Лекція № 8
План
1.
Системи прийняття рішень.
2.
Експертні системи.
3.
Штучний інтелект.
1. Системи прийняття рішень
Системи
підтримки прийняття рішень (СППР) – інформаційні системи, які використовують
обладнання, програмне забезпечення, дані, базу моделей і роботу менеджера з
метою підтримки всіх стадій прийняття рішень у процесі аналітичного
моделювання. Програмні засоби включають комплекс різних алгоритмів підтримки
рішень, базу моделей, базу даних, допоміжні та керівну програми, яка забезпечує
процес прийняття рішень з урахуванням специфіки проблеми. Орієнтовані на
операційне управління СППР застосовуються для виконання науково-дослідних
робіт, в управлінні кадрами, виробництвом тощо.
Система
підтримки рішень (СПР; англ. Decision Support System,
DSS) – комп'ютеризована система, яка через збирання та аналіз великого
обсягу інформації може впливати на процес ухвалення керівничих рішень в бізнесі
та підприємництві.
Сучасні
системи підтримки рішень виникли у результаті злиття
керівничих інформаційних систем і систем керування базами даних,
як системи, що максимально пристосовані до розв'язання задач щоденної
керівницької діяльності, і є інструментом допомоги тим, хто вирішує (робить
вибір). За допомогою СПР може проводитись вибір рішень у певних
неструктурованих і слабко структурованих задачах, у тому числі й тих, що мають
багато критеріїв.
СПР, як
правило, узагальнюють результати досліджень з кількох дисциплін, і включають у
себе елементи теорії баз даних, штучного інтелекту, інтерактивних
комп'ютерних систем, методів імітаційного моделювання.
Ранні
визначення СППР (на початку 70-х років минулого століття) показували такі
моменти:
1. Можливість
оперування з неструктурованими чи слабкоструктурованими
задачами, на відміну від задач, із якими має справу дослідження операцій;
2. Інтерактивні
автоматизовані (тобто реалізовані на базі комп'ютера) системи;
3. Розподіл даних
та моделей.
Можливі
означення СПР:
-
сукупність процедур з обробки даних і суджень, що допомагають
керівникам підприємств у прийнятті рішень, заснованих на
використанні моделей;
-
інтерактивні автоматизовані системи, що допомагають тим,
хто вирішує, використовувати дані та моделі для розв'язання
слабкоструктурованих проблем;
-
система, що забезпечує користувачам доступ до даних і/або
моделей, таким чином вони можуть приймати кращі рішення.
Останнє
означення не відображає участі комп’ютера у свідомості СПР, питання можливості
включення нормативних моделей до складу СППР тощо.
Зараз
нема загальноприйнятого визначення СПР, оскільки конструкція СПР суттєво
залежить від типу задач, для розв’язання яких вона розробляється, доступних
даних, інформації та знань, а також від користувачів системи. Проте, можна
навести певні елементи та характеристики, загальновизнані як частини СПР:
СПР - у більшості випадків - це інтерактивна автоматизована система, що допомагає
користувачу (особі приймаючої рішення - ОПР) використовувати дані та моделі для ідентифікації та
розв'язання задач та прийняття рішень. Система повинна мати можливість роботи з
інтерактивними запитами, що мають досить просту для вивчення мову запитів.
Відповідно
до Turban, СПР має такі чотири основні характеристики:
- СПР
використовує і дані, і моделі;
- СПР
призначені для допомоги менеджерам під час прийняття рішень для
слабкоструктурованих і неструктурованих задач;
- вони
підтримують, а не замінюють процес рішення менеджерів;
- мета
СПР – підняття ефективності рішень;
- Turban
запропонував перелік характеристик ідеальної СПР (він має мало спільних
елементів із визначенням, що наведене вище).
Ідеальна
СПР:
- оперує
зі слабкоструктурованими рішеннями;
-
призначена для ОПР різного рівня;
- може
бути пристосована для групового та індивідуального використання;
-
підтримує як взаємозалежні, так і послідовні рішення;
-
підтримує три фази процесу рішення: інтелектуальну частину, проектування та
вибір;
- підтримує
різноманітні стилі та методи рішення, що може бути корисно під час розв'язання
задачі групою ОПР;
- є
гнучкою і адаптується до змін як організації, так і свого середовища;
- проста у
використанні та модифікації;
- підвищує
ефективність процесу прийняття рішень;
- дозволяє
людині керувати процесом прийняття рішень за допомогою комп'ютера, а не
навпаки;
-
підтримує еволюційне використання і легко адаптується до вимог, що змінюються;
- може бути
легко побудована, якщо може бути сформульована логіка конструкції СППР;
-
підтримує моделювання;
- дозволяє
використовувати знання.
Класифікація систем прийняття рішень
Для СПР
відсутнє не лише загальновизнане визначення, але і вичерпна класифікація. Різні
автори пропонують різні класифікації.
На рівні
користувача Haettenschwiler (1999) ділить СПР на пасивні, активні та
кооперативні СПР.
Активна
СПР може зробити припущення, яке рішення слід ухвалити.
Кооперативна
СПР дозволяє ЛПД змінювати, доповнювати чи покращувати рішення, котрі пропонує
система, надсилаючи потім ці зміни для перевірки. Система змінює, доповнює чи
покращує ці рішення та надсилає їх користувачу знову. Процес продовжується до
отримання узгодженого рішення.
На
концептуальному рівні Power (2003) вирізняє СПР, що керуються повідомленнями
(Communication-Driven DSS), СПР, що керуються даними (Data-Driven DSS), СПР, що
керуються документами (Document-Driven DSS), СПР, що керуються знаннями
(Knowledge-Driven DSS) та СПР, що керуються моделями (Model-Driven DSS).
СПР, що
керуються моделями, характеризуються здебільшого доступом і маніпуляціями із
математичними моделями (статистичними, фінансовими, оптимізаційними,
імітаційними). Відмітимо, що певні OLAP-системи, що дозволяються здійснювати
складний аналіз даних, можуть бути віднесені до гібридних СПР, котрі
забезпечують моделювання, пошук та обробку даних.
Керована
повідомленнями (Communication-Driven DSS) (раніше групова СППР - GDSS)
СПР підтримує групу користувачів, що працюють над виконанням спільної задачі.
СПР,
керовані даними (Data-Driven DSS) або СПР, орієнтовані на роботу з даними
(Data-oriented DSS), здебільшого орієнтуються на доступ і маніпуляції з даними.
СПР, котрими керують документи (Document-Driven DSS), керують, здійснюють пошук
та маніпулюють неструктурованою інформацією, заданою у різних форматах.
Нарешті, СПР, котрими керують знання (Knowledge-Driven DSS), забезпечують
розв'язання задач у вигляді фактів, правил і процедур.
