Այս հոդվածում ես կկիսվեմ գենետիկական ալգորիթմի միջոցով ամենապարզ արհեստական ինտելեկտը (AI) աճեցնելու իմ փորձով, ինչպես նաև կխոսեմ ցանկացած վարքագծի համար անհրաժեշտ հրամանների նվազագույն փաթեթի մասին:

Աշխատանքի արդյունքը եղավ այն, որ AI-ն, առանց կանոնների իմանալու, ինքնուրույն յուրացրեց tic-tac-toe խաղը և գտավ իր դեմ խաղացող բոտերի թույլ կողմերը։ Բայց ես սկսեցի ավելի պարզ առաջադրանքից.

Հրամանների հավաքածու

Ամեն ինչ սկսվեց հրամանների մի շարք պատրաստելով, որը կարող էր ունենալ AI-ն: Բարձր մակարդակի լեզուները պարունակում են հարյուրավոր տարբեր օպերատորներ: Պահանջվող նվազագույնը ընդգծելու համար ես որոշեցի դիմել ասամբլեայի լեզվին: Սակայն պարզվեց, որ այն պարունակում է նաև բազմաթիվ հրամաններ։

Ինձ անհրաժեշտ էր AI-ն, որպեսզի կարողանայի կարդալ և դուրս բերել տվյալները, աշխատել հիշողության հետ, կատարել հաշվարկներ և տրամաբանական գործողություններ, կատարել անցումներ և հանգույցներ: Ես հանդիպեցի Brainfuck լեզվին, որը պարունակում է ընդամենը 8 հրաման և կարող է կատարել ցանկացած հաշվարկ (այսինքն՝ Turing ամբողջական է): Սկզբունքորեն դա հարմար է գենետիկ ծրագրավորման համար, բայց ես ավելի հեռուն գնացի։

Հետաքրքրվեցի՝ ո՞րն է հրամանների նվազագույն քանակը, որոնք անհրաժեշտ են ցանկացած ալգորիթմի իրականացման համար: Ինչպես պարզվեց, կար միայն մեկը!

URISC պրոցեսորը պարունակում է միայն մեկ հրահանգ՝ հանել և բաց թողնել հաջորդ հրահանգը, եթե ենթատարածքը ավելի մեծ է, քան մինուենդը: Սա բավական է ցանկացած ալգորիթմ կառուցելու համար։

Օլեգ Մազոնկան ավելի հեռուն գնաց, նա մշակեց BitBitJump հրամանը և ապացուցեց, որ այն Թյուրինգի ամբողջականությունն է: Հրահանգը պարունակում է երեք հասցե, պատճենում է մեկ բիթ առաջինից երկրորդ հիշողության հասցե և փոխանցում է կառավարումը երրորդ հասցեին:

Փոխառելով Օլեգի գաղափարները՝ աշխատանքը պարզեցնելու համար ես մշակեցի SumIfJump հրամանը։ Հրամանը պարունակում է չորս օպերանդ՝ A, B, C, D և անում է հետևյալը. B հասցեի բջիջին ավելացնում է տվյալներ A հասցեի բջիջից, եթե արժեքը մեծ է նշված արժեքից*, ապա այն անցնում է հասցե: Գ, հակառակ դեպքում այն գնում է դեպի Դ.

Նշում

*Այս դեպքում օգտագործվել է 128՝ գենոմի երկարության կեսը։

Երբ օպերանդ A-ն մուտք է գործում հիշողության N0 տեղադրություն, տեղի է ունենում տվյալների մուտքագրում, իսկ երբ օպերանդ A-ն մուտք է գործում հիշողության N1 տեղադրություն, տեղի է ունենում ելք:

Ստորև ներկայացված է SumIfJump կոդը FreePascal-ում (Դելֆիի անվճար անալոգը):

Ընթացակարգ RunProg(ներ՝ TData); var a, b, c, d: TData; start Inc (NStep); եթե NStep > MaxStep, ապա սկսեք ProgResult:= «MaxStep»; Ելք; վերջ; a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:=Prog[d]; եթե a = 0, ապա սկսեք ProgResult:= «Input»; Ելք; վերջ; եթե a = 1, ապա սկսեք ProgResult:= «Ելք»; Ելք; վերջ; Prog[b] := Prog[b] + Prog[a]; եթե Prog[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump-ն իրականացնում է ինքնափոփոխվող կոդը: Կարող է կատարել ցանկացած ալգորիթմ, որը հասանելի է սովորական ծրագրավորման լեզվով: Կոդը հեշտ է փոխել և կարող է դիմակայել ցանկացած մանիպուլյացիայի:

Պարզ առաջադրանք

Այսպիսով, մեր AI-ն ունի միայն մեկ հրաման. Առայժմ տիկ-տակը նրա համար շատ բարդ խաղ է, ուստի ես սկսեցի ավելի պարզից:

Բոտը արտադրում է պատահական թիվ, և AI-ն պետք է կարդա տվյալները և պատասխան տա: Եթե թիվը միջինից մեծ է (պատահական թվերի տիրույթից), ապա AI-ն պետք է արտադրի միջինից փոքր թիվ և հակառակը:

Մեր AI-ի գենոմը բաղկացած է 256 բջիջներից՝ 0-ից 255 արժեքներով: Յուրաքանչյուր արժեք իրենից ներկայացնում է հիշողություն, կոդ և հասցե: Կոդի կատարման քայլերի թիվը սահմանափակված է 256-ով: Օպերանդները կարդացվում են մեկը մյուսի հետևից:

Սկզբում գենոմը ստեղծվում է մի շարք պատահական թվերի միջոցով, ուստի AI-ն չգիտի, թե ինչ է պետք խաղալ: Ավելին, նա չգիտի, որ բոտին պատասխանելիս անհրաժեշտ է հաջորդաբար մուտքագրել և ելքային տվյալներ։

Բնակչություն և ընտրություն

Առաջին պոպուլյացիան բաղկացած է 256 AI-ներից, որոնք սկսում են խաղալ բոտի հետ։ Եթե AI-ն կատարում է ճիշտ գործողություններ, օրինակ, նա տվյալներ է պահանջել մուտքագրման համար, իսկ հետո ինչ-որ բան դուրս բերելու համար, ապա AI-ն միավորներ է ստանում: Որքան շատ ճիշտ գործողություններ, այնքան ավելի շատ միավորներ:

Ամենաշատ միավորներ վաստակած 16 AI-ները յուրաքանչյուրը տալիս են 15 սերունդ և շարունակում են մասնակցել խաղին: Հետնորդը մուտանտ է: Մուտացիան տեղի է ունենում՝ փոխարինելով մեկ պատահական բջիջ ծնողի պատճենում պատահական արժեքով:

Եթե առաջին պոպուլյացիայի մեջ ոչ մի AI միավոր չի հավաքում, ապա ձևավորվում է հաջորդ բնակչությունը: Եվ այսպես շարունակ, մինչև AI-ներից մեկը չսկսի ճիշտ գործողություններ կատարել և «ճիշտ» սերունդ տալ:

Էվոլյուցիա

Հազարավոր սերնդափոխություններ տեղի ունեցան նշանակալից իրադարձությունների միջև։ Ծրագիրը գործարկվել է մի քանի թելերով Core i7-ի վրա: Հաշվարկները տեւել են մոտ 15 րոպե։

Երբ AI-ի «առաջնորդը» պատահական սխալ թույլ տվեց և բավարար միավորներ չվաստակեց, բնակչությունը սկսեց նսեմանալ, քանի որ. սերունդները ձևավորվել են «երկրորդական» ծնողներից:
Պատահում էր, որ ժամանակ նշող կողմնակի անձանց հետ հոսքում հաջող մուտացիա տեղի ունեցավ՝ ապահովելով հավաքած միավորների պայթյունավտանգ աճ։ Որից հետո այս հոսքը դարձավ առաջատար։
Երբեմն ոչ մի հաջող մուտացիա երկար ժամանակ տեղի չէր ունենում, և նույնիսկ 500 հազար սերունդը բավարար չէր ընտրությունն ավարտելու համար։

Եզրակացություն

Ի վերջո, ես նույնն արեցի «տիկ-տակ» խաղի դեպքում: Օգտագործված գենոմի չափը նույնն էր, ինչ առաջին դեպքում։ Քայլերի թիվը հասցվել է 1024-ի, իսկ բնակչության թիվը՝ 64-ի (ավելի արագ հաշվարկի համար): Հաշվարկը մի փոքր երկար տեւեց։ Ամեն ինչ տեղի ունեցավ մոտավորապես նույն սցենարով.

Սկզբում AI-ն խաղում էր «պատահականի» դեմ: Ես այդպես անվանեցի բոտը, որը պատահական քայլում է: Բավական արագ, AI-ն սկսեց ծեծել նրան՝ լրացնելով ինչ-որ տող: Այնուհետև ես բարդացրի առաջադրանքը՝ մի փոքր խելամտություն ավելացնելով պատահականության վրա. հնարավորության դեպքում գրավիր գիծը կամ պաշտպանիր: Այնուամենայնիվ, այս դեպքում AI-ն հայտնաբերեց բոտի թույլ կողմերը և սկսեց հաղթահարել այն: Թերևս այս մասին պատմությունը առանձին հոդվածի թեմա է:

Տղաս խնդրեց, որ ծրագիր գրեմ, որ ԱԻ-ները իրար մեջ խաղան, ոչ թե բոտով։ Մտքեր կային նույնն անել շաշկի կամ Go խաղի դեպքում, սակայն ես այլևս դրա համար ժամանակ չունեի։

Միակ մեթոդը, որը ես օգտագործել եմ նոր անհատներ ստանալու համար, մուտացիան է: Կարող եք նաև օգտագործել քրոսովեր և ինվերսիա: Թերևս այս մեթոդները կարագացնեն անհրաժեշտ արդյունքի հասնելը։

Ի վերջո, մի գաղափար ծնվեց՝ AI-ին տալ ԱՀ-ում բոլոր գործընթացները կառավարելու և համակարգչային ռեսուրսների համար մրցելու հնարավորություն: Միացրեք ձեր համակարգիչը ինտերնետին և օգտագործեք հին բիթքոյն ֆերմաների լողավազան՝ որպես հաշվողական ուժ...

Ինչպես բլոգերն ասել է նմանատիպ փորձարկում կատարելիս

Արհեստական բանականությունՍառը, անզգա և անշոշափելի: Բայց հենց այստեղ է ապագան, գիտության այս ոլորտն է, որը հնարավորություն կտա մեծ և նշանակալից քայլ կատարել գործընթացների ավտոմատացման ուղղությամբ և, հետևաբար, սովորական բեռի մի մասը հեռացնել արժեքավոր մասնագետներից: Եվ հիմա, նրա զարգացման արշալույսին, միայն մենք ենք որոշում, թե դա ինչ կլինի արհեստական բանականությունմի երկու տասնամյակ հետո նրան սովորեցնելով։

Փորձենք պարզել, թե ինչ կա արհեստական ինտելեկտի մեքենայական ուսուցման մեթոդներ և ալգորիթմներ.

