Меню
Главная
Авторизация/Регистрация
 
Главная arrow Информатика arrow Базовые и прикладные информационные технологии

Реализация информационных технологий искусственного интеллекта

Некоторые из самых известных ИИ-систем:

  • • суперЭВМ Deep Blue победила чемпиона мира по шахматам Каспарова. Затем линия суперкомпьютеров IBM проявилась в проектах brute force BluGene (молекулярное моделирование) и моделировании системы пирамидальных клеток в швейцарском центре Blue Brain;
  • • Watson — перспективная разработка IBM, способная воспринимать человеческую речь и производить вероятностный поиск с применением большого количества алгоритмов. Для демонстрации работы Watson приняла участие в американской игре «Jeopardy!» (аналог «Своей игры» в России) и выиграла в обеих играх;
  • • MYCIN — одна из ранних экспертных систем, которая могла диагностировать небольшой набор заболеваний, причем часто так же точно, как и доктора;
  • • 20Q — проект, основанный на идеях ИИ, по мотивам классической игры «20 вопросов». Стал очень популярен после появления в Интернете;
  • • такие системы, как ViaVoice, могут обслуживать потребителей, поскольку способны распознавать речь;
  • • в ежегодном турнире RoboCup-роботы соревнуются в упрощенной форме футбола.

Банки применяют системы искусственного интеллекта в страховой деятельности, при игре на бирже и управлении собственностью. Методы распознавания образов (включая как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности.

Разработчики компьютерных игр применяют ИИ в той или иной степени проработанности. Это образует понятие «игровой искусственный интеллект». Стандартными задачами ИИ в играх являются нахождение пути в двухмерном или трехмерном пространстве, имитация поведения боевой единицы, расчет верной экономической стратегии и т. д.

Системы подобного класса основаны на технологиях искусственного интеллекта.

В развитии технологий искусственного интеллекта существуют два направления:

  • • технология вывода, основанного на правилах;
  • • технология вывода, основанного на прецедентах.

Практически все ранние экспертные системы моделировали процесс принятия экспертом решения как чисто дедуктивный процесс с использованием вывода, основанного на правилах. Это означало, что в систему закладывалась совокупность правил «если..., то...», согласно которым на основании входных данных генерировалось то или иное заключение по интересующей проблеме. Такая модель являлась основой для создания экспертных систем первых поколений, которые были достаточно удобны как для разработчиков, так и для поль- зователей-экспертов. Однако с течением времени было осознано, что дедуктивная модель выполняет один из наиболее редких подходов, которому следует эксперт при решении проблемы.

На самом деле, вместо того чтобы решать каждую задачу, исходя из первичных принципов, эксперт часто анализирует ситуацию в целом и вспоминает, какие решения принимались ранее в подобных ситуациях. Затем он либо непосредственно использует эти решения, либо при необходимости адаптирует их к обстоятельствам, изменившимся для конкретной проблемы.

Таким образом, моделирование подхода к решению проблем, основанного на опыте прошлых ситуаций, привело к появлению технологии вывода, основанного на прецедентах (Case-Based Reasoning, CBR), и в дальнейшем — к созданию программных продуктов, реализующих эту технологию.

Прецедент — это описание проблемы или ситуации в совокупности с подробным указанием действий, предпринимаемых в данной ситуации или для решения данной проблемы. Хотя не все CBR-системы полностью включают этапы, приведенные ниже, подход, основанный на прецедентах, в целом состоит из следующих компонентов:

  • • получение подробной информации о текущей проблеме;
  • • сопоставление (сравнение) этой информации с деталями прецедентов, хранящихся в базе, для выявления аналогичных случаев;
  • • выбор прецедента, наиболее близкого к текущей проблеме, из базы прецедентов;
  • • адаптация выбранного решения к текущей проблеме, если это необходимо;
  • • проверка корректности каждого вновь полученного решения;
  • • занесение детальной информации о новом прецеденте в базу прецедентов.

Таким образом, вывод, основанный на прецедентах, представляет собой метод построения экспертных систем, которые делают заключения относительно данной проблемы или ситуации по результатам поиска аналогий, хранящихся в базе прецедентов.

В ряде ситуаций С В R-метод имеет серьезные преимущества по сравнению с выводом, основанным на правилах, и особенно эффективен, когда:

• основным источником знаний о задаче является опыт, а не теория;

  • • решения не уникальны для конкретной ситуации и могут быть использованы в других случаях;
  • • целью является не гарантированное верное решение, а лучшее из возможных.

Обратная связь, возникающая при сохранении решений для новых проблем, означает, что CBR-метод по своей сути является «самообучающейся» технологией, благодаря чему рабочие характеристики каждой базы прецедентов с течением времени и накоплением опыта непрерывно улучшаются.

Разработка баз прецедентов по конкретной проблеме или области деятельности происходит на естественном русском языке, т. е. не требует никакого программирования и может быть выполнена наиболее опытными сотрудниками — экспертами, работающими в данной конкретной области.

Не стоит, однако, рассчитывать, что экспертная система будет действительно принимать решения. Принятие решения всегда остается за человеком, а система лишь предлагает несколько возможных вариантов и указывает на самый «разумный» с ее точки зрения.

Реально на рынке предлагается лишь несколько коммерческих продуктов, реализующих технологию вывода, основанного на прецедентах. Это объясняется, в первую очередь, сложностью алгоритмов и их эффективной программной реализации. Наиболее успешные и известные из присутствующих на рынке продуктов — CBR Express и Case Point (Inference Corp.), Apriori (Answer Systems), DP Umbrella (VYCOR Corp.). Некоторые из них представлены и на российском рынке.

Генетические алгоритмы применяются для решения следующих задач:

  • • оптимизации функций;
  • • оптимизации запросов в базах данных;
  • • разнообразных задач на графах (задача коммивояжера, раскраска, нахождение паросочетаний;)
  • • настройки и обучения искусственной нейронной сети;
  • • компоновки;
  • • составления расписаний;
  • • игровых стратегий;
  • • теории приближений;
  • • искусственной жизни;
  • • биоинформатики (фолдинг белков).

Средства разработки мультиагентных систем:

  • • NetLogo — кроссплатформенное программируемое окружение для программирования мультиагентных систем;
  • • VisualBots — бесплатный мультагентный симулятор в Microsoft Excel с синтаксисом Visual Basic;
  • • MASON — Java-библиотека для моделирования мультиагентных систем;
  • • REPAST — набор инструментов для создания систем, основанных на агентах;
  • • JADE — Java-библиотека для создания мультиагентных систем (JADE в wiki);
  • • SemanticAgent — SWRL/JAVA;
  • • CogniTAO — платформа C++ разработки автономных мультиагентных систем ориентированная на реальных роботов и виртуальных существ (CGF).
 
Посмотреть оригинал
Если Вы заметили ошибку в тексте выделите слово и нажмите Shift + Enter
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >
 

Популярные страницы