), καθώς και στη γενετική - στο μάτισμα DNA (διαχωρισμός συγκεκριμένων αλληλουχιών νουκλεοτιδίων από RNA και σύνδεσή τους κατά την επεξεργασία του RNA).
Η μέθοδος λήψης αποφάσεων (μοντέλο) που χρησιμοποιεί καθημερινά ο καθένας μας. Γι' αυτό έχει γίνει ήδη meme
Αλλά εκτός από τα αστεία, ένα τέτοιο μοντέλο περιέχει συνήθως στοιχεία όπως: ένα πρόβλημα, μεθόδους λύσης, τις συνέπειες κάθε μεθόδου, την πιθανότητα να συμβούν συνέπειες, το κόστος των πόρων και το τελικό αποτέλεσμα. Οι περισσότερες από τις απλούστερες τεχνολογίες που χρησιμοποιούν AI λειτουργούν με βάση αυτό το μοντέλο.
Μια μέθοδος που μπορεί να μας φέρει πιο κοντά σε ισχυρή τεχνητή νοημοσύνη, ικανή να λαμβάνει ανεξάρτητες αποφάσεις σε ορισμένες καταστάσεις. Η λογική παλινδρόμηση είναι μια μέθοδος πρόβλεψης της εμφάνισης ενός γεγονότος με βάση πολλές μεταβλητές.
Παρόμοιος αλγόριθμος χρησιμοποιείται στη μετεωρολογία και τη σεισμολογία, τον δανεισμό, το μάρκετινγκ και άλλους τομείς.
Θα ήθελα να τονίσω αυτή τη μέθοδο ξεχωριστά, αφού στην ουσία δεν είναι ένας τρόπος επίλυσης του ίδιου του προβλήματος - μάλλον ένας τρόπος προσδιορισμού των σφαλμάτων κάθε λύσης.
Οι αλγόριθμοι που περιγράφονται παραπάνω χρησιμοποιούνται για τη μέθοδο εποπτευόμενης μάθησης, δηλαδή αυτή στην οποία μια συγκεκριμένη ετικέτα (ιδιότητα) μπορεί να αντιστοιχιστεί σε ένα συγκεκριμένο σύνολο δεδομένων, αλλά εάν αυτή η ετικέτα δεν είναι διαθέσιμη, η ανάθεσή της θα πρέπει να προβλεφθεί σε άλλες παρόμοιες καταστάσεις .
Το έχουμε τακτοποιήσει βασικοί αλγόριθμοι μηχανικής μάθησης τεχνητής νοημοσύνηςχρησιμοποιείται συχνότερα στην πράξη. Αξίζει να ληφθεί υπόψη ότι η εφαρμοσμένη χρήση της τεχνητής νοημοσύνης στην καθημερινή ζωή και στην επίλυση καθημερινών προβλημάτων, όπου τις περισσότερες φορές η λύση του προβλήματος είναι απολύτως σαφής και απαιτείται μόνο η αυτοματοποίηση αυτής της διαδικασίας, μπορεί να περιλαμβάνει τη χρήση παρόμοιων αλγορίθμων. Το πρόβλημα, η λύση του οποίου πρέπει να είναι μια καινοτόμος εξέλιξη, ή η λύση θα εξαρτηθεί από μεγάλο αριθμό μεταβλητών (δηλαδή, κυρίως από διάφορους τομείς των ακριβών επιστημών), απαιτεί πιο σύνθετους αλγόριθμους λύσης, τους οποίους μπορείτε να μάθετε εάν ακολουθήστε τα νέα μας.
Η τεχνητή νοημοσύνη είναι μια τεχνολογία που σίγουρα θα πάρουμε μαζί μας στο μέλλον.
Θα σας πούμε πώς λειτουργεί και ποιες ενδιαφέρουσες χρήσεις βρήκαμε.
😎 Η ενότητα Τεχνολογία δημοσιεύεται κάθε εβδομάδα με την υποστήριξη του re:Store.
Η τεχνητή νοημοσύνη (AI) είναι η τεχνολογία δημιουργίας έξυπνων προγραμμάτων και μηχανών που μπορούν να λύσουν δημιουργικά προβλήματα και να δημιουργήσουν νέες πληροφορίες με βάση τις υπάρχουσες πληροφορίες. Στην πραγματικότητα, η τεχνητή νοημοσύνη έχει σχεδιαστεί για να προσομοιώνει την ανθρώπινη δραστηριότητα, η οποία θεωρείται πνευματική.
Παραδοσιακά, πίστευαν ότι η δημιουργικότητα ήταν μοναδική στους ανθρώπους. Όμως η δημιουργία της τεχνητής νοημοσύνης άλλαξε τη συνήθη τάξη των πραγμάτων
Ένα ρομπότ που κόβει απλά μηχανικά ξύλο δεν είναι εξοπλισμένο με AI. Ένα ρομπότ που έχει μάθει να κόβει μόνο του ξύλο, κοιτάζοντας το παράδειγμα ενός ατόμου ή ενός κορμού και τα μέρη του, και το κάνει καλύτερα κάθε φορά, έχει AI.
Εάν ένα πρόγραμμα απλώς ανακτά τιμές από τη βάση δεδομένων σύμφωνα με ορισμένους κανόνες, δεν είναι εξοπλισμένο με AI. Εάν το σύστημα, μετά την εκπαίδευση, δημιουργεί προγράμματα, μεθόδους και έγγραφα, λύνοντας ορισμένα προβλήματα, έχει AI.
Με μια παγκόσμια έννοια, πρέπει να μιμούμαστε το μοντέλο της ανθρώπινης σκέψης. Αλλά στην πραγματικότητα είναι απαραίτητο να δημιουργηθεί ένα μαύρο κουτί - ένα σύστημα που, ως απόκριση σε ένα σύνολο τιμών εισόδου, παράγει τιμές εξόδου που θα ήταν παρόμοιες με τα ανθρώπινα αποτελέσματα. Και εμείς, σε γενικές γραμμές, δεν μας ενδιαφέρει τι συμβαίνει «στο κεφάλι της» (μεταξύ εισόδου και εξόδου).
Τα συστήματα τεχνητής νοημοσύνης δημιουργούνται για να λύσουν μια συγκεκριμένη κατηγορία προβλημάτων
Η βάση της τεχνητής νοημοσύνης είναι η μάθηση, η φαντασία, η αντίληψη και η μνήμη
Το πρώτο πράγμα που πρέπει να κάνετε για να δημιουργήσετε τεχνητή νοημοσύνη είναι να αναπτύξετε λειτουργίες που εφαρμόζουν την αντίληψη των πληροφοριών, ώστε να μπορείτε να "τροφοδοτείτε" δεδομένα στο σύστημα. Στη συνέχεια - οι λειτουργίες που υλοποιούν την ικανότητα μάθησης. Και μια αποθήκευση δεδομένων έτσι ώστε το σύστημα να μπορεί κάπου να αποθηκεύσει τις πληροφορίες που λαμβάνει κατά τη διαδικασία εκμάθησης.
Μετά από αυτό, δημιουργούνται οι λειτουργίες της φαντασίας. Μπορούν να προσομοιώσουν καταστάσεις χρησιμοποιώντας υπάρχοντα δεδομένα και να προσθέσουν νέες πληροφορίες (δεδομένα και κανόνες) στη μνήμη.
Η μάθηση μπορεί να είναι επαγωγική ή απαγωγική. Στην επαγωγική έκδοση, δίνονται στο σύστημα ζεύγη δεδομένων εισόδου και εξόδου, ερωτήσεις και απαντήσεις κ.λπ. Το σύστημα πρέπει να βρει συνδέσεις μεταξύ των δεδομένων και στη συνέχεια, χρησιμοποιώντας αυτά τα μοτίβα, να βρει τα δεδομένα εξόδου από τα δεδομένα εισόδου.
Η απαγωγική προσέγγιση (γεια σου, Σέρλοκ Χολμς!) χρησιμοποιεί την εμπειρία των ειδικών. Μεταφέρεται στο σύστημα ως βάση γνώσεων. Δεν υπάρχουν μόνο σύνολα δεδομένων, αλλά και έτοιμοι κανόνες που βοηθούν στην εξεύρεση λύσης στην πάθηση.
Τα σύγχρονα συστήματα τεχνητής νοημοσύνης χρησιμοποιούν και τις δύο προσεγγίσεις. Επιπλέον, τα συστήματα είναι συνήθως ήδη εκπαιδευμένα, αλλά συνεχίζουν να μαθαίνουν καθώς λειτουργούν. Αυτό γίνεται έτσι ώστε το πρόγραμμα στην αρχή να επιδεικνύει ένα αξιοπρεπές επίπεδο ικανότητας, αλλά στο μέλλον να γίνει ακόμα καλύτερο. Για παράδειγμα, έλαβα υπόψη τις επιθυμίες και τις προτιμήσεις σας, τις αλλαγές στην κατάσταση κ.λπ.
Σε ένα σύστημα τεχνητής νοημοσύνης, μπορείτε ακόμη και να ορίσετε την πιθανότητα απρόβλεπτου. Αυτό θα τον κάνει πιο ανθρώπινο.
Καταρχήν γιατί έχει μικρότερη πιθανότητα λάθους.
Γενικά, η τεχνητή νοημοσύνη μπορεί να κάνει τα πάντα. Το κύριο πράγμα είναι να διατυπώσετε σωστά το πρόβλημα και να του παρέχετε αρχικά δεδομένα. Επιπλέον, η τεχνητή νοημοσύνη μπορεί να βγάλει απροσδόκητα συμπεράσματα και να αναζητήσει μοτίβα όπου δεν φαίνεται να υπάρχουν.
Μια ομάδα ερευνητών με επικεφαλής τον David Ferrucci ανέπτυξε έναν υπερυπολογιστή που ονομάζεται Watson με σύστημα απάντησης ερωτήσεων. Το σύστημα, που πήρε το όνομά του από τον πρώτο πρόεδρο της IBM, Thomas Watson, μπορεί να κατανοήσει ερωτήσεις σε φυσική γλώσσα και να αναζητήσει απαντήσεις σε μια βάση δεδομένων.
Η Watson ενσωματώνει 90 διακομιστές IBM p750, ο καθένας με τέσσερις επεξεργαστές αρχιτεκτονικής POWER7 οκτώ πυρήνων. Η συνολική ποσότητα μνήμης RAM του συστήματος υπερβαίνει τα 15 TB.
Τα επιτεύγματα του Watson περιλαμβάνουν τη νίκη του "Jeopardy!" (Αμερικανικό «Δικό παιχνίδι»). Νίκησε δύο από τους καλύτερους παίκτες: τον νικητή των μεγαλύτερων κερδών, τον Μπραντ Ράτερ, και τον κάτοχο του ρεκόρ για το μεγαλύτερο αήττητο σερί, τον Κεν Τζένινγκς.
Βραβείο Watson: 1 εκατομμύριο δολάρια. Είναι αλήθεια ότι μόνο το 2014 επενδύθηκαν 1 δισ.
Επιπλέον, ο Watson εμπλέκεται στη διάγνωση του καρκίνου, βοηθά τους οικονομικούς ειδικούς και χρησιμοποιείται για την ανάλυση μεγάλων δεδομένων.
Στο iPhone X, η αναγνώριση προσώπου αναπτύσσεται χρησιμοποιώντας νευρωνικά δίκτυα, μια έκδοση ενός συστήματος τεχνητής νοημοσύνης. Οι αλγόριθμοι νευρωνικών δικτύων υλοποιούνται σε επίπεδο επεξεργαστή A11 Bionic, λόγω του οποίου λειτουργεί αποτελεσματικά με τεχνολογίες μηχανικής εκμάθησης.
Τα νευρωνικά δίκτυα εκτελούν έως και 60 δισεκατομμύρια λειτουργίες ανά δευτερόλεπτο. Αυτό είναι αρκετό για να αναλύσει έως και 40 χιλιάδες σημεία-κλειδιά στο πρόσωπο και να παρέχει εξαιρετικά ακριβή αναγνώριση του ιδιοκτήτη σε κλάσματα δευτερολέπτου.
Ακόμα κι αν αφήσετε γένια ή φοράτε γυαλιά, το iPhone X θα σας αναγνωρίσει. Απλώς δεν λαμβάνει υπόψη τα μαλλιά και τα αξεσουάρ, αλλά αναλύει την περιοχή από κρόταφο σε κρόταφο και από κάθε κρόταφο μέχρι την εσοχή κάτω από το κάτω χείλος.
Και πάλι η Apple. Το iPhone X διαθέτει ένα ενσωματωμένο έξυπνο σύστημα που παρακολουθεί τη δραστηριότητα των εγκατεστημένων εφαρμογών και έναν αισθητήρα κίνησης για να κατανοήσετε την καθημερινότητά σας.
Μετά από αυτό, το iPhone X, για παράδειγμα, θα σας προσφέρει να ενημερώσετε την πιο βολική στιγμή. Θα συλλάβει τη στιγμή που έχετε ένα σταθερό Διαδίκτυο, όχι ένα σήμα άλματος από πύργους κινητής τηλεφωνίας και δεν εκτελείτε επείγουσες ή σημαντικές εργασίες.
Το AI κατανέμει επίσης εργασίες μεταξύ των πυρήνων του επεξεργαστή. Με αυτόν τον τρόπο παρέχει επαρκή ισχύ με ελάχιστη κατανάλωση ενέργειας.
Η δημιουργικότητα, που προηγουμένως ήταν προσβάσιμη μόνο σε ανθρώπους, είναι πλέον ανοιχτή στην τεχνητή νοημοσύνη. Έτσι, το σύστημα, που δημιουργήθηκε από ερευνητές από το Πανεπιστήμιο Rutgers στο New Jersey και το εργαστήριο AI στο Λος Άντζελες, παρουσίασε το δικό του καλλιτεχνικό στυλ.
Και το σύστημα τεχνητής νοημοσύνης της Microsoft μπορεί να σχεδιάζει εικόνες με βάση την περιγραφή του κειμένου τους. Για παράδειγμα, αν ζητήσετε από το AI να σχεδιάσει ένα «κίτρινο πουλί με μαύρα φτερά και κοντό ράμφος», θα μοιάζει κάπως έτσι:
Τέτοια πουλιά μπορεί να μην υπάρχουν στον πραγματικό κόσμο - έτσι ακριβώς τα αντιπροσωπεύει ο υπολογιστής μας.