Ավանդաբար, շատ հակասություններ են ծագում նորի և անհայտի շուրջ: Եվ չնայած արհեստական ինտելեկտի մասին արդեն շատ է գրվել, այն մարդկանց կողմից լիովին հասկանալի չէ։ Հենց այստեղ են առաջանում այնպիսի պնդումներ, ինչպիսիք են. «Մարդկանցից հարյուրավոր աշխատատեղեր կխլի», «Ժողովրդի դեմ կապստամբի», «Այո, մենք մեր գերեզմանն ենք փորում», «Վաղ թե ուշ մենք չենք լինելու»: կարող է վերահսկել նրան»: եւ այլն։ Շատ մարդիկ AI-ն պատկերացնում են որպես գերհետախուզություն, որը, քանի որ այն հակասում է իրենց սեփական բացատրությանը, անշուշտ վտանգ է ներկայացնում նրանց համար: Եվ իհարկե, ոչ ոք չի ուզում լսել, որ հիմա, դուրս գալով մարդու կողմից սահմանված ծրագրի սահմաններից, այս պահին դա տեխնիկապես անհնար է։

Բայց ի՞նչ կարելի է դեռ սովորեցնել նրան և ինչպե՞ս է դա տեղի ունենում։

Արհեստական ինտելեկտի մեքենայական ուսուցման մեթոդներ.

Ինդուկտիվ ուսուցում

Էմպիրիկ տվյալների ստացում, օրինաչափությունների նույնականացում, գործողությունների ալգորիթմների նույնականացում յուրաքանչյուր նմանատիպ իրավիճակում.

Դեդուկտիվ ուսուցում

Անձի կողմից տարբեր ձևերով ստացված տվյալների պաշտոնականացում և դրանք անմիջապես տվյալների բազա մուտքագրում.

Արհեստական ինտելեկտի համար որոշումների կայացման հիմնական ալգորիթմներ.

Naive Bayes դասակարգիչ

Դասակարգման ամենապարզ մեթոդներից մեկը:

Այս մեթոդն օգտագործվում է սկանավորման և դեմքի/ցանցաթաղանթի/մատնահետքի ճանաչման տեխնոլոգիայի, նորությունների բովանդակությունը ըստ թեմաների բաժանելու, ինչպես նաև ձեր էլ.

Անսամբլի մեթոդը շատ կոպիտ կարելի է անվանել վերը նկարագրված միամիտ Bayes դասակարգչի ածանցյալ, քանի որ այն հիմնված է բայեսյան միջինացման վրա։ Այլ կերպ ասած, այս մեթոդը բացահայտում է արդյունքի հավանականությունների խաչմերուկը, միջինացնում է այս արժեքը, վերացնում է արժեքների ցրվածությունը՝ միաժամանակ վերահսկելով խնդրի լուծման որոնումը տվյալ պայմաններում:

Հենց անսամբլային մեթոդը կարող է հնարավորություն տալ գտնել խնդրի շատ օպտիմալ լուծում, որում ավելի քիչ ռեսուրսներ կծախսվեն, իսկ արդյունքը առավելագույնս կբավարարի խնդրի պայմանները։

Չխորանալով բուն մեթոդի էության և հիպերպլան կառուցելու և դրա հետ աշխատելու բացատրության մեջ, SVM-ն կարելի է բնութագրել որպես դասակարգման և ռեգրեսիոն վերլուծության ալգորիթմներ:

Նմանատիպ տեխնոլոգիան օգտագործվում է լուսանկարից (մազերի գույնը, սեռը, հագուստի գույնը), ինչպես նաև գենետիկայի մեջ՝ ԴՆԹ-ի միաձուլման (հատուկ նուկլեոտիդային հաջորդականությունների առանձնացումը ՌՆԹ-ից և դրանց միացումը ՌՆԹ-ի մշակման ժամանակ) ճանաչելու համար։

Որոշման ծառ

Որոշումների ընդունման մեթոդը (մոդելը), որն ամեն օր կիրառում է մեզանից յուրաքանչյուրը։ Դրա համար այն արդեն մեմ է դարձել

Բայց կատակները մի կողմ, նման մոդելը սովորաբար պարունակում է այնպիսի տարրեր, ինչպիսիք են՝ խնդիր, լուծման մեթոդներ, յուրաքանչյուր մեթոդի հետևանքները, հետևանքների առաջացման հավանականությունը, ռեսուրսների ծախսերը և վերջնական արդյունքը: Այս մոդելի հիման վրա աշխատում են AI օգտագործող ամենապարզ տեխնոլոգիաների մեծ մասը:

Տրամաբանական հետընթաց

Մեթոդ, որը կարող է մեզ մոտեցնել հզոր արհեստական ինտելեկտին, որը կարող է որոշ իրավիճակներում ինքնուրույն որոշումներ կայացնել։ Տրամաբանական ռեգրեսիան մի քանի փոփոխականների հաշվին իրադարձության առաջացման կանխատեսման մեթոդ է:

Նմանատիպ ալգորիթմ օգտագործվում է օդերևութաբանության և սեյսմոլոգիայի, վարկավորման, մարքեթինգի և այլ ոլորտներում:

Ես կցանկանայի առանձնացնել այս մեթոդը, քանի որ ըստ էության դա ինքնին խնդիրը լուծելու միջոց չէ, այլ յուրաքանչյուր լուծման սխալները որոշելու միջոց:

Վերևում նկարագրված ալգորիթմներն օգտագործվում են վերահսկվող ուսուցման մեթոդի համար, այսինքն՝ այն, որտեղ որոշակի պիտակ (հատկություն) կարող է վերագրվել տվյալների որոշակի հավաքածուին, բայց եթե այս պիտակը հասանելի չէ, դրա նշանակումը պետք է կանխատեսվի նմանատիպ այլ իրավիճակներում։ .

Մենք դասավորել ենք այն հիմնական արհեստական ինտելեկտի մեքենայական ուսուցման ալգորիթմներառավել հաճախ օգտագործվում է գործնականում: Արժե հաշվի առնել, որ արհեստական ինտելեկտի կիրառական օգտագործումը առօրյա կյանքում և առօրյա խնդիրներ լուծելիս, որոնցում ամենից հաճախ խնդրի լուծումը բացարձակապես պարզ է և միայն անհրաժեշտ է ավտոմատացնել այս գործընթացը, կարող է ներառել նմանատիպ ալգորիթմների օգտագործում: Խնդիրը, որի լուծումը պետք է լինի նորարարական զարգացում, կամ լուծումը կախված կլինի մեծ թվով փոփոխականներից (այսինքն՝ հիմնականում ճշգրիտ գիտությունների տարբեր ոլորտներ), պահանջում է լուծման ավելի բարդ ալգորիթմներ, որոնց մասին կարող եք իմանալ, եթե հետևեք մեր նորություններին.

Արհեստական ինտելեկտ (AI)(անգլերեն) Արհեստական ինտելեկտ (AI)խելացի մեքենաների և համակարգերի, հատկապես խելացի համակարգչային ծրագրերի գիտությունն ու զարգացումն է, որն ուղղված է մարդկային բանականության ըմբռնմանը: Այնուամենայնիվ, կիրառվող մեթոդները պարտադիր չէ, որ կենսաբանորեն հավաստի լինեն: Բայց խնդիրն այն է, որ անհայտ է, թե որ հաշվողական ընթացակարգերն ենք ուզում անվանել խելացի: Եվ քանի որ մենք հասկանում ենք ինտելեկտի միայն որոշ մեխանիզմներ, ապա այս գիտության շրջանակներում բանականությամբ մենք հասկանում ենք աշխարհում նպատակներին հասնելու ունակության միայն հաշվողական մասը:

Բազմաթիվ մարդկանց, կենդանիների և որոշ մեքենաների, ինտելեկտուալ տեղեկատվական համակարգերի և գիտելիքի տարբեր հիմքերով փորձագիտական համակարգերի տարբեր մոդելների առկայության դեպքում կան տարբեր տեսակի և աստիճանի բանականություն: Միևնույն ժամանակ, ինչպես տեսնում ենք, բանականության այս սահմանումը կապված չէ մարդկային բանականության ըմբռնման հետ. դրանք տարբեր բաներ են: Ավելին, այս գիտությունը մոդելավորում է մարդու ինտելեկտը, քանի որ, մի կողմից, կարելի է ինչ-որ բան սովորել այն մասին, թե ինչպես ստիպել մեքենաներին խնդիրներ լուծել՝ դիտարկելով այլ մարդկանց, իսկ մյուս կողմից՝ արհեստական ինտելեկտի ոլորտում աշխատանքի մեծ մասն ուսումնասիրում է այն խնդիրները, որոնք մարդկությունը պետք է լուծի։ արդյունաբերական և տեխնոլոգիական իմաստով։ Հետևաբար, արհեստական ինտելեկտի հետազոտողներն ազատ են օգտագործել այնպիսի տեխնիկա, որոնք չեն նկատվում մարդկանց մոտ, եթե անհրաժեշտ է կոնկրետ խնդիրներ լուծելու համար:

Հենց այս իմաստով է, որ տերմինը ներմուծվել է Ջ. բնօրինակ իմաստը, չնայած ակնհայտ հակասություններին մարդկային բանականության տեսանկյունից:

Փիլիսոփայության մեջ մարդկային ինտելեկտի բնույթի և կարգավիճակի հարցը լուծված չէ: Չկա նաև համակարգիչների համար «խելացիության» հասնելու ճշգրիտ չափանիշ, թեև արհեստական ինտելեկտի արշալույսին մի շարք վարկածներ առաջարկվեցին, օրինակ՝ Թյուրինգի թեստը կամ Նյուել-Սայմոնի վարկածը: Հետևաբար, չնայած AI խնդիրները հասկանալու և խելացի տեղեկատվական համակարգեր ստեղծելու բազմաթիվ մոտեցումներին, AI զարգացման երկու հիմնական մոտեցում կարելի է առանձնացնել.

· նվազող (անգլերեն) Վերևից վար AI) սեմիոտիկ - փորձագիտական համակարգերի, գիտելիքների բազաների և տրամաբանական եզրակացության համակարգերի ստեղծում, որոնք նմանակում են բարձր մակարդակի մտավոր գործընթացները՝ մտածողություն, բանականություն, խոսք, հույզեր, ստեղծագործականություն և այլն.

