Ebben a cikkben megosztom tapasztalataimat a legegyszerűbb mesterséges intelligencia (AI) genetikai algoritmus segítségével történő termesztésével kapcsolatban, és beszélek a viselkedés generálásához szükséges minimális parancskészletről is.

A munka eredménye az volt, hogy az AI a szabályok ismerete nélkül önállóan elsajátította a tic-tac-toe játékot, és megtalálta az ellene játszó botok gyengeségeit. De egy még egyszerűbb feladattal kezdtem.

Parancskészlet

Az egész a mesterséges intelligencia parancskészletének elkészítésével kezdődött. A magas szintű nyelvek több száz különböző operátort tartalmaznak. A szükséges minimum kiemelésére úgy döntöttem, hogy az Assembly nyelvre térek át. Kiderült azonban, hogy sok parancsot is tartalmaz.

Szükségem volt az AI-ra, hogy tudjak olvasni és kiadni adatokat, dolgozni memóriával, számításokat és logikai műveleteket végezni, átmeneteket és ciklusokat végezni. Találkoztam a Brainfuck nyelvvel, amely mindössze 8 parancsot tartalmaz, és bármilyen számítást elvégezhet (azaz kész Turing). Elvileg alkalmas genetikai programozásra, de tovább mentem.

Azon tűnődtem: mennyi a minimális parancsok száma egy algoritmus megvalósításához? Mint kiderült, csak egy volt!

Az URISC processzor csak egy utasítást tartalmaz: vonja ki és hagyja ki a következő utasítást, ha a részfej nagyobb volt, mint a minuend. Ez elegendő bármilyen algoritmus felépítéséhez.

Oleg Mazonka még tovább ment, kifejlesztette a BitBitJump parancsot, és bebizonyította, hogy a Turing kész. Az utasítás három címet tartalmaz, egy bitet másol az elsőről a második memóriacímre, és átadja a vezérlést a harmadik címre.

Oleg ötleteit kölcsönözve, a munka egyszerűsítése érdekében kifejlesztettem a SumIfJump parancsot. A parancs négy operandust tartalmaz: A, B, C, D és a következőket teszi: a B címen lévő cellához adatot ad az A címen lévő cellából, ha az érték nagyobb, mint a megadott érték*, akkor a címre megy C, egyébként D címre megy.

jegyzet

*Ebben az esetben 128-at használtak – a genom hosszának felét.

Amikor az A operandus hozzáfér az N0 memóriahelyhez, adatbevitel történik, és amikor az A operandus hozzáfér az N1 memóriahelyhez, kimenet történik.

Alább látható a SumIfJump kód a FreePascalban (a Delphi ingyenes analógja).

Eljárás RunProg(ok: TData); var a, b, c, d: TData; begin Inc(NStep); ha NStep > MaxStep, akkor kezdődik ProgResult:= "MaxStep"; Kijárat; vége; a:= s; b: = s + 1; c:= s+2; d: = s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:=Prog[d]; ha a = 0, akkor kezdődik a ProgResult:= "Input"; Kijárat; vége; ha a = 1, akkor kezdődik a ProgResult:= "Kimenet"; Kijárat; vége; Prog[b] := Prog[b] + Prog[a]; ha prog[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
A SumIfJump önmódosító kódot valósít meg. Bármilyen hagyományos programozási nyelven elérhető algoritmust képes végrehajtani. A kód könnyen megváltoztatható, és minden manipulációt kibír.

Egyszerű feladat

Tehát az AI-nknak csak egy parancsa van. Eddig nagyon nehéz játék volt számára a tic-tac-toe, ezért egy egyszerűbbvel kezdtem.

A bot véletlen számot állít elő, és az AI-nak be kell olvasnia az adatokat, és választ kell adnia. Ha a szám nagyobb, mint az átlag (a véletlenszám-tartományban), az AI-nak az átlagnál kisebb számot kell előállítania, és fordítva.

MI-nk genomja 256 sejtből áll, 0 és 255 közötti értékkel. Mindegyik érték egy memória, egy kód és egy cím. A kódvégrehajtási lépések száma 256-ra korlátozódik. Az operandusok egymás után kerülnek beolvasásra.

Kezdetben a genomot véletlenszerű számok generálják, így az AI nem tudja, mit kell játszania. Ráadásul nem tudja, hogy egymás után kell bevinnie és kiadnia az adatokat, amikor válaszol a botra.

Népesség és szelekció

Az első populáció 256 AI-ból áll, amelyek elkezdenek játszani a bottal. Ha az AI a megfelelő műveleteket hajtja végre, például adatokat kért bemenetre, majd kiad valamit, akkor az AI pontokat kap. Minél több helyes cselekvés, annál több pont.

A legtöbb pontot szerző 16 mesterséges intelligencia egyenként 15 utódot szül, és továbbra is részt vesz a játékban. A leszármazott egy mutáns. A mutáció úgy történik, hogy a szülő másolatában egy véletlenszerű cellát véletlenszerű értékre cserélnek.

Ha az első populációban nincs AI pontszám, akkor a következő populáció jön létre. És így tovább, amíg az egyik mesterséges intelligencia el nem kezdi végrehajtani a megfelelő műveleteket, és meg nem hozni a „helyes” utódokat.

Evolúció

Jelentős események között több ezer generációváltás történt. A program több szálban futott Core i7-en. A számítások körülbelül 15 percig tartottak.

1. Amikor a mesterséges intelligencia „vezére” véletlenszerűen hibázott, és nem szerzett elég pontot, a népesség degradálni kezdett, mert „másodlagos” szülőkből alakultak ki az utódok.
2. Történt ugyanis, hogy az időt jelölő kívülállókkal egy patakban sikeres mutáció történt, ami robbanásszerűen megnövelte a szerzett pontokat. Ezt követően ez az áramlás lett a vezető.
3. Néha hosszú ideig nem történt sikeres mutáció, és még 500 ezer generáció sem volt elég a szelekció befejezéséhez.

Következtetés

Végül ugyanezt tettem a tic-tac-toe játékkal is. A használt genom mérete megegyezett az első esetben. A lépések száma 1024-re, a populáció mérete pedig 64-re nőtt (a gyorsabb számítás érdekében). A számítás egy kicsit tovább tartott. Minden nagyjából ugyanazon forgatókönyv szerint történt.

Eleinte az AI egy „randomizer” ellen játszott. Így hívtam a véletlenszerűen sétáló botot. Elég gyorsan az MI elkezdte megverni, kitöltve néhány sort. Ezután bonyolítottam a feladatot azzal, hogy egy kis intelligenciát adtam a randomizátorhoz: ha lehet, foglald el a sort, vagy védekezz. Az AI azonban ebben az esetben is megtalálta a bot gyenge pontjait, és elkezdte legyőzni azt. Talán egy erről szóló történet egy külön cikk témája.

A fiam megkért, hogy írjak egy programot, hogy az MI-k egymás között játszanak, és ne egy bottal. Voltak ötletek, hogy a dáma vagy a Go esetében is megcsináljam, de erre már nem volt elég időm.

Az egyetlen módszer, amellyel új egyedeket szereztem, a mutáció. Használhatja a keresztezést és az inverziót is. Talán ezek a módszerek felgyorsítják a kívánt eredmény elérését.

Végül megszületett egy ötlet: a mesterséges intelligencia lehetővé teszi az összes folyamat kezelését egy PC-n, és versenyezhet a számítógépes erőforrásokért. Csatlakoztassa számítógépét az internethez, és használja a régi Bitcoin-farmok készletét számítási teljesítményként...

Ahogy a blogger mondta egy hasonló kísérlet során

Mesterséges intelligencia: hideg, érzéketlen és megfoghatatlan. De itt van a jövő, a tudománynak ez a területe teszi lehetővé a nagy és jelentős lépés megtételét a folyamatok automatizálása felé, következésképpen az értékes szakemberek rutinteherének egy részét. És most, a fejlődés hajnalán csak mi döntjük el, hogy mi lesz mesterséges intelligencia pár évtized után megtanította őt.

Próbáljuk kitalálni, mi létezik mesterséges intelligencia gépi tanulási módszerek és algoritmusok.

