Курсовая работа: Системы искусственного интеллекта и нейронные сети

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ
ФЕДЕРАЦИИ
ПЕНЗЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
Кафедра «Экономическая кибернетика»
Курсовая работа
по дисциплине “Информационно-коммуникационные технологии”
на тему “Системы искусственного интеллекта и нейронные сети”
Направление подготовки – 38.03.01 Экономика
Профиль подготовки – Бухгалтерский учет, налогообложение и аудит
Выполнил студент:
_________ Машкина А.А.
Группа: 16ЭЭ3
Руководитель: __________ Самыгин Д.Ю.
к.э.н., доцент
Работа защищена с оценкой __________
Преподаватели
__________
__________
__________
Дата защиты
__________
2016
СОДЕРЖАНИЕ
ВВЕДЕНИЕ .............................................................................................................. 3
1. СУЩНОСТЬ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА .................... 5
1.1 Понятие искусственного интеллекта и нейронных сетей ............................. 5
1.2 Направления использования искусственного интеллекта
и нейронных сетей .................................................................................................. 9
1.3 Практическое применение искусственного интеллекта
и нейронных сетей ............................................................................................ 12
2.ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА РЕАЛИЗАЦИИ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ............................................................... 17
2.1 Техническая основа искусственного интеллекта......................................... 17
2.2 Программное использование нейронных сетей .................................. 19
2.3 Информационные технологии экспертных систем ............................ 24
ЗАКЛЮЧЕНИЕ ..................................................................................................... 29
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ ............................................. 31
2
ВВЕДЕНИЕ
К искусственному интеллекту в последнее время наблюдается большой
интерес, вызванный повышениями требований и информационным системам.
Человечество стремительно движется к новой информационной революции,
которую можно сравнивать по масштабам с развитием Интернета, имя этой
революции – искусственный интеллект.
Искусственный
интеллект
сейчас
очень
активно
изучается
и
развивается. В этой области сконцентрированы наибольшие усилия
лингвистов,
философов,
психологов,
математиков,
инженеров
и
кибернетиков. Здесь решаются конкретные вопросы, которые связаны с
путём развития научной мысли, с влиянием достижений в таких областях
как: вычислительная техника и робототехника на жизнь будущих поколения
людей. Здесь возникают новые различные методы научных исследований.
Здесь формируется новый взгляд на те или иные научные результаты, а также
возникает философское осмысление полученных результатов.
Продвигаясь вперед, исследователи, работающие в области ИИ,
столкнулись с очень запутанными проблемами, которые выходят за границы
традиционной информатики. Оказывается, прежде всего, необходимо было
понять механизмы процесса обучения, чувственного восприятия и природу
языка. Учёные выяснили, что для того чтобы имитировать работу мозга
человека требуется понять механизм действия миллиардов взаимосвязанных
нейронов.
Самая трудная проблема, которая стоит перед исследователями
современной науки – познание процесса функционирования человеческого
разума, а не просто имитация работы. Это затрагивало теоретические
проблемы психологической науки. Учёные никак не могут прийти к единому
мнению на счёт самого предмета их исследований – интеллекта. Для
некоторых интеллект это умение решать сложные задачи; а другие
рассматривают его как способность обучаться, обобщать, анализировать;
3
третьи – как возможность взаимодействия с окружающим миром путем
восприятия, общения и осознания воспринятого.
Актуальность темы курсовой работы обусловлена важностью развития
систем искусственного интеллекта для различных областей человеческой
деятельности.
Цель данной работы заключается в исследовании основных аспектов
систем искусственного интеллекта и нейронных сетей и выявлении
направления их применения.
Поставленная цель определила задачи работы:
– дать
понятие
и
рассмотреть
направления
использования
искусственного интеллекта и нейронных сетей;
– обобщить практическое применение искусственного интеллекта и
нейронных сетей;
– оценить техническую и программную поддержку использования
нейронных сетей.
4
1. СУЩНОСТЬ СИСТЕМ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
1.1 Понятие искусственного интеллекта и нейронных сетей
Искусственный
интеллект
(ИИ)
представляет
собой
научное
направление, находящееся на стыке целого ряда дисциплин: информатики,
философии, кибернетики, психологии, математики, физики, химии и др.
Понятие
искусственный
интеллект
обычно
используется
для
обозначения способности вычислительной системы выполнять задачи,
свойственные интеллекту человека, например задачи логического вывода и
обучения. Любая задача, алгоритм решения которой заранее не известен или
же данные неполные может быть отнесена к задачам области ИИ. Это,
например, игра в шахматы, чтение текста, перевод текста на другой язык и
многое другое.
Изучение вопросов искусственного интеллекта стало возможным лишь
к середине XX века, после того, как был накоплен необходимый объем
знаний в соответствующих научных сферах. Инициирующим фактором к
бурному развитию ИИ можно считать создание первых компьютеров,
послуживших базой для дальнейших исследований [5, с. 23].
Возможности новых машин в плане точности и скорости вычислений
оказались больше человеческих, что открыло широкие перспективы в
создании разумных машин, общественность охватила эйфория. В учёном
сообществе возник вопрос: каковы границы возможностей компьютеров и
достигнут ли машины уровня развития человека? Ответ на данный вопрос
тесно связан с понятием уровня интеллекта. Одной из классических оценок
интеллектуальности машины является тест, предложенный известным
английским учёным Аланом Тьюрингом, опубликованный им в 1950 году.
Его смысл состоит в следующем – компьютер можно будет считать
наделенным
интеллектом
сравнимым
с
человеческим
тогда,
когда
5
взаимодействующий с ним человек не сможет определить с кем именно он
разговаривает, с другим человеком или компьютерной программой. При этом
предполагалось, что всё общение происходить лишь по средствам передачи
текстовых сообщений, для того, чтобы человек мог целиком сосредоточиться
на содержании разговора. Человек, в свою очередь, мог задавать любые
вопросы, которые, по его мнению, смогут раскрыть сущность собеседника.
