Nosov N.Yu., Sokolov M.D. Trendy ve vývoji umělé inteligence. Aplikace umělé inteligence Příklady aplikací umělé inteligence

Jednou z oblastí rozvoje IT technologií je umělá inteligence (AI). Analytici uvádějí, že pokud v roce 2011 bylo uzavřeno 67 obchodů se společnostmi rozvíjejícími se v oboru umělá inteligence, loni se jejich počet zvýšil na 400. O statistikách roku 2016 je ještě brzy mluvit, ale rekordních 140 transakcí jen za první čtvrtletí letošního roku naznačuje nárůst poptávky po tomto sektoru. To je oprávněné, protože technologie lze využít v mnoha oblastech života.

Diagram - Dynamika počtu obchodů s vývojáři umělá inteligence, Jednotky.

V zemědělství se umělá inteligence využívá ve zpracovatelských a sklizňových zařízeních. Práce v této oblasti provádějí zahraniční i ruští inženýři.

Například společnost Autonomous Tractor Cooperation představila v roce 2012 bezpilotní traktor Spirit. Jeho výbava obsahuje systém AutoDrive, který je symbiózou radionavigace a laserového gyroskopu. Tento systém zajišťuje nezávislý pohyb traktoru po trase, kterou předtím projížděl s řidičem.

Ruský výrobce Cognitive Technologies letos zorganizoval testování bezpilotního traktoru vybaveného počítačovým viděním. Toto řešení pomáhá předcházet poškození zemědělských strojů, protože. předem detekuje cizí předměty na obdělávaných plochách. Videokamery a navigační senzory poskytované jeho zařízením shromažďují informace o poloze nebezpečných objektů v reálném čase.

Nezávislý traktor byl vyvinut společností CNH Industrial. Jeho jedinečnost spočívá v tom, že akumuluje informace pomocí lidarového systému založeného na fenoménu odrazu a rozptylu světla.

Vývojáři jako Blue River Technology, PlantVillage vzali vektor k vývoji technologií, které bojují s plevelem. Inteligentní stroje rozpoznávají a ničí nežádoucí rostliny.

Očekává se, že řešení bezpilotní dopravy výrazně zvýší produktivitu zemědělství. Snad bude v budoucnu tento sektor schopen plně fungovat bez lidského zásahu. Vědci se domnívají, že umělá inteligence najde své místo v tzv. vertikálních farmách, tzn. plně skleníkové zemědělství. Zařízení budou schopna sledovat důležité ukazatele plodiny, jako je vlhkost, světlo a teplota, a rychle reagovat na jejich výkyvy.

Umělá inteligence v gveřejný sektor

Umělá inteligence se již několik let používá na západě v policejních a hasičských službách.

Vývojáři softwaru Series Finder identifikovali devět scénářů krádeže. Algoritmy, které jsou základem této technologie, analyzují mnoho faktorů, včetně snadného vloupání do domu, denní doby, dne v týdnu atd., a reprodukují potenciální chování zločince. To přispívá nejen k rychlému odhalení trestného činu podle připravené šablony, ale také umožňuje předvídat a předcházet nebezpečí.

Odborníci z University of Rochester tvrdí, že pomocí inteligentních systémů na chování uživatelů na Instagramu lze identifikovat drogové dealery.

NASA mezitím navrhuje "železného" pomocníka pro hasiče, jehož účelem je organizovat koordinovanou souhru hasičského týmu a také pohotově informovat každého specialistu na požářišti o stavu situace.

Vědci se domnívají, že v blízké budoucnosti bude důvěra v inteligentní bezpečnostní technologie jen růst, a to i v soukromém prostředí. Výhodou umělé inteligence je, že dokáže zachytit to, co člověk přehlédne, je schopen shromažďovat a analyzovat velké množství dat, generovat šablonové situace a zůstat v jakékoli situaci nestranný a lhostejný. Vědci však objasňují, že úplně vyloučit člověka ze státních struktur, které organizují bezpečnost obyvatel, nebude fungovat. Existují procesy a rozhodnutí, které vyžadují psychologickou analýzu, podléhající pouze „živým“ specialistům. Chytré stroje přitom mohou přebírat nebezpečné funkce. Například prozkoumat hořící budovu, krýt se před kulkami atd.

Technologie je nejlepší přítel člověka. A umělá inteligence doma i v běžném životě

Více než rok pracují desítky inženýrů na projektu chytré domácnosti. Umělé inteligenci chtějí svěřit zodpovědnost za nastavení teploty v místnosti, automatické nastavování osvětlení, otevírání/zavírání vstupní brány, udržování čistoty a pořádku a mnoho dalších. Tvůrci si kladou za cíl co nejvíce zjednodušit proces ovládání a „komunikace“ s vysoce inteligentní domácností tak, aby se algoritmy nespouštěly z dálkového ovladače nebo jiného dálkového ovladače, ale rozpoznaly hlas a gesta.

Souběžně s vývojem „chytrého“ domova vědci testují inteligentní asistenty, kteří mají člověku vytvořit dokonalý život. Různé modely sociálních robotů dokážou určit okolní teplotu, která je pro konkrétního člověka příjemná, a regulovat ji v místnosti, udržovat konverzaci, pamatovat si obličeje a řídit se pokyny.

Očekává se, že domácí roboti se do roku 2030 stanou standardem. Nedokážou člověka zcela osvobodit od domácích povinností, ale dokážou zajistit nejpříznivější životní podmínky, automatizovat řadu základních procesů, předvídat a předcházet bytovým a komunálním nehodám, nést odpovědnost za bezpečnost majetku atd. . Některá řešení mohou být užitečná pro osoby se zdravotním postižením.

Umělá inteligence ve vzdělávacím sektoru

Moderní technologie aktivně modernizují vzdělávací systém. Například v Rusku řada metropolitních škol testuje elektronické časopisy, které poskytují rodičům informace o pokroku a docházce dítěte online a zjednodušují učitelům „papírovou“ práci. Robot letos na Den učitelů uspořádal hodinu informatiky v tandemu s učitelem na jednom z kazaňských lyceí, což je pro naši zemi jedinečná událost.

Svět již zná inteligentní vzdělávací systémy, které určují úroveň znalostí studenta, vyhodnocují správnost odpovědí a vyvíjejí personalizovaný výukový program. Jako příklad můžeme jmenovat taková řešení jako AutoTutor, Knewton, SHERLOCK. Poslední jmenovaný používá americké letectvo pro výcvik pilotů. Řada online výukových platforem je dobře rozvinutá. Zejména známé služby Coursera a Duolingo, a to i v Rusku.

Ve vzdělávání je budoucností umělá inteligence. Je atraktivní tím, že je schopen vytvořit pro každého studenta jedinečný plán rozvoje, který zohledňuje schopnosti a zájmy studenta, a proto co nejefektivněji realizuje jeho potenciál. Taky umělá inteligence nestranný při hodnocení znalostí nebo kontrole úkolů. Roboti mohou od učitele nejen učit autonomně, ale také mu pomáhat.

Vědci z Knowledge Lab na University College London předpovídají, že v budoucnu bude mít každý svého vlastního školícího mentora. Strojové učení identifikuje lidské schopnosti a dá doporučení pro trénink, přičemž je vždy „po ruce“ prostřednictvím aplikace na mobilním zařízení.

umělá inteligence v ffinanční sektor

V bankovním systému a finančním sektoru se umělá inteligence může stát pomocníkem i hrozbou. Automatizované systémy například usnadňují sledování finančních podvodů a podezřelých transakcí. Podobné řešení testuje MasterCard s podporou Národní spořitelny.

Banky hodlají při práci s klienty využívat i robotické zaměstnance. A umělá inteligence umí zpracovávat požadavky zákazníků, informovat o službách a příležitostech, poskytovat technickou podporu. Švédská banka Swedbank umělého asistenta testovala již v roce 2014. Podle zástupců Swedbank robot již rok po svém spuštění umožňoval 80 % všech hovorů přijatých bankou.

Finanční instituce našly uplatnění umělá inteligence a v systému personálního řízení. Inteligentní technologie kontrolují rozhodnutí zaměstnanců, pohotově reagují na protiprávní jednání z jejich strany, čímž zabraňují porušování právních norem vinou banky.

V létě 2016 se objevily informace, že finanční instituce Goldman Sachs, Morgan Stanley Citigroup a UBS Group investují do rozvoje umělá inteligence pro najímání personálu. Mezi možnosti takového řešení patří výběr přijatelných životopisů, posouzení odborných kvalit uchazečů a organizace videopohovorů. Společnosti doufají, že chytré technologie nejen zautomatizují proces náboru, ale také sníží fluktuaci zaměstnanců.

Vývojáři aplikací Pefin a Wallet.ai důvěřují online platformám s osobními financemi. Služby, které berou v úvahu ekonomické ukazatele, jako je inflace a daně, vytvářejí individuální finanční systém, který počítá, kolik může člověk utratit nebo investovat.

Analytické služby advokátní kanceláře Baker & McKenzie letos zveřejnily výsledky své studie, podle které v následujících třech letech umělá inteligence bude široce používán v oblasti financí. Polovina ze 424 dotázaných vedoucích pracovníků bank oznámila plány na zavedení inteligentních systémů do práce instituce, z toho 39 % – za účelem prevence nelegálních převodů peněz a 26 % – na sledování zákonnosti jednání banky.

Umělá inteligence v dopravním systému

Hlavním směrem rozvoje umělé inteligence v dopravní infrastruktuře je vytváření bezpilotních prostředků. Google, Tesla, General Motors a další takové systémy aktivně testují. Automobilové koncerny Ford a BMW také vyjadřují plány na výrobu nezávislých vozů do roku 2021.

V současnosti bezpilotní vozidla poskytují algoritmy, které dokážou analyzovat prostředí, rozpoznat přítomnost osoby na silnici a v nouzových situacích přenést řízení na řidiče.

Taky umělá inteligence používá se v „chytrých“ zastávkách MHD, které sledují pohyb vozidel na trase a počítají přibližný čas jejího příjezdu.

Před čtyřmi lety spustili inženýři z Carnegie University chytré semafory. Posuzují situaci na silnici a automaticky zapnou zelenou barvu, když jede hodně aut. Podle vývojářů prokázaly samořízené křižovatky svou účinnost: řidiči ušetří 21 % jízdní doby tím, že zkrátí dobu čekání na signál povolení o 40 %.

Odborníci se domnívají, že schopnosti umělé inteligence budou široce využívány při organizaci dopravy. Do roku 2020 bude na silnicích, včetně těch létajících, asi 10 milionů bezpilotních vozidel. „Smart“ doprava bude oblíbená nejen v soukromém sektoru. Například ve Francii byl uveden na trh samořiditelný autobus. Vědci se domnívají, že taková zařízení ochrání provoz, pomohou vyhnout se mnoha nehodám a online budou sledovat situaci na silnici.

umělá inteligence v pprůmysl

Mnoho evropských továren již využívá robotická řešení k automatizaci svých výrobních procesů. Zaměstnanci se tak ušetří těžké a nebezpečné výrobní práce. A umělá inteligence pomáhá předcházet chybám ve výrobě, čímž zlepšuje kvalitu produktu a snižuje časové a materiálové náklady na jeho výrobu a také umožňuje organizovat nepřerušovanou výrobu.

Knižní příklad komerčních podniků, které implementovaly umělá inteligence ve výrobním procesu je přístav Hamburk a Harley-Davidson. Prvnímu se podařilo s pomocí nejnovějších technologií zvýšit propustnost více než 2,5krát. Druhým je zkrácení doby montáže motocyklu z 21 dnů na 6 hodin.