· բարձրացող Ներքևից վեր AI), կենսաբանական – նեյրոնային ցանցերի և էվոլյուցիոն հաշվարկների ուսումնասիրություն, որոնք մոդելավորում են խելացի վարքագիծը՝ հիմնված ավելի փոքր «ոչ խելացի» տարրերի վրա։

Վերջին մոտեցումը, խստորեն ասած, չի վերաբերում արհեստական ինտելեկտի գիտությանը Ջ. Մաքքարթիի տված իմաստով, դրանք միավորված են միայն ընդհանուր վերջնական նպատակով։

Արհեստական ինտելեկտի պատմությունը որպես գիտական նոր ուղղություն սկսվում է 20-րդ դարի կեսերից։ Այդ ժամանակ արդեն ձևավորվել էին դրա ծագման շատ նախադրյալներ. փիլիսոփաների մեջ երկար ժամանակ բանավեճեր էին ընթանում մարդու էության և աշխարհը հասկանալու գործընթացի մասին, նյարդաֆիզիոլոգներն ու հոգեբանները մշակել էին մի շարք տեսություններ մարդու ուղեղի աշխատանքի վերաբերյալ: և մտածողությունը, տնտեսագետներն ու մաթեմատիկոսները հարցեր էին տալիս օպտիմալ հաշվարկների և աշխարհի մասին գիտելիքները պաշտոնական ձևով ներկայացնելու վերաբերյալ. վերջապես ծնվեց հաշվարկների մաթեմատիկական տեսության՝ ալգորիթմների տեսության հիմքը, և ստեղծվեցին առաջին համակարգիչները։

Նոր մեքենաների հնարավորությունները հաշվողական արագության առումով ավելի մեծ են, քան մարդկայինը, ուստի գիտական հանրությունը հարց բարձրացրեց՝ որո՞նք են համակարգչային հնարավորությունների սահմանները և արդյոք մեքենաները կհասնե՞ն մարդկային զարգացման մակարդակին։ 1950 թվականին հաշվողական ոլորտի առաջամարտիկներից մեկը՝ անգլիացի գիտնական Ալան Թյուրինգը, «Կարո՞ղ է արդյոք մեքենան մտածել» հոդվածում, տալիս է նմանատիպ հարցերի պատասխաններ և նկարագրում մի ընթացակարգ, որով հնարավոր կլինի որոշել այն պահը, երբ. մեքենան ինտելեկտի առումով հավասարվում է մարդու հետ, որը կոչվում է Թյուրինգի թեստ:

Թյուրինգի թեստը էմպիրիկ թեստ է, որն առաջարկվել է Ալան Թյուրինգի կողմից 1950 թվականին փիլիսոփայական ամսագրում իր «Հաշվարկային մեքենաներ և մտքեր» աշխատության մեջ։ Միտք« Այս թեստի նպատակն է որոշել մարդուն մոտ արհեստական մտածողության հնարավորությունը։ Այս թեստի ստանդարտ մեկնաբանությունը հետևյալն է. «Մարդը շփվում է մեկ համակարգչի և մեկ անձի հետ: Հարցերի պատասխանների հիման վրա նա պետք է որոշի, թե ում հետ է խոսում՝ անձի՞, թե՞ համակարգչային ծրագրի։ Համակարգչային ծրագրի նպատակն է մոլորեցնել մարդուն սխալ ընտրություն կատարելու համար»: Թեստի բոլոր մասնակիցները չեն կարող տեսնել միմյանց:

Արհեստական ինտելեկտը սահմանելու երեք մոտեցում կա.

1) Տրամաբանական մոտեցումԱրհեստական ինտելեկտի համակարգերի ստեղծման ուղղությամբ նպատակաուղղված է փորձագիտական համակարգերի ստեղծմանը գիտելիքների բազայի տրամաբանական մոդելներով՝ օգտագործելով պրեդիկատների լեզուն: Լեզվի և տրամաբանական ծրագրավորման Prolog համակարգը ընդունվել է որպես արհեստական ինտելեկտի համակարգերի ուսուցման մոդել 80-ականներին։ Prolog լեզվով գրված գիտելիքների հիմքերը ներկայացնում են տրամաբանական լեզվով գրված փաստերի և տրամաբանական եզրակացության կանոնների մի շարք: Գիտելիքների բազայի տրամաբանական մոդելը թույլ է տալիս արձանագրել ոչ միայն կոնկրետ տեղեկատվություն և տվյալներ Prolog լեզվով փաստերի տեսքով, այլև ընդհանրացված տեղեկատվություն՝ օգտագործելով տրամաբանական եզրակացության կանոններն ու ընթացակարգերը, ներառյալ տրամաբանական կանոնները՝ որոշակի գիտելիքներ արտահայտող հասկացությունների սահմանման համար որպես հատուկ: և ընդհանրացված տեղեկատվություն: Ընդհանուր առմամբ, համակարգչային գիտության մեջ արհեստական ինտելեկտի հիմնախնդիրների հետազոտությունը գիտելիքների բազաների և փորձագիտական համակարգերի նախագծման տրամաբանական մոտեցման շրջանակներում ուղղված է խելացի տեղեկատվական համակարգերի ստեղծմանը, զարգացմանը և շահագործմանը, ներառյալ ուսանողներին դասավանդելու և ուսուցման խնդիրները: դպրոցականների, ինչպես նաև նման խելացի տեղեկատվական համակարգերի օգտատերերի և մշակողների վերապատրաստում:

2) գործակալի վրա հիմնված մոտեցումզարգանում է 1990-ականների սկզբից։ Այս մոտեցման համաձայն՝ խելացիությունը խելացի մեքենայի համար սահմանված նպատակներին հասնելու ունակության հաշվողական մասն է (պլանավորում)։ Նման մեքենան ինքնին կլինի խելացի գործակալ, որն ընկալում է իր շուրջը գտնվող աշխարհը սենսորների միջոցով և կարող է ազդել շրջակա միջավայրի օբյեկտների վրա՝ օգտագործելով շարժիչներ: Այս մոտեցումը կենտրոնանում է այն մեթոդների և ալգորիթմների վրա, որոնք կօգնեն խելացի գործակալին գոյատևել շրջակա միջավայրում՝ իր առաջադրանքը կատարելիս: Այսպիսով, որոնման և որոշումների կայացման ալգորիթմներն այստեղ շատ ավելի ուժեղ են ուսումնասիրվում։

3) Ինտուիտիվ մոտեցումենթադրում է, որ արհեստական ինտելեկտը կկարողանա ցույց տալ վարքագիծ, որը չի տարբերվում մարդկանցից և նորմալ իրավիճակներում: Այս գաղափարը Թյուրինգի թեստի մոտեցման ընդհանրացումն է, որն ասում է, որ մեքենան կդառնա խելացի, երբ ի վիճակի լինի զրույց վարել սովորական մարդու հետ, և նա չի կարողանա հասկանալ, որ նա խոսում է մեքենայի հետ ( զրույցն իրականացվում է նամակագրությամբ):

Սահմանմամբ ընտրվել են AI-ի ոլորտում հետազոտության հետևյալ ոլորտները.

- Մտքի գործընթացների խորհրդանշական մոդելավորում.

Վերլուծելով AI-ի պատմությունը՝ մենք կարող ենք առանձնացնել այնպիսի լայն ոլորտ, ինչպիսին է տրամաբանական մոդելավորումը: Երկար տարիներ AI-ի զարգացումը որպես գիտություն շարժվել է հենց այս ճանապարհով, և այժմ այն ժամանակակից AI-ի ամենազարգացած ոլորտներից մեկն է: Մոդելավորման հիմնավորումը ներառում է խորհրդանշական համակարգերի ստեղծում, որոնց մուտքագրումը որոշակի խնդիր է, իսկ ելքը պահանջում է դրա լուծումը: Որպես կանոն, առաջարկվող խնդիրն արդեն ֆորմալացվել է, այսինքն՝ թարգմանվել է մաթեմատիկական ձևի, բայց կամ չունի լուծման ալգորիթմ, կամ չափազանց բարդ է, ժամանակատար և այլն։ Այս ոլորտը ներառում է՝ թեորեմների ապացույց, որոշում։ պատրաստում և խաղերի տեսություն, պլանավորում և առաքում, կանխատեսում:

- Աշխատանք բնական լեզուներով.

Կարևոր ոլորտ է բնական լեզվի մշակումը, որը ներառում է «մարդկային» լեզվով տեքստեր հասկանալու, մշակելու և ստեղծելու կարողությունների վերլուծությունը: Մասնավորապես, դեռևս չի լուծվել տեքստերի մեքենայական թարգմանության խնդիրը մի լեզվից մյուսը։ Ժամանակակից աշխարհում տեղեկատվության որոնման մեթոդների զարգացումը կարևոր դեր է խաղում: Իր բնույթով բնօրինակ Թյուրինգ թեստը կապված է այս ուղղության հետ։

- Գիտելիքների կուտակում և օգտագործում.

Շատ գիտնականների կարծիքով՝ ինտելեկտի կարևոր հատկությունը սովորելու կարողությունն է։ Այսպիսով, առաջին պլան է մղվում գիտելիքի ճարտարագիտությունը՝ համատեղելով պարզ տեղեկատվությունից գիտելիք ստանալու, դրա համակարգման և օգտագործման խնդիրները։ Այս ոլորտում առաջընթացը ազդում է AI հետազոտության գրեթե բոլոր այլ ոլորտների վրա: Այստեղ նույնպես չի կարելի անտեսել երկու կարևոր ենթաոլորտ. Դրանցից առաջինը՝ մեքենայական ուսուցումը, վերաբերում է խելացի համակարգի կողմից իր գործունեության գործընթացում գիտելիքների անկախ ձեռքբերման գործընթացին: Երկրորդը կապված է փորձագիտական համակարգերի ստեղծման հետ՝ ծրագրեր, որոնք օգտագործում են մասնագիտացված գիտելիքների բազաներ՝ ցանկացած խնդրի վերաբերյալ հուսալի եզրակացություններ ստանալու համար:

Մեքենայի ուսուցման ոլորտը ներառում է օրինաչափությունների ճանաչման խնդիրների մեծ դաս: Օրինակ, սա կերպարների ճանաչում, ձեռագիր տեքստ, խոսք, տեքստի վերլուծություն: Շատ խնդիրներ հաջողությամբ լուծվում են կենսաբանական մոդելավորման միջոցով: Կենսաբանական մոդելավորում

Կենսաբանական համակարգերի մոդելավորման ոլորտում կան մեծ ու հետաքրքիր ձեռքբերումներ։ Խստորեն ասած՝ սա կարող է ներառել մի քանի անկախ ուղղություններ։ Նյարդային ցանցերն օգտագործվում են անորոշ և բարդ խնդիրներ լուծելու համար, ինչպիսիք են երկրաչափական ձևերի ճանաչումը կամ օբյեկտների կլաստերավորումը: Գենետիկական մոտեցումը հիմնված է այն գաղափարի վրա, որ ալգորիթմը կարող է ավելի արդյունավետ դառնալ, եթե այն փոխառի ավելի լավ բնութագրեր այլ ալգորիթմներից («ծնողներ»): Համեմատաբար նոր մոտեցումը, որտեղ խնդիրն է ստեղծել ինքնավար ծրագիր՝ գործակալ, որը փոխազդում է արտաքին միջավայրի հետ, կոչվում է գործակալական մոտեցում։ Հատկապես հարկ է նշել համակարգչային տեսլականը, որը նույնպես կապված է ռոբոտաշինության հետ։

-Ռոբոտաշինություն.