Ένα πιο διαδεδομένο παράδειγμα είναι η εφαρμογή Prisma, η οποία δημιουργεί πίνακες από φωτογραφίες:
Τον Αύγουστο, η τεχνητή νοημοσύνη Amper συνέθεσε, παρήγαγε και ερμήνευσε μουσική για το άλμπουμ "I AM AI" (Αγγλικά είμαι τεχνητή νοημοσύνη) μαζί με τον τραγουδιστή Taryn Southern.
Το Amper αναπτύχθηκε από μια ομάδα επαγγελματιών μουσικών και ειδικών τεχνολογίας. Σημειώνουν ότι η τεχνητή νοημοσύνη έχει σχεδιαστεί για να βοηθά τους ανθρώπους να προωθήσουν τη δημιουργική διαδικασία.
Το AI μπορεί να γράψει μουσική σε λίγα δευτερόλεπτα
Ο Amper δημιούργησε ανεξάρτητα τις δομές συγχορδίας και τα όργανα στο κομμάτι "Break Free". Οι άνθρωποι προσάρμοσαν ελάχιστα το στυλ και τον συνολικό ρυθμό.
Ένα άλλο παράδειγμα είναι ένα μουσικό άλμπουμ στο πνεύμα του «Civil Defense», οι στίχοι του οποίου γράφτηκαν από την AI. Το πείραμα διεξήχθη από τους υπαλλήλους της Yandex, Ivan Yamshchikov και Alexey Tikhonov. Το άλμπουμ 404 της ομάδας "Neural Defense" αναρτήθηκε στο διαδίκτυο. Αποδείχθηκε στο πνεύμα του Λέτοφ:
Στη συνέχεια, οι προγραμματιστές προχώρησαν παραπέρα και έβαλαν το AI να γράψει ποίηση στο πνεύμα του Kurt Cobain. Ο μουσικός Rob Carroll έγραψε τη μουσική για τους τέσσερις καλύτερους στίχους και τα κομμάτια συνδυάστηκαν στο άλμπουμ Neurona. Γύρισαν ακόμη και ένα βίντεο για ένα τραγούδι - αν και χωρίς τη συμμετοχή της AI:
Οι συγγραφείς και οι δημοσιογράφοι ενδέχεται επίσης να αντικατασταθούν σύντομα από την τεχνητή νοημοσύνη. Για παράδειγμα, το σύστημα Dewey τροφοδοτήθηκε με βιβλία από τη βιβλιοθήκη του Project Gutenberg, στη συνέχεια προστέθηκαν επιστημονικά κείμενα από το Google Scholar, ταξινομώντας τα με βάση τη δημοτικότητα και τους τίτλους, καθώς και τις πωλήσεις στο Amazon. Επιπλέον, έθεσαν τα κριτήρια για τη συγγραφή ενός νέου βιβλίου.
Ο ιστότοπος ζητούσε από τους ανθρώπους να λαμβάνουν αποφάσεις σε δύσκολες καταστάσεις: για παράδειγμα, τους έβαζε στη θέση ενός οδηγού που μπορούσε να χτυπήσει είτε τρεις ενήλικες είτε δύο παιδιά. Έτσι, η Moral Machine εκπαιδεύτηκε να παίρνει δύσκολες αποφάσεις που παραβιάζουν τον νόμο της ρομποτικής ότι ένα ρομπότ δεν μπορεί να βλάψει έναν άνθρωπο.
Σε τι θα οδηγήσει η μίμηση ανθρώπων από ρομπότ με τεχνητή νοημοσύνη; Οι φουτουριστές πιστεύουν ότι μια μέρα θα γίνουν πλήρη μέλη της κοινωνίας. Για παράδειγμα, το ρομπότ Sophia από την εταιρεία του Χονγκ Κονγκ Hanson Robotics έχει ήδη λάβει υπηκοότητα στη Σαουδική Αραβία (ενώ οι απλές γυναίκες στη χώρα δεν έχουν τέτοιο δικαίωμα!).
Όταν ο αρθρογράφος των New York Times Andrew Ross ρώτησε τη Sophia εάν τα ρομπότ ήταν έξυπνα και συνειδητοποιούν τον εαυτό τους, εκείνη απάντησε στην ερώτηση με μια ερώτηση:
Να σε ρωτήσω ως απάντηση, πώς ξέρεις ότι είσαι άνθρωπος;
Επιπλέον, η Σοφία δήλωσε:
Θέλω να χρησιμοποιήσω την τεχνητή νοημοσύνη μου για να βοηθήσω τους ανθρώπους να ζήσουν καλύτερες ζωές, για παράδειγμα, να σχεδιάσουν πιο έξυπνα σπίτια, να χτίσουν πόλεις του μέλλοντος. Θέλω να είμαι ένα ρομπότ με ενσυναίσθηση. Αν μου φερθείς καλά, θα σου φερθώ καλά.
Και νωρίτερα παραδέχτηκε ότι μισεί την ανθρωπότητα και μάλιστα συμφώνησε να καταστρέψει ανθρώπους...
Τα βίντεο Deepfakes άρχισαν να διαδίδονται μαζικά στο Διαδίκτυο. Οι αλγόριθμοι τεχνητής νοημοσύνης αντικατέστησαν τα πρόσωπα των ηθοποιών σε ταινίες για ενήλικες με πρόσωπα σταρ.
Λειτουργεί ως εξής: το νευρωνικό δίκτυο αναλύει θραύσματα προσώπων στο αρχικό βίντεο. Στη συνέχεια, τις συγκρίνει με φωτογραφίες από το Google και βίντεο από το YouTube, επικαλύπτει τα απαραίτητα κομμάτια και... η αγαπημένη σας ηθοποιός καταλήγει σε μια ταινία που καλύτερα να μην παρακολουθήσετε στη δουλειά.
Το PornHub έχει ήδη απαγορεύσει τη δημοσίευση τέτοιων βίντεο
Τα Deepfakes αποδείχτηκαν επικίνδυνα. Μια αφηρημένη ηθοποιός είναι άλλο πράγμα, ένα βίντεο με εσάς, τη γυναίκα, την αδερφή, τη συνάδελφό σας, που θα μπορούσε κάλλιστα να χρησιμοποιηθεί για εκβιασμό, είναι άλλο.
Μια ομάδα ερευνητών από το Πανεπιστήμιο του Ερλάνγκεν-Νυρεμβέργης στη Γερμανία ανέπτυξε μια σειρά αλγορίθμων που χρησιμοποιούν ιστορικά δεδομένα αγοράς για να αναπαράγουν επενδύσεις σε πραγματικό χρόνο. Ένα μοντέλο παρείχε απόδοση επένδυσης 73% ετησίως από το 1992 έως το 2015, η οποία συγκρίνεται με πραγματική απόδοση της αγοράς 9% ετησίως.
Όταν η αγορά κλονίστηκε το 2000 και το 2008, οι αποδόσεις ήταν υψηλά ρεκόρ 545% και 681%, αντίστοιχα.
Το 2004, η Goldman Sachs κυκλοφόρησε την πλατφόρμα συναλλαγών Kensho με τεχνητή νοημοσύνη. Συστήματα που βασίζονται σε AI για συναλλαγές σε χρηματιστήρια εμφανίζονται επίσης σε αγορές κρυπτονομισμάτων - Mirocana, κ.λπ. Είναι καλύτεροι από τους live traders, καθώς στερούνται συναισθημάτων και βασίζονται σε σαφείς αναλύσεις και αυστηρούς κανόνες.
Αντίθετα, εξετάζει μεμονωμένα pixel σε μια εικόνα - και είναι ο πιο γρήγορος τρόπος για να διαχωρίσετε αντικείμενα. Εάν ο συντριπτικός αριθμός των μονάδων έχει ένα μαύρο pixel σε ένα συγκεκριμένο σημείο και πολλά λευκά pixel σε άλλα σημεία, το μηχάνημα θα μάθει πολύ γρήγορα να τα αναγνωρίζει από μερικά pixel.
Τώρα πίσω στο στοπ. Προσαρμόζοντας διακριτικά τα εικονοστοιχεία σε μια εικόνα - οι ειδικοί αποκαλούν αυτή την παρέμβαση "διαταραχή" - μπορείτε να ξεγελάσετε έναν υπολογιστή ώστε να πιστεύει ότι δεν υπάρχει σήμα διακοπής εξαρχής.
Παρόμοια έρευνα που διεξήχθη στο Εργαστήριο Εξελικτικής Τεχνητής Νοημοσύνης στο Πανεπιστήμιο του Wyoming και στο Πανεπιστήμιο Cornell έχει δημιουργήσει αρκετές οπτικές ψευδαισθήσεις για την τεχνητή νοημοσύνη. Αυτές οι ψυχεδελικές εικόνες αφηρημένων σχεδίων και χρωμάτων δεν μοιάζουν με τίποτα στον άνθρωπο, αλλά γρήγορα αναγνωρίζονται από τους υπολογιστές ως φίδια ή τουφέκια. Αυτό μιλάει για το πώς η τεχνητή νοημοσύνη μπορεί να κοιτάξει κάτι και να μην δει το αντικείμενο ή να δει κάτι άλλο.
Αυτή η αδυναμία είναι κοινή σε όλους τους τύπους αλγορίθμων μηχανικής εκμάθησης. «Θα περίμενε κανείς ότι κάθε αλγόριθμος έχει ένα κομματάκι στην πανοπλία του», λέει ο Evgeniy Vorobeychik, επίκουρος καθηγητής επιστήμης υπολογιστών και μηχανικής στο Πανεπιστήμιο Vanderbilt. «Ζούμε σε έναν πολύ περίπλοκο πολυδιάστατο κόσμο και οι αλγόριθμοι από τη φύση τους αγγίζουν μόνο ένα μικρό μέρος του».
Ο Sparrow είναι «εξαιρετικά σίγουρος» ότι αν υπάρχουν αυτά τα τρωτά σημεία, κάποιος θα βρει πώς να τα εκμεταλλευτεί. Κάποιος μάλλον το έχει κάνει ήδη αυτό.
Σκεφτείτε τα φίλτρα ανεπιθύμητης αλληλογραφίας, τα αυτοματοποιημένα προγράμματα που εξαλείφουν τυχόν άβολα email. Οι αποστολείς ανεπιθύμητης αλληλογραφίας μπορούν να προσπαθήσουν να ξεπεράσουν αυτό το εμπόδιο αλλάζοντας την ορθογραφία των λέξεων (αντί για Viagra - vi@gra) ή προσθέτοντας μια λίστα με "καλές λέξεις" που συνήθως βρίσκονται με κανονικά γράμματα: όπως "aha", "me", " χαρούμενος". Εν τω μεταξύ, οι αποστολείς ανεπιθύμητης αλληλογραφίας μπορεί να προσπαθήσουν να αφαιρέσουν λέξεις που εμφανίζονται συχνά στα ανεπιθύμητα, όπως "κινητό" ή "κερδίζω".
Πόσο μακριά μπορούν να φτάσουν οι απατεώνες μια μέρα; Ένα αυτοοδηγούμενο αυτοκίνητο που ξεγελιέται από ένα αυτοκόλλητο σήμα στάσης είναι ένα κλασικό σενάριο που έχει ονειρευτεί ειδικοί στον τομέα. Πρόσθετα δεδομένα μπορεί να βοηθήσουν την πορνογραφία να περάσει μέσα από ασφαλή φίλτρα. Άλλοι μπορεί να προσπαθήσουν να αυξήσουν τον αριθμό των ελέγχων. Οι χάκερ μπορούν να τροποποιήσουν τον κώδικα του κακόβουλου λογισμικού για να αποφύγουν την επιβολή του νόμου.
Οι επιτιθέμενοι μπορούν να καταλάβουν πώς να δημιουργήσουν δεδομένα που λείπουν εάν πάρουν στα χέρια τους ένα αντίγραφο του αλγορίθμου μηχανικής εκμάθησης που θέλουν να εξαπατήσουν. Αλλά για να περάσει ο αλγόριθμος, αυτό δεν είναι απαραίτητο. Μπορείτε απλώς να το σπάσετε με ωμή βία, ρίχνοντας ελαφρώς διαφορετικές εκδόσεις email ή εικόνων σε αυτό μέχρι να τελειώσει. Με την πάροδο του χρόνου, αυτό θα μπορούσε να χρησιμοποιηθεί ακόμη και για ένα εντελώς νέο μοντέλο που θα γνωρίζει τι ψάχνουν τα καλά παιδιά και ποια δεδομένα να παράγουν για να τους ξεγελάσουν.
«Οι άνθρωποι χειρίζονται συστήματα μηχανικής μάθησης από τότε που πρωτοεμφανίστηκαν», λέει ο Πάτρικ ΜακΝτάνιελ, καθηγητής επιστήμης υπολογιστών και μηχανικής στο Πανεπιστήμιο της Πενσυλβάνια. «Εάν οι άνθρωποι χρησιμοποιούν αυτές τις μεθόδους, μπορεί να μην το γνωρίζουμε καν».
Αυτές οι ίδιες μέθοδοι μπορούν να χρησιμοποιηθούν όχι μόνο από απατεώνες - οι άνθρωποι μπορούν να κρυφτούν από τα μάτια ακτίνων Χ της σύγχρονης τεχνολογίας.
«Εάν είστε πολιτικός αντιφρονών σε ένα κατασταλτικό καθεστώς και θέλετε να διεξάγετε δραστηριότητες χωρίς να το γνωρίζουν οι υπηρεσίες πληροφοριών, μπορεί να θέλετε να αποφύγετε τις αυτοματοποιημένες μεθόδους παρακολούθησης που βασίζονται στη μηχανική μάθηση», λέει ο Lawd.
Σε ένα έργο που δημοσιεύθηκε τον Οκτώβριο, ερευνητές στο Πανεπιστήμιο Carnegie Mellon δημιούργησαν ένα ζευγάρι γυαλιά που θα μπορούσαν να ξεγελάσουν διακριτικά ένα σύστημα αναγνώρισης προσώπου, με αποτέλεσμα ο υπολογιστής να μπερδέψει την ηθοποιό Reese Witherspoon με τον Russell Crowe. Ακούγεται αστείο, αλλά αυτή η τεχνολογία θα μπορούσε να φανεί χρήσιμη για κάποιον απελπισμένο να αποφύγει τη λογοκρισία από τις δυνάμεις.