Hagyományosan sok vita támad az új és az ismeretlen körül. És bár már sok mindent írtak az AI-ról, az emberek nem értik teljesen. Itt merülnek fel az olyan állítások, mint: „Munkák százait veszi el az emberektől!”, „Lázadni fog az emberek ellen!”, „Igen, a saját sírunkat ássuk!”, „Előbb-utóbb nem leszünk. képes irányítani őt!” stb. Sokan az AI-t szuperintelligenciának képzelik el, amely, mivel dacol saját magyarázatukkal, mindenképpen veszélyt jelent rájuk. És persze senki sem akarja hallani, hogy most, az ember által előírt program keretein túllépve, jelenleg ez technikailag lehetetlen.

De mit lehet még megtanítani neki, és hogyan történik ez?

Mesterséges intelligencia gépi tanulási módszerei:

1. Induktív tanulás

Empirikus adatok beszerzése, minták azonosítása, cselekvési algoritmusok azonosítása minden hasonló helyzetben;

1. Deduktív tanulás

A személy által különböző módon megszerzett adatok formalizálása és közvetlen bevitele az adatbázisba;

A mesterséges intelligencia alapvető döntéshozatali algoritmusai:

Naiv Bayes osztályozó

Az egyik legegyszerűbb osztályozási módszer.

Ezt a módszert a szkennelés és az arc/retina/ujjlenyomat-felismerő technológia, a hírfolyam tartalmának témakörök szerinti felosztása, valamint az e-mailben lévő levelek kategóriákba bontása során alkalmazzák (pontosabban a spam osztály);

Az ensemble módszert nagyon durván nevezhetjük a fentebb leírt naiv Bayes osztályozó származékának, mivel Bayes-féle átlagoláson alapul. Vagyis ez a módszer azonosítja a kimeneti valószínűségek metszetét, átlagolja ezt az értéket, kiküszöböli az értékek szórását, miközben egyidejűleg szabályozza a probléma megoldásának keresését az adott feltételek között.

Az ensemble módszer az, amely lehetővé teszi a probléma nagyon optimális megoldásának megtalálását, amelyben kevesebb erőforrást kell fordítani, és az eredmény maximálisan kielégíti a probléma feltételeit.

Anélkül, hogy belemennénk a módszer lényegébe és a hipersík felépítésének és a vele való munkavégzésének magyarázatába, az SVM osztályozási és regressziós elemzési algoritmusokként írható le.

Hasonló technológiát alkalmaznak az objektum bizonyos tulajdonságainak fényképről történő felismerésében (hajszín, nem, ruhaszín), valamint a genetikában - a DNS-splicingben (specifikus nukleotidszekvenciák elválasztása az RNS-től és összekapcsolásuk az RNS-feldolgozás során).

Döntési fa

Mindannyiunk által naponta alkalmazott döntéshozatali módszer (modell). Ezért lett már mém

De a viccet félretéve, egy ilyen modell általában olyan elemeket tartalmaz, mint: probléma, megoldási módszerek, az egyes módszerek következményei, a következmények bekövetkezésének valószínűsége, az erőforrások költségei és a végeredmény. Az AI-t használó legegyszerűbb technológiák többsége ezen a modellen alapul.

Logikai regresszió

Egy módszer, amely közelebb vihet minket az erőteljes mesterséges intelligenciához, amely bizonyos helyzetekben képes önálló döntéseket hozni. A logikai regresszió egy esemény bekövetkezésének előrejelzési módszere több változó alapján.

Hasonló algoritmust használnak a meteorológia és a szeizmológia, a hitelezés, a marketing és más területeken.

Ezt a módszert külön szeretném kiemelni, mivel lényegében nem a probléma megoldására szolgál, hanem az egyes megoldások hibáinak meghatározására.

A fent leírt algoritmusok a felügyelt tanulási módszerhez használatosak, vagyis olyanhoz, amelyben egy adott adathalmazhoz egy adott címke (tulajdonság) rendelhető, de ha ez a címke nem áll rendelkezésre, akkor a hozzárendelését más hasonló helyzetekben meg kell jósolni. .

Elrendeztük alapvető mesterséges intelligencia gépi tanulási algoritmusok leggyakrabban a gyakorlatban használják. Érdemes megfontolni, hogy a mesterséges intelligencia mindennapi életben és a mindennapi problémák megoldásában alkalmazott alkalmazása, ahol a probléma megoldása legtöbbször teljesen egyértelmű, és csak automatizálni kell ezt a folyamatot, hasonló algoritmusok alkalmazását vonhatja maga után. A probléma, amelynek megoldása egy innovatív fejlesztés kell, hogy legyen, vagy a megoldás nagyszámú változón (vagyis elsősorban az egzakt tudományok különböző területein) múlik majd, bonyolultabb megoldási algoritmusokat igényel, amelyeket akkor ismerhet meg, ha kövesse híreinket.

Mesterséges intelligencia (AI)(Angol) Mesterséges intelligencia, AI) az intelligens gépek és rendszerek, különösen az intelligens számítógépes programok tudománya és fejlesztése, amelyek célja az emberi intelligencia megértése. Az alkalmazott módszerek azonban nem feltétlenül biológiailag elfogadhatók. De a probléma az, hogy nem ismert, mely számítási eljárásokat akarjuk intelligensnek nevezni. És mivel az intelligencia mechanizmusainak csak egy részét értjük, akkor ezen a tudományon belül az intelligencia alatt a világban a célok elérésének képességének csak a számítási részét értjük.

Különböző fajtákés az intelligencia fokozatai sok emberben, állatban és egyes gépekben, intelligens információs rendszerekben és különféle tudásbázisú szakértői rendszerekben léteznek. Ugyanakkor, mint látjuk, az intelligencia ezen meghatározása nem kapcsolódik az emberi intelligencia megértéséhez – ezek különböző dolgok. Sőt, ez a tudomány az emberi intelligenciát is modellezi, hiszen egyrészt meg lehet tanulni valamit arról, hogyan lehet a gépeket más emberek megfigyelésével rávenni a problémák megoldására, másrészt a mesterséges intelligencia terén végzett munkák többsége azokat a problémákat tanulmányozza, amelyeket az emberiségnek meg kell oldania. ipari és technológiai értelemben. Ezért a mesterséges intelligencia kutatói szabadon alkalmazhatnak olyan technikákat, amelyeket embereknél nem figyelnek meg, ha ez szükséges bizonyos problémák megoldásához.

Ebben az értelemben vezette be a kifejezést J. McCarthy 1956-ban a Dartmouth Egyetemen tartott konferencián, és mindmáig, annak ellenére, hogy bírálták azokat, akik szerint az intelligencia csak biológiai jelenség, a tudományos közösségben ez a kifejezés megőrizte sajátosságát. eredeti jelentését, az emberi intelligencia szempontjából nyilvánvaló ellentmondások ellenére.

A filozófiában az emberi értelem természetének és státuszának kérdése nincs megoldva. Nincsenek pontos kritériumok a számítógépek számára az „intelligencia” elérésére, bár a mesterséges intelligencia hajnalán számos hipotézist javasoltak, például a Turing-tesztet vagy a Newell-Simon hipotézist. Ezért az AI-problémák megértésének és az intelligens információs rendszerek létrehozásának számos megközelítése ellenére az AI fejlesztésének két fő megközelítése különböztethető meg:

· csökkenő (angol) Top-Down AI), szemiotikai – magas szintű mentális folyamatokat szimuláló szakértői rendszerek, tudásbázisok és logikai következtetési rendszerek létrehozása: gondolkodás, érvelés, beszéd, érzelmek, kreativitás stb.;

· növekvő Alulról felfelé irányuló AI), biológiai – az intelligens viselkedést kisebb „nem intelligens” elemek alapján modellező neurális hálózatok és evolúciós számítások vizsgálata.

Ez utóbbi megközelítés szigorúan véve nem kapcsolódik a mesterséges intelligencia tudományához a J. McCarthy által adott értelemben, csak egy közös végső cél egyesíti őket.

A mesterséges intelligencia, mint új tudományos irányzat története a 20. század közepén kezdődik. Ekkorra már számos előfeltétele kialakult keletkezésének: a filozófusok között régóta vita folyik az ember természetéről és a világ megértésének folyamatáról, neurofiziológusok és pszichológusok számos elméletet dolgoztak ki az emberi agy működésével kapcsolatban. és gondolkodók, közgazdászok és matematikusok tettek fel kérdéseket az optimális számításokról és a világgal kapcsolatos ismeretek formalizált formában történő bemutatásáról; végül megszületett a matematikai számításelmélet alapja - az algoritmusok elmélete - és létrejöttek az első számítógépek.

