Nosov N.Yu.، Sokolov M.D. روند توسعه هوش مصنوعی کاربردهای هوش مصنوعی نمونه های کاربردی هوش مصنوعی

یکی از زمینه های توسعه فناوری های IT، هوش مصنوعی (AI) است. تحلیلگران گزارش می دهند که اگر در سال 2011 67 معامله با شرکت های در حال توسعه در زمینه هوش مصنوعیدر سال گذشته تعداد آنها به 400 مورد افزایش یافت. صحبت از آمار سال 2016 خیلی زود است، اما رکورد 140 تراکنش تنها در سه ماهه اول امسال حکایت از افزایش تقاضا برای این بخش دارد. این موجه است، زیرا فناوری را می توان در بسیاری از زمینه های زندگی استفاده کرد.

نمودار - دینامیک تعداد معاملات با توسعه دهندگان هوش مصنوعی، واحدها.

در کشاورزی، هوش مصنوعی در تجهیزات پردازش و برداشت استفاده می شود. کار در این زمینه توسط مهندسان خارجی و روسی انجام می شود.

به عنوان مثال، Autonomous Tractor Cooperation تراکتور بدون سرنشین Spirit را در سال 2012 معرفی کرد. تجهیزات آن شامل سیستم AutoDrive است که همزیستی از ناوبری رادیویی و یک ژیروسکوپ لیزری است. این سیستم حرکت مستقل تراکتور را در طول مسیری که قبلاً با راننده طی کرده بود، فراهم می کند.

در سال جاری، سازنده روسی Cognitive Technologies آزمایش یک تراکتور بدون سرنشین مجهز به بینایی کامپیوتری را سازماندهی کرد. این راه حل به جلوگیری از آسیب به ماشین آلات کشاورزی کمک می کند، زیرا. اجسام خارجی را از قبل در مناطق کشت شده شناسایی می کند. دوربین های ویدئویی و حسگرهای ناوبری ارائه شده توسط دستگاه آن اطلاعاتی را در مورد مکان اشیاء خطرناک در زمان واقعی جمع آوری می کنند.

یک تراکتور مستقل توسط CNH Industrial ساخته شده است. منحصر به فرد بودن آن در این واقعیت است که اطلاعات را با استفاده از یک سیستم لیدار بر اساس پدیده بازتاب و پراکندگی نور انباشته می کند.

توسعه دهندگانی مانند Blue River Technology، PlantVillage بردار توسعه فناوری هایی را برای مبارزه با علف های هرز انتخاب کردند. ماشین های هوشمند گیاهان ناخواسته را شناسایی و از بین می برند.

انتظار می رود راه حل های حمل و نقل بدون سرنشین به طور قابل توجهی بهره وری کشاورزی را افزایش دهد. شاید در آینده این بخش بتواند بدون دخالت انسان به طور کامل کار کند. دانشمندان بر این باورند که هوش مصنوعی جایگاه خود را در مزارع به اصطلاح عمودی پیدا خواهد کرد. کشاورزی کاملا گلخانه ای دستگاه ها قادر خواهند بود شاخص های مهم برای محصول مانند رطوبت، نور و دما را ردیابی کنند و به سرعت به نوسانات آنها پاسخ دهند.

هوش مصنوعیدر gبخش عمومی

هوش مصنوعیچندین سال است که در غرب در خدمات انتظامی و آتش نشانی استفاده می شود.

توسعه دهندگان نرم افزار Series Finder 9 سناریو سرقت را شناسایی کردند. الگوریتم های زیربنایی این فناوری عوامل بسیاری از جمله سهولت نفوذ به خانه، زمان روز، روز هفته و غیره را تجزیه و تحلیل می کنند و رفتار بالقوه یک جنایتکار را بازتولید می کنند. این نه تنها به افشای سریع جرم طبق یک الگوی آماده کمک می کند، بلکه امکان پیش بینی و جلوگیری از خطر را نیز فراهم می کند.

کارشناسان دانشگاه روچستر می گویند که با کمک سیستم های هوشمند رفتار کاربران در اینستاگرام می توان فروشندگان مواد مخدر را شناسایی کرد.

در همین حال، ناسا در حال طراحی یک دستیار "آهنی" برای آتش نشانان است که هدف از آن سازماندهی تعامل هماهنگ تیم آتش نشانی و همچنین اطلاع رسانی سریع به هر متخصص در محل آتش سوزی در مورد وضعیت وضعیت است.

محققان بر این باورند که در آینده نزدیک، اعتماد به فناوری‌های امنیتی هوشمند، از جمله در محیط خصوصی، رشد خواهد کرد. مزیت هوش مصنوعی این است که می تواند آنچه را که شخص نادیده می گیرد، جمع آوری و تجزیه و تحلیل کند، موقعیت های الگو را ایجاد کند و در هر موقعیتی بی طرف و بی تفاوت بماند. با این حال، دانشمندان تصریح می کنند که حذف کامل یک فرد از ساختارهای دولتی که امنیت جمعیت را سازماندهی می کند، کارساز نخواهد بود. فرآیندها و تصمیماتی وجود دارد که نیاز به تجزیه و تحلیل روانشناختی دارد و فقط به متخصصان "زنده" بستگی دارد. در عین حال، ماشین های هوشمند می توانند عملکردهای خطرناکی را به عهده بگیرند. به عنوان مثال، برای بررسی یک ساختمان در حال سوختن، پوشش از گلوله و غیره.

فناوری بهترین دوست انسان است. و هوش مصنوعیدر خانه و در زندگی روزمره

بیش از یک سال است که ده ها مهندس روی پروژه خانه هوشمند کار می کنند. آنها می خواهند مسئولیت تنظیم دمای اتاق، تنظیم خودکار نور، باز کردن / بستن دروازه ورودی، حفظ نظافت و نظم و بسیاری موارد دیگر را به هوش مصنوعی بسپارند. هدف سازندگان این است که فرآیند کنترل و "ارتباط" با یک خانه بسیار هوشمند را تا حد امکان ساده کنند، به طوری که الگوریتم ها از یک کنترل از راه دور یا سایر دستگاه های کنترل از راه دور راه اندازی نمی شوند، بلکه صدا و حرکات را تشخیص می دهند.

به موازات توسعه یک خانه "هوشمند"، دانشمندان دستیارهای هوشمندی را آزمایش می کنند که برای ایجاد یک زندگی عالی برای یک فرد طراحی شده اند. مدل‌های مختلف ربات‌های اجتماعی می‌توانند دمای محیطی که برای یک فرد خاص راحت است را تعیین کنند و آن را در یک اتاق تنظیم کنند، مکالمه را ادامه دهند، چهره‌ها را به خاطر بسپارند و دستورالعمل‌ها را دنبال کنند.

انتظار می رود روبات های خانگی تا سال 2030 به یک امر عادی تبدیل شوند. آنها نمی توانند فرد را به طور کامل از وظایف خانه رها کنند، اما می توانند مساعدترین شرایط زندگی را فراهم کنند، تعدادی از فرآیندهای اساسی را خودکار کنند، حوادث مسکن و جمعی را پیش بینی و از آن جلوگیری کنند، مسئولیت ایمنی اموال و غیره را بر عهده بگیرند. . برخی از راه حل ها ممکن است برای افراد دارای معلولیت مفید باشد.

هوش مصنوعی در بخش آموزشی

فن آوری های مدرن به طور فعال سیستم آموزشی را مدرن می کند. به عنوان مثال، در روسیه، تعدادی از مدارس شهری در حال آزمایش مجلات الکترونیکی هستند که به والدین اطلاعاتی در مورد پیشرفت و حضور کودک به صورت آنلاین ارائه می دهند و کار کاغذی را برای معلمان ساده می کنند. امسال در روز معلم، این ربات به همراه یک معلم در یکی از لیسیوم های کازان، درس انفورماتیک برگزار کرد که اتفاقی بی نظیر برای کشورمان است.

جهان در حال حاضر با سیستم های آموزشی هوشمند آشنا است که سطح دانش دانش آموز را تعیین می کند، صحت پاسخ ها را ارزیابی می کند و یک برنامه یادگیری شخصی ایجاد می کند. به عنوان مثال می توان از راه حل هایی مانند AutoTutor، Knewton، SHERLOCK نام برد. دومی توسط نیروی هوایی ایالات متحده برای آموزش خلبان استفاده می شود. تعدادی از پلتفرم های یادگیری آنلاین به خوبی توسعه یافته اند. به ویژه، خدمات آشنا Coursera و Duolingo، از جمله در روسیه.

در آموزش، هوش مصنوعی آینده است. از این جهت جذاب است که می تواند برای هر دانش آموز یک برنامه توسعه منحصر به فرد ایجاد کند که توانایی ها و علایق دانش آموز را در نظر می گیرد و بنابراین به بهترین شکل از پتانسیل او استفاده می کند. همچنین هوش مصنوعیهنگام ارزیابی دانش یا بررسی تکالیف، بی طرف باشند. ربات ها نه تنها می توانند به طور مستقل از معلم آموزش دهند، بلکه به او کمک می کنند.

دانشمندان آزمایشگاه دانش در دانشگاه کالج لندن پیش بینی می کنند که در آینده، هر فرد مربی آموزشی خود را خواهد داشت. یادگیری ماشینی توانایی‌های انسان را شناسایی می‌کند و توصیه‌هایی برای آموزش ارائه می‌کند و همیشه از طریق برنامه در دستگاه تلفن همراه "در دسترس" است.

هوش مصنوعی در fبخش مالی

در سیستم بانکی و بخش مالی، هوش مصنوعی می تواند هم به یک دستیار و هم یک تهدید تبدیل شود. به عنوان مثال، سیستم های خودکار ردیابی کلاهبرداری های مالی و تراکنش های مشکوک را آسان تر می کنند. راه حل مشابهی توسط مسترکارت با پشتیبانی بانک ملی پس انداز در حال آزمایش است.

بانک ها همچنین قصد دارند از کارمندان رباتیک در کار با مشتریان استفاده کنند. و هوش مصنوعیمی تواند درخواست های مشتری را پردازش کند، در مورد خدمات و فرصت ها اطلاع رسانی کند، پشتیبانی فنی ارائه دهد. بانک سوئدی Swedbank این دستیار مصنوعی را در سال 2014 آزمایش کرد. به گفته نمایندگان Swedbank، یک سال پس از راه اندازی، این ربات اجازه 80٪ از تمام تماس های دریافت شده توسط بانک را می دهد.

موسسات مالی کاربرد پیدا کرده اند هوش مصنوعیو در سیستم مدیریت پرسنل. فناوری‌های هوشمند تصمیمات کارکنان را کنترل می‌کنند و به اقدامات غیرقانونی آن‌ها به سرعت پاسخ می‌دهند و در نتیجه از نقض هنجارهای قانونی به تقصیر بانک جلوگیری می‌کنند.

در تابستان 2016، اطلاعاتی ظاهر شد مبنی بر اینکه موسسات مالی گلدمن ساکس، مورگان استنلی سیتی گروپ و گروه UBS در حال سرمایه گذاری در توسعه هستند. هوش مصنوعیبرای استخدام پرسنل از جمله احتمالات چنین راه حلی می توان به انتخاب رزومه های قابل قبول، ارزیابی کیفیت حرفه ای متقاضیان و سازماندهی مصاحبه های تصویری اشاره کرد. شرکت‌ها امیدوارند که فناوری‌های هوشمند نه تنها فرآیند استخدام را خودکار می‌کنند، بلکه گردش مالی کارکنان را نیز کاهش می‌دهند.

توسعه دهندگان اپلیکیشن Pefin و Wallet.ai به پلتفرم های آنلاین با امور مالی شخصی اعتماد کرده اند. خدمات، با در نظر گرفتن شاخص های اقتصادی، مانند تورم و مالیات، یک سیستم مالی فردی ایجاد می کند و محاسبه می کند که فرد چقدر می تواند هزینه یا سرمایه گذاری کند.

در سال جاری، خدمات تحلیلی شرکت حقوقی Baker & McKenzie نتایج مطالعه خود را منتشر کردند که بر اساس آن در سه سال آینده هوش مصنوعیبه طور گسترده در حوزه مالی استفاده خواهد شد. نیمی از 424 نفر از مدیران بانکی مورد بررسی اعلام کردند که قصد دارند سیستم های هوشمند را وارد کار این موسسه کنند که از این تعداد 39 درصد - به منظور جلوگیری از نقل و انتقال غیرقانونی پول و 26 درصد - برای نظارت بر قانونی بودن اقدامات بانک.

هوش مصنوعی در سیستم حمل و نقل

جهت اصلی توسعه هوش مصنوعی در زیرساخت های حمل و نقل، ایجاد وسایل نقلیه بدون سرنشین است. گوگل، تسلا، جنرال موتورز و دیگران به طور فعال چنین سیستم هایی را آزمایش می کنند. شرکت‌های خودروسازی فورد و بی‌ام‌و نیز برنامه‌هایی را برای تولید خودروهای مستقل تا سال 2021 اعلام کرده‌اند.

در حال حاضر، وسایل نقلیه بدون سرنشین الگوریتم هایی را ارائه می دهند که می توانند محیط را تجزیه و تحلیل کنند، حضور یک فرد در جاده را تشخیص دهند و در مواقع اضطراری کنترل را به راننده منتقل کنند.

همچنین هوش مصنوعیدر ایستگاه های حمل و نقل عمومی "هوشمند" استفاده می شود که حرکت وسایل نقلیه در مسیر را ردیابی می کند و زمان تقریبی رسیدن آن را محاسبه می کند.

چهار سال پیش مهندسان دانشگاه کارنگی چراغ های راهنمایی هوشمند را راه اندازی کردند. آنها وضعیت جاده را ارزیابی می کنند و هنگامی که ماشین های زیادی وجود دارد به طور خودکار رنگ سبز را روشن می کنند. به گفته توسعه دهندگان، تقاطع های خودکنترل اثربخشی خود را نشان داده اند: رانندگان با کاهش 40 درصدی زمان انتظار برای سیگنال مجوز، 21 درصد از زمان سفر را صرفه جویی می کنند.

کارشناسان بر این باورند که از قابلیت های هوش مصنوعی در سازماندهی ترافیک استفاده گسترده ای خواهد شد. تا سال 2020 حدود 10 میلیون وسیله نقلیه بدون سرنشین از جمله وسایل پرنده در جاده ها وجود خواهد داشت. حمل و نقل "هوشمند" نه تنها در بخش خصوصی محبوب خواهد بود. به عنوان مثال، یک اتوبوس خودران در فرانسه راه اندازی شد. دانشمندان بر این باورند که چنین دستگاه هایی از ترافیک محافظت می کنند، به جلوگیری از بسیاری از تصادفات و نظارت بر وضعیت جاده ها به صورت آنلاین کمک می کنند.

هوش مصنوعی در صصنعت

بسیاری از کارخانه های اروپایی در حال حاضر از راه حل های رباتیک برای خودکارسازی فرآیندهای تولید خود استفاده می کنند. این کار کارکنان را از کار تولیدی سنگین و خطرناک نجات می دهد. و هوش مصنوعیبه جلوگیری از خطاهای تولید کمک می کند و در نتیجه کیفیت محصول را بهبود می بخشد و هزینه های زمان و مواد برای ساخت آن را کاهش می دهد و همچنین به شما امکان می دهد تولید بدون وقفه را سازماندهی کنید.