Данный метод имеет ряд важных достоинств: даёт объективное и
четкое понятие об интеллекте, исключает предвзятость в пользу живых
существ. Однако некоторые исследователи выступают против подобного
способа измерения интеллекта, аргументируя свое мнение в первую очередь
тем, что машинный интеллект может настолько отличаться от человеческого,
что проверять его человеческими критериями будет фундаментальной
ошибкой [1, с. 47]. Тем не менее, тест Тьюринга является важной
составляющей в тестировании и аттестации современных интеллектуальных
программ.
Искусственный интеллект сегодня одна из передовых областей
исследований ученых. В самых различных областях науки и техники
требуется выполнение машинами тех задач, которые ранее были под силу
только человеку.
Системы, как программные, так и аппаратные, созданные на основе
искусственного интеллекта находят все большее применение в технике.
Системы ИИ неотъемлемы на производстве. Именно они собирают и
обрабатывают диагностическую информацию о процессе производства.
Такой
поток
данных
не
в
силах
обработать
ни
один
человек.
Интеллектуальные системы всё плотнее входят в повседневную жизнь –
элементы ИИ можно встретить даже в бытовых приборах.
Отдельно стоит отметить программные средства. К ним в первую
очередь относятся экспертные системы и системы распознавания образов.
Экспертные системы могут воплощать в себе огромные объемы знаний и
навыков, присущих эксперту-человеку или группе специалистов. Эти
6
системы, даже с присущими им ограничениями, представляют большую
ценность, в частности, в геологии, в медицинской диагностике, а также в
некоторых других областях [7, с. 156].
Можно выделить два направления развития ИИ:
1. Нисходящий (семиотический) – создание экспертных систем, систем
логического
вывода
и
баз
знаний,
имитирующих
высокоуровневые
психические процессы: мышление, рассуждение, эмоции, речь, творчество и
т. д.;
2. Восходящий (биологический) – изучение нейронных сетей и
эволюционных вычислений, моделирующих интеллектуальное поведение на
основе биологических элементов, а также создание соответствующих
вычислительных систем, таких как биокомпьютер или нейрокомпьютер [5, с.
174].
Ведение любых исследований в области ИИ связано с рядом
трудностей. Во-первых, всё еще не имеется полного и однозначного
представления о принципах функционирования человеческого мозга,
процессах, протекающих в нем. Это вызывает затруднения в применении
восходящего подхода. Во-вторых, между естественным и искусственным
интеллектами существует принципиальное отличие. Человеческий мозг
оперирует структурными, неделимыми единицами – «образами», которые
представляют из себя сжатый поток сенсорной информации, в то время как
искусственный интеллект сегодня реализует противоположный подход,
используя только «нуль» и «единицу». Поэтому формализация «образов»
представляет сложную задачу. Этим обусловлены трудности в применении
нисходящего подхода.
На основании экспериментов установлено, что нейронная структура
мозга,
с
точки
зрения
способа
проведения
вычислений,
устроена
принципиально иначе, чем техническая среда. Вид преобразований мозговых
сигналов зависит не только от способа изменения некоторых частотновременных параметров, как это реализовано в технических устройствах, но и
7
от пространственного положения участвующего в выполнении операции
обработки данных нейрона. В нейронной среде реализован детекторный
принцип обработки данных, когда каждый нейрон отвечает за строго
определенные признаки процесса или явления.
Ответ на вопрос: может ли компьютер мыслить, зависит сегодня только
от того, какой смысл вкладывается в понятие «мышление». Если
подразумевается способность к формальному логическому мышлению или
выполнению
сложных
математических
операций,
то
ответ
будет
положительным. Если же под мышлением понимается процесс создания
новых понятий, выходящий за рамки формальных математических и
логических операции, состоящий в сопоставлении нескольких областей
знаний и нахождении существенных аналогий между ними, то для
современных интеллектуальных систем ответ будет отрицательным.
Наиболее перспективными на сегодняшний день направлениями в
познании ИИ, являются нейронные сети, эволюционные вычисления,
экспертные системы.
Нейронные
сети.
Продолжается
совершенствование
алгоритмов
обучения и классификации в масштабе реального времени, обработки
естественных языков, распознавания изображений, сигналов, речи, а также
создание моделей интеллектуального интерфейса, подстраивающегося под
пользователя. Нейронные сети способны решать такие прикладные задачи,
как – финансовое прогнозирование, контроль за деятельностью сетей,
шифрование данных, диагностика систем. В последние годы продолжается
усиленный поиск эффективных методов работы нейронных сетей на
параллельных устройствах [4, с. 81].
В последние время наблюдается очень активные действия по
использованию и внедрению нейронные сетей в самые различные области
таких как: техника, геология, физика, бизнес и т.д. На рисунке 1
представлена нейронная сеть.
8
Рисунок 1 – Нейронная сеть
Нейронные сети применяются везде, где необходимо решить задачи
связанные с управлением, прогнозированием, а также с классификацией.
Такое активнейшее использование обуславливается следующими причинами:
1. Широкие возможности. Для воспроизводства очень сложных
зависимостей используются мощные методы моделирования, которые
реализуются с помощью нейронных сетей.
2. Простота в использовании. Нейронные сети способны обучаться на
примерах. Человек, пользующийся нейронной сетью, выбирает необходимые
данные, далее ему даётся возможность запуска алгоритма обучения, который
воспримет данные автоматически.
Нейронные сети очень привлекают к себе внимание тем, что они
основаны на простой модели нервной системы. В недалёком будущем
развитие таких моделей действительно
может послужить созданию
мыслящих машин (компьютеров). Существует система ST Neural Networks
которая способна создавать простые нейронные сети, что является находкой
для специалистов по прикладной статистике.