На
технічному рівні Power (1997) розрізняє СПР усього підприємства та настільну
СПР. СПР усього підприємства підключена до великих сховищ інформації та
обслуговує декількох менеджерів підприємства. Настільна СППР - це мала
система, що обслуговує лише один комп'ютер користувача. Існують і інші
класифікації (Alter, Holsapple и Whinston, Golden, Hevner и Power). Відмітимо
лишень, що чудова для свого часу класифікація Альтера, котра розбивала усі СПР
на 7 класів, у наш час суттєво застаріла.
Залежно
від даних, з якими ці системи працюють, СПР можна умовно поділити на оперативні
та стратегічні. Оперативні СПР призначені для негайного реагування на зміни
поточної ситуації у керуванні фінансово-господарчими процесами компанії.
Стратегічні СППР орієнтовані на аналіз значних обсягів різнорідної інформації,
котра збирається із різних джерел. Найважливішою метою цих СПР є пошук
найраціональніших варіантів розвитку бізнесу компанії з урахуванням різних
факторів, таких, як кон'юнктура цільових для компанії ринків,
зміни фінансових ринків і ринків капіталів, зміни у законодавстві
тощо. СПР першого типу отримали назву Інформаційних Систем Керівництва
(Executive Information Systems, ІСК). По суті, вони є скінченними наборами
звітів, побудовані на підставі даних із транзакційної системи підприємства,
котра в ідеалі адекватно показує у режимі реального часу основні аспекти
виробничої та фінансової діяльності. Для ІСК характерні ознаки:
1. Звіти зазвичай
базуються на стандартних для компанії запитах; кількість запитів є відносно
невеликою;
2. ІСК представляє
звіти у максимально зручному вигляді, що включає у себе як таблиці, так і
ділову графіку, мультимедійні можливості тощо;
3. Зазвичай, ІСК
орієнтовані на конкретний вертикальний ринок, наприклад,
фінанси, маркетинг, керування ресурсами.
СПР
другого типу пропонують досить глибоке пропрацювання даних, спеціально
перетворених так, щоб їх було зручно використовувати протягом процесу прийняття
рішень. Невід'ємним компонентом СПР цього рівня є правила рішень, котрі на
основі агрегованих даних дають можливість менеджерам компанії обґрунтовувати
свої рішення, використовувати фактори стійкого росту бізнесу компанії та
знижувати ризики. СПР другого типу останнім часом активно розвиваються.
Технології цього типу будуються на принципах багатократного представлення та
аналізу даних (OLAP).
При
створенні СППР можна використовувати WEB-технології. У наш час СПР на основі
WEB-технологій для ряду компаній є системами СПР компанії.
Архітектура
СПР представляється різними авторами по-різному. Наведемо приклад. Marakas
(1999) запропонував узагальнену архітектуру, що складається з п’яти різних
частин:
1. Система керування
даними (the data management system - DBMS);
2. Система керування моделями (the model
management system - MBMS);
3. Машина знань (the knowledge engine (KE));
4. Інтерфейс
користувача (the user interface);
5. Користувачі (the
user(s)).
6.
Експертні системи
Експе́ртна систе́ма – це методологія
адаптації алгоритму успішних рішень однієї сфери науково-практичної
діяльності в іншу. З поширенням комп'ютерних технологій – це тотожна (подібна,
заснована на оптимізуючому алгоритмі чи евристиках)
інтелектуальна комп'ютерна програма, що містить знання і аналітичні
здібності одного чи кількох експертів в деякій галузі застосування і
здатна робити логічні висновки на основі цих знань, тим самим забезпечуючи
вирішення специфічних завдань консультування, навчання, діагностування,
тестування, проектування, тощо) без участі експерта (фахівця в
конкретній проблемній галузі). Визначається також як система, яка
використовує базу знань для вирішення завдань (видачі рекомендацій) у
певній предметній галузі. Часто термін система, базується
на знаннях, використовується як синонім експертної системи, однак
можливості експертних систем ширші за можливості систем, заснованих
на детермінованих (обмежених, реалізованих на поточний час) знаннях.
Однак
єдиного визначення експертних систем не існує. Натомість автори дають
визначення залежно від застосування, структури таких систем. Ранні визначення
експертних систем припускали застосування виведення нових знань на основі
правил.
Подібні
дії виконує програма-майстер (wizard). Зазвичай майстри застосовують
у системних програмах для інтерактивного спілкування з користувачем
(наприклад, під час інсталяції ПЗ). Головна відмінність майстрів від
ЕС – відсутність бази знань; всі дії жорстко запрограмовані. Це
просто набір форм для заповнення користувачем.
Інші
подібні програми – пошукові або довідкові системи. За запитом
користувача вони надають найбільш відповідні (релевантні) розділи бази
статей, альтернативність вибору яких визначає суб'єкт формування запиту.
Отже,
існує обмеження методології експертних систем за наявності корисних якостей у
коректних межах застосування.
Експертна
система відрізняється від інших прикладних програм наявністю таких ознак:
1. Моделює
механізм мислення людини під час розв'язання задач в цій
предметній галузі. Це істотно відрізняє експертні системи від систем
математичного моделювання або комп'ютерної анімації. Однак, ЕС не повинні
повністю відтворювати психологічну модель фахівця в цій області, а повинні лише
відтворювати за допомогою комп'ютера деякі методики розв'язання проблем, що
використовуються експертом;
2. Система,
окрім виконання обчислювальних операцій, формує певні висновки, базуючись на
тих знаннях, якими вона володіє. Знання в системі, зазвичай, описані деякою
спеціалізованою мовою і зберігаються окремо від програмного коду, що формує висновки.
Компонент збереження знань прийнято називати базою знань.
Під час
розв'язання задач основну роль відіграють евристичні і наближені методи, що, на
відміну від алгоритмічних, не завжди гарантують успіх. Евристика, в принципі, є
правилом впливу (англ. rule of thumb), що в машинному вигляді відображає
деяке знання, набуте людиною разом із накопичуванням практичного досвіду
розв’язання аналогічних проблем. Такі методи є наближеними у тому сенсі, що,
по-перше, вони не потребують вичерпної вихідної інформації, а, по-друге, існує
певний ступінь впевненості (або невпевненості) в тому, що запропонований
розв'язок є правильним.
Експертні
системи відрізняються і від інших видів програм із галузі
штучного інтелекту.
Експертні
системи застосовуються для предметів реального світу, операції з якими зазвичай
вимагають великого досвіду, накопиченого людиною. Експертні системи мають
яскраво виражену практичну направленість для застосування в науковій або
комерційній сфері.
Однією з
основних характеристик експертної системи є її швидкодія, тобто швидкість
отримання результату та його достовірність (надійність). Дослідницькі програми
штучного інтелекту можуть бути і не дуже швидкими, натомість, експертна система
повинна за певний час знайти розв’язок, що був би не гіршим за розв'язок, що
може запропонувати фахівець в цій предметній області.