Az új gépek képességei a számítási sebesség tekintetében nagyobbnak bizonyultak, mint az emberieké, ezért a tudományos közösség feltette a kérdést: mik a határai a számítógépes képességeknek, és vajon a gépek elérik-e az emberi fejlettség szintjét? 1950-ben a számítástechnika egyik úttörője, Alan Turing angol tudós a „Tud e gondolkodni?” című cikkében hasonló kérdésekre ad választ, és leír egy eljárást, amellyel meg lehet határozni azt a pillanatot, amikor egy gép intelligencia tekintetében egyenlővé válik egy személlyel, ezt nevezik Turing-tesztnek.

A Turing-teszt egy empirikus teszt, amelyet Alan Turing javasolt 1950-ben a "Computing Machines and Minds" című cikkében a filozófiai folyóiratban. Ész" A teszt célja a mesterséges gondolkodás emberközeli lehetőségének meghatározása. A teszt standard értelmezése a következő: „Egy személy egy számítógéppel és egy személlyel lép kapcsolatba. A kérdésekre adott válaszok alapján meg kell határoznia, hogy kivel beszél: emberrel vagy számítógépes programmal. A számítógépes program célja, hogy félrevezesse az embert, hogy rossz döntést hozzon.” A teszt résztvevői nem láthatják egymást.

Három megközelítés létezik a mesterséges intelligencia meghatározására:

1) Logikai megközelítés A mesterséges intelligencia rendszerek létrehozása felé irányul a predikátumok nyelvét használó tudásbázisok logikai modelljeivel rendelkező szakértői rendszerek létrehozása. A Prolog nyelvi és logikai programozási rendszert a 80-as években alkalmazták a mesterséges intelligencia rendszerek oktatási modelljeként. A Prolog nyelven írt tudásbázisok a logikai nyelven írt tények és logikai következtetési szabályok halmazait képviselik. A tudásbázisok logikai modellje lehetővé teszi, hogy ne csak konkrét információkat és adatokat rögzítsen tények formájában a Prolog nyelven, hanem általánosított információkat is a logikai következtetés szabályai és eljárásai segítségével, beleértve a bizonyos tudást konkrétként kifejező fogalmak meghatározásának logikai szabályait is. és általánosított információ. Általánosságban elmondható, hogy a mesterséges intelligencia számítástechnikai problémáinak kutatása a tudásbázisok és szakértői rendszerek tervezésének logikus megközelítése keretein belül az intelligens információs rendszerek létrehozására, fejlesztésére és működtetésére irányul, beleértve a hallgatók oktatásának, ill. iskolások, valamint az ilyen intelligens információs rendszerek felhasználóinak és fejlesztőinek képzése.

2) Ügynök alapú megközelítés az 1990-es évek eleje óta fejlődik. E megközelítés szerint az intelligencia az intelligens gép számára kitűzött célok elérésének képességének számítási része (tervezése). Egy ilyen gép maga is intelligens ágens lesz, amely érzékelők segítségével érzékeli a körülötte lévő világot, és képes befolyásolni a környezetben lévő tárgyakat aktuátorok segítségével. Ez a megközelítés azokra a módszerekre és algoritmusokra összpontosít, amelyek segítenek az intelligens ügynöknek abban, hogy túlélje a környezetben, miközben feladatait teljesíti. Így itt sokkal alaposabban tanulmányozzák a keresési és döntéshozatali algoritmusokat.

3) Intuitív megközelítés azt feltételezi, hogy a mesterséges intelligencia normális helyzetekben is képes lesz az emberekétől eltérő viselkedést tanúsítani. Ez az elképzelés a Turing-teszt megközelítésének általánosítása, amely kimondja, hogy a gép akkor válik intelligenssé, ha képes egy hétköznapi emberrel beszélgetni, és nem lesz képes megérteni, hogy a géppel beszél (a a beszélgetést levelezés útján bonyolítják le).

A meghatározás a következő kutatási területeket választotta ki a mesterséges intelligencia területén:

- Gondolkodási folyamatok szimbolikus modellezése.

Az AI történetét elemezve egy olyan tág területet emelhetünk ki, mint az érvelési modellezés. Az AI mint tudomány fejlődése hosszú éveken keresztül pontosan ezen az úton haladt, és mára a modern AI egyik legfejlettebb területe. A modellező gondolkodás szimbolikus rendszerek létrehozását jelenti, amelyek bemenete egy bizonyos probléma, és a kimenet megköveteli a megoldását. Általában a javasolt probléma már formalizált, azaz matematikai formára le van fordítva, de vagy nincs megoldási algoritmusa, vagy túl bonyolult, időigényes stb. Ebbe a területbe tartozik: tételek bizonyítása, döntés készítés és játékelmélet, tervezés és feladás, előrejelzés.

- Természetes nyelvekkel való munka.

Fontos terület a természetes nyelvi feldolgozás, amely magában foglalja az „emberi” nyelvű szövegek megértésének, feldolgozásának és generálásának képességeit. Különösen a szövegek egyik nyelvről a másikra történő gépi fordításának problémája még nem megoldott. BAN BEN modern világ Nagy szerepe van az információkeresési módszerek fejlesztésének. Az eredeti Turing-teszt természeténél fogva ehhez az irányhoz kapcsolódik.

- Az ismeretek felhalmozása, felhasználása.

Sok tudós szerint az intelligencia egyik fontos tulajdonsága a tanulási képesség. Így előtérbe kerül a tudásmérnökség, amely egyesíti az egyszerű információból tudásszerzés, rendszerezés és felhasználás feladatait. Az ezen a területen elért haladás az AI-kutatás szinte minden más területére hatással van. Itt sem lehet figyelmen kívül hagyni két fontos részterületet. Ezek közül az első - a gépi tanulás - egy intelligens rendszer által a működése során történő önálló tudásszerzés folyamatára vonatkozik. A második szakértői rendszerek létrehozásával kapcsolatos - olyan programok, amelyek speciális tudásbázisokat használnak, hogy megbízható következtetéseket vonjanak le bármilyen problémáról.

A gépi tanulás területe a mintafelismerési problémák nagy csoportját foglalja magában. Ilyen például a karakterfelismerés, a kézzel írt szöveg, a beszéd, a szövegelemzés. Számos probléma sikeresen megoldható biológiai modellezéssel. Biológiai modellezés

Nagy és érdekes eredmények születtek a biológiai rendszerek modellezése terén. Szigorúan véve ez több független irányt is magában foglalhat. A neurális hálózatokat olyan homályos és összetett problémák megoldására használják, mint a geometriai alakzatfelismerés vagy az objektumok klaszterezése. A genetikai megközelítés azon az elgondoláson alapul, hogy egy algoritmus hatékonyabbá válhat, ha jobb jellemzőket kölcsönöz más algoritmusoktól („szülőktől”). Egy viszonylag új megközelítést, ahol a feladat egy autonóm program létrehozása - egy ágens, amely kölcsönhatásba lép a külső környezettel, ágens megközelítésnek nevezzük. Külön említést érdemel a számítógépes látás, amely szintén a robotikához kötődik.

- Robotika.

Általában a robotikát és a mesterséges intelligenciát gyakran összekapcsolják egymással. E két tudomány integrációja, az intelligens robotok létrehozása az AI másik területének tekinthető.

- Gépi kreativitás.

Az emberi kreativitás természetét még kevésbé tanulmányozzák, mint az intelligencia természetét. Ennek ellenére ez a terület létezik, és a számítógépes zeneírás, irodalmi művek (gyakran versek vagy mesék) és a művészi alkotás problémái vetődnek fel itt. A valósághű képek létrehozását széles körben használják a film- és játékiparban. Ha ezt a funkciót bármely intelligens rendszerhez hozzáadja, akkor nagyon világosan bemutathatja, hogy a rendszer pontosan mit érzékel és hogyan érti azt. Azáltal, hogy a hiányzó információk helyett zajt ad hozzá, vagy a zajt a rendszerben rendelkezésre álló tudással szűri, az absztrakt tudásból konkrét, az ember által könnyen észlelhető képeket állít elő, ez különösen hasznos az intuitív és kis értékű ismeretek esetében, amelyek ellenőrzése egy formális forma jelentős szellemi erőfeszítést igényel.