1.2 Направления использования искусственного интеллекта
и нейронных сетей
В настоящее время зачатки искусственного интеллекта уже довольно
давно используются в авиации. Современный автопилот способен выполнить
рейс от взлета до посадки полностью без помощи человека. Обычные
9
автомобили под управлением ИИ способны преодолевать значительные
расстояния, обходясь без человеческой помощи. Во Франции и Японии по
железным дорогам ездят автоматические поезда под управлением ИИ,
который способен обеспечить максимальный комфорт и удобство для
пассажиров во время поездки. Сегодня технология развития искусственного
интеллекта включает несколько подходов, среди которых можно выделить
следующие:
1. Нейронные цепи, функционирующие на принципах, схожих с
работой человеческого мозга. Они применяются для распознавания
рукописного текста и речи, в финансовых программах, для постановки
диагнозов и т.д.
2. Эволюционные алгоритмы, когда робот создает программы путем
их мутации, скрещивания (обмен частями программ) и тестирования на
выполнении какой-либо целевой задачи. В данном случае программы,
позволяющие добиться наилучшего эффекта, выживают после множества
пробных прогонов, что и обеспечивает эффект эволюции.
3. Нечеткая логика – позволяет компьютеру использовать термины и
объекты из реального мира и взаимодействовать с ними. С помощью нее
компьютер должен понять значение таких «человеческих» терминов как –
теплее, близко, почти. Нечеткая логика находит применение в бытовой
технике, такой как стиральные машины, кондиционеры.
Полезнее всего было бы применить ИИ там, где критически важна
адаптация, и где простые алгоритмы не дают эффекта. В первую очередь это
все сферы связанные с человеком, начиная от помощи в управлении
автомобилем,
лифтом
и
домашней
техникой
до
развлечений,
человекоподобной помощи, и вообще решении всех мелких проблем, на
которые человек не хочет тратить свое время.
А вообще такую систему можно применять намного шире – например,
как самоорганизующуюся систему, перед которой ставится только общая
цель, а её реализация уже ложится на плечи самой системы. Скажем,
10
выкопать карьер для добычи полезных ископаемых. Т.е. вообще везде, где
можно получить прибыль, увольняя людей.
Военная отрасль промышленности всегда развивается особенно
стремительно, используя все самые современные научные наработки.
Развитие компьютерной и роботетхники не осталось в стороне от взглядов
военных, и во многих армиях мира уже есть полностью роботизированные
боевые единицы – роботы-саперы, беспилотники, разведчики, в небольших
количествах стали появляться боевые роботы.
В настоящее время большинство современной робототехники способно
выполнять множество сложных задач, но по-прежнему нуждается в контроле
со стороны человека.
При этом в последнее время все большее внимание уделяется
психофизиологии
и
полученным
с
ее
помощью
наблюдениям
за
человеческим мозгом. Человек уже примерно понимает, как устроен наш
интеллект и сознание. Сканирование мозга и проведение множества
экспериментов показали, что у всех наших мыслей и чувств есть вполне
реальное физическое воплощение. Любая мысль по своей сути это
последовательность активации цепочки нейронов в нашем мозге. А значит,
этот процесс можно изучать и научиться им управлять, изготавливать
компьютерные
симуляции.
В
настоящее
время
уже
существуют
компьютерные модели, моделирующие модели нейронов человека и
животных [11].
Все это дает ученым основание полагать, что к 2030 году компьютеры
будут в состоянии достичь такой вычислительной мощи, чтобы сравняться с
человеческим мозгом по его возможностям. Фактически это сделает
возможным загрузку человеческого сознания в компьютер. Еще более
вероятно, что уже в 2020 году будут созданы теоретические основы сознания
чисто машинного разума. В любом случае в период между 2025 и 2035 годом
искусственный интеллект сможет сравняться по своим возможностям с
человеческим, а затем и превзойти его.
11
1.3 Практическое применение искусственного интеллекта и
нейронных сетей
В связи с растущими потребностями людей в развитии технологий,
совершенствуются и компьютеры. Их эволюция шла в сторону уменьшения
размеров, стоимости и энергоемкости. Когда отдельные машины стали
объединяться
в
сети,
совершился
чрезвычайно
расширивший
их
возможности переход от «одноклеточных» к «многоклеточным» созданиям.
На этом этапе возникли некоторые сложности. Дело в том, что с одной
стороны
ЭВМ
показали
себя
мощным
интеллектуальным
орудием,
необходимым в работе и повседневной жизни. Но с другой стороны общаться
с ЭВМ на понятном для нее машинном языке и, тем самым, использовать ее
огромные возможности могли далеко не все. Здесь требовались посредники –
программисты, а в условиях их нехватки рост числа компьютеров был бы
бессмысленным.
Лозунгом,
провозглашенным
японцами,
стал:
«Вычислительная машина должна быть в управлении не сложнее стиральной
машины. Только тогда она станет таким же предметом домашнего обихода и
конструкторского оборудования, как телефон». И теперь, на данном этапе,
можно
со
всей
ответственностью
заявить,
что
компьютеры
стали
неотъемлимой частью человеческой жизни. Они находят применение не
только в виде обычного ПК, но и в вооружении, технологии, медицине и
других отраслях человеческой деятельности.
Современные
работы
в
области
практического
применения
искусственного интеллекта ведутся по нескольким основным направлениям:
1. Распознавание образов. Эта проблема касается распознавания
зрительных
или
звуковых
образов,
а
также
других
(смешанных)
модальностей. Медицинская диагностика, предсказание погоды являются
примерами задач распознавания образов. В последнее время основная часть
работ в этой области ориентирована на анализ ситуаций (сцен), а не
отдельных объектов (например, печатных знаков).
12
2. Использование естественного языка. Под этим подразумевается
разработка систем «вопрос-ответ» и систем автоматического перевода.
3. Экспертные системы. В них воплощаются большие объемы знаний и
навыков, присущих эксперту – человеку. Эти системы представляют
большую ценность, в частности, в медицинской диагностике, в геологии, а
также в некоторых других областях.