Експертна
система повинна мати можливість пояснити, чому запропоновано саме цей розв'язок
і довести його обґрунтованість. Користувач повинен отримати всю інформацію,
необхідну йому для того, аби переконатись в обґрунтованості запропонованого
розв'язку.
Найбільш розповсюджені експертні
системи
Найвідомішими
експертними системами є:
–
CLIPS – мова програмування, що використовується для створення експертних
систем;
–
Dendral – аналіз даних мас-спектрометрії;
–
Dipmeter Advisor – аналіз даних, отриманих під час пошуку нафти;
–
Jess – від англ. Java Expert System Shell, оболонка експертних
систем на Java. Програма CLIPS реалізована на мові програмування Java,
використовується для створення експертних систем;
– MQL
4 – MetaQuotes Language 4, спеціалізована мова програмування для опису
фінансової стратегії;
–
Mycin – діагностика інфекційних хвороб крові та рекомендація
антибіотиків;
–
Prolog – мова програмування, використовується для створення експертних
систем;
– R1 /
XCON(експертна система) – обробка замовлень;
– SHINE
Real-time Expert System – від англ. Spacecraft Health INference
Engine, рушій для отримання даних про стан і безпеку космічного корабля;
– STD
Wizard – експертна система для рекомендації та вибору медичних аналізів
(діагностики).
Типові
експертні системи, як правило, мають таку структуру, рисунок 8.1:
– база
даних (не обов'язкова);
– машина виведення (розв'язувач);
–
підсистема пояснень;
–
інтерфейс користувача.
Рисунок 8.1 – Структура типової експертної системи
База
знань складається з правил аналізу інформації від користувача з
конкретної проблеми. ЕС аналізує ситуацію і, залежно від спрямованості ЕС, дає
рекомендації з розв'язання проблеми.
ЕС
створюється за допомогою двох груп людей:
–
інженерів, які розробляють ядро ЕС і, знаючи організацію бази знань,
заповнюють її;
–
експертів (експерта) за фахом.
Представлення
знань – одна із функцій експертної системи. Теорія представлення
знань – окрема галузь досліджень, тісно пов'язана з філософією формалізму
та когнітивною психологією. Предмет дослідження в цій галузі – методи
асоціативного збереження інформації, подібні до тих, що існують в мозку людини,
тобто методи представлення знань.
У
галузі штучного інтелекту проводиться робота зі створення мов
представлення знань, тобто, комп'ютерних мов, орієнтованих на організацію
описів об'єктів та ідей. Основними критеріями для представлення знань
є логічна адекватність, евристична потужність і природність
нотації.
Існує така класифікація експертних систем:
– за
зв'язком з реальним часом;
– за
типом проблемного середовища;
– за
типом ЕОМ;
– за ступенем
інтеграції з іншими програмами;
– за
завданням, що вирішується.
Етапи розроблення експертної системи:
1. Етап
ідентифікації проблем – визначаються завдання, які підлягають вирішенню,
виявляються цілі розробки, визначаються експерти і типи користувачів;
2. Етап
витягання знань – проводиться змістовний аналіз проблемної області, виявляються
поняття і їх взаємозв'язки, визначаються методи розв'язання задач;
3. Етап
структуризації знань – обираються ІС і визначаються способи подання всіх
видів знань, формалізуються основні поняття, визначаються способи інтерпретації
знань, моделюється робота системи, оцінюється адекватність цілям системи зафіксованих
понять, методів рішень, засобів представлення й маніпулювання знаннями.
4. Етап
формалізації – здійснюється наповнення експертом бази знань. У зв'язку з
тим, що основою ЕС є знання, цей етап є найбільш важливим і найбільш
трудомістким етапом розроблення ЕС. Процес формування знань поділяють на
отримання знань від експерта, організацію знань, що забезпечує ефективну роботу
системи, і представлення знань у вигляді, зрозумілому ЕС. Процес отримання
знань здійснюється інженером зі знань на основі аналізування діяльності
експерта з вирішення реальних завдань;
5. Реалізація
ЕС – відбувається створення одного або декількох прототипів ЕС котрі
вирішують поставлені задачі;
6.
Етап тестування – проводиться оцінка обраного способу представлення
знань в ЕС в цілому.
Переваги та слабкі місця експертних
систем
Експертні
системи відзначаються певними перевагами над людьми-експертами при
використанні. Зокрема, експертна система:
–
переважає можливості людини при вирішенні надзвичайно громіздких проблем;
– не має
упереджених думок, тоді як експерт може користуватися побічними знаннями і
легко піддається впливу зовнішніх факторів;
– не
робить поспішних висновків, нехтуючи певними етапами знайдення рішення;
–
забезпечує діалоговий режим роботи;
–
дозволяє роботу з інформацією, що містить символьні змінні;
–
забезпечує коректну роботу з інформацією, яка містить помилки, за рахунок
використання ймовірнісних методів досліджень;
–
дозволяє проводити одночасну обробку альтернативних версій;
– за
вимогою пояснює хід кроків реалізації програми;
–
забезпечує можливість обґрунтування рішення та відтворення шляху його
прийняття.
Але
навіть найкращі з існуючих експертних систем мають певні обмеження у порівнянні
з людиною-експертом, які зводяться до наступних.
Більшість
експертних систем не цілком придатні для широкого використання.
Якщо користувач не має деякого досвіду роботи з цими системами, у
нього можуть виникнути серйозні труднощі. Багато експертних систем доступні
лише тим експертам, які створювали їх бази знань. Тому потрібно паралельно
розробляти відповідний користувацький інтерфейс, який би забезпечив кінцевому
користувачу властивий йому режим роботи.
«Навички»
системи не завжди «зростають» після сеансу експертизи, навіть коли проявляються
нові знання.
Все ще залишається
проблемою приведення знань, отриманих від експерта, до вигляду, який
забезпечував би їх ефективне використання.
Експертні
системи, як правило, не можуть набувати якісно нових знань, не передбачених під
час розроблення, і тим більше, не мають здорового глузду. Людина-експерт під
час розв'язання задачі зазвичай звертається до своєї інтуїції або здорового
глузду, якщо відсутні формальні методи рішення або аналоги розв'язування цієї
проблеми.
Сфера застосування та перспективи
розвитку експертних систем
Експертні
системи досить давно використовуються у діагностиці, зокрема у медичній та
автомобільній.
Також
експертні системи можна використовувати в прогнозуванні,
плануванні, контролюванні, управлінні та навчанні.
Наприклад, експертні системи вже застосовуються в банківській справі в таких
напрямках як:
–
програмах аналізу інвестиційних проектів;
–
програмах аналізу стану валютного, грошового та фондового ринків;
–
програмах аналізу кредитоспроможності чи фінансового стану підприємств і
банків.