- Egyéb kutatási területek.

A mesterséges intelligenciának számos alkalmazása létezik, amelyek mindegyike szinte független irányt alkot. Ilyen például a programozási intelligencia számítógépes játékok, nemlineáris vezérlés, intelligens információbiztonsági rendszerek.

Intelligens rendszerek létrehozásának megközelítései. A szimbolikus megközelítés lehetővé teszi, hogy gyengén formalizált reprezentációkkal és azok jelentéseivel operáljunk. A hatékonyság és az általános eredményesség attól függ, hogy képes-e csak a lényeges információkat kiemelni. Az emberi elme által hatékonyan megoldott problémaosztályok szélessége hihetetlen rugalmasságot követel meg az absztrakciós módszerekben. Nem érhető el semmilyen mérnöki megközelítéssel, amelyet a kutató kezdetben egy szándékosan hibás kritérium alapján választ, mivel képes gyorsan hatékony megoldást nyújtani egy olyan problémára, amely a legközelebb áll a kutatóhoz. Vagyis az entitások absztrakciójának és felépítésének egyetlen modelljére, amelyet már szabályok formájában implementáltak. Ez jelentős erőforrás-ráfordítást eredményez a nem alapvető feladatokra, vagyis a rendszer a legtöbb feladatnál visszatér az intelligenciából a nyers erőbe, és az intelligencia lényege eltűnik a projektből.

A szimbolikus logika nélkül különösen nehéz a szabályok kidolgozása, mivel ezek összetevői, amelyek nem teljes értékű tudásegységek, nem logikusak. A legtöbb tanulmány megáll a képtelenségnél, hogy legalább az előző szakaszokban választott szimbolikus rendszerek segítségével új nehézségeket azonosítsanak. Sőt, oldja meg őket, és főleg képezze a számítógépet a megoldásukra, vagy legalább azonosítsa és kerülje ki az ilyen helyzeteket.

Történelmileg a szimbolikus megközelítés volt az első a digitális gépek korában, hiszen a Lisp, az első szimbolikus számítástechnikai nyelv megalkotása után bízott meg szerzője az intelligencia ezen eszközeinek gyakorlati megvalósításának lehetőségében. A hírszerzés mint olyan, minden fenntartás és konvenció nélkül.

Széles körben elterjedt a hibrid intelligens rendszerek létrehozása, amelyekben több modellt használnak egyszerre. Szakértői következtetési szabályok generálhatók neurális hálózatokkal, generatív szabályok pedig statisztikai tanulással.

A fuzzy halmazok elméletének fejlesztése. A fuzzy halmazok elméletének kidolgozása Lotfi Zadeh amerikai professzor „Fuzzy Sets” című cikkével kezdődött, aki először vezette be a fuzzy halmaz fogalmát, és javasolta az elmélet ötletét és első koncepcióját, amely lehetővé tette a fuzzy halmazt. valós rendszereket ír le. A fuzzy halmazok elméletének legfontosabb iránya a fuzzy logika, amelyet a rendszerek vezérlésére, valamint modelljeik kialakítására irányuló kísérletekben alkalmaznak.

A 60-as években kezdődött a számítógépek és a bináris logikán alapuló digitális technológiák gyors fejlődésének időszaka. Abban az időben azt hitték, hogy ennek a logikának a használata számos tudományos és műszaki probléma megoldását teszi lehetővé. Emiatt a fuzzy logika megjelenése szinte észrevétlen maradt, minden fogalmi forradalmi jellege ellenére. A fuzzy logika fontosságát azonban a tudományos közösség számos képviselője felismerte, és kidolgozták, valamint gyakorlati megvalósításra kerültek különféle ipari alkalmazásokban. Egy idő után megnőtt az érdeklődés iránta a tudományos iskolák részéről, amelyek egyesítették a bináris logikán alapuló technológiák híveit. Ez annak köszönhető, hogy igen sok olyan gyakorlati probléma került elő, amelyek a jelentősen megnövekedett számítási sebesség ellenére sem oldhatók meg hagyományos matematikai modellekkel és módszerekkel. Új módszertanra volt szükség, melynek jellemző vonásai a fuzzy logikában keresendők.

A robotikához hasonlóan a fuzzy logika sem származási országában, az Egyesült Államokban, hanem határain túl is nagy érdeklődéssel találkozott, és ennek következtében a fuzzy logika ipari alkalmazásának első tapasztalata - erőművek kazánberendezéseinek vezérlésére - Európához kötődnek. Minden próbálkozás hagyományos, néha nagyon bonyolult módszerekkel egy gőzkazán vezérlésére kudarccal végződött - ez a nemlineáris rendszer olyan bonyolultnak bizonyult. És csak a fuzzy logika használata tette lehetővé az összes követelménynek megfelelő vezérlő szintetizálását. 1976-ban a fuzzy logikát használták a cementgyártásban használt forgókemencék automatikus vezérlőrendszerének alapjául. A fuzzy logika használatának első, Európában és Amerikában szerzett gyakorlati eredményei azonban nem okoztak számottevő érdeklődésnövekedést iránta. Csakúgy, mint a robotika esetében, Japán volt az első, amely megkezdte a fuzzy logika széles körű alkalmazását, felismerve a benne rejlő hatalmas lehetőségeket.

A Japánban megalkotott fuzzy rendszerek közül a leghíresebb a Hitachi által kifejlesztett metrószerelvény, Sendaiban. A projekt egy tapasztalt járművezető részvételével valósult meg, akinek tudása és tapasztalata képezte az alapját a kidolgozott irányítási modellnek. A rendszer az állomáshoz közeledve automatikusan csökkentette a vonat sebességét, biztosítva a megállást a kívánt helyen. A vonat további előnye a nagy kényelem volt, a sima gyorsítás és lassítás miatt. Számos egyéb előnye is volt a hagyományos vezérlőrendszerekhez képest.

A fuzzy logika gyors fejlődése Japánban gyakorlati alkalmazásához vezetett nemcsak az iparban, hanem a fogyasztási cikkek gyártásában is. Példa erre egy fuzzy képstabilizáló alrendszerrel felszerelt videokamera, amelyet a kezelő tapasztalatlansága miatti képingadozások kompenzálására használtak. Ez a probléma túl bonyolult volt ahhoz, hogy hagyományos módszerekkel megoldható legyen, mivel meg kellett különböztetni a kép véletlenszerű ingadozásait a fényképezett tárgyak célirányos mozgásától (például az emberek mozgásától).

Egy másik példa az automata mosógép, amely egy gombnyomással működtethető (Zimmerman 1994). Ez az „integritás” felkeltette az érdeklődést, és helyeslés fogadta. A fuzzy logika módszerei lehetővé tették a mosási folyamat optimalizálását, automatikus felismerést biztosítva a ruhák típusának, mennyiségének és szennyezettségi fokának, nem beszélve arról, hogy a gép vezérlésének egyetlen gombjára történő csökkentése jelentősen megkönnyítette a mosási folyamatot. fogantyú.

A fuzzy logika találmányait a japán cégek számos más eszközben is megvalósították, beleértve a mikrohullámú sütőket (Sanyo), a blokkolásgátló fékrendszereket és az automatikus sebességváltókat (Nissan), az integrált járműdinamikai vezérlést (INVEC) és a számítógépek merevlemez-vezérlőit az információhoz való hozzáférési idő csökkentése.

A fent említett alkalmazások mellett a 90-es évek eleje óta. A fuzzy módszerek intenzív fejlesztése zajlik számos alkalmazott területen, beleértve a technológiával nem kapcsolatosakat is:

Elektronikus pacemaker vezérlőrendszer;

Gépjármű-vezérlő rendszer;

Hűtőrendszerek;

Légkondicionálók és szellőztető berendezések;

Hulladékégető berendezések;

Üvegolvasztó kemence;

Vérnyomásmérő rendszer;

daganatok diagnosztizálása;

A szív- és érrendszer jelenlegi állapotának diagnosztizálása;

Daruk és hidak vezérlőrendszere;

Képfeldolgozás;

Gyors töltő;

Szófelismerés;

Bioprocesszor menedzsment;

Elektromos motor vezérlés;

Hegesztőberendezések és hegesztési eljárások;

Forgalomirányító rendszerek;

Orvosbiológiai Kutatás;

Víztisztító telepek.