4. Инженерия знаний. Эта область не является самостоятельной, но
сам термин отражает определенное отношение к тому, каким образом
следует
осуществлять
взаимодействие
различных
видов
знаний
в
распознавании образов, робототехнике и в экспертных системах, а также
включает ту область, в рамках которой ведутся исследования по
определению знаний, манипулированию ими и слежению за пополнением и
корректировкой знаний.
5. Моделирование игр. Игры являются хорошей основой для изучения
эвристического поиска. Программы ведения игр, несмотря на их простоту,
ставят перед исследователями новые вопросы, включая вариант, при котором
ходы
противника
невозможно
определенно
предугадать.
Наличие
противника усложняет структуру программы, добавляя в нее элемент
непредсказуемости и потребность уделять внимание психологическим и
тактическим факторам игровой стратегии.
6. Доказательство
теорем.
Данная
область
перекрывается
с
определенными областями математики и решением проблем в ряде других
областей (например, в робототехнике).
7. Нейронные сети. В эту сложную область исследований входят такие
перспективные
методы,
как
обработка
видеоизображений
и
их
преобразование в векторные графические модели, автоматизация построения
и анализа объектов моделей или местности с учетом динамики их развития,
получение аналитических решений в графическом виде в режиме реального
времени, работа с зашумленными данными и многое другое, в частности: в
экономике для предсказания рынков, оценки риска невозврата кредитов,
13
предсказания банкротств, автоматического рейтингования, оптимизации
товарных и денежных потоков, автоматического считывания чеков и форм. В
медицине: обработка медицинских изображений, мониторинг состояния
пациентов, диагностика, факторный анализ эффективности лечения, очистка
показаний приборов от шумов. В авиации: обучаемые автопилоты,
распознавание
сигналов
радаров,
адаптивное
пилотирование
сильно
поврежденного самолета. В средствах сязи: сжатие видео-информации,
быстрое кодирование-декодирование, оптимизация сотовых сетей и схем
маршрутизации пакетов [3, с. 185].
8. Генетические алгоритмы. С помощью генетических алгоритмов и
методик искусственной жизни исследователи вырабатывают новые решения
проблем из компонентов предыдущих решений. Генетические операторы,
такие как скрещивания или мутация, подобно своим эквивалентам в
реальном мире, вырабатывают с каждым поколением все лучшие решения.
9. Робототехника. Эта
сфера
представляет
непосредственный
практический интерес и наглядно демонстрирует возможности, поэтому
остановимся на ней подробнее.
Робототехника – это область исследований, которая ставит перед собой
цель вывести машины из вычислительных центров в реальный мир.
Современные машины существенно отличаются от достаточно мощных
машин
промышленной
революции.
Для
робототехники
становится
необходимым, чтобы эти машины обладали не только интеллектом, но и
мускулами: они должны иметь «глаза» и «уши». (В некоторых системах
превзойдены возможности человеческого зрения – использование лазеров
позволяет
измерять
бинокулярному
расстояние
зрению
гораздо
человека).
точнее,
Большое
чем
значение
это
доступно
в
области
робототехнике придается анализу трехмерных сцен. Но, несмотря на
заметное превосходство в быстроте принятия решения задач, многое из того,
что человек делает с легкостью, для машин оказывается очень трудным.
Робот, слепо выполняющий последовательность действий, не реагируя на
14
изменения в своем окружении, или неспособный обнаруживать и исправлять
ошибки в своем собственном плане, едва ли может считаться разумным.
Зачастую
от
робота
требуют
сформировать
план,
основанной
на
недостаточной информации, и откорректировать свое поведение по мере его
выполнения. Робот может не располагать адекватными сенсорами для того,
чтобы обнаружить все препятствия на проектируемом пути.
Такой робот должен начать двигаться по комнате, основываясь на
воспринимаемых им данных, и корректировать свой путь по мере того, как
выявляются
другие
препятствия.
Организация
планов,
позволяющая
реагировать на изменение условий окружающей среды, - основная проблема
планирования и конструирования роботов, которые бы выполняли свои
задачи с некоторой степенью гибкости и способностью реагировать на
окружающий мир. По ряду причин такое планирование является сложной
проблемой, и немалую роль в этом играет размер пространства возможных
последовательностей шагов. Даже очень простой робот способен породить
огромное число различных комбинаций элементарных движений. Для
написания программы, которая могла бы разумно определить оптимальный
путь обхождения машиной препятствий и не была бы при этом перегружена
огромным их числом, потребуются сложные методы для представления
пространственного
знания
и
управления
перебором
в
пространстве
альтернатив [12].
Практическое применение
ИИ осуществляется и в медицине.
Компания IBM разработала систему искусственного интеллекта Watson,
которая должна значительно повлиять на развитие медицины. Система
считывает данные из медицинских файлов пациентов и составляет их с
огромной базой знаний о различных заболеваниях, включая наиболее редкие
болезни. По результатам своего анализа Watson будет предлагать несколько
возможных диагнозов для каждого случая, конечное слово и назначение
лечения остается врачам. Уже в конце этого года система IBM поступит «на
службу» немецким специалистам медицинского центра неопределенных и
15
редких заболеваний университетской клиники в Марбурге. Watson должен
разгрузить немецких специалистов и сократить срок постановки диагноза для
пациента.
Другое направление практического применения ИИ – использование
его возможностей для принятия решений. Американцы из Гарварда сделали
сервис RoboVote, который помогает принять коллективные решения. Для
поиска лучшего решения для всех платформа использует алгоритмы,
учитывающие субъективные и объективные варианты. Второй предназначен
для голосований, а первый основан на личных оценках всех, вовлеченных в
процесс. При этом RoboVote может основываться как на данных, введенных
самими пользователями, так и самостоятельно собирать информацию о
ситуации, которая поможет принять общее решение. Создатели ставят перед
собой куда более высокие цели, чем помочь компании выбрать, в какой
ресторан пойти на ужин, в перспективе RoboVote может использоваться для
проведения выборов и повлиять на сам механизм принятия решений.