Процес
створення експертних систем значно змінився за останні роки. Завдяки появі
спеціальних інструментальних засобів побудови експертних систем значно
скоротились терміни та зменшилась трудомісткість їх розроблення.
Інструментальні засоби, що використовуються під час створення експертних
систем, можна розбити на три класи:
– мови
програмування, орієнтовані на створення експертних систем
(Лісп, Пролог, Smalltalk, FRL, InterLisp та такі
загальновживані, як: Сі, Асемблер, Паскаль, Фортран, Бейсик);
–
середовища програмування (Delphi, Java);
– порожні
експертні системи (наприклад, оболонка EXSYS Professional 5.0 for
Windows).
На
американському і західноєвропейських ринках систем штучного інтелекту
фірми-розробники пропонують організаціям, які бажають створити експертну
систему, сотні інструментальних засобів для їх побудови. Нараховуються тисячі
розроблених вузькоспеціалізованих експертних систем. Це свідчить про те, що
експертні системи складають дуже вагому частину програмних засобів.
Для програмістів-аматорів
та для широкого загалу початківців, для яких доступна мова
програмування BASIC, суть, структура, принципи функціювання і методологія
побудови найпростіших експертних систем детально описані у книзі-практичному
посібнику Кріса Нейлора «Як побудувати свою експертну систему».
7. Штучний інтелект
Шту́чний
інтеле́кт (ШІ, англ. artificial intelligence, AI) –
розділ комп'ютерної лінгвістики та інформатики, який швидко
розвивається, і зосереджений на розробці інтелектуальних машин, здатних
виконувати завдання, які зазвичай потребують людського інтелекту. Ці завдання
можуть варіюватися від простих дій, як-от розпізнавання
мови чи зображень, до більш складних завдань, як
ігри чи водіння автомобіля.
Системи
штучного інтелекту створені для навчання на досвіді,
розпізнавання закономірностей і прийняття рішень на основі
вхідних даних. Ці системи можна навчити виконувати певні завдання, наприклад,
розпізнавати зображення, розуміти природну мову або грати в ігри. Технологія
штучного інтелекту охоплює широкий спектр методів, включаючи машинне
навчання, обробку природної мови, робототехніку, експертні
системи тощо. Мета досліджень штучного інтелекту полягає в тому, щоб
створити машини, які можуть міркувати, розуміти та навчатися, як люди, і
використовувати ці можливості для покращення життя людства та
вирішення складних проблем.
У
більшості випадків алгоритм розв'язання проблем невідомий наперед.
Точного визначення цієї науки немає, оскільки у філософії не вирішено
питання про природу і статус людського інтелекту. Немає і точного критерія
досягнення комп'ютером «розумності», хоча перед штучним інтелектом було
запропоновано низку гіпотез, наприклад, тест
Тюрінга або гіпотеза Ньюелла-Саймона. Нині існує багато підходів як
до розуміння задач штучного інтелекту, так і до створення інтелектуальних
систем.
Класифікація Джека
Коупленда виділяє два підходи до розробки штучного інтелекту:
–
низхідний, семіотичний – створення символьних систем, що
моделюють високорівневі психічні
процеси: мислення, судження, мову, емоції, творчість тощо;
–
висхідний, біологічний – вивчення штучних нейронних
мереж і еволюційні обчислення, що моделюють інтелектуальну поведінку
на основі менших «неінтелектуальних» елементів.
Ця наука
пов'язана з нейронаукою, включаючи когнітивну нейронауку, системну
нейронауку, обчислювальну нейронауку. Як і всі комп'ютерні науки,
вона використовує математичний апарат. Особливе значення для неї мають
філософія і робототехніка.
Штучний
інтелект – відносно молода галузь досліджень, започаткована в 1956
році. Її історичний шлях нагадує синусоїду, кожен «зліт» якої ініціювався
деякою новою ідеєю. На сьогодні її розвиток перебуває на «підйомі» і спирається
на застосування вже досягнутих результатів в інших галузях науки,
промисловості, бізнесі та навіть у повсякденному житті.
На думку
футуролога Рея Курцвейля людство досягне Сильного ШІ людського рівня у 2029
році. На думку Ілона Маска – у 2025 році. На відміну від
розвитку людського інтелекту, який розвивався десятками тисяч років, Сильний ШІ
зможе розвиватись майже експоненціально – за частки секунди
перевершити здібності людського розуму в десятки-тисячи-мільйони разів. Момент
у майбутній історії, коли ШІ перевершить людський розум
називається «технологічною сингулярністю». Що буде після технологічної
сингулярності неможливо передбачити, оскільки людство ще ніколи не мало справу
з чимось набагато розумнішим і потужнішим за людський мозок.
У
березні 2023 року деякі дослідники описали своє дослідження
нецензурованої версії ChatGPT на базі GPT-4, що доступна тільки
для розробників в OpenAI, ранньою та неповною версією сильного
штучного інтелекту (AGI). У середині квітня 2023 року Сем
Альтман з OpenAI заявив, що компанія поки припинила
тренування GPT-5, у відповідь на лист з відповідним проханням від 50 тисяч
людей, зокрема більше 1800 CEO та 1500 професорів, серед
яких, Ілон Маск, Стів Возняк, Юваль Гарарі та багато інших
людей.
Типи штучного інтелекту
Існує
кілька типів штучного інтелекту (ШІ), які сьогодні широко використовуються в
програмах. Ось деякі з найпоширеніших типів ШІ:
– на
основі правил. Системи ШІ на основі правил запрограмовані за допомогою набору
правил або операторів if-then, які дозволяють їм ухвалювати рішення на основі
конкретних умов. Ці системи часто використовуються в експертних системах і
системах підтримки ухвалення рішень;
– машинне
навчання – це тип штучного інтелекту, який передбачає навчання алгоритмів
навчанню на основі вхідних даних і покращенню їх продуктивності з часом. Існує
три основних типи машинного навчання: кероване навчання, некероване
навчання та навчання з підкріпленням;
– обробка
природної мови (NLP) – це тип ШІ, який зосереджується на взаємодії між
комп’ютерами та людськими мовами. Системи NLP розроблені для розуміння та
інтерпретації людської мови, і вони використовуються в таких програмах, як
чат-боти, голосові помічники та машинний переклад;
– робототехніка – це сфера штучного
інтелекту, яка зосереджена на проектуванні та розробці роботів, які можуть
виконувати завдання у фізичному світі. Робототехніка передбачає інтеграцію штучного інтелекту,
датчиків і механічних систем, щоб роботи могли сприймати навколишнє середовище,
приймати рішення та виконувати дії;
–
експертні системи – це системи штучного інтелекту, призначені для надання
порад і підтримки прийняття рішень у певних сферах, таких
як: маркетинг, дизайн, медицина право та інженерія. Експертні системи
запрограмовані з набором правил і знань, які дозволяють їм міркувати та
надавати рекомендації на основі конкретних умов;
–
загальний ШІ, також відомий як сильний штучний інтелект (AGI), – це
теоретична концепція створення машин, які можуть міркувати та навчатися, як
люди. Системи AGI будуть здатні розуміти та вирішувати широкий спектр проблем,
і вони матимуть здатність міркувати, планувати та спілкуватися, як люди. AGI
все ще залишається здебільшого теоретичною концепцією, і перед її реалізацією
необхідно подолати багато проблем.