V roce 2014 se Cisco, AT&T, IBM a Intel sloučily do Industrial Internet Consortium, IIC, jehož cílem je podporovat technologie a projekty IIoT.Neexistují žádné příklady domácích továren využívajících inteligentní systémy ve svém pracovním prostředí. Národní průmyslové internetové konsorcium, které vzniklo letos v srpnu, je povoláno, aby pomohlo situaci změnit.

Umělá inteligence ve zdravotnictví

IBM představilo řešení Watson. Je to superpočítač schopný analyzovat lékařská data a dokonce i snímky za účelem stanovení diagnózy. Zatímco IBM pokračuje ve zdokonalování technologie, Watson je školen k odhalování jemných příznaků vzácných onemocnění u dětí. Společnost spolupracuje s téměř dvěma desítkami lékařských center, což by mělo urychlit rozšíření této technologie ve zdravotnických zařízeních.

Používáním umělá inteligence plánují diagnostikovat rakovinu v rané fázi. Vývojáři Behold.ai hlásí, že lék na tuto nemoc nebude mít obvyklou formu léků. Jejich cílem je naučit AI co nejdříve odhalovat zhoubné nádory z rentgenového záření, což není léčba, ale prevence rozvoje onemocnění.

Laboratoře Partners Bay a Arterys plánují diagnostikovat srdeční onemocnění podobným způsobem. Technologie je založena na analýze ultrazvuku, takže „chytré“ zařízení dokáže vidět i to, co lékař nemá k dispozici.

Vědci tvrdí, že v budoucnu budou lidské zdraví snímat chytré telefony. Na základě rozboru aktivity, spánku, sociability diagnostikujeme i duševní poruchy, jako je deprese. Taky umělá inteligence hrát roli ve výzkumu nových léků. Algoritmy detekují zranitelnost virů a vyberou účinné kombinace molekulárních struktur k jejich odstranění.

Dobytému stvořiteli z vyššího intelektu

Mnohé předpovědi vědců o „chytrém“ světě, digitalizovaném životě, robotech v sousedství a civilizaci internetu věcí se dnes zdají být fantastické. Ale bez ohledu na víru nebo pochyby v neomezené možnosti umělá inteligence Technologie dynamicky mění vše kolem nás. S objevy za objevy, malými vynálezy a revolučními nápady vedou vývojáři planetu do vysoce inteligentní strojové reality.

Je těžké pojmenovat přesná data, kdy plody fantazie spisovatelů sci-fi získají fyzické ztělesnění. Posouvat se musí nejen technologie, ale i lidé. Společnost musí být připravena přijmout „železný“ svět a inteligentní národ zařízení. Přizpůsobit se potřebuje čas. Aby lidé začali robotickým policistům, lékařům a řidičům věřit, musí se jejich umělá inteligence rovnat lidské. Může přitom nedokonalý člověk vytvořit dokonalý systém? Bude schopen vysledovat linii kde umělá inteligence přítel, není nebezpečí? A dokáže se vyhnout technické závislosti?

Paralelně se nabízí otázka připravenosti infrastruktury na „umělou“ budoucnost. Je dostatečná energetická kapacita? Pochopitelně do práce umělá inteligence Internet věcí a cloud vyžadují nepřerušitelné zdroje napájení a širokopásmovou globální mobilní síť.

Chcete-li se dozvědět více o inovativních řešeních mobilních komunikací stávajících i nových generací, stejně jako o službách současnosti i budoucnosti, naleznete v knize "

Od chvíle, kdy byla umělá inteligence uznána jako vědecký směr, a to se stalo v polovině 50. let minulého století, museli vývojáři inteligentních systémů řešit mnoho problémů. Obvykle lze všechny úlohy rozdělit do několika tříd: rozpoznávání a překlad lidského jazyka, automatické dokazování teorémů, tvorba herních programů, rozpoznávání obrázků a strojová kreativita. Podívejme se krátce na podstatu každé třídy problémů.

Důkaz teorémů.

Automatizované dokazování teorémů je nejstarší aplikací umělé inteligence. V této oblasti bylo provedeno mnoho výzkumů, které vedly ke vzniku formalizovaných vyhledávacích algoritmů a formálních reprezentačních jazyků, jako je PROLOG - jazyk logického programování a predikátový kalkul.

Automatické důkazy teorémů jsou atraktivní, protože jsou založeny na obecnosti a přísnosti logiky. Logika ve formálním systému implikuje možnost automatizace, což znamená, že pokud problém a další informace s ním související představujete jako sadu logických axiomů a speciální případy problému jako věty, které vyžadují důkaz, můžete získat řešení. k mnoha problémům. Na tomto principu jsou založeny systémy matematického zdůvodnění a automatických důkazů vět. V minulých letech byly učiněny opakované pokusy napsat program pro automatické dokazování teorémů, ale nepodařilo se vytvořit systém, který by umožňoval řešení problémů jedinou metodou. Jakýkoli relativně složitý heuristický systém mohl generovat mnoho irelevantních prokazatelných vět, takže programy je musely dokázat, dokud nebyla objevena ta správná. Vznikl proto názor, že velké prostory lze řešit pouze pomocí neformálních strategií speciálně navržených pro konkrétní případy. V praxi se tento přístup ukázal jako velmi plodný a byl spolu s dalšími základem expertních systémů.

Nelze přitom ignorovat úvahy založené na formální logice. Formalizovaný přístup umožňuje řešení mnoha problémů. Zejména s jeho pomocí můžete spravovat složité systémy, kontrolovat správnost počítačových programů, navrhovat a testovat logické obvody. Kromě toho, výzkumníci automatického dokazování teorémů vyvinuli výkonnou heuristiku založenou na vyhodnocení syntaktické formy logických výrazů. V důsledku toho bylo možné snížit úroveň složitosti vyhledávacího prostoru, aniž by se uchýlilo k vývoji speciálních strategií.

Automatické dokazování teorémů je pro vědce zajímavé i z toho důvodu, že pro zvláště složité problémy je možné systém použít také, i když ne bez zásahu člověka. V současnosti programy často fungují jako asistenti. Specialisté rozdělí úkol do několika dílčích úkolů, poté se promyslí heuristika, aby se vyřešily možné důvody. Dále program dokazuje lemmata, kontroluje méně podstatné předpoklady a přidává k formálním aspektům důkazů nastíněných osobou.

Rozpoznávání vzorů.

Rozpoznávání vzorů je výběr podstatných znaků, které charakterizují výchozí data z celkového souboru znaků, a na základě obdržených informací přiřazení dat k určité třídě.

Teorie rozpoznávání vzorů je obor informatiky, jehož úkolem je vyvinout základy a metody pro identifikaci a klasifikaci objektů (předmětů, procesů, jevů, situací, signálů atd.), z nichž každý je vybaven souborem určitých vlastnosti a vlastnosti. V praxi je potřeba předměty identifikovat poměrně často. Typickou situací je rozpoznání barvy semaforu a rozhodnutí, zda v tuto chvíli přejít ulici. Existují další oblasti, ve kterých se rozpoznávání objektů nelze obejít, například digitalizace analogových signálů, vojenské záležitosti, bezpečnostní systémy a tak dále, takže dnes vědci nadále aktivně pracují na vytváření systémů rozpoznávání obrazu.

Práce se provádějí ve dvou hlavních směrech:

• · Výzkum, vysvětlení a modelování rozpoznávacích schopností, které jsou vlastní živým bytostem.
• · Rozvoj teoretických a metodických základů pro tvorbu zařízení, která by umožňovala řešení jednotlivých problémů pro aplikační účely.

Formulace problémů rozpoznávání se provádí pomocí matematického jazyka. Zatímco teorie umělých neuronových sítí je založena na získávání výsledků pomocí experimentů, formulace problémů rozpoznávání vzorů není založena na experimentu, ale na základě matematických důkazů a logického uvažování.

Zvažte klasickou formulaci takového problému. Existuje mnoho objektů, ve vztahu k nimž je nutné klasifikovat. Množina se skládá z podmnožin nebo tříd. Specifikováno: informace popisující množinu, informace o třídách a popis jednoho objektu bez uvedení jeho příslušnosti ke konkrétní třídě. Úkol: na základě dostupných dat určete, do které třídy objekt patří.

Pokud jsou v úlohách monochromatické obrázky, lze je považovat za funkce v rovině. Funkce bude formálním záznamem obrazu a v každém bodě bude vyjadřovat určitou charakteristiku tohoto obrazu - optickou hustotu, průhlednost, jas atd. V tomto případě bude modelem obrazové sady množina funkcí v rovině . Formulace rozpoznávacího problému závisí na tom, jaké by měly být fáze následující po rozpoznání.

Mezi metody rozpoznávání vzorů patří experimenty F. Rosenblatta, který představil koncept modelu mozku. Úkolem experimentu je ukázat, jak psychologické jevy vznikají ve fyzikálním systému se známými funkčními vlastnostmi a strukturou. Vědec popsal nejjednodušší experimenty s rozpoznáváním, ale jejich rysem je nedeterministický algoritmus řešení.

Nejjednodušší experiment, na jehož základě lze získat psychologicky významné informace o systému, je následující: perceptronu je předložena sekvence dvou různých podnětů, z nichž na každý musí nějakým způsobem reagovat, a na různé podněty reakce musí být jiná. Účel takového experimentu může být různý. Experimentátor může stát před úkolem prozkoumat možnost spontánní diskriminace systémem prezentovaných podnětů bez vnějšího zásahu, nebo naopak prozkoumat možnost vynuceného rozpoznání. Ve druhém případě experimentátor naučí systém klasifikovat různé objekty, kterých může být více než dva. Učení probíhá následovně: perceptron je prezentován s obrázky, mezi nimiž jsou zástupci všech tříd, které je třeba rozpoznat. Správná odezva je posílena podle pravidel modifikace paměti. Poté experimentátor předloží perceptronu kontrolní podnět a určí pravděpodobnost získání dané odpovědi pro obrázky této třídy. Kontrolní podnět se může shodovat s jedním z objektů prezentovaných v tréninkové sekvenci nebo se může lišit od všech prezentovaných objektů. V závislosti na tom se získají následující výsledky:

• · Pokud se kontrolní podnět liší od všech dříve prezentovaných tréninkových podnětů, pak kromě čisté diskriminace experiment zkoumá prvky zobecnění.
• · Pokud kontrolní podnět způsobí aktivaci určité skupiny smyslových prvků, které se neshodují s žádným z prvků, které byly aktivovány pod vlivem podnětů stejné třídy, prezentovaných dříve, pak experiment zkoumá čisté zobecnění a ne zahrnují studium uznání.

Navzdory tomu, že perceptrony nejsou schopny čistého zobecnění, zvládají úlohy rozpoznávání uspokojivě, zejména v případech, kdy jsou zobrazeny obrázky, s nimiž má perceptron již určité zkušenosti.

Rozpoznávání lidské řeči a strojový překlad.

Mezi dlouhodobé cíle umělé inteligence patří vytváření programů, které dokážou rozpoznat lidský jazyk a použít jej ke konstrukci smysluplných frází. Schopnost porozumět přirozenému jazyku a používat jej je základním rysem lidské inteligence. Úspěšná automatizace této schopnosti by učinila počítače mnohem efektivnějšími. K dnešnímu dni bylo napsáno mnoho programů, které dokážou porozumět přirozenému jazyku a jsou úspěšně aplikovány v omezených kontextech, ale zatím neexistují žádné systémy, které by dokázaly aplikovat přirozené jazyky se stejnou obecností a flexibilitou jako člověk. Faktem je, že proces porozumění přirozenému jazyku není jen prostým rozebíráním vět na komponenty a hledáním významů jednotlivých slov ve slovnících. To je přesně to, co programy dělají dobře. Používání lidské řeči vyžaduje rozsáhlé znalosti o předmětu konverzace, o idiomech s ním souvisejících, kromě toho schopnost porozumět dvojsmyslům, opomenutím, profesionalitu, žargon, hovorové výrazy a mnoho dalších věcí, které jsou vlastní běžné lidské řeči. .