Исследования вопросов искусственного интеллекта являются одними
из самых важных и перспективных в современной науке. На реализации
технологий искусственного интеллекта уже сейчас существует большой
спрос,
который
в
дальнейшем
будет
лишь
возрастать.
Разработка
интеллектуальных экспертных систем и нейронных сетей – это лишь первые
шаги на пути к созданию сильного искусственного интеллекта, способного
сравниться с естественным человеческим интеллектом. За тот относительно
короткий интервал со времён первых разработок, ИИ-технологии прошли
гигантский путь, внеся колоссальный вклад в социальную жизнь. Например,
позволили
упростить
управление
сложными
устройствами,
снизив
требования к техническому уровню потенциальных пользователей. Так же
ИИ-технологии нашли широкое применение в науке.
16
2. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА РЕАЛИЗАЦИИ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
2.1 Техническая основа искусственного интеллекта
В процессе исследования искусственного интеллекта отмечают три
основных технологии моделирования интеллектуальных систем:
1. Модель человеческого мозга. В текущем направлении наблюдается
разработка моделирования структуры и механизмы работы мозга человека. С
помощью данной модели ученые пытаются обнаружить все секреты некого
человеческого
мышления.
Для
возникновения
этой
модели
следует
предпринять такие этапы, как нахождение психофизиологических данных, а
также построение и проведение исследований моделей на основании этого,
выстраивание новых гипотез. Данные этапы рассматриваются на рисунке 2.
Рисунок 2 – Схема особенностей создания модели человеческого мозга
2. Создание интеллектуальной машины на основе компьютера. Данное
направление исследования наблюдается процесс создания искусственных
систем с помощью современных вычислительных машин. Ученные
направляют
на
формировании
алгоритмического,
программного
и
аппаратного обеспечения вычислительных машин, позволяющих решать
интеллектуальные задачи в какой-либо области жизни человека, например, в
17
прогнозирование погоды или же интеллектуальное получение решения.
Схема технологии представлена на рисунке 3.
Рисунок 3 – Схема особенностей создания интеллектуальной машины
3. Создание гибридной человек-машины. Третий подход опирается на
создание
смешанных
машинно-человеческих
интеллектуальных систем), в основу которых
(интерактивных
вступает вероятность
естественного и искусственного интеллекта, что рассматривается на рисунке
4. В процессе исследования стараются сформировать «супер-человека»,
который может исполнять необычные дела. С развитием биотехники и
электромеханики ученые понемногу смогут вживлять устройства в тело
человека [2, с. 137].
Рисунок 4 – Схема особенностей создания гибридной человек-машины
18
Важнейшими проблемами в этих исследованиях являются:
– распределение работы между искусственным и естественным
интеллектом;
– организация диалога между машиной и человеком.
Так же стоит отметить, что некоторые из ученых, в частности Ник
Бостром, считают, что искусственный интеллект может превзойти разум
человека
и
использовать
его
против
своей
воли,
следует
уметь
контролировать технологии.
Рассматривают
пару
видов
развития
систем
искусственного
интеллекта:
– разрешение
проблем,
которые
связаны
с
приближением
искусственного интеллекта к возможностям человека и их объединении;
– создание
искусственного
разума
–
объединение
систем
искусственного разума в одну, решающую глобальные проблемы всего мира.
Компьютерный
товарооборот
микропроцессорной техники и
развивается
работающих
с
развитием
устройств, позволяющие
воспользоваться искусственным интеллектом различных направлениях.
Осложнить
применение
искусственного
интеллекта
завтра
может
автоматизирование программирования машин и в правильном донесении
экспертных систем.
Перспектива развития искусственного интеллекта присутствует во всех
направлениях техники. Быстрый процесс обработки информации даст
привилегии на рынке.
2.2 Программное использование нейронных сетей
Нейронные сети можно считать сложной аналитической технологией,
т.е. методикой, которая на основе известных алгоритмов позволяет по
заданным данным вывести значения неизвестных параметров.
19
Искусственная нейронная сеть – значительно упрощенная модель
биологической нейронной сети, т.е. элемента нервной системы. Из биологии
заимствованы основополагающие идеи и принципы:
Нейрон – это переключатель, получающий и передающий импульсы,
или сигналы. Если нейрон получает достаточно сильный импульс, то
говорят, что нейрон активирован, то есть передает импульсы связанным с
ним нейронам. Не активированный нейрон остается в состоянии покоя и не
передает импульс.
Нейрон состоит из нескольких компонентов: синапсов, соединяющих
нейрон с другими нейронами и получающих импульсы от соседних
нейронов, аксона, передающего импульс другим нейронам, и дендрит,
получающего сигналы из различных источников, в т.ч. от синапсов.
Когда нейрон получает импульс, превышающий определенный порог,
он передает импульс последующим нейронам (активирует импульс).
Синапс состоит из двух частей: пресинаптической, соединенной с
аксоном передающей импульс клетки, и постсинаптической, соединенной с
дендритом получающей импульс клетки. Обе части синапса соединяет
синаптическая щель.
Сигнал от нейрона к другим нейронам передается через аксон, который
не связан напрямую с получающими импульс нейронами. Импульс
изменяется
несколько
раз
в
синапсе:
перед
отправлением
–
в
пресинаптической части и по получении – в постсинаптической.
Импульс для передачи формируется в нейроне в зависимости от одного
или нескольких полученных импульсов. В случае нескольких импульсов
нейрон накапливает их. Передаст он импульс или нет, зависит от характера
полученных импульсов, кем они переданы и т.д. Таким образом, зависимость
между переданными и полученными импульсами нелинейна. Если нейрон
передает импульс, то он активирован.