Підходи до розуміння проблеми
Єдиної
відповіді на питання, чим опікується штучний інтелект – не існує. Майже кожен
автор, який пише книгу про штучний інтелект, відштовхується від якогось
визначення, та розглядає в його світлі досягнення цієї науки. Зазвичай ці
визначення зводяться до таких:
– штучний
інтелект вивчає методи розв’язання завдань, які потребують людського розуміння,
тобто навчити ШІ розв'язувати тести інтелекту. Це передбачає розвиток способів
розв'язання задач за аналогією,
методів дедукції та індукції, накопичення базових знань і вміння
їх використовувати;
– штучний
інтелект вивчає методи розв’язання задач, для яких не існує способів
розв'язання або вони не коректні (через обмеження в
часі, пам'яті тощо). Завдяки такому визначенню інтелектуальні
алгоритми часто використовуються для розв'язання NP-повних задач,
наприклад, задачі комівояжера;
– штучний
інтелект займається моделюванням людської вищої нервової діяльності;
– штучний
інтелект – це системи, які можуть оперувати зі знаннями, а
найголовніше – навчатися. У першу чергу, щоб визнати клас експертних
систем (назва походить від того, що вони спроможні замінити «на посту»
людей-експертів) інтелектуальними системами;
–
останній підхід, що почав розвиватися з 1990-х років, називається
агентно-орієнтованим підходом. Цей підхід зосереджує увагу на тих методах і
алгоритмах, які допоможуть інтелектуальному агенту виживати
в довкіллі під час виконання свого завдання. Тому тут значно краще
вивчаються алгоритми пошуку і прийняття рішення.
Експерти НАТО у
своїй діяльності оперують спорідненими тлумаченнями штучного інтелекту:
–
«спроможність, що надається алгоритмами оптимального або неоптимального вибору
з широкого простору можливостей, для досягнення цілей шляхом застосування
стратегій, які можуть спиратися на навчання або адаптацію до навколишнього
середовища»;
–
«системи, які створені людиною і діють у фізичному або цифровому світі,
враховують складну мету і обирають найкращі дії (відповідно до заздалегідь
визначених параметрів), які необхідно виконати для досягнення поставленої мети
на основі сприйняття свого середовища, інтерпретації зібраних структурованих
або неструктурованих даних та обґрунтування знань, отриманих з цих даних».
Непопулярні підходи
Найзагальніший
підхід полягає в тому, що штучний інтелект матиме змогу поводити себе як
людський за звичних умов. Ця ідея є узагальненим підходом тесту Тюрінга,
який стверджує, що машина стане розумною тоді, коли буде спроможна
підтримувати діалог з людиною, а та не зможе зрозуміти, що розмовляє
з машиною (діалог ведеться переписуванням).
Письменники-фантасти часто
пропонують ще один підхід: штучний інтелект виникає тоді, коли машина буде
відчувати і творити. Наприклад, хазяїн Ендрю Мартіна з «Двохсотлітньої
людини» Айзека Азімова починає ставитись до нього як до людини тоді,
коли той створив іграшку за власним проєктом. А Дейта з «Зоряного шляху»,
що спроможний до спілкування та навчання, мріє володіти емоціями
та інтуїцією.
Підходи до вивчення
Існують
різні методи створення систем штучного інтелекту. У наш час можна виділити
чотири різних методи:
1. Логічний
підхід. Основою для вивчення логічного підходу слугує алгебра логіки.
Кожен програміст знайомий з нею з того часу, коли він вивчав оператор
IF. Свого подальшого розвитку алгебра логіки отримала у вигляді числення
предикатів – в якому вона розширена за рахунок введення предметних
символів, відношень між ними. Крім цього, кожна така машина має блок генерації
цілі, і система виводу намагається довести дану ціль як теорему. Якщо ціль
досягнута, то послідовність використаних правил дозволить отримати ланцюжок
дій, необхідних для реалізації поставленої цілі (таку систему ще
називають експертною системою). Потужність такої системи визначається
можливостями генератора цілей і машинного доведення теорем. Для досягнення
кращої виразності логічний підхід використовує новий напрям, його назва –
нечітка логіка. Головною відмінністю цього напряму є те, що істинність вислову
може приймати окрім значень «так»/«ні» (1/0) ще й проміжні значення - «не
знаю» (0,5), «пацієнт швидше живий, ніж мертвий» (0,75), «пацієнт швидше
мертвий, ніж живий» (0,25). Такий підхід подібніший до мислення людини,
оскільки вона рідко відповідає «так» або «ні»;
2.
Під структурним підходом ми розуміємо спроби побудови ШІ шляхом
моделювання структури людського мозку. Однією з перших таких спроб
був перцептрон Френка Розенблата. Головною моделюючою структурною
одиницею в перцептронах (як і в
більшості інших варіантах моделювання мозку) є нейрон. Пізніше виникли й
інші моделі, відоміші під назвою нейронні мережі (НМ) і їхні
реалізації – нейрокомп'ютери. Ці моделі відрізняються за будовою окремих
нейронів, за топологією зв’язків між ними і алгоритмами навчання. Серед
найвідоміших на початку 2000-х років варіантів НМ можна назвати НМ
зі зворотнім поширенням помилки, мережі Кохонена, мережі
Гопфілда, стохастичні нейронні мережі. У ширшому розумінні цей підхід відомий
як конекціонізм. Відмінності між логічним і структурним підходом не
стільки принципові, як це здається на перший погляд. Алгоритми спрощення
і вербалізації нейронних мереж перетворюють моделі структурного
підходу на явні логічні моделі. З іншого боку, ще 1943 року Воррен
Маккалох і Волтер Піттс показали, що нейронна мережа може
реалізувати будь-яку функцію алгебри логіки;
3. Еволюційний
підхід. Під час побудови системи ШІ за даним методом основну увагу зосереджують
на побудові початкової моделі і правилах, за якими вона може змінюватися
(еволюціонувати). Причому модель може бути створена за найрізноманітнішими
методами, це може бути і НМ, і набір логічних правил, і будь-яка інша модель.
