Искусственный интеллект. концепция развития и внедрения искусственного интеллекта (искусственной аналитики)

Основные этапы развития искусственного интеллекта



В статье описываются основные этапы развития области искусственного интеллекта. Несмотря на недолгую историю своего существования, она насыщена событиями и оказала огромное влияние на культуру двадцатого века.

В статье рассматривается история развития искусственного интеллекта начиная со времён Спинозы и до наших дней. Описаны основные периоды взлета и падания интереса к данной области.

Начало искусственного интеллекта

Предпосылки для создания искусственного интеллекта были заложены классическими философами — Лейбницем, Спинозой и Декартом, основателями рационализма, которые полагали, что в мышлении существуют основные принципы, подобные аксиомам геометрии, и из них знание можно выводить чисто логически дедуктивным методом. Эти философы начали формулировать гипотезу о физической символьной системе, которая станет основой для исследований в области искусственного интеллекта.

Обратите внимание

Технологическими предпосылками к возникновению отрасли знания об искусственном интеллекте послужила первая механическая вычислительная машина — считающие часы Вильгельма Шикарда, сконструированные им в 1623 г., а также созданные впоследствии суммирующая машина Блеза Паскаля (1643 г), и арифмометр Лейбница (1671 г).

В 1832 году коллежский советник С. Н. Корсаков предложил новый принцип разработки научных методов и устройств для усиления возможностей человеческого разума и представил серию «умных машин», в конструкции которых впервые были применены перфорированные карты.

В 1928 году немецкий математик Давид Гильберт формулирует так называемую «Проблему разрешения» [1, с.

45]: найти алгоритм, который бы принимал в качестве входных данных описание любой проблемы разрешимости (формального языка и математического утверждения «S» на этом языке) — и, после конечного числа шагов, останавливался бы и выдавал один из двух ответов: «Истина» или «Ложь», — в зависимости от того, истинно или ложно утверждение «S».

1936 году Алан Тьюринг, считающийся отцом интуитивного подхода к изучению искусственного интеллекта, и Алонзо Чёрч независимо друг от друга публикуют работы, опровергающие возможность существования алгоритма решающего проблему разрешения. Это утверждение известно как «теорема Чёрча-Тьюринга».

В этой же статье «On computable numbers, with an application to the entscheidungsproblem» [2] Алан Тьюринг также впервые употребляет понятие «А-машина», сейчас известная как «Машина Тьюринга».

Машина Тьюринга — это абстрактная вычислительная машина, созданная для формализации понятия алгоритма.

Машина Тьюринга является расширением конечного автомата и, согласно тезису Чёрча-Тьюринга [3], способна имитировать всех исполнителей (с помощью задания правил перехода), каким-либо образом реализующих процесс пошагового вычисления, в котором каждый шаг вычисления достаточно прост.

Важно

В состав машины Тьюринга входит неограниченная в обе стороны лента (возможны машины Тьюринга, которые имеют несколько бесконечных лент), разделённая на ячейки, и управляющее устройство, способное находиться в одном из множества состояний. Число возможных состояний управляющего устройства конечно и точно задано.

Управляющее устройство может перемещаться влево и вправо по ленте, читать и записывать в ячейки символы некоторого конечного алфавита. Выделяется особый пустой символ, заполняющий все клетки ленты, кроме тех из них (конечного числа), на которых записаны входные данные.

Управляющее устройство работает согласно правилам перехода, которые представляют алгоритм, реализуемый данной машиной Тьюринга. Каждое правило перехода предписывает машине, в зависимости от текущего состояния и наблюдаемого в текущей клетке символа, записать в эту клетку новый символ, перейти в новое состояние и переместиться на одну клетку влево или вправо.

Некоторые состояния машины Тьюринга могут быть помечены как терминальные, и переход в любое из них означает конец работы, остановку алгоритма.

То есть, всякий интуитивный алгоритм может быть реализован с помощью некоторой машины Тьюринга. Машина Тьюринга была первой попыткой автоматизировать логические и математические вычисления, которые на том момент мог выполнять только человек.

В своей следующей статье «Computing machinery and intelligence» [4] (1950) Тьюринг задаётся вопросом «А может ли машина мыслить?».

Эта абстрактная формулировка заменяется на «может ли машина, путем общения с человеком посредством письма, обмануть его и заставить человека думать, что он также имеет дело с человеком?». Отсюда берет свое начало знаменитый тест Тьюринга.

Принято считать, что именно в этой работе впервые освещается вопрос искусственного интеллекта. Работу критикуют, так как до сегодняшнего дня ни одна машина не прошла Тест Тьюринга.

Совет

1943 году Уорен Мак-Каллох и Уолтер Питтс публикуют статью «A Logical Calculus of the Ideas Immanent in Nervous Activity» [5], в которой нейроны упрощенно рассматриваются как устройство, оперирующее двоичными числами. Так они основали новое направление в науке об искусственном интеллекте — нейронные сети.

В 1954 году Нильсом Ааном Баричелли был основан еще один подход в области искусственного интеллекта — эволюционное моделирование. При этом подходе решение задач оптимизации и моделирования осуществляется путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе (генетический алгоритм).

Этот период становления науки о искусственном интеллекте завершает Дартмутский семинар, ставший катализатором для научных исследований в этой области, т. к. именно на нём познакомились многие учёные. На этом же семинаре было утверждено появление новой отрасли науки, окрещённой «Artificial Intelligence» — «Искусственный интеллект».