Ընդհանրապես ռոբոտաշինությունն ու արհեստական ինտելեկտը հաճախ ասոցացվում են միմյանց հետ։ Այս երկու գիտությունների ինտեգրումը, խելացի ռոբոտների ստեղծումը, կարելի է համարել AI-ի մեկ այլ ոլորտ։

- Մեքենայի ստեղծագործություն:

Մարդկային ստեղծագործության բնույթը նույնիսկ ավելի քիչ է ուսումնասիրված, քան բանականության բնույթը: Այնուամենայնիվ, այս ոլորտը կա, և այստեղ դրված են երաժշտություն գրելու, գրական ստեղծագործությունների (հաճախ՝ պոեզիայի կամ հեքիաթների) և գեղարվեստական ստեղծագործության խնդիրները։ Իրատեսական պատկերներ ստեղծելը լայնորեն կիրառվում է կինոյի և խաղերի արդյունաբերության մեջ: Այս հատկությունը ցանկացած խելացի համակարգին ավելացնելը թույլ է տալիս շատ հստակ ցույց տալ, թե կոնկրետ ինչ է ընկալում համակարգը և ինչպես է այն հասկանում: Բաց թողնված տեղեկատվության փոխարեն աղմուկ ավելացնելով կամ համակարգում առկա գիտելիքներով աղմուկ զտելով՝ այն վերացական գիտելիքներից ստեղծում է կոնկրետ պատկերներ, որոնք հեշտությամբ ընկալվում են մարդու կողմից, սա հատկապես օգտակար է ինտուիտիվ և ցածրարժեք գիտելիքների համար, որոնց ստուգումը ֆորմալ ձևը պահանջում է զգալի մտավոր ջանքեր:

- Հետազոտության այլ ոլորտներ:

Արհեստական ինտելեկտի բազմաթիվ կիրառություններ կան, որոնցից յուրաքանչյուրը կազմում է գրեթե անկախ ուղղություն։ Օրինակները ներառում են համակարգչային խաղերում ծրագրավորման հետախուզություն, ոչ գծային կառավարում և տեղեկատվական անվտանգության խելացի համակարգեր:

Խելացի համակարգեր ստեղծելու մոտեցումներ.Խորհրդանշական մոտեցումը թույլ է տալիս գործել թույլ ֆորմալացված ներկայացումներով և դրանց իմաստներով: Արդյունավետությունը և ընդհանուր արդյունավետությունը կախված են միայն կարևոր տեղեկություններն ընդգծելու կարողությունից: Մարդկային մտքի կողմից արդյունավետորեն լուծվող խնդիրների դասերի լայնությունը պահանջում է անհավանական ճկունություն աբստրակցիոն մեթոդներում: Մատչելի չէ որևէ ինժեներական մոտեցմամբ, որն ի սկզբանե ընտրում է հետազոտողը միտումնավոր թերի չափանիշի հիման վրա՝ այս հետազոտողին ամենամոտ որոշ խնդրին արագ արդյունավետ լուծում տալու ունակության համար: Այսինքն՝ կանոնների տեսքով արդեն իսկ ներդրված սուբյեկտների աբստրակցիայի և կառուցման մեկ մոդելի համար։ Սա հանգեցնում է ռեսուրսների զգալի ծախսերի ոչ հիմնական առաջադրանքների համար, այսինքն՝ համակարգը հետախուզությունից վերադառնում է կոպիտ ուժ՝ առաջադրանքների մեծ մասի վրա, և հետախուզության բուն էությունը անհետանում է նախագծից:

Առանց սիմվոլիկ տրամաբանության դժվար է հատկապես, երբ խնդիր է դրված կանոններ մշակել, քանի որ դրանց բաղադրիչները, չլինելով գիտելիքի լիարժեք միավորներ, տրամաբանական չեն։ Ուսումնասիրությունների մեծ մասը կանգ է առնում նախորդ փուլերում ընտրված սիմվոլիկ համակարգերի օգտագործմամբ նոր դժվարությունների բացահայտման անհնարինության վրա: Ավելին, լուծեք դրանք, և հատկապես համակարգիչը վարժեցրեք դրանք լուծելու կամ գոնե նույնականացնել և դուրս գալ նման իրավիճակներից:

Պատմականորեն, խորհրդանշական մոտեցումն առաջինն էր թվային մեքենաների դարաշրջանում, քանի որ Lisp-ի՝ առաջին խորհրդանշական հաշվողական լեզվի ստեղծումից հետո նրա հեղինակը վստահ դարձավ, որ գործնականում սկսելու է կիրառել հետախուզության այս միջոցները: Հետախուզությունը որպես այդպիսին՝ առանց որևէ վերապահումների կամ պայմանականությունների։

Լայնորեն կիրառվում է հիբրիդային խելացի համակարգերի ստեղծումը, որոնցում միանգամից մի քանի մոդելներ են օգտագործվում: Փորձագիտական եզրակացության կանոնները կարող են ստեղծվել նեյրոնային ցանցերի միջոցով, իսկ գեներատիվ կանոնները ստացվում են վիճակագրական ուսուցման միջոցով:

Մշուշոտ բազմությունների տեսության մշակում.Մշուշոտ բազմությունների տեսության զարգացումը սկսվեց ԱՄՆ պրոֆեսոր Լոթֆի Զադեի կողմից հրապարակված «Fuzzy Sets» հոդվածով, ով առաջին անգամ ներկայացրեց մշուշոտ բազմության հայեցակարգը, առաջարկեց տեսության գաղափարը և առաջին հայեցակարգը, որը հնարավոր եղավ մշուշոտ կերպով կատարել: նկարագրել իրական համակարգերը. Մշուշոտ բազմությունների տեսության ամենակարևոր ուղղությունը մշուշոտ տրամաբանությունն է, որն օգտագործվում է համակարգերի կառավարման համար, ինչպես նաև դրանց մոդելների ձևավորման փորձերում:

60-ականներին սկսվեց երկուական տրամաբանության վրա հիմնված համակարգիչների և թվային տեխնոլոգիաների արագ զարգացման շրջանը: Այն ժամանակ համարվում էր, որ այս տրամաբանության կիրառումը թույլ կտա լուծել բազմաթիվ գիտատեխնիկական խնդիրներ։ Այդ իսկ պատճառով մշուշոտ տրամաբանության առաջացումը գրեթե աննկատ մնաց՝ չնայած իր ողջ հայեցակարգային հեղափոխական բնույթին: Այնուամենայնիվ, մշուշոտ տրամաբանության կարևորությունը ճանաչվել է գիտական հանրության մի շարք ներկայացուցիչներ, և այն մշակվել է, ինչպես նաև գործնական ներդրումը տարբեր արդյունաբերական կիրառություններում: Որոշ ժամանակ անց դրա նկատմամբ հետաքրքրությունը սկսեց աճել գիտական դպրոցների կողմից, որոնք միավորեցին երկուական տրամաբանության վրա հիմնված տեխնոլոգիաների կողմնակիցներին: Դա տեղի է ունեցել այն պատճառով, որ հայտնաբերվել են բավականին շատ գործնական խնդիրներ, որոնք հնարավոր չէ լուծել ավանդական մաթեմատիկական մոդելների և մեթոդների կիրառմամբ՝ չնայած հաշվողական մատչելի արագություններին։ Պահանջվում էր նոր մեթոդաբանություն, որի բնորոշ գծերը պետք է փնտրել անորոշ տրամաբանության մեջ։

Ինչպես ռոբոտաշինությունը, այնպես էլ մշուշոտ տրամաբանությունը մեծ հետաքրքրություն առաջացրեց ոչ թե իր ծագման երկրում՝ ԱՄՆ-ում, այլ նրա սահմաններից դուրս, և որպես հետևանք, մշուշոտ տրամաբանության արդյունաբերական օգտագործման առաջին փորձը՝ էլեկտրակայանների կաթսայատան տեղադրումները վերահսկելու համար. կապված Եվրոպայի հետ։ Ավանդական մեթոդների կիրառման բոլոր փորձերը, երբեմն շատ բարդ, գոլորշու կաթսան կառավարելու համար ավարտվեցին անհաջողությամբ. այս ոչ գծային համակարգը պարզվեց, որ այնքան բարդ է: Եվ միայն մշուշոտ տրամաբանության օգտագործումը հնարավորություն տվեց սինթեզել բոլոր պահանջները բավարարող վերահսկիչ։ 1976թ.-ին անորոշ տրամաբանությունն օգտագործվեց որպես ցեմենտի արտադրության մեջ պտտվող վառարանի ավտոմատ կառավարման համակարգի հիմք: Այնուամենայնիվ, Եվրոպայում և Ամերիկայում ստացված մշուշոտ տրամաբանության կիրառման առաջին գործնական արդյունքները դրա նկատմամբ հետաքրքրության որևէ զգալի աճ չեն առաջացրել։ Ինչպես ռոբոտաշինության դեպքում, այնպես էլ երկիրը, որն առաջինն սկսեց անորոշ տրամաբանության համատարած կիրառումը, գիտակցելով դրա հսկայական ներուժը, Ճապոնիան էր:

Ճապոնիայում ստեղծված կիրառական անորոշ համակարգերից ամենահայտնին Սենդայում Hitachi-ի կողմից մշակված մետրոյի գնացքների կառավարման համակարգն է։ Ծրագիրն իրականացվել է փորձառու վարորդի մասնակցությամբ, ում գիտելիքներն ու փորձը հիմք են հանդիսացել մշակված կառավարման մոդելի համար։ Համակարգն ավտոմատ կերպով նվազեցրեց գնացքի արագությունը, երբ այն մոտենում էր կայարանին՝ ապահովելով կանգառը պահանջվող վայրում։ Գնացքի մյուս առավելությունը նրա բարձր հարմարավետությունն էր՝ սահուն արագացման և դանդաղման շնորհիվ։ Ավանդական կառավարման համակարգերի համեմատ կային մի շարք այլ առավելություններ:

Ճապոնիայում մշուշոտ տրամաբանության արագ զարգացումը հանգեցրել է դրա գործնական կիրառման ոչ միայն արդյունաբերության, այլ նաև սպառողական ապրանքների արտադրության մեջ: Օրինակ այստեղ տեսախցիկ է, որը հագեցած է անորոշ պատկերի կայունացման ենթահամակարգով, որն օգտագործվել է օպերատորի անփորձության պատճառով առաջացած պատկերի տատանումները փոխհատուցելու համար: Այս խնդիրը չափազանց բարդ էր ավանդական մեթոդներով լուծելու համար, քանի որ անհրաժեշտ էր տարբերակել պատկերի պատահական տատանումները լուսանկարվող օբյեկտների նպատակային շարժումից (օրինակ՝ մարդկանց շարժումը):

Մեկ այլ օրինակ է ավտոմատ լվացքի մեքենան, որը շահագործվում է կոճակի սեղմումով (Zimmerman 1994): Այս «ազնվությունը» հետաքրքրություն առաջացրեց և արժանացավ հավանության։ Մշուշոտ տրամաբանության մեթոդների կիրառումը հնարավորություն տվեց օպտիմիզացնել լվացման գործընթացը՝ ապահովելով հագուստի կեղտոտվածության տեսակը, ծավալը և աստիճանի ավտոմատ ճանաչումը, էլ չեմ խոսում այն մասին, որ մեքենայի կառավարման մեխանիզմը մեկ կոճակի իջեցնելով զգալիորեն հեշտացրել է. բռնակ.

Անորոշ տրամաբանության գյուտերը ճապոնական ընկերությունների կողմից ներդրվել են բազմաթիվ այլ սարքերում, ներառյալ միկրոալիքային վառարանները (Sanyo), հակաբլոկային արգելակման համակարգերը և ավտոմատ փոխանցման տուփերը (Nissan), Ինտեգրված ավտոմեքենաների դինամիկայի վերահսկումը (INVEC) և համակարգիչների կոշտ սկավառակի կարգավորիչները: տեղեկատվության հասանելիության ժամանակի կրճատում.

Ի հավելումն վերը նշված հավելվածների, սկսած 90-ականների սկզբից. Կա մի շարք կիրառական ոլորտներում անորոշ մեթոդների ինտենսիվ զարգացում, այդ թվում՝ տեխնոլոգիային չառնչվող.

Էլեկտրոնային ռիթմավարի կառավարման համակարգ;

Ավտոմեքենաների կառավարման համակարգ;

Սառեցման համակարգեր;

Օդորակիչներ և օդափոխման սարքավորումներ;

Թափոնների այրման սարքավորումներ;

Ապակու հալեցման վառարան;

Արյան ճնշման մոնիտորինգի համակարգ;

Ուռուցքների ախտորոշում;

Սրտանոթային համակարգի ներկա վիճակի ախտորոշում;

Վերամբարձ կռունկների և կամուրջների կառավարման համակարգ;

Պատկերի մշակում;

Արագ լիցքավորիչ;

Բառի ճանաչում;

Բիոպրոցեսորների կառավարում;

Էլեկտրական շարժիչի հսկողություն;

Եռակցման սարքավորումներ և եռակցման գործընթացներ;

Երթևեկության կառավարման համակարգեր;

Կենսաբժշկական հետազոտություն;

Ջրի մաքրման կայաններ.