Příkladem je rozhovor o fotbale, kde se používají slova jako „vpřed“, „přihrávka“, „přestup“, „penalta“, „obránce“, „útočník“, „kapitán“ a další. Každé z těchto slov je charakterizováno souborem významů a jednotlivě jsou slova celkem srozumitelná, ale fráze z nich složená bude nesrozumitelná pro každého, kdo nemá rád fotbal a neví nic o historii, pravidlech a principech tohoto hra. K porozumění a aplikaci lidského jazyka je tedy zapotřebí soubor základních znalostí a jedním z hlavních problémů při automatizaci porozumění a aplikace přirozeného lidského jazyka je shromažďování a systematizace takových znalostí.

Vzhledem k tomu, že sémantické významy jsou v umělé inteligenci tak široce používány, vyvinuli vědci řadu metod, které jim umožňují do určité míry strukturovat. Přesto se většina práce provádí v problémových oblastech, které jsou dobře srozumitelné a specializované. Příkladem je technika „mikrosvěta“. Jedním z prvních programů, kde byl použit, byl program SHRDLU vyvinutý Terrym Winogradem, který je jedním ze systémů pro porozumění lidské řeči. Možnosti programu byly značně omezené a zredukovaly se na „rozhovor“ o umístění bloků různých barev a tvarů, stejně jako plánování nejjednodušších akcí. Program dal odpovědi na otázky jako "Jakou barvu má pyramida na příčné tyči?" a mohl by dávat pokyny jako "Položte modrý blok na červený." Těchto problémů se často dotkli výzkumníci umělé inteligence a později se staly známými jako „svět bloků“.

Navzdory tomu, že program SHRDLU úspěšně „mluvil“ o umístění bloků, nebyl obdařen schopností abstrahovat od tohoto „mikrokosmu“. Používal metody, které byly příliš jednoduché na to, aby zprostředkovaly sémantické uspořádání oblastí s vyšší složitostí.

Současná práce v oblasti porozumění a aplikace přirozených jazyků směřuje především k hledání dostatečně obecných reprezentačních formalismů, které lze přizpůsobit konkrétním strukturám daných oblastí a aplikovat je v široké škále aplikací. Většina existujících metod, které jsou modifikacemi sémiotických sítí, je studována a aplikována při psaní programů, které dokážou rozpoznat přirozený jazyk v úzkých tematických oblastech. Moderní možnosti zároveň neumožňují vytvořit univerzální program schopný porozumět lidské řeči v celé její rozmanitosti.

Mezi různými problémy rozpoznávání vzorů lze rozlišit následující:

• Klasifikace dokumentů
• Stanovení ložisek nerostných surovin
• Rozpoznávání obrazu
• · Rozpoznávání čárových kódů
• Rozpoznávání znaků
• · Rozpoznávání řeči
• rozpoznávání obličejů
• · Rozpoznávání SPZ

Umělá inteligence v herních programech.

Herní umělá inteligence zahrnuje nejen metody tradiční umělé inteligence, ale také algoritmy informatiky obecně, počítačovou grafiku, robotiku a teorii řízení. Nejen systémové požadavky, ale také rozpočet hry závisí na tom, jak je implementována AI, takže vývojáři musí balancovat a snažit se zajistit, aby umělá inteligence hry byla vytvořena s minimálními náklady a zároveň je zajímavá a nenáročná na zdroje. Využívá zcela jiného přístupu než v případě tradiční umělé inteligence. Hojně se využívají zejména emulace, klamy a různá zjednodušení. Příklad: vlastností stříleček z pohledu první osoby je schopnost robotů přesně se pohybovat a okamžitě mířit, ale zároveň člověk nemá jedinou šanci, takže schopnosti botů jsou uměle podceňovány. Současně jsou na úrovni umístěny kontrolní body, aby boti mohli fungovat jako tým, zakládat léčky atd. umělá inteligence obrázek

V počítačových hrách řízených herní umělou inteligencí jsou přítomny následující kategorie postav:

• moby - postavy s nízkou úrovní inteligence, nepřátelské vůči lidskému hráči. Hráči ničí davy, aby mohli projít územím, získat artefakty a zkušenostní body.
• · nehráčské postavy – obvykle jsou tyto postavy vůči hráči přátelské nebo neutrální.
• · boti – postavy nepřátelské vůči hráčům, nejobtížnější na programování. Jejich schopnosti se blíží schopnostem herních postav. V každém okamžiku se proti hráči postaví určitý počet robotů.

V rámci počítačové hry existuje mnoho oblastí, ve kterých se používá široká škála heuristických algoritmů umělé herní inteligence. Nejrozšířenější herní umělá inteligence je jedním ze způsobů ovládání nehráčských postav. Další stejně běžnou metodou ovládání je skriptování. Dalším zřejmým využitím herní umělé inteligence, zejména ve strategických hrách v reálném čase, je hledání cest, neboli metoda k určení, jak se NPC může dostat z jednoho bodu na mapě do druhého. Přitom je třeba počítat s překážkami, terénem a možnou „válečnou mlhou“. Dynamické vyvažování mobů se také neobejde bez použití umělé inteligence. Mnoho her vyzkoušelo koncept nepředvídatelné inteligence. Jsou to hry jako Nintendogs, Black & White, Creatures a známá hračka Tamagotchi. V těchto hrách jsou postavami mazlíčci, jejichž chování se mění podle akcí hráče. Zdá se, že postavy se dokážou učit, i když jejich činy jsou ve skutečnosti výsledkem výběru z omezeného souboru možností.

Mnoho herních programátorů považuje jakoukoli techniku, která vytváří iluzi inteligence, za součást herní umělé inteligence. Tento přístup však není zcela správný, protože stejné techniky lze použít nejen v herních AI enginech. Například při vytváření botů se používají algoritmy s informacemi o možných budoucích kolizích, které se do nich zadávají, v důsledku čehož boti získávají „schopnost“ těmto kolizím se vyhnout. Ale tytéž techniky jsou důležitou a nezbytnou součástí fyzikálního enginu. Další příklad: důležitou součástí zaměřovacího systému robota jsou data o vodě a stejná data se široce používají v grafickém enginu při vykreslování. Posledním příkladem je skriptování. Tento nástroj lze úspěšně použít ve všech aspektech vývoje her, ale nejčastěji je považován za jeden ze způsobů, jak ovládat akce NPC.

Podle puristů nemá výraz „herní umělá inteligence“ právo na existenci, neboť jde o nadsázku. Jako hlavní argument uvedli skutečnost, že v herní AI se používají pouze některé oblasti vědy o klasické umělé inteligenci. Je třeba také vzít v úvahu, že cílem umělé inteligence je vytvoření samoučících se systémů a dokonce vytvoření umělé inteligence schopné uvažování, přičemž se často omezuje na heuristiku a soubor několika základních pravidel, která stačí k vytvoření dobrou hratelností a poskytují hráči živé dojmy a pocit ze hry.

Aktuálně o akademickou AI projevují zájem vývojáři počítačových her a akademická obec se zase začíná zajímat o počítačové hry. To vyvolává otázku, do jaké míry se od sebe hra a klasická AI liší. Herní umělá inteligence je přitom stále považována za jednu z dílčích větví té klasické. Je to dáno tím, že umělá inteligence má různé aplikační oblasti, které se od sebe liší. Pokud mluvíme o herní inteligenci, důležitým rozdílem je zde možnost podvádění za účelem řešení některých problémů „legitimními“ způsoby. Na jedné straně je nevýhodou klamání, že často vede k nereálnému chování postav a z tohoto důvodu nelze vždy použít. Na druhou stranu, samotná možnost takového podvodu je důležitým rozdílem mezi herní AI.

Dalším zajímavým úkolem umělé inteligence je naučit počítač hrát šachy. Na jeho řešení se podíleli vědci z celého světa. Zvláštností této úlohy je, že demonstrace logických schopností počítače je možná pouze za přítomnosti skutečného protivníka. První taková demonstrace se konala v roce 1974 ve Stockholmu, kde se konalo mistrovství světa v šachu mezi šachovými programy. Tuto soutěž vyhrál program Kaissa, který vytvořili sovětští vědci z Institutu problémů řízení Akademie věd SSSR se sídlem v Moskvě.

Umělá inteligence ve strojové kreativitě.

Povaha lidského intelektu není dosud dostatečně prozkoumána a stupeň studia podstaty lidské tvořivosti je ještě menší. Jednou z oblastí umělé inteligence je však strojová kreativita. Moderní počítače vytvářejí hudební, literární a obrazová díla a průmysl počítačových her a filmový průmysl již dlouho používá realistické obrazy vytvořené stroji. Existující programy vytvářejí různé obrazy, které může člověk snadno vnímat a pochopit. To je zvláště důležité, pokud jde o intuitivní znalosti, pro jejichž formalizované ověření by člověk musel vynaložit značné duševní úsilí. Hudební úlohy jsou tedy úspěšně řešeny pomocí programovacího jazyka, z nichž jedním je jazyk CSound. Speciální software, s jehož pomocí vznikají hudební díla, představují algoritmické kompoziční programy, interaktivní kompoziční systémy, systémy pro syntézu a zpracování zvuku.

Expertní systémy.

Vývojem moderních expertních systémů se badatelé zabývali již od počátku 70. let a počátkem 80. let se začaly expertní systémy vyvíjet na komerční bázi. Prototypy expertních systémů, které v roce 1832 navrhl ruský vědec S. N. Korsakov, byla mechanická zařízení nazývaná „inteligentní stroje“, která umožňovala najít řešení na základě daných podmínek. Například byly analyzovány symptomy onemocnění pozorované u pacienta a na základě výsledků této analýzy byly navrženy nejvhodnější léky.

Informatika uvažuje expertní systémy spolu se znalostními bázemi. Systémy jsou modely expertního chování založené na aplikaci rozhodovacích postupů a logických závěrů. Znalostní báze jsou považovány za soubor vyvozovacích pravidel a faktů, které přímo souvisejí se zvolenou oblastí činnosti.

Koncem minulého století se rozvinul určitý koncept expertních systémů hluboce orientovaný na textové rozhraní člověk-stroj, který byl v té době všeobecně přijímán. V současnosti tento koncept prošel vážnou krizí, zřejmě kvůli tomu, že v uživatelských aplikacích bylo textové rozhraní nahrazeno grafickým. Navíc relační datový model a „klasický“ pohled na konstrukci expertních systémů jsou spolu špatně konzistentní. V důsledku toho nemůže být organizace znalostních bází expertních systémů prováděna efektivně, alespoň s využitím moderních průmyslových systémů pro správu databází. V literatuře a online zdrojích je uvedeno mnoho příkladů expertních systémů, nazývaných „běžné“ nebo „všeobecně známé“. Ve skutečnosti všechny tyto expertní systémy vznikly již v 80. letech minulého století a dnes buď zanikly, nebo jsou beznadějně zastaralé a existují díky pár nadšencům. Na druhou stranu vývojáři moderních softwarových produktů často označují své výtvory jako expertní systémy. Taková prohlášení nejsou ničím jiným než marketingovým trikem, protože ve skutečnosti tyto produkty nejsou expertními systémy (jako příklad může posloužit jakýkoli z počítačových právních referenčních systémů). Nadšenci se snaží kombinovat přístupy k tvorbě uživatelského rozhraní s „klasickými“ přístupy k tvorbě expertních systémů. Tyto pokusy se promítly do projektů jako CLIPS.NET, CLIPS Java Native Interface a dalších, ale velké softwarové společnosti s financováním takových projektů nikam nespěchají a z tohoto důvodu se vývoj neposouvá za experimentální fázi.