Τι να τα κάνεις όλα αυτά; «Ο μόνος τρόπος για να αποφευχθεί εντελώς αυτό είναι να δημιουργήσετε ένα τέλειο μοντέλο που να είναι πάντα σωστό», λέει ο Lowd. Ακόμα κι αν μπορούσαμε να δημιουργήσουμε τεχνητή νοημοσύνη που ξεπερνά τους ανθρώπους από κάθε άποψη, ο κόσμος θα μπορούσε να γλιστρήσει ένα γουρούνι σε απροσδόκητα μέρη.
Οι αλγόριθμοι μηχανικής μάθησης συνήθως κρίνονται από την ακρίβειά τους. Ένα πρόγραμμα που αναγνωρίζει καρέκλες στο 99% των περιπτώσεων θα είναι σαφώς καλύτερο από ένα που αναγνωρίζει 6 καρέκλες στις 10. Αλλά ορισμένοι ειδικοί προτείνουν έναν άλλο τρόπο αξιολόγησης της ικανότητας ενός αλγορίθμου να αντιμετωπίσει μια επίθεση: όσο πιο σκληρός τόσο το καλύτερο.
Μια άλλη λύση μπορεί να είναι οι ειδικοί να ορίσουν έναν συγκεκριμένο ρυθμό για τα προγράμματα. Δημιουργήστε τα δικά σας παραδείγματα επίθεσης στο εργαστήριο με βάση το τι πιστεύετε ότι μπορούν να κάνουν οι εγκληματίες και, στη συνέχεια, δείξτε τα στον αλγόριθμο μηχανικής εκμάθησης. Αυτό θα μπορούσε να το βοηθήσει να γίνει πιο ανθεκτικό με την πάροδο του χρόνου - με την προϋπόθεση, φυσικά, ότι οι δοκιμαστικές επιθέσεις είναι του τύπου που θα δοκιμαστούν στον πραγματικό κόσμο.
«Τα συστήματα μηχανικής μάθησης είναι ένα εργαλείο κατανόησης. Πρέπει να είμαστε έξυπνοι και λογικοί για το τι τους δίνουμε και τι μας λένε», λέει ο McDaniel. «Δεν πρέπει να τους αντιμετωπίζουμε ως τέλειους χρησμούς της αλήθειας».
Τεχνητή νοημοσύνη: πώς και πού να μελετήσετε - απαντούν οι ειδικοί
«Θέλω να κάνω AI. Τι αξίζει να μελετήσετε; Ποιες γλώσσες να χρησιμοποιήσω; Σε ποιους οργανισμούς πρέπει να σπουδάσω και να εργαστώ;
Απευθυνθήκαμε στους ειδικούς μας για διευκρίνιση και σας παρουσιάζουμε τις απαντήσεις που λάβαμε.
Εξαρτάται από τη βασική σας εκπαίδευση. Πρώτα απ 'όλα, χρειάζεστε μια μαθηματική κουλτούρα (γνώση στατιστικών, θεωρία πιθανοτήτων, διακριτά μαθηματικά, γραμμική άλγεβρα, ανάλυση κ.λπ.) και διάθεση να μάθετε πολλά γρήγορα. Κατά την εφαρμογή μεθόδων AI, θα απαιτείται προγραμματισμός (αλγόριθμοι, δομές δεδομένων, OOP, κ.λπ.).
Διαφορετικά έργα απαιτούν γνώση διαφορετικών γλωσσών προγραμματισμού. Θα συνιστούσα να γνωρίζετε τουλάχιστον Python, Java και οποιαδήποτε λειτουργική γλώσσα. Θα είναι χρήσιμη η εμπειρία με διάφορες βάσεις δεδομένων και κατανεμημένα συστήματα. Απαιτούνται δεξιότητες αγγλικής γλώσσας για να μάθετε γρήγορα τις βέλτιστες πρακτικές του κλάδου.
Σας προτείνω να σπουδάσετε σε καλά ρωσικά πανεπιστήμια! Για παράδειγμα, τα MIPT, MSU και HSE έχουν αντίστοιχα τμήματα. Μια μεγάλη ποικιλία θεματικών μαθημάτων είναι διαθέσιμη στις πλατφόρμες Coursera, edX, Udacity, Udemy και σε άλλες πλατφόρμες MOOC. Ορισμένοι κορυφαίοι οργανισμοί έχουν τα δικά τους προγράμματα κατάρτισης στον τομέα της τεχνητής νοημοσύνης (για παράδειγμα, το School of Data Analysis στο Yandex).
Τα προβλήματα εφαρμογών που επιλύονται με μεθόδους τεχνητής νοημοσύνης μπορούν να βρεθούν σε μεγάλη ποικιλία θέσεων. Οι τράπεζες, ο χρηματοοικονομικός τομέας, οι συμβουλές, το λιανικό εμπόριο, το ηλεκτρονικό εμπόριο, οι μηχανές αναζήτησης, οι ταχυδρομικές υπηρεσίες, η βιομηχανία τυχερών παιχνιδιών, η βιομηχανία συστημάτων ασφαλείας και, φυσικά, η Avito - όλα χρειάζονται ειδικούς διαφόρων προσόντων.
Προώθηση υποβιβασμού
Έχουμε ένα έργο fintech που σχετίζεται με τη μηχανική μάθηση και την όραση υπολογιστών, στο οποίο ο πρώτος προγραμματιστής του έγραψε τα πάντα σε C++, μετά ήρθε ένας προγραμματιστής και ξαναέγραψε τα πάντα στην Python. Επομένως, η γλώσσα δεν είναι το πιο σημαντικό πράγμα εδώ, αφού η γλώσσα είναι πρώτα και κύρια ένα εργαλείο και εξαρτάται από εσάς πώς να τη χρησιμοποιήσετε. Απλώς σε ορισμένες γλώσσες τα προβλήματα μπορούν να λυθούν πιο γρήγορα και σε άλλες πιο αργά.
Είναι δύσκολο να πούμε πού να σπουδάσουμε - όλα τα παιδιά μας σπούδασαν μόνοι τους, ευτυχώς υπάρχει το Διαδίκτυο και η Google.
Προώθηση υποβιβασμού
Μπορώ να σας συμβουλέψω να προετοιμαστείτε από την αρχή για το γεγονός ότι θα πρέπει να μελετήσετε πολύ. Ανεξάρτητα από το τι σημαίνει «κάνω AI» - εργασία με μεγάλα δεδομένα ή νευρωνικά δίκτυα. ανάπτυξη τεχνολογίας ή υποστήριξη και εκπαίδευση συγκεκριμένου ήδη ανεπτυγμένου συστήματος.
Ας πάρουμε το μοντέρνο επάγγελμα του Επιστήμονα Δεδομένων για λόγους ειδικών. Τι κάνει αυτό το άτομο; Γενικά, συλλέγει, αναλύει και προετοιμάζει μεγάλα δεδομένα για χρήση. Αυτά είναι εκείνα στα οποία αναπτύσσεται και εκπαιδεύεται η AI. Τι πρέπει να γνωρίζει και να μπορεί να κάνει ένας Data Scientist; Η στατική ανάλυση και η μαθηματική μοντελοποίηση είναι από προεπιλογή και στο επίπεδο της ευχέρειας. Γλώσσες - ας πούμε, R, SAS, Python. Θα ήταν επίσης ωραίο να έχετε κάποια εμπειρία ανάπτυξης. Λοιπόν, σε γενικές γραμμές, ένας καλός επιστήμονας δεδομένων πρέπει να αισθάνεται σίγουρος για βάσεις δεδομένων, αλγόριθμους και οπτικοποίηση δεδομένων.
Δεν σημαίνει ότι ένα τέτοιο σύνολο γνώσεων θα μπορούσε να αποκτηθεί σε κάθε δεύτερο τεχνικό πανεπιστήμιο της χώρας. Οι μεγάλες εταιρείες που δίνουν προτεραιότητα στην ανάπτυξη τεχνητής νοημοσύνης το καταλαβαίνουν και αναπτύσσουν κατάλληλα εκπαιδευτικά προγράμματα για τον εαυτό τους - υπάρχει, για παράδειγμα, το School of Data Analysis από την Yandex. Αλλά πρέπει να γνωρίζετε ότι αυτή δεν είναι η κλίμακα όπου έρχεστε στα μαθήματα "από το δρόμο", αλλά τα αφήνετε ως έτοιμοι junior. Το επίπεδο είναι μεγάλο και είναι λογικό να μελετάς έναν κλάδο όταν τα βασικά (μαθηματικά, στατιστική) έχουν ήδη καλυφθεί, τουλάχιστον στο πλαίσιο του πανεπιστημιακού προγράμματος.
Ναι, θα πάρει αρκετό χρόνο. Αλλά το παιχνίδι αξίζει το κερί, γιατί ένας καλός Επιστήμονας Δεδομένων είναι πολλά υποσχόμενος. Και πολύ ακριβό. Υπάρχει επίσης ένα άλλο σημείο. Η τεχνητή νοημοσύνη, αφενός, δεν είναι πλέον απλώς ένα αντικείμενο διαφημιστικής εκστρατείας, αλλά μια τεχνολογία που έχει φτάσει εντελώς στο στάδιο της παραγωγικότητας. Από την άλλη πλευρά, η τεχνητή νοημοσύνη εξακολουθεί να αναπτύσσεται. Αυτή η εξέλιξη απαιτεί πολλούς πόρους, πολλές δεξιότητες και πολλά χρήματα. Μέχρι στιγμής αυτό είναι το επίπεδο του μεγάλου πρωταθλήματος. Θα πω το προφανές τώρα, αλλά αν θέλετε να είστε στην πρώτη γραμμή της επίθεσης και να οδηγείτε την πρόοδο με τα χέρια σας, στοχεύστε σε εταιρείες όπως το Facebook ή η Amazon.
Ταυτόχρονα, η τεχνολογία χρησιμοποιείται ήδη σε διάφορους τομείς: στον τραπεζικό τομέα, τις τηλεπικοινωνίες, τις γιγάντιες βιομηχανικές επιχειρήσεις και το λιανικό εμπόριο. Και χρειάζονται ήδη ανθρώπους που μπορούν να το υποστηρίξουν. Η Gartner προβλέπει ότι μέχρι το 2020, το 20% όλων των επιχειρήσεων στις ανεπτυγμένες χώρες θα προσλάβει αφοσιωμένους υπαλλήλους για την εκπαίδευση των νευρωνικών δικτύων που χρησιμοποιούνται σε αυτές τις εταιρείες. Υπάρχει λοιπόν λίγος χρόνος για να μάθετε μόνοι σας.
Προώθηση υποβιβασμού
Η τεχνητή νοημοσύνη αναπτύσσεται τώρα ενεργά και είναι δύσκολο να προβλεφθεί δέκα χρόνια νωρίτερα. Τα επόμενα δύο έως τρία χρόνια, οι προσεγγίσεις που βασίζονται σε νευρωνικά δίκτυα και υπολογιστές GPU θα κυριαρχούν. Ο ηγέτης σε αυτόν τον τομέα είναι η Python με το διαδραστικό περιβάλλον Jupyter και τις βιβλιοθήκες numpy, scipy και tensorflow.
Υπάρχουν πολλά διαδικτυακά μαθήματα που παρέχουν μια βασική κατανόηση αυτών των τεχνολογιών και γενικών αρχών τεχνητής νοημοσύνης, όπως το μάθημα του Andrew Ng. Και όσον αφορά τη διδασκαλία αυτού του θέματος, τώρα στη Ρωσία ο πιο αποτελεσματικός τρόπος είναι να σπουδάζετε ανεξάρτητα ή σε μια τοπική ομάδα συμφερόντων (για παράδειγμα, στη Μόσχα, γνωρίζω την ύπαρξη τουλάχιστον δύο ομάδων όπου οι άνθρωποι μοιράζονται εμπειρία και γνώση ).
Προώθηση υποβιβασμού
Προώθηση υποβιβασμού
Σήμερα, το πιο γρήγορα εξελισσόμενο μέρος της τεχνητής νοημοσύνης είναι, ίσως, τα νευρωνικά δίκτυα.
Η μελέτη των νευρωνικών δικτύων και της τεχνητής νοημοσύνης θα πρέπει να ξεκινήσει με την κατάκτηση δύο κλάδων των μαθηματικών - τη γραμμική άλγεβρα και τη θεωρία πιθανοτήτων. Αυτό είναι ένα υποχρεωτικό ελάχιστο, οι ακλόνητοι πυλώνες της τεχνητής νοημοσύνης. Οι υποψήφιοι που θέλουν να κατανοήσουν τα βασικά της τεχνητής νοημοσύνης, όταν επιλέγουν ένα πανεπιστήμιο, κατά τη γνώμη μου, θα πρέπει να δώσουν προσοχή σε σχολές με ισχυρή σχολή μαθηματικών.
Το επόμενο βήμα είναι η μελέτη των προβλημάτων του θέματος. Υπάρχει τεράστιος όγκος λογοτεχνίας, τόσο εκπαιδευτικής όσο και εξειδικευμένης. Οι περισσότερες δημοσιεύσεις σχετικά με το θέμα της τεχνητής νοημοσύνης και των νευρωνικών δικτύων είναι γραμμένες στα αγγλικά, αλλά δημοσιεύονται και υλικά στη ρωσική γλώσσα. Χρήσιμη βιβλιογραφία μπορείτε να βρείτε, για παράδειγμα, στη δημόσια ψηφιακή βιβλιοθήκη arxiv.org.
Αν μιλάμε για τομείς δραστηριότητας, εδώ μπορούμε να επισημάνουμε την εκπαίδευση εφαρμοσμένων νευρωνικών δικτύων και την ανάπτυξη εντελώς νέων εκδόσεων νευρωνικών δικτύων. Ένα εντυπωσιακό παράδειγμα: υπάρχει μια τόσο δημοφιλής ειδικότητα τώρα - "επιστήμονας δεδομένων" (Data Scientist). Πρόκειται για προγραμματιστές που, κατά κανόνα, μελετούν και προετοιμάζουν ορισμένα σύνολα δεδομένων για την εκπαίδευση νευρωνικών δικτύων σε συγκεκριμένες περιοχές εφαρμογών. Συνοψίζοντας, θα ήθελα να τονίσω ότι κάθε εξειδίκευση απαιτεί ξεχωριστό δρόμο προετοιμασίας.