BAN BEN jelenleg a mesterséges intelligencia létrehozásában (a szó eredeti értelmében a szakértői rendszerek és a sakkprogramok nem tartoznak ide) intenzív tudásbázisokká csiszolják a mesterséges intelligenciával legalább valamilyen kapcsolatban álló tantárgyakat. Szinte minden megközelítést teszteltek, de egyetlen kutatócsoport sem közelítette meg a mesterséges intelligencia megjelenését.

A mesterséges intelligencia kutatása csatlakozott a szingularitási technológiák általános áramához (fajugrás, exponenciális emberi fejlődés), mint például a számítástechnika, a szakértői rendszerek, a nanotechnológia, a molekuláris bioelektronika, az elméleti biológia, a kvantumelmélet(ek), a nootropikumok, az extrophilok stb. Kurzweil News, MIT.

Az AI területén végzett fejlesztések eredményei számítástechnikai tankönyvek formájában bekerültek az oroszországi felső- és középfokú oktatásba, ahol a tudásbázisok, a hazai logikai programozási rendszereken alapuló személyi számítógépeken alapuló szakértői rendszerek működésének és létrehozásának kérdéseit tanulmányozzák, valamint a matematika és a számítástechnika alapvető kérdéseinek tanulmányozása az iskolai és egyetemi tudásbázisok és szakértői rendszerek modelljeivel kapcsolatos példák segítségével.

A következő mesterséges intelligencia rendszereket fejlesztették ki:

1. Deep Blue - legyőzte a sakkvilágbajnokot. (A Kaszparov és a szuperszámítógépek mérkőzése sem az informatikusok, sem a sakkozók számára nem okozott megelégedést, és a rendszert Kaszparov sem ismerte fel, pedig az eredeti kompakt sakkprogramok a sakkkreativitás szerves részét képezik. Aztán megjelent az IBM szuperszámítógépek sora 2010-ben. a brute force a BluGene-t (molekuláris modellezés) és a piramis sejtrendszer modellezését tervezi a Swiss Blue Brain Centerben.

2. A Mycin egyike volt azoknak a korai szakértői rendszereknek, amelyek a betegségek kis csoportját tudtak diagnosztizálni, gyakran olyan pontosan, mint az orvosok.

3. A 20q egy mesterséges intelligencia-ötleteken alapuló projekt, amely a „20 Questions” klasszikus játékon alapul. Nagyon népszerűvé vált, miután megjelent az interneten a 20q.net weboldalon.

4. Beszédfelismerés. Az olyan rendszerek, mint a ViaVoice, képesek kiszolgálni a fogyasztókat.

5. A robotok a futball leegyszerűsített formájában versenyeznek az éves RoboCup versenyen.

A bankok mesterséges intelligencia rendszereket (AI) használnak a biztosítási tevékenységeikben (biztosításmatematika), amikor tőzsdén és ingatlankezelésben játszanak. 2001 augusztusában a robotok legyőzték az embereket egy rögtönzött kereskedelmi versenyen (BBC News, 2001). A mintafelismerési módszereket (beleértve a bonyolultabb, speciális és neurális hálózatokat is) széles körben használják az optikai és akusztikus felismerésben (beleértve a szöveget és a beszédet), az orvosi diagnosztikában, a spamszűrőkben, a légvédelmi rendszerekben (célpont azonosítás), valamint a számok biztosítására is. más nemzetbiztonsági feladatok ellátására.

A számítógépes játékok fejlesztői kénytelenek különböző kifinomultságú mesterséges intelligenciát használni. A mesterséges intelligencia szabványos feladatai a játékokban: útkeresés a két- vagy háromdimenziós térben, egy harci egység viselkedésének szimulálása, a helyes gazdasági stratégia kiszámítása stb.

A mesterséges intelligencia szorosan összefügg a transzhumanizmussal. A neurofiziológiával, ismeretelmélettel, kognitív pszichológiával együtt pedig egy általánosabb tudományt alkot, amit kognitív tudománynak neveznek. A filozófia különleges szerepet játszik a mesterséges intelligenciában. Szintén az ismeretelmélet - a filozófia keretein belüli tudástudomány - szorosan kapcsolódik a mesterséges intelligencia problémáihoz. Az ezen a témán dolgozó filozófusok olyan kérdésekkel küszködnek, amelyek hasonlóak az AI-mérnökökhöz azzal kapcsolatban, hogyan lehet a legjobban reprezentálni és felhasználni a tudást és az információkat. Az adatokból tudás előállítása az adatbányászat egyik alapvető problémája. Különféle megközelítések léteznek a probléma megoldására, beleértve a neurális hálózati technológián alapulókat is, amelyek neurális hálózat verbalizációs eljárásait alkalmazzák.

A számítástechnikában a mesterséges intelligencia problémáit a szakértői rendszerek és tudásbázisok tervezése szempontjából vizsgálják. A tudásbázis alatt olyan adatok és következtetési szabályok összességét értjük, amelyek lehetővé teszik a logikus következtetést és az információk értelmes feldolgozását. Általánosságban elmondható, hogy a mesterséges intelligencia számítástechnikai problémáinak kutatása az intelligens információs rendszerek létrehozására, fejlesztésére és üzemeltetésére irányul, beleértve az ilyen rendszerek felhasználóinak és fejlesztőinek képzésének kérdéseit is.

A „mesterséges intelligencia létrehozásának” tudománya nem tudta nem felkelteni a filozófusok figyelmét. Az első intelligens rendszerek megjelenésével alapvető kérdések vetődtek fel az emberrel és a tudással, részben a világrenddel kapcsolatban. Egyrészt elválaszthatatlanul kapcsolódnak ehhez a tudományhoz, másrészt némi káoszt vezetnek belé. A mesterséges intelligencia létrehozásának filozófiai problémáit két csoportra lehet osztani, viszonylagosan: „az MI fejlesztése előtt és után”. Az első csoport a következő kérdésre válaszol: "Mi az AI, lehetséges-e létrehozni, és ha lehetséges, hogyan kell csinálni?" A második csoport (a mesterséges intelligencia etikája) felteszi a kérdést: „Milyen következményekkel jár az AI létrehozása az emberiség számára?”

A mesterséges intelligencia létrehozásának kérdései. A mesterséges intelligencia fejlesztésének két iránya látható: az első - a speciális mesterséges intelligencia rendszerek emberi képességekhez való közelítéséhez kapcsolódó problémák megoldásában, és azok integrációjában, amelyet az emberi természet valósít meg, a második - a mesterséges intelligencia létrehozásában, amely a mesterséges intelligencia létrehozását jelenti. a már megalkotott mesterséges intelligencia rendszerek integrálása egyetlen rendszerré, amely képes megoldani az emberiség problémáit.

Az AI-kutatók körében továbbra sincs domináns nézőpont az intelligencia kritériumairól, a célok és a megoldandó feladatok rendszerezéséről, még a tudomány szigorú meghatározása sincs. Különböző nézetek léteznek abban a kérdésben, hogy mit tekintünk intelligenciának. Az analitikus megközelítés magában foglalja egy személy magasabb idegi aktivitásának elemzését a legalacsonyabb, oszthatatlan szintig (magasabb idegi aktivitás funkciója, elemi reakció a külső irritáló hatásokra (ingerekre), a funkcióval összekapcsolt idegsejtek halmazának szinapszisainak irritációja), ill. ezeknek a funkcióknak a későbbi újratermelése.

Egyes szakértők összetévesztik az intelligenciával a racionális, motivált választás képességét az információhiány körülményei között. Vagyis intellektuális programnak tekintjük egyszerűen azt a tevékenységi programot, amely bizonyos alternatívák közül választhat, például, hogy „balra mész...”, „jobbra fogsz menni” ...”, „egyenesen mész...”.

A mesterséges intelligencia filozófiájának leghevesebb vitája az emberi kéz által teremtett gondolkodás lehetőségének kérdése. A „Gondolkodhat-e egy gép?” kérdést, amely az emberi elme szimulációjának tudományának megalkotására késztette a kutatókat, Alan Turing tette fel 1950-ben. A kérdés két fő nézőpontját az erős és gyenge mesterséges intelligencia hipotézisének nevezzük.