20
Математическая модель нейрона строится следующим образом:
Рисунок 5 – Модель искусственного нейрона
Вход модели нейрона X – это вектор, состоящий из большого числа (N)
компонент. Каждая из компонент входного вектора Xi – это один из
импульсов, получаемых нейроном.
Выход модели нейрона – это одно число X*. Это означает, что внутри
модели, входной вектор должен быть преобразован и агрегирован в скаляр. В
дальнейшем этот импульс будет передан другим нейронам.
Известно, что при получении импульса синапс нейрона изменяет его.
Математически этот процесс изменения можно описать следующим образом:
для каждой из компонент входа Xi задают вес. Импульс, прошедший через
синапс, принимает вид WiXi. Заметим, что веса могут быть назначены при
инициализации модели, а могут быть переменными и измеряться в ходе
расчетов. Веса – это внутренние параметры сети, о которых шла речь выше.
Говоря об обучении сети, имеют в виду нахождение весов синапса.
Сложение
полученных
импульсов.
Агрегирование
полученных
импульсов – это вычисление их суммы ∑WiXi.
Обычно нейроны располагаются в сети по уровням:
На первом уровне – входные нейроны (отмеченные синим), которые
получают данные извне и передающие импульсы нейронам на следующем
уровне через синапсы.
21
Нейроны на скрытом (втором, красном) уровне обрабатывают
полученные импульсы и передают их нейронам на выходном (третьем,
зеленом) уровне.
Нероны на выходном уровне производят окончательный анализ и
вывод данных.
Разумеется, архитектура сети может быть более сложной, например, с
большим числом скрытых уровней или с изменяющимся числом нейронов.
Модели нейронных сетей классифицируются по трем основным параметрам:
– вид связи между уровнями нейронов в сети;
– вид передаточной функции;
– используемый алгоритм обучения сети.
Далее важнейшим этапом является обучение нейронной сети. После
того как сеть будет обучена, можно считать, что она готова к использованию
[9]. Процесс обучения нейросети представлен на рисунке 6.
Рисунок 6 – Процесс обучения нейросети
22
Создание нейронной сети – сложнейший процесс. Лишь крупные
компании могут позволить себе создать собственный нейропакет. Обычно
используются уже готовые пакеты. Рассмотрим их подробнее.
MATLAB (сокращение от англ. «Matrix Laboratory») – пакет
прикладных программ для решения задач технических вычислений.
Нейронные сети являются компонентом прикладных программ, который
впоследствии я буду использовать для создания практического примера [10]
NeuroShell
2
–
программная
среда
с
достаточно
понятным
интерфейсом, в которой реализованы наиболее распространенные и
эффективные нейросетевые архитектуры. Этот программный продукт
подойдет как новичку, так и профессионалу. NeuroShell сопровождает целая
серия дополнений, которые могут существенно упростить решение ряда
специализированных задач.
GeneHunter – программный пакет, использующий генетические
алгоритмы для решения сложных, очень сложных и очень-очень сложных
комбинаторных и оптимизационных задач. GeneHunter является надстройкой
Microsoft Excel, т.е. пользователь решает свои задачи непосредственно из
рабочего листа, содержащего данные. Кроме того, в состав GeneHunter
входит динамическая библиотека функций генетических алгоритмов, что
позволяет пользователю создавать системы, использующие генетические
алгоритмы.
NeuroShell Trader – система, предназначенная для прогнозирования и
поиска эффективных торговых стратегий на финансовых рынках. Система
ориентирована на трейдеров, инвесторов и всех тех, кто зарабатывает или
собирается зарабатывать на биржевой торговле. Она настолько проста в
использовании, что начинающие могут быстро освоить ее и начать
эффективно использовать. Однако система является настолько мощной, что
дает возможность профессионалам решать широкий круг сложнейших задач.
Подробно
рассмотрим
программный
продукт
NeuroShell
Series.
Нейросетевые архитектуры, лежащие в основе программ данной серии,
23
являются самыми последними достижениями научного поиска, результатом
которого явилось создание алгоритма "самопостроения" нейронной сети,
обладающей рекордными скоростями обучения. Эти программы чрезвычайно
просты в использовании. Теперь пользователь должен сосредоточиться
только на формулировке задачи, все остальное программы данной серии
сделают сами. В состав серии входят: NeuroShell Predictor – Предсказатель
NeuroShell Classifier – Классификатор NeuroShell Run-Time Server – Средства
автономного использования сетей, полученных в NeuroShell Predictor и
NeuroShell Classifier.
NeuroShell Predictor дает возможность с легкостью
создавать системы для решения задач прогнозирования и предсказания на
основе имеющейся базы данных. Это могут быть предсказания следующих
значений параметров временного ряда, например, предсказание курса акций,
или оценка какой-либо величины, определяемой набором независимых
факторов,
например,
оценка
стоимости
квартир
или
подержанных
автомобилей.
NeuroShell Classifier предназначен для решения задач распознавания
образов, связанных с определением принадлежности предъявляемого образа
(ситуации) к той или иной категории. Например, по набору биржевых
показателей вырабатывать сигнал для покупки или продажи акций той или
иной компании.
2.3 Информационные технологии экспертных систем
Наибольший прогресс среди компьютерных информационных систем
отмечен
в области
разработки
экспертных
систем, основанных на
использовании элементов искусственного интеллекта. Экспертные системы
дают возможность менеджеру или специалисту получать консультации
экспертов по любым проблемам, на основе которых этими системами
накоплены знания.
24
Решение специальных задач требует специальных знаний. Главная идея
использования технологии экспертных систем заключается в том, чтобы
получить от эксперта его знания и, загрузив их в память компьютера,
использовать всякий раз, когда в этом возникнет необходимость. Являясь
одним из основных приложений искусственного интеллекта, экспертные
системы
представляют
собой
компьютерные
программы,
трансформирующие опыт экспертов в какой-либо области знаний в форму
эвристических правил. На практике экспертные системы используются
прежде всего как системы-советчики в тех ситуациях, где специалист
сомневается в выборе правильного решения. Экспертные знания, хранящиеся
в памяти системы, более глубокие и полные, чем соответствующие знания
пользователя [6, с. 131].