Після цього ми вмикаємо комп'ютер і він на основі перевірки моделей відбирає
найкращі з них, і за цими моделями за найрізноманітнішими правилами генеруються
нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний
алгоритм;
4. Імітаційний
підхід. Цей підхід є класичним для кібернетики з одним із її базових
понять чорний ящик. Об'єкт, поведінка якого імітується, якраз і являє
собою «чорний ящик». Для нас не важливо, які моделі у нього всередині і як він
діє, головне, щоб наша модель в аналогічних ситуаціях поводила себе без змін.
Таким чином тут моделюється інша властивість людини – здатність копіювати
те, що роблять інші, без поділу на елементарні операції і формального опису
дій. Часто ця властивість економить багато часу об'єктові, особливо на початку
його життя.
У рамках
гібридних інтелектуальних систем намагаються об’єднати ці напрямки. Експертні
правила висновків, можуть генеруватися нейронними мережами, тоді як побічні
правила отримують за допомогою статистичного вивчення. Багатообіцяльний новий
підхід, який ще називають підсиленням інтелекту, розглядає досягнення ШІ у
процесі еволюційної розробки, як поточний ефект підсилення людського інтелекту
технологіями.
Напрями досліджень
Як
наукова дисципліна ШІ має кілька основних напрямів:
– машинне
мислення (англ. machine reasoning, охоплює процеси планування,
представлення знань і міркування, пошук та оптимізацію);
– машинне
навчання (умовно поділяється на глибоке навчання (англ. deep learning) і
навчання з підкріпленням (англ. reinforcement learning));
–
робототехніка (включає в себе управління, ситуаційне сприйняття, датчики і
приводи, а також інтеграцію усіх інших методів у кібер-фізичні системи).
Якщо
проаналізувати історію ШІ, можна виділити такий обширний напрям як моделювання
міркувань (англ. Model-based reasoning). Багато років розвиток науки ШІ
просувався саме таким шляхом, і зараз це одна з найрозвиненіших областей в
сучасному ШІ. Моделювання міркувань має на увазі створення символьних
систем, на вході яких поставлена деяка задача, а на виході очікується її
розв’язок. Як правило, запропонована задача вже формалізована, тобто
переведена на математичну форму, але або не має алгоритму розв'язання, або цей
алгоритм занадто складний, трудомісткий тощо. У цей напрям
входять: автоматизоване доведення теорем, прийняття
рішень і теорія ігор, планування і диспетчеризація,
прогнозування.
Таким
чином, на перший план виходить інженерія знань, яка об’єднує завдання
отримання знань з простої інформації, їх систематизацію і
використання. Досягнення в цій області зачіпають майже всі інші напрями
дослідження ШІ. Тут також необхідно відзначити дві важливі підобласті. Перша з
них – машинне навчання – стосується
процесу самостійного отримання знань інтелектуальною системою під час
її роботи. Другу пов'язано зі створенням експертних систем – програм,
які використовують спеціалізовані бази знань для отримання достовірних
висновків щодо довільної проблеми.
Великі і
цікаві досягнення є в області моделювання біологічних систем. Сюди можна
віднести кілька незалежних напрямків. Нейронні
мережі використовуються для розв'язання нечітких і складних проблем, таких
як розпізнавання геометричних фігур або кластеризація об’єктів. Генетичний
підхід заснований на ідеї, що деякий алгоритм може стати
ефективнішим, якщо відбере найкращі характеристики в інших алгоритмів
(«батьків»). Відносно новий підхід, де ставиться задача створення автономної
програми – агента, котрий співпрацює з довкіллям, називається агентним
підходом. А якщо належним чином примусити велику кількість «не дуже
інтелектуальних» агентів співпрацювати разом, то можна
отримати «мурашиний» інтелект.
Задачі
розпізнавання об'єктів вже частково розв’язуються в рамках інших напрямків.
Сюди відносяться розпізнавання символів, рукописного тексту, мови, аналіз
текстів. Особливо слід згадати комп'ютерний зір, який пов’язаний з
машинним навчанням і робототехнікою.
Робототехніка і
штучний інтелект часто поєднуються одне з одним. Об’єднання цих двох наук,
створення інтелектуальних роботів, можна вважати ще одним напрямом ШІ.
Потрібно
також виділити машинну творчість, оскільки природа людської творчості ще менше
вивчена, ніж природа інтелекту.
Нарешті,
існує безліч програм штучного інтелекту, кожна з яких утворює майже самостійний
напрямок. Як приклади, можна навести програмування інтелекту
в комп’ютерних іграх, нелінійному керуванні, інтелектуальні
системи безпеки. Наприклад, у 2018 році дослідники з Корнуельського
університету зробили те, що зможе кардинально змінити процес розробки нових
відеоігор. Вони створили пару нейронних мереж, що змагаються (генеративних
змагальних мереж), і навчили їх на прикладі найпершої гри-шутера, Doom-а.
У процесі навчання нейронні мережі визначили основні принципи побудови рівнів
цієї гри і після цього вони стали здатні генерувати нові рівні без найменшої
допомоги з боку людей.
Отже,
більшість областей дослідження перетинаються. Це властиво для будь-якої науки.
Але в штучному інтелекті взаємозв’язок між, задавалося б, різними напрямами,
виражено дуже сильно, і це пов'язано з філософською суперечкою про сильний і
слабкий ШІ.
Планування
Дослідження
в галузі планування почалися зі спроби сконструювати робота, який би
виконував свої завдання з деякою мірою гнучкості і здатністю реагувати на
навколишній світ. Планування припускає, що робот повинен уміти виконувати деякі
елементарні дії. Він намагається знайти послідовність таких дій, за допомогою
якої можна виконати більш складне завдання, наприклад, рухатися кімнатою,
заповненою перешкодами. Одним із методів планування є метод
ієрархічної декомпозиції.
Планування,
через низку причин, є складним завданням, чималу роль у цьому відіграє розмір
простору можливих послідовностей кроків. Навіть дуже простий робот здатний
породити величезну кількість різних комбінацій елементарних рухів. Дослідження
у галузі планування сьогодні вийшли за межі робототехніки, тепер вони включають
також координацію складних систем завдань і цілей. Сучасні планувальники
застосовуються як в агентських середовищах, так і для керування прискорювачами
часток.
Машинне навчання
Машинне навчання – це розділ штучного інтелекту, що має за
основу побудову та дослідження систем, які можуть самостійно навчатися з даних. Наприклад,
система машинного навчання може бути натренована на електронних повідомленнях
для розпізнавання спаму і прийнятних повідомлень. Після навчання вона може бути
використана для класифікації нових повідомлень електронної
пошти на спам та неспам. В основі машинного навчання
розглядаються уявлення та узагальнення. Представлення даних і функцій оцінки
цих даних є частиною всіх систем машинного навчання, наприклад, у наведеному
вище прикладі, повідомлення електронною поштою, ми можемо уявити лист як набір
англійських слів, просто відмовившись від порядку слів. Узагальнення є
властивістю, яку система буде застосовувати добре на невидимих примірниках
даних; умови, за яких це може бути гарантовано, є ключовим об’єктом вивчення в
полі обчислювальної теорії навчання. Існує широкий спектр завдань машинного
навчання та успішних застосувань. Оптичне розпізнавання символів, в яких
друковані символи розпізнаються автоматично, та ґрунтуються на попередніх
прикладах, є класичним підходом техніки машинного навчання. 1959 року Артур
Самуїл визначив машинне навчання як «Поле дослідження, яке дає комп'ютерам
можливість навчатися, не будучи явно запрограмованими».