Celou řadu oblastí, ve kterých lze znalostní systémy uplatnit, lze rozdělit do tříd: lékařská diagnostika, plánování, prognózování, řízení a řízení, školení, interpretace, diagnostika poruch elektrických a mechanických zařízení, školení. Podívejme se na každou z těchto tříd podrobněji.

a) Lékařské diagnostické systémy.

Pomocí takových systémů se zjišťuje, jak jsou vzájemně propojeny různé poruchy v činnosti těla a jejich možné příčiny. Nejznámějším diagnostickým systémem je MYCIN. Používá se k diagnostice meningitidy a bakteriálních infekcí a také ke sledování stavu pacientů, kteří mají tato onemocnění. První verze systému byla vyvinuta v 70. letech. K dnešnímu dni se jeho možnosti výrazně rozšířily: systém provádí diagnózy na stejné odborné úrovni jako odborný lékař a je využitelný v různých oborech medicíny.

b) Prediktivní systémy.

Systémy jsou navrženy tak, aby předpovídaly události nebo výsledky událostí na základě dostupných dat charakterizujících současnou situaci nebo stav objektu. Program Wall Street Conquest, který při své práci využívá statistické metody algoritmů, je tedy schopen analyzovat tržní podmínky a vypracovat investiční plán. Program využívá algoritmy a postupy tradičního programování, takže jej nelze klasifikovat jako znalostní systém. Již dnes existují programy, které dokážou pomocí analýzy dostupných dat předpovídat tok cestujících, výnosy plodin a počasí. Takové programy jsou poměrně jednoduché a některé z nich lze použít na běžných osobních počítačích. Stále však neexistují expertní systémy, které by na základě tržních dat mohly navrhnout, jak kapitál navýšit.

c) Plánování.

Plánovací systémy jsou navrženy tak, aby řešily problémy s velkým počtem proměnných za účelem dosažení konkrétních výsledků. Poprvé v komerční sféře takové systémy použila damašská firma Informat. Vedení společnosti objednalo instalaci 13 stanic ve vestibulu kanceláře, které poskytovaly bezplatné konzultace kupujícím, kteří si chtěli pořídit počítač. Stroje pomohly k výběru, který nejlépe vyhovuje rozpočtu a přáním kupujícího. Expertní systémy využívá Boeing také pro takové účely, jako jsou opravy vrtulníků, zjišťování příčin selhání leteckých motorů a projektování vesmírných stanic. Společnost DEC vytvořila expertní systém XCON, který je schopen určit a překonfigurovat počítačové systémy VAX tak, aby vyhovovaly požadavkům zákazníků. DEC v současné době vyvíjí výkonnější systém XSEL, který zahrnuje znalostní bázi XCON. Účelem vytvoření systému je pomoci spotřebitelům při výběru výpočetního systému s požadovanou konfigurací. Rozdíl mezi XSEL a XCON je v tom, že je interaktivní.

d) Výklad.

Interpretační systémy jsou schopny vyvozovat závěry na základě výsledků pozorování. Jedním z nejznámějších interpretačních systémů je systém PROSPECTOR. Pracuje s využitím dat založených na znalostech devíti odborníků. Efektivitu systému lze posoudit na jednom příkladu: pomocí devíti různých metod zkoumání systém objevil ložisko rud, které žádný odborník nemohl očekávat. Dalším známým systémem interpretačního typu je HASP/SIAP. Využívá data z akustických sledovacích systémů a na jejich základě určuje polohu lodí v Tichém oceánu a jejich typy.

e) Inteligentní systémy kontroly a řízení.

Pro kontrolu a řízení se úspěšně používají expertní systémy. Jsou schopni analyzovat data získaná z několika zdrojů a na základě výsledků analýzy se rozhodovat. Takové systémy jsou schopny provádět lékařské monitorování a řídit pohyb letadel, navíc se používají v jaderných elektrárnách. S jejich pomocí je také regulována finanční činnost podniku a vyvíjena řešení v kritických situacích.

f) Diagnostika a odstraňování poruch elektrických a mechanických zařízení.

Znalostní systémy se používají v případech, jako jsou:

opravy dieselových lokomotiv, automobilů a jiných elektrických a mechanických zařízení;

diagnostika a odstraňování chyb a poruch v softwaru a hardwaru počítačů.

g) Počítačové systémy vzdělávání.

Využití znalostních systémů pro vzdělávací účely je poměrně efektivní. Systém analyzuje chování a aktivitu objektu a v souladu s přijatými informacemi mění znalostní bázi. Nejjednodušším příkladem takového učení je počítačová hra, ve které se úrovně stávají obtížnějšími, jak se zvyšuje dovednost hráče. Zajímavý tréninkový systém - EURISCO - vyvinul D. Lenat. Používá jednoduchou heuristiku. Systém byl aplikován ve hře simulující bojové operace. Podstatou hry je určit optimální složení flotily, která by při dodržení mnoha pravidel mohla způsobit porážky. Systém se s tímto úkolem úspěšně vypořádal, včetně ve složení flotily jednoho malého plavidla a několika lodí schopných provést útok. Pravidla hry se každým rokem měnila, ale systém EURISCO během tří let soustavně vítězí.

Existuje mnoho expertních systémů, které lze podle obsahu znalostí přiřadit více typům najednou. Například systém, který provádí plánování, může být také systémem učení. Dokáže určit úroveň znalostí žáka a na základě těchto informací sestavit učební plán. Řídicí systémy se používají pro plánování, prognózování, diagnostiku a řízení. Systémy určené k ochraně domu či bytu dokážou sledovat změny prostředí, předvídat vývoj situace a sestavit plán dalšího postupu. Otevřelo se například okno a zloděj se přes něj snaží dostat do místnosti, proto je nutné zavolat policii.

Rozšířené používání expertních systémů začalo v 80. letech 20. století, kdy byly poprvé komerčně zavedeny. ES se používají v mnoha oblastech, včetně obchodu, vědy, technologie, výroby a dalších průmyslových odvětví, která se vyznačují dobře definovanou tematickou oblastí. V tomto kontextu „dobře definovaný“ znamená, že člověk může rozdělit průběh uvažování do samostatných fází, a tak lze vyřešit jakýkoli problém, který je v rámci této oblasti. Proto může počítačový program provádět podobné akce. S jistotou lze říci, že využití umělé inteligence otevírá lidstvu nekonečné možnosti.

Odeslat svou dobrou práci do znalostní báze je jednoduché. Použijte níže uvedený formulář

Studenti, postgraduální studenti, mladí vědci, kteří využívají znalostní základnu ve svém studiu a práci, vám budou velmi vděční.

Hostováno na http://www.allbest.ru/

Kurz v oboru "Informační technologie"

Na téma "Oblasti aplikace umělé inteligence"

Účinkuje Timoshenko Alexander Viktorovich

Úvod

3. Hlavní oblasti uplatnění umělé inteligence

3.2 AI v armádě

Závěr

Glosář

Úvod

Pojem umělá inteligence je velmi nejednoznačný. Pokud dáme dohromady vše, co bylo řečeno za posledních 40 let, ukáže se, že za účelem snížení nákladů na čas a energii chce člověk jednoduše vytvořit svůj vlastní druh k provádění konkrétních akcí.

Od počátku 50. let spěchali vědci v rostoucím počtu výzkumných laboratoří k jedinému cíli: postavit počítače, které fungují tak, aby na základě výsledků své práce byly k nerozeznání od lidské mysli. V poslední době je o umělou inteligenci velký zájem, způsobený zvýšenými požadavky a informačními systémy. Lidstvo rychle směřuje k nové informační revoluci, kterou lze v měřítku srovnat s rozvojem internetu, název této revoluce je umělá inteligence.

Umělá inteligence je nyní velmi aktivně studována a rozvíjena. V této oblasti je soustředěno největší úsilí lingvistů, filozofů, psychologů, matematiků, inženýrů a kybernetik. Zde se řeší konkrétní problémy, které souvisejí s rozvojem vědeckého myšlení, s dopadem úspěchů v takových oblastech, jako je výpočetní technika a robotika, na život budoucích generací lidí. Zde vznikají nové různé metody vědeckého výzkumu. Zde se utváří nový pohled na určité vědecké výsledky a vzniká i filozofické chápání získaných výsledků. Výzkumníci pracující v oblasti umělé inteligence se v budoucnu setkali s velmi matoucími problémy, které přesahují hranice tradiční informatiky. Ukazuje se, že v první řadě bylo nutné porozumět mechanismům procesu učení, smyslovému vnímání a podstatě jazyka. Vědci zjistili, že pro napodobení práce lidského mozku je nutné pochopit mechanismus působení miliard propojených neuronů. Ukázalo se, že nejobtížnějším problémem, se kterým se badatelé moderní vědy potýkali, bylo poznání procesu fungování lidské mysli, a nikoli pouhé napodobování práce. To se dotklo teoretických problémů psychologické vědy. Vědci nemohou dospět ke konsenzu ohledně samotného předmětu jejich výzkumu – intelektu. Pro některé je inteligence schopností řešit složité problémy; zatímco jiní to považují za schopnost učit se, zobecňovat, analyzovat; třetí - jako příležitost k interakci s vnějším světem prostřednictvím vnímání, komunikace a uvědomování si vnímaného.

Mnoho výzkumníků umělé inteligence je připraveno přijmout test strojové inteligence, který koncem 40. let navrhl významný anglický CT specialista Alan Turing. "Počítač lze považovat za inteligentní," argumentoval Turing, "pokud je schopen nás přesvědčit, že nemáme co do činění se strojem, ale s osobou."

Předmětem studia této práce je umělá inteligence. Předmětem výzkumu jsou způsoby zlepšování a rozvoje umělé inteligence.

Cílem této práce je identifikovat oblasti aplikace umělé inteligence.

Hlavní úkoly, které je třeba v této práci vyřešit:

1) Zvažte původ umělé inteligence;

2) Pochopit, proč vzniká umělá inteligence;

3) Moderní aplikace umělé inteligence;

4) Prozkoumejte slibné oblasti umělé inteligence;

5) Porozumět tomu, jak se AI používá pro vojenské účely;

6) Odhalte budoucnost umělé inteligence;

7) Prozkoumejte neuronové sítě;

1. Pojem "umělá inteligence"

Inteligentní systém je systém (obr. 1) schopný cíleně v závislosti na stavu informačních vstupů měnit nejen parametry fungování, ale i samotný způsob svého chování, přičemž způsob chování závisí nejen na aktuální stav informačních vstupů, ale i předchozí stavy systému.

Obrázek 1 "Intelektuální systém"

Uveďme si pár příkladů.

Každý živý organismus je inteligentní systém. Má dlouhodobou paměť a schopnost samoučení. Dítě, které se dotkne horkého sporáku, nebude opakovat chybu. Štěně, které pronásleduje kočku poprvé, dostane vážnou lekci a je nepravděpodobné, že by se rozhodlo si s ní znovu hrát. Až se příště setkají, s největší pravděpodobností uteče nebo ukáže zuby nebo ukáže ještě jednu z tisíce možných reakcí.