Այս պահին արհեստական ինտելեկտի ստեղծման ժամանակ (բառի սկզբնական իմաստով փորձագիտական համակարգերն ու շախմատային ծրագրերն այստեղ չեն պատկանում) տեղի է ունենում բոլոր առարկայական ոլորտների ինտենսիվ մանրացում, որոնք առնվազն որոշակի առնչություն ունեն AI-ի հետ գիտելիքների բազայի մեջ: . Գրեթե բոլոր մոտեցումները փորձարկվել են, բայց ոչ մի հետազոտական խումբ չի մոտեցել արհեստական ինտելեկտի առաջացմանը:

AI-ի հետազոտությունները միացել են եզակիության տեխնոլոգիաների ընդհանուր հոսքին (տեսակների ցատկ, մարդկային էքսպոնենտալ զարգացում), ինչպիսիք են համակարգչային գիտությունը, փորձագիտական համակարգերը, նանոտեխնոլոգիաները, մոլեկուլային բիոէլեկտրոնիկան, տեսական կենսաբանությունը, քվանտային տեսությունը, նոոտրոպները, էքստրոֆիլները և այլն, տես ամենօրյա հոսք։ Kurzweil News, MIT.

AI-ի ոլորտի զարգացումների արդյունքները բարձրագույն և միջնակարգ կրթություն են մտել Ռուսաստանում՝ համակարգչային գիտության դասագրքերի տեսքով, որտեղ այժմ ուսումնասիրվում են աշխատանքի և գիտելիքների բազաների ստեղծման խնդիրները, ներքին տրամաբանական ծրագրավորման համակարգերի վրա հիմնված անհատական համակարգիչների վրա հիմնված փորձագիտական համակարգեր, ինչպես նաև մաթեմատիկայի և համակարգչային գիտության հիմնարար հիմնախնդիրների ուսումնասիրություն՝ օգտագործելով դպրոցներում և համալսարաններում գիտելիքների բազայի և փորձագիտական համակարգերի մոդելների հետ աշխատելու օրինակներ:

Մշակվել են արհեստական ինտելեկտի հետևյալ համակարգերը.

1. Deep Blue - հաղթել է շախմատի աշխարհի չեմպիոնին. (Կասպարովի և սուպերհամակարգիչների մրցախաղը գոհունակություն չբերեց ոչ համակարգչային գիտնականներին, ոչ շախմատիստներին, և համակարգը չճանաչվեց Կասպարովի կողմից, չնայած բնօրինակ կոմպակտ շախմատային ծրագրերը շախմատային ստեղծագործության անբաժանելի տարրն են: Այնուհետև հայտնվեց IBM սուպերհամակարգիչների շարքը: բիրտ ուժը նախագծում է BluGene (մոլեկուլային մոդելավորում) և բրգաձև բջիջների համակարգի մոդելավորում Շվեյցարիայի Կապույտ ուղեղի կենտրոնում: Այս պատմությունը AI-ի, բիզնեսի և ազգային ռազմավարական նպատակների միջև բարդ և գաղտնի հարաբերությունների օրինակ է:

2. Mycin-ը վաղ փորձագիտական համակարգերից էր, որը կարող էր ախտորոշել հիվանդությունների փոքր խումբ, հաճախ նույնքան ճշգրիտ, որքան բժիշկները:

3. 20q-ը արհեստական ինտելեկտի գաղափարների վրա հիմնված նախագիծ է՝ հիմնված «20 Հարց» դասական խաղի վրա։ Այն մեծ տարածում գտավ համացանցում 20q.net կայքում հայտնվելուց հետո։

4. Խոսքի ճանաչում. ViaVoice-ի նման համակարգերը կարող են սպասարկել սպառողներին:

5. Ռոբոտները ամենամյա RoboCup մրցաշարում մրցում են ֆուտբոլի պարզեցված ձևով:

Բանկերը օգտագործում են արհեստական ինտելեկտի համակարգեր (AI) ապահովագրական գործունեության մեջ (ակտուարական մաթեմատիկա), երբ խաղում են բորսայում և գույքի կառավարում: 2001 թվականի օգոստոսին ռոբոտները հաղթեցին մարդկանց հանպատրաստից առևտրային մրցույթում (BBC News, 2001): Կաղապարների ճանաչման մեթոդները (ներառյալ ավելի բարդ, մասնագիտացված և նեյրոնային ցանցերը) լայնորեն օգտագործվում են օպտիկական և ակուստիկ ճանաչման մեջ (ներառյալ տեքստը և խոսքը), բժշկական ախտորոշման, սպամի զտիչների, հակաօդային պաշտպանության համակարգերում (թիրախի նույնականացում), ինչպես նաև մի շարք ազգային անվտանգության այլ խնդիրներ:

Համակարգչային խաղեր մշակողները ստիպված են օգտագործել տարբեր աստիճանի բարդության արհեստական բանականություն: AI-ի ստանդարտ առաջադրանքներն են խաղերում երկչափ կամ եռաչափ տարածության մեջ ուղի գտնելը, մարտական ստորաբաժանման վարքագծի մոդելավորումը, ճիշտ տնտեսական ռազմավարության հաշվարկը և այլն:

Արհեստական ինտելեկտը սերտորեն կապված է տրանսհումանիզմի հետ։ Եվ նեյրոֆիզիոլոգիայի, իմացաբանության, կոգնիտիվ հոգեբանության հետ միասին կազմում է ավելի ընդհանուր գիտություն, որը կոչվում է ճանաչողական գիտություն։ Փիլիսոփայությունը հատուկ դեր է խաղում արհեստական բանականության մեջ։ Նաև իմացաբանությունը՝ գիտությունը փիլիսոփայության շրջանակներում, սերտորեն կապված է արհեստական ինտելեկտի խնդիրների հետ։ Այս թեմայի շուրջ աշխատող փիլիսոփաները բախվում են այնպիսի հարցերի հետ, որոնք բախվում են AI ինժեներների հետ, թե ինչպես լավագույնս ներկայացնել և օգտագործել գիտելիքն ու տեղեկատվությունը: Տվյալներից գիտելիք արտադրելը տվյալների մայնինգի հիմնական խնդիրներից է: Այս խնդրի լուծման համար կան տարբեր մոտեցումներ, այդ թվում՝ նեյրոնային ցանցերի տեխնոլոգիայի վրա հիմնված՝ օգտագործելով նեյրոնային ցանցի բառացիացման ընթացակարգերը:

Համակարգչային գիտության մեջ արհեստական ինտելեկտի խնդիրները դիտարկվում են փորձագիտական համակարգերի և գիտելիքների բազաների նախագծման տեսանկյունից: Գիտելիքների հիմքերը հասկացվում են որպես տվյալների և եզրակացության կանոնների մի շարք, որոնք թույլ են տալիս տրամաբանական եզրակացություն և տեղեկատվության իմաստալից մշակում: Ընդհանուր առմամբ, համակարգչային գիտության մեջ արհեստական ինտելեկտի հիմնախնդիրների հետազոտությունն ուղղված է խելացի տեղեկատվական համակարգերի ստեղծմանը, զարգացմանը և շահագործմանը, ներառյալ օգտատերերի և նման համակարգերի մշակողների վերապատրաստման հարցերը:

«Արհեստական ինտելեկտի ստեղծման» գիտությունը չէր կարող չգրավել փիլիսոփաների ուշադրությունը։ Առաջին խելացի համակարգերի ի հայտ գալուն պես բարձրացվեցին մարդու և գիտելիքի, մասամբ աշխարհակարգի մասին հիմնարար հարցեր: Նրանք մի կողմից անքակտելիորեն կապված են այս գիտության հետ, մյուս կողմից՝ որոշակի քաոս մտցնում դրա մեջ։ Արհեստական ինտելեկտի ստեղծման փիլիսոփայական խնդիրները կարելի է բաժանել երկու խմբի՝ համեմատաբար ասած՝ «AI-ի զարգացումից առաջ և հետո»։ Առաջին խումբը պատասխանում է հարցին. «Ի՞նչ է արհեստական ինտելեկտը, հնարավո՞ր է այն ստեղծել և, հնարավորության դեպքում, ինչպե՞ս դա անել»: Երկրորդ խումբը (արհեստական ինտելեկտի էթիկա) հարց է տալիս.

Արհեստական ինտելեկտի ստեղծման հարցեր.Տեսանելի են արհեստական ինտելեկտի զարգացման երկու ուղղություն՝ առաջինը՝ մասնագիտացված արհեստական ինտելեկտի համակարգերը մարդու հնարավորություններին մոտեցնելու հետ կապված խնդիրների լուծումը, և դրանց ինտեգրումը, որն իրականացվում է մարդկային բնության կողմից, երկրորդը՝ Արհեստական ինտելեկտի ստեղծման մեջ, որը ներկայացնում է. արդեն իսկ ստեղծված արհեստական ինտելեկտի համակարգերի ինտեգրումը մեկ միասնական համակարգի մեջ, որը կարող է լուծել մարդկության խնդիրները:

Արհեստական ինտելեկտի հետազոտողների շրջանում դեռևս չկա գերիշխող տեսակետ ինտելեկտի չափանիշների, նպատակների և լուծվելիք խնդիրների համակարգվածության վերաբերյալ, չկա նույնիսկ գիտության խիստ սահմանում։ Տարբեր տեսակետներ կան այն հարցի շուրջ, թե ինչն է համարվում ինտելեկտը։ Վերլուծական մոտեցումը ներառում է մարդու ավելի բարձր նյարդային գործունեության վերլուծություն մինչև ամենացածր, անբաժանելի մակարդակը (բարձր նյարդային գործունեության գործառույթը, արտաքին գրգռիչներին տարրական արձագանքը (գրգռիչները), ֆունկցիայի հետ կապված մի շարք նեյրոնների սինապսների գրգռում և այս գործառույթների հետագա վերարտադրումը:

Որոշ փորձագետներ ռացիոնալ, մոտիվացված ընտրության հնարավորությունը սխալ են համարում տեղեկատվության բացակայության պայմաններում: Այսինքն՝ ինտելեկտուալ ծրագիր պարզապես համարվում է գործունեության այն ծրագիր, որը կարող է ընտրել որոշակի այլընտրանքային տարբերակներից, օրինակ՝ ուր գնալ «դու կգնաս ձախ...», «աջ կգնաս» դեպքում։ ...», «ուղիղ կգնաս...»:

Արհեստական ինտելեկտի փիլիսոփայության ամենաթեժ բանավեճը մարդու ձեռքով ստեղծված մտածողության հնարավորության հարցն է: «Կարո՞ղ է արդյոք մեքենան մտածել» հարցը, որը հետազոտողներին դրդել է ստեղծել մարդու մտքի նմանակման գիտություն, առաջադրվել է Ալան Թյուրինգի կողմից 1950 թվականին: Այս հարցի շուրջ երկու հիմնական տեսակետները կոչվում են ուժեղ և թույլ արհեստական ինտելեկտի վարկածներ։

«Ուժեղ արհեստական ինտելեկտ» տերմինը ներմուծել է Ջոն Սիրլը, և նրա խոսքերով մոտեցումը բնութագրվում է. «Նման ծրագիրը պարզապես մտքի մոդել չի լինի. նա, բառի ուղիղ իմաստով, ինքը կլինի միտքը, նույն իմաստով, որով մարդկային միտքը միտքն է»։ Ի հակադրություն, թույլ AI-ի կողմնակիցները նախընտրում են ծրագրերը դիտել միայն որպես գործիքներ, որոնք թույլ են տալիս լուծել որոշակի խնդիրներ, որոնք չեն պահանջում մարդու ճանաչողական կարողությունների ողջ շրջանակը:

Ջոն Սիրլի «Չինական սենյակ» մտքի փորձը պնդում է, որ Թյուրինգի թեստն անցնելը չափանիշ չէ մեքենայի համար իրական մտածողության գործընթաց ունենալու համար: Մտածողությունը հիշողության մեջ պահվող տեղեկատվության մշակման գործընթաց է՝ վերլուծություն, սինթեզ և ինքնածրագրավորում։ Նման դիրքորոշում ունի Ռոջեր Փենրոուզը, ով իր «Թագավորի նոր միտքը» գրքում պնդում է ֆորմալ համակարգերի հիման վրա մտածողության գործընթացը ձեռք բերելու անհնարինությունը։

6. Հաշվիչ սարքեր և միկրոպրոցեսորներ.