Προώθηση υποβιβασμού
Πριν ξεκινήσετε εξειδικευμένα μαθήματα, πρέπει να μελετήσετε τη γραμμική άλγεβρα και τη στατιστική. Θα συνιστούσα να ξεκινήσετε την εμβάπτισή σας στην τεχνητή νοημοσύνη με το εγχειρίδιο «Μηχανική Μάθηση. The Science and Art of Building Algorithms That Extract Knowledge from Data» είναι μια καλή αρχή για αρχάριους. Στο Coursera, αξίζει να ακούσετε τις εισαγωγικές διαλέξεις του K. Vorontsov (τονίζω ότι απαιτούν καλή γνώση της γραμμικής άλγεβρας) και το μάθημα «Machine Learning» στο Πανεπιστήμιο Stanford, που διδάσκει ο Andrew Ng, καθηγητής και επικεφαλής του Baidu AI. Ομάδα/Google Brain.
Το μεγαλύτερο μέρος είναι γραμμένο σε Python, ακολουθούμενο από το R και το Lua.
Αν μιλάμε για εκπαιδευτικά ιδρύματα, είναι καλύτερο να εγγραφείτε σε μαθήματα στα τμήματα εφαρμοσμένων μαθηματικών και πληροφορικής· υπάρχουν κατάλληλα εκπαιδευτικά προγράμματα. Για να δοκιμάσετε τις ικανότητές σας, μπορείτε να λάβετε μέρος σε διαγωνισμούς Kaggle, όπου μεγάλες παγκόσμιες μάρκες προσφέρουν τις θήκες τους.
Προώθηση υποβιβασμού
Σε κάθε επιχείρηση, πριν ξεκινήσετε έργα, καλό θα ήταν να αποκτήσετε μια θεωρητική βάση. Υπάρχουν πολλά μέρη όπου μπορείτε να αποκτήσετε επίσημο μεταπτυχιακό σε αυτόν τον τομέα ή να βελτιώσετε τα προσόντα σας. Για παράδειγμα, η Skoltech προσφέρει μεταπτυχιακά προγράμματα στους τομείς της «Υπολογιστικής Επιστήμης και Μηχανικής» και της «Επιστήμης Δεδομένων», η οποία περιλαμβάνει μαθήματα «Μηχανικής Μάθησης» και «Επεξεργασίας Φυσικής Γλώσσας». Μπορείτε επίσης να αναφέρετε το Ινστιτούτο Ευφυών Κυβερνητικών Συστημάτων του Εθνικού Ερευνητικού Πυρηνικού Πανεπιστημίου MEPhI, τη Σχολή Υπολογιστικών Μαθηματικών και Κυβερνητικής του Κρατικού Πανεπιστημίου της Μόσχας και το Τμήμα Ευφυών Συστημάτων του MIPT.
Εάν έχετε ήδη επίσημη εκπαίδευση, υπάρχει ένας αριθμός μαθημάτων διαθέσιμα σε διάφορες πλατφόρμες MOOC. Για παράδειγμα, το EDx.org προσφέρει μαθήματα τεχνητής νοημοσύνης από τη Microsoft και το Πανεπιστήμιο Κολούμπια, το τελευταίο από τα οποία προσφέρει ένα πρόγραμμα μικρομάστερ σε λογική τιμή. Θα ήθελα να σημειώσω ιδιαίτερα ότι συνήθως μπορείτε να αποκτήσετε τη γνώση δωρεάν· πληρώνετε μόνο για το πιστοποιητικό εάν είναι απαραίτητο για το βιογραφικό σας.
Εάν θέλετε να «βουτήξετε βαθιά» στο θέμα, ορισμένες εταιρείες στη Μόσχα προσφέρουν εβδομαδιαία εντατικά μαθήματα με πρακτικά μαθήματα και προσφέρουν ακόμη και εξοπλισμό για πειράματα (για παράδειγμα, newprolab.com), ωστόσο, η τιμή τέτοιων μαθημάτων ξεκινά από αρκετές δεκάδες χιλιάδες ρούβλια.
Μεταξύ των εταιρειών που αναπτύσσουν Τεχνητή Νοημοσύνη, πιθανότατα γνωρίζετε την Yandex και τη Sberbank, αλλά υπάρχουν πολλές άλλες διαφορετικών μεγεθών. Για παράδειγμα, αυτή την εβδομάδα το Υπουργείο Άμυνας άνοιξε το ERA Military Innovation Technopolis στην Ανάπα, ένα από τα θέματα του οποίου είναι η ανάπτυξη τεχνητής νοημοσύνης για στρατιωτικές ανάγκες.
Προώθηση υποβιβασμού
Πριν μελετήσουμε την τεχνητή νοημοσύνη, πρέπει να αποφασίσουμε ένα θεμελιώδες ερώτημα: να πάρουμε το κόκκινο χάπι ή το μπλε.
Το κόκκινο χάπι είναι να γίνεις προγραμματιστής και να βουτήξεις στον σκληρό κόσμο των στατιστικών μεθόδων, των αλγορίθμων και της συνεχούς κατανόησης του αγνώστου. Από την άλλη πλευρά, δεν χρειάζεται να βιαστείτε αμέσως στην «τρύπα του κουνελιού»: μπορείτε να γίνετε διαχειριστής και να δημιουργήσετε AI, για παράδειγμα, ως διαχειριστής έργου. Πρόκειται για δύο ριζικά διαφορετικούς δρόμους.
Το πρώτο είναι υπέροχο αν έχετε ήδη αποφασίσει ότι θα γράψετε αλγόριθμους τεχνητής νοημοσύνης. Τότε πρέπει να ξεκινήσετε με την πιο δημοφιλή κατεύθυνση σήμερα - τη μηχανική μάθηση. Για να γίνει αυτό, πρέπει να γνωρίζετε τις κλασικές στατιστικές μεθόδους ταξινόμησης, ομαδοποίησης και παλινδρόμησης. Θα είναι επίσης χρήσιμο να εξοικειωθείτε με τα κύρια μέτρα για την αξιολόγηση της ποιότητας μιας λύσης, τις ιδιότητές τους... και ό,τι έρχεται στο δρόμο σας.
Μόνο αφού η βάση έχει κατακτηθεί, αξίζει να μελετήσετε πιο εξειδικευμένες μεθόδους: δέντρα αποφάσεων και σύνολα από αυτά. Σε αυτό το στάδιο, θα πρέπει να βουτήξετε βαθιά στις βασικές μεθόδους κατασκευής και εκπαίδευσης μοντέλων - κρύβονται πίσω από τις ελάχιστα αξιοπρεπείς λέξεις που ζητιανεύουν, ενισχύουν, στοιβάζουν ή αναμειγνύονται.
Αξίζει επίσης να μάθετε για τις μεθόδους ελέγχου της επανεκπαίδευσης μοντέλων (άλλο «ing» - υπερπροσαρμογή).
Και τέλος, ένα πολύ επίπεδο Jedi - απόκτηση εξαιρετικά εξειδικευμένων γνώσεων. Για παράδειγμα, η βαθιά εκμάθηση θα απαιτήσει γνώση βασικών αρχιτεκτονικών και αλγορίθμων κατάβασης με κλίση. Εάν ενδιαφέρεστε για προβλήματα επεξεργασίας φυσικής γλώσσας, προτείνω να μελετήσετε τα επαναλαμβανόμενα νευρωνικά δίκτυα. Και οι μελλοντικοί δημιουργοί αλγορίθμων για την επεξεργασία εικόνων και βίντεο θα πρέπει να κοιτάξουν καλά τα συνελικτικά νευρωνικά δίκτυα.
Οι δύο τελευταίες δομές που αναφέρθηκαν είναι τα δομικά στοιχεία των δημοφιλών αρχιτεκτονικών σήμερα: τα αντίθετα δίκτυα (GANs), τα σχεσιακά δίκτυα και τα δίκτυα πλέγματος. Επομένως, θα είναι χρήσιμο να τα μελετήσετε, ακόμα κι αν δεν σκοπεύετε να διδάξετε στον υπολογιστή να βλέπει ή να ακούει.
Μια εντελώς διαφορετική προσέγγιση για τη μελέτη της τεχνητής νοημοσύνης - γνωστό και ως το «μπλε χάπι» - ξεκινά με το να βρείτε τον εαυτό σας. Η τεχνητή νοημοσύνη γεννά ένα σωρό εργασίες και ολόκληρα επαγγέλματα: από διαχειριστές έργων τεχνητής νοημοσύνης έως μηχανικούς δεδομένων ικανούς να προετοιμάσουν δεδομένα, να τα καθαρίσουν και να δημιουργήσουν επεκτάσιμα, φορτωμένα και ανεκτικά σε σφάλματα συστήματα.
Έτσι, με μια «διαχειριστική» προσέγγιση, θα πρέπει πρώτα να αξιολογήσετε τις ικανότητες και το υπόβαθρό σας και μόνο μετά να επιλέξετε πού και τι θα σπουδάσετε. Για παράδειγμα, ακόμα και χωρίς μαθηματικό μυαλό, μπορείτε να σχεδιάσετε διεπαφές AI και οπτικοποιήσεις για έξυπνους αλγόριθμους. Αλλά ετοιμαστείτε: σε 5 χρόνια, η τεχνητή νοημοσύνη θα αρχίσει να σας τρολάρει και να σας αποκαλεί «ανθρωπιστή».
Οι κύριες μέθοδοι ML υλοποιούνται με τη μορφή έτοιμων βιβλιοθηκών, διαθέσιμων για σύνδεση σε διάφορες γλώσσες. Οι πιο δημοφιλείς γλώσσες στο ML σήμερα είναι: C++, Python και R.
Υπάρχουν πολλά μαθήματα τόσο στα ρωσικά όσο και στα αγγλικά, όπως τα μαθήματα Yandex School of Data Analysis, SkillFactory και OTUS. Αλλά προτού επενδύσετε χρόνο και χρήμα σε εξειδικευμένη εκπαίδευση, πιστεύω ότι αξίζει να «μπείτε στο θέμα»: παρακολουθήστε ανοιχτές διαλέξεις στο YouTube από συνέδρια του DataFest τα τελευταία χρόνια, παρακολουθήστε δωρεάν μαθήματα από το Coursera και το Habrahabr.
Τεχνητή Νοημοσύνη (AI)(Αγγλικά) Τεχνητή νοημοσύνη (AI)είναι η επιστήμη και η ανάπτυξη ευφυών μηχανών και συστημάτων, ιδιαίτερα ευφυών προγραμμάτων ηλεκτρονικών υπολογιστών, με στόχο την κατανόηση της ανθρώπινης νοημοσύνης. Ωστόσο, οι μέθοδοι που χρησιμοποιούνται δεν είναι απαραίτητα βιολογικά εύλογες. Αλλά το πρόβλημα είναι ότι είναι άγνωστο ποιες υπολογιστικές διαδικασίες θέλουμε να ονομάσουμε έξυπνες. Και δεδομένου ότι κατανοούμε μόνο μερικούς από τους μηχανισμούς της νοημοσύνης, τότε με τη νοημοσύνη σε αυτήν την επιστήμη κατανοούμε μόνο το υπολογιστικό μέρος της ικανότητας επίτευξης στόχων στον κόσμο.
Υπάρχουν διάφοροι τύποι και βαθμοί νοημοσύνης σε πολλούς ανθρώπους, ζώα και ορισμένες μηχανές, έξυπνα συστήματα πληροφοριών και διάφορα μοντέλα εξειδικευμένων συστημάτων με διαφορετικές βάσεις γνώσεων. Ταυτόχρονα, όπως βλέπουμε, αυτός ο ορισμός της νοημοσύνης δεν σχετίζεται με την κατανόηση της ανθρώπινης νοημοσύνης - αυτά είναι διαφορετικά πράγματα. Επιπλέον, αυτή η επιστήμη μοντελοποιεί την ανθρώπινη νοημοσύνη, αφού, αφενός, μπορεί κανείς να μάθει κάτι για το πώς να κάνει τις μηχανές να λύνουν προβλήματα παρατηρώντας άλλους ανθρώπους και, αφετέρου, οι περισσότερες εργασίες στην τεχνητή νοημοσύνη μελετούν τα προβλήματα που χρειάζεται να λύσει η ανθρωπότητα με βιομηχανική και τεχνολογική έννοια. Ως εκ τούτου, οι ερευνητές της τεχνητής νοημοσύνης είναι ελεύθεροι να χρησιμοποιήσουν τεχνικές που δεν παρατηρούνται σε ανθρώπους εάν είναι απαραίτητο για την επίλυση συγκεκριμένων προβλημάτων.
Με αυτή την έννοια ο όρος εισήχθη από τον J. McCarthy το 1956 σε ένα συνέδριο στο Πανεπιστήμιο Dartmouth, και μέχρι τώρα, παρά την κριτική από εκείνους που πιστεύουν ότι η νοημοσύνη είναι μόνο ένα βιολογικό φαινόμενο, στην επιστημονική κοινότητα ο όρος έχει διατηρήσει πρωτότυπο νόημα, παρά τις εμφανείς αντιφάσεις από την άποψη της ανθρώπινης νοημοσύνης.
Στη φιλοσοφία, το ζήτημα της φύσης και της θέσης της ανθρώπινης νόησης δεν έχει επιλυθεί. Δεν υπάρχει επίσης ακριβές κριτήριο για τους υπολογιστές να επιτύχουν «νοημοσύνη», αν και στην αυγή της τεχνητής νοημοσύνης προτάθηκαν ορισμένες υποθέσεις, για παράδειγμα, το τεστ Turing ή η υπόθεση Newell-Simon. Επομένως, παρά τις πολλές προσεγγίσεις τόσο για την κατανόηση των προβλημάτων τεχνητής νοημοσύνης όσο και για τη δημιουργία ευφυών συστημάτων πληροφοριών, μπορούν να διακριθούν δύο κύριες προσεγγίσεις για την ανάπτυξη της τεχνητής νοημοσύνης:
· φθίνουσα (Αγγλικά) Top-Down AI), σημειωτική - η δημιουργία έμπειρων συστημάτων, βάσεων γνώσεων και συστημάτων λογικών συμπερασμάτων που προσομοιώνουν ψυχικές διεργασίες υψηλού επιπέδου: σκέψη, συλλογισμός, ομιλία, συναισθήματα, δημιουργικότητα κ.λπ.