Экспертные системы находят распространение при решении задач с
принятием решений
в условиях неопределенности (неполноты) для
распознавания образов, в прогнозировании, диагностике, планировании,
управлении, конструировании и т.д.
Типичная экспертная система состоит из решателя (интерпретатора),
базы
данных,
базы
знаний,
компонентов
приобретения
знаний,
объяснительного и диалогового компонентов.
База данных предназначена для хранения исходных и промежуточных
данных, используемых для решения задач, фактографических данных.
Решатель, используя исходные данные из базы данных и знания из
базы знаний, обеспечивает решение задач для конкретных ситуаций.
Компонент приобретения знаний автоматизирует процесс наполнения
базы знаний.
Объяснительный компонент объясняет, как система получила решение
задачи (или почему не получила) и какие знания она при этом использовала.
Диалоговый компонент обеспечивает диалог между экспертной системой и
пользователем в процессе решения задачи и приобретения знаний.
25
Экспертные системы создаются для решения разного рода задач
профессиональной деятельности человека, и в зависимости от этого
выполняют разные функции.
При разработке экспертных систем должны участвовать: эксперт той
предметной области, задачи которой будет решать система; инженер по
знаниям – специалист по разработкам систем; программист – специалист по
разработке инструментальных средств. Эксперт определяет знания, то есть
описывает предметную область в виде совокупности данных и правил,
обеспечивает полноту и правильность введенных в экспертную систему
знаний. Данные определяют объекты, их характеристики и значения.
Правила указывают на способы манипулирования данными.
Инженер по знаниям помогает эксперту: выявить и структурировать
знания,
необходимые
осуществить
выбор
для
функционирования
инструментальных
экспертной
системы;
которые
наиболее
средств,
эффективны для решения задач в данной предметной области; указать
способы представления знаний.
Экспертные
системы
в
задачах
интерпретации,
как
правило,
используют информацию от датчиков для описания ситуации. В качестве
примера приведем интерпретацию показаний измерительных приборов на
химическом заводе для определения состояния процесса. Интерпретирующие
системы имеют дело не с четкими символьными представлениями
проблемной ситуации, а непосредственно с реальными данными. Они
сталкиваются с затруднениями, которых нет у систем других типов, потому
что
им
приходится
обрабатывать
информацию
зашумленную,
недостаточную, неполную, ненадежную или ошибочную. Им необходимы
специальные методы регистрации характеристик непрерывных потоков
данных, сигналов или изображений и методы их символьного представления.
Интерпретирующие
разнообразные
виды
экспертные
данных.
системы
Например,
системы
могут
обработать
анализа
сцен
и
распознавания речи, используя естественную информацию, – в одном случае
26
визуальные образы, в другом – звуковые сигналы, – анализируют их
характеристики и понимают их смысл.
Экспертные системы в задачах прогнозирования определяют вероятные
последствия заданных ситуаций. Примерами служат прогноз ущерба урожаю
от некоторого вида вредных насекомых, оценивание спроса на нефть на
мировом рынке в зависимости от складывающейся геополитической
ситуации
и
прогнозирование
места
возникновения
следующего
вооруженного конфликта на основании данных разведки [8, с. 121].
Экспертные системы в задачах диагностики используют описания
ситуаций, характеристики поведения или знания о конструкции компонент,
чтобы установить вероятные причины неправильного функционирования
диагностируемой
системы.
Примерами
служат:
определение
причин
заболевания по симптомам, наблюдаемым у пациентов; локализация
неисправностей
в электронных
схемах
и
определение
неисправных
компонент в системе охлаждения ядерных реакторов.
Экспертные системы,
применяемые в
области
проектирования,
разрабатывают конфигурации объектов с учетом набора ограничений,
присущих проблеме. Учитывая то, что проектирование столь тесно связано с
планированием, многие проектирующие системы содержат механизмы
разработки и уточнения планов для достижения желаемого проекта.
Наиболее
часто
встречающиеся
области
применения
планирующих
экспертных систем – химия, электроника и военное дело.
Экспертные системы, которые используются для решения задач
наблюдения,
сравнивают
действительное
поведение
с
ожидаемым
поведением системы. Примерами могут служить слежение за показаниями
измерительных приборов в ядерных реакторах с целью обнаружения
аварийных ситуаций или оценку данных мониторинга больных, помещенных
в
блоки
интенсивной
терапии.
Наблюдающие
экспертные
системы
подыскивают наблюдаемое поведение, которое подтверждает их ожидания
относительно нормального поведения или их предположения о возможных
27
отклонениях. Наблюдающие экспертные системы по самой своей природе
должны работать в режиме реального времени.
Экспертные системы в задачах отладки находят рецепты для
исправления неправильного поведения устройств. Примерами могут служить
настройка компьютерной системы с целью преодолеть некоторый вид
затруднений в ее работе; выбор типа обслуживания, необходимого для
устранения неисправностей в телефонном кабеле; выбор ремонтной
операции для исправления известной неисправности в насосе.
Экспертные системы в задачах ремонта аппаратуры следуют плану,
который предписывает некоторые рецепты. Пока что было разработано
немного ремонтных экспертных систем отчасти потому, что необходимость
фактического выполнения ремонтных процедур на объектах реального мира
дополнительно усложняет задачу. Ремонтным системам также необходимы
диагностирующие,
отлаживающие
и
планирующие
процедуры
для
производства ремонта.