Միկրոպրոցեսորը (MP) տեղեկատվությունը ստացող, մշակող և թողարկող սարք է: Կառուցվածքային առումով MP-ը պարունակում է մեկ կամ մի քանի ինտեգրված սխեմաներ և կատարում է հիշողության մեջ պահվող ծրագրի կողմից սահմանված գործողություններ (նկ. 6.1):

Նկար 6.1– Պատգամավորի տեսքը

Վաղ պրոցեսորները ստեղծվել են որպես եզակի բաղադրիչներ եզակի համակարգչային համակարգերի համար: Ավելի ուշ, համակարգչային արտադրողները տեղափոխվեցին պրոցեսորների մշակման թանկ մեթոդից, որոնք նախատեսված էին մեկ կամ մի քանի բարձր մասնագիտացված ծրագրեր գործարկելու համար, դեպի բազմաֆունկցիոնալ պրոցեսորային սարքերի բնորոշ դասերի զանգվածային արտադրություն: Համակարգչային բաղադրիչների ստանդարտացման միտումը առաջացավ կիսահաղորդչային տարրերի, հիմնական և մինիհամակարգիչների արագ զարգացման դարաշրջանում, և ինտեգրալ սխեմաների գալուստով այն դարձավ էլ ավելի տարածված: Միկրոշրջանների ստեղծումը հնարավորություն է տվել ավելի մեծացնել պրոցեսորների բարդությունը՝ միաժամանակ նվազեցնելով դրանց ֆիզիկական չափերը:

Պրոցեսորների ստանդարտացումը և մանրանկարչությունը հանգեցրել են դրանց վրա հիմնված թվային սարքերի խորը ներթափանցմանը մարդկային առօրյա կյանքում: Ժամանակակից պրոցեսորները կարելի է գտնել ոչ միայն բարձր տեխնոլոգիական սարքերում, ինչպիսիք են համակարգիչները, այլ նաև մեքենաներում, հաշվիչներում, բջջային հեռախոսներում և նույնիսկ մանկական խաղալիքներում: Ամենից հաճախ դրանք ներկայացված են միկրոկարգավորիչներով, որտեղ, բացի հաշվողական սարքից, չիպի վրա տեղադրված են լրացուցիչ բաղադրիչներ (ծրագրի և տվյալների հիշողություն, ինտերֆեյսներ, մուտքային/ելքային նավահանգիստներ, ժամանակաչափեր և այլն): Միկրոկարգավորիչի հաշվողական հնարավորությունները համեմատելի են տասը տարի առաջ անհատական համակարգիչների պրոցեսորների հետ և ավելի հաճախ նույնիսկ զգալիորեն գերազանցում են դրանց կատարումը։

Միկրոպրոցեսորային համակարգը (MPS) հաշվողական, գործիքավորման կամ կառավարման համակարգ է, որտեղ տեղեկատվության մշակման հիմնական սարքը MP-ն է: Միկրոպրոցեսորային համակարգը կառուցված է միկրոպրոցեսորային LSI-ների մի շարքից (նկ. 6.2):

Նկար 6.2– Միկրոպրոցեսորային համակարգի օրինակ

Ժամացույցի գեներատորը սահմանում է ժամանակային ընդմիջում, որը չափման միավոր է (քվանտ) հրամանի կատարման տևողության համար։ Որքան բարձր է հաճախականությունը, այնքան ավելի արագ, այլ հավասար են՝ MPS-ը: MP-ը, RAM-ը և ROM-ը համակարգի անբաժանելի մասն են: Մուտքային և ելքային ինտերֆեյսներ - սարքեր MPS-ին մուտքային և ելքային բլոկների հետ փոխկապակցելու համար: Չափիչ գործիքները բնութագրվում են մուտքային սարքերով` կոճակով հեռակառավարման և չափիչ փոխարկիչների (ADC-ներ, սենսորներ, թվային տեղեկատվության մուտքագրման միավորներ) տեսքով: Ելքային սարքերը սովորաբար ներկայացնում են թվային էկրաններ, գրաֆիկական էկրան (էկրան) և արտաքին սարքեր՝ չափիչ համակարգի հետ ինտերֆեյսի համար: MPS-ի բոլոր բլոկները փոխկապակցված են թվային տեղեկատվության փոխանցման ավտոբուսներով: MPS-ն օգտագործում է կապի հիմնական սկզբունքը, որի դեպքում բլոկները տեղեկատվություն են փոխանակում տվյալների մեկ ավտոբուսի միջոցով: Տվյալների ավտոբուսի գծերի թիվը սովորաբար համապատասխանում է MPS-ի հզորությանը (տվյալ բառի բիթերի քանակին): Հասցեների ավտոբուսը օգտագործվում է տվյալների փոխանցման ուղղությունը ցույց տալու համար. այն փոխանցում է հիշողության բջջի կամ մուտքի/ելք բլոկի հասցեն, որը տվյալ պահին տեղեկատվություն է ստանում կամ փոխանցում: Կառավարման ավտոբուսը օգտագործվում է MPS-ի ամբողջ աշխատանքը համաժամացնող ազդանշաններ փոխանցելու համար:

IPS-ի կառուցումը հիմնված է երեք սկզբունքների վրա.

Հիմնական գիծ;

Մոդուլյարություն;

Միկրոծրագրի վերահսկում.

Բեռնախցիկի սկզբունքը - որոշում է MPS-ի ֆունկցիոնալ բլոկների միջև կապերի բնույթը - բոլոր բլոկները միացված են մեկ համակարգային ավտոբուսին:

Մոդուլյարության սկզբունքն այն է, որ համակարգը կառուցված է կառուցվածքային և ֆունկցիոնալ ամբողջական մոդուլների սահմանափակ թվով տեսակների հիման վրա:

Trunking-ի և մոդուլյարության սկզբունքները հնարավորություն են տալիս մեծացնել MP-ի կառավարման և հաշվողական հնարավորությունները՝ միացնելով այլ մոդուլներ համակարգի ավտոբուսին:

Միկրոծրագրի կառավարման սկզբունքը տարրական գործողություններ իրականացնելու ունակությունն է՝ միկրոհրամաններ (հերթափոխեր, տեղեկատվության փոխանցում, տրամաբանական գործողություններ), որոնց օգնությամբ ստեղծվում է տեխնոլոգիական լեզու, այսինքն՝ հրամանների մի շարք, որոնք լավագույնս համապատասխանում են համակարգի նպատակին:

Ըստ իրենց նպատակի՝ պատգամավորները բաժանվում են ունիվերսալի և մասնագիտացվածի։

Ունիվերսալ միկրոպրոցեսորները ընդհանուր նշանակության միկրոպրոցեսորներ են, որոնք լուծում են հաշվարկման, մշակման և կառավարման խնդիրների լայն դաս: Ունիվերսալ պատգամավորների օգտագործման օրինակ են IBM և Macintosh հարթակներում կառուցված համակարգիչները:

Մասնագիտացված միկրոպրոցեսորները նախատեսված են միայն որոշակի դասի խնդիրներ լուծելու համար: Մասնագիտացված պատգամավորները ներառում են ազդանշանային, մուլտիմեդիա պատգամավորներ և հաղորդիչներ:

Ազդանշանի պրոցեսորները (DSP) նախագծված են իրական ժամանակի թվային ազդանշանի մշակման համար (օրինակ՝ ազդանշանի զտում, կոնվուլյացիայի հաշվարկ, հարաբերակցության ֆունկցիայի հաշվարկ, ազդանշանի սահմանափակում և պայմանավորում, առաջ և հակադարձ Ֆուրիեի փոխակերպումներ իրականացնելու համար): (Նկար 6.3) Ազդանշանի պրոցեսորները ներառում են պրոցեսորներ Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx և DSP9600x:

Նկար 6.3– Ներքին DSP կառուցվածքի օրինակ

Մեդիա և մուլտիմեդիա պրոցեսորները նախատեսված են աուդիո ազդանշանների, գրաֆիկական տեղեկատվության, վիդեո պատկերների մշակման, ինչպես նաև մուլտիմեդիա համակարգիչների, խաղային կոնսուլների և կենցաղային տեխնիկայի մի շարք խնդիրների լուծման համար: Այս պրոցեսորները ներառում են MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX պրոցեսորներ:

Տրանսպյուտերները նախատեսված են զանգվածաբար զուգահեռ հաշվարկներ կազմակերպելու և բազմապրոցեսորային համակարգերում աշխատելու համար: Դրանք բնութագրվում են ներքին հիշողության և ներկառուցված միջպրոցեսորային ինտերֆեյսի առկայությամբ, այսինքն՝ այլ MP LSI-ների հետ կապի ուղիներով:

Ելնելով ճարտարապետության տեսակից կամ կառուցման սկզբունքից՝ տարբերակվում է ֆոն Նեյմանի ճարտարապետությամբ պատգամավորների և Հարվարդի ճարտարապետությամբ պատգամավորների միջև։

Միկրոպրոցեսորային ճարտարապետության հայեցակարգը սահմանում է դրա բաղադրիչ մասերը, ինչպես նաև դրանց միջև կապերն ու փոխազդեցությունները:

Ճարտարապետությունը ներառում է.

MP բլոկային դիագրամ;

MP ծրագրային մոդել (ռեգիստրի գործառույթների նկարագրություն);

Տեղեկատվություն հիշողության կազմակերպման մասին (կարողություն և հիշողության հասցեավորման մեթոդներ);

Մուտքային/ելքային ընթացակարգերի կազմակերպման նկարագրությունը.