Золотой век искусственного интеллекта

1956–1976 годы считаются золотым веком искусственного интеллекта, так как на тот момент не было накоплено никакой научной базы, что делало каждое открытие особенно важным. Искусственный интеллект развивался по двум основным направлениям: математическая логика и нейронные сети.

Американский ученый Фрэнк Розенблатт в 1962 году предложил принцип обучения нейронных сетей — обучение на примерах [6]. Также он создал первый нейрокомпьютер, с помощью которого ему удалось распознать рукописный текст.

1965 году Джон Алан Робинсон сформулировал правило резолюций [7] — правило вывода, восходящее к методу доказательства теорем через поиск противоречий.

Его работы были решающими в развитии языка логического программирования Пролог, который был создан в 1972 году Аленом Колмероэ и Филиппом Русселем.

С помощью этого языка стало возможным описывать различные задачи на языке логики с последующим решением на ЭВМ путем перебора всех возможных вариантов.

Обратите внимание

В это же время появилось понятие нечёткого множества, которое сформулировал Лютфи Заде в своей работе «Fuzzy sets» [8] (1965).

Заде расширил классическое понятие множества, допустив, что характеристическая функция множества может принимать любые значения в интервале от «0» до «1», а не только значения «0» или «1».

Вместе с понятием нечёткого множества возникла нечёткая логика, которая применяется в нейронных сетях (нейро-нечёткие системы).

Первая зима искусственного интеллекта

С 1969 по 1980 годы изучение нейронных сетей приостановилось. Это связано с публикацией книги Мартина Лии Мински и Сэймура Паперта «Perceptrons: an introduction to computational geometry» [9]. В данной книге авторы подвергли нейронные сети жесткой критике.

Одной из самых известных претензий является то, что в процессе исследования вычислительных способностей персептрона они пришли к выводу, что персептрон не может реализовать простейшую логическую функцию XOR (либо-либо).

Что, в свою очередь, заставило усомниться в нейросетевом подходе в целом.

Период с 1975 по 1980 годы называют первой зимой искусственного интеллекта. Кризис нейронных сетей оказался лишь предвестником грядущих неудач.

Причин кризиса было несколько: громко заявленный американским правительством полностью автономный военный вездеход так и не увидел свет; японский проект по созданию супер-компьютера пятого поколения, который, как обещалось, был бы способен вести с человеком полноценный разговор, был закрыт без всяких объяснений. Неудачи постигли множество проектов, связанных с автоматическими переводчиками и системами работы с текстом.

Также в это время был открыт комбинаторный взрыв. В 1972 г. Ричард Карп доказал, что при увеличении числа входных данных время решения задачи должно расти экспоненциально.

Важно

Это значит, что сложные задачи со множеством входных данных на сегодняшний день решить невозможно.

Открытие комбинаторного взрыва очень сильно ударило по всему комбинаторно-логическому подходу к искусственному интеллекту, на который в то время возлагали самые большие надежды.

Возвращение интереса кискусственному интеллекту

В результате развития экспертных систем в 1980–1984 годы наблюдается возвращение интереса к искусственному интеллекту.

Экспертная система — это программа, использующая базу знаний для решения задач в некоторой предметной области.

В 80-е экспертные системы начали внедряться в медицине, юриспруденции и других областях, и они стали первым коммерчески успешным направлением искусственного интеллекта.

Вторым фактором увеличения интереса к искусственному интеллекту стало развитие нейронных сетей. Были разработаны многослойные нейронные сети, которые, в частности, позволяли реализовать логическую функцию XOR. Благодаря Полу Уэрбосу появились средства обучения многослойных нейронных сетей [10].

Вторая зима искусственного интеллекта

Затем наступает вторая зима искусственного интеллекта (1984–1993 годы). Она была вызвана завышенными ожиданиями по отношению к экспертным системам, которые, в конце концов, заняли все возможные для их применения области и их распространение остановилось. Инвестирование этой области снизилось.

Но основной причиной начала второй зимы считается появление персональных компьютеров, ставшее причиной возникновения потребности в большом количестве программных продуктов. Возникло новое направление развития — компьютерные науки.

Совет

Компьютерные науки включают большое количество различных направлений, которые ранее изучались в рамках искусственного интеллекта, таких как: теория графов, символьные вычисления, комбинаторика и прочие.

Читайте также:  Робот-воспитатель совсем скоро появится в любом доме

В результате множество ученых из области искусственного интеллекта интеллектом перешли работать в новую область.

Новая эра

С 1993 года и по наше время длится новая эра искусственного интеллекта. Искусственный интеллект в том виде, в котором он существовал до текущего периода, прекратил свое существование.

Если раньше целью ученых, работавших в этой области, было воссоздание человеческого мышления техническими методами, то сейчас цели стали менее амбициозными и более реалистичными.

Сегодня термин искусственный интеллект практически не используется, существуют более конкретные термины, такие как: машинное обучение, интеллектуальные системы, конечные автоматы, эволюционные алгоритмы и многие другие.

Направления, ранее входившие в область искусственного интеллекта: искусственные нейронные сети, эволюционные вычисления и системы логического вывода, теперь являются самостоятельными направлениями, больше нет той объединявшей их сверхцели — построения искусственного разума.

На сегодняшний день наибольший ажиотаж вызывает технология нейронных сетей, лежащая в основе современных беспилотных автомобилей, систем автоматического распознавания голоса и перевода, систем идентификации личности, систем прогнозирования, систем фильтрации и многих других. Оправдают ли они ожидания учёных или мы на пороге очередной зимы искусственного интеллекта покажет время.