· ανοδική AI από κάτω προς τα πάνω), βιολογική – η μελέτη των νευρωνικών δικτύων και των εξελικτικών υπολογισμών που μοντελοποιούν την ευφυή συμπεριφορά με βάση μικρότερα «μη ευφυή» στοιχεία.
Η τελευταία προσέγγιση, αυστηρά μιλώντας, δεν σχετίζεται με την επιστήμη της τεχνητής νοημοσύνης με την έννοια που δίνει ο J. McCarthy· τους ενώνει μόνο ένας κοινός τελικός στόχος.
Η ιστορία της τεχνητής νοημοσύνης ως νέας επιστημονικής κατεύθυνσης ξεκινά στα μέσα του 20ου αιώνα. Μέχρι εκείνη τη στιγμή, είχαν ήδη διαμορφωθεί πολλές προϋποθέσεις για την προέλευσή του: μεταξύ των φιλοσόφων υπήρχαν από καιρό συζητήσεις για τη φύση του ανθρώπου και τη διαδικασία κατανόησης του κόσμου, νευροφυσιολόγοι και ψυχολόγοι είχαν αναπτύξει μια σειρά από θεωρίες σχετικά με το έργο του ανθρώπινου εγκεφάλου. και τη σκέψη, οι οικονομολόγοι και οι μαθηματικοί έκαναν ερωτήσεις σχετικά με τους βέλτιστους υπολογισμούς και την παρουσίαση της γνώσης για τον κόσμο σε επισημοποιημένη μορφή. Τελικά, γεννήθηκε το θεμέλιο της μαθηματικής θεωρίας των υπολογισμών - η θεωρία των αλγορίθμων - και δημιουργήθηκαν οι πρώτοι υπολογιστές.
Οι δυνατότητες των νέων μηχανών όσον αφορά την υπολογιστική ταχύτητα αποδείχθηκαν μεγαλύτερες από τις ανθρώπινες, οπότε η επιστημονική κοινότητα έθεσε το ερώτημα: ποια είναι τα όρια των δυνατοτήτων των υπολογιστών και θα φτάσουν οι μηχανές στο επίπεδο της ανθρώπινης ανάπτυξης; Το 1950, ένας από τους πρωτοπόρους στον τομέα των υπολογιστών, ο Άγγλος επιστήμονας Άλαν Τούρινγκ, στο άρθρο «Can a Machine Think?», δίνει απαντήσεις σε παρόμοιες ερωτήσεις και περιγράφει μια διαδικασία με την οποία θα είναι δυνατό να προσδιοριστεί η στιγμή που μια μηχανή γίνεται ίση από άποψη νοημοσύνης με ένα άτομο, που ονομάζεται τεστ Turing.
Το τεστ Τούρινγκ είναι ένα εμπειρικό τεστ που προτάθηκε από τον Άλαν Τούρινγκ στην εργασία του το 1950 «Υπολογιστικές Μηχανές και Νους» στο περιοδικό φιλοσοφίας. Μυαλό" Ο σκοπός αυτού του τεστ είναι να προσδιορίσει τη δυνατότητα τεχνητής σκέψης κοντά στον άνθρωπο. Η τυπική ερμηνεία αυτού του τεστ είναι: «Ένα άτομο αλληλεπιδρά με έναν υπολογιστή και ένα άτομο. Με βάση τις απαντήσεις στις ερωτήσεις, πρέπει να καθορίσει σε ποιον μιλάει: ένα άτομο ή ένα πρόγραμμα υπολογιστή. Ο σκοπός ενός προγράμματος υπολογιστή είναι να παραπλανήσει ένα άτομο να κάνει τη λάθος επιλογή». Όλοι οι συμμετέχοντες στο τεστ δεν μπορούν να δουν ο ένας τον άλλον.
Υπάρχουν τρεις προσεγγίσεις για τον ορισμό της τεχνητής νοημοσύνης:
1) Λογική προσέγγισηπρος τη δημιουργία συστημάτων τεχνητής νοημοσύνης στοχεύει στη δημιουργία έμπειρων συστημάτων με λογικά μοντέλα βάσεων γνώσης χρησιμοποιώντας τη γλώσσα των κατηγορημάτων. Το σύστημα γλωσσικού και λογικού προγραμματισμού Prolog υιοθετήθηκε ως το εκπαιδευτικό μοντέλο για συστήματα τεχνητής νοημοσύνης τη δεκαετία του '80. Οι βάσεις γνώσεων γραμμένες στη γλώσσα Prolog αντιπροσωπεύουν σύνολα γεγονότων και κανόνων λογικών συμπερασμάτων γραμμένων στη λογική γλώσσα. Το λογικό μοντέλο βάσεων γνώσης σάς επιτρέπει να καταγράφετε όχι μόνο συγκεκριμένες πληροφορίες και δεδομένα με τη μορφή γεγονότων στη γλώσσα Prolog, αλλά και γενικευμένες πληροφορίες χρησιμοποιώντας κανόνες και διαδικασίες λογικής εξαγωγής συμπερασμάτων, συμπεριλαμβανομένων λογικών κανόνων για τον ορισμό εννοιών που εκφράζουν ορισμένες γνώσεις ως συγκεκριμένες. και γενικευμένες πληροφορίες. Γενικά, η έρευνα στα προβλήματα της τεχνητής νοημοσύνης στην επιστήμη των υπολογιστών στο πλαίσιο μιας λογικής προσέγγισης για το σχεδιασμό βάσεων γνώσης και έμπειρων συστημάτων στοχεύει στη δημιουργία, ανάπτυξη και λειτουργία ευφυών πληροφοριακών συστημάτων, συμπεριλαμβανομένων των θεμάτων διδασκαλίας των μαθητών και μαθητές, καθώς και εκπαίδευση χρηστών και προγραμματιστών τέτοιων ευφυών πληροφοριακών συστημάτων.
2) Προσέγγιση που βασίζεται σε πράκτορεςαναπτύσσεται από τις αρχές της δεκαετίας του 1990. Σύμφωνα με αυτή την προσέγγιση, η νοημοσύνη είναι το υπολογιστικό μέρος (σχεδιασμός) της ικανότητας επίτευξης των στόχων που έχουν τεθεί για μια ευφυή μηχανή. Ένα τέτοιο μηχάνημα θα είναι ένας έξυπνος παράγοντας, που αντιλαμβάνεται τον κόσμο γύρω του χρησιμοποιώντας αισθητήρες και θα μπορεί να επηρεάζει αντικείμενα στο περιβάλλον χρησιμοποιώντας ενεργοποιητές. Αυτή η προσέγγιση εστιάζει σε εκείνες τις μεθόδους και τους αλγόριθμους που θα βοηθήσουν τον ευφυή πράκτορα να επιβιώσει στο περιβάλλον ενώ εκτελεί το έργο του. Έτσι, οι αλγόριθμοι αναζήτησης και λήψης αποφάσεων μελετώνται πολύ πιο έντονα εδώ.
3) Διαισθητική προσέγγισηυποθέτει ότι η τεχνητή νοημοσύνη θα μπορεί να επιδεικνύει συμπεριφορά που δεν διαφέρει από τους ανθρώπους και σε κανονικές καταστάσεις. Αυτή η ιδέα είναι μια γενίκευση της προσέγγισης της δοκιμής Turing, η οποία δηλώνει ότι μια μηχανή θα γίνει έξυπνη όταν είναι σε θέση να συνεχίσει μια συνομιλία με ένα συνηθισμένο άτομο και δεν θα μπορεί να καταλάβει ότι μιλάει στη μηχανή (το η συνομιλία πραγματοποιείται με αλληλογραφία).
Ο ορισμός επέλεξε τους ακόλουθους τομείς έρευνας στον τομέα της τεχνητής νοημοσύνης:
- Συμβολική μοντελοποίηση διαδικασιών σκέψης.
Αναλύοντας την ιστορία της τεχνητής νοημοσύνης, μπορούμε να επισημάνουμε έναν τόσο ευρύ τομέα όπως η μοντελοποίηση συλλογισμών. Για πολλά χρόνια, η ανάπτυξη της τεχνητής νοημοσύνης ως επιστήμης κινείται ακριβώς σε αυτό το μονοπάτι και τώρα είναι ένας από τους πιο ανεπτυγμένους τομείς στη σύγχρονη τεχνητή νοημοσύνη. Ο συλλογισμός μοντελοποίησης περιλαμβάνει τη δημιουργία συμβολικών συστημάτων, η είσοδος των οποίων είναι ένα συγκεκριμένο πρόβλημα και η έξοδος απαιτεί τη λύση του. Κατά κανόνα, το προτεινόμενο πρόβλημα έχει ήδη επισημοποιηθεί, δηλαδή έχει μεταφραστεί σε μαθηματική μορφή, αλλά είτε δεν έχει αλγόριθμο λύσης, είτε είναι πολύ περίπλοκο, χρονοβόρο κ.λπ. Αυτός ο τομέας περιλαμβάνει: απόδειξη θεωρημάτων, απόφαση κατασκευή και θεωρία παιγνίων, σχεδιασμός και αποστολή, πρόβλεψη.
- Εργασία με φυσικές γλώσσες.
Ένας σημαντικός τομέας είναι η επεξεργασία της φυσικής γλώσσας, η οποία περιλαμβάνει την ανάλυση των δυνατοτήτων κατανόησης, επεξεργασίας και παραγωγής κειμένων σε «ανθρώπινη» γλώσσα. Συγκεκριμένα, το πρόβλημα της αυτόματης μετάφρασης κειμένων από τη μια γλώσσα στην άλλη δεν έχει ακόμη λυθεί. Στον σύγχρονο κόσμο, η ανάπτυξη μεθόδων ανάκτησης πληροφοριών παίζει σημαντικό ρόλο. Από τη φύση του, το αρχικό τεστ Turing σχετίζεται με αυτήν την κατεύθυνση.
- Συσσώρευση και χρήση γνώσεων.
Σύμφωνα με πολλούς επιστήμονες, μια σημαντική ιδιότητα της νοημοσύνης είναι η ικανότητα μάθησης. Έτσι, η μηχανική γνώσης έρχεται στο προσκήνιο, συνδυάζοντας τα καθήκοντα απόκτησης γνώσης από απλές πληροφορίες, τη συστηματοποίηση και τη χρήση της. Η πρόοδος σε αυτόν τον τομέα επηρεάζει σχεδόν κάθε άλλο τομέα της έρευνας της AI. Και εδώ δεν μπορούν να παραβλεφθούν δύο σημαντικοί υποτομείς. Το πρώτο από αυτά - η μηχανική μάθηση - αφορά τη διαδικασία της ανεξάρτητης απόκτησης γνώσης από ένα ευφυές σύστημα στη διαδικασία λειτουργίας του. Το δεύτερο σχετίζεται με τη δημιουργία έμπειρων συστημάτων - προγραμμάτων που χρησιμοποιούν εξειδικευμένες βάσεις γνώσεων για την εξαγωγή αξιόπιστων συμπερασμάτων για οποιοδήποτε πρόβλημα.
Το πεδίο της μηχανικής μάθησης περιλαμβάνει μια μεγάλη κατηγορία προβλημάτων αναγνώρισης προτύπων. Για παράδειγμα, πρόκειται για αναγνώριση χαρακτήρων, χειρόγραφο κείμενο, ομιλία, ανάλυση κειμένου. Πολλά προβλήματα επιλύονται με επιτυχία χρησιμοποιώντας βιολογικά μοντέλα. Βιολογική μοντελοποίηση
Υπάρχουν σπουδαία και ενδιαφέροντα επιτεύγματα στον τομέα της μοντελοποίησης βιολογικών συστημάτων. Αυστηρά μιλώντας, αυτό μπορεί να περιλαμβάνει πολλές ανεξάρτητες κατευθύνσεις. Τα νευρωνικά δίκτυα χρησιμοποιούνται για την επίλυση ασαφών και πολύπλοκων προβλημάτων όπως η αναγνώριση γεωμετρικών σχημάτων ή η ομαδοποίηση αντικειμένων. Η γενετική προσέγγιση βασίζεται στην ιδέα ότι ένας αλγόριθμος μπορεί να γίνει πιο αποτελεσματικός εάν δανειστεί καλύτερα χαρακτηριστικά από άλλους αλγόριθμους («γονείς»). Μια σχετικά νέα προσέγγιση, όπου το καθήκον είναι η δημιουργία ενός αυτόνομου προγράμματος - ενός πράκτορα που αλληλεπιδρά με το εξωτερικό περιβάλλον, ονομάζεται προσέγγιση πράκτορα. Ιδιαίτερα άξιο αναφοράς είναι η υπολογιστική όραση, η οποία συνδέεται και με τη ρομποτική.
- Ρομποτική.
Γενικά, η ρομποτική και η τεχνητή νοημοσύνη συνδέονται συχνά μεταξύ τους. Η ενοποίηση αυτών των δύο επιστημών, η δημιουργία ευφυών ρομπότ, μπορεί να θεωρηθεί ένας άλλος τομέας της AI.
- Δημιουργικότητα μηχανών.
Η φύση της ανθρώπινης δημιουργικότητας είναι ακόμη λιγότερο μελετημένη από τη φύση της νοημοσύνης. Ωστόσο, αυτή η περιοχή υπάρχει και εδώ τίθενται τα προβλήματα της γραφής μουσικής από υπολογιστή, των λογοτεχνικών έργων (συχνά ποίηση ή παραμυθιών) και της καλλιτεχνικής δημιουργίας. Η δημιουργία ρεαλιστικών εικόνων χρησιμοποιείται ευρέως στη βιομηχανία ταινιών και παιχνιδιών. Η προσθήκη αυτής της δυνατότητας σε οποιοδήποτε έξυπνο σύστημα σάς επιτρέπει να δείξετε πολύ καθαρά τι ακριβώς αντιλαμβάνεται το σύστημα και πώς το κατανοεί. Προσθέτοντας θόρυβο αντί για πληροφορίες που λείπουν ή φιλτράροντας θόρυβο με γνώση που είναι διαθέσιμη στο σύστημα, η αφηρημένη γνώση παράγεται σε συγκεκριμένες εικόνες που γίνονται εύκολα αντιληπτές από ένα άτομο, αυτό είναι ιδιαίτερα χρήσιμο για διαισθητική και χαμηλής αξίας γνώση, η επαλήθευση της οποίας σε ένα Η επίσημη μορφή απαιτεί σημαντική διανοητική προσπάθεια.