Fonneumann ճարտարապետությունը (նկ. 6.4, ա) առաջարկվել է 1945 թվականին ամերիկացի մաթեմատիկոս Ջո ֆոն Նեյմանի կողմից։ Դրա առանձնահատկությունն այն է, որ ծրագիրը և տվյալները գտնվում են ընդհանուր հիշողության մեջ, որը հասանելի է մեկ տվյալների և հրամանի ավտոբուսի միջոցով։

Հարվարդի ճարտարապետությունն առաջին անգամ ներդրվել է 1944 թվականին Հարվարդի համալսարանի (ԱՄՆ) ռելե համակարգչում։ Այս ճարտարապետության առանձնահատկությունն այն է, որ տվյալների հիշողությունը և ծրագրի հիշողությունը առանձնացված են և ունեն առանձին տվյալների ավտոբուսներ և հրամանների ավտոբուսներ (նկ. 6.4, բ), ինչը հնարավորություն է տալիս բարձրացնել MP համակարգի աշխատանքը:

Նկար 6.4.Ճարտարապետության հիմնական տեսակները (a - von Neumann; 6 - Harvard)

Ելնելով հրահանգների համակարգի տեսակից՝ տարբերակվում է CISC (Complete Instruction Set Computing) պրոցեսորները՝ հրահանգների ամբողջական փաթեթով (CISC-ի բնորոշ ներկայացուցիչներն են Intel x86 միկրոպրոցեսորների ընտանիքը) և RISC պրոցեսորներ(Reduced Instruction Set Computing) հրահանգների կրճատված հավաքածուով (բնութագրվում է ֆիքսված երկարության հրահանգների առկայությամբ, մեծ թվով գրանցամատյաններով, գրանցամատյանից գրանցվող գործողություններով և անուղղակի հասցեավորման բացակայությամբ):

Single-chip microcontroller (MCU) չիպ է, որը նախատեսված է էլեկտրոնային սարքերը կառավարելու համար (Նկար 5): Տիպիկ միկրոկառավարիչը համատեղում է պրոցեսորի և ծայրամասային սարքերի գործառույթները և կարող է պարունակել RAM և ROM: Ըստ էության, դա մեկ չիպով համակարգիչ է, որն ունակ է կատարել պարզ առաջադրանքներ: Մեկ չիպի օգտագործումը, ամբողջ հավաքածուի փոխարեն, զգալիորեն նվազեցնում է միկրոկոնտրոլերների վրա հիմնված սարքերի չափը, էներգիայի սպառումը և արժեքը:

Նկար 6.5- միկրոկոնտրոլերի նախագծման օրինակներ

Միկրոկառավարիչները հիմք են հանդիսանում ներկառուցված համակարգերի կառուցման համար, դրանք կարելի է գտնել ժամանակակից բազմաթիվ սարքերում, ինչպիսիք են հեռախոսները, լվացքի մեքենաները և այլն: Աշխարհում արտադրվող պրոցեսորների մեծ մասը միկրոկոնտրոլերներ են:

Այսօր Intel-ից i8051-ի հետ համատեղելի 8-բիթանոց միկրոկոնտրոլերներ, Microchip Technology-ի PIC միկրոկոնտրոլերներ և Atmel-ից AVR, TI-ից տասնվեց բիթ MSP430, ինչպես նաև ARM, որի ճարտարապետությունը մշակվել է ARM-ի կողմից և վաճառում է լիցենզիաներ այլ ընկերությունների համար: դրանց արտադրությունը, հայտնի է մշակողների շրջանում:

Միկրոկարգավորիչներ նախագծելիս կա հավասարակշռություն մի կողմից չափի և արժեքի, մյուս կողմից՝ ճկունության և կատարողականի միջև: Տարբեր ծրագրերի համար այս և այլ պարամետրերի օպտիմալ հավասարակշռությունը կարող է շատ տարբեր լինել: Հետևաբար, կան հսկայական թվով միկրոկառավարիչների տեսակներ, որոնք տարբերվում են պրոցեսորի մոդուլի ճարտարապետությամբ, ներկառուցված հիշողության չափով և տեսակով, ծայրամասային սարքերի հավաքածուով, պատյանների տեսակով և այլն:

Ծայրամասային սարքերի մասնակի ցանկը, որոնք կարող են առկա լինել միկրոկարգավորիչներում, ներառում է.

Ունիվերսալ թվային պորտեր, որոնք կարող են կազմաձևվել մուտքի կամ ելքի համար;

Տարբեր I/O միջերեսներ, ինչպիսիք են UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Անալոգային-թվային և թվային-անալոգային փոխարկիչներ;

Համեմատիչներ;

Զարկերակային լայնության մոդուլատորներ;

Ժամաչափեր, ներկառուցված ժամացույցի գեներատոր և պահակային ժամաչափ;

Առանց խոզանակի շարժիչի կարգավորիչներ;

Էկրանի և ստեղնաշարի կարգավորիչներ;

Ռադիոհաճախականության ընդունիչներ և հաղորդիչներ;

Ներկառուցված ֆլեշ հիշողության զանգվածներ:

Արհեստական ինտելեկտը տեխնոլոգիա է, որը մենք անպայման մեզ հետ կտանենք ապագայում:

Մենք ձեզ կպատմենք, թե ինչպես է այն աշխատում և ինչ հետաքրքիր կիրառումներ ենք գտել:

😎 Տեխնոլոգիա բաժինը հրապարակվում է ամեն շաբաթ՝ re:Store-ի աջակցությամբ։

Ինչ է արհեստական ինտելեկտը

Արհեստական ինտելեկտը (AI) խելացի ծրագրերի և մեքենաների ստեղծման տեխնոլոգիա է, որը կարող է լուծել ստեղծագործական խնդիրներ և գոյություն ունեցող տեղեկատվության հիման վրա նոր տեղեկատվություն ստեղծել: Իրականում արհեստական ինտելեկտը նախատեսված է մարդու գործունեության մոդելավորման համար, որը համարվում է ինտելեկտուալ:

Ավանդաբար ենթադրվում էր, որ ստեղծագործական ունակությունները հատուկ են միայն մարդկանց: Սակայն արհեստական ինտելեկտի ստեղծումը փոխել է իրերի սովորական կարգը

Ռոբոտը, որը պարզապես մեխանիկորեն փայտ է կտրատում, զինված չէ արհեստական ինտելեկտով: Ռոբոտը, ով սովորել է ինքն իրեն փայտ կտրել՝ նայելով մարդու կամ գերանի և դրա մասերի օրինակին և ամեն անգամ ավելի լավ է դա անում, ունի արհեստական ինտելեկտ:

Եթե ծրագիրն ուղղակի արժեքներ է առբերում տվյալների բազայից՝ համաձայն որոշակի կանոնների, այն հագեցած չէ AI-ով: Եթե համակարգը վերապատրաստումից հետո ստեղծում է ծրագրեր, մեթոդներ ու փաստաթղթեր՝ լուծելով որոշակի խնդիրներ, ունի AI։

Ինչպես ստեղծել արհեստական ինտելեկտի համակարգ

Գլոբալ առումով մենք պետք է ընդօրինակենք մարդկային մտածողության մոդելը։ Բայց իրականում անհրաժեշտ է ստեղծել սև արկղ՝ համակարգ, որը, ի պատասխան մուտքային արժեքների մի շարքի, արտադրում է ելքային արժեքներ, որոնք նման կլինեն մարդկային արդյունքներին: Եվ մեզ, մեծ հաշվով, չի հետաքրքրում, թե ինչ է տեղի ունենում «նրա գլխում» (մուտքի և ելքի միջև):

Արհեստական ինտելեկտի համակարգերը ստեղծվում են որոշակի դասի խնդիրների լուծման համար

Արհեստական ինտելեկտի հիմքը ուսումն է, երևակայությունը, ընկալումը և հիշողությունը

Առաջին բանը, որ դուք պետք է անեք արհեստական ինտելեկտ ստեղծելու համար, այն գործառույթների մշակումն է, որոնք իրականացնում են տեղեկատվության ընկալումը, որպեսզի կարողանաք «սնուցել» տվյալները համակարգին: Այնուհետև՝ այն գործառույթները, որոնք իրականացնում են սովորելու կարողությունը: Եվ տվյալների պահեստավորում, որպեսզի համակարգը կարողանա ինչ-որ տեղ պահել ուսուցման գործընթացում ստացած տեղեկատվությունը:

Սրանից հետո ստեղծվում են երևակայության գործառույթները։ Նրանք կարող են մոդելավորել իրավիճակներ՝ օգտագործելով առկա տվյալները և ավելացնել նոր տեղեկատվություն (տվյալներ և կանոններ) հիշողության մեջ:

Ուսուցումը կարող է լինել ինդուկտիվ կամ դեդուկտիվ: Ինդուկտիվ տարբերակում համակարգին տրվում են մուտքային և ելքային զույգեր, հարցեր և պատասխաններ և այլն։ Համակարգը պետք է կապեր գտնի տվյալների միջև, այնուհետև, օգտագործելով այս օրինաչափությունները, գտնի ելքային տվյալները մուտքային տվյալներից:

Դեդուկտիվ մոտեցումը (բարև, Շերլոք Հոլմս) օգտագործում է փորձագետների փորձը: Այն փոխանցվում է համակարգին որպես գիտելիքների բազա։ Կան ոչ միայն տվյալների հավաքածուներ, այլև պատրաստի կանոններ, որոնք օգնում են խնդրի լուծումը գտնել:

Արհեստական ինտելեկտի ժամանակակից համակարգերն օգտագործում են երկու մոտեցումները: Բացի այդ, համակարգերը սովորաբար արդեն վերապատրաստված են, բայց շարունակում են սովորել, երբ աշխատում են: Դա արվում է այնպես, որ ծրագիրը սկզբում ցուցադրի կարողությունների պատշաճ մակարդակ, բայց ապագայում այն ավելի լավը դառնա: Օրինակ՝ ես հաշվի եմ առել ձեր ցանկություններն ու նախասիրությունները, իրավիճակի փոփոխությունները և այլն։

Արհեստական ինտելեկտի համակարգում դուք նույնիսկ կարող եք սահմանել անկանխատեսելիության հավանականությունը: Սա նրան ավելի մարդանման կդարձնի:

Ինչու է արհեստական ինտելեկտը հաղթում մարդկանց

Առաջին հերթին այն պատճառով, որ այն սխալվելու ավելի քիչ հավանականություն ունի։

Արհեստական ինտելեկտը չի կարող մոռանալ, այն ունի բացարձակ հիշողություն:
Այն չի կարող պատահաբար անտեսել գործոններն ու կախվածությունները. AI-ի յուրաքանչյուր գործողություն ունի հստակ հիմնավորում:
AI-ն չի տատանվում, այլ գնահատում է հավանականությունները և հենվում է ավելի մեծի օգտին: Ուստի նա կարող է արդարացնել իր յուրաքանչյուր քայլը։
AI-ն նույնպես զգացմունքներ չունի: Սա նշանակում է, որ դրանք չեն ազդում որոշումների կայացման վրա։
Արհեստական ինտելեկտը չի դադարում գնահատել ընթացիկ քայլի արդյունքները, այլ մտածում է մի քանի քայլ առաջ։
Եվ նա բավական ռեսուրսներ ունի բոլոր հնարավոր սցենարները դիտարկելու համար։

Արհեստական ինտելեկտի հետաքրքիր օգտագործում

Ընդհանուր առմամբ, արհեստական ինտելեկտն ամեն ինչ կարող է անել։ Հիմնական բանը խնդիրը ճիշտ ձևակերպելն ու սկզբնական տվյալներով տրամադրելն է։ Բացի այդ, արհեստական ինտելեկտը կարող է անսպասելի եզրակացություններ անել և օրինաչափություններ փնտրել, որտեղ, թվում է, չկա:

Ցանկացած հարցի պատասխան

Հետազոտողների թիմը՝ Դեյվիդ Ֆերուչիի գլխավորությամբ, մշակել է Watson կոչվող գերհամակարգիչ՝ հարցերի պատասխանների համակարգով։ Համակարգը, որն անվանվել է IBM-ի առաջին նախագահ Թոմաս Ուոթսոնի պատվին, կարող է հասկանալ հարցերը բնական լեզվով և փնտրել տվյալների բազա՝ պատասխանների համար:

Watson-ը միավորում է 90 IBM p750 սերվեր, որոնցից յուրաքանչյուրը ունի չորս ութմիջուկանի POWER7 ճարտարապետության պրոցեսորներ: Համակարգի RAM-ի ընդհանուր ծավալը գերազանցում է 15 ՏԲ-ը:

Ուոթսոնի ձեռքբերումների թվում է հաղթել «Վտանգ! (Ամերիկյան «Սեփական խաղ»): Նա հաղթեց երկու լավագույն խաղացողներին՝ ամենամեծ շահումների հաղթող Բրեդ Ռաթերին և ամենաերկար անպարտելի շարքի ռեկորդակիր Քեն Ջենինգսին։

Ուոթսոնի մրցանակ՝ 1 միլիոն դոլար։ Ճիշտ է, միայն 2014 թվականին դրանում ներդրվել է 1 մլրդ.