Литература:

  1. С. Л. Эдельман, Математическая логика. — Москва, Высшая школа, 1975. — стр. 45
  2. A. M. Turing, On computable numbers, with an application to the entscheidungsproblem, 1936
  3. [Электронный ресурс] // https:// ru.wikipedia.org/wiki/Тезис_Чёрча_—_Тьюринга (Дата обращения: 30.11.2017)
  4. A. M. Turing, Computing Machinery and Intelligence, 1950
  5. Warren S. Mcculloch and Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biology Vol. 52, No. l/2. стр. 99–115.
  6. F. Rosenblatt: Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Brain Theory 1962. P. 245–248

Источник: https://moluch.ru/archive/206/50536/

Возможности искусственного интеллекта

Искусственный интеллект – это имитация сознания, всё больше и больше внедряющаяся в со­вре­мен­ную жизнь [1]. Ещё недавно возможности ис­кус­ст­вен­но­го интеллекта были совершенно ограничены, а сам термин употреблялся только в романах научной фантастики.

И хотя даже в 60-х–70-х годах XX столетия уже казалось, что следующий виток научно-технической революции будет именно в области ин­фор­ма­ци­он­ных технологий и ро­бо­то­тех­ни­ки, это оказалось не совсем так. Мы дейст­ви­тель­но наблюдаем прорыв ин­фор­ма­ци­он­ных технологий, но ро­бо­то­тех­ни­ка развивается гораздо медленнее.

Связано это с замедлением темпов развития про­мыш­лен­нос­ти, которое и обуславливает тенденции развития науки.

Характер общественных отношений де­тер­ми­ни­ро­ван ха­рак­те­ром про­из­вод­ст­ва, и точно так же, как астрономия получила развитие ввиду не­об­хо­ди­мос­ти составления звёздных карт для мо­ре­пла­ва­ния, ро­бо­то­тех­ни­ка может получить развитие только в случае эко­но­ми­чес­кой об­ос­но­ван­нос­ти интеграции роботов в производства.

Обратите внимание

Такая об­ос­но­ван­ность существует? Да, существует! Уже сегодня есть полностью ав­то­ма­ти­зи­ро­ван­ные заводы, программы са­мо­стоя­тель­но решают сложные задачи и даже анализ данных уже поручают ис­кус­ст­вен­но­му интеллекту. Тем не менее, возможности ис­кус­ст­вен­но­го интеллекта всё ещё достаточно скромны.

Возможно, кто-то с этим не согласится, но прежде, чем возмущаться, постарайтесь услышать, что мы имеем в виду.

Мы не зря дали определение ис­кус­ст­вен­но­го интеллекта, как способности имитации сознания. Есть существенная разница между имитацией сознания и имитацией проявления сознания. В области последнего возможности ис­кус­ст­вен­но­го интеллекта далеко шагнули вперёд.

Есть масса программ, обучающихся на «Big data» и выдающая на основе этого поразительно раз­но­об­раз­ные данные для дальнейшего анализа. Есть программы способные уже сегодня участвовать в создании других программ. Всё это недооценить невозможно, но всё это не является имитацией сознания.

В связи с этим, интересно послушать какие возможности ис­кус­ст­вен­но­го интеллекта в имитации сознания на самом деле существуют уже сегодня. Ввиду чего мы и хотим предоставить выжимку интервью «ПостНауке» Бориса Миркина [2].

Возможности искусственного интеллекта

— Давайте сначала определимся с тем, что мы вообще будем подразумевать под термином искусственный интеллект?

— Да, совершенно верно, потому что под ис­кус­ст­вен­ным ин­тел­лек­том можно понимать разные вещи. Изначально термин искусственный интеллект применялся в качестве обозначения машины, способной вести себя, как человек. Всем известен тест Тьюринга, который Алан Тьюринг, возможно в шутку, предложил сразу после Второй мировой войны.

Идея, на самом деле, замечательная, но с практической точки зрения не совсем удачная. Как правило, разработка любой технологии начинается от простого к сложному, а, согласно концепции Тьюринга, всё надо делать наоборот.

Вместо того чтобы разбить задачу на множество элементов и разобраться с каждым по отдельности, задача подменяется собственным внешним проявлением.

В 60-е годы XX столетия компьютерная техника стала постепенно проникать в университеты. В связи с этим в среде ма­те­ма­ти­чес­ких логиков стала популярна идея о постановке правильных аксиом, на основании которых компьютеры смогут выдавать безошибочные результаты. Но тут возникла проблема с софистикой.

Важно

Компьютер не может про­ана­ли­зи­ро­вать внутреннюю не­про­ти­во­ре­чи­вость набора аксиом. Например из аксиомы «А не равно А» можно вывести всё, что захотите. Все это понимали, поэтому стали развивать логические языки. Создали концепции фрейма, специальные машинные языки, не­клас­си­чес­кую логику и многое другое.

Одновременно с этим развивалась ма­те­ма­ти­за­ция разных естественных языков.

В начале XXI века стало очевидно, что обещания, которые давали разработчики ис­кус­ст­вен­но­го интеллекта, получая гранты, реализованы в ближайшем будущем не будут. Именно с этим связано появление таких терминов, как computational intelligence и machine intelligence. Термин artificial intelligence стал практически ругательным.