Technické systémy na druhou stranu většinou nejsou inteligentní; jejich reakce na stejnou událost se nemůže drasticky změnit. Automatický systém regulace tlaku plynu v potrubí umí klapku otevřít a zavřít (regulační parametry), ale nedokáže se rozhodnout klapku z potrubí úplně odšroubovat. Pokud poruše plynovodu předchází změna tlaku (například nejprve prudký nárůst a poté prudký pokles), pak to automatika vnímá jako normální situaci a pokusí se to „upravit“ pohybem klapky. I když po každé nehodě přidáme do řídicího systému nový blok, přesně fixující parametry předchozí situace, nic se nezmění. Pouhým hromaděním dat systém „nevycvičíte“.

Faktem je, že štěně, které dostalo lekci od kočky, si pamatovalo nejen parametry situace (délka drápů a rychlost reakce), ale také pravidla chování (nepřibližujte se, nepřibližujte se otočit nos, když zaštěkáš, uteče).

Intelektuální systém je systém, který simuluje lidské myšlení na počítači.

Druhá definice se objevila v jejích 60 letech, kdy se věřilo, že lidský mozek lze modelovat na počítači. Mozková buňka - neurony byly programově popsány speciálními matematickými metodami. Počítačový program tak představoval jakoby kus lidského mozku. Některá data byla přivedena na vstup programu (na vstup mozkové buňky v živém organismu je přiveden elektrický signál), na výstupu byly odebrány výsledky, které byly porovnány se standardem. Podle toho, jak se výsledky odchylovaly od normy, byly provedeny změny vypočtených koeficientů. V závislosti na počtu cyklů takového „učení“ výsledky práce velmi malého lidského mozku.

Myšlenka schopnosti replikovat mozek na počítači do 80. let. 20. století To zcela selhalo, ale teorie neuronových sítí, přístup neuronových sítí se ukázal být užitečný v řadě praktických aplikací. Dobré výsledky byly získány především v problémech predikce hodnot parametrů a rozpoznávání vzorů.

Intelektuální systém je systém, který vám umožňuje zlepšit intelektuální aktivitu člověka prostřednictvím smysluplného dialogu s ním.

Do konce 80. let. bylo zcela zřejmé, že je nemožné vytvořit univerzální umělou inteligenci. Navíc se ukázalo, že je to naprosto zbytečné, měly by vzniknout vysoce specializované inteligentní systémy, které člověka nenahradí, ale doplní. Člověk má řadu jedinečných vlastností, ale není prostý nedostatků. Ani jeden nemá reakci kočky. Nikdo z nás není schopen číst román L.N. Tolstého "Válka a mír" v jedné minutě, málokdy má někdo encyklopedickou paměť. Počítač má encyklopedickou paměť, počítač provede miliony operací za sekundu, počítač reaguje okamžitě. Počítač je ale "hloupé železo", není schopen myslet, není schopen nést odpovědnost za své činy.

Zdůrazněme důležitost společné činnosti člověka a stroje. Je nutné, aby počítač sloužil člověku jako poradce, rychle analyzoval situaci, generoval možnosti akce na základě obrovské paměti a nabízel člověku a člověk zvážil navrhované možnosti a vysvětlil, proč je ta či ona možnost špatná. Počítač, s přihlédnutím k obdrženým vysvětlením, by znovu analyzoval všechny možnosti akce a vydal nové a osoba by si vybrala vhodnou možnost a byla zodpovědná za její implementaci.

Příklad: automatizovaný systém navádění raket detekoval cíl. Cíl byl zjištěn. Cíl byl detekován téměř okamžitě, osoba si ho ani nestihla všimnout. Střela byla automaticky namířena na cíl. Žádost byla odeslána cíli „přítel nebo nepřítel“. Cíl se objevil na ovládacím panelu před operátorem, osoba se rozhodla o porážce, zvolila typ zbraně a stiskla tlačítko „zničit“. V případě plně automatizovaného sledování cíle by hrozilo reálné nebezpečí zničení vašeho letadla. V opačném případě, pokud by se osoba zaměřovala na cíl odesláním požadavku, mohlo dojít ke ztrátě času.

Umělá inteligence je tedy dnes samoučící se nástroj, který zlepšuje lidskou aktivitu při generování a rozhodování.

1.1 Současné oblasti výzkumu AI

V posledním desetiletí minulého století byly jasně naznačeny následující důležité směry vývoje inteligentních systémů. [D.V. Smolin - "Úvod do umělé inteligence" -23 str. 2]

1 Systémy simulující tvůrčí procesy. Tvorba hudebních děl, řešení herních problémů (šachy, dáma, domino), automatický překlad, dokazování teorémů, rozpoznávání vzorů, napodobování myšlení atd.

Pokusy o programování her na počítači jsou pro moderní AI charakteristické již od jejího počátku. [ E. Hunt Umělá inteligence. Nakladatelství Mir 1978-25c. 3]

2 Informační systémy založené na znalostech (expertní systémy) tzn. poradenství nezkušeným uživatelům, nastavení zařízení, školení atd.

3 Inteligentní informační systémy - velké a velmi rozsáhlé programy určené k řešení problémů v dané oblasti na základě matematických a algoritmických modelů a mající schopnost vést smysluplný dialog s uživatelem za účelem zjednodušení řízení, snížení množství lidské práce, zlepšení kvalita atd.

4 Robotika. Z hlediska "inteligence" existuje několik generací robotů. První generace - robotické manipulátory pracující podle předem schváleného a neměnného programu (například podávání obrobků ke stroji). Pokud se v průběhu práce z nějakého důvodu změní vzdálenost k obrobku, robot jej ztratí. Druhá generace – adaptivní roboti. Členové takových robotů jsou vybaveni velkým množstvím senzorů: goniometry, tenzometry, analyzátory plynů atd. Takové roboty se používají například pro svařování karoserií automobilů. Faktem je, že poměrně velké technické výrobky, dokonce i ty sériově vyráběné, se stále ukazují jako jedinečné. Délka dvou vozů stejné značky je různá. Adaptivní robot svaří šev nikoli v absolutních souřadnicích, ale relativně k určitému bodu začátku hlášení, který najde na samotné karoserii vozu. V případě potřeby osoba - svářeč převezme kontrolu a robot, který si pamatuje své činy v nové situaci, se „učí“. První dva typy robotů jsou průmyslové roboty určené pro práci v předem určeném prostředí – továrních dílnách. Pro orientaci a přesné polohování v prostoru slouží velké množství kontrolních bodů – senzorů, jejichž souřadnice se nemění. Mnohem obtížnější je to pro robota, který je v reálném světě, například zkoumá potopenou loď. Musíme odpovědět na otázky: "Kde to jsem?", "Co je přede mnou?", "Můžu jít?" atd. Inteligentní roboti musí zpracovávat data svých senzorů a lidských povelů v reálném čase, a pokud je zajištěna i předpověď událostí, tak v „supervirtuálním“ (využívá se např. k ovládání vozidel). Podobné problémy vznikají u vyhledávacích robotů – speciální třídy programů určených k indexování dokumentů na celosvětovém internetu, která zajišťuje chod vyhledávačů.

5 Diagnostika. Lékařské diagnostické programy založené na pravděpodobnostní analýze dokázaly dosáhnout úrovně zkušeného lékaře v několika oborech medicíny. Heckerman popsal případ, kdy přední specialista na patologii lymfatických uzlin nesouhlasil s diagnózou programu ve zvlášť obtížném případě. Tvůrci programu navrhli, aby tento lékař požádal počítač o objasnění této diagnózy. Stroj poukázal na hlavní faktory, které ovlivnily její rozhodnutí, a vysvětlil nuance interakce několika symptomů pozorovaných v tomto případě. Expert nakonec souhlasil s rozhodnutím programu.

6 Plánování dodávek. Během krize v Perském zálivu v roce 1991 nasadila americká armáda systém DART (Dynamic Analysis and Replanning), aby zajistila automatizované plánování dodávek a plánování přepravy. Provoz tohoto systému současně pokrýval až 50 000 vozidel, nákladních jednotek a osob; musel brát v úvahu výchozí a cílové body, trasy a také eliminovat konflikty mezi všemi parametry. Plánovací metody založené na umělé inteligenci umožnily během několika hodin vyvinout plány, jejichž vypracování by se starými metodami trvalo týdny. Představitelé Agentury pro výzkum pokročilého obranného výzkumu (DARPA) uvedli, že tato aplikace sama o sobě splatila 30leté investice agentury do umělé inteligence.

7 Autonomní plánování a rozvrhování. Vzdálený agent NASA operující stovky milionů kilometrů od Země byl prvním palubním autonomním plánovacím programem navrženým pro řízení operací plánování kosmických lodí. Program Remote Agent vyvinul plány založené na cílech na vysoké úrovni stanovených ze Země a také řídil provoz kosmické lodi během provádění plánů: detekoval, diagnostikoval a opravoval problémy, jakmile se vyskytly.

2. Aplikace umělé inteligence

V poslední době dochází k velmi aktivnímu využívání a implementaci neuronových sítí v nejrůznějších oblastech jako jsou: technologie, geologie, fyzika, obchod atd. Obrázek 2 ukazuje neuronovou síť.

Rýže. 2 "neuronová síť"

Neuronové sítě se používají všude tam, kde je potřeba řešit problémy spojené s řízením, prognózováním a klasifikací. Takové aktivní používání je způsobeno následujícími důvody:

Široké možnosti. K reprodukci velmi složitých závislostí se používají výkonné metody modelování, které jsou implementovány pomocí neuronových sítí. Velmi dlouhou dobu se ve většině oblastí používalo lineární modelování, to byla hlavní metoda, protože pro ni byly vyvinuty různé dobře optimalizované postupy. Lineární modely v problémech fungují špatně tam, kde lineární aproximace nefunguje příliš dobře. A také neuronové sítě neumožňují fungovat v případě velkého množství proměnných kvůli prevenci „prokletí dimenzionality“.

Snadné použití. Neuronové sítě jsou schopny se učit z příkladů. Osoba používající neuronovou síť vybere potřebná data a poté dostane příležitost spustit algoritmus učení, který data automaticky přijme. Od uživatele jsou samozřejmě vyžadovány určité heuristické znalosti o tom, jak vybrat a připravit data, vybrat potřebnou architekturu sítě a zpracovat výsledky. Aby bylo možné používat neuronové sítě, je zapotřebí mnohem nižší úroveň znalostí než použití tradičních statistických metod.

Neuronové sítě jsou velmi atraktivní, protože jsou založeny na jednoduchém modelu nervového systému. V blízké budoucnosti může vývoj takových modelů skutečně sloužit k vytvoření myslících strojů (počítačů). Existuje systém ST Neural Networks, který je schopen vytvářet jednoduché neuronové sítě, což je dar z nebes pro aplikované statistiky.

2.1 Aplikace neuronových sítí

Úlohy, které neuronové sítě řeší, jsou určeny tím, jak síť funguje a jak se učí. Neuronová síť, řešící určité problémy, produkuje a přijímá hodnoty. Síť slouží k získání některých neznámých informací z dostupných, známých informací. Příklady podobných úkolů:

Prognózy na akciovém trhu.

Můžete předpovídat cenu akcie na zítřek, když znáte ceny akcií za minulý týden.

Poskytnutí půjčky.

Do banky se přihlásila soukromá osoba. Je třeba zjistit, zda je míra rizika poskytnutí úvěru vysoká.

Řízení . Je nutné určit akce robota, aby dosáhl svého cíle díky nainstalované kameře.

Ne všechny problémy lze vyřešit pomocí neuronových sítí. Pokud se rozhodnete určit výsledek loterie, znáte svou výšku, pak nic nebude fungovat, protože tyto věci nemají nic společného. Pokud se losování provádí bez podvádění, neexistují žádné takové informace, které by mohly přesně předpovědět výsledek hry.