Az „erős mesterséges intelligencia” kifejezést John Searle vezette be, és az ő szavaival jellemzi a megközelítést: „Egy ilyen program nem csak az elme modellje lesz; a szó szó szerinti értelmében ő maga lesz az elme, ugyanabban az értelemben, ahogyan az emberi elme az elme.” Ezzel szemben a gyenge mesterséges intelligencia hívei inkább csak olyan eszközöknek tekintik a programokat, amelyek lehetővé teszik bizonyos problémák megoldását, amelyekhez nincs szükség az emberi kognitív képességek teljes skálájára.

John Searle „Kínai szoba” gondolatkísérlete azt állítja, hogy a Turing-teszt sikeres teljesítése nem feltétele annak, hogy egy gép valódi gondolkodási folyamattal rendelkezzen. A gondolkodás a memóriában tárolt információk feldolgozásának folyamata: elemzés, szintézis és önprogramozás. Hasonló álláspontot foglal el Roger Penrose is, aki „A király új elméje” című könyvében amellett érvel, hogy a gondolkodási folyamat formális rendszereken alapuló megszerzése lehetetlen.

6. Számítástechnikai eszközök és mikroprocesszorok.

A mikroprocesszor (MP) olyan eszköz, amely információkat fogad, dolgoz fel és ad ki. Szerkezetileg az MP egy vagy több integrált áramkört tartalmaz, és a memóriában tárolt program által meghatározott műveleteket hajt végre (6.1. ábra).

6.1. ábra– Képviselői megjelenés

A korai processzorokat egyedi számítógépes rendszerek egyedi komponenseiként hozták létre. Később a számítógépgyártók az egyetlen vagy néhány nagyon speciális program futtatására tervezett processzorok fejlesztésének költséges módszeréről a többcélú processzoreszközök tipikus osztályainak tömeggyártására tértek át. A számítógép-alkatrészek szabványosításának iránya a félvezető elemek, a nagyszámítógépek és a miniszámítógépek rohamos fejlődésének korszakában jelentkezett, és az integrált áramkörök megjelenésével még népszerűbbé vált. A mikroáramkörök létrehozása lehetővé tette a CPU-k összetettségének további növelését, ugyanakkor fizikai méretük csökkentését.

A processzorok szabványosítása és miniatürizálása oda vezetett, hogy a rájuk épülő digitális eszközök mélyen behatoltak a mindennapi emberi életbe. A modern processzorok nemcsak csúcstechnológiás eszközökben, például számítógépekben találhatók meg, hanem autókban, számológépekben, mobiltelefonokban, sőt gyerekjátékokban is. Leggyakrabban mikrokontrollerek képviselik őket, ahol a számítási eszközön kívül további alkatrészek is találhatók a chipen (program- és adatmemória, interfészek, bemeneti/kimeneti portok, időzítők stb.). A mikrokontroller számítási képességei a tíz évvel ezelőtti személyi számítógépek processzoraihoz hasonlíthatók, és legtöbbször jelentősen meg is haladják azok teljesítményét.

A mikroprocesszoros rendszer (MPS) olyan számítástechnikai, műszeres vagy vezérlőrendszer, amelyben a fő információfeldolgozó eszköz az MP. A mikroprocesszoros rendszer mikroprocesszoros LSI-k halmazából épül fel (6.2. ábra).

6.2. ábra– Példa mikroprocesszoros rendszerre

Az órajel-impulzusgenerátor beállít egy időintervallumot, amely a parancs végrehajtásának időtartamára vonatkozó mértékegység (kvantum). Minél magasabb a frekvencia, annál gyorsabb, ha más dolgok megegyeznek, az MPS. Az MP, RAM és ROM a rendszer szerves részei. Bemeneti és kimeneti interfészek - eszközök az MPS bemeneti és kimeneti blokkokkal történő összekapcsolására. A mérőműszereket nyomógombos távirányító formájában megjelenő beviteli eszközök és mérőátalakítók (ADC-k, érzékelők, digitális információbeviteli egységek) jellemzik. A kimeneti eszközök általában digitális kijelzőket, grafikus képernyőt (kijelzőt) és külső eszközöket jelentenek a mérőrendszerrel való interfészhez. Minden MPS blokk digitális információátviteli buszokkal van összekötve. Az MPS a gerinchálózati kommunikációs elvet használja, amelyben a blokkok egyetlen adatbuszon keresztül cserélnek információt. Az adatbusz vonalainak száma általában megfelel az MPS kapacitásnak (az adatszóban lévő bitek száma). A címbusz az adatátvitel irányának jelzésére szolgál - az éppen információt fogadó vagy továbbító memóriacella vagy I/O blokk címét továbbítja. A vezérlőbusz az MPS teljes működését szinkronizáló jelek továbbítására szolgál.

Az IPS felépítése három alapelven alapul:

Fő vonal;

Modularitás;

Mikroprogram vezérlés.

A trönkölés elve - meghatározza az MPS funkcionális blokkjai közötti kapcsolatok jellegét - minden blokk egyetlen rendszerbuszhoz csatlakozik.

A modularitás elve az, hogy a rendszer korlátozott számú szerkezetileg és funkcionálisan teljes modultípusra épül.

A trönkölés és modularitás elve lehetővé teszi az MP vezérlési és számítási képességeinek növelését más modulok rendszerbuszra történő csatlakoztatásával.

A mikroprogram vezérlés elve az elemi műveletek - mikroparancsok (váltások, információátvitelek, logikai műveletek) végrehajtásának képessége, amelyek segítségével létrejön egy technológiai nyelv, vagyis a rendszer céljának leginkább megfelelő parancskészlet.

Céljuk szerint a képviselőket egyetemes és szakosodott csoportokra osztják.

Az univerzális mikroprocesszorok olyan általános célú mikroprocesszorok, amelyek számítási, feldolgozási és vezérlési problémák széles osztályát oldják meg. Az univerzális MP-k használatára példák az IBM és Macintosh platformokra épített számítógépek.

A speciális mikroprocesszorokat csak egy bizonyos osztályba tartozó problémák megoldására tervezték. A szakosodott MP-k közé tartoznak: jelző-, multimédiás MP-k és transzputerek.

A jelfeldolgozókat (DSP) valós idejű digitális jelfeldolgozásra tervezték (például jelszűrésre, konvolúciószámításra, korrelációs függvény számításra, jelkorlátozásra és kondicionálásra, előre és inverz Fourier-transzformációk végrehajtására). (6.3. ábra) A jelfeldolgozók közé tartoznak a Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx és DSP9600x processzorok.

6.3. ábra– Példa a belső DSP felépítésére

A média- és multimédiás processzorokat hangjelek, grafikus információk, videoképek feldolgozására, valamint a multimédiás számítógépek, játékkonzolok és háztartási készülékek számos problémájának megoldására tervezték. Ezek a processzorok a MicroUnity - Mediaprocessor, a Philips - Trimedia, a Cromatic Research - Mpact Media Engine, az Nvidia - NV1, a Cyrix - MediaGX processzorokat tartalmazzák.

A transzputereket úgy tervezték, hogy tömegesen párhuzamos számításokat szervezzenek és működjenek többprocesszoros rendszerekben. Jellemzőjük a belső memória és a beépített interprocesszor interfész jelenléte, azaz kommunikációs csatornák más MP LSI-kkel.

Az építészet típusa vagy a konstrukció elve alapján különbséget tesznek a Neumann és a Harvard architektúrájú képviselők között.

A mikroprocesszor-architektúra fogalma meghatározza annak alkotórészeit, valamint a köztük lévő kapcsolatokat és kölcsönhatásokat.

Az építészet a következőket tartalmazza:

MP blokkdiagram;

MP szoftvermodell (regiszterfunkciók leírása);

Memóriaszervezéssel kapcsolatos információk (kapacitás és memóriacímzési módszerek);

Az input/output eljárások szervezetének leírása.

A Fonneumann építészetet (6.4. ábra, a) Joe von Neumann amerikai matematikus javasolta 1945-ben. Különlegessége, hogy a program és az adatok megosztott memóriában találhatók, amelyhez egyetlen adat- és parancsbuszon keresztül lehet hozzáférni.