Сегодня же ис­кус­ст­вен­ный интеллект является не столько термином, описывающим нечто конкретное, сколько со­би­ра­тель­ным названием исследований разного направления.

И все успешные современные разработки artificial intelligence, за исключением ро­бо­то­тех­ни­ки, являются результатом эффективных алгоритмов анализа данных, а не алгоритмов искусственного интеллекта.

— Можно сказать, что развитие возможностей ис­кус­ст­вен­но­го интеллекта в 2000 годах стало результатом внедрения технологий анализа данных в технологии ис­кус­ст­вен­но­го интеллекта? А до 2000 годов эти две области исследований развивались параллельно друг другу?

— Да, конечно! Искусственный интеллект относится к области логики, а анализ данных к статистике. До 90-х годов эти две области были никак не связаны. А вот в 90-х годах возникло такое направление data mining.

Что это такое? С развитием компьютерной техники, её стали использовать в компаниях для хранения и передачи данных. Компьютеры изобретали для вычислений, а не для обработки данных. Ввиду этого пришлось при­спо­саб­ли­вать­ся под новые задачи и изобретать технологии баз данных.

Они и позволили эффективно решить эту задачу, упростив хранение, поиск и обработку данных.

Решение этих проблем обнаружилось в 1993-95 годах, когда стали ис­поль­зо­вать­ся ин­тер­ак­тив­ные операционные системы. В это время в магазинах стали использовать данные о взаимосвязях при выборе товаров.

Таким образом, обработав данные о поведенческих моделях покупателей, товары удалось разместить таким образом, чтобы покупатели чаще натыкались на те товары, которые обычно люди покупают вместе. Это увеличило продажи! Сегодня найти данные о тех ас­со­циа­тив­ных правилах, которые применялись при майнинге данных, почти невозможно.

Совет

А ведь когда-то эта история наделала массу шума! Но нам важно то, что эта история демонстрирует, как отбираются интересные закономерности при майнинге. Интересная закономерность – это закономерность, отличающаяся от нормы.

Другой важной составляющей науки о данных является машинное обучение. Прорыв в этом отношении произошёл в том направлении, в котором максимой является то, что машины учатся, а как они это делают не важно. Предполагалось, что нейронные сети станут аналогом мозга, но на практике этого не произошло.

Оказалось, что если сделать многослойную нейронную сеть, которая, казалось бы, вовсе и не нужна с математической точки зрения, то от слоя к слою сеть будет обучаться, причем ни автор алгоритма, ни пользователь не могут знать, на что именно обращает внимание многослойная нейронная сеть.

Простые нейронные сети выдавали много ошибок, а вот глубокие – дают только 5–10% ошибочных ответов.

Мы не знаем, как именно работают глубокие нейронные сети. Всё, что нам известно, это факт того, что они способны уточнять свои коэффициенты при поправках «учителя». Сейчас программы даже научились писать стихи, но является ли это искусственным интеллектом? Можно выделить две группы когнитивных систем.

Первая – это совокупность информации, которая не понятна человеку, а после её уточнения у эксперта, он полностью заменяет и забывает своё предыдущее представление о ней. Вторая – это то, что можно назвать таксономией. В этом случае частности объединяются в общие понятия и могут ин­тер­пре­ти­ро­вать­ся в зависимости от обстоятельств.

Компьютер стремится ко второй группе сознания, но пока не может его достичь.

— А с чем связан прогресс в области анализа данных? На этом сказалось появление Big data? И какие проблемы всё ещё остаются актуальными с формированием «картины мира» искусственного интеллекта?

— Да, Big data сыграла важную роль в развитии возможностей машинного обучения. Мы получили огромное количество раз­но­об­раз­ных характеристик одного и того же объекта, что и сыграло решающую роль в развитии возможностей искусственного интеллекта.

Тем не менее, никакой «картины мира» создать так и не удалось. У машин нет «модели интеллекта». Именно поэтому искусственный интеллект и является просто направлением в науке, объединяющим совокупность разнородных задач.

Можно сказать, что машины научились накапливать знания, но не умеют на их основании принимать новые са­мо­стоя­тель­ные решения.

Читайте также:  Личный бармен с искусственным интеллектом

Источники

[1] sciencedirect.com/science/article/pii/S1546144017308347

[2] postnauka.ru/talks/80147

[свернуть]

Загрузка…

Источник: https://pop-science.ru/vozmozhnosti-iskusstvennogo-intellekta

Введение в Искусственный интеллект

Центральные задачи ИИ состоят в том, что бы сделать ВМ более полезными и чтобы понять принципы, лежащие в основе интеллекта. Поскольку одна из задач состоит в том, чтобы сделать ВМ более полезными, ученым и инженерам, специализирующимся в вычислительной технике, необходимо знать, каким образом ИИ

может помочь им в разрешение трудных проблем.

применения.


  •  Доказательства теорем;
  •  Игры;
  •  Распознавание образов;
  •  Принятие решений;
  •  Адаптивное программирование;
  •  Сочинение машинной музыки;
  •  Обработка данных на естественном языке;
  •  Обучающиеся сети (нейросети);
  •  Вербальные концептуальные обучения.
  • Планы на будущее в области применения ИИ: В сельском хозяйстве компьютеры должны оберегать посевы от вредителей, подрезать деревья и обеспечивать избирательный уход. В горной промышленности компьютеры призваны работать там, где возникают слишком опасные условия для людей. В сфере производства ВМ должны выполнять различного вида задачи по сборке и техническом контроле.