Další neméně důležitá podmínka pro použití neuronových sítí: Je nutné s jistotou vědět, že existuje vztah mezi známými vstupními a neznámými výstupními hodnotami. Toto spojení může být zkresleno šumem, ale musí existovat.

Neuronová síť se obvykle používá, když nejsou známy přesné typy spojení mezi výstupy a vstupy – pokud jsou známy, pak lze spojení přímo modelovat. Další neméně důležitou vlastností neuronových sítí je síťový trénink. K trénování neuronových sítí se používají dva typy algoritmů: řízené a neřízené. Nejčastěji se používá řízené učení.

Pro řízený trénink si uživatelé musí předem připravit balíček tréninkových dat. Jsou to příklady vstupů a výstupů. Sítě se učí vytvářet spojení mezi nimi. Taková tréninková data jsou obvykle převzata z historie. Ve výše diskutovaných příkladech mohou být takovými údaji předchozí ceny akcií, informace o minulých dlužníkech – jak plnili své závazky vůči bance.

Dále je neuronová síť trénována pomocí specifického algoritmu učení pod dohledem, aby se snížila chyba předpovědi na nulu. Pokud je úroveň učení sítě vysoká, je schopna modelovat neznámou funkci, která dává do vztahu vstupní a výstupní proměnné. V budoucnu lze takovou síť použít k predikci různých situací s neznámými výstupními hodnotami.

3. Aplikace umělé inteligence

3.1 Možná strategie a plán AI

Bez experimentu není žádná věda, není možné určit správnost zvolené cesty, proto je nutné:

1) vytvořit virtuální prototyp biotopu, protože je mnohem obtížnější a nákladnější sestavit mechanický zázrak s mnoha senzory.

2) simulovat senzory, jako je sluch, virtuální vidění ("vize" - ve formě virtuálního prostoru, videokamery a "INET"), virtuální ruce a nohy, což lze provádět velmi zjednodušeným způsobem, hlavní je naučit IR mluvit, mačkat klávesy, dělat pohyby jako virtuální paže, nohy a další virtuální části, jako je kurzor myši.

4) vytvořit IR prototyp - tzn. algoritmy pro provoz a růst buněk, algoritmy pro navazování spojení a tak dále, které budou do té či oné míry napodobovat práci mnoha druhů neuronových buněk a struktur.

5) začít „živit“ AI v jejím virtuálním prostředí, interagovat s ní a virtuálním prostředím, měnit algoritmy a strukturu a dovést proces „zvažování“ k dokonalosti.

Nejužitečnější by bylo použít AI tam, kde je adaptace kritická a kde jednoduché algoritmy nefungují. V prvé řadě jsou to všechny oblasti související s člověkem, od asistence při řízení auta, výtahu a domácích spotřebičů až po zábavu, lidskou asistenci a obecně řešení všech drobných problémů, kterými člověk nechce plýtvat jeho čas.

Obecně lze takový systém uplatnit mnohem šířeji – například jako samoorganizující se systém, před kterým je pouze stanoven společný cíl a jeho realizace již padá na bedra systému samotného. Řekněme, kopat lom pro těžbu. Tito. obecně všude, kde můžete vydělávat propouštěním lidí.

3.2 AI v armádě

neuronová síť umělé inteligence

Vojenský průmysl se vždy rozvíjí obzvláště rychle a využívá nejnovější vědecký vývoj. Vývoj počítače a robotiky nezůstal stranou názorů armády a v mnoha armádách světa již existují plně robotické bojové jednotky – sapéři, drony, průzkumní roboti, v malém množství se začali objevovat bojoví roboti. Jsou sice stále dost primitivní a do androidích robotů mají daleko, podobně jako hrdinové z filmu „Terminátor“, ale podoba takových bojových jednotek je jen otázkou času. Snad se někdy kromě ocelové kostry dočkají i umělé inteligence, která svými schopnostmi v žádném případě není horší než lidský mozek.

V současné době je většina moderní robotiky schopna mnoha složitých úkolů, ale stále potřebuje lidskou kontrolu. Člověk odjakživa usiloval o nesmrtelnost, nezranitelnost, ještě si je neumí dát, ale už je schopen vytvořit androidí roboty se silnou kovovou kostrou-kostrou (podle lidských měřítek téměř nesmrtelné). Ale abychom vytvořili stroj sobě rovný, je nutné ho naučit myslet sám za sebe. Armáda již dlouho zaměřuje svou pozornost na pokusy o vytvoření umělé inteligence (AI), tento vývoj je pod jejich drobnohledem. Nedá se říct, kdy se na bojišti objeví roboti schopní jednat zcela autonomně, bez lidského zásahu, ale pravděpodobnost, že se tak někdy stane, je poměrně vysoká.

V současné době se základy umělé inteligence používají v letectví již poměrně dlouho. Moderní autopilot je schopen dokončit let od vzletu až po přistání zcela bez lidské pomoci. Konvenční automobily poháněné umělou inteligencí jsou schopny překonat značné vzdálenosti bez lidské pomoci. Ve Francii a Japonsku jezdí na železnici automatické vlaky řízené AI, která je schopna poskytnout cestujícím maximální komfort a pohodlí během cesty. Technologie pro vývoj umělé inteligence dnes zahrnuje několik přístupů, mezi které patří:

1) Nervové okruhy fungující na principech podobných práci lidského mozku. Používají se pro rozpoznávání rukopisu a řeči, ve finančních programech, pro stanovení diagnóz atd.

2) Evoluční algoritmy, kdy robot vytváří programy tak, že je mutuje, kříží (výměnou částí programů) a testuje je, aby provedl nějaký cílový úkol. V tomto případě programy, které dosahují nejlepšího efektu, přežijí po mnoha zkušebních běhech, což poskytuje efekt evoluce.

3) Fuzzy logic – umožňuje počítači používat termíny a objekty z reálného světa a interagovat s nimi. S ním musí počítač pochopit význam takových "lidských" pojmů jako - teplejší, blízko, téměř. Fuzzy logika nachází uplatnění v domácích spotřebičích, jako jsou pračky, klimatizace.

V poslední době je přitom stále více pozornosti věnováno psychofyziologii a s její pomocí získávaným pozorováním lidského mozku. Člověk už zhruba chápe, jak je uspořádán náš intelekt a vědomí. Skenování mozku a mnoho experimentů ukázaly, že všechny naše myšlenky a pocity mají velmi reálné fyzické ztělesnění. Jakákoli myšlenka je v podstatě sekvencí aktivace řetězce neuronů v našem mozku. To znamená, že tento proces lze studovat a naučit se jej řídit, provádět počítačové simulace. V současné době již existují počítačové modely, které simulují modely lidských a zvířecích neuronů. Vědcům se podařilo plně popsat práci nejjednoduššího zvířete - chobotnice. Objevují se první modely, které kombinují neuronové systémy a křemíkovou elektroniku.

To vše dává vědcům důvod domnívat se, že do roku 2030 budou počítače schopny dosáhnout takového výpočetního výkonu, aby se svými schopnostmi vyrovnal lidskému mozku. Ve skutečnosti to umožní stáhnout lidské vědomí do počítače. Je ještě pravděpodobnější, že již v roce 2020 budou vytvořeny teoretické základy vědomí čistě strojové mysli. Každopádně mezi roky 2025 a 2035 se umělá inteligence dokáže svými schopnostmi rovnat a překonávat lidské schopnosti.

3.3 Budoucnost umělé inteligence

Průmysl informačních technologií je jednou z nejdynamičtěji se rozvíjejících oblastí života. V souladu s Moorovým zákonem dosáhnou počítače v roce 2020 síly lidského mozku, protože. bude schopen provést 20 kvadrilionů (tedy 20 000 000 miliard) operací za sekundu a do roku 2060 se podle některých futuristů počítač vyrovná síle mysli s celým lidstvem. V roce 1994 však počítač založený na procesoru Intel Pentium se směšnou, na dnešní dobu, frekvencí 90 MHz porazil několik nejsilnějších světových velmistrů v sérii šachových turnajů, včetně úřadujícího mistra planety Garryho Kasparova. .

Tentýž Gordon Moore v polovině 90. let srovnával tempo vývoje mikroprocesorových technologií a automobilového průmyslu takto: „Kdyby se automobilový průmysl vyvíjel stejnou rychlostí jako průmysl polovodičů, pak by Rolls-Royce dnes dokázal překonat vzdálenost půl milionu mil na jeden galon benzínu a bylo by levnější to pokaždé vyhodit, než zaparkovat."

Dnešní informační technologie již umí mnohé. V poslední době se aktivně rozvíjí vývoj telematických terminálů (palubních řídicích systémů) pro automobily. Podle analytické společnosti Forrester Research bude do roku 2006 asi 80 % z celkového počtu nových strojů vybaveno telematickými terminály pro zpracování a přenos informací.

Již dnes existují skutečné příležitosti k použití tohoto druhu technologie v téměř každém automobilu. Například sluchátko BlueConnect společnosti Johnson Controls, integrovaný modul handsfree do auta založený na procesorech Intel PXA250 a Intel PXA210, umožňuje řidiči provádět různé hlasem aktivované akce pomocí mobilního telefonu a technologie Bluetooth.

Dalším zařízením využívajícím nové procesory je multimediální platforma do auta, která cestujícím poskytuje offline přístup ke zdrojům, jako je DVD video a MP3 audio streamované přes síť Media Oriented System Transport (MOST).

Automobilový průmysl je jen jednou z mnoha oblastí života, kde mikroprocesory získávají stále více prostoru. Je zřejmé, že každým rokem se budou ve stále větším počtu různých domácích zařízení používat stále výkonnější mikroprocesory. Specialisté Intelu nedávno vyvinuli tranzistory, jejichž rychlost převyšuje rychlost Pentia 4 téměř o 1000 %. Bylo tedy prokázáno, že pokračování vývoje mikroprocesorů podle Moorova zákona až do konce současné dekády nebrání žádné zásadní překážky.

Tyto tranzistory o velikosti pouhých 20 nanometrů umožní Intelu do roku 2007 vytvořit procesory s miliardou tranzistorů, které budou pracovat na frekvencích až 20 GHz při napájecím napětí asi 1 volt. A to už vedení společnosti mluví o chystaných procesorech s takty až 30 GHz. Předpoklady pro výrobu takových mikroprocesorů v Intelu již byly vytvořeny.

Dnes se například v Animat Lab vyvíjí projekt Psikharpax, kde se v robotu syntetizují některé adaptivní mechanismy a nervové struktury odpovědné za prostorovou navigaci u krys. Schopnosti této robotické krysy porostou „učením bez dozoru“, to znamená, že animat sestaví kognitivní mapu prostředí a vyvine strategie adaptivního chování pomocí mechanismů podobných těm, které používá krysí mozek. Humanoidní robotická skupina z Laboratoře umělé inteligence na MIT v současné době vyvíjí opičí a mobilní roboty (Kismet, Soso) s mnohem komplexnějším behaviorálním repertoárem než první hmyz podobní roboti, který zahrnuje zejména schopnost sociální interakce a afektivní emocionální reakce.