نمونه کتابی از بنگاه های تجاری که اجرا کرده اند هوش مصنوعیدر فرآیند تولید، بندر هامبورگ و هارلی دیویدسون است. اولی توانست با کمک آخرین فناوری ها توان عملیاتی را بیش از 2.5 برابر افزایش دهد. دوم کاهش زمان مونتاژ موتورسیکلت از 21 روز به 6 ساعت.

در سال 2014، سیسکو، AT&T، آی‌بی‌ام و اینتل در کنسرسیوم اینترنت صنعتی IIC ادغام شدند که هدف آن ترویج فناوری‌ها و پروژه‌های IIoT است.هیچ نمونه ای از کارخانه های داخلی که از سیستم های هوشمند در محیط کار خود استفاده می کنند وجود ندارد. کنسرسیوم اینترنت صنعتی ملی که در آگوست سال جاری تشکیل شد، فراخوانده شده است تا به تغییر وضعیت کمک کند.

هوش مصنوعی در بهداشت و درمان

IBM راه حل Watson را معرفی کرد. این یک ابر رایانه است که قادر به تجزیه و تحلیل داده های پزشکی و حتی تصاویر برای تشخیص است. همانطور که IBM به بهبود فناوری ادامه می دهد، واتسون برای تشخیص علائم ظریف بیماری های نادر در کودکان آموزش می بیند. این شرکت با نزدیک به دوجین مرکز پزشکی همکاری می کند که باید پذیرش گسترده این فناوری در مراکز بهداشتی را تسریع بخشد.

با استفاده از هوش مصنوعیبرای تشخیص سرطان در مراحل اولیه برنامه ریزی کنید. توسعه دهندگان Behold.ai گزارش می دهند که درمان این بیماری شکل معمول داروها را نخواهد داشت. هدف آنها آموزش هوش مصنوعی برای تشخیص تومورهای بدخیم از طریق اشعه ایکس در اسرع وقت است که برای درمان نیست، بلکه جلوگیری از پیشرفت بیماری است.

Partners Bay Labs و Arterys قصد دارند بیماری قلبی را به روشی مشابه تشخیص دهند. این فناوری مبتنی بر تجزیه و تحلیل سونوگرافی است، بنابراین تجهیزات "هوشمند" قادر است آنچه را که در دسترس پزشک نیست، ببیند.

دانشمندان می گویند که در آینده، سلامت انسان توسط گوشی های هوشمند اسکن خواهد شد. بر اساس تجزیه و تحلیل فعالیت، خواب، جامعه پذیری، حتی تشخیص اختلالات روانی، مانند افسردگی. همچنین هوش مصنوعیدر تحقیقات داروهای جدید نقش داشته باشد. الگوریتم‌ها آسیب‌پذیری‌های ویروس را شناسایی کرده و ترکیب‌های مؤثری از ساختارهای مولکولی را برای حذف آن‌ها انتخاب می‌کنند.

به خالق فتح شده از عقل برتر

بسیاری از پیش‌بینی‌های دانشمندان درباره دنیای «هوشمند»، زندگی دیجیتالی، روبات‌ها در همسایگی و تمدن اینترنت اشیا امروزی خارق‌العاده به نظر می‌رسند. اما بدون توجه به ایمان یا شک در امکانات بی حد و حصر هوش مصنوعیفناوری به صورت پویا همه چیز را در اطراف ما تغییر می دهد. با اکتشافات پس از کشف، اختراعات کوچک و ایده های انقلابی، توسعه دهندگان سیاره را به سمت یک واقعیت ماشینی بسیار هوشمند هدایت می کنند.

نام بردن تاریخ های دقیقی که ثمره تخیل نویسندگان علمی تخیلی تجسم فیزیکی پیدا می کند دشوار است. نه تنها فناوری ها، بلکه مردم نیز باید پیشرفت کنند. جامعه باید آماده پذیرش دنیای آهنین و ملت فهیم دستگاه باشد. سازگاری به زمان نیاز دارد. برای اینکه مردم به افسران پلیس روباتیک، پزشکان و رانندگان اعتماد کنند، هوش مصنوعی آنها باید برابر با انسان باشد. در عین حال، آیا یک فرد ناقص می تواند یک سیستم کامل ایجاد کند؟ آیا او قادر به ردیابی خط در کجا خواهد بود هوش مصنوعیدوست، خطری نیست؟ و آیا می تواند از اعتیاد فنی جلوگیری کند؟

به موازات آن، این سؤال در مورد آمادگی زیرساخت ها برای آینده "مصنوعی" مطرح می شود. آیا ظرفیت انرژی کافی وجود دارد؟ معلومه که کار کنه هوش مصنوعی، اینترنت اشیا و ابر نیاز به منابع تغذیه بدون وقفه و شبکه جهانی موبایل پهنای باند دارند.

برای کسب اطلاعات بیشتر در مورد راه حل های نوآورانه ارتباطات سیار نسل های فعلی و جدید و همچنین خدمات حال و آینده، می توانید در کتاب "

از زمانی که هوش مصنوعی به عنوان یک جهت علمی شناخته شد و این اتفاق در اواسط دهه 50 قرن گذشته رخ داد، توسعه دهندگان سیستم های هوشمند مجبور به حل بسیاری از مشکلات شدند. به طور معمول، تمام وظایف را می توان به چندین کلاس تقسیم کرد: تشخیص و ترجمه زبان انسانی، اثبات قضیه خودکار، ایجاد برنامه های بازی، تشخیص تصویر و خلاقیت ماشین. اجازه دهید ماهیت هر دسته از مسائل را به اختصار در نظر بگیریم.

اثبات قضایا.

اثبات قضیه خودکار قدیمی ترین کاربرد هوش مصنوعی است. تحقیقات زیادی در این زمینه انجام شده است که منجر به ظهور الگوریتم‌های جستجوی رسمی و زبان‌های نمایش رسمی، مانند PROLOG - یک زبان برنامه‌نویسی منطقی و محاسبات محمول شد.

اثبات خودکار قضایا به این دلیل جذاب هستند که مبتنی بر کلیت و دقت منطق هستند. منطق در یک سیستم رسمی به معنای امکان اتوماسیون است، به این معنی که اگر مسئله و اطلاعات اضافی مربوط به آن را به عنوان مجموعه ای از بدیهیات منطقی و موارد خاص مسئله را به عنوان قضایایی که نیاز به اثبات دارند، نشان دهید، می توانید راه حلی دریافت کنید. به بسیاری از مشکلات سیستم های توجیه ریاضی و اثبات خودکار قضایا بر این اصل استوار است. در سال‌های گذشته، تلاش‌های مکرری برای نوشتن برنامه‌ای برای اثبات خودکار قضایا صورت گرفته است، اما ایجاد سیستمی که امکان حل مسائل را با استفاده از یک روش واحد فراهم کند، ممکن نبوده است. هر سیستم اکتشافی نسبتاً پیچیده ای می تواند بسیاری از قضایای غیرمرتبط قابل اثبات را ایجاد کند، در نتیجه برنامه ها مجبور بودند آنها را تا زمانی که مورد درست پیدا شود، اثبات کنند. به همین دلیل، این عقیده مطرح شده است که با فضاهای بزرگ فقط می توان با کمک استراتژی های غیررسمی که مخصوص موارد خاص طراحی شده اند، برخورد کرد. در عمل، این رویکرد کاملاً مثمر ثمر بود و همراه با دیگران، اساس سیستم های خبره بود.

در عین حال نمی توان استدلال مبتنی بر منطق صوری را نادیده گرفت. یک رویکرد رسمی اجازه می دهد تا بسیاری از مشکلات را حل کند. به طور خاص، با استفاده از آن، می توانید سیستم های پیچیده را مدیریت کنید، صحت برنامه های کامپیوتری را بررسی کنید، مدارهای منطقی را طراحی و آزمایش کنید. علاوه بر این، محققان اثبات کننده قضیه خودکار، اکتشافی قدرتمندی را بر اساس ارزیابی شکل نحوی عبارات منطقی توسعه داده اند. در نتیجه، کاهش سطح پیچیدگی فضای جستجو بدون توسل به توسعه استراتژی های خاص امکان پذیر شد.

اثبات خودکار قضایا نیز مورد توجه دانشمندان است به این دلیل که برای مسائل پیچیده به خصوص امکان استفاده از سیستم نیز وجود دارد، اگرچه بدون دخالت انسان نیست. در حال حاضر، برنامه ها اغلب به عنوان دستیار عمل می کنند. متخصصان کار را به چندین زیرکار تقسیم می کنند، سپس اکتشافی برای مرتب کردن دلایل احتمالی در نظر گرفته می شود. در مرحله بعد، برنامه لم ها را اثبات می کند، مفروضات کمتر ضروری را بررسی می کند، و به جنبه های رسمی شواهد بیان شده توسط شخص اضافه می کند.

الگو شناسی.

تشخیص الگوی انتخاب ویژگی های اساسی است که داده های اولیه را از مجموع مجموعه ویژگی ها مشخص می کند و بر اساس اطلاعات دریافتی، تخصیص داده ها به یک کلاس خاص است.

تئوری تشخیص الگو شاخه‌ای از علوم کامپیوتر است که وظیفه آن ایجاد مبانی و روش‌هایی برای شناسایی و طبقه‌بندی اشیا (اشیاء، فرآیندها، پدیده‌ها، موقعیت‌ها، سیگنال‌ها و غیره) است که هر کدام دارای مجموعه‌ای از موارد خاص هستند. ویژگی ها و خواص در عمل، شناسایی اشیاء اغلب ضروری است. یک موقعیت معمولی تشخیص رنگ چراغ راهنمایی و تصمیم گیری در مورد عبور از خیابان در لحظه است. زمینه های دیگری وجود دارد که در آنها نمی توان از تشخیص اشیا صرف نظر کرد، به عنوان مثال، دیجیتالی کردن سیگنال های آنالوگ، امور نظامی، سیستم های امنیتی، و غیره، بنابراین امروزه دانشمندان همچنان به طور فعال بر روی ایجاد سیستم های تشخیص تصویر کار می کنند.

کار در دو جهت اصلی انجام می شود:

• · تحقیق، تبیین و مدل سازی توانایی های تشخیص ذاتی موجودات زنده.
• · توسعه مبانی نظری و روش شناختی برای ایجاد دستگاه هایی که امکان حل مسائل فردی را برای اهداف کاربردی فراهم می کند.

فرمول بندی مسائل تشخیص با استفاده از یک زبان ریاضی انجام می شود. در حالی که نظریه شبکه های عصبی مصنوعی مبتنی بر به دست آوردن نتایج از طریق آزمایش است، فرمول بندی مسائل تشخیص الگو بر اساس آزمایش نیست، بلکه بر اساس شواهد ریاضی و استدلال منطقی است.

فرمول کلاسیک چنین مسئله ای را در نظر بگیرید. اشیاء زیادی وجود دارد که در رابطه با آنها طبقه بندی لازم است. یک مجموعه از زیر مجموعه ها یا کلاس ها تشکیل شده است. Specified: اطلاعاتی که مجموعه را توصیف می کند، اطلاعات مربوط به کلاس ها و توصیف یک شی واحد بدون نشان دادن تعلق آن به یک کلاس خاص. وظیفه: بر اساس داده های موجود، تعیین کنید که یک شی متعلق به کدام کلاس است.

اگر تصاویر تک رنگ در مسائل وجود داشته باشد، می توان آنها را به عنوان توابع در یک هواپیما در نظر گرفت. تابع یک رکورد رسمی از تصویر خواهد بود و در هر نقطه مشخصه خاصی از این تصویر را بیان می کند - چگالی نوری، شفافیت، روشنایی و غیره. در این حالت، مدل مجموعه تصویر مجموعه ای از توابع در صفحه خواهد بود. . فرمول بندی مسئله شناخت بستگی به این دارد که مراحل بعدی شناخت باید چه باشد.

روش‌های تشخیص الگو شامل آزمایش‌های F. Rosenblatt است که مفهوم مدل مغز را معرفی کرد. وظیفه آزمایش نشان دادن چگونگی پدید آمدن پدیده های روانی در یک سیستم فیزیکی با ویژگی ها و ساختار عملکردی شناخته شده است. این دانشمند ساده ترین آزمایش ها را در زمینه تشخیص توصیف کرد، اما ویژگی آنها یک الگوریتم حل غیر قطعی است.

ساده ترین آزمایش، که بر اساس آن می توان اطلاعات روانشناختی قابل توجهی در مورد سیستم به دست آورد، به شرح زیر است: پرسپترون با دنباله ای از دو محرک مختلف ارائه می شود که باید به هر یک از آنها به نحوی واکنش نشان دهد و برای محرک های مختلف. واکنش باید متفاوت باشد هدف از چنین آزمایشی ممکن است متفاوت باشد. آزمایشگر ممکن است با وظیفه مطالعه امکان تبعیض خود به خودی توسط سیستم محرک های ارائه شده بدون دخالت بیرونی، یا برعکس، مطالعه امکان شناسایی اجباری روبرو شود. در حالت دوم، آزمایشگر به سیستم می آموزد که اشیاء مختلف را طبقه بندی کند، که ممکن است بیش از دو باشد. تجربه یادگیری به شرح زیر است: پرسپترون با تصاویری ارائه می شود که در میان آنها نمایندگانی از همه طبقات وجود دارد که باید شناسایی شوند. پاسخ صحیح با توجه به قوانین اصلاح حافظه تقویت می شود. پس از آن، آزمایشگر یک محرک کنترلی را به پرسپترون ارائه می کند و احتمال به دست آوردن یک پاسخ معین را برای تصاویر این کلاس تعیین می کند. محرک کنترل ممکن است با یکی از اشیاء ارائه شده در دنباله آموزشی مطابقت داشته باشد یا با تمام اشیاء ارائه شده متفاوت باشد. بسته به این، نتایج زیر به دست می آید:

• · اگر محرک کنترل با تمام محرک های آموزشی ارائه شده قبلی متفاوت باشد، آنگاه علاوه بر تمایز محض، آزمایش عناصر تعمیم را نیز بررسی می کند.
• · اگر محرک کنترل باعث فعال شدن گروه خاصی از عناصر حسی شود که با هیچ یک از عناصری که تحت تأثیر محرک های همان کلاس فعال شده اند، منطبق نیستند، آنگاه آزمایش یک تعمیم محض را بررسی می کند و نمی کند. شامل مطالعه شناخت.

علیرغم این واقعیت که پرسپترون ها قادر به تعمیم خالص نیستند، آنها به طور رضایت بخشی با وظایف تشخیص کنار می آیند، به ویژه در مواردی که تصاویر نشان داده می شوند، که پرسپترون قبلاً تجربه ای در رابطه با آنها دارد.

تشخیص گفتار انسان و ترجمه ماشینی

اهداف بلندمدت هوش مصنوعی شامل ایجاد برنامه هایی است که می توانند زبان انسان را تشخیص دهند و از آن برای ساخت عبارات معنی دار استفاده کنند. توانایی درک و به کارگیری زبان طبیعی یکی از ویژگی های اساسی هوش انسان است. اتوماسیون موفقیت آمیز این توانایی رایانه ها را بسیار کارآمدتر می کند. تا به امروز، برنامه های زیادی نوشته شده اند که می توانند زبان طبیعی را درک کنند و با موفقیت در زمینه های محدود به کار گرفته می شوند، اما تاکنون هیچ سیستمی وجود ندارد که بتواند زبان های طبیعی را با همان کلیت و انعطاف پذیری یک شخص به کار گیرد. واقعیت این است که فرآیند درک زبان طبیعی تنها تجزیه ساده جملات به اجزاء و جستجوی معانی تک تک کلمات در فرهنگ لغت نیست. این دقیقاً همان چیزی است که برنامه ها به خوبی انجام می دهند. استفاده از گفتار انسان مستلزم دانش گسترده در مورد موضوع گفتگو، در مورد اصطلاحات مربوط به آن، علاوه بر این، توانایی درک ابهامات، حذفیات، حرفه ای بودن، اصطلاحات تخصصی، عبارات محاوره ای و بسیاری موارد دیگر است که در گفتار عادی انسان ذاتی است. .