    В учреждениях ВМ обязаны заниматься составлением расписаний для коллективов и отдельных людей, делать краткую сводку новостей. В учебных заведениях ВМ должны рассматривать задачи, которые решают студенты, в поисках ошибок, подобно тому как ищутся ошибки в программе, и устранять их. Они должны обеспечивать студентов суперкнигами, хранящимися в памяти вычислительных систем.

    В больницах ВМ должны помогать ставить диагноз, направлять больных в соответствующие отделения, контролировать ход лечения. В домашнем хозяйстве ВМ должны помогать советами по готовке пищи, закупке продуктов, следить за состоянием пола в квартире и газона в саду.

    Обратите внимание

    Конечно, в настоящее время ни одна из этих вещей не представляется возможной, но исследования в области ИИ могут

    способствовать их реализации.

    исторический обзор развития
    работ в области ИИ.

    Начало исследований в области ИИ (конец 50-х годов) связывают с работами Ньюэлла, Саймана и Шоу, исследовавших процессы решения различных задач.

    Результатами их работ явились такие программы как «ЛОГИК-ТЕОРЕТИК», предназначенная для доказательства теорем в исчислении высказываний, и «ОБЩИЙ РЕШАТЕЛЬ ЗАДАЧ».

    Эти работы положили начало первому этапу исследований в области ИИ, связанному с разработкой программ, решающих задачи на основе применения

    разнообразных эвристических методов.

    Эвристический метод решения задачи при этом рассматривался как свойственный человеческому мышлению «вообще», для которого характерно возникновение догадок о пути решения задачи с последующей проверкой их.

    Ему противопоставлялся используемый в ЭВМ алгоритмический метод, который интерпретировался как механическое осуществление заданной последовательности шагов, детерминированно приводящей к правильному ответу. Трактовка эвристических методов решения задач как сугубо человеческой деятельности и обусловила появление и дальнейшее распространение термина ИИ.

    Так, при описании своих программ Ньюэлл и Саймон приводили в качестве доводов, подтверждающих, что их программы моделируют человеческое мышление, результаты сравнения записей доказательств теорем в виде программ с записями рассуждения человека.

    В начале 70-х годов они опубликовали много данных подобного рода и предложили общую методику составления программ, моделирующих мышление.

    Важно

    Примерно в то время, когда работы Ньюэлла и Саймона стали привлекать к себе внимание, в Массачусетсском технологическом институте, Стэнфордском университете и Стэнфордском исследовательском институте также сформировались исследовательские группы в области ИИ. В противоположность ранним работам Ньюэлла и Саймона эти исследования больше относились к формальным математическим представлениям. Способы решения задач в этих исследованиях развивались на основе расширения математической и символической логики. Моделированию же человеческого мышления

    придавалось второстепенное значение.

    На дальнейшие исследования в области ИИ большое влияние оказало появление метода резолюций Робинсона, основанного на доказательстве теорем в логике предикатов и являющегося исчерпывающим методом доказательства. При этом определение термина ИИ претерпело существенное изменение.

    Целью исследований, проводимых в направлении ИИ, стала разработка программ, способных решать «человеческие задачи». Так, один из видных исследователей ИИ того времени Р.

    Бенерджи в 1969 году писал: «Область исследований, обычно называемую ИИ, вероятно, можно представить как совокупность методов и средств анализа и конструирования машин, способных выполнять задания, с которыми до недавнего времени мог справиться только человек.

    При этом по скорости и эффективности машины должны быть сравнимы с человеком.» Функциональный подход к направленности исследований по ИИ сохранился в основном до настоящего времени, хотя еще и сейчас ряд ученых, особенно психологов, пытаются оценивать результаты работ по

    ИИ с позиций их соответствия человеческому мышлению.

    Исследовательским полигоном для развития методов ИИ на первом этапе явились всевозможные игры, головоломки, математические задачи. Некоторые из этих задач стали классическими в литературе по ИИ (задачи об обезьяне и бананах, миссионерах и людоедах, Ханойской башне игра в 15 и другие).

    Выбор таких задач обуславливался простотой и ясностью проблемной среды (среды, в которой разворачивается решение задачи), ее относительно малой громоздкостью, возможностью достаточно легкого подбора и даже искусственного конструирования «под метод».

    Основной расцвет такого рода исследований приходится на конец 60-х годов, после чего стали делаться первые попытки применения разработанных методов для задач, решаемых не в искусственных, а в реальных проблемных средах.

    Совет

    Необходимость исследования систем ИИ при их функционировании в реальном мире привело к постановке задачи создания интегральных роботов. Проведение таких работ можно считать вторым этапом исследований по ИИ.

    В Стэнфордском университете, Стэнфордском исследовательском институте и некоторых других местах были разработаны экспериментальные роботы, функционирующие в лабораторных условиях.

    Проведение этих экспериментов показало необходимость решения кардинальных вопросов, связанных с проблемой представления знаний о среде функционирования, и одновременно недостаточную исследованность таких проблем, как зрительное восприятие, построение сложных планов поведения в динамических средах, общение с роботами на естественном языке.