Kromě toho mohou experimenty s takovými roboty stimulovat vznik nových nápadů, které osvětlí principy adaptivního chování. Takové experimenty minimálně umožňují odříznout zjevně nerealistické teorie. Modelování jako prostředek k eliminaci chyb je mocným nástrojem pro pochopení toho, jak mozek funguje. Proto mnoho neurovědců trvá na tom, že teorie o tom, jak mozek funguje, musí být formulovány algoritmicky, aby byla umožněna simulace. Jeden z předních teoretických neurovědců, nositel Nobelovy ceny Gerald Edelman, byl také jedním z průkopníků evolučního učení pro roboty. Edelman, který vytvořil základní teorii mozku a biologických základů vědomí, vyvíjí řadu robotů NOMAD ve svém Kalifornském institutu (Neuroscience Institute). Tito roboti mají také obecný název „Darwin“. Každý nový "Darwin" přichází na svět prakticky netrénovaný, ale tváří v tvář objektům vnějšího světa a má nějaké vrozené preference, začíná rozvíjet své vlastní abstraktní kategorie. Robot získává znalosti, které může využít v dalších úkolech. To znamená, že začíná fungovat jeden z principů, podle kterého zřejmě probíhal vývoj mechanismů inteligence.

Závěr

V současné době se vedou aktivní spory o problém možnosti vytvoření umělé inteligence. Mnozí věří, že vytvoření umělé inteligence poníží lidskou důstojnost. Možnosti umělé inteligence by se neměly zaměňovat s otázkami o zlepšování a rozvoji lidské mysli.

V moderním světě se AI používá téměř všude, to vytváří předpoklady pro nový impuls k pokroku. Umělá inteligence umožňuje automatizovat výrobu, a tím i produktivitu práce. Ale kybernetika, mající obrovské množství výhod, má také své nevýhody, které vyžadují velkou pozornost lidstva. Tyto nevýhody jsou spojeny s nebezpečím, které vzniká při práci s umělou inteligencí.

Jeden z problémů souvisí s možností, že lidé ztratí motivaci k tvůrčí práci. Za všechno může všeobecná informatizace a používání strojů v umění. Ale přesto se ukázalo, že lidé se dobrovolně nevzdají nejkvalifikovanější tvůrčí práce, protože je atraktivní pro lidi samotné.

Druhá skupina problémů je závažnější a skládá se z následujících. Již v současné době existují programy a stroje, které se při své práci dokážou učit, tedy přizpůsobovat se vnějším faktorům. V blízké budoucnosti mohou existovat stroje, které budou mít takovou úroveň spolehlivosti a adaptability, že člověk nebude muset do procesu zasahovat. Člověk v tomto případě přestane plnit svou funkci – funkci nalézání řešení.

Možná se člověk stane neschopným adekvátně reagovat na změny vnějších podmínek a může také přestat být schopen převzít kontrolu nad sebou v případě nouze. Bude nutné zavést určité limity v automatizaci procesů, které jsou spojeny se závažnými havarijními situacemi, pak bude mít osoba dohlížející na řídicí stroj vždy dostatek reakce a schopnosti správně jednat v nepředvídané situaci.

Podobné situace jsou možné v jaderné energetice a dopravě. Za zmínku stojí zejména takové nebezpečí v raketových silách, protože chyba může mít hrozné následky.

Ukazuje se, že i při opakované kontrole a mnohonásobném duplikování je pravděpodobnost chyb velmi vysoká. Absence řídícího operátora může vést k fatální chybě.

Problémy s AI budou neustále řešit lidé. Objeví se další a další problémy a zdá se, že tento proces je nekonečný.

V tomto příspěvku byly zvažovány některé problémy umělé inteligence, úkoly AI, stručná historie vzniku umělé inteligence, oblasti použití AI, využití AI v ozbrojených silách a také neuronové sítě. Materiál této kurzové práce bude zajímat zájemce o moderní technologie v oblasti umělé inteligence. Cíle stanovené pro práci v kurzu byly splněny.

Glosář

Seznam použitých zdrojů

1Dmitrovič A.I. Inteligentní informační systémy./ Dmitrovich A.I. - Minsk, - 1997. -125 s. -ISBN: 5-86534-576-6

2Brushlinsky A.V. Je umělá inteligence možná?/. -263 str. -ISBN: 5-86425-523-1

3I.A. Bessmertny. Umělá inteligence - Petrohrad: St. Petersburg State University ITMO, 2010. -168 s.

4Wiener N. Science, elektronická verze, / Viner N. - M. Cybernetics - 1998. -211 s. -ISBN: 5-15248-325-3

5Venda V.F. Systémy hybridní inteligence/Venda V.F. - M.: Mashinostroenie, - 1990. -232 s. -ISBN: 5-86475-354-8

6Volgin L.I. Doplňková algebra neuronových sítí / Volgin L.I. - Tallinn JSC "KLTK", - 2003. -123 s. -ISBN: 5-86452-276-4

7Notkin L.I. Umělá inteligence a problémy s učením. / Notkin L.I. -132 str. -ISBN: 5-83334-336-9

8Sokolov E.N., Vaitkyavichus G.G. Neurointelekt: od neuronu k neuropočítači: Nauka - 1989. -455 s. -ISBN: 5-83652-526-4

9Fedyukovich N. I. Anatomie a fyziologie: Proc. Příspěvek. / Fedyukovich N.I. - Minsk: Nakladatelství LLC "Polifact-Alpha", - 1999. -115 s. -ISBN: 5-86324-476-8

10Tsygankov V.D. Neurocomputer and its application / Tsygankov V.D. - M .: SolSystem, - 1993. -223 s. -ISBN: 5-84534-376-3

11 Chernukhin Yu. V. Neuroprocessors / Chernukhin Yu. V. - Taganrog - 2000. -212 s. -ISBN: 5-86224-176-1

12Andrew A. Umělá inteligence / Andrew A. - M. Mir, - 1985. -187 s. -ISBN: 5-26552-745-1

Hostováno na Allbest.ru

Podobné dokumenty

Pojem umělé inteligence jako vlastnosti automatických systémů přebírat jednotlivé funkce lidské inteligence. Expertní systémy v oblasti medicíny. Různé přístupy k budování systémů umělé inteligence. Tvorba neuronových sítí.

prezentace, přidáno 28.05.2015


Historie stvoření a hlavní směry v modelování umělé inteligence. Problémy výuky zrakového vnímání a rozpoznávání. Vývoj prvků inteligence robotů. Výzkum v oblasti neuronových sítí. Wienerův princip zpětné vazby.

abstrakt, přidáno 20.11.2009


Podstata a problémy definice umělé inteligence, její hlavní úkoly a funkce. Filosofické problémy tvorby umělé inteligence a zajištění bezpečnosti člověka při práci s robotem. Volba způsobu vytvoření umělé inteligence.

kontrolní práce, přidáno 12.7.2009


Oblasti lidské činnosti, ve kterých lze uplatnit umělou inteligenci. Řešení problémů umělé inteligence v informatice s využitím návrhu znalostních bází a expertních systémů. Automatické dokazování vět.

semestrální práce, přidáno 29.08.2013


Přehled vzdělávacích standardů vzdělávání učitelů v oblasti umělé inteligence. Budování doménového modelu ve formě sémantických sítí. Charakteristika problémového učení. Hlavní prostředky programovacího jazyka Prolog.

práce, přidáno 01.10.2013


Umělá inteligence je vědecký směr spojený se strojovým modelováním lidských intelektuálních funkcí. Vlastnosti umělé inteligence Vývoj umělé inteligence, perspektivní směry jejího výzkumu a modelování.

abstrakt, přidáno 18.11.2010


Podstata umělé inteligence, oblasti lidské činnosti, ve kterých je běžná. Historie a fáze vývoje tohoto fenoménu. První nápady a jejich realizace. Zákony robotiky. Využití umělé inteligence pro komerční účely.

abstrakt, přidáno 17.08.2015


Historický přehled vývoje práce v oblasti umělé inteligence. Vytvoření algoritmu a softwaru pro počítače, který umožňuje řešit intelektuální problémy ne horší než člověk. Od logických her až po lékařskou diagnostiku.

abstrakt, přidáno 26.10.2009


Dokáže umělá inteligence na této úrovni vývoje technologií a technologií překonat inteligenci lidskou. Dokáže osoba při kontaktu rozpoznat umělou inteligenci. Hlavní možnosti praktického uplatnění umělé inteligence.

prezentace, přidáno 03.04.2013


Evoluce systémů umělé inteligence. Pokyny pro vývoj systémů umělé inteligence. Reprezentace znalostí je hlavním problémem systémů umělé inteligence. Co je to funkce členství a kde se používá?

Zvítězí umělá inteligence (AI) nad lidstvem? Elon Musk, zakladatel Tesly, tuto domněnku popírá. Aby se toho ujistil, slavný inovátor investoval 10 milionů amerických dolarů do 37 různých vědeckých projektů.

Navzdory kategoričnosti Elona Muska a jeho podobně smýšlejících lidí, mezi nimiž jsou Bill Gates a Stephen Hawking, většina vědců předpovídá přijetí AI lidmi. Stačí se podívat na MindMeld (zpracování přirozeného jazyka prostřednictvím hlasových a chatovacích asistentů) nebo VIV (vývoj „chytrých“ asistentů). Předpokládá se, že příštích 10-15 let bude pro světovou populaci zlomovým bodem. Představení se navíc odehraje nejen na úrovni informačních technologií, ale i veřejného mínění, zákonů a každodenních zvyklostí.

To je způsobeno dvěma faktory.

Za prvé, AI robot může automatizovat procesy, které vyžadují lidský zásah. Za druhé, je schopen zpracovat a analyzovat obrovské množství informací. Výhodou počítače je, že jeho schopnost pracovat nesouvisí s lidským faktorem, ať už jde o osobní problémy nebo špatnou náladu.

Umělá inteligence má tedy široké uplatnění: je všudypřítomná v medicíně, průmyslu, školství, zemědělství, dopravě i běžném životě.

Lék

V této oblasti je ceněna paměť AI a také schopnost generovat a porovnávat obrovské množství informací.
Již několik let každý slyší o DeepMind Health (vyvinutém společností Google) - chytrých asistentech, kteří nejen radí lékařům, ale také zjišťují genetickou predispozici k patologiím. IBM Watson tedy již identifikuje a vyvíjí plán léčby pro 13 typů zhoubných novotvarů: od rakoviny děložního čípku po tlusté střevo.

Umělá inteligence přichází na pomoc i pacientům. Stále populárnější jsou telemedicínské aplikace, které sbírají data z fitness náramků a dalších senzorů, a také „dotazníky“, které zjišťují přesné příznaky a nemoci pacientů. AI je tedy schopna rozpoznat tuberkulózu a narušení vnitřních orgánů, vč. mozek.

Některé z aplikací analyzují lidskou řeč a reagují verbálně, jiné preferují písemnou komunikaci. Aplikace obdrží potřebné informace a poté doporučí, jaká opatření dále podniknout, nebo odešlou data terapeutovi. Nejoblíbenějšími chytrými asistenty jsou Your.MD a Ada, které lze stáhnout z App Store nebo Google Play.

Zvláštní význam je kladen na systémy schopné vyvíjet nová léčiva. Podle nejvyšší manažerky společnosti Pfizer Judy Sewards trvá vývoj a uvedení nového léku na trh v průměru 12 let. Umělá inteligence umožní vytvořit molekulární strukturu a modelovat lék, což zvýší jeho kvalitu a zkrátí čas potřebný k uvolnění nových léků. Průkopníky ve vytváření superpočítačů, které řeší tento problém, jsou Atomwise a Berg Health.

Průmysl

Velké průmyslové podniky v zemích jako Japonsko, Čína, USA, Německo a Švýcarsko investují do nových technologií. Dnes existuje tendence omezovat pracovní místa spojená s intelektuální prací a zvyšovat počet počítačů.