به عنوان مثال مکالمه ای در مورد فوتبال است که در آن کلماتی مانند "به جلو"، "پاس"، "انتقال"، "پنالتی"، "مدافع"، "موارد"، "کاپیتان" و غیره استفاده می شود. هر یک از این کلمات با مجموعه ای از معانی مشخص می شوند و به طور جداگانه کلمات کاملاً قابل درک هستند، اما عبارتی که از آنها ساخته شده است برای هر کسی که علاقه ای به فوتبال ندارد و چیزی در مورد تاریخچه، قوانین و اصول آن نمی داند نامفهوم خواهد بود. بازی بنابراین، برای درک و به کارگیری زبان انسانی، به مجموعه ای از دانش پیشینه نیاز است و یکی از مشکلات اصلی در خودکارسازی درک و به کارگیری زبان طبیعی انسان، جمع آوری و نظام مند کردن چنین دانشی است.

از آنجایی که معانی معنایی به طور گسترده در هوش مصنوعی استفاده می شود، دانشمندان تعدادی روش را توسعه داده اند که به آنها اجازه می دهد تا حدی ساختارمند شوند. با این حال، بیشتر کار در حوزه‌های مشکل‌ساز انجام می‌شود که به خوبی درک شده و تخصصی هستند. به عنوان مثال، تکنیک "جهان خرد" است. یکی از اولین برنامه هایی که در آن مورد استفاده قرار گرفت، برنامه SHRDLU بود که توسط تری وینوگراد توسعه یافت، که یکی از سیستم های درک گفتار انسان است. امکانات این برنامه کاملاً محدود بود و به "مکالمه" در مورد مکان بلوک های رنگ ها و اشکال مختلف و همچنین برنامه ریزی ساده ترین اقدامات کاهش یافت. این برنامه به سوالاتی مانند "هرم روی میله متقاطع چه رنگی است؟" پاسخ داد؟ و می تواند دستورالعمل هایی مانند "یک بلوک آبی را روی یک بلوک قرمز قرار دهید." چنین مشکلاتی اغلب توسط محققان هوش مصنوعی لمس می شد و بعدها به "دنیای بلوک ها" معروف شد.

علیرغم این واقعیت که برنامه SHRDLU با موفقیت در مورد مکان بلوک ها "صحبت" کرد، توانایی انتزاع از این "جهان کوچک" را نداشت. از روش هایی استفاده می کرد که برای انتقال سازمان معنایی حوزه های موضوعی با پیچیدگی بالاتر بسیار ساده بودند.

کار فعلی در زمینه درک و به کارگیری زبان های طبیعی عمدتاً به سمت جستجوی فرمالیسم های نمایشی به اندازه کافی کلی است که می توانند با ساختارهای خاص مناطق معین اقتباس شوند و در طیف گسترده ای از کاربردها اعمال شوند. اکثر روش های موجود که اصلاحات شبکه های نشانه شناختی هستند، در برنامه های نوشتاری که می توانند زبان طبیعی را در حوزه های موضوعی محدود تشخیص دهند، مطالعه و به کار می روند. در عین حال، امکانات مدرن اجازه ایجاد یک برنامه جهانی را نمی دهد که قادر به درک گفتار انسان در تمام تنوع آن باشد.

در میان انواع مشکلات تشخیص الگو می توان موارد زیر را متمایز کرد:

• طبقه بندی اسناد
• تعیین ذخایر معدنی
• تشخیص تصویر
• · تشخیص بارکد
• شخصیت شناسی
• · تشخیص گفتار
• تشخیص چهره
• · تشخیص پلاک

هوش مصنوعی در برنامه های بازی

هوش مصنوعی بازی نه تنها شامل روش‌های هوش مصنوعی سنتی، بلکه الگوریتم‌های علوم کامپیوتر به طور کلی، گرافیک کامپیوتری، رباتیک و تئوری کنترل است. نه تنها سیستم مورد نیاز، بلکه بودجه بازی نیز به نحوه پیاده سازی هوش مصنوعی بستگی دارد، بنابراین توسعه دهندگان باید تعادل داشته باشند و سعی کنند اطمینان حاصل کنند که هوش مصنوعی بازی با حداقل هزینه ایجاد می شود و در عین حال برای منابع جالب و بی نیاز است. از روشی کاملاً متفاوت نسبت به هوش مصنوعی سنتی استفاده می کند. به ویژه، شبیه سازی ها، فریب ها و ساده سازی های مختلف به طور گسترده ای مورد استفاده قرار می گیرند. مثال: یکی از ویژگی های تیراندازهای اول شخص، توانایی ربات ها برای حرکت دقیق و هدف گیری آنی است، اما در عین حال، فرد یک شانس هم ندارد، بنابراین توانایی های ربات ها به طور مصنوعی دست کم گرفته می شود. در همان زمان، پست های بازرسی در سطح قرار می گیرند تا ربات ها بتوانند به عنوان یک تیم عمل کنند، کمین بگذارند و ... تصویر هوش مصنوعی

در بازی‌های رایانه‌ای که توسط هوش مصنوعی بازی کنترل می‌شوند، دسته‌بندی شخصیت‌های زیر وجود دارد:

• اوباش - شخصیت هایی با سطح هوش پایین، دشمن بازیکن انسان. بازیکنان برای عبور از قلمرو، دستیابی به مصنوعات و تجربه امتیاز، اوباش را نابود می کنند.
• · شخصیت های غیر بازیکن - معمولاً این شخصیت ها نسبت به بازیکن دوستانه یا خنثی هستند.
• · ربات ها - شخصیت های خصمانه برای بازیکنان، سخت ترین برای برنامه ریزی. توانایی های آنها به شخصیت های بازی نزدیک می شود. در هر لحظه تعداد معینی از ربات ها با بازیکن مخالفت می کنند.

در یک بازی رایانه ای، حوزه های زیادی وجود دارد که در آنها طیف گسترده ای از الگوریتم های اکتشافی هوش مصنوعی بازی استفاده می شود. پرکاربردترین بازی هوش مصنوعی به عنوان یکی از راه های کنترل شخصیت های غیر بازیکن است. یکی دیگر از روش‌های رایج کنترل، اسکریپت‌نویسی است. یکی دیگر از کاربردهای آشکار هوش مصنوعی بازی، به ویژه در بازی های استراتژی زمان واقعی، مسیریابی است، یا روشی برای تعیین اینکه چگونه یک NPC می تواند از یک نقطه روی نقشه به نقطه دیگر برسد. در عین حال، موانع، زمین و یک "مه جنگ" احتمالی باید در نظر گرفته شود. تعادل پویا موب ها نیز بدون استفاده از هوش مصنوعی کامل نمی شود. بسیاری از بازی ها مفهوم هوش غیرقابل پیش بینی را امتحان کرده اند. اینها بازی هایی مانند Nintendogs، Black & White، Creatures و اسباب بازی معروف Tamagotchi هستند. در این بازی ها شخصیت ها حیوانات خانگی هستند که رفتارشان با توجه به اعمال بازیکن تغییر می کند. به نظر می رسد شخصیت ها قادر به یادگیری هستند، در حالی که در واقع اعمال آنها نتیجه انتخاب از بین مجموعه ای محدود از انتخاب است.

بسیاری از برنامه نویسان بازی، هر تکنیکی را که توهم هوش را ایجاد کند به عنوان بخشی از هوش مصنوعی بازی در نظر می گیرند. با این حال، این رویکرد کاملاً صحیح نیست، زیرا از همان تکنیک ها نه تنها در موتورهای هوش مصنوعی بازی می توان استفاده کرد. به عنوان مثال، هنگام ایجاد ربات ها، الگوریتم هایی با اطلاعاتی در مورد برخوردهای احتمالی آینده وارد شده به آنها استفاده می شود، در نتیجه ربات ها "توانایی" اجتناب از این برخوردها را به دست می آورند. اما همین تکنیک ها جزء مهم و ضروری یک موتور فیزیک هستند. مثال دیگر: یکی از اجزای مهم سیستم هدف گیری یک ربات، داده های آب است و از همین داده ها به طور گسترده در موتور گرافیکی هنگام رندر استفاده می شود. نمونه نهایی اسکریپت نویسی است. این ابزار را می توان با موفقیت در تمام جنبه های توسعه بازی استفاده کرد، اما اغلب به عنوان یکی از راه های کنترل اقدامات NPC ها در نظر گرفته می شود.

به گفته متخصصان، تعبیر "هوش مصنوعی بازی" حق وجود ندارد، زیرا اغراق آمیز است. به عنوان بحث اصلی، آنها این واقعیت را مطرح کردند که فقط برخی از حوزه های علمی در مورد هوش مصنوعی کلاسیک در هوش مصنوعی بازی استفاده می شود. همچنین باید در نظر گرفت که اهداف هوش مصنوعی ایجاد سیستم های خودآموز و حتی ایجاد هوش مصنوعی با قابلیت استدلال است، در حالی که اغلب محدود به اکتشافات و مجموعه ای از چندین قانون سرانگشتی است که برای ایجاد کافی است. گیم پلی خوبی دارد و برداشت و احساس واضحی از بازی به بازیکن ارائه می دهد.

در حال حاضر، توسعه دهندگان بازی های رایانه ای به هوش مصنوعی دانشگاهی علاقه نشان می دهند و جامعه دانشگاهی نیز به نوبه خود، شروع به علاقه مندی به بازی های رایانه ای کرده است. این سوال را مطرح می کند که تا چه حد بازی و هوش مصنوعی کلاسیک با یکدیگر تفاوت دارند. در عین حال، هوش مصنوعی بازی همچنان یکی از زیر شاخه های کلاسیک محسوب می شود. این به دلیل این واقعیت است که هوش مصنوعی دارای حوزه های کاربردی مختلفی است که با یکدیگر متفاوت هستند. اگر در مورد هوش بازی صحبت کنیم، یک تفاوت مهم در اینجا امکان تقلب برای حل برخی از مشکلات از راه های "مشروع" است. از یک طرف، عیب فریب این است که اغلب منجر به رفتار غیرواقعی شخصیت می شود و به همین دلیل همیشه نمی توان از آن استفاده کرد. از سوی دیگر، خود امکان چنین فریبکاری یک تفاوت مهم بین هوش مصنوعی بازی است.

یکی دیگر از کارهای جالب هوش مصنوعی آموزش بازی شطرنج به کامپیوتر است. دانشمندان از سراسر جهان در حل آن مشغول بودند. ویژگی این کار این است که نشان دادن توانایی های منطقی رایانه فقط در حضور یک حریف واقعی امکان پذیر است. اولین نمایش از این دست در سال 1974 در استکهلم، جایی که مسابقات شطرنج قهرمانی جهان در میان برنامه های شطرنج برگزار شد، برگزار شد. این مسابقه توسط برنامه Kaissa که توسط دانشمندان شوروی از موسسه مشکلات مدیریت آکادمی علوم اتحاد جماهیر شوروی واقع در مسکو ایجاد شده است، برنده شد.

هوش مصنوعی در خلاقیت ماشینی

ماهیت عقل انسان هنوز به اندازه کافی مورد مطالعه قرار نگرفته است و میزان مطالعه ماهیت خلاقیت انسان از این هم کمتر است. با این حال، یکی از حوزه های هوش مصنوعی، خلاقیت ماشینی است. کامپیوترهای مدرن آثار موسیقایی، ادبی و تصویری خلق می‌کنند، و صنایع بازی‌های رایانه‌ای و فیلم‌سازی از مدت‌ها پیش از تصاویر واقعی ساخته شده توسط ماشین‌ها استفاده می‌کنند. برنامه های موجود تصاویر مختلفی را ایجاد می کنند که به راحتی برای شخص قابل درک و درک است. این امر به ویژه در مورد دانش شهودی مهم است، که برای تأیید رسمی آن باید تلاش ذهنی قابل توجهی انجام داد. بنابراین، وظایف موسیقی با استفاده از یک زبان برنامه نویسی که یکی از آنها زبان CSound است، با موفقیت حل می شود. نرم افزار ویژه ای که با کمک آن آثار موسیقی ایجاد می شود، با برنامه های ترکیب الگوریتمی، سیستم های ترکیب تعاملی، سنتز صدا و سیستم های پردازش نمایش داده می شود.

سیستم های خبره.

توسعه سیستم های خبره مدرن از اوایل دهه 1970 توسط محققان انجام شد و در اوایل دهه 1980 سیستم های خبره بر اساس تجاری شروع به توسعه کردند. نمونه های اولیه سیستم های خبره، که در سال 1832 توسط دانشمند روسی S. N. Korsakov پیشنهاد شد، دستگاه های مکانیکی به نام "ماشین های هوشمند" بودند که امکان یافتن راه حلی بر اساس شرایط داده شده را فراهم کردند. به عنوان مثال، علائم بیماری مشاهده شده در بیمار مورد تجزیه و تحلیل قرار گرفت و بر اساس نتایج این تجزیه و تحلیل، مناسب ترین داروها پیشنهاد شد.

علوم کامپیوتر سیستم های خبره را همراه با پایگاه های دانش در نظر می گیرد. سیستم‌ها مدل‌هایی از رفتار متخصص هستند که مبتنی بر کاربرد رویه‌های تصمیم‌گیری و نتیجه‌گیری‌های منطقی هستند. پایگاه های دانش به عنوان مجموعه ای از قواعد و حقایق استنباط در نظر گرفته می شود که ارتباط مستقیمی با حوزه فعالیت انتخابی دارد.

در پایان قرن گذشته، مفهوم خاصی از سیستم های خبره توسعه یافت که عمیقاً به سمت رابط متنی انسان و ماشین گرایش داشت، که در آن زمان به طور کلی پذیرفته شد. در حال حاضر، این مفهوم با یک بحران جدی مواجه شده است، ظاهرا به دلیل این واقعیت است که در برنامه های کاربری، رابط مبتنی بر متن با یک رابط گرافیکی جایگزین شده است. علاوه بر این، مدل داده های رابطه ای و دیدگاه "کلاسیک" از ساخت سیستم های خبره با یکدیگر سازگاری ضعیفی دارند. در نتیجه سازماندهی پایگاه های دانش سیستم های خبره حداقل با استفاده از سیستم های مدیریت پایگاه داده های صنعتی مدرن نمی تواند به نحو احسن انجام شود. نمونه‌های متعددی از سیستم‌های خبره در ادبیات و منابع آنلاین آورده شده‌اند که به آنها «متداول» یا «به‌طور گسترده شناخته شده» می‌گویند. در واقع، همه این سیستم های خبره در دهه 80 قرن گذشته ایجاد شدند و در حال حاضر یا دیگر وجود نداشته اند، یا به طور ناامیدکننده ای منسوخ شده اند و به لطف تعداد کمی از علاقه مندان وجود دارند. از سوی دیگر، توسعه دهندگان محصولات نرم افزاری مدرن اغلب از ساخته های خود به عنوان سیستم های خبره یاد می کنند. چنین اظهاراتی چیزی بیش از یک ترفند بازاریابی نیست، زیرا در واقع این محصولات سیستم های خبره نیستند (هر یک از سیستم های مرجع قانونی کامپیوتری می تواند به عنوان مثال باشد). علاقه مندان سعی می کنند رویکردهای ایجاد یک رابط کاربری را با رویکردهای "کلاسیک" برای ایجاد سیستم های خبره ترکیب کنند. این تلاش ها در پروژه هایی مانند CLIPS.NET، CLIPS Java Native Interface و غیره منعکس شده است، اما شرکت های بزرگ نرم افزاری عجله ای برای تامین مالی چنین پروژه هایی ندارند و به همین دلیل، توسعه از مرحله آزمایشی فراتر نمی رود.