    Эти проблемы были более ясно сформулированы и поставлены перед исследователями в середине 70-х гг, связанных с началом третьего этапа исследований систем ИИ. Его характерной чертой явилось смещение центра внимания исследователей с создания автономно функционирующих систем, самостоятельно решающих в реальной среде поставленные перед ними задачи, к созданию человеко-машинных систем, интегрирующих в единое целое интеллект человека и способности ВМ для достижения общей цели — решение задачи, поставленной перед интегральной человеко-машинной решающей системой. Такое

    смещение обуславливалось двумя причинами:

  •  К этому времени выяснилось, что даже простые на первый взгляд задачи, возникающие перед интегральным роботом при его функционирование в реальном времени, не могут быть решены методами, разработанными для

    экспериментальных задач специально сформированных проблемных средах;

  •  Стало ясно, что сочетание дополняющих друг друга возможностей человека и ЭВМ позволяет обойти острые углы путем перекладывания на человека тех функций, которые пока еще не доступны для ЭВМ. На первый план выдвигалась не разработка отдельных методов машинного решения задач, а разработка методов средств, обеспечивающих тесное взаимодействие человека и вычислительной системы в течение всего процесса решения задачи с возможностью оперативного

    внесения человеком изменений в ходе этого процесса.

  • Развитие исследований по ИИ в данном направлении обусловливалось также резким ростом производства средств вычислительной техники и также резким их удешевлением, делающим их потенциально доступными для более

    широких кругов пользователей.

    структура
    использования СИИ.

    Эта структура состоит из трех комплексов вычислительных
    средств (см. рисунок). Первый комплекс представляет собой совокупность средств, выполняющих программы (исполнительную систему), спроектированных с позиций эффективного решения задач, имеет в ряде случаев проблемную ориентацию.

    Второй комплекс — совокупность средств интеллектуального интерфейса, имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре интересов конечных пользователей.

    Третьим комплексом средств, с помощью которых организуется взаимодействие первых двух, является база знаний, обеспечивающая использование вычислительными средствами первых двух комплексов целостной и независимой от обрабатывающих программ системы знаний о проблемной среде.

    Исполнительная система (ИС) объединяет всю совокупность средств, обеспечивающих выполнение сформированной программы.

    Интеллектуальный интерфейс — система программных и аппаратных средств, обеспечивающих для конечного пользователя использование компьютера для решения задач, которые возникают в среде его профессиональной деятельности либо без посредников либо с незначительной их помощью. База знаний (БЗ) — занимает центральное положение по отношению к остальным компонентам вычислительной системы в целом, через БЗ

    осуществляется интеграция средств ВС, участвующих в решении задач.

    • Перспективы развития вычислительной техники.Кн.2. ИнтеллектуализацияЭВМ.М., 1989
    • Уинстон П. Искусственный интеллект. М.1980.
    • Хант Э. Искусственный интеллект. М.1978.
    • Обучение, Развитие, Управление талантами
    • Обучение персонала
    • Управление знаниями

    Источник: http://hr-portal.ru/article/vvedenie-v-iskusstvennyy-intellekt

    Адаптивный интеллект: практические советы по внедрению искусственного интеллекта в ваш маркетинг

    Источник: https://8d9.ru/adaptivnyj-intellekt-prakticheskie-sovety-po-vnedreniyu-iskusstvennogo-intellekta-v-vash-marketing

    Концепции искусственного интеллекта. Часть 1

    Успешное применение СЭВМ в управлении сложными техническими системами и агрегатами стало причиной появления направления научных исследований, связанных с изучением природы и существа интеллектуальной творческой деятельности человека, а также с поиском возможности воспроизведения в искусственных системах каких-либо ее сторон, т. е. в общем случае с поиском возможности создания искусственных систем, воспроизводящих отражательную деятельность человека, присущую его сознанию. Работы, проводимые в этом направлении, объединены общим термином — (ИИ).

    Под искусственным интеллектом понимают кибернетическую систему, перерабатывающую поступающую извне информацию с целью принятия решений.

    Термин «искусственный интеллект» понимается метафорически, так как в системе не воспроизводятся процессы, аналогичные процессам, происходящим в мозге человека при осуществлении целенаправленной деятельности; считается достаточным, чтобы качество формируемых системой решений удовлетворяло предъявляемым требованиям.

    Обратите внимание

    Во многих высокоразвитых странах (США, Японии, Англии, Франции и др.) разработаны национальные программы по созданию ЭВМ общего назначения V поколения, основанные на применении принципов ИИ.

    Успехи в осуществлении этих программ, а также в области разработки экспертных систем нашли отражение и в тенденциях развития СЭВМ и комплексов на их основе, позволяющих поднять на новый более высокий уровень степень автоматизации технологических процессов.

    Системы, основанные на применении СЭВМ и технических средств ИИ, можно разделить на две группы — без участия и с участием человека.

    Под системами без участия человека понимаются в общем случае роботы, т. е. искусственные технические системы, автоматически осуществляющие производственные и технологические операции, присущие человеку.

    Опыт создания и эксплуатации нескольких поколений роботов в сфере промышленного производства и транспорта свидетельствует о том, что для их эффективного применения недостаточно обеспечить только возможность манипулирования объектами внешнего мира.

    Необходимо иметь способность восприятия информации о внешней среде, а также способность ее соответствующей интерпретации и воплощения в целенаправленные действия.

    Реализация этих способностей, по мнению специалистов, основывается на интеллектуализации роботов, ориентированных на знания о предметной области, использовании достаточно мощных по информационным ресурсам и быстродействию СЭВМ.

    Источник: https://www.electriz.ru/tendencii-razvitiya-sevm/koncepcii-iskusstvennogo-intellekta-1.html

    Искусственный интеллект в маркетинге: начало новой эпохи

    Главный термин последних пары лет — «искусственный интеллект». Это понятие сейчас на волне популярности, в новостях постоянно пишут о «роботах», составляющих юридические иски, пишущих спортивные репортажи и криминальные хроники, «работающих» консультантами в отделах продаж и на сайтах.