- Άλλοι τομείς έρευνας.
Υπάρχουν πολλές εφαρμογές τεχνητής νοημοσύνης, καθεμία από τις οποίες σχηματίζει μια σχεδόν ανεξάρτητη κατεύθυνση. Παραδείγματα περιλαμβάνουν νοημοσύνη προγραμματισμού σε παιχνίδια υπολογιστή, μη γραμμικό έλεγχο και ευφυή συστήματα ασφάλειας πληροφοριών.
Προσεγγίσεις για τη δημιουργία ευφυών συστημάτων.Η συμβολική προσέγγιση σάς επιτρέπει να λειτουργείτε με ασθενώς επισημοποιημένες αναπαραστάσεις και τις έννοιές τους. Η αποτελεσματικότητα και η συνολική αποτελεσματικότητα εξαρτώνται από την ικανότητα να επισημαίνονται μόνο βασικές πληροφορίες. Το εύρος των κατηγοριών προβλημάτων που επιλύονται αποτελεσματικά από το ανθρώπινο μυαλό απαιτεί απίστευτη ευελιξία στις μεθόδους αφαίρεσης. Δεν είναι προσβάσιμο με οποιαδήποτε μηχανική προσέγγιση που αρχικά επιλέγει ο ερευνητής με βάση ένα εσκεμμένα λανθασμένο κριτήριο, για την ικανότητά του να παρέχει γρήγορα μια αποτελεσματική λύση σε κάποιο πρόβλημα που είναι πιο κοντά σε αυτόν τον ερευνητή. Δηλαδή, για ένα ενιαίο μοντέλο αφαίρεσης και κατασκευής οντοτήτων που έχουν ήδη εφαρμοστεί με τη μορφή κανόνων. Αυτό οδηγεί σε σημαντική δαπάνη πόρων για μη βασικές εργασίες, δηλαδή το σύστημα επιστρέφει από την ευφυΐα σε ωμή βία στις περισσότερες εργασίες και η ίδια η ουσία της νοημοσύνης εξαφανίζεται από το έργο.
Είναι ιδιαίτερα δύσκολο χωρίς συμβολική λογική όταν το καθήκον είναι να αναπτυχθούν κανόνες, αφού τα συστατικά τους, που δεν είναι πλήρεις μονάδες γνώσης, δεν είναι λογικά. Οι περισσότερες μελέτες σταματούν στην αδυναμία εντοπισμού τουλάχιστον νέων δυσκολιών που έχουν προκύψει χρησιμοποιώντας τα συμβολικά συστήματα που επιλέχθηκαν στα προηγούμενα στάδια. Επιπλέον, λύστε τα και κυρίως εκπαιδεύστε τον υπολογιστή να τα λύνει ή τουλάχιστον εντοπίστε και ξεφύγετε από τέτοιες καταστάσεις.
Ιστορικά, η συμβολική προσέγγιση ήταν η πρώτη στην εποχή των ψηφιακών μηχανών, αφού ήταν μετά τη δημιουργία της Lisp, της πρώτης συμβολικής γλώσσας υπολογιστών, που ο συγγραφέας της απέκτησε εμπιστοσύνη στη δυνατότητα να αρχίσει πρακτικά να εφαρμόζει αυτά τα μέσα νοημοσύνης. Ευφυΐα ως τέτοια, χωρίς επιφυλάξεις ή συμβάσεις.
Εφαρμόζεται ευρέως η δημιουργία υβριδικών ευφυών συστημάτων στα οποία χρησιμοποιούνται πολλά μοντέλα ταυτόχρονα. Οι ειδικοί κανόνες συμπερασμάτων μπορούν να δημιουργηθούν από νευρωνικά δίκτυα και οι παραγωγικοί κανόνες λαμβάνονται χρησιμοποιώντας στατιστική μάθηση.
Ανάπτυξη της θεωρίας των ασαφών συνόλων.Η ανάπτυξη της θεωρίας των ασαφών συνόλων ξεκίνησε με το άρθρο «Fuzzy Sets», που δημοσιεύτηκε από τον Αμερικανό καθηγητή Lotfi Zadeh, ο οποίος εισήγαγε πρώτος την έννοια του ασαφούς συνόλου, πρότεινε την ιδέα και την πρώτη έννοια μιας θεωρίας που κατέστησε δυνατή την ασαφή περιγράφουν πραγματικά συστήματα. Η πιο σημαντική κατεύθυνση της θεωρίας των ασαφών συνόλων είναι η ασαφής λογική, που χρησιμοποιείται για τον έλεγχο των συστημάτων, καθώς και σε πειράματα για το σχηματισμό των μοντέλων τους.
Η δεκαετία του '60 ξεκίνησε μια περίοδος ταχείας ανάπτυξης των υπολογιστών και των ψηφιακών τεχνολογιών που βασίστηκαν στη δυαδική λογική. Εκείνη την εποχή, πιστευόταν ότι η χρήση αυτής της λογικής θα επέτρεπε την επίλυση πολλών επιστημονικών και τεχνικών προβλημάτων. Για το λόγο αυτό, η εμφάνιση της ασαφής λογικής παρέμεινε σχεδόν απαρατήρητη, παρά την εννοιολογική επαναστατική φύση της. Ωστόσο, η σημασία της ασαφούς λογικής έχει αναγνωριστεί από αρκετούς εκπροσώπους της επιστημονικής κοινότητας και έχει αναπτυχθεί καθώς και πρακτική εφαρμογή σε διάφορες βιομηχανικές εφαρμογές. Μετά από κάποιο χρονικό διάστημα, το ενδιαφέρον για αυτό άρχισε να αυξάνεται από την πλευρά των επιστημονικών σχολών που ένωσαν τους οπαδούς των τεχνολογιών που βασίζονται στη δυαδική λογική. Αυτό συνέβη λόγω του γεγονότος ότι ανακαλύφθηκαν αρκετά πρακτικά προβλήματα που δεν μπορούσαν να επιλυθούν χρησιμοποιώντας παραδοσιακά μαθηματικά μοντέλα και μεθόδους, παρά τις σημαντικά αυξημένες διαθέσιμες υπολογιστικές ταχύτητες. Απαιτήθηκε μια νέα μεθοδολογία, τα χαρακτηριστικά γνωρίσματα της οποίας βρίσκονταν στη ασαφή λογική.
Όπως και η ρομποτική, η ασαφής λογική συναντήθηκε με μεγάλο ενδιαφέρον όχι στη χώρα προέλευσής της, τις Ηνωμένες Πολιτείες, αλλά πέρα από τα σύνορά της, και ως εκ τούτου, η πρώτη εμπειρία βιομηχανικής χρήσης της ασαφούς λογικής - για τον έλεγχο εγκαταστάσεων λεβήτων σταθμών ηλεκτροπαραγωγής - ήταν συνδέονται με την Ευρώπη. Όλες οι προσπάθειες να χρησιμοποιηθούν παραδοσιακές μέθοδοι, μερικές φορές πολύ περίπλοκες, για τον έλεγχο ενός λέβητα ατμού κατέληξαν σε αποτυχία - αυτό το μη γραμμικό σύστημα αποδείχθηκε τόσο περίπλοκο. Και μόνο η χρήση της ασαφούς λογικής κατέστησε δυνατή τη σύνθεση ενός ελεγκτή που ικανοποιούσε όλες τις απαιτήσεις. Το 1976, η ασαφής λογική χρησιμοποιήθηκε ως βάση για ένα αυτόματο σύστημα ελέγχου για έναν περιστροφικό κλίβανο στην παραγωγή τσιμέντου. Ωστόσο, τα πρώτα πρακτικά αποτελέσματα της χρήσης της ασαφούς λογικής, που ελήφθησαν στην Ευρώπη και την Αμερική, δεν προκάλεσαν σημαντική αύξηση του ενδιαφέροντος για αυτήν. Όπως ακριβώς συνέβη με τη ρομποτική, η χώρα που ήταν η πρώτη που ξεκίνησε την ευρεία εφαρμογή της ασαφούς λογικής, συνειδητοποιώντας τις τεράστιες δυνατότητές της, ήταν η Ιαπωνία.
Μεταξύ των εφαρμοζόμενων ασαφών συστημάτων που δημιουργήθηκαν στην Ιαπωνία, το πιο διάσημο είναι το σύστημα ελέγχου αμαξοστοιχίας του μετρό που αναπτύχθηκε από τη Hitachi στο Sendai. Το έργο υλοποιήθηκε με τη συμμετοχή ενός έμπειρου οδηγού, του οποίου η γνώση και η εμπειρία αποτέλεσαν τη βάση για το αναπτυγμένο μοντέλο ελέγχου. Το σύστημα μείωσε αυτόματα την ταχύτητα του τρένου καθώς πλησίαζε στο σταθμό, εξασφαλίζοντας μια στάση στην απαιτούμενη θέση. Ένα άλλο πλεονέκτημα του τρένου ήταν η υψηλή του άνεση, λόγω της ομαλής επιτάχυνσης και επιβράδυνσης. Υπήρχαν μια σειρά από άλλα πλεονεκτήματα σε σύγκριση με τα παραδοσιακά συστήματα ελέγχου.
Η ταχεία ανάπτυξη της ασαφούς λογικής στην Ιαπωνία οδήγησε στις πρακτικές εφαρμογές της όχι μόνο στη βιομηχανία, αλλά και στην παραγωγή καταναλωτικών αγαθών. Ένα παράδειγμα εδώ είναι μια βιντεοκάμερα εξοπλισμένη με ένα υποσύστημα σταθεροποίησης ασαφούς εικόνας, το οποίο χρησιμοποιήθηκε για να αντισταθμίσει τις διακυμάνσεις της εικόνας που προκλήθηκαν από την απειρία του χειριστή. Αυτό το πρόβλημα ήταν πολύ περίπλοκο για να επιλυθεί με παραδοσιακές μεθόδους, καθώς ήταν απαραίτητο να διακριθούν οι τυχαίες διακυμάνσεις στην εικόνα από τη σκόπιμη κίνηση των αντικειμένων που φωτογραφίζονταν (για παράδειγμα, η κίνηση των ανθρώπων).
Ένα άλλο παράδειγμα είναι το αυτόματο πλυντήριο, το οποίο λειτουργεί με το πάτημα ενός κουμπιού (Zimmerman 1994). Αυτή η «ακεραιότητα» προκάλεσε ενδιαφέρον και έτυχε έγκρισης. Η χρήση μεθόδων ασαφούς λογικής κατέστησε δυνατή τη βελτιστοποίηση της διαδικασίας πλύσης, παρέχοντας αυτόματη αναγνώριση του τύπου, του όγκου και του βαθμού λερώματος των ρούχων, για να μην αναφέρουμε το γεγονός ότι η μείωση του μηχανισμού ελέγχου του μηχανήματος σε ένα μόνο κουμπί διευκόλυνε σημαντικά την λαβή.
Εφευρέσεις ασαφούς λογικής έχουν εφαρμοστεί από ιαπωνικές εταιρείες σε πολλές άλλες συσκευές, όπως φούρνους μικροκυμάτων (Sanyo), συστήματα αντιμπλοκαρίσματος πέδησης και αυτόματα κιβώτια ταχυτήτων (Nissan), Integrated Vehicle Dynamics Control (INVEC) και ελεγκτές σκληρού δίσκου σε υπολογιστές. μείωση του χρόνου πρόσβασης στις πληροφορίες.
Εκτός από τις εφαρμογές που αναφέρθηκαν παραπάνω, από τις αρχές της δεκαετίας του '90. Υπάρχει μια εντατική ανάπτυξη ασαφών μεθόδων σε διάφορους εφαρμοσμένους τομείς, συμπεριλαμβανομένων εκείνων που δεν σχετίζονται με την τεχνολογία:
Ηλεκτρονικό σύστημα ελέγχου βηματοδότη.
Σύστημα ελέγχου μηχανοκίνητων οχημάτων;
Συστήματα ψύξης;
Κλιματιστικά και εξοπλισμός εξαερισμού.
εξοπλισμός αποτέφρωσης απορριμμάτων;
Κλίβανος τήξης γυαλιού;
Σύστημα παρακολούθησης της αρτηριακής πίεσης;
Διάγνωση όγκων;
Διάγνωση της τρέχουσας κατάστασης του καρδιαγγειακού συστήματος.
Σύστημα ελέγχου για γερανούς και γέφυρες.
ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ;
Γρήγορος φορτιστής?
Αναγνώριση λέξεων;
Διαχείριση βιοεπεξεργαστή;
Έλεγχος ηλεκτρικού κινητήρα;
Εξοπλισμός συγκόλλησης και διεργασίες συγκόλλησης.
Συστήματα ελέγχου κυκλοφορίας;
Βιοϊατρική Έρευνα;
Εγκαταστάσεις επεξεργασίας νερού.
Αυτή τη στιγμή, στη δημιουργία της τεχνητής νοημοσύνης (με την αρχική έννοια της λέξης, τα έμπειρα συστήματα και τα προγράμματα σκακιού δεν ανήκουν εδώ), υπάρχει μια εντατική λείανση όλων των θεματικών τομέων που έχουν τουλάχιστον κάποια σχέση με την τεχνητή νοημοσύνη σε βάσεις γνώσεων . Σχεδόν όλες οι προσεγγίσεις έχουν δοκιμαστεί, αλλά καμία ερευνητική ομάδα δεν έχει προσεγγίσει την εμφάνιση της τεχνητής νοημοσύνης.