طیف وسیعی از حوزه‌هایی که سیستم‌های مبتنی بر دانش را می‌توان در آن‌ها به کار برد، می‌توان به کلاس‌هایی تقسیم کرد: تشخیص پزشکی، برنامه‌ریزی، پیش‌بینی، کنترل و مدیریت، آموزش، تفسیر، تشخیص خطا در تجهیزات الکتریکی و مکانیکی، آموزش. بیایید هر یک از این کلاس ها را با جزئیات بیشتری بررسی کنیم.

الف) سیستم های تشخیص پزشکی.

با کمک چنین سیستم هایی مشخص می شود که چگونه اختلالات مختلف در فعالیت بدن و علل احتمالی آنها به هم مرتبط هستند. معروف ترین سیستم تشخیصی MYCIN است. برای تشخیص مننژیت و عفونت های باکتریایی و همچنین برای نظارت بر وضعیت بیماران مبتلا به این بیماری ها استفاده می شود. اولین نسخه از سیستم در دهه 70 توسعه یافت. تا به امروز، قابلیت های آن به طور قابل توجهی گسترش یافته است: این سیستم تشخیص ها را در سطح حرفه ای یک پزشک متخصص انجام می دهد و می تواند در زمینه های مختلف پزشکی استفاده شود.

ب) سیستم های پیش بینی.

سیستم ها برای پیش بینی رویدادها یا نتایج رویدادها بر اساس داده های موجود که وضعیت فعلی یا وضعیت یک شی را مشخص می کند، طراحی شده اند. بنابراین، برنامه وال استریت فتح که از روش های آماری الگوریتم ها در کار خود استفاده می کند، قادر به تجزیه و تحلیل شرایط بازار و تدوین برنامه سرمایه گذاری است. این برنامه از الگوریتم ها و رویه های برنامه نویسی سنتی استفاده می کند، بنابراین نمی توان آن را به عنوان یک سیستم مبتنی بر دانش طبقه بندی کرد. در حال حاضر، برنامه هایی وجود دارد که می توانند با تجزیه و تحلیل داده های موجود، جریان مسافران، عملکرد محصول و آب و هوا را پیش بینی کنند. چنین برنامه هایی بسیار ساده هستند و برخی از آنها را می توان در رایانه های شخصی معمولی استفاده کرد. با این حال، هنوز هیچ سیستم خبره ای وجود ندارد که بتواند بر اساس داده های بازار، نحوه افزایش سرمایه را پیشنهاد دهد.

ج) برنامه ریزی

سیستم های برنامه ریزی برای حل مسائل با تعداد زیادی متغیر به منظور دستیابی به نتایج خاص طراحی شده اند. برای اولین بار در حوزه تجاری، چنین سیستم هایی توسط شرکت Informat دمشقی مورد استفاده قرار گرفت. مدیریت این شرکت دستور نصب 13 ایستگاه در لابی دفتر را صادر کرد که برای خریدارانی که قصد خرید کامپیوتر را داشتند مشاوره رایگان ارائه می کرد. ماشین‌ها به انتخابی کمک کردند که با بودجه و خواسته‌های خریدار مطابقت داشته باشد. سیستم های خبره نیز توسط بوئینگ برای اهدافی مانند تعمیر هلیکوپتر، تعیین علل خرابی موتور هواپیما و طراحی ایستگاه های فضایی مورد استفاده قرار گرفته است. DEC سیستم خبره XCON را ایجاد کرده است که قادر به تعیین و پیکربندی مجدد سیستم های کامپیوتری VAX برای برآورده کردن نیازهای مشتری است. DEC در حال حاضر در حال توسعه یک سیستم XSEL قدرتمندتر است که شامل پایگاه دانش XCON است. هدف از ایجاد سیستم کمک به مصرف کنندگان در انتخاب یک سیستم محاسباتی با پیکربندی مورد نیاز است. تفاوت XSEL و XCON در تعاملی بودن آن است.

د) تفسیر.

سیستم های تفسیری قادر به نتیجه گیری بر اساس نتایج مشاهده هستند. یکی از معروف ترین سیستم های تفسیری، سیستم PROSPECTOR است. این با استفاده از داده های مبتنی بر دانش نه متخصص کار می کند. اثربخشی سیستم را می توان با یک مثال ارزیابی کرد: با استفاده از 9 روش مختلف بررسی، سیستم یک ذخایر سنگ معدنی را کشف کرد که هیچ متخصصی نمی توانست انتظارش را داشته باشد. یکی دیگر از سیستم های تفسیری شناخته شده HASP/SIAP است. از داده‌های سیستم‌های ردیابی صوتی استفاده می‌کند و بر اساس آن‌ها، مکان کشتی‌ها در اقیانوس آرام و انواع آن‌ها را تعیین می‌کند.

ه) سیستم های کنترل و مدیریت هوشمند.

سیستم های خبره با موفقیت برای کنترل و مدیریت استفاده می شوند. آنها قادر به تجزیه و تحلیل داده های دریافتی از چندین منبع و تصمیم گیری بر اساس نتایج تجزیه و تحلیل هستند. چنین سیستم هایی قادر به انجام نظارت پزشکی و کنترل حرکت هواپیما هستند، علاوه بر این، آنها در نیروگاه های هسته ای استفاده می شوند. همچنین با کمک آنها فعالیت مالی بنگاه تنظیم می شود و در شرایط بحرانی راه حل هایی ایجاد می شود.

و) عیب یابی و عیب یابی تجهیزات الکتریکی و مکانیکی.

سیستم های مبتنی بر دانش در مواردی مانند:

تعمیر لوکوموتیوهای دیزلی، اتومبیل و سایر دستگاه های الکتریکی و مکانیکی؛

تشخیص و رفع خطاها و خرابی ها در نرم افزار و سخت افزار کامپیوترها.

ز) سیستم های کامپیوتری آموزش.

استفاده از سیستم های دانش محور برای اهداف آموزشی کاملاً مؤثر است. این سیستم رفتار و فعالیت شی را تجزیه و تحلیل می کند و مطابق با اطلاعات دریافتی، پایگاه دانش را تغییر می دهد. ساده ترین مثال از چنین یادگیری یک بازی کامپیوتری است که در آن با افزایش مهارت بازیکن، سطوح دشوارتر می شوند. یک سیستم آموزشی جالب - EURISCO - توسط D. Lenat توسعه داده شد. از اکتشافات ساده استفاده می کند. این سیستم در یک بازی شبیه سازی عملیات رزمی به کار گرفته شد. ماهیت بازی تعیین ترکیب بهینه ناوگان است که می تواند با رعایت قوانین زیادی شکست بخورد. این سیستم با موفقیت با این کار کنار آمد، از جمله در ترکیب ناوگان یک کشتی کوچک و چندین کشتی که قادر به انجام حمله بودند. قوانین بازی هر سال تغییر می کرد، اما سیستم EURISCO به طور مداوم در طول سه سال پیروز شده است.

سیستم های خبره زیادی وجود دارند که با توجه به محتوای دانش، می توان آنها را به چند نوع در یک زمان نسبت داد. به عنوان مثال، سیستمی که برنامه ریزی را انجام می دهد، می تواند یک سیستم یادگیری نیز باشد. می تواند سطح دانش دانش آموز را تعیین کند و بر اساس این اطلاعات، برنامه درسی تهیه کند. سیستم های کنترل برای برنامه ریزی، پیش بینی، تشخیص و کنترل استفاده می شود. سیستم‌هایی که برای محافظت از یک خانه یا آپارتمان طراحی شده‌اند می‌توانند تغییرات محیط را ردیابی کنند، پیشرفت وضعیت را پیش‌بینی کنند و برنامه‌ای برای اقدامات بعدی ترسیم کنند. به عنوان مثال، پنجره ای باز شده و دزدی قصد دارد از طریق آن وارد اتاق شود، بنابراین لازم است با پلیس تماس بگیرید.

استفاده گسترده از سیستم های خبره در دهه 1980، زمانی که برای اولین بار به صورت تجاری معرفی شدند، آغاز شد. ES در بسیاری از زمینه ها، از جمله تجارت، علم، فناوری، تولید و سایر صنایعی که با یک حوزه موضوعی کاملاً تعریف شده مشخص می شوند، استفاده می شود. در این زمینه، «خوب تعریف شده» به این معنی است که شخص می تواند سیر استدلال را به مراحل جداگانه تقسیم کند و بنابراین هر مشکلی که در حیطه این حوزه باشد قابل حل است. بنابراین، یک برنامه کامپیوتری می تواند اقدامات مشابهی را انجام دهد. به جرات می توان گفت که استفاده از هوش مصنوعی امکانات بی پایانی را برای بشریت باز می کند.

ارسال کار خوب خود در پایگاه دانش ساده است. از فرم زیر استفاده کنید

دانشجویان، دانشجویان تحصیلات تکمیلی، دانشمندان جوانی که از دانش پایه در تحصیل و کار خود استفاده می کنند از شما بسیار سپاسگزار خواهند بود.

میزبانی شده در http://www.allbest.ru/

دوره آموزشی در رشته "فناوری اطلاعات"

با موضوع "زمینه های کاربرد هوش مصنوعی"

اجرا توسط تیموشنکو الکساندر ویکتورویچ

معرفی

3. زمینه های اصلی کاربرد هوش مصنوعی

3.2 هوش مصنوعی در ارتش

نتیجه

واژه نامه

معرفی

مفهوم هوش مصنوعی بسیار مبهم است. اگر همه آنچه را که در طول 40 سال گذشته گفته شده کنار هم بگذاریم، معلوم می شود که برای کاهش هزینه زمان و انرژی، فرد به سادگی می خواهد نوع خود را برای انجام اقدامات خاص ایجاد کند.

از اوایل دهه 1950، دانشمندان در تعداد فزاینده‌ای از آزمایشگاه‌های تحقیقاتی به سمت یک هدف شتافتند: ساخت رایانه‌هایی که به گونه‌ای عمل می‌کنند که بر اساس نتایج کارشان، از ذهن انسان قابل تشخیص نباشد. اخیراً علاقه زیادی به هوش مصنوعی وجود دارد که ناشی از افزایش نیازها و سیستم های اطلاعاتی است. بشریت به سرعت در حال حرکت به سمت یک انقلاب اطلاعاتی جدید است که می توان آن را در مقیاس با توسعه اینترنت مقایسه کرد، نام این انقلاب هوش مصنوعی است.

هوش مصنوعی در حال حاضر بسیار فعالانه مطالعه و توسعه یافته است. بیشترین تلاش زبان شناسان، فیلسوفان، روانشناسان، ریاضیدانان، مهندسان و سایبرنتیک در این زمینه متمرکز شده است. در اینجا، مسائل خاصی که مربوط به توسعه اندیشه علمی است، با تأثیر دستاوردهای در زمینه هایی مانند فناوری رایانه و رباتیک بر زندگی نسل های آینده حل می شود. در اینجا روش‌های مختلف تحقیق علمی پدید می‌آیند. در اینجا دیدگاه جدیدی از نتایج علمی خاص شکل می گیرد و درک فلسفی از نتایج به دست آمده نیز به وجود می آید. با حرکت رو به جلو، محققانی که در زمینه هوش مصنوعی کار می کنند با مشکلات بسیار گیج کننده ای روبرو شده اند که فراتر از مرزهای علوم رایانه سنتی است. به نظر می رسد که اول از همه، درک مکانیسم های فرآیند یادگیری، ادراک حسی و ماهیت زبان ضروری بود. دانشمندان دریافته اند که برای تقلید از کار مغز انسان، لازم است مکانیسم عمل میلیاردها نورون به هم پیوسته را درک کنیم. مشخص شد که دشوارترین مشکلی که محققان علم مدرن با آن مواجه بودند، آگاهی از روند عملکرد ذهن انسان بود و نه صرفاً تقلید از کار. این به مشکلات نظری علم روانشناسی اشاره کرد. دانشمندان نمی توانند در مورد موضوع تحقیق خود - عقل - به اتفاق نظر برسند. برای برخی، هوش توانایی حل مسائل پیچیده است. در حالی که دیگران آن را توانایی یادگیری، تعمیم، تجزیه و تحلیل می دانند. سوم - به عنوان فرصتی برای تعامل با جهان خارج از طریق ادراک، ارتباط و آگاهی از درک شده.

بسیاری از محققان هوش مصنوعی آماده پذیرش تست هوش ماشینی هستند که در اواخر دهه 40 توسط متخصص برجسته انگلیسی CT آلن تورینگ پیشنهاد شد. تورینگ استدلال می‌کند: «یک کامپیوتر را می‌توان هوشمند در نظر گرفت، اگر بتواند به ما این باور را بدهد که با یک ماشین سروکار نداریم، بلکه با یک شخص سروکار داریم.»

موضوع مطالعه در این دوره آموزشی هوش مصنوعی می باشد. موضوع تحقیق راه های بهبود و توسعه هوش مصنوعی است.

هدف از این کار شناسایی زمینه های کاربردی هوش مصنوعی است.

وظایف اصلی که در این کار باید حل شود:

1) منشا هوش مصنوعی را در نظر بگیرید.

2) درک اینکه چرا هوش مصنوعی ایجاد می شود.

3) کاربرد مدرن هوش مصنوعی.

4) مناطق امیدوارکننده هوش مصنوعی را کاوش کنید.

5) درک چگونگی استفاده از هوش مصنوعی برای اهداف نظامی.

6) آینده هوش مصنوعی را آشکار کنید.

7) شبکه های عصبی را کاوش کنید.

1. مفهوم "هوش مصنوعی"

یک سیستم هوشمند سیستمی است (شکل 1) که قادر است به طور هدفمند، بسته به وضعیت ورودی اطلاعات، نه تنها پارامترهای عملکرد، بلکه نحوه رفتار خود را نیز تغییر دهد، و نحوه رفتار نه تنها به وضعیت فعلی ورودی های اطلاعات، بلکه در وضعیت های قبلی سیستم.

شکل 1 "نظام فکری"

بیایید چند مثال بزنیم.

هر موجود زنده ای یک سیستم هوشمند است. او حافظه بلند مدت و توانایی خودآموزی دارد. کودکی که اجاق گاز داغ را لمس کرده است، اشتباه را تکرار نخواهد کرد. توله سگی که برای اولین بار یک گربه را تعقیب می کند، یک درس جدی دریافت می کند و بعید است که تصمیم بگیرد دوباره با آن بازی کند. دفعه بعد که با هم ملاقات می کنند، به احتمال زیاد فرار می کند یا دندان هایش را نشان می دهد یا از هزاران عکس العمل احتمالی بیشتر نشان می دهد.