Экспертные системы в области обучения подвергают диагностике,
"отладке" и исправлению ("ремонту") поведение обучаемого.Обучающие
системы создают модель того, что обучающийся знает и как он эти знания
применяет к решению проблемы. Системы диагностируют и указывают
обучающемуся его ошибки, анализируя модель и строя планы исправлений
указанных ошибок. Они исправляют поведение обучающихся, выполняя эти
планы с помощью непосредственных указаний обучающимся.
Экспертные системы в задачах управления адаптивно руководят
поведением системы в целом. Примерами служат управление производством
и распределением компьютерных систем или контроль состояния больных
при интенсивной терапии. Управляющие экспертные системы должны
включать наблюдающие компоненты, чтобы отслеживать поведение объекта
на протяжении времени.
28
ЗАКЛЮЧЕНИЕ
В настоящее время идут активные споры на счёт проблемы
возможности создания искусственного интеллекта. Многие считают, что
создание ИИ унизит человеческое достоинство. Возможности ИИ с
вопросами о совершенствовании и развитии человеческого разума смешивать
нельзя.
В современном мире ИИ используется практически повсеместно, это
создаёт предпосылки для нового толчка прогресса. Искусственный разум
позволяет автоматизировать производство, а значит и продуктивность труда.
Но кибернетика имея огромное число плюсов, также имеет свои минусы,
которые требуют очень пристального внимания человечества. Эти минусы
связаны с опасностью, возникающей при работе с искусственным
интеллектом.
Одни из проблем связаны с возможностью потери стимула людей к
творческому
труду.
Всему
виной
всеобщая
компьютеризация
и
использование машин в сфере искусств. Но всё же стало ясно, что люди
добровольно не отдадут самый квалифицированный творческий труд, так как
он является привлекательным для самих людей.
Вторая группа проблем более серьёзна и состоит она в следующем.
Уже в настоящее время существуют программы и машины, которые в
процессе свое работы способы обучаться, то есть приспосабливаться к
внешним факторам. В ближайшем будущем могут, появится машины,
которые будут обладать таким уровнем надёжности и приспособляемости,
что человеку не нужно будет вмешиваться в процесс. В таком случае человек
перестанет выполнять свою функцию – функцию поиска решений.
Возможно, человек станет, не способен адекватно реагировать на
изменения внешних условий, а также возможно перестанет быть способен
принять управление на себя в случае ЧС. Необходимо будет ввести
некоторые пределы в автоматизации процессов, которые связаны с тяжёлыми
29
аварийными ситуациями, тогда у человека, производящего надзор за
управляющей машиной, всегда хватит реакции и умения правильно
действовать в непредвиденной ситуации.
Подобные ситуации возможны в ядерной энергетике и транспорте.
Стоит особенно отметить таковую опасность в ракетных войсках, так как
ошибка может иметь ужасные последствия.
Оказывается, что, даже перепроверяя и многократно дублируя,
вероятность ошибок очень высока. Отсутствие контролирующего оператора
может привести к фатальной ошибке.
Проблемы ИИ будут решаться людьми постоянно. Будут появляться
всё новые и новые проблемы и, похоже, что этот процесс является
бесконечным.
Таким образом, искусственный интеллект в дальнейшем должен
сыграть большую роль в развитие человечества. Написав данную работу, я
пришла к выводу, что в будущем искусственный интеллект будет
использоваться не только в науке и производстве, но и станет неотъемлемой
частью жизни каждого цивилизованного человека.
30
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1. Гришин Н. Как компания SeoPult стала безоговорочным лидером
рынка оптимизации сайтов // Секрет Фирмы, 2014. – 120 c.
2. Каллан Робертс. Основные концепции нейронных сетей // Каллан
Робертс – М.: Издательский дом «Вильямс», 2013. – 287 с.
3. Колесников А.В. Гибридные интеллектуальные системы. Технология
разработки / А.В. Колесников – СПб.: Изд-во СПбГТУ, 2011. – 111 с.
4. Лохин В.М. Интеллектуальные системы управления: понятия,
определения, принципы построения / В.М. Лохин, В.М. Захаров //
Мехатроника. – 2013. – №2. – 27-35 с.
5. Галушкина А.И. Нейрокомпьютеры и их применение. / под общей
ред. А.И. Галушкина, Я.З. Цыпкина. – М.: ИПРЖР, 2011. – 145 с.
6. Пупков, К.А. Интеллектуальные системы / К.А. Пупков, В.Г.
Коньков – М.: Изд-во МГТУ им. Н.Э. Баумана, 2013. – 148 с.
7. Романов, В.П. Интеллектуальные информационные системы в
экономике: Учебное пособие / В.П. Романов; под ред. д.э.н., проф. Н.П.
Тихомирова. – М.: Экзамен, 2013. – 96 с.
8. Рудская Е. Н., Десятниченко Л. В. Искусственный интеллект для
бизнеса: трансформация эффективных запросов в реальные продажи //
Молодой ученый. – 2015. – №8. – 121-131 с.
9. Анисимов
[Электронный
С.Ю.
ресурс].
Алгоритмы
искусственного
интеллекта.
–
URL: http://faqs.org.ru/progr/common/ai.htm (Дата
обращения: 5.12.16.)
10. Белов В.А. О перспективах ИИ. – [Электронный ресурс]. URL:
http://aicommunity.narod.ru/Reports/Gen/report_AI1.html
(Дата обращения:
30.11.16.)
11. Хаустова Е. Ю., Ельцов Д. А., Ершов Д. П. Развитие систем
искусственного интеллекта. Научное сообщество студентов XXI столетия.
Технические науки: сб. ст. по мат. VIII междунар. студ. науч.-практ. конф. –
31
[Электронный ресурс]. URL: http://sibac.info/archive/technic/8.pdf
(Дата
обращения: 25.11.16, 26.11.16)
12. Хромин
А.А.
Проблема
искусственного
интеллекта.
–
[Электронный ресурс]. URL: http://www.structuralist.narod.ru/articles/ai.htm
(Дата обращения: 2.12.16.)
32