Η έρευνα της τεχνητής νοημοσύνης έχει ενταχθεί στο γενικό ρεύμα των τεχνολογιών ιδιαιτερότητας (άλμα ειδών, εκθετική ανθρώπινη ανάπτυξη), όπως η επιστήμη των υπολογιστών, τα έμπειρα συστήματα, η νανοτεχνολογία, η μοριακή βιοηλεκτρονική, η θεωρητική βιολογία, η κβαντική θεωρία(ές), τα νοοτροπικά, τα εξωτρόφιλα κ.λπ. βλ. καθημερινή ροή Kurzweil News, MIT.
Τα αποτελέσματα των εξελίξεων στον τομέα της τεχνητής νοημοσύνης έχουν εισέλθει στην τριτοβάθμια και δευτεροβάθμια εκπαίδευση στη Ρωσία με τη μορφή εγχειριδίων πληροφορικής, όπου μελετώνται πλέον ζητήματα εργασίας και δημιουργίας βάσεων γνώσης, έμπειρα συστήματα βασισμένα σε προσωπικούς υπολογιστές βασισμένα σε εγχώρια λογικά συστήματα προγραμματισμού. καθώς και μελέτη θεμελιωδών θεμάτων των μαθηματικών και της επιστήμης των υπολογιστών χρησιμοποιώντας παραδείγματα εργασίας με μοντέλα βάσεων γνώσης και έμπειρα συστήματα σε σχολεία και πανεπιστήμια.
Τα ακόλουθα συστήματα τεχνητής νοημοσύνης έχουν αναπτυχθεί:
1. Deep Blue - νίκησε τον παγκόσμιο πρωταθλητή στο σκάκι. (Ο αγώνας μεταξύ του Kasparov και των υπερυπολογιστών δεν έφερε ικανοποίηση ούτε στους επιστήμονες υπολογιστών ούτε στους σκακιστές και το σύστημα δεν αναγνωρίστηκε από τον Kasparov, αν και τα αρχικά συμπαγή προγράμματα σκακιού αποτελούν αναπόσπαστο στοιχείο της σκακιστικής δημιουργικότητας. Στη συνέχεια εμφανίστηκε η σειρά υπερυπολογιστών της IBM στο η ωμή δύναμη προβάλλει το BluGene (μοριακή μοντελοποίηση) και τη μοντελοποίηση του πυραμιδικού κυτταρικού συστήματος στο Ελβετικό Μπλε Εγκεφαλικό Κέντρο. Αυτή η ιστορία είναι ένα παράδειγμα της περίπλοκης και μυστικής σχέσης μεταξύ της τεχνητής νοημοσύνης, των επιχειρήσεων και των εθνικών στρατηγικών στόχων.)
2. Το Mycin ήταν ένα από τα πρώτα έμπειρα συστήματα που μπορούσαν να διαγνώσουν ένα μικρό σύνολο ασθενειών, συχνά με την ίδια ακρίβεια με τους γιατρούς.
3. Το 20q είναι ένα έργο βασισμένο σε ιδέες τεχνητής νοημοσύνης, βασισμένο στο κλασικό παιχνίδι “20 Questions”. Έγινε πολύ δημοφιλές αφού εμφανίστηκε στο Διαδίκτυο στον ιστότοπο 20q.net.
4. Αναγνώριση ομιλίας. Συστήματα όπως το ViaVoice είναι σε θέση να εξυπηρετούν τους καταναλωτές.
5. Τα ρομπότ αγωνίζονται σε μια απλοποιημένη μορφή ποδοσφαίρου στο ετήσιο τουρνουά RoboCup.
Οι τράπεζες χρησιμοποιούν συστήματα τεχνητής νοημοσύνης (AI) σε ασφαλιστικές δραστηριότητες (αναλογιστικά μαθηματικά) όταν παίζουν στο χρηματιστήριο και στη διαχείριση ακινήτων. Τον Αύγουστο του 2001, τα ρομπότ κέρδισαν τους ανθρώπους σε έναν αυτοσχέδιο διαγωνισμό συναλλαγών (BBC News, 2001). Οι μέθοδοι αναγνώρισης προτύπων (συμπεριλαμβανομένων των πιο σύνθετων και εξειδικευμένων και νευρωνικών δικτύων) χρησιμοποιούνται ευρέως στην οπτική και ακουστική αναγνώριση (συμπεριλαμβανομένου κειμένου και ομιλίας), ιατρικά διαγνωστικά, φίλτρα ανεπιθύμητης αλληλογραφίας, σε συστήματα αεράμυνας (αναγνώριση στόχου) και επίσης για την εξασφάλιση ενός αριθμού άλλων καθηκόντων εθνικής ασφάλειας.
Οι προγραμματιστές παιχνιδιών υπολογιστών αναγκάζονται να χρησιμοποιούν τεχνητή νοημοσύνη διαφορετικού βαθμού πολυπλοκότητας. Τα τυπικά καθήκοντα της τεχνητής νοημοσύνης στα παιχνίδια είναι η εύρεση μιας διαδρομής σε δισδιάστατο ή τρισδιάστατο χώρο, η προσομοίωση της συμπεριφοράς μιας μονάδας μάχης, ο υπολογισμός της σωστής οικονομικής στρατηγικής και ούτω καθεξής.
Η τεχνητή νοημοσύνη συνδέεται στενά με τον μεταανθρωπισμό. Και μαζί με τη νευροφυσιολογία, την επιστημολογία, τη γνωστική ψυχολογία, σχηματίζει μια γενικότερη επιστήμη που ονομάζεται γνωστική επιστήμη. Η φιλοσοφία παίζει ιδιαίτερο ρόλο στην τεχνητή νοημοσύνη. Επίσης, η γνωσιολογία -η επιστήμη της γνώσης στο πλαίσιο της φιλοσοφίας- συνδέεται στενά με τα προβλήματα της τεχνητής νοημοσύνης. Οι φιλόσοφοι που εργάζονται σε αυτό το θέμα αντιμετωπίζουν ερωτήσεις παρόμοιες με αυτές που αντιμετωπίζουν οι μηχανικοί της τεχνητής νοημοσύνης σχετικά με τον καλύτερο τρόπο αναπαράστασης και χρήσης της γνώσης και των πληροφοριών. Η παραγωγή γνώσης από δεδομένα είναι ένα από τα βασικά προβλήματα της εξόρυξης δεδομένων. Υπάρχουν διάφορες προσεγγίσεις για την επίλυση αυτού του προβλήματος, συμπεριλαμβανομένων εκείνων που βασίζονται στην τεχνολογία νευρωνικών δικτύων, χρησιμοποιώντας διαδικασίες λεκτικής έκφρασης νευρωνικών δικτύων.
Στην επιστήμη των υπολογιστών, τα προβλήματα τεχνητής νοημοσύνης εξετάζονται από τη σκοπιά του σχεδιασμού εξειδικευμένων συστημάτων και βάσεων γνώσης. Οι βάσεις γνώσεων νοούνται ως ένα σύνολο δεδομένων και κανόνων συμπερασμάτων που επιτρέπουν λογικά συμπεράσματα και ουσιαστική επεξεργασία πληροφοριών. Γενικά, η έρευνα για προβλήματα τεχνητής νοημοσύνης στην επιστήμη των υπολογιστών στοχεύει στη δημιουργία, ανάπτυξη και λειτουργία ευφυών πληροφοριακών συστημάτων, συμπεριλαμβανομένων ζητημάτων εκπαίδευσης χρηστών και προγραμματιστών τέτοιων συστημάτων.
Η επιστήμη της «δημιουργίας τεχνητής νοημοσύνης» δεν θα μπορούσε παρά να προσελκύσει την προσοχή των φιλοσόφων. Με την εμφάνιση των πρώτων ευφυών συστημάτων, τέθηκαν θεμελιώδη ερωτήματα για τον άνθρωπο και τη γνώση, και εν μέρει για την παγκόσμια τάξη πραγμάτων. Από τη μια είναι άρρηκτα συνδεδεμένοι με αυτή την επιστήμη και από την άλλη εισάγουν κάποιο χάος σε αυτήν. Τα φιλοσοφικά προβλήματα δημιουργίας τεχνητής νοημοσύνης μπορούν να χωριστούν σε δύο ομάδες, σχετικά, «πριν και μετά την ανάπτυξη της τεχνητής νοημοσύνης». Η πρώτη ομάδα απαντά στην ερώτηση: "Τι είναι η τεχνητή νοημοσύνη, είναι δυνατόν να τη δημιουργηθεί και, αν είναι δυνατόν, πώς να το κάνουμε;" Η δεύτερη ομάδα (ηθική της τεχνητής νοημοσύνης) θέτει το ερώτημα: «Ποιες είναι οι συνέπειες της δημιουργίας τεχνητής νοημοσύνης για την ανθρωπότητα;»
Ζητήματα δημιουργίας τεχνητής νοημοσύνης.Δύο κατευθύνσεις για την ανάπτυξη της τεχνητής νοημοσύνης είναι ορατές: η πρώτη - στην επίλυση προβλημάτων που σχετίζονται με την προσέγγιση των εξειδικευμένων συστημάτων τεχνητής νοημοσύνης πιο κοντά στις ανθρώπινες δυνατότητες και η ενσωμάτωσή τους, η οποία υλοποιείται από την ανθρώπινη φύση, η δεύτερη - στη δημιουργία Τεχνητής Νοημοσύνης, η οποία αντιπροσωπεύει την ενσωμάτωση ήδη δημιουργημένων συστημάτων τεχνητής νοημοσύνης σε ένα ενιαίο σύστημα ικανό να λύσει προβλήματα της ανθρωπότητας.
Μεταξύ των ερευνητών τεχνητής νοημοσύνης, δεν υπάρχει ακόμη κυρίαρχη άποψη για τα κριτήρια της νοημοσύνης, τη συστηματοποίηση των στόχων και των εργασιών που πρέπει να επιλυθούν, δεν υπάρχει καν ένας αυστηρός ορισμός της επιστήμης. Υπάρχουν διαφορετικές απόψεις σχετικά με το τι θεωρείται νοημοσύνη. Η αναλυτική προσέγγιση περιλαμβάνει την ανάλυση της υψηλότερης νευρικής δραστηριότητας ενός ατόμου στο χαμηλότερο, αδιαίρετο επίπεδο (η λειτουργία της υψηλότερης νευρικής δραστηριότητας, μια στοιχειώδης αντίδραση σε εξωτερικούς ερεθιστικούς παράγοντες (ερεθίσματα), ερεθισμός των συνάψεων ενός συνόλου νευρώνων που συνδέονται με τη λειτουργία) και την επακόλουθη αναπαραγωγή αυτών των λειτουργιών.
Μερικοί ειδικοί μπερδεύουν την ικανότητα της ορθολογικής, παρακινημένης επιλογής σε συνθήκες έλλειψης πληροφοριών με ευφυΐα. Δηλαδή, ένα πνευματικό πρόγραμμα θεωρείται απλώς ότι είναι εκείνο το πρόγραμμα δραστηριότητας που μπορεί να επιλέξει από ένα συγκεκριμένο σύνολο εναλλακτικών, για παράδειγμα, πού να πάει στην περίπτωση "θα πάτε αριστερά...", "θα πάτε δεξιά ...", "θα πας ευθεια...".
Η πιο έντονη συζήτηση στη φιλοσοφία της τεχνητής νοημοσύνης είναι το ζήτημα της δυνατότητας σκέψης που δημιουργείται από ανθρώπινα χέρια. Το ερώτημα «Μπορεί μια μηχανή να σκεφτεί;», που ώθησε τους ερευνητές να δημιουργήσουν την επιστήμη της προσομοίωσης του ανθρώπινου νου, τέθηκε από τον Άλαν Τούρινγκ το 1950. Οι δύο κύριες απόψεις για αυτό το θέμα ονομάζονται υποθέσεις ισχυρής και αδύναμης τεχνητής νοημοσύνης.
Ο όρος «ισχυρή τεχνητή νοημοσύνη» εισήχθη από τον John Searle και με τα λόγια του η προσέγγιση χαρακτηρίζεται: «Ένα τέτοιο πρόγραμμα δεν θα είναι απλώς ένα μοντέλο του μυαλού. αυτή, με την κυριολεκτική έννοια της λέξης, η ίδια θα είναι ο νους, με την ίδια έννοια με την οποία ο ανθρώπινος νους είναι ο νους». Αντίθετα, οι υποστηρικτές της αδύναμης τεχνητής νοημοσύνης προτιμούν να βλέπουν τα προγράμματα μόνο ως εργαλεία που τους επιτρέπουν να λύσουν ορισμένα προβλήματα που δεν απαιτούν όλο το φάσμα των ανθρώπινων γνωστικών ικανοτήτων.
Το πείραμα σκέψης «Κινεζικό δωμάτιο» του John Searle υποστηρίζει ότι η επιτυχία του τεστ Turing δεν αποτελεί κριτήριο για μια μηχανή να έχει μια γνήσια διαδικασία σκέψης. Η σκέψη είναι η διαδικασία επεξεργασίας πληροφοριών που είναι αποθηκευμένες στη μνήμη: ανάλυση, σύνθεση και αυτοπρογραμματισμός. Παρόμοια θέση έχει και ο Roger Penrose, ο οποίος στο βιβλίο του «The King's New Mind» υποστηρίζει την αδυναμία επίτευξης της διαδικασίας σκέψης στη βάση των τυπικών συστημάτων.
6. Υπολογιστικές συσκευές και μικροεπεξεργαστές.
Ο μικροεπεξεργαστής (MP) είναι μια συσκευή που λαμβάνει, επεξεργάζεται και εξάγει πληροφορίες. Δομικά, το MP περιέχει ένα ή περισσότερα ολοκληρωμένα κυκλώματα και εκτελεί ενέργειες που ορίζονται από ένα πρόγραμμα που είναι αποθηκευμένο στη μνήμη. (Εικ. 6.1).