از سوی دیگر، سیستم های فنی اغلب هوشمند نیستند. واکنش آنها به همان رویداد نمی تواند به شدت تغییر کند. سیستم کنترل اتوماتیک فشار گاز در لوله می تواند دمپر را باز و بسته کند (پارامترهای کنترلی)، اما نمی تواند تصمیم بگیرد که دمپر را به طور کامل از لوله باز کند. اگر قبل از شکست خط لوله گاز، تغییر فشار رخ دهد (به عنوان مثال، ابتدا افزایش شدید و سپس کاهش شدید)، سیستم اتوماتیک این وضعیت را به عنوان یک وضعیت عادی درک می کند و سعی می کند با حرکت دادن دمپر آن را "تنظیم" کند. حتی اگر بعد از هر حادثه یک بلوک جدید به سیستم کنترل اضافه کنیم و پارامترهای وضعیت قبلی را دقیقاً ثابت کنیم، چیزی تغییر نخواهد کرد. صرف جمع آوری داده ها، سیستم را "آموزش" نمی دهد.

واقعیت این است که توله سگ با دریافت درسی از گربه، نه تنها پارامترهای موقعیت (طول پنجه ها و سرعت واکنش) را به یاد می آورد، بلکه قوانین رفتار را نیز به یاد می آورد (نزدیک نشوید، نروید). بینی خود را بچرخانید، اگر پارس کنید، او فرار می کند).

سیستم فکری سیستمی است که تفکر انسان را در رایانه شبیه سازی می کند.

تعریف دوم در دهه 60 او ظاهر شد، زمانی که اعتقاد بر این بود که مغز انسان می تواند بر روی یک کامپیوتر مدل شود. سلول های مغزی - نورون ها به صورت برنامه ای با روش های ریاضی خاصی توصیف شدند. بنابراین برنامه کامپیوتری، به عنوان مثال، بخشی از مغز انسان را نشان می دهد. برخی از داده ها به ورودی برنامه داده شد (یک سیگنال الکتریکی به ورودی یک سلول مغزی در یک موجود زنده ارائه می شود)، نتایج در خروجی گرفته شد که با استاندارد مقایسه شد. بسته به نحوه انحراف نتایج از استاندارد، تغییراتی در ضرایب محاسبه شده ایجاد شد. بسته به تعداد چرخه های چنین "یادگیری"، نتایج کار یک مغز بسیار کوچک انسان است.

ایده توانایی تکثیر مغز روی کامپیوتر تا دهه 80. قرن بیستم به طور کامل شکست خورد، اما نظریه شبکه های عصبی، رویکرد شبکه عصبی ثابت کرد که در تعدادی از کاربردهای عملی مفید است. نتایج خوبی در درجه اول در مسائل پیش بینی مقادیر پارامترها و تشخیص الگو به دست آمده است.

سیستم فکری سیستمی است که به شما امکان می دهد فعالیت فکری یک فرد را از طریق گفتگوی معنادار با او افزایش دهید.

تا پایان دهه 80. کاملاً آشکار شد که ایجاد یک هوش مصنوعی جهانی غیرممکن است. علاوه بر این، معلوم شد که این کاملاً غیر ضروری است، باید سیستم های هوشمند بسیار تخصصی ایجاد شود که جایگزین فرد نشوند، بلکه او را تکمیل کنند. یک فرد دارای تعدادی ویژگی منحصر به فرد است، اما عاری از کاستی نیست. هیچ کس عکس العمل یک گربه را ندارد. هیچ یک از ما قادر به خواندن رمان L.N. "جنگ و صلح" تولستوی در یک دقیقه، به ندرت کسی حافظه دایره المعارفی دارد. کامپیوتر دارای حافظه دایره المعارفی است، کامپیوتر میلیون ها عملیات را در ثانیه انجام می دهد، کامپیوتر فورا واکنش نشان می دهد. اما کامپیوتر یک "آهن احمقانه" است، قادر به فکر کردن نیست، قادر نیست مسئول اعمال خود باشد.

بیایید بر ارتباط فعالیت مشترک انسان و ماشین تأکید کنیم. لازم است که رایانه به عنوان یک مشاور برای یک فرد عمل کند، به سرعت موقعیت را تجزیه و تحلیل کند، گزینه هایی را برای عمل بر اساس یک حافظه عظیم ایجاد کند و به شخص ارائه دهد، و فرد گزینه های پیشنهادی را در نظر بگیرد و توضیح دهد که چرا این یا آن گزینه بد است. رایانه با در نظر گرفتن توضیحات دریافت شده، مجدداً همه گزینه ها را برای عمل تجزیه و تحلیل می کند و گزینه های جدید را ارائه می دهد و فرد گزینه مناسب را انتخاب می کند و مسئولیت اجرای آن را بر عهده می گیرد.

مثال: یک سیستم هدایت خودکار موشک هدف را شناسایی کرده است. هدف شناسایی شده است. هدف تقریباً فوراً شناسایی شد، فرد حتی وقت نداشت که متوجه آن شود. موشک به طور خودکار به سمت هدف نشانه رفت. این درخواست به هدف "دوست یا دشمن" ارسال شد. هدف در پانل کنترل جلوی اپراتور ظاهر شد، فرد در مورد شکست تصمیم گرفت، نوع سلاح را انتخاب کرد و دکمه "نابودی" را فشار داد. در مورد ردیابی هدف کاملاً خودکار، خطر واقعی نابودی هواپیمای شما وجود خواهد داشت. در حالت مخالف، اگر فردی با ارسال درخواست مشغول هدف گیری هدف باشد، ممکن است زمان از دست برود.

بنابراین، امروزه هوش مصنوعی یک ابزار خودآموز است که فعالیت انسان را در تولید و تصمیم گیری افزایش می دهد.

1.1 زمینه های فعلی تحقیق در هوش مصنوعی

در دهه آخر قرن گذشته، جهت گیری های مهم زیر در توسعه سیستم های هوشمند به وضوح نشان داده شد. [D.V. اسمولین - "مقدمه ای بر هوش مصنوعی" -23 ص. 2]

1 سیستم های شبیه سازی فرآیندهای خلاق. خلق آثار موسیقایی، حل مسائل بازی (شطرنج، چکرز، دومینو)، ترجمه خودکار، اثبات قضایا، تشخیص الگو، تقلید از تفکر و ....

تلاش برای برنامه‌نویسی بازی‌ها بر روی رایانه از مشخصه‌های هوش مصنوعی مدرن از ابتدای پیدایش آن بوده است. [ E. هانت هوش مصنوعی. انتشارات میر 1978-25c. 3]

2 سیستم های اطلاعاتی مبتنی بر دانش (سیستم های خبره) یعنی. مشاوره به کاربران بی تجربه، راه اندازی تجهیزات، آموزش و غیره.

3 سیستم های اطلاعاتی هوشمند - برنامه های بزرگ و بسیار بزرگ طراحی شده برای حل مسائل در حوزه موضوعی بر اساس مدل های ریاضی و الگوریتمی و داشتن قابلیت گفتگوی معنادار با کاربر به منظور ساده سازی مدیریت، کاهش حجم کار انسانی، بهبود. کیفیت و غیره

4 رباتیک از نقطه نظر "هوش" چندین نسل از روبات ها وجود دارد. نسل اول - دستکاری های رباتیک که طبق یک برنامه از پیش تأیید شده و بدون تغییر کار می کنند (به عنوان مثال، تغذیه قطعات کار به دستگاه). اگر در حین کار به دلایلی فاصله تا قطعه کار تغییر کند، ربات آن را از دست می دهد. نسل دوم - روبات های تطبیقی. اعضای چنین روبات‌هایی مجهز به تعداد زیادی حسگر هستند: گونیومتر، کرنش سنج، آنالایزر گاز و غیره. از این قبیل ربات‌ها به عنوان مثال برای جوشکاری بدنه خودرو استفاده می‌شود. واقعیت این است که محصولات فنی نسبتاً بزرگ، حتی محصولات تولید انبوه، هنوز هم منحصر به فرد هستند. طول دو خودروی یک برند متفاوت است. ربات تطبیقی ​​درز را نه در مختصات مطلق، بلکه نسبت به نقطه خاصی از ابتدای گزارش که روی بدنه خودرو پیدا می کند، جوش می دهد. در صورت لزوم، فرد - جوشکار کنترل را به دست می گیرد و ربات با یادآوری اقدامات خود در یک موقعیت جدید، "یاد می گیرد". دو نوع اول ربات ها ربات های صنعتی هستند که برای کار در یک محیط از پیش تعیین شده - کارگاه های کارخانه طراحی شده اند. برای جهت یابی و موقعیت یابی دقیق در فضا، تعداد زیادی نقطه کنترل - سنسورها وجود دارد که مختصات آنها بدون تغییر است. برای رباتی که در دنیای واقعی است، به عنوان مثال، یک کشتی غرق شده را بررسی می کند، بسیار دشوارتر است. ما باید به این سؤالات پاسخ دهیم: "من کجا هستم؟"، "چه چیزی در مقابل من است؟"، "می توانم به آنجا بروم؟" و غیره. روبات‌های هوشمند باید داده‌های حسگرها و دستورات انسانی خود را در زمان واقعی پردازش کنند، و اگر پیش‌بینی رویدادها نیز ارائه شود، در یک «فوق مجازی» (مثلاً برای کنترل وسایل نقلیه استفاده می‌شود). مشکلات مشابهی برای روبات های جستجوگر ایجاد می شود - کلاس ویژه ای از برنامه های طراحی شده برای فهرست بندی اسناد در اینترنت جهانی که عملکرد موتورهای جستجو را تضمین می کند.

5 تشخیص برنامه های تشخیصی پزشکی بر اساس تحلیل احتمالی توانسته اند به سطح یک پزشک مجرب در چندین زمینه پزشکی دست یابند. هکرمن موردی را توصیف کرد که در آن یک متخصص برجسته در آسیب شناسی غدد لنفاوی با تشخیص این برنامه در یک مورد به خصوص دشوار مخالف بود. سازندگان این برنامه پیشنهاد کردند که این پزشک از رایانه در مورد این تشخیص توضیح بخواهد. دستگاه به عوامل اصلی که بر تصمیم او تأثیر گذاشت اشاره کرد و تفاوت های ظریف تعامل چندین علامت مشاهده شده در این مورد را توضیح داد. در نهایت کارشناس با تصمیم برنامه موافقت کرد.

6 برنامه ریزی تامین در طول بحران خلیج فارس در سال 1991، ارتش ایالات متحده سیستم DART (تحلیل و برنامه ریزی مجدد پویا) را برای ارائه برنامه ریزی خودکار تامین و برنامه ریزی حمل و نقل مستقر کرد. عملکرد این سیستم به طور همزمان تا 50000 خودرو، واحد بار و نفر را تحت پوشش قرار می دهد. باید نقاط مبدا و مقصد، مسیرها را در نظر می گرفت و همچنین تضاد بین تمام پارامترها را از بین می برد. روش‌های برنامه‌ریزی مبتنی بر هوش مصنوعی این امکان را فراهم می‌آورد که در عرض چند ساعت برنامه‌هایی را توسعه دهند که طراحی آن‌ها با روش‌های قدیمی هفته‌ها طول می‌کشید. مقامات آژانس پروژه تحقیقاتی پیشرفته دفاعی (دارپا) گفتند که این برنامه به تنهایی سرمایه گذاری 30 ساله آژانس در زمینه هوش مصنوعی را پس داده است.

7 برنامه ریزی و زمان بندی مستقل. عامل از راه دور ناسا که در صدها میلیون کیلومتر از زمین کار می کند، اولین برنامه زمان بندی مستقل و مستقلی بود که برای مدیریت عملیات برنامه ریزی فضاپیما طراحی شد. برنامه Remote Agent برنامه هایی را بر اساس اهداف سطح بالایی که از زمین تعیین شده بود، توسعه داد و همچنین عملکرد فضاپیما را در طول اجرای برنامه ها کنترل کرد: مشکلات را در صورت وقوع شناسایی، تشخیص و تصحیح کرد.

2. کاربردهای هوش مصنوعی

اخیراً استفاده و پیاده سازی بسیار فعال شبکه های عصبی در زمینه های مختلفی از جمله: فناوری، زمین شناسی، فیزیک، تجارت و غیره صورت گرفته است. شکل 2 یک شبکه عصبی را نشان می دهد.

برنج. 2 "شبکه عصبی"

شبکه های عصبی هر جا که برای حل مسائل مربوط به مدیریت، پیش بینی و طبقه بندی لازم باشد، استفاده می شوند. چنین استفاده فعال به دلایل زیر است:

امکانات گسترده برای بازتولید وابستگی های بسیار پیچیده، از روش های مدل سازی قدرتمندی استفاده می شود که با استفاده از شبکه های عصبی پیاده سازی می شوند. برای مدت طولانی، مدل سازی خطی در اکثر مناطق مورد استفاده قرار گرفت، این روش اصلی بود، زیرا روش های مختلف بهینه سازی شده برای آن توسعه یافته بود. مدل های خطی در مسائل در جایی که تقریب خطی خیلی خوب عمل نمی کند ضعیف عمل می کنند. و همچنین شبکه های عصبی به دلیل جلوگیری از "نفرین ابعاد" اجازه فعالیت در مورد تعداد زیادی از متغیرها را نمی دهند.

آسان برای استفاده. شبکه های عصبی قادر به یادگیری از مثال ها هستند. فردی که از شبکه عصبی استفاده می کند داده های لازم را انتخاب می کند، سپس به او فرصت داده می شود تا الگوریتم یادگیری را اجرا کند که به طور خودکار داده ها را می پذیرد. البته از کاربر، مقداری دانش اکتشافی در مورد نحوه انتخاب و تهیه داده، انتخاب معماری شبکه لازم و پردازش نتایج مورد نیاز است. برای استفاده از شبکه های عصبی، دانش بسیار پایین تری نسبت به استفاده از روش های آماری سنتی مورد نیاز است.

شبکه های عصبی بسیار جذاب هستند زیرا بر اساس یک مدل ساده از سیستم عصبی ساخته شده اند. در آینده ای نزدیک، توسعه چنین مدل هایی در واقع می تواند در خدمت ایجاد ماشین های تفکر (کامپیوتر) باشد. یک سیستم شبکه عصبی ST وجود دارد که قادر به ایجاد شبکه های عصبی ساده است که موهبتی برای آماردانان کاربردی است.

2.1 کاربرد شبکه های عصبی

وظایفی که شبکه های عصبی حل می کنند با نحوه عملکرد و یادگیری شبکه تعیین می شوند. شبکه عصبی با حل مسائل معین، مقادیری را تولید و می پذیرد. شبکه برای به دست آوردن برخی اطلاعات ناشناخته از اطلاعات موجود و شناخته شده استفاده می شود. نمونه کارهای مشابه:

پیش بینی در بورس

با دانستن قیمت سهام در هفته گذشته می توانید قیمت سهام را برای فردا پیش بینی کنید.

ارائه وام.

یک شخص خصوصی به بانک مراجعه کرد. باید مشخص شود که آیا درجه ریسک ارائه وام بالا است یا خیر.

کنترل . باید اقدامات ربات را مشخص کرد تا به لطف دوربین نصب شده روی آن به هدف خود برسد.

همه مشکلات را نمی توان با استفاده از شبکه های عصبی حل کرد. اگر تصمیم بگیرید با دانستن قد خود نتیجه قرعه کشی را تعیین کنید، هیچ چیز جواب نمی دهد، زیرا این چیزها هیچ ارتباطی با یکدیگر ندارند. اگر قرعه کشی بدون تقلب انجام شود، چنین اطلاعاتی وجود ندارد که بتواند نتیجه بازی را با دقت پیش بینی کند.