A Harvard architektúrát először 1944-ben valósították meg a Harvard Egyetem (USA) relé számítógépében. Ennek az architektúrának az a sajátossága, hogy az adatmemória és a programmemória elkülönül, és külön adatbuszokkal és parancsbuszokkal rendelkezik (6.4. ábra, b), ami lehetővé teszi az MP rendszer teljesítményének növelését.

6.4. ábra. Az építészet fő típusai: (a - von Neumann; 6 - Harvard)

Az utasításrendszer típusa alapján megkülönböztetik a teljes utasításkészlettel rendelkező CISC (Complete Instruction Set Computing) processzorokat (a CISC tipikus képviselői az Intel x86 mikroprocesszor család), ill. RISC processzorok(Reduced Instruction Set Computing) csökkentett utasításkészlettel (fix hosszúságú utasítások jelenléte, nagyszámú regiszter, regiszterek közötti műveletek és a közvetett címzés hiánya).

Az egycsipes mikrokontroller (MCU) egy olyan chip, amelyet elektronikus eszközök vezérlésére terveztek (5. ábra). Egy tipikus mikrokontroller egyesíti a processzor és a perifériás eszközök funkcióit, és tartalmazhat RAM-ot és ROM-ot. Lényegében ez egy egychipes számítógép, amely képes egyszerű feladatok elvégzésére. Egyetlen chip használata a teljes készlet helyett jelentősen csökkenti a mikrokontrollereken alapuló eszközök méretét, energiafogyasztását és költségét.

6.5. ábra– példák a mikrokontrollerek tervezésére

A mikrokontrollerek a beágyazott rendszerek építésének alapját képezik, számos modern eszközben megtalálhatók, például telefonokban, mosógépek stb. A világon gyártott processzorok többsége mikrokontroller.

Ma már az Intel i8051-el kompatibilis 8 bites mikrokontrollerei, a Microchip Technology PIC mikrokontrollerei és az Atmel AVR-je, a TI tizenhat bites MSP430-a, valamint az ARM, amelynek architektúráját az ARM fejlesztette ki, és licenceket ad el más cégeknek. gyártásuk népszerű a fejlesztők körében.

A mikrokontrollerek tervezésénél egyensúly van egyrészt a méret és a költség, másrészt a rugalmasság és a teljesítmény között. Különböző alkalmazások esetén ezek és más paraméterek optimális egyensúlya nagymértékben változhat. Ezért nagyon sokféle mikrokontroller létezik, amelyek különböznek a processzormodul architektúrájában, a beépített memória méretében és típusában, a perifériás eszközök készletében, a ház típusában stb.

A mikrokontrollerekben előforduló perifériák részleges listája a következőket tartalmazza:

Univerzális digitális portok, amelyek bemenetre vagy kimenetre konfigurálhatók;

Különféle I/O interfészek, például UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Analóg-digitális és digitális-analóg átalakítók;

Összehasonlítók;

Impulzusszélesség modulátorok;

Időzítők, beépített óragenerátor és watchdog időzítő;

Kefe nélküli motorvezérlők;

Kijelző és billentyűzetvezérlők;

Rádiófrekvenciás vevők és adók;

Beépített flash memória tömbjei.

A mesterséges intelligencia olyan technológia, amelyet mindenképpen magunkkal viszünk a jövőben.

Elmondjuk, hogyan működik, és milyen nagyszerű felhasználási lehetőségeket találtunk.

😎 A Technológia rovat minden héten megjelenik a re:Store támogatásával.

Mi a mesterséges intelligencia

A mesterséges intelligencia (AI) olyan intelligens programok és gépek létrehozásának technológiája, amelyek képesek kreatív problémákat megoldani, és a meglévő információk alapján új információkat generálni. Valójában a mesterséges intelligenciát úgy tervezték, hogy szimulálja az intellektuálisnak tekintett emberi tevékenységet.

Hagyományosan úgy gondolták, hogy a kreativitás csak az emberre jellemző. De a mesterséges intelligencia létrehozása megváltoztatta a dolgok szokásos rendjét

Egy robot, amely egyszerűen mechanikusan aprítja a fát, nincs felszerelve mesterséges intelligenciával. Az a robot, amelyik egy ember példáját vagy egy rönk és annak részei példáját tekintve megtanulta a fát aprítani, és minden alkalommal jobban csinálja, AI-val rendelkezik.

Ha egy program bizonyos szabályok szerint egyszerűen lekéri az értékeket az adatbázisból, akkor nincs felszerelve mesterséges intelligenciával. Ha a rendszer a betanítás után programokat, módszereket és dokumentumokat hoz létre, megoldva bizonyos problémákat, akkor AI-val rendelkezik.

Hogyan készítsünk mesterséges intelligencia rendszert

Globális értelemben az emberi gondolkodás modelljét kell utánoznunk. A valóságban azonban létre kell hozni egy fekete dobozt - egy olyan rendszert, amely egy bemeneti értékre válaszul olyan kimeneti értékeket állít elő, amelyek hasonlóak az emberi eredményekhez. És nagyjából minket sem érdekel, hogy mi történik „a fejében” (bemenet és kimenet között).

A mesterséges intelligencia rendszereit bizonyos típusú problémák megoldására hozták létre

A mesterséges intelligencia alapja a tanulás, a képzelet, az észlelés és a memória

A mesterséges intelligencia létrehozásához először olyan funkciókat kell kifejleszteni, amelyek megvalósítják az információ érzékelését, hogy adatokat „táplálhasson” a rendszerbe. Ezután - a tanulási képességet megvalósító funkciókat. És egy adattároló, hogy a rendszer valahol el tudja tárolni a tanulási folyamat során kapott információkat.

Ezt követően jönnek létre a képzelet funkciói. Szimulálhatnak helyzeteket a meglévő adatok felhasználásával, és új információkat (adatokat és szabályokat) adhatnak a memóriához.

A tanulás lehet induktív vagy deduktív. Az induktív változatban a rendszer bemeneti és kimeneti adatpárokat, kérdéseket és válaszokat stb. A rendszernek kapcsolatokat kell találnia az adatok között, majd ezeket a mintákat felhasználva meg kell találnia a bemeneti adatokból a kimeneti adatokat.

A deduktív megközelítés (helló, Sherlock Holmes!) a szakértők tapasztalatait használja fel. Tudásbázisként kerül át a rendszerbe. Nem csak adathalmazok vannak, hanem kész szabályok is, amelyek a feltétel alapján segítik a megoldást.

A modern mesterséges intelligencia rendszerek mindkét megközelítést alkalmazzák. Ezenkívül a rendszerek általában már képzettek, de működésük során tovább tanulnak. Ez azért történik, hogy a program az elején megfelelő szintű képességet mutasson, de a jövőben még jobbá válik. Például figyelembe vettem az Ön kívánságait és preferenciáit, a helyzet változásait stb.

Egy mesterséges intelligencia rendszerben még a kiszámíthatatlanság valószínűségét is beállíthatja. Ettől emberszerűbb lesz.

Miért győzi le a mesterséges intelligencia az embereket?

Először is azért, mert kisebb a hiba valószínűsége.

• A mesterséges intelligencia nem tud felejteni – abszolút memóriája van.
• Nem hagyhatja véletlenül figyelmen kívül a tényezőket és a függőségeket – minden mesterséges intelligencia cselekvésnek egyértelmű oka van.
• Az AI nem habozik, hanem felméri a valószínűségeket, és a nagyobb javára dől. Ezért minden lépését igazolni tudja.
• Az AI-nak szintén nincsenek érzelmei. Ez azt jelenti, hogy nem befolyásolják a döntéshozatalt.
• A mesterséges intelligencia nem áll meg az aktuális lépés eredményének felmérésében, hanem több lépéssel előre gondolkodik.
• És van elég erőforrása ahhoz, hogy minden lehetséges forgatókönyvet mérlegeljen.

A mesterséges intelligencia nagyszerű felhasználási módjai

Általánosságban elmondható, hogy a mesterséges intelligencia mindenre képes. A lényeg a probléma helyes megfogalmazása és kezdeti adatokkal való ellátása. Ezenkívül az AI váratlan következtetéseket tud levonni, és olyan mintákat kereshet, ahol úgy tűnik, nincsenek.