Následující pracovní místa budou v příštích desetiletích trpět:

1. Sbírka detailů. Každým dnem dochází k dalším a dalším škrtům v počtu zaměstnanců. Robot, který si pamatuje posloupnost akcí, si se spojením dílů poradí sám.
2. Účetní kalkulace. Stroj oproti člověku přesně počítá data a nevede „černé“ a „bílé“ účetnictví, což je pro stát velmi výhodné. Superpočítače se učí a dělají logická rozhodnutí.
3. Výměna konzultantů. Robot, na stejné úrovni jako člověk, může vést dialog s kupujícím na vysoké úrovni a odpovídat na standardní otázky. Komunikační algoritmus se stává složitějším kvůli schopnosti stroje učit se a shromažďovat zkušenosti.

Robotizace se v blízké budoucnosti dotkne i profesí jako jsou sekretářky, pokladní, autodopravci či číšníci Příkladem úspěšné implementace AI byl závod H&H line. Technologie sledování očí pomohla ušetřit 400 hodin školení účastníků za 1 rok a snížit pravděpodobnost nehod.

MIT Technology Review uvedl, že Andrew Ng, výzkumník v oblasti robotiky a strojového učení, vyvíjí nový projekt Landing.AI. Je navržen tak, aby zavedl mechanismus pro výrobu v továrnách a závodech. Jejím prvním partnerem je společnost Foxconn, která vyrábí gadgety Apple.

Vzdělání

V blízké budoucnosti se bude oblast vzdělávání rychle rozvíjet dvěma směry – adaptivním učením a proctoringem.
Adaptivní učení je navrženo tak, aby řešilo problém rozdílných studijních výkonů žáků a studentů. Faktem je, že jeden člověk se učí látku mnohem rychleji a úspěšněji než jiný. Umělá inteligence proto bude sledovat úroveň znalostí studenta a přizpůsobovat pořadí bloků kurzu jeho schopnostem, případně informovat učitele, jak dobře se student látku naučil. Příkladem takového systému je platforma Third Space Learning, která je v současné době ve vývoji.

Proctoring je kontrola žáků a studentů při absolvování kontrolních a zkušebních testů. Pokud byli v minulosti studenti "u zbraní" webové kamery, nyní přichází na pomoc AI. Sleduje, jak často se student odvrací od obrazovky počítače, zda změní kartu v prohlížeči, zda jsou v místnosti hlasy navíc. Jakmile AI zaznamená jakékoli porušení, okamžitě o tom informuje lidského proktora.

Dokáže ale stroj nahradit běžného učitele? Rosa Lukinová, profesorka z University College London, to popírá. Podle ní stojí za to najít kompromis. Cílem přece není nahradit učitele stroji, ale zlepšit proces vzdělávání. To se rozhodně neobejde bez lidského učitele.

Zemědělství

Představa, že zemědělství a chov zvířat zaostávají a že se jedná o zastaralá odvětví, je minulostí. V dnešní době je intenzivní růst globálního trhu s umělou inteligencí v zemědělském průmyslu způsoben takovými faktory: zavedení systému správy dat, automatizace zavlažování, zvýšení produktivity zemědělských plodin zavedením školicích metod a zvýšení počtu lidí na planetě. Růst trhu s umělou inteligencí je zároveň omezen vysokými náklady na sběr informací o zemědělské půdě.

Široké zavádění robotiky v zemědělství představuje následující vývoj:

• Bezpilotní letouny. Drony vybavené radarem a GPS monitorováním postřikují plodiny, zajišťují spolehlivou dodávku nebezpečných chemikálií a letecké snímky.
• Roboti pro sklizeň. Jestliže obilné kombajny existují již dlouho, tak robot, který sbírá jahody, vznikl poměrně nedávno.
• AI ničí plevel. Hortibot, vyvinutý Aarhuskou univerzitou (Aarhus Universitet) v Dánsku, rozpoznává a odstraňuje plevel dvěma způsoby: mechanicky a bodovým postřikem herbicidy. Tento robot byl skutečným průlomem, protože rozpoznávání plevele od užitkových rostlin je velkým úspěchem moderní robotiky v zemědělství. Kromě toho vznikají stroje, které rozpoznávají škůdce a choroby zemědělských plodin.

Podle předpovědí Energias Market Research poroste trh AI v zemědělském průmyslu do roku 2024 o 24,3 %. Bude aktivně vyvíjen v USA a asijsko-pacifickém regionu. Na seznam ústředních hráčů na trhu inteligentního agrobyznysu se dostaly společnosti Agworld, Farmlogs, Cropx, Microsoft, AGCO a další.

silniční provoz

Účelem zavedení AI v této oblasti je bojovat proti dopravním zácpám. Takové systémy již úspěšně fungují ve velkých městech v Evropě, Severní Americe a Asii.

Sběr informací ze semaforů, analýza hustoty dopravy, dopravních nehod, údaje o počasí a další faktory, které vytvářejí dopravní zácpy – to je funkce počítače. Díky tomu inteligentní systém online sleduje silnice, předpovídá, jaký bude provoz, a podle toho přepne semafory.

Sleduje nejen provoz na silnici, ale pomáhá i řidičům. Systém například v případě potřeby přivolá odtahovku. Je jasné, že toto řešení nedokáže zcela zbavit dopravní zácpy, ale občas je docela možné zrychlit pohyb.
Je pravděpodobné, že pokrok bude patrný, pokud budou široce používána bezpilotní vozidla – jde o vozidla, která jsou schopna pohybu bez lidského zásahu. Vyvíjejí je společnosti Google, AKTIV, Tesla Motors a některé další.

Život

Každý samozřejmě zná "" (chytrý dům), který se v budoucnu stane typickým příkladem AI. Největšími výrobci jsou Yamaha, Siemens, Abb, Beckhoff a Legrand.

Takový vývoj výrazně zjednodušuje život člověka. Takový systém například ráno roztáhne závěsy, probudí hostitele a uvaří kávu. V budoucnu se funkčnost „chytré domácnosti“ rozšíří do té míry, že skříň bude automaticky napařovat oblečení a lednička bude objednávat jídlo. Toto řešení optimalizuje náklady spojené s dodávkou energie, větráním, vytápěním a přizpůsobuje se vhodnému harmonogramu.

Oblíbené jsou také vysavače, které umí nejen uklízet, ale i přemisťovat předměty a samy se nabíjet.
Dalším příkladem každodenního používání AI jsou automatické překladače. Jestliže dřívější „strojový překlad“ ponechal mnoho přání, dnes se situace dramaticky změnila. To demonstruje Google Translate: algoritmus je založen na tom, že počítač nevnímá jednotlivá slova, ale celou větu. Umožňuje vám získat vysoce kvalitní text, takže v blízké budoucnosti se tato metoda stane základem automatického překladu.

Humanoidní androidi slouží nejen k domácím pracím, ale také ke komunikaci. Železný "přítel" vás nenechá zemřít nudou a někdy se stane plnohodnotným členem rodiny. V Číně se tedy jednomu šťastlivci podařilo oženit se s robotem. Ukázalo se, že to byl inženýr Zheng Jiajia, který si vyrobil vlastní nevěstu.

Budoucnost lidstva je nepochybně propletena s roboty, protože každým rokem se rozvíjejí nové oblasti uplatnění umělé inteligence. S největší pravděpodobností předčí schopnosti člověka, ale zároveň výrazně zlepší kvalitu jeho života. Hlavní věcí je najít rozumný rámec, dokud se AI nenaučí reprodukovat. Podle Elona Muska stojí za to zaujmout proaktivní postoj a omezit používání AI již nyní, alespoň ve vojenském průmyslu.

Že mohou přijít o práci kvůli automatizaci práce. Málokdo ale přemýšlí o tom, jak tyto technologie mohou zlepšit a usnadnit lidskou práci. Zde jsou nějaké příklady.

Budete moci rychleji a lépe hledat práci a najímat zaměstnance

Umělá inteligence může výrazně změnit proces hledání kandidátů, říká Alexander Rinke, spoluzakladatel a generální ředitel společnosti Celonis. Umělá inteligence Celonis umožňuje určit fluktuaci zaměstnanců a náklady na přijetí zaměstnance a také vypočítá, na kterých pozicích trvá hledání zaměstnanců nejdéle. Například jeden klient Celonis dokázal odhalit problémy s náborem, snížit náklady na nábor o 30 % a urychlit proces přijímání nových zaměstnanců.

AI usnadňuje psaní životopisů a získávání pozvánek na pohovor. Například iCIMS společně s Googlem vyvinul technologii, která umožňuje hledat práci přímo ve vyhledávači – a to vše díky strojovému učení a umělé inteligenci Googlu.

Podle marketingové ředitelky iCIMS Susan Whiteil dokázala tato technologie snížit počet zastaralých pracovních nabídek. Je také srdcem uzavřeného beta programu Cloud Jobs Discovery. Tento program vyhledává volná místa nejen podle přesných klíčových slov – například pokud člověk hledá pozici CTO, zobrazí mu nejen volná místa „technický ředitel“, ale i „ředitel techniky“. Její model využívá konceptuální vyhledávání a zobrazuje všechny související profese (například nejen pokladní, ale i asistentku prodeje a vedoucí prodejny).

Budete produktivnější

John Farno, generální ředitel a spoluzakladatel Hive, věří, že prediktivní analytika nám pomůže lépe porozumět tomu, jak pracujeme. "Dokáže například říct, kdo pracuje aktivněji večer - muži nebo ženy, nebo je pravda, že v pátek se v létě pracuje hůř." To poslední je mimochodem mýtus. V pátek je produktivita vždy nižší, bez ohledu na roční období.

Na základě dat z více než 30 000 aktivit prováděných v coworkingových prostorech Hive byla společnost schopna identifikovat některé vzorce změn produktivity. Muži jsou například ráno mnohem produktivnější a po obědě jejich produktivita prudce klesá. U žen je tomu naopak – jejich pracovní den začíná pomalu, ale ke konci pracují produktivněji. Kromě toho analýza chatů ukázala, že ženy jsou schopny během korespondence vykonávat více úkolů.

„Umělá inteligence pomůže vyřešit zejména problém mzdových rozdílů mezi muži a ženami a také mezi vedením a běžnými zaměstnanci,“ řekl Jensen. "Podle statistik může tento rozdíl u společností z předních míst žebříčku Fortune 500 dosáhnout téměř 5 000 ku 1." Využití technologie, která určuje spravedlivou mzdu, navíc sníží riziko fluktuace zaměstnanců a pomůže snížit náklady na hledání náhradního zaměstnance.

Zlepšete kvalitu svých schůzek

Rozšířená realita (AR) se stále vyvíjí, ale funguje díky AI a strojovému učení. Christa Manningová, viceprezidentka Bersin ve společnosti Deloitte Consulting, věří, že AR vám může pomoci najít ty správné informace, místo a čas pro důležitá obchodní rozhodnutí.

Tuto technologii lze použít například při videokonferencích. „Představte si, že se účastníte videokonference a v rozšířené realitě vidíte informace o stylu komunikace kolegy, užitečné tipy a připomínky toho, co je s ním potřeba probrat,“ řekl Manning.

Objeví se lepší vůdci

Platforma Indiggo využívá vlastní AI zvanou indi, která funguje jako jakýsi mozek, který má veškeré znalosti firmy za 15 let práce. Jeho algoritmus sleduje velikost manažerského týmu firmy a odhaduje, kolik času tím promarnil. Program zkoumá kalendáře každého šéfa, aby pochopil, čím tráví čas. Umělá inteligence poté provede speciální průzkum mezi některými manažery, aby zjistila, jaké jsou jejich priority a jak zapadají do společnosti.

"Paradoxně všechny tyto technologické inovace pouze zdůrazňují nepostradatelnost lidské práce," řekl Alexander Rinke, generální ředitel Celonis. "Koneckonců, lidé jsou mnohem lepší v úkolech, které zahrnují kauzalitu, hodnocení a interakci s ostatními lidmi."