یکی دیگر از شرایط به همان اندازه مهم برای استفاده از شبکه های عصبی: باید با اطمینان دانست که بین ورودی شناخته شده و مقادیر خروجی ناشناخته رابطه وجود دارد. این اتصال می تواند توسط نویز مخدوش شود، اما باید وجود داشته باشد.

یک شبکه عصبی معمولاً زمانی استفاده می شود که نوع دقیق اتصالات بین خروجی ها و ورودی ها ناشناخته باشد - اگر آنها شناخته شده باشند، می توان اتصال را مستقیماً مدل کرد. یکی دیگر از ویژگی های به همان اندازه مهم شبکه های عصبی آموزش شبکه است. دو نوع الگوریتم برای آموزش شبکه های عصبی استفاده می شود: کنترل شده و کنترل نشده. اغلب از یادگیری تحت نظارت استفاده می شود.

برای آموزش هدایت شده، کاربران باید یک بسته داده آموزشی را از قبل آماده کنند. آنها نمونه هایی از ورودی ها و خروجی ها هستند. شبکه ها یاد می گیرند که بین آنها ارتباط برقرار کنند. چنین داده های آموزشی معمولاً از تاریخ گرفته می شود. در مثال‌هایی که در بالا مورد بحث قرار گرفت، چنین داده‌هایی می‌توانند قیمت سهام قبلی، اطلاعات در مورد وام گیرندگان گذشته - نحوه انجام تعهدات خود به بانک باشند.

در مرحله بعد، شبکه عصبی با استفاده از یک الگوریتم یادگیری نظارت شده خاص به منظور کاهش خطای پیش‌بینی به هیچ عنوان آموزش داده می‌شود. اگر سطح یادگیری شبکه بالا باشد، می‌تواند یک تابع ناشناخته را مدل‌سازی کند که متغیرهای ورودی و خروجی را به هم مرتبط می‌کند. در آینده می توان از چنین شبکه ای برای پیش بینی موقعیت های مختلف با مقادیر خروجی ناشناخته استفاده کرد.

3. کاربرد هوش مصنوعی

3.1 استراتژی و طرح احتمالی هوش مصنوعی

بدون آزمایش هیچ علمی وجود ندارد، تعیین درستی مسیر انتخاب شده غیرممکن است، بنابراین لازم است:

1) ایجاد یک زیستگاه نمونه اولیه مجازی، زیرا مونتاژ یک معجزه مکانیکی با سنسورهای بسیار بسیار دشوارتر و گرانتر است.

2) شبیه سازی حسگرهایی مانند شنوایی، بینایی مجازی ("بینایی" - به شکل فضای مجازی، دوربین فیلمبرداری و "INET")، دست ها و پاهای مجازی، که می تواند به روشی بسیار ساده انجام شود، نکته اصلی این است که برای آموزش IR صحبت کردن، فشار دادن کلیدها، انجام حرکات مجازی بازوها، پاها و سایر قسمت های مجازی مانند نشانگر ماوس.

4) یک نمونه اولیه IR ایجاد کنید - یعنی. الگوریتم‌هایی برای عملکرد و رشد سلول‌ها، الگوریتم‌هایی برای برقراری ارتباط، و غیره، که به یک درجه یا دیگری، کار انواع مختلفی از سلول‌ها و ساختارهای عصبی را تقلید می‌کنند.

5) شروع به "پرورش" هوش مصنوعی در محیط مجازی خود، تعامل با آن و محیط مجازی، تغییر الگوریتم ها و ساختار در طول مسیر، رساندن روند "توجه" به کمال.

استفاده از هوش مصنوعی در جایی که انطباق حیاتی است و الگوریتم های ساده کار نمی کنند بسیار مفید خواهد بود. اول از همه، اینها همه حوزه های مربوط به یک فرد هستند، از کمک در رانندگی ماشین، آسانسور و لوازم خانگی گرفته تا سرگرمی، کمک انسان نما و به طور کلی حل تمام مشکلات کوچکی که یک فرد نمی خواهد هدر دهد. زمان او

به طور کلی، چنین سیستمی می تواند بسیار گسترده تر اعمال شود - به عنوان مثال، به عنوان یک سیستم خودسازمانده، که در مقابل آن فقط یک هدف مشترک تعیین شده است، و اجرای آن از قبل بر روی شانه های خود سیستم قرار می گیرد. بگو، یک معدن برای استخراج معدن حفر کنید. آن ها به طور کلی در هر جایی که بتوانید با اخراج افراد سود ببرید.

3.2 هوش مصنوعی در ارتش

شبکه عصبی هوش مصنوعی

صنعت نظامی با استفاده از آخرین پیشرفت های علمی، همیشه با سرعتی خاص در حال توسعه است. توسعه رایانه و رباتیک از دیدگاه ارتش دور نمانده است و در بسیاری از ارتش های جهان در حال حاضر واحدهای رزمی کاملاً روباتیک وجود دارد - سنگ شکن ها، هواپیماهای بدون سرنشین، ربات های شناسایی، روبات های رزمی در مقادیر کم ظاهر شده اند. اگرچه آنها هنوز کاملاً ابتدایی هستند و شبیه به قهرمانان فیلم "ترمیناتور" از ربات های اندرویدی دور هستند، اما ظاهر چنین واحدهای رزمی فقط موضوع زمان است. شاید روزی آنها علاوه بر اسکلت فولادی، هوش مصنوعی را نیز دریافت کنند که به هیچ وجه از نظر توانایی‌هایش کمتر از مغز انسان نیست.

در حال حاضر، بیشتر رباتیک های مدرن قادر به انجام بسیاری از وظایف پیچیده هستند، اما همچنان به کنترل انسان نیاز دارند. انسان همیشه برای جاودانگی، آسیب ناپذیری تلاش کرده است، او هنوز نمی تواند آنها را به خود بدهد، اما او در حال حاضر قادر به ایجاد ربات های اندرویدی با یک قاب-اسکلت فلزی قوی (با استانداردهای انسانی، تقریباً جاودانه) است. اما برای ایجاد ماشینی برابر با خودش، باید به آن یاد داد که خودش فکر کند. ارتش مدت‌هاست که توجه خود را به تلاش‌ها برای ایجاد هوش مصنوعی (AI) معطوف کرده است، این پیشرفت‌ها تحت نظارت آنها است. نمی‌توان گفت چه زمانی روبات‌هایی که قادر به عمل کاملاً مستقل و بدون دخالت انسان هستند، در میدان جنگ ظاهر می‌شوند، اما احتمال اینکه چنین اتفاقی بیفتد بسیار زیاد است.

در حال حاضر، اصول اولیه هوش مصنوعی برای مدت طولانی در هوانوردی مورد استفاده قرار گرفته است. یک خلبان خودکار مدرن قادر است یک پرواز از برخاست تا فرود را به طور کامل بدون کمک انسان انجام دهد. خودروهای معمولی مجهز به هوش مصنوعی قادرند مسافت های قابل توجهی را بدون کمک انسانی طی کنند. در فرانسه و ژاپن، راه‌آهن‌ها قطارهای خودکاری را اجرا می‌کنند که با هوش مصنوعی کنترل می‌شوند که می‌تواند حداکثر راحتی و راحتی را برای مسافران در طول سفر فراهم کند. امروزه فناوری توسعه هوش مصنوعی شامل چندین رویکرد است که از جمله آنها می توان به موارد زیر اشاره کرد:

1) مدارهای عصبی بر اساس اصولی مشابه کار مغز انسان عمل می کنند. آنها برای دست خط و تشخیص گفتار، در برنامه های مالی، برای تشخیص و غیره استفاده می شوند.

2) الگوریتم‌های تکاملی، زمانی که یک ربات برنامه‌هایی را با جهش آن‌ها، عبور از آنها (تبادل کردن بخش‌هایی از برنامه‌ها) و آزمایش آن‌ها برای انجام برخی وظایف هدف ایجاد می‌کند. در این حالت، برنامه‌هایی که به بهترین اثر دست می‌یابند پس از اجرای آزمایشی زیاد زنده می‌مانند، که اثر تکامل را فراهم می‌کند.

3) منطق فازی - به رایانه اجازه می دهد تا از اصطلاحات و اشیاء دنیای واقعی استفاده کند و با آنها تعامل داشته باشد. با آن، کامپیوتر باید معنای اصطلاحات "انسانی" را درک کند - گرمتر، نزدیک، تقریبا. منطق فازی در لوازم خانگی مانند ماشین لباسشویی، تهویه مطبوع کاربرد پیدا می کند.

در عین حال، اخیراً توجه بیشتری به روان‌شناسی و مشاهدات مغز انسان که با کمک آن به دست می‌آید، معطوف شده است. یک شخص تقریباً درک می کند که چگونه عقل و آگاهی ما مرتب شده است. اسکن های مغزی و بسیاری از آزمایش ها نشان داده اند که تمام افکار و احساسات ما تجسم فیزیکی بسیار واقعی دارند. هر فکری اساساً دنباله ای از فعال شدن زنجیره ای از نورون ها در مغز ما است. این بدان معنی است که می توان این فرآیند را مطالعه کرد و یاد گرفت که آن را مدیریت کند، شبیه سازی های کامپیوتری انجام دهد. در حال حاضر، مدل‌های رایانه‌ای وجود دارد که مدل‌های نورون‌های انسان و حیوان را شبیه‌سازی می‌کنند. دانشمندان موفق شدند به طور کامل کار ساده ترین حیوان - ماهی مرکب را توصیف کنند. اولین مدل ها ظاهر می شوند که سیستم های عصبی و الکترونیک سیلیکونی را ترکیب می کنند.

همه اینها به دانشمندان دلیلی می دهد که باور کنند تا سال 2030 رایانه ها قادر خواهند بود به چنان قدرت محاسباتی دست یابند که با توانایی های مغز انسان برابری کند. در واقع، این امکان بارگیری آگاهی انسان را در رایانه فراهم می کند. حتی بیشتر محتمل است که در سال 2020 مبانی نظری آگاهی یک ذهن کاملاً ماشینی ایجاد شود. در هر صورت، بین سال های 2025 تا 2035، هوش مصنوعی قادر خواهد بود با توانایی های انسان برابری کند و از آن پیشی بگیرد.

3.3 آینده هوش مصنوعی

صنعت فناوری اطلاعات یکی از پویاترین حوزه های زندگی در حال توسعه است. طبق قانون مور، در سال 2020 کامپیوترها به قدرت مغز انسان خواهند رسید، زیرا. قادر خواهد بود 20 کوادریلیون (یعنی 20،000،000 میلیارد) عملیات را در ثانیه انجام دهد و به گفته برخی آینده پژوهان، تا سال 2060، رایانه با قدرت ذهن با کل بشریت برابری می کند. با این حال، در سال 1994، یک رایانه شخصی مبتنی بر پردازنده پنتیوم اینتل با فرکانس مضحک و مضحک 90 مگاهرتز امروزی، چندین تن از قوی ترین استادان بزرگ جهان را در یک سری مسابقات شطرنج شکست داد، از جمله قهرمان حاکم سیاره، گری کاسپاروف. .

همان گوردون مور در اواسط دهه 90 سرعت توسعه فناوری‌های ریزپردازنده و صنعت خودرو را اینگونه مقایسه کرد: «اگر صنعت خودرو با سرعتی برابر با صنعت نیمه‌رسانا توسعه می‌یابد، رولزرویس امروز می‌تواند مسافتی را طی کند. نیم میلیون مایل در یک گالن بنزین، و دور انداختن آن برای هر بار ارزان‌تر از پارک کردن آن است.»

فناوری اطلاعات امروزی در حال حاضر توانایی های زیادی را دارد. اخیراً توسعه پایانه های تلماتیک (سیستم های کنترل روی برد) برای اتومبیل ها به طور فعال در حال توسعه بوده است. طبق گزارش شرکت تحلیلی Forrester Research، تا سال 2006 حدود 80 درصد از کل ماشین‌های جدید به پایانه‌های تلماتیک برای پردازش و انتقال اطلاعات مجهز خواهند شد.

امروزه فرصت های واقعی برای استفاده از این نوع فناوری در تقریباً هر خودرویی وجود دارد. به عنوان مثال، گوشی BlueConnect Johnson Controls، یک ماژول ماشین هندزفری یکپارچه مبتنی بر پردازنده‌های Intel PXA250 و Intel PXA210، به راننده اجازه می‌دهد تا با استفاده از تلفن همراه و فناوری بلوتوث، فعالیت‌های فعال صوتی مختلفی را انجام دهد.

دستگاه دیگری که از پردازنده‌های جدید استفاده می‌کند، پلتفرم چند رسانه‌ای داخل خودرو است که دسترسی آفلاین به منابعی مانند ویدئو DVD و صدای MP3 را که از طریق شبکه انتقال سیستم رسانه‌گرا (MOST) پخش می‌شود، فراهم می‌کند.

صنعت خودرو تنها یکی از بسیاری از حوزه‌های زندگی است که در آن ریزپردازنده‌ها فضای بیشتری به دست می‌آورند. بدیهی است که هر سال از ریزپردازنده های قوی تری در تعداد فزاینده ای از دستگاه های مختلف خانگی استفاده می شود. اخیراً متخصصان اینتل ترانزیستورهایی ساخته اند که سرعت آنها تقریباً 1000٪ از سرعت Pentium 4 بیشتر است. بدین ترتیب ثابت شد که هیچ مانع اساسی برای ادامه توسعه ریزپردازنده ها طبق قانون مور تا پایان دهه جاری وجود ندارد.

این ترانزیستورها که تنها 20 نانومتر اندازه دارند، به اینتل اجازه می دهند تا سال 2007 پردازنده هایی با یک میلیارد ترانزیستور ایجاد کند که در فرکانس های حداکثر 20 گیگاهرتز با ولتاژ تغذیه حدود 1 ولت کار می کنند. و مدیریت این شرکت در حال حاضر در مورد پردازنده های آینده با سرعت کلاک تا 30 گیگاهرتز صحبت می کند. پیش نیازهای تولید چنین ریزپردازنده هایی در اینتل قبلاً ایجاد شده است.

به عنوان مثال، امروزه پروژه Psikharpax در آزمایشگاه Animat در حال توسعه است، جایی که برخی از مکانیسم‌های تطبیقی ​​و ساختارهای عصبی مسئول ناوبری فضایی در موش‌ها در یک ربات سنتز می‌شوند. توانایی‌های این موش ربات از طریق «یادگیری بدون نظارت» رشد می‌کند، یعنی انیمت نقشه شناختی از محیط می‌سازد و با استفاده از مکانیسم‌هایی مشابه با مکانیسم‌هایی که مغز موش استفاده می‌کند، استراتژی‌های رفتار انطباقی را توسعه می‌دهد. گروه رباتیک انسان نما در آزمایشگاه هوش مصنوعی MIT در حال حاضر در حال توسعه ربات های میمون مانند و متحرک (Kismet، Soso) با مجموعه رفتاری بسیار پیچیده تر از اولین روبات های حشره مانند است، که به ویژه شامل توانایی اجتماعی است. تعاملات و پاسخ های عاطفی عاطفی.