    Но мы пока что считаем всё это экзотикой, маленькими шагами в большое будущее. И уверены, что до реальной пользы от ИИ в принятии стратегических решений пройдут ещё долгие годы. А сейчас решения по-прежнему должны приниматься после бессонных ночей с перебором данных в уме и рисованием на салфетках разных сценариев событий.

    Вот набор основных убеждений про ИИ в предпринимательской среде.

    • То, что в текущем дне называют «искусственным интеллектом», лишь зачаток, демонстратор будущих возможностей. Сегодня нельзя всерьёз говорить об этом и тем более использовать в серьёзных задачах.
    • Для того чтобы добиться успеха в бизнесе, не нужен никакой ИИ. Надо просто совершенствовать продукт, делать его лучше и качественнее.
    • «Роботу» можно доверить какие-то простые алгоритмические действия, но бизнес-стратегия — это уж точно человеческая задача.
    • Человек умеет принимать решения интуитивно, а этого никакой ИИ не может и не сможет никогда.
    • Внедрение ИИ лишь увеличит издержки компании — придётся ещё нанимать дополнительных «программистов искусственного интеллекта» или что-то типа того.
    • Технологии искусственного интеллекта — очень дорогая штука, доступная только транснациональным корпорациям. Для обычного бизнеса это будет недоступно ещё очень долго — а может быть, и никогда.

    Удивительно, но все эти утверждения неверны.

    Интеллект и личность

    Насколько совершенен искусственный интеллект сегодня? Почему, несмотря на все разговоры об успехах, мы не видим ничего похожего на человекоподобных роботов из фантастических фильмов? Дело в том, что при рассуждениях об ИИ часто путаются понятия «искусственный интеллект», функция поиска взаимосвязей и зависимостей, а также «искусственная личность» — рефлексирующая, осознающая себя сущность, имеющая самостоятельные суждения.

    До искусственных личностей нам ещё очень далеко — и, возможно, они не будут созданы никогда.

    Важно

    Но системы искусственного интеллекта, которые умеют отслеживать связи между огромным числом объектов, находить закономерности, строить прогнозы, вытекающие из этих закономерностей — уже существуют и успешно используются в самых разных сферах и отраслях.

    Одна из самых мощных реализаций ИИ для решения бизнес-задач — платформа Watson Marketing, созданная на базе суперкомпьютера компании IBM.

    Перестать думать о продукте

    Весь маркетинг с глубокой древности до недавних времён строился вокруг продукта. И даже когда маркетологи заговорили о клиентоориентированности, всё равно это была история о продукте. Как сделать продукт более удовлетворяющим, более подходящим для клиентов.

    В итоге основная стратегия продаж — убедить клиента в том, что ему нужен этот продукт. И заставить закрыть глаза на то, что ему в продукте не подходит.

    Так было до последнего времени, но сегодня кое-что изменилось.

    Digital-технологии позволяют собрать огромное количество данных о клиенте — и, если их правильно обработать, то мы сможем с высокой вероятностью прогнозировать, какая конфигурация продукта или услуги подойдёт конкретному клиенту.

    Человек не в состоянии обработать такое количество данных, но это умеет искусственный интеллект Watson Marketing. Обработать, построить взаимосвязи, сделать прогноз и сформировать индивидуальное предложение.

    Сегодня мы находимся в переломной точке: совсем скоро оператор сотовой связи будет предлагать вам перейти не на «новый тариф», а на «индивидуальный тарифный план», который окажется действительно индивидуальным — и выгодным именно для вас!

    Одна из крупнейших розничных сетей США — Macy’s — при помощи сервисов Watson разработала персонализированного виртуального советника для покупателей.

    Сервис отслеживает историю покупок для каждого человека и на основе собранных данных даёт советы и делает персонализированные предложения.

    Совет

    Благодаря «знанию» о покупателе виртуальный советник не порекомендует туфли из натуральной кожи защитнику прав животных, а «эксклюзивную коллекцию» человеку, интересующемуся эконом-сегментом.

    Аналогичный рекомендательный сервис внедрила виноторговая компания Millesima. Помимо истории покупок, система анализирует такие факторы, как география покупателя, время года и многое другое.

    В результате компания может предложить посетителю не просто «вкусное вино», а вино из числа его предпочтений.

    А кроме того, сделать какое-то специальное предложение в связи с личными и национальными праздниками покупателя.

    Маркетинг меняется. От продуктоориентированности он становится клиентоориентированным, и ключевая роль в этом процессе отводится платформам искусственного интеллекта.

    Стратегия не механическое дело?

    Стратегия развития всего бизнеса, стратегия отдельной рекламной кампании — всё это однозначно «человеческие» компетенции. Никакой ИИ не примет решение за вас. Но каждое решение опирается на знания.

    Только понимая, что происходит, какие существуют тренды, к чему они приведут в ближайшем будущем, можно выстраивать стратегию. А именно анализ данных — вотчина ИИ, его стихия.

    Искусственный интеллект не может принять стратегическое решение, но способен резко повысить качество решений, принимаемых человеком.

    Искусственная интуиция

    С лёгкой руки фантастов интуиция считается чуть ли не главным преимуществом человека. Мол, «роботы» действуют в рамках жёсткой логики, а человек способен прочувствовать алогичные, казалось бы, связи.