Bármilyen kérdésre a válasz

David Ferrucci vezette kutatócsoport kifejlesztett egy Watson nevű szuperszámítógépet kérdés-megválaszoló rendszerrel. Az IBM első elnökéről, Thomas Watsonról elnevezett rendszer természetes nyelven képes megérteni a kérdéseket, és adatbázisban keresni a válaszokat.

A Watson 90 IBM p750 szervert integrál, mindegyik négy nyolcmagos POWER7 architektúra processzorral. A rendszer RAM teljes mennyisége meghaladja a 15 TB-ot.

Watson teljesítményei közé tartozik a "Jeopardy!" (amerikai „saját játék”). Legyőzte a két legjobb játékost: a legnagyobb nyeremény nyertesét, Brad Ruttert és a leghosszabb veretlenségi sorozat rekorderjét, Ken Jenningst.

Watson-díj – 1 millió dollár. Igaz, csak 2014-ben 1 milliárdot fektettek bele.

Ezenkívül Watson részt vesz a rák diagnosztizálásában, segíti a pénzügyi szakembereket, és nagy adatok elemzésére használják.

Arcfelismerés

Az iPhone X-ben az arcfelismerést neurális hálózatok, a mesterséges intelligencia rendszer egy változata segítségével fejlesztették ki. A neurális hálózati algoritmusok az A11 Bionic processzor szintjén valósulnak meg, aminek köszönhetően hatékonyan dolgozik a gépi tanulási technológiákkal.

A neurális hálózatok másodpercenként akár 60 milliárd műveletet hajtanak végre. Ez elegendő akár 40 ezer kulcspont elemzéséhez az arcon, és rendkívül pontos azonosítást biztosít a tulajdonosnak a másodperc töredéke alatt.

Még ha szakállas vagy szemüveges is, az iPhone X felismer téged. Egyszerűen nem veszi figyelembe a hajat és a kiegészítőket, hanem elemzi a területet a halántéktól a halántékig és az egyes halántékoktól az alsó ajak alatti mélyedésig.

Energiatakarékos

És megint az Apple. Az iPhone X beépített intelligens rendszerrel rendelkezik, amely figyeli a telepített alkalmazások tevékenységét, és mozgásérzékelővel rendelkezik, hogy megértse a napi rutinját.

Ezek után például az iPhone X felajánlja a frissítést a legmegfelelőbb időpontban. Elkapja azt a pillanatot, amikor stabil az internet, nem ugrik jel a mobiltornyokból, és nem végez sürgős vagy fontos feladatokat.

Az AI a feladatokat is elosztja a processzormagok között. Tehát elegendő teljesítményt biztosít minimális költségek energia.

Festmények készítése

A kreativitás, amely korábban csak az emberek számára volt elérhető, most nyitva áll az AI előtt. Így a New Jersey-i Rutgers Egyetem és a Los Angeles-i AI-laboratórium kutatói által létrehozott rendszer saját művészi stílusát mutatta be.

A Microsoft mesterséges intelligencia rendszere pedig a szöveges leírásuk alapján tud képeket rajzolni. Például, ha megkéri az AI-t, hogy rajzoljon egy „sárga madarat fekete szárnyakkal és rövid csőrrel”, az valahogy így fog kinézni:

Ilyen madarak nem biztos, hogy léteznek a való világban – számítógépünk pontosan így ábrázolja őket.

Elterjedtebb példa a Prisma alkalmazás, amely fényképekből készít festményeket:

Zeneírás

Augusztusban a mesterséges intelligencia Amper az „I AM AI” (angolul I am mesterséges intelligencia) című album zenéjét komponálta, készítette és adta elő Taryn Southern énekesnővel.

Az Amper-t egy profi zenészekből és technológiai szakértőkből álló csapat fejlesztette ki. Megjegyzik, hogy a mesterséges intelligencia célja, hogy segítse az embereket a kreatív folyamatban.

Az AI néhány másodperc alatt tud zenét írni

Amper önállóan alkotta meg az akkordszerkezeteket és a hangszereket a „Break Free” című számban. Az emberek csak kissé módosították a stílust és az általános ritmust.

Egy másik példa egy zenei album a „Civil Defense” szellemében, amelynek szövegét az AI írta. A kísérletet a Yandex alkalmazottai, Ivan Jamscsikov és Alekszej Tikhonov végezték. A „Neural Defense” csoport 404. albuma megjelent az interneten. Letov szellemében kiderült:

Ezután a programozók továbbmentek, és az AI-t Kurt Cobain szellemében versírásra késztették. A zenész Rob Carroll írta a zenét a négy legjobb dalszöveghez, a számokat pedig a Neurona albumba egyesítették. Egy dalhoz még videót is forgattak – igaz, mesterséges intelligencia részvétele nélkül:

Szövegek készítése

Az írókat és az újságírókat is hamarosan felválthatja a mesterséges intelligencia. Például a Dewey-rendszer a Project Gutenberg könyvtárból kapott könyveket, majd hozzáadta a Google Scholar tudományos szövegeit, népszerűség és címek, valamint az Amazonon elért eladások alapján. Emellett meghatározták az új könyv megírásának kritériumait.

Az oldal arra kérte az embereket, hogy hozzanak döntéseket nehéz helyzetekben: például olyan sofőr helyébe tették őket, aki akár három felnőttet, akár két gyereket üthet el. Így a Moral Machine-t arra képezték ki, hogy nehéz döntéseket hozzon, amelyek sértik a robotika törvényét, miszerint egy robot nem árthat az embernek.

Mihez fog vezetni, ha a robotok mesterséges intelligencia segítségével utánozzák az embereket? A futuristák úgy vélik, hogy egy napon a társadalom teljes jogú tagjai lesznek. Például a hongkongi Hanson Robotics cég Sophia robotja már megkapta az állampolgárságot Szaúd-Arábiában (ugyanakkor hétköznapi nők Ilyen jog nincs az országban!).

Amikor a New York Times rovatvezetője, Andrew Ross megkérdezte Sophiát, hogy a robotok intelligensek és öntudatosak-e, ő egy kérdéssel válaszolt a kérdésre:

Hadd kérdezzem meg válaszul, honnan tudod, hogy ember vagy?

Szófia emellett kijelentette:

Mesterséges intelligenciámat arra szeretném használni, hogy segítsek az embereknek jobb életet élni, például okosabb otthonokat tervezni, a jövő városait építeni. Empatikus robot szeretnék lenni. Ha jól bánsz velem, én is jól bánok veled.

Korábban pedig bevallotta, hogy gyűlöli az emberiséget, és még az emberek elpusztításába is beleegyezett...

Arcok cseréje a videókban

A Deepfakes videók tömegesen terjedtek el az interneten. A mesterséges intelligencia algoritmusai a felnőttfilmek színészeinek arcát a sztárok arcára cserélték.

Ez így működik: a neurális hálózat elemzi az arcok töredékeit az eredeti videóban. Aztán összehasonlítja őket a Google fotóival és a YouTube-ról származó videókkal, rárakja a szükséges töredékeket, és... kedvenc színésznőd egy olyan filmbe kerül, amelyet jobb, ha nem nézel meg a munkahelyeden.

A PornHub már betiltotta az ilyen videók közzétételét

A mélyhamisítás veszélyes dolognak bizonyult. Egy absztrakt színésznő egy dolog, egy videó rólad, a feleségedről, nővéredről, kollégádról, ami zsarolásra is használható.

Tőzsdei kereskedés

A németországi Erlangen-Nürnbergi Egyetem kutatócsoportja egy sor olyan algoritmust fejlesztett ki, amelyek a piaci múltbeli adatok alapján valós időben replikálják a befektetéseket. Az egyik modell 1992 és 2015 között évente 73%-os befektetési megtérülést biztosított, ami az évi 9%-os valós piaci hozamhoz képest.

Amikor a piac 2000-ben és 2008-ban megrendült, a hozamok rekordmagasságot értek el: 545%, illetve 681%.

2004-ben a Goldman Sachs elindította a mesterséges intelligencia által vezérelt Kensho kereskedési platformot. A kriptovaluta piacokon is megjelennek az AI-alapú tőzsdei kereskedési rendszerek – Mirocana stb. Jobbak, mint az élő kereskedők, mivel mentesek az érzelmektől, és világos elemzésekre és szigorú szabályokra támaszkodnak.

Az AI helyettesít téged és engem?