علاوه بر این، آزمایش با چنین روبات‌هایی ممکن است ظهور ایده‌های جدیدی را تحریک کند که اصول رفتار سازگارانه را روشن می‌کند. حداقل، چنین آزمایش‌هایی امکان قطع نظریه‌های آشکارا غیر واقعی را فراهم می‌کنند. مدل سازی به عنوان وسیله ای برای از بین بردن خطاها ابزار قدرتمندی برای درک نحوه عملکرد مغز است. بنابراین، بسیاری از دانشمندان علوم اعصاب اصرار دارند که تئوری های نحوه عملکرد مغز باید به صورت الگوریتمی فرموله شوند تا امکان شبیه سازی فراهم شود. یکی از برجسته‌ترین عصب‌شناسان نظری، جرالد ادلمن، برنده جایزه نوبل، همچنین یکی از پیشگامان یادگیری تکاملی برای روبات‌ها بود. ادلمن، که نظریه بنیادی مغز و پایه های بیولوژیکی آگاهی را ایجاد کرد، در حال توسعه یک سری از روبات های NOMAD در موسسه کالیفرنیا (موسسه علوم اعصاب) است. این روبات ها همچنین دارای نام عمومی «داروین» هستند. هر "داروین" جدید عملاً بدون آموزش وارد جهان می شود، اما در مواجهه با اشیاء دنیای بیرون و داشتن نوعی ترجیح ذاتی، شروع به توسعه مقوله های انتزاعی خود می کند. ربات دانشی به دست می آورد که می تواند در کارهای دیگر از آن استفاده کند. یعنی یکی از اصولی شروع به کار می کند که ظاهراً تکامل مکانیسم های هوش پیش رفت.

نتیجه

در حال حاضر، اختلافات فعالی در مورد مشکل امکان ایجاد هوش مصنوعی وجود دارد. بسیاری بر این باورند که ایجاد هوش مصنوعی باعث تنزل کرامت انسان می شود. امکانات هوش مصنوعی را نباید با سوالاتی در مورد بهبود و توسعه ذهن انسان اشتباه گرفت.

در دنیای مدرن، هوش مصنوعی تقریباً در همه جا استفاده می شود، این پیش نیازها را برای انگیزه جدیدی برای پیشرفت ایجاد می کند. هوش مصنوعی به شما این امکان را می دهد که تولید را خودکار کنید و در نتیجه بهره وری نیروی کار را انجام دهید. اما سایبرنتیک با داشتن تعداد زیادی مزیت، معایبی نیز دارد که نیازمند توجه بسیار دقیق بشر است. این معایب با خطری همراه است که هنگام کار با هوش مصنوعی به وجود می آید.

یکی از مشکلات مربوط به احتمال از دست دادن انگیزه افراد برای کار خلاق است. همه اینها تقصیر کامپیوتری شدن عمومی و استفاده از ماشین آلات در هنر است. اما با این وجود، مشخص شد که مردم به طور داوطلبانه از واجد شرایط ترین کار خلاقانه دست نمی کشند، زیرا برای خود مردم جذاب است.

دسته دوم مشکلات جدی تر است و شامل موارد زیر است. در حال حاضر برنامه ها و ماشین هایی وجود دارند که در جریان کار خود قادر به یادگیری هستند، یعنی با عوامل خارجی سازگار می شوند. در آینده نزدیک، ممکن است ماشین‌هایی وجود داشته باشند که از چنان سطحی از قابلیت اطمینان و سازگاری برخوردار باشند که شخص نیازی به مداخله در فرآیند نداشته باشد. در این حالت ، فرد از انجام وظیفه خود - کارکرد یافتن راه حل ، دست می کشد.

ممکن است یک فرد در واکنش مناسب به تغییرات شرایط خارجی ناتوان شود و همچنین ممکن است در مواقع اضطراری دیگر قادر به کنترل خود نباشد. لازم است محدودیت هایی در اتوماسیون فرآیندهایی که با شرایط اضطراری شدید همراه هستند، معرفی شوند، در این صورت فرد ناظر بر ماشین کنترلی همیشه واکنش کافی و توانایی عمل صحیح در شرایط پیش بینی نشده را خواهد داشت.

شرایط مشابه در انرژی هسته ای و حمل و نقل ممکن است. به ویژه چنین خطری در نیروهای موشکی قابل توجه است، زیرا یک اشتباه می تواند عواقب ناگواری داشته باشد.

معلوم می شود که حتی در مواقعی که چندین بار بررسی و تکرار می شود، احتمال خطا بسیار زیاد است. عدم وجود اپراتور کنترل کننده می تواند منجر به یک خطای مهلک شود.

مشکلات هوش مصنوعی همیشه توسط انسان حل خواهد شد. مشکلات بیشتر و بیشتر ظاهر می شود و به نظر می رسد که این روند بی پایان است.

در این مقاله برخی از مشکلات هوش مصنوعی، وظایف هوش مصنوعی، تاریخچه مختصری از پیدایش هوش مصنوعی، زمینه های کاربرد هوش مصنوعی، استفاده از هوش مصنوعی در نیروهای مسلح و همچنین شبکه های عصبی مورد بررسی قرار گرفت. مطالب این دوره مورد علاقه افراد علاقه مند به فناوری های مدرن در زمینه هوش مصنوعی خواهد بود. اهداف تعیین شده برای کار دوره محقق شد.

واژه نامه

فهرست منابع استفاده شده

1 دیمیتروویچ A.I. سیستم های اطلاعاتی هوشمند./ Dmitrovich A.I. - مینسک، - 1997. -125 ص. -شبکه: 5-86534-576-6

2Brushlinsky A.V. آیا هوش مصنوعی امکان پذیر است؟/. -263 ص. -شبکه: 5-86425-523-1

3I.A. بسمرتنی. هوش مصنوعی - سنت پترزبورگ: دانشگاه ایالتی سنت پترزبورگ ITMO، 2010. -168 ص.

4Wiener N. Science، نسخه الکترونیکی، / Viner N. - M. Cybernetics - 1998. -211 p. -شبکه: 5-15248-325-3

5Venda V.F. سیستم های هوش هیبریدی/Venda V.F. - M.: Mashinostroenie, - 1990. -232 p. -شبکه: 5-86475-354-8

6Volgin L.I. جبر مکمل شبکه های عصبی / Volgin L.I. - Tallinn JSC "KLTK"، - 2003. -123 p. -شبکه: 5-86452-276-4

7Notkin L.I. هوش مصنوعی و مشکلات یادگیری / Notkin L.I. -132 ص. -شبکه: 5-83334-336-9

8Sokolov E.N.، Vaitkyavichus G.G. هوش عصبی: از یک نورون تا یک کامپیوتر عصبی: Nauka - 1989. -455 p. -شبکه: 5-83652-526-4

9Fedyukovich N. I. آناتومی و فیزیولوژی: Proc. کمک هزینه / Fedyukovich N.I. - مینسک: انتشارات LLC "Polifact-Alpha"، - 1999. -115 p. -شبکه: 5-86324-476-8

10Tsygankov V.D. Neurocomputer و کاربرد آن / Tsygankov V.D. - M.: SolSystem, - 1993. -223 p. -شبکه: 5-84534-376-3

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

12Andrew A. Artificial Intelligence / Andrew A. - M. Mir, - 1985. -187 p. -شبکه: 5-26552-745-1

میزبانی شده در Allbest.ru

اسناد مشابه

مفهوم هوش مصنوعی به عنوان ویژگی های سیستم های خودکار برای به عهده گرفتن عملکردهای فردی هوش انسانی. سیستم های خبره در حوزه پزشکی. رویکردهای مختلف برای ساخت سیستم های هوش مصنوعی ایجاد شبکه های عصبی

ارائه، اضافه شده در 2015/05/28


تاریخچه خلقت و جهات اصلی در مدل سازی هوش مصنوعی. مشکلات آموزش ادراک و شناخت بصری. توسعه عناصر هوش ربات ها. تحقیق در زمینه شبکه های عصبی. اصل بازخورد وینر

چکیده، اضافه شده در 2009/11/20


ماهیت و مشکلات تعریف هوش مصنوعی، وظایف و کارکردهای اصلی آن. مشکلات فلسفی ایجاد هوش مصنوعی و تضمین ایمنی انسان هنگام کار با ربات. انتخاب راه ایجاد هوش مصنوعی.

کار کنترل، اضافه شده در 12/07/2009


حوزه هایی از فعالیت های انسانی که می توان هوش مصنوعی را در آنها به کار برد. حل مسائل هوش مصنوعی در علوم کامپیوتر با استفاده از طراحی پایگاه های دانش و سیستم های خبره. اثبات خودکار قضیه

مقاله ترم، اضافه شده در 2013/08/29


بررسی استانداردهای آموزشی تربیت معلم در زمینه هوش مصنوعی. ساخت مدل دامنه در قالب شبکه های معنایی. ویژگی های یادگیری مبتنی بر مسئله. ابزار اصلی زبان برنامه نویسی Prolog.

پایان نامه، اضافه شده در 2013/01/10


هوش مصنوعی یک جهت علمی است که با مدلسازی ماشینی عملکردهای فکری انسان مرتبط است. ویژگی های هوش مصنوعی توسعه هوش مصنوعی، جهت گیری های امیدوارکننده در تحقیق و مدل سازی آن.

چکیده، اضافه شده در 2010/11/18


جوهره هوش مصنوعی، حوزه های فعالیت انسانی که در آن رایج است. تاریخچه و مراحل توسعه این پدیده. ایده های اول و اجرای آنها قوانین رباتیک استفاده از هوش مصنوعی برای اهداف تجاری

چکیده، اضافه شده در 1394/08/17


مروری تاریخی بر توسعه کار در زمینه هوش مصنوعی. ایجاد الگوریتم و نرم افزار برای رایانه ها، که اجازه می دهد تا مشکلات فکری را بدتر از یک شخص حل کنید. از بازی های منطقی تا تشخیص پزشکی.

چکیده، اضافه شده در 2009/10/26


آیا هوش مصنوعی در این سطح از توسعه فناوری و فناوری می تواند از هوش انسانی پیشی بگیرد؟ آیا یک فرد در تماس می تواند هوش مصنوعی را تشخیص دهد؟ فرصت های اصلی برای کاربرد عملی هوش مصنوعی.

ارائه، اضافه شده در 03/04/2013


سیر تکاملی سیستم های هوش مصنوعی دستورالعمل های توسعه سیستم های هوش مصنوعی بازنمایی دانش مشکل اصلی سیستم های هوش مصنوعی است. تابع عضویت چیست و کجا استفاده می شود؟

آیا هوش مصنوعی (AI) بر بشریت پیروز خواهد شد؟ ایلان ماسک، بنیانگذار تسلا، این فرض را رد می کند. برای اطمینان از این موضوع، این مبتکر معروف 10 میلیون دلار آمریکا را در 37 پروژه علمی مختلف سرمایه گذاری کرده است.

علیرغم قاطعیت ایلان ماسک و همفکرانش که در میان آنها بیل گیتس و استیون هاوکینگ هستند، اکثر دانشمندان پذیرش هوش مصنوعی توسط مردم را پیش بینی می کنند. فقط باید به MindMeld (پردازش زبان طبیعی از طریق دستیارهای صوتی و چت) یا VIV (توسعه دستیارهای "هوشمند") نگاه کرد. اعتقاد بر این است که 10-15 سال آینده نقطه عطفی برای جمعیت جهان خواهد بود. علاوه بر این، معرفی نه تنها در سطح فناوری اطلاعات، بلکه در افکار عمومی، قوانین و عادات روزمره نیز صورت خواهد گرفت.

این به دو عامل مربوط می شود.

اول، یک ربات هوش مصنوعی می تواند فرآیندهایی را که نیاز به مداخله انسانی دارند، خودکار کند. دوم اینکه قادر به پردازش و تجزیه و تحلیل حجم عظیمی از اطلاعات است. مزیت کامپیوتر این است که توانایی کارکرد آن به عامل انسانی ربطی ندارد، چه مشکلات شخصی و چه بد خلقی.

بنابراین، هوش مصنوعی کاربرد وسیعی دارد: در پزشکی، صنعت، آموزش، کشاورزی، ترافیک و زندگی روزمره در همه جا حاضر است.

دارو

حافظه هوش مصنوعی در این زمینه و همچنین توانایی تولید و مقایسه حجم عظیمی از اطلاعات ارزشمند است.
چندین سال است که همه درباره DeepMind Health (توسعه یافته توسط گوگل) می شنوند - دستیاران هوشمندی که نه تنها به پزشکان توصیه می کنند، بلکه استعداد ژنتیکی را برای آسیب شناسی ها نیز پیدا می کنند. بنابراین، IBM Watson در حال شناسایی و توسعه یک برنامه درمانی برای 13 نوع نئوپلاسم بدخیم است: از سرطان دهانه رحم تا روده بزرگ.

هوش مصنوعی حتی به کمک بیماران می آید. برنامه‌های پزشکی از راه دور که داده‌ها را از دستبندهای تناسب اندام و سایر حسگرها جمع‌آوری می‌کنند و همچنین «پرسشنامه‌هایی» که علائم و بیماری‌های دقیق بیماران را مشخص می‌کنند، به طور فزاینده‌ای محبوب هستند. بنابراین، هوش مصنوعی قادر به تشخیص سل و اختلال در اندام های داخلی، از جمله. مغز

برخی از برنامه ها گفتار انسان را تجزیه می کنند و به صورت شفاهی پاسخ می دهند، در حالی که برخی دیگر ارتباطات نوشتاری را ترجیح می دهند. برنامه‌ها اطلاعات لازم را دریافت می‌کنند و سپس توصیه‌هایی درباره اقدامات بعدی ارائه می‌کنند یا داده‌ها را برای درمانگر ارسال می‌کنند. محبوب ترین دستیارهای هوشمند Your.MD و Ada هستند که می توانند از اپ استور یا گوگل پلی دانلود شوند.

اهمیت ویژه ای به سیستم هایی داده می شود که قادر به تولید داروهای جدید هستند. به گفته مدیر ارشد فایزر، جودی سوارز، به طور متوسط ​​12 سال طول می کشد تا یک داروی جدید تولید و به بازار عرضه شود. هوش مصنوعی ایجاد یک ساختار مولکولی و مدل سازی یک دارو را ممکن می کند که کیفیت آن را افزایش می دهد و زمان انتشار داروهای جدید را کاهش می دهد. پیشگامان ایجاد ابررایانه هایی که این مشکل را حل می کنند Atomwise و Berg Health هستند.

صنعت

شرکت های صنعتی بزرگ در کشورهایی مانند ژاپن، چین، ایالات متحده آمریکا، آلمان و سوئیس در حال سرمایه گذاری در فناوری های جدید هستند. امروزه تمایل به کاهش مشاغل مرتبط با کار فکری و افزایش تعداد رایانه ها وجود دارد.

مشاغل زیر در دهه های آینده آسیب خواهند دید:

1. مجموعه ای از جزئیات. هر روز تعدیل کارکنان بیشتر و بیشتر می شود. ربات با به خاطر سپردن دنباله اقدامات، به تنهایی با اتصال قطعات کنار می آید.
2. محاسبات حسابداری در مقایسه با یک فرد، یک ماشین به طور دقیق داده ها را محاسبه می کند و حسابداری "سیاه" و "سفید" را حفظ نمی کند، که برای دولت بسیار مفید است. ابر رایانه ها یاد می گیرند و تصمیمات منطقی می گیرند.
3. تعویض مشاوران این ربات، همتراز با یک فرد، می‌تواند با خریدار در سطح بالایی گفتگو کند و به سؤالات استاندارد پاسخ دهد. الگوریتم ارتباط به دلیل توانایی ماشین در یادگیری و جمع آوری تجربه پیچیده تر می شود.