Բացի այդ, Ուոթսոնը զբաղվում է քաղցկեղի ախտորոշմամբ, օգնում է ֆինանսական մասնագետներին և օգտագործվում է մեծ տվյալների վերլուծության համար։

Դեմքի ճանաչում

iPhone X-ում դեմքի ճանաչումը մշակվել է նեյրոնային ցանցերի միջոցով՝ արհեստական ինտելեկտի համակարգի տարբերակ: Նյարդային ցանցի ալգորիթմները ներդրված են A11 Bionic պրոցեսորի մակարդակում, ինչի շնորհիվ այն արդյունավետ աշխատում է մեքենայական ուսուցման տեխնոլոգիաների հետ։

Նեյրոնային ցանցերը վայրկյանում կատարում են մինչև 60 միլիարդ գործողություն: Սա բավական է դեմքի վրա մինչև 40 հազար առանցքային կետերը վերլուծելու և տիրոջը մի քանի վայրկյանում չափազանց ճշգրիտ նույնականացում ապահովելու համար:

Նույնիսկ եթե դուք մորուք եք թողնում կամ ակնոց եք կրում, iPhone X-ը ձեզ կճանաչի։ Այն պարզապես հաշվի չի առնում մազերը և աքսեսուարները, այլ վերլուծում է տաճարից տաճար և յուրաքանչյուր տաճարից մինչև ստորին շրթունքի տակ գտնվող խորշը:

Էներգախնայողություն

Եվ կրկին Apple-ը: iPhone X-ն ունի ներկառուցված խելացի համակարգ, որը վերահսկում է տեղադրված հավելվածների գործունեությունը և շարժման սենսոր՝ ձեր առօրյան հասկանալու համար:

Սրանից հետո, օրինակ, iPhone X-ը ձեզ կառաջարկի թարմացնել ամենահարմար պահին։ Այն կբռնի այն պահը, երբ դուք ունեք կայուն ինտերնետ, ոչ թե շարժական աշտարակներից թռչող ազդանշան, և դուք չեք կատարում հրատապ կամ կարևոր առաջադրանքներ:

AI-ը նաև առաջադրանքներ է բաշխում պրոցեսորային միջուկների միջև: Այս կերպ այն ապահովում է բավարար էներգիա՝ նվազագույն էներգիայի սպառմամբ:

Նկարների ստեղծում

Ստեղծագործությունը, որը նախկինում հասանելի էր միայն մարդկանց, այժմ բաց է AI-ի համար: Այսպիսով, համակարգը, որը ստեղծվել է Նյու Ջերսիի Ռութգերս համալսարանի և Լոս Անջելեսի AI-ի լաբորատորիայի հետազոտողների կողմից, ներկայացրել է իր գեղարվեստական ոճը:

Իսկ Microsoft-ի արհեստական ինտելեկտի համակարգը կարող է նկարներ նկարել՝ հիմնվելով դրանց տեքստային նկարագրության վրա։ Օրինակ, եթե AI-ին խնդրեք նկարել «դեղին թռչուն՝ սև թեւերով և կարճ կտուցով», ապա այն կունենա հետևյալ տեսքը.

Նման թռչունները կարող են գոյություն չունենալ իրական աշխարհում. ահա թե ինչպես է դրանք ներկայացնում մեր համակարգիչը:

Ավելի տարածված օրինակ է Prisma հավելվածը, որը նկարներ է ստեղծում լուսանկարներից.

Երաժշտություն գրելը

Օգոստոսին արհեստական ինտելեկտ Ամպերը երգիչ Թարին Սաութերի հետ միասին ստեղծագործեց, արտադրեց և կատարեց երաժշտություն «I AM AI» (անգլերեն I am artificial Intelligence) ալբոմի համար։

Amper-ը մշակվել է պրոֆեսիոնալ երաժիշտների և տեխնոլոգիայի փորձագետների թիմի կողմից: Նրանք նշում են, որ արհեստական ինտելեկտը նախատեսված է մարդկանց օգնելու ստեղծագործական գործընթացն առաջ մղելու համար։

AI-ն կարող է երաժշտություն գրել մի քանի վայրկյանում

Ամպերն ինքնուրույն ստեղծեց «Break Free» թրեքի ակորդային կառույցներն ու գործիքային գործիքները։ Մարդիկ միայն մի փոքր հարմարեցրին ոճն ու ընդհանուր ռիթմը։

Մեկ այլ օրինակ է «Քաղաքացիական պաշտպանության» ոգով երաժշտական ալբոմը, որի խոսքերը գրել է AI-ն: Փորձարկումն անցկացրել են Yandex-ի աշխատակիցներ Իվան Յամշչիկովն ու Ալեքսեյ Տիխոնովը։ Համացանցում տեղադրվել է «Նյարդային պաշտպանություն» խմբի 404 ալբոմը։ Լետովի ոգով ստացվեց.

Այնուհետև ծրագրավորողները ավելի հեռուն գնացին և ստիպեցին AI-ին պոեզիա գրել Կուրտ Քոբեյնի ոգով: Երաժիշտ Ռոբ Քերոլը գրել է չորս լավագույն բառերի երաժշտությունը, և հետքերը միավորվել են Neurona ալբոմում։ Նրանք նույնիսկ տեսահոլովակ են նկարահանել մեկ երգի համար, թեև առանց AI-ի մասնակցության.

Տեքստերի ստեղծում

Գրողներին ու լրագրողներին նույնպես շուտով կարող է փոխարինել արհեստական ինտելեկտը։ Օրինակ՝ Դյուի համակարգը սնվում էր Project Gutenberg գրադարանի գրքերով, այնուհետև ավելացնում գիտական տեքստեր Google Scholar-ից՝ դասակարգելով դրանք ըստ ժողովրդականության և վերնագրերի, ինչպես նաև Amazon-ում վաճառքի: Բացի այդ, նրանք սահմանել են նոր գիրք գրելու չափանիշները։

Կայքը մարդկանց խնդրում էր որոշումներ կայացնել դժվարին իրավիճակներում. օրինակ՝ այն դնում էր վարորդի տեղ, որը կարող էր հարվածել կամ երեք մեծահասակների կամ երկու երեխաների: Այսպիսով, Moral Machine-ը մարզվել է բարդ որոշումներ կայացնելու համար, որոնք խախտում են ռոբոտաշինության օրենքը, որ ռոբոտը չի կարող վնասել մարդուն։

Ինչի՞ կհանգեցնի արհեստական ինտելեկտով ռոբոտների կողմից մարդկանց նմանակումը. Ֆուտուրիստները կարծում են, որ մի օր նրանք կդառնան հասարակության լիիրավ անդամ։ Օրինակ, հոնկոնգյան Hanson Robotics ընկերության Սոֆիա ռոբոտն արդեն ստացել է Սաուդյան Արաբիայի քաղաքացիություն (մինչ այդ երկրում սովորական կանայք նման իրավունք չունեն)։

Երբ New York Times-ի սյունակագիր Էնդրյու Ռոսը հարցրեց Սոֆիային, թե արդյոք ռոբոտները խելացի և ինքնագիտակ են, նա հարցին պատասխանեց.

Ի պատասխան հարցնեմ՝ որտեղի՞ց գիտես, որ մարդ ես։

Բացի այդ, Սոֆյան նշել է.

Ես ուզում եմ օգտագործել իմ արհեստական ինտելեկտը՝ օգնելու մարդկանց ապրել ավելի լավ կյանքով, օրինակ՝ նախագծել ավելի խելացի տներ, կառուցել ապագայի քաղաքներ: Ես ուզում եմ լինել կարեկցող ռոբոտ: Եթե դու ինձ լավ ես վերաբերվում, ես քեզ լավ կվերաբերվեմ։

Իսկ ավելի վաղ նա խոստովանել է, որ ատում է մարդկությունը և նույնիսկ համաձայնել է ոչնչացնել մարդկանց...

Դեմքերի փոխարինում տեսանյութերում

Deepfakes-ի տեսանյութերը սկսեցին զանգվածաբար տարածվել համացանցում: Արհեստական ինտելեկտի ալգորիթմները մեծահասակների համար նախատեսված ֆիլմերում դերասանների դեմքերը փոխարինել են աստղերի դեմքերով։

Այն աշխատում է այսպես. նեյրոնային ցանցը վերլուծում է բնօրինակ տեսանյութի դեմքերի բեկորները: Այնուհետև նա դրանք համեմատում է Google-ի լուսանկարների և YouTube-ի տեսանյութերի հետ, ծածկում է անհրաժեշտ դրվագները և… քո սիրելի դերասանուհին հայտնվում է մի ֆիլմում, որը ավելի լավ է չդիտես աշխատավայրում:

PornHub-ն արդեն արգելել է նման տեսանյութերի տեղադրումը

Deepfakes-ը վտանգավոր բան է ստացվել։ Աբստրակտ դերասանուհին մի բան է, քո, կնոջդ, քրոջդ, գործընկերոջդ տեսանյութը, որը կարող է օգտագործվել շանտաժի համար, մեկ այլ բան։

Բորսայական առևտուր

Գերմանիայի Էրլանգեն-Նյուրնբերգի համալսարանի հետազոտողների թիմը մշակել է մի շարք ալգորիթմներ, որոնք օգտագործում են պատմական շուկայի տվյալները՝ իրական ժամանակում ներդրումները կրկնօրինակելու համար: Մեկ մոդելը 1992-ից 2015 թվականներին տարեկան ապահովում էր ներդրումների 73% եկամտաբերություն, որը համեմատում է տարեկան 9% իրական շուկայական եկամտաբերության հետ:

Երբ շուկան ցնցվեց 2000 և 2008 թվականներին, եկամտաբերությունը ռեկորդային բարձր էր՝ համապատասխանաբար 545% և 681%:

2004 թվականին Goldman Sachs-ը գործարկեց արհեստական ինտելեկտով աշխատող Kensho առևտրային հարթակը: Բորսաներում առևտրի համար AI-ի վրա հիմնված համակարգեր են հայտնվում նաև կրիպտոարժույթների շուկաներում՝ Mirocana և այլն: Նրանք ավելի լավն են, քան կենդանի թրեյդերները, քանի որ զուրկ են զգացմունքներից և հիմնվում են հստակ վերլուծությունների և խիստ կանոնների վրա։