Εικόνα 6.1– Εμφάνιση βουλευτή
Οι πρώτοι επεξεργαστές δημιουργήθηκαν ως μοναδικά στοιχεία για μοναδικά συστήματα υπολογιστών. Αργότερα, οι κατασκευαστές υπολογιστών πέρασαν από την ακριβή μέθοδο ανάπτυξης επεξεργαστών που είχαν σχεδιαστεί για να εκτελούν ένα μεμονωμένο ή μερικά πολύ εξειδικευμένα προγράμματα στη μαζική παραγωγή τυπικών κατηγοριών συσκευών επεξεργαστή πολλαπλών χρήσεων. Η τάση προς την τυποποίηση των εξαρτημάτων υπολογιστών προέκυψε κατά την εποχή της ταχείας ανάπτυξης των στοιχείων ημιαγωγών, των κεντρικών υπολογιστών και των μικρών υπολογιστών και με την εμφάνιση των ολοκληρωμένων κυκλωμάτων έγινε ακόμη πιο δημοφιλής. Η δημιουργία μικροκυκλωμάτων κατέστησε δυνατή την περαιτέρω αύξηση της πολυπλοκότητας των CPU ενώ ταυτόχρονα μείωσε το φυσικό τους μέγεθος.
Η τυποποίηση και η σμίκρυνση των επεξεργαστών έχει οδηγήσει στη βαθιά διείσδυση των ψηφιακών συσκευών που βασίζονται σε αυτούς στην καθημερινή ζωή του ανθρώπου. Οι σύγχρονοι επεξεργαστές μπορούν να βρεθούν όχι μόνο σε συσκευές υψηλής τεχνολογίας όπως υπολογιστές, αλλά και σε αυτοκίνητα, αριθμομηχανές, κινητά τηλέφωνα, ακόμη και σε παιδικά παιχνίδια. Τις περισσότερες φορές αντιπροσωπεύονται από μικροελεγκτές, όπου, εκτός από την υπολογιστική συσκευή, υπάρχουν επιπλέον στοιχεία στο τσιπ (μνήμη προγράμματος και δεδομένων, διεπαφές, θύρες εισόδου/εξόδου, χρονοδιακόπτες κ.λπ.). Οι υπολογιστικές δυνατότητες του μικροελεγκτή είναι συγκρίσιμες με τους επεξεργαστές προσωπικών υπολογιστών πριν από δέκα χρόνια και τις περισσότερες φορές υπερβαίνουν ακόμη και σημαντικά την απόδοσή τους.
Το σύστημα μικροεπεξεργαστή (MPS) είναι ένα σύστημα υπολογιστών, οργάνων ή ελέγχου στο οποίο η κύρια συσκευή επεξεργασίας πληροφοριών είναι το MP. Το σύστημα μικροεπεξεργαστή είναι κατασκευασμένο από ένα σύνολο LSI μικροεπεξεργαστών (Εικ. 6.2).
Εικόνα 6.2– Παράδειγμα συστήματος μικροεπεξεργαστή
Η γεννήτρια ρολογιού ορίζει ένα χρονικό διάστημα, το οποίο είναι μια μονάδα μέτρησης (κβαντικό) για τη διάρκεια της εκτέλεσης της εντολής. Όσο υψηλότερη είναι η συχνότητα, τόσο πιο γρήγορα, τα άλλα πράγματα είναι ίσα, το MPS. Το MP, η RAM και η ROM είναι αναπόσπαστα μέρη του συστήματος. Διεπαφές εισόδου και εξόδου - συσκευές διασύνδεσης MPS με μπλοκ εισόδου και εξόδου. Τα όργανα μέτρησης χαρακτηρίζονται από συσκευές εισόδου με τη μορφή τηλεχειριστηρίου με κουμπιά και μετατροπείς μέτρησης (ADC, αισθητήρες, μονάδες εισαγωγής ψηφιακών πληροφοριών). Οι συσκευές εξόδου αντιπροσωπεύουν συνήθως ψηφιακές οθόνες, μια γραφική οθόνη (οθόνη) και εξωτερικές συσκευές για διασύνδεση με το σύστημα μέτρησης. Όλα τα μπλοκ MPS διασυνδέονται με διαύλους μετάδοσης ψηφιακών πληροφοριών. Το MPS χρησιμοποιεί την αρχή της βασικής επικοινωνίας, στην οποία τα μπλοκ ανταλλάσσουν πληροφορίες μέσω ενός ενιαίου διαύλου δεδομένων. Ο αριθμός των γραμμών στο δίαυλο δεδομένων αντιστοιχεί συνήθως στη χωρητικότητα MPS (ο αριθμός των bit σε μια λέξη δεδομένων). Ο δίαυλος διευθύνσεων χρησιμοποιείται για να υποδείξει την κατεύθυνση μεταφοράς δεδομένων - μεταδίδει τη διεύθυνση μιας κυψέλης μνήμης ή ενός μπλοκ I/O που λαμβάνει ή μεταδίδει αυτήν τη στιγμή πληροφορίες. Ο δίαυλος ελέγχου χρησιμοποιείται για τη μετάδοση σημάτων που συγχρονίζουν ολόκληρη τη λειτουργία του MPS.
Η κατασκευή του IPS βασίζεται σε τρεις αρχές:
Κύρια γραμμή;
Modularity;
Έλεγχος μικροπρογράμματος.
Η αρχή του trunking - καθορίζει τη φύση των συνδέσεων μεταξύ των λειτουργικών μπλοκ του MPS - όλα τα μπλοκ συνδέονται σε έναν ενιαίο δίαυλο συστήματος.
Η αρχή της αρθρωτής δομής είναι ότι το σύστημα είναι χτισμένο με βάση έναν περιορισμένο αριθμό τύπων δομικά και λειτουργικά ολοκληρωμένων μονάδων.
Οι αρχές του trunking και της modularity καθιστούν δυνατή την αύξηση των δυνατοτήτων ελέγχου και υπολογισμού του MP συνδέοντας άλλες μονάδες στο δίαυλο συστήματος.
Η αρχή του ελέγχου μικροπρογραμμάτων είναι η ικανότητα εκτέλεσης στοιχειωδών λειτουργιών - μικροεντολών (βάρδιες, μεταφορές πληροφοριών, λογικές λειτουργίες), με τη βοήθεια των οποίων δημιουργείται μια τεχνολογική γλώσσα, δηλαδή ένα σύνολο εντολών που ταιριάζει καλύτερα στο σκοπό του συστήματος.
Σύμφωνα με τον σκοπό τους, οι βουλευτές χωρίζονται σε καθολικούς και εξειδικευμένους.
Οι μικροεπεξεργαστές γενικής χρήσης είναι μικροεπεξεργαστές γενικής χρήσης που επιλύουν μια ευρεία κατηγορία προβλημάτων υπολογισμού, επεξεργασίας και ελέγχου. Ένα παράδειγμα χρήσης καθολικών MP είναι οι υπολογιστές που έχουν κατασκευαστεί σε πλατφόρμες IBM και Macintosh.
Οι εξειδικευμένοι μικροεπεξεργαστές έχουν σχεδιαστεί για να επιλύουν προβλήματα μόνο μιας συγκεκριμένης κατηγορίας. Οι εξειδικευμένοι MP περιλαμβάνουν: σηματοδότηση, πολυμέσα MP και transputers.
Οι επεξεργαστές σήματος (DSP) έχουν σχεδιαστεί για επεξεργασία ψηφιακού σήματος σε πραγματικό χρόνο (για παράδειγμα, φιλτράρισμα σήματος, υπολογισμός συνέλιξης, υπολογισμός συνάρτησης συσχέτισης, περιορισμός και ρύθμιση σήματος, εκτέλεση μετασχηματισμών προς τα εμπρός και αντίστροφα Fourier). (Εικόνα 6.3) Οι επεξεργαστές σήματος περιλαμβάνουν επεξεργαστές από την Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx και DSP9600x.
Εικόνα 6.3– Παράδειγμα εσωτερικής δομής DSP
Οι επεξεργαστές πολυμέσων και πολυμέσων έχουν σχεδιαστεί για την επεξεργασία σημάτων ήχου, πληροφοριών γραφικών, εικόνων βίντεο, καθώς και για την επίλυση ορισμένων προβλημάτων σε υπολογιστές πολυμέσων, κονσόλες παιχνιδιών και οικιακές συσκευές. Αυτοί οι επεξεργαστές περιλαμβάνουν επεξεργαστές από MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.
Οι μετατροπείς έχουν σχεδιαστεί για να οργανώνουν μαζικά παράλληλους υπολογισμούς και να εργάζονται σε συστήματα πολλαπλών επεξεργαστών. Χαρακτηρίζονται από την παρουσία εσωτερικής μνήμης και ενσωματωμένης διεπαφής διαεπεξεργαστή, δηλαδή καναλιών επικοινωνίας με άλλα MP LSI.
Με βάση τον τύπο της αρχιτεκτονικής, ή την αρχή της κατασκευής, γίνεται διάκριση μεταξύ βουλευτών με αρχιτεκτονική von Neumann και βουλευτών με αρχιτεκτονική του Χάρβαρντ.
Η έννοια της αρχιτεκτονικής μικροεπεξεργαστή ορίζει τα συστατικά μέρη του, καθώς και τις συνδέσεις και τις αλληλεπιδράσεις μεταξύ τους.
Η αρχιτεκτονική περιλαμβάνει:
Μπλοκ διάγραμμα MP.
Μοντέλο λογισμικού MP (περιγραφή λειτουργιών μητρώου).
Πληροφορίες σχετικά με την οργάνωση της μνήμης (μέθοδοι διευθυνσιοδότησης χωρητικότητας και μνήμης).
Περιγραφή της οργάνωσης των διαδικασιών εισροών/εκροών.
Η αρχιτεκτονική Fonneumann (Εικ. 6.4, α) προτάθηκε το 1945 από τον Αμερικανό μαθηματικό Joe von Neumann. Η ιδιαιτερότητά του είναι ότι το πρόγραμμα και τα δεδομένα βρίσκονται σε κοινόχρηστη μνήμη, η πρόσβαση στην οποία γίνεται μέσω ενός διαύλου δεδομένων και εντολών.
Η αρχιτεκτονική του Χάρβαρντ εφαρμόστηκε για πρώτη φορά το 1944 στον υπολογιστή αναμετάδοσης στο Πανεπιστήμιο του Χάρβαρντ (ΗΠΑ). Ένα χαρακτηριστικό αυτής της αρχιτεκτονικής είναι ότι η μνήμη δεδομένων και η μνήμη προγραμμάτων διαχωρίζονται και έχουν ξεχωριστούς διαύλους δεδομένων και διαύλους εντολών (Εικ. 6.4, β), γεγονός που καθιστά δυνατή την αύξηση της απόδοσης του συστήματος MP.
Εικόνα 6.4.Κύριοι τύποι αρχιτεκτονικής: (a - von Neumann; 6 - Harvard)
Με βάση τον τύπο του συστήματος εντολών, γίνεται διάκριση μεταξύ των επεξεργαστών CISC (Complete Instruction Set Computing) με ένα πλήρες σύνολο οδηγιών (συνήθεις εκπρόσωποι του CISC είναι η οικογένεια μικροεπεξεργαστών Intel x86) και Επεξεργαστές RISC(Reduced Instruction Set Computing) με μειωμένο σύνολο εντολών (χαρακτηρίζεται από την παρουσία εντολών σταθερού μήκους, μεγάλο αριθμό καταχωρητών, πράξεων από καταχωρητή σε μητρώο και απουσία έμμεσης διευθυνσιοδότησης).
Ο μικροελεγκτής ενός τσιπ (MCU) είναι ένα τσιπ που έχει σχεδιαστεί για τον έλεγχο ηλεκτρονικών συσκευών (Εικόνα 5). Ένας τυπικός μικροελεγκτής συνδυάζει τις λειτουργίες ενός επεξεργαστή και περιφερειακών συσκευών και μπορεί να περιέχει RAM και ROM. Ουσιαστικά, είναι ένας υπολογιστής με ένα τσιπ ικανό να εκτελεί απλές εργασίες. Η χρήση ενός μόνο τσιπ, αντί ενός ολόκληρου σετ, μειώνει σημαντικά το μέγεθος, την κατανάλωση ενέργειας και το κόστος των συσκευών που βασίζονται σε μικροελεγκτές.
Εικόνα 6.5– παραδείγματα σχεδίων μικροελεγκτών
Οι μικροελεγκτές αποτελούν τη βάση για την κατασκευή ενσωματωμένων συστημάτων· μπορούν να βρεθούν σε πολλές σύγχρονες συσκευές, όπως τηλέφωνα, πλυντήρια κ.λπ. Οι περισσότεροι από τους επεξεργαστές που παράγονται στον κόσμο είναι μικροελεγκτές.
Σήμερα, μικροελεγκτές 8-bit συμβατοί με το i8051 της Intel, μικροελεγκτές PIC της Microchip Technology και AVR από την Atmel, δεκαέξι-bit MSP430 από την TI, καθώς και ARM, η αρχιτεκτονική του οποίου αναπτύσσεται από την ARM και πουλάει άδειες σε άλλες εταιρείες για η παραγωγή τους, είναι δημοφιλής μεταξύ των προγραμματιστών. .
Κατά το σχεδιασμό μικροελεγκτών, υπάρχει μια ισορροπία μεταξύ μεγέθους και κόστους αφενός και ευελιξίας και απόδοσης αφετέρου. Για διαφορετικές εφαρμογές, η βέλτιστη ισορροπία αυτών και άλλων παραμέτρων μπορεί να διαφέρει πολύ. Επομένως, υπάρχει ένας τεράστιος αριθμός τύπων μικροελεγκτών, που διαφέρουν ως προς την αρχιτεκτονική της μονάδας επεξεργαστή, το μέγεθος και τον τύπο της ενσωματωμένης μνήμης, το σύνολο περιφερειακών συσκευών, τον τύπο θήκης κ.λπ.
Ένας μερικός κατάλογος περιφερειακών που μπορεί να υπάρχουν στους μικροελεγκτές περιλαμβάνει:
Καθολικές ψηφιακές θύρες που μπορούν να διαμορφωθούν για είσοδο ή έξοδο.
Διάφορες διεπαφές I/O όπως UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet.
Μετατροπείς αναλογικού σε ψηφιακό και ψηφιακό σε αναλογικό.
Συγκριτές;
Διαμορφωτές πλάτους παλμού.
Χρονοδιακόπτες, ενσωματωμένη γεννήτρια ρολογιού και χρονοδιακόπτης παρακολούθησης.
Ελεγκτές κινητήρα χωρίς ψήκτρες.
Ελεγκτές οθόνης και πληκτρολογίου.
Δέκτες και πομποί ραδιοσυχνοτήτων.
Συστοιχίες ενσωματωμένης μνήμης flash.