ربات سازی در آینده نزدیک بر مشاغلی مانند منشی، صندوقدار، کامیون داران و پیشخدمت نیز تأثیر خواهد گذاشت. نمونه ای از اجرای موفقیت آمیز هوش مصنوعی، کارخانه خط H&H بود. فناوری ردیابی چشم به صرفه جویی در 400 ساعت آموزش کارآموز در 1 سال کمک کرد و احتمال تصادفات را کاهش داد.

بررسی فناوری MIT گزارش داد که اندرو انگ، محقق رباتیک و یادگیری ماشین، در حال توسعه پروژه جدیدی به نام Landing.AI است. برای ایجاد مکانیزمی برای تولید در کارخانه ها و کارخانه ها طراحی شده است. اولین شریک آن فاکسکان است که گجت های اپل را تولید می کند.

تحصیلات

در آینده نزدیک، زمینه آموزش به سرعت در دو جهت توسعه خواهد یافت - یادگیری تطبیقی ​​و مراقبت.
یادگیری تطبیقی ​​برای حل مشکل عملکرد تحصیلی مختلف دانش آموزان و دانشجویان طراحی شده است. واقعیت این است که یک نفر مطالب را بسیار سریعتر و با موفقیت بیشتر از دیگری یاد می گیرد. بنابراین، هوش مصنوعی سطح دانش دانش‌آموز را ردیابی می‌کند و ترتیب بلوک‌های دوره را با توانایی‌های او تطبیق می‌دهد یا به معلم اطلاع می‌دهد که دانش‌آموز چقدر مطالب را خوب یاد گرفته است. نمونه ای از چنین سیستمی، پلتفرم سوم یادگیری فضایی است که در حال حاضر در دست توسعه است.

پروکتورینگ کنترل دانش آموزان و دانشجویان در هنگام قبولی در آزمون های کنترل و امتحان است. اگر در گذشته دانش‌آموزان «در زیر اسلحه» وب‌کم بودند، اکنون هوش مصنوعی به کمک می‌آید. این ردیابی می کند که دانش آموز چند وقت یکبار از صفحه رایانه دور نگاه می کند، آیا او برگه را در مرورگر تغییر می دهد یا خیر، آیا صداهای اضافی در اتاق وجود دارد یا خیر. به محض اینکه هوش مصنوعی متوجه هر گونه تخلفی شود، بلافاصله ناظر انسانی را در مورد آن مطلع می کند.

اما آیا یک ماشین می تواند جایگزین یک معلم معمولی شود؟ رزا لوکین، استاد دانشگاه کالج لندن، این موضوع را رد می کند. به گفته او، ارزش یافتن یک سازش را دارد. به هر حال، هدف جایگزینی معلمان با ماشین نیست، بلکه بهبود روند آموزش است. این قطعاً بدون معلم انسانی نیست.

کشاورزی

این تصور که کشاورزی و دامداری صنایعی عقب مانده و قدیمی هستند، مربوط به گذشته است. امروزه رشد شدید بازار جهانی هوش مصنوعی در صنعت کشاورزی ناشی از عواملی است: معرفی سیستم مدیریت داده، اتوماسیون آبیاری، افزایش بهره وری محصولات کشاورزی از طریق معرفی روش های آموزشی و افزایش تعداد. از مردم روی کره زمین در عین حال، رشد بازار هوش مصنوعی به دلیل هزینه بالای جمع آوری اطلاعات در مورد زمین های کشاورزی محدود شده است.

معرفی گسترده رباتیک در کشاورزی با چنین پیشرفت هایی نشان داده می شود:

• وسایل نقلیه هوایی بدون سرنشین. پهپادهای مجهز به رادار و مانیتورینگ جی‌پی‌اس، محصولات را سمپاشی می‌کنند و تحویل مطمئن مواد شیمیایی خطرناک و عکس‌برداری هوایی را ارائه می‌دهند.
• ربات برای برداشت. اگر ماشین‌های برداشت غلات برای مدت طولانی وجود داشته‌اند، اخیراً روباتی ساخته شده است که توت فرنگی را می‌چیند.
• هوش مصنوعی علف های هرز را از بین می برد. Hortibot که توسط دانشگاه آرهوس (دانشگاه آرهوس) در دانمارک ساخته شده است، علف های هرز را به دو روش شناسایی و از بین می برد: مکانیکی و سمپاشی نقطه ای با علف کش. این ربات یک پیشرفت واقعی بود، زیرا تشخیص علف های هرز از گیاهان مفید موفقیت بزرگ رباتیک مدرن در کشاورزی است. علاوه بر این، ماشین هایی ساخته می شوند که آفات و بیماری های محصولات کشاورزی را تشخیص می دهند.

طبق پیش‌بینی‌های تحقیقات بازار انرژی، بازار هوش مصنوعی در صنعت کشاورزی تا سال 2024 24.3 درصد رشد خواهد کرد. این به طور فعال در ایالات متحده و منطقه آسیا و اقیانوسیه توسعه خواهد یافت. Agworld، Farmlogs، Cropx، Microsoft، AGCO و دیگران در لیست بازیگران مرکزی در بازار تجارت هوشمند کشاورزی قرار گرفتند.

ترافیک جاده ای

هدف از معرفی هوش مصنوعی در این زمینه مبارزه با ترافیک است. چنین سیستم هایی در حال حاضر با موفقیت در شهرهای بزرگ اروپا، آمریکای شمالی و آسیا کار می کنند.

جمع آوری اطلاعات از چراغ های راهنمایی، تجزیه و تحلیل تراکم ترافیک، حوادث ترافیکی، داده های آب و هوا و سایر عواملی که ترافیک را ایجاد می کنند - این همان چیزی است که رایانه کار می کند. در نتیجه، سیستم هوشمند جاده‌ها را به‌صورت آنلاین کنترل می‌کند، میزان ترافیک را پیش‌بینی می‌کند و بر اساس آن چراغ‌های راهنمایی را تغییر می‌دهد.

این نه تنها ترافیک جاده را کنترل می کند، بلکه به رانندگان نیز کمک می کند. به عنوان مثال، سیستم، در صورت لزوم، یک کامیون یدک کش را فرا می خواند. واضح است که این راه حل نمی تواند به طور کامل از شر ترافیک خلاص شود، با این حال، سرعت بخشیدن به حرکت در برخی مواقع کاملاً امکان پذیر است.
در صورت استفاده گسترده از وسایل نقلیه بدون سرنشین، این احتمال وجود دارد که پیشرفت قابل توجهی باشد - اینها وسایل نقلیه ای هستند که بدون دخالت انسان قادر به حرکت هستند. آنها توسط گوگل، AKTIV، تسلا موتورز و برخی دیگر توسعه یافته اند.

زندگی

البته همه با "" (خانه هوشمند) آشنا هستند که در آینده به نمونه ای معمولی از هوش مصنوعی تبدیل خواهد شد. بزرگترین تولید کنندگان یاماها، زیمنس، Abb، Beckhoff و Legrand هستند.

چنین تحولاتی زندگی یک فرد را بسیار ساده می کند. به عنوان مثال، چنین سیستمی صبح ها پرده ها را باز می کند، میزبان ها را بیدار می کند و قهوه درست می کند. در آینده، عملکرد "خانه هوشمند" به حدی گسترش می یابد که کمد لباس ها را به طور خودکار بخار می کند و یخچال غذا سفارش می دهد. این راه حل هزینه های مربوط به تامین انرژی، تهویه، گرمایش، تنظیم به یک برنامه زمان بندی مناسب را بهینه می کند.

همچنین جاروبرقی هایی محبوب هستند که نه تنها می توانند اشیا را تمیز کنند، بلکه می توانند اشیاء را جابجا کرده و خود را شارژ کنند.
نمونه دیگری از استفاده روزمره از هوش مصنوعی، مترجم خودکار است. اگر قبلاً «ترجمه ماشینی» چیزهای زیادی را می خواست، امروز وضعیت به طرز چشمگیری تغییر کرده است. این توسط Google Translate نشان داده شده است: الگوریتم مبتنی بر این واقعیت است که رایانه کلمات فردی را درک نمی کند، بلکه کل جمله را درک می کند. این به شما امکان می دهد متنی با کیفیت بالا دریافت کنید، بنابراین در آینده نزدیک این روش مبنای ترجمه خودکار خواهد بود.

اندرویدهای انسان نما نه تنها برای کارهای خانه، بلکه برای ارتباطات نیز استفاده می شوند. یک "دوست" آهنین نمی گذارد شما از خستگی بمیرید و گاهی اوقات عضو کامل خانواده می شود. بنابراین، در چین، یک مرد خوش شانس موفق شد با یک ربات ازدواج کند. معلوم شد که مهندس ژنگ جیاجیا است که عروس خود را ساخته است.

بدون شک، آینده بشر با روبات ها در هم تنیده شده است، زیرا هر سال حوزه های جدیدی از کاربرد هوش مصنوعی در حال توسعه است. به احتمال زیاد، از توانایی های یک فرد پیشی می گیرد، اما در عین حال کیفیت زندگی او را به میزان قابل توجهی بهبود می بخشد. نکته اصلی در اینجا یافتن یک چارچوب معقول است تا زمانی که هوش مصنوعی یاد بگیرد خودش را بازتولید کند. به گفته ایلان ماسک، اکنون ارزش دارد که موضعی فعالانه اتخاذ کرده و استفاده از هوش مصنوعی را حداقل در صنعت نظامی محدود کنیم.

که ممکن است به دلیل اتوماسیون کار شغل خود را از دست بدهند. اما تعداد کمی از مردم به این فکر می کنند که چگونه این فناوری ها می توانند کار انسان را بهبود بخشند و تسهیل کنند. در اینجا چند نمونه آورده شده است.

شما می توانید سریعتر و بهتر کار جستجو کنید و کارمندان را استخدام کنید

الکساندر رینکه، یکی از بنیانگذاران و مدیرعامل Celonis می گوید هوش مصنوعی می تواند به طور قابل توجهی روند یافتن نامزدها را تغییر دهد. هوش مصنوعی Celonis به شما امکان می دهد گردش مالی کارکنان و هزینه استخدام یک کارمند را تعیین کنید، و همچنین محاسبه می کند که کدام موقعیت ها برای جستجوی کارمندان طولانی تر است. به عنوان مثال، یکی از مشتریان Celonis توانست مشکلات استخدام را شناسایی کند، هزینه های استخدام را تا 30٪ کاهش دهد و روند پذیرش برای افراد جدید را سرعت بخشد.

هوش مصنوعی نوشتن رزومه و دریافت دعوت نامه برای مصاحبه را آسان تر می کند. به عنوان مثال، iCIMS، همراه با گوگل، فناوری توسعه داده اند که به شما امکان می دهد مستقیماً در یک موتور جستجو به دنبال شغل بگردید - و همه اینها به لطف یادگیری ماشینی و هوش مصنوعی گوگل است.

به گفته سوزان وایتیل، مدیر بازاریابی iCIMS، این فناوری توانسته است تعداد آگهی‌های شغلی قدیمی را کاهش دهد. همچنین در قلب برنامه بتای بسته Cloud Jobs Discovery قرار دارد. این برنامه جای خالی را نه تنها با کلمات کلیدی دقیق جستجو می کند - به عنوان مثال، اگر شخصی به دنبال یک موقعیت CTO باشد، نه تنها جای خالی "مدیر فنی"، بلکه "مدیر فناوری" را نیز به او نشان می دهد. مدل او از جستجوی مفهومی استفاده می کند و همه حرفه های مرتبط را نشان می دهد (به عنوان مثال، نه تنها یک صندوقدار، بلکه یک دستیار فروش و یک مدیر فروشگاه).

بهره وری بیشتری خواهید داشت

جان فارنو، مدیرعامل و یکی از بنیان‌گذاران Hive، معتقد است که تجزیه و تحلیل پیش‌بینی‌کننده به ما در درک بهتر نحوه کار کمک می‌کند. او می‌تواند بگوید، برای مثال، چه کسی عصرها فعال‌تر کار می‌کند - مردان یا زنان، یا اینکه آیا درست است که مردم در تابستان در روزهای جمعه بدتر کار می‌کنند. اتفاقاً دومی یک افسانه است. بهره وری همیشه در روزهای جمعه، صرف نظر از زمان سال، کمتر است.

این شرکت با استفاده از داده های بیش از 30000 فعالیت انجام شده در فضاهای همکار Hive توانست الگوهایی را در تغییرات بهره وری شناسایی کند. به عنوان مثال، مردان در صبح بازده بسیار بیشتری دارند و بعد از ناهار بهره وری آنها به شدت کاهش می یابد. در مورد زنان، برعکس است - روز کاری آنها به آرامی شروع می شود، اما در پایان کار آنها مولدتر است. علاوه بر این، تجزیه و تحلیل چت ها نشان داد که زنان می توانند وظایف بیشتری را در طول مکاتبات انجام دهند.

جنسن گفت: "به ویژه، هوش مصنوعی به حل مشکل شکاف دستمزد بین مردان و زنان، و همچنین بین مدیریت و کارمندان عادی کمک می کند." طبق آمار، در شرکت‌هایی که از بالای فهرست 500 فورچون هستند، این اختلاف می‌تواند تقریباً به 5000 تا 1 برسد.» علاوه بر این، استفاده از فناوری تعیین کننده حقوق منصفانه، خطر جابجایی کارکنان را کاهش می دهد و به کاهش هزینه های یافتن کارمند جایگزین کمک می کند.

کیفیت جلسات خود را افزایش دهید

واقعیت افزوده (AR) هنوز در حال توسعه است، اما به لطف هوش مصنوعی و یادگیری ماشینی کار می کند. کریستا منینگ، معاون Bersin در Deloitte Consulting، معتقد است که AR می تواند به شما کمک کند اطلاعات، مکان و زمان مناسب را برای تصمیم گیری های تجاری مهم پیدا کنید.

برای مثال می توان از این فناوری در جلسات ویدیویی استفاده کرد. منینگ می‌گوید: «تصور کنید که در یک کنفرانس ویدیویی شرکت می‌کنید و اطلاعاتی را در واقعیت افزوده درباره سبک ارتباطی یک همکار، نکات مفید و یادآوری مواردی که باید با او صحبت شود، مشاهده می‌کنید.

رهبران بهتری ظهور خواهند کرد

پلتفرم Indiggo از هوش مصنوعی خود به نام indi استفاده می کند که به عنوان نوعی مغز عمل می کند که تمام دانش شرکت را برای 15 سال کار در اختیار دارد. الگوریتم او به اندازه تیم مدیریت یک شرکت نگاه می کند و تخمین می زند که چقدر زمان تلف شده است. این برنامه تقویم های هر رئیس را بررسی می کند تا بفهمد او وقت خود را صرف چه چیزی می کند. سپس هوش مصنوعی یک نظرسنجی ویژه بین برخی از مدیران انجام می دهد تا بفهمد اولویت های آنها چیست و چگونه با شرکت سازگار است.

الکساندر رینکه، مدیرعامل Celonis گفت: «به طرز متناقضی، همه این نوآوری‌های تکنولوژیکی تنها بر ضرورت کار انسانی تأکید دارند. از این گذشته، افراد در کارهایی که شامل علیت، ارزیابی و تعامل با افراد دیگر است، بسیار بهتر عمل می کنند.