Обробка природної мови
Обробка
природної мови – загальний напрямок штучного інтелекту та
лінгвістики. Він вивчає проблеми комп'ютерного аналізу та синтезу
природної мови. Стосовно штучного інтелекту аналіз означає розуміння мови, а
синтез – генерацію розумного тексту. Розв'язок цих проблем буде означати
створення зручнішої форми взаємодії комп'ютера та людини.
На
початку 2023 року, вчені Стенфордського
університету (Каліфорнія, США) встановили новий рекорд роботи
мовного інтерфейсу мозок-комп'ютер (Brain-Computer Interface, ВСІ),
досягнувши рекордно високого показника декодування мови. Новий рекорд полягає в
тому, що швидкість декодування мови штучного інтелекту досягла 62 слова на
хвилину, що в 3,4 рази швидше за попередній рекорд для будь-якого виду BCI.
Задачі та обмеження
Розуміння природної
мови іноді вважають AI-повною задачею, тому що розпізнавання живої мови потребує
величезних знань системи про довкілля та можливості взаємодіяти з ним. Саме
означення змісту слова «розуміти» – одне з головних завдань штучного
інтелекту. На початку 2000-х років значну роль у вирішенні задач з обробки
природномовних даних відіграють онтології,
наприклад, WordNet, UWN.
Машинний зір
Машинний зір – це застосування комп'ютерного зору в
промисловості та виробництві. У той час як комп'ютерний зір – це загальний набір методів, що
дозволяють комп'ютерам бачити, областю інтересу машинного зору, як інженерного
напрямку, є цифрові пристрої введення/виведення та комп'ютерні
мережі, призначені для контролю виробничого обладнання, такого як
роботи-маніпулятори чи апарати для вилучення бракованої продукції. Машинний зір
є підрозділом інженерії, пов'язаним із обчислювальною технікою, оптикою, машинобудуванням
та промисловою автоматизацією. Одним із найпоширеніших застосувань
машинного зору є інспекція промислових товарів, таких як: напівпровідникові
чипи, автомобілі, продукти харчування та ліки. Люди, що працюють на
складальних лініях, оглядають частини продукції і роблять висновки про якість
виконання. Системи машинного зору для цієї мети
використовують цифрові та інтелектуальні камери, а також програмне
забезпечення обробки зображення для виконання аналогічних
перевірок.
Комерційні
пакети програм для машинного зору і пакети програм з відкритим вихідним
кодом зазвичай містять низку методів обробки зображень, таких як:
–
лічильник пікселів: підраховує кількість світлих або темних пікселів;
–
бінаризація: перетворює зображення в сірих тонах у бінарне (білі та чорні
пікселі);
–
сегментація: використовується для пошуку і/або підрахунку деталей;
– пошук і
аналіз блобів: перевірка зображення на окремі блоби пов’язаних пікселів
(наприклад, чорної діри на сірому об'єкті) у вигляді опорної точки зображення.
Ці блоби часто представляють цілі для обробки, захоплення або виробничого
браку;
– надійне
розпізнавання за шаблонами: пошук за шаблоном об’єкта, який може бути
повернутий, частково прихований іншим об’єктом, або відрізнятись за розміром;
–
зчитування штрих-кодів: декодування 1D- і 2D-кодів, розроблених для
зчитування або сканування машинами;
– оптичне
розпізнавання символів: автоматизоване читання тексту, наприклад, серійних
номерів;
–
вимірювання: вимірювання розмірів об’єктів в дюймах або міліметрах;
–
знаходження країв: пошук країв об'єктів;
–
зіставлення шаблонів: пошук, підбір, і/або підрахунок конкретних моделей.
У
більшості випадків системи машинного зору використовують послідовне поєднання
цих методів обробки для виконання повного інспектування. Наприклад, система,
яка зчитує штрих-код, може також перевірити поверхню на
наявність подряпин або пошкодження та виміряти довжину і
ширину компонентів, що обробляються.
Теоретичні положення
Кінцевою
метою досліджень з питань «штучного інтелекту» є розкриття таємниць мислення та
створення моделі мозку. Принципова можливість моделювання інтелектуальних
процесів випливає з основного гносеологічного результату кібернетики,
який полягає у тому, що будь-яку функцію мозку, будь-яку розумову діяльність,
описану мовою з суворо однозначною семантикою за допомогою
скінченного числа слів, у принципі можна передати електронній цифровій
обчислювальній машині (ЕЦОМ). Сучасні ж наукові уявлення про природу
мозку дають підстави вважати, що принаймні в суто інформаційному аспекті
найістотніші закономірності мозку визначаються скінченною (хоч, може, й
надзвичайно великою) системою правил.
Практична реалізація
Штучний
інтелект – технічна (в усіх сучасних випадках спроб практичної реалізації –
комп'ютерна) система, що має певні ознаки інтелекту, тобто здатна:
–
розпізнавати та розуміти;
–
знаходити спосіб досягнення результату та приймати рішення;
–
вчитися.
У
практичному плані наявність лише неповних знань про мозок, про його
функціонування не заважає будувати його наближені інформаційні моделі,
моделювати на ЕЦОМ найскладніші процеси мислення, у тому числі й творчі.
Проблематика моделювання
Хоча
проблема «штучного інтелекту» тісно пов'язана з потребами практики, тут немає
єдиної загальної практичної задачі, яка б однозначно визначала розвиток теорії,
проте є багато задач, які є частковими, вузькими. Тому проблема «штучного
інтелекту» – це фактично цілий комплекс проблем, які характеризуються
різним ступенем загальності, абстрактності, складності та розробленості і
кожній з яких властиві свої принципові й практичні труднощі. Це такі проблеми,
як розпізнавання образів, навчання й самонавчання, евристичне
програмування, створення загальної теорії самоорганізовуваних систем,
побудова фізичної моделі нейрона та інші, багато з яких мають велике
самостійне значення. Для всіх цих напрямів одержано важливі результати, як
практичного, так і теоретичного характеру, продовжуються інтенсивні
дослідження.
Оскільки,
крім малочисельних оптимістів, майже ніхто не намагається саме «виготовити»
інтелект аналогічний людському, то обговорюється створення системи, яка буде
здатна реалізувати певні моделі інтелекту.