    Конечно, ИИ не имеет «интуиции» в человеческом понимании.

    Но способность Watson Marketing обрабатывать и связывать в единую картину данные из множества источников даёт возможности более точного планирования, чем «интуитивное» назначение прогнозов.

    Аналитика от Watson была внедрена в американском зоопарке Point Defiance.

    Если до внедрения системы работа зоопарка строилась на предположениях о том, сколько посетителей придёт в зоопарк в каждый конкретный день, то с подключением Watson в прогнозах стали учитываться количество чекинов потенциальных и текущих посетителей в социальных сетях, упоминания названия зоопарка на различных ресурсах, прогноз погоды и многое другое.

    В результате:

    • продажи билетов выросли на 700%;
    • за счёт более точного и дальновидного планирования на 10% сократились ежегодные расходы на персонал;
    • в 3 раза увеличилось количество участников программы лояльности — благодаря быстрому созданию и проведению целевых маркетинговых кампаний.

    На одном языке

    Из фантастики нам известен ещё один образ — умный робот, с которым можно разговаривать, как с человеком. Задавать вопросы на обычном языке, получать ответы в такой же форме.

    Большинство из нас думает, что это чистый художественный вымысел, а для управления системами ИИ нужны особым образом обученные операторы, которые работают со специальными кодами, и так далее.

    В общем, внедрение такой системы в компании — это найм новых сотрудников и большой рост издержек.

    Однако на самом деле всё иначе. Отличительна особенность Watson Marketing — способность понимать «естественный язык». Конечно, поддержать пространную беседу система не сможет, но она способна быстро и точно найти ответы на вопросы по профессиональной сфере, под которую сконфигурирована. «Что нужно, чтобы…» — и система подготовит справочные материалы.

    Это же касается и вопросов бизнес-планирования. Watson Marketing способен выступать бизнес-советником, анализирующим данные и ищущим ответы на вопросы стратегии и тактики. Общаясь при этом на «естественном языке».

    Способности Watson к общению лучше всего иллюстрирует история профессора информатики из Технологического института Джорджии. Ашок Гоэль (Ashok Goel) объявил своим студентам, что взял на работу новую помощницу по имени Джилл Ватсон, которая будет напоминать о необходимости сдать очередную работу, уведомлять об изменениях в расписании, отвечать на вопросы на студенческом форуме.

    На самом же деле в роли помощницы выступал сервис, разработанный на базе системы Watson. За несколько месяцев общения с «помощницей» никто из студентов не заподозрил, что разговаривает с машиной.

    Обратите внимание

    При этом только за один месяц Джилл ответила на более чем 1000 вопросов, опубликованных в форуме.

    Все студенты отметили пунктуальность и ответственность нового ассистента, а также «дружеский характер общения».

    Суперкомпьютер в мобильном приложении

    Ещё одно заблуждение: о заоблачной дороговизне решений в области ИИ. Вернее, это не совсем заблуждение. Конечно, разрабатывать собственное решение очень дорого. Но решения Watson доступны в самых разных форматах, в том числе — в виде SaaS-сервиса, не требующего какой-либо установки.

    При этом некоторое время назад API сервисов были открыты для разработчиков мобильных приложений, благодаря чему появилась возможность использовать мощности суперкомпьютера IBM и платформы Watson буквально «из мобильного»!

    «Когнитивность» — будущее маркетинга

    Сегодня складывается парадоксальная ситуация: клиенты предъявляют к бизнесу высокие требования, но бизнес не успевает реагировать на этот запрос. Маркетологи утопают в данных, но в то же время испытывают нехватку полезных сведений.

    Большинство данных, раскрывающих важные сведения о клиентах, существуют в неструктурированном виде (в их число входят изображения, данные на локальном языке и видео), их невозможно обработать «механически», и поэтому они остаются неизученными в большинстве компаний.

    Используя инструменты Watson Marketing, можно анализировать данные всех типов, встраивать средства анализа в ежедневные маркетинговые процессы, чтобы сделать коммуникации более адресными, актуальными и эффективными.

    Когнитивный подход подразумевает, что данные находятся на службе у маркетинга, а не наоборот.

    Когнитивный подход к бизнесу предполагает, что собираемые данные становятся основой для решений, исходя из которых происходит обучение системы для предоставления ещё более разумных, контекстных рекомендаций, позволяющих формировать потребительский опыт и корректировать его вплоть до малейших деталей. И тем самым повышается ценность бренда, укрепляются взаимосвязи с клиентами и ускоряются темпы стратегического развития.

    Когнитивный подход позволяет:

    • выявить неудовлетворённые потребности клиентов и модернизировать продукты и услуги;
    • привлечь больше клиентов и повысить прибыль благодаря индивидуально подбираемым продуктам, услугам, преимуществам, предложениям и расценкам;
    • получить максимальную отдачу от сотрудничества с имеющимися клиентами и партнёрами за счёт оптимизации инвестиций в укрепление взаимоотношений.

    Попробовать

    Лучше всего о возможностях Watson и когнитивном подходе к бизнесу расскажет живая демонстрация.

    Попробуйте платформу Watson в действии, зарегистрируйтесь в демонстрационном центре и посмотрите интерактивную презентацию её работы!

    Перейти в демоцентр >>>

    Источник тизера: wuwm.com

    Партнёрская публикация

    Источник: https://www.cossa.ru/152/198226/

    Ссылка на основную публикацию