Застосування ШІ у створенні систем
управління
За допомогою
ШІ можливо забезпечити оптимальний та адаптивний до життя вибір комбінації
сенсорів і засобів дії, скоординувати їх сумісне функціонування, виявляти та
ідентифікувати питання; оцінювати знання середовища. Суттєву роль ШІ відіграє у
реалізації сприйняття знання доповненої реальності. Наприклад, ШІ дозволяє
забезпечити класифікацію та семантичну сегментацію зображень, локалізацію і
ідентифікацію програмних об'єктів з метою схематичного відтворення контурів
об'єктів в якості символів доповненої реальності для ефективного
цілевказування.
Значні
надії покладаються на використання СШІ для управління мережами стільникового
зв'язку 6G програми, які вибираються під налаштування своєї програми.
Розробники комп'ютерних
ігор вимушені застосовувати ШІ тої чи іншої міри пропрацьованості.
Стандартними задачами ШІ в іграх є відшукання шляху в двовимірному чи
тривимірному просторі, імітація поведінки, обрахунок вірної дії і так далі.
2018 року
портрет вигаданої людини, намальований ШІ зацікавив мистецтвознавців. Перш ніж
намалювати «Едмонда Беламі», алгоритм дослідив 15 тис. портретів, датованих
XIV–XX ст.
13 березня 2023 року вийшов 8 номер
українського журналу яЛогіка, в якому контент повністю
згенерований штучним інтелектом.
Перспективним
напрямком застосування ШІ є наукові дослідження, де він задіяний для аналізу
наукових публікацій з метою синтезу нових знань, відкриття нових матеріалів,
закономірностей програми направлень.
За
допомогою алгоритму машинного навчання на основі штучного інтелекту вдалося
знайти близько 1100000000000000000000000000000011 нових екзопланет.
Ще одна
перспективна галузь застосуванні ШІ – у системах автоматичного і
автоматизованого управління. Автоматичні системи управління (АСУ) є технічним
аналогом інтелекту людини. Сучасні АСУ будуються на базі цифрових
пристроїв – комп'ютерів і мікропроцесорів. Основою таких систем є складне
програмне забезпечення, яке використовує як прості алгоритми розрахунків, так і
алгоритми на основі штучного інтелекту – нейронних мереж і нечіткої
логіки. АСУ застосовують для управління направлення програми і створення віртуального
середовища. Сучасне налаштування алгоритму функціонує майже без участі людини.
Втручання у програму необхідне лише у випадку надзвичайної ситуації –
аварії або поломки обладнання. За багатьма напрямами програми запроваджено
дистанційне керування початкового рівня через мережу Інтернет або через
мобільні додатки, кожен напрям зберігається та фіксується під час розуміння
переходу на кращий рівень сприйняття напряму в розділі виправлень початкового
рівня та погодження з усіма напрямами і змогу добавити свої налаштування свого
для всіх напрямів у новому рівні.
Але
найбільш витонченим і сучасним завданням для ШІ стало призначення та перевірка
напрямів вчителів направлення на знання почуття середовища всіх програм, а
також створення повідомлення на основі власного вибору та власних віртуальних
створень привітань та побажань, а також за допомогою штучного інтелекту з
функцією редагування. ION збиратиме у форумі в темі для збирання даних на
аналіз створення єдиного рішення в якому кожен має змогу провести аналіз і
зберігати окремо рішення як частину створеного проекту в якому і проводять
аналіз всі напрями зі зберіганням окремих налаштувань простору і так далі.
Автор теми зберігає для всіх створення своїх налаштувань теми, мудреці
вибираються змаганнями серед найкращих в напрямі і обираються мудрецями росту
напрямів які відповідають простою відповіддю на всі питання.
Перспективи ШІ
Проглядаються
два напрямки розвитку ШІ:
– перший
полягає у вирішенні проблем, пов'язаних із наближенням спеціалізованих систем
ШІ до можливостей людини та їх інтеграції, яка реалізована природою людини;
– другий
полягає у створенні Штучного Розуму, який представляє інтеграцію уже створених
систем ШІ в єдину систему, здатну вирішувати проблеми людства.
Зв'язок з іншими науками
Штучний
інтелект (ШІ) – це багатодисциплінарна сфера, яка спирається на різні галузі
знань і дослідження з різних наукових дисциплін. Розвиток і прогрес штучного
інтелекту спиралися на синергію з кількома іншими науками, сприяючи багатому та
взаємопов’язаному ландшафту міждисциплінарної співпраці.
Робототехніка та системи управління тісно переплітається зі ШІ, оскільки обидві дисципліни
спрямовані на створення інтелектуальних систем, здатних сприймати фізичний світ
і взаємодіяти з ним. Технології штучного інтелекту дозволяють роботам
виконувати такі завдання, як розпізнавання об’єктів, планування руху та
маніпуляції, тоді як робототехніка забезпечує платформу для втілення алгоритмів
штучного інтелекту у фізичних агентах. Інтеграція штучного інтелекту та
робототехніки призвела до значного прогресу в автономних транспортних засобах,
промисловій автоматизації, медичній робототехніці та допоміжних технологіях.
Епістемічні основи алгоритмів ШІ
Алгоритми
ШІ, особливо ті, що включають машинне навчання та системи, засновані на
знаннях, спираються на епістемічні принципи. Епістемологія та гносеологія відіграють
життєво важливу роль у розумінні основних припущень та упереджень алгоритмів
ШІ. Вони забезпечують основу для оцінки надійності, прозорості та можливості
узагальнення знань, створених ШІ. Застосовуючи епістемічні принципи, дослідники
штучного інтелекту прагнуть розробити алгоритми, які відповідають надійним
епістемічним практикам і створюють надійні та виправдані знання.
Прийняття етичних рішень та
епістемічне обґрунтування
Оскільки
системи штучного інтелекту все частіше приймають рішення, які впливають на
життя людей, інтеграція епістемології та гносеології стає вирішальною для
розуміння та оцінки процесу прийняття рішень. Етичні міркування спираються на
епістемічні принципи, щоб переконатися, що рішення ШІ є виправданими, прозорими
та підзвітними. Гносеологічні перспективи допомагають керувати розробкою систем
штучного інтелекту, які включають епістемічні обґрунтування, вирішуючи
проблеми, пов’язані з упередженістю, справедливістю та відповідним балансом між
людськими судженнями та знаннями, створеними ШІ.
Довіра та перевірка знань, створених
ШІ
Епістемологія
та гносеологія відіграють ключову роль в оцінці надійності та достовірності
знань, створених ШІ. Методи, отримані завдяки їм, використовуються для
підтвердження та перевірки заяв про знання, зроблених системами ШІ. Оцінюючи
епістемічні припущення, упередження та обмеження, що лежать в основі,
дослідники та практики штучного інтелекту прагнуть переконатися, що знання,
отримані за допомогою штучного інтелекту, є надійними, точними та міцними.
