هوش مصنوعی (AI، هوش مصنوعی انگلیسی، AI) - علم و فناوری ایجاد ماشین های هوشمند، به ویژه برنامه های کامپیوتری هوشمند. AI با یک کار مشابه با استفاده از رایانه ها برای درک هوش انسانی همراه است، اما لزوما به روش های باور نکردنی بیولوژیکی محدود نمی شود.
هوش مصنوعی چیست؟
هوش (از لات، احساس، درک، درک، درک، درک، مفهوم، دلیل)، یا ذهن - کیفیت روان، متشکل از توانایی انطباق با شرایط جدید، توانایی یادگیری و حفظ بر اساس تجربه، درک و استفاده از مفاهیم انتزاعی و استفاده از دانش آنها برای مدیریت زیست محیطی. عقل یک توانایی کلی برای شناخت و حل مشکلات است که تمام توانایی های شناختی انسانی را ترکیب می کند: احساس، ادراک، حافظه، عملکرد، تفکر، تخیل.
در اوایل دهه 1980 دانشمندان در تئوری محاسبات Barr و Figendbaum تعریف زیر از هوش مصنوعی را پیشنهاد کردند (AI):
بعدها، AI شروع به تعدادی از الگوریتم ها و سیستم های نرم افزاری کرد، ویژگی متمایز این است که آنها می توانند برخی از وظایف را حل کنند، زیرا فردی در مورد تصمیم خود فکر می کند.
خواص اصلی AI درک زبان، آموزش و توانایی فکر کردن و مهمتر از آن است.
AI - یک مجموعه از فن آوری های مرتبط و فرآیندهای توسعه کیفی و به سرعت، به عنوان مثال:
- پردازش متن در زبان طبیعی
- سیستم های خبره
- نمایندگان مجازی (ربات های چت و کمک های مجازی)
- سیستم توصیه ها
استراتژی توسعه هوش مصنوعی ملی
- مقاله اصلی: استراتژی توسعه هوش مصنوعی ملی
مطالعات در زمینه AI
- مقاله اصلی: مطالعات در زمینه هوش مصنوعی
استاندارد سازی در زمینه
2019: کارشناسان ISO / IEC از این پیشنهاد حمایت کردند تا یک استاندارد را در روسیه توسعه دهند
در تاریخ 16 آوریل 2019، شناخته شده است که کمیته فرعی ISO / IEC در زمینه استاندارد سازی در زمینه هوش مصنوعی، پیشنهاد کمیته فنی سیستم های سایبری سیستم های فیزیکی ایجاد شده بر اساس RVC، در توسعه استاندارد "مصنوعی" هوش مفاهیم و اصطلاحات "در روسیه علاوه بر نسخه انگلیسی پایه.
استاندارد اصطلاح "هوش مصنوعی. مفاهیم و اصطلاحات "به طور اساسی برای کل خانواده اسناد نظارتی بین المللی و فنی در زمینه هوش مصنوعی اساسی است. علاوه بر اصطلاحات و تعاریف، این سند شامل رویکردهای مفهومی و اصول ساخت سیستم های ساخت با عناصر، شرح رابطه AI با دیگر از طریق تکنولوژی، و همچنین اصول اساسی و روشهای قاب به مقررات قانونی و فنی هوش مصنوعی.
پس از جلسه شرکت کمیته فرعی ISO / IEC در دوبلین، کارشناسان ISO / IEC از پیشنهاد هیئت نمایندگی از روسیه در زمینه توسعه همزمان استاندارد اصطلاحات در زمینه AI نه تنها به زبان انگلیسی، بلکه در روسیه حمایت کردند. انتظار می رود که این سند در ابتدای سال 2021 تایید شود.
| توسعه محصولات و خدمات بر اساس هوش مصنوعی نیاز به تفسیر یکپارچه از مفاهیم مورد استفاده همه شرکت کنندگان در بازار دارد. استاندارد اصطلاحات به "زبان" اجازه می دهد تا متحد شوند، که توسعه دهندگان، مشتریان و جامعه حرفه ای ارتباط برقرار می کنند، چنین خواص محصولات مبتنی بر AI را به عنوان "امنیت"، "بازتولید"، "قابلیت اطمینان" و "محرمانه بودن" طبقه بندی می کنند. اصطلاحات یکپارچه نیز عامل مهمی برای توسعه فن آوری های هوش مصنوعی در چارچوب ابتکار تکنولوژیکی ملی است - الگوریتم های AI بیش از 80 درصد از شرکت ها را در محیط NTI استفاده می کنند. علاوه بر این، راه حل ISO / IEC قدرت را تقویت خواهد کرد و نفوذ کارشناسان روسیه را در توسعه بیشتر استانداردهای بین المللی گسترش می دهد. |
در طی این نشست، کارشناسان ISO / IEC همچنین از توسعه پیش نویس فناوری اطلاعات اسناد بین المللی حمایت کردند - هوش مصنوعی (AI) - مرور کلی رویکردهای محاسباتی برای سیستم های AI، که در آن روسیه به عنوان یک یادداشت عمل می کند. این سند یک مرور کلی از وضعیت فعلی سیستم های هوش مصنوعی را ارائه می دهد، و ویژگی های اصلی سیستم ها، الگوریتم ها و رویکردها، و همچنین نمونه هایی از برنامه های تخصصی در زمینه AI را توصیف می کند. توسعه این پیش نویس سند به طور خاص در گروه کارگری فرعی 5 "رویکردهای محاسباتی و ویژگی های محاسباتی سیستم های هوش مصنوعی" (SC 42 گروه کاری 5 "رویکردهای محاسباتی و ویژگی های محاسباتی سیستم های AI ایجاد شده است.
| به عنوان بخشی از سطح بین المللی، هیئت نمایندگی از روسیه موفق به دستیابی به تعدادی از راه حل های نمادین شد که یک اثر طولانی مدت برای توسعه فن آوری های هوش مصنوعی داشته باشد. توسعه یک نسخه روسی از استاندارد، و با چنین فاز اولیه - گارانتی هماهنگ سازی با زمینه بین المللی و توسعه کمیته فرعی ISO / IEC و آغاز اسناد بین المللی با تعهد روسیه پایه و اساس برای بیشتر است ترویج منافع توسعه دهندگان روسیه در خارج از کشور، "اظهار داشت. |
فن آوری های هوش مصنوعی به طور گسترده ای در صنایع مختلف اقتصاد دیجیتال مورد نیاز است. در میان عوامل اصلی محدود کردن استفاده از مقیاس کامل آنها، توسعه چارچوب نظارتی است. در عین حال، این پایگاه پیشگیرانه و فنی توسعه یافته است که کیفیت مشخصی از کاربرد تکنولوژی و اثر اقتصادی مربوطه را فراهم می کند.
در جهت هوش مصنوعی TK "سیستم های فیزیکی سایبری" بر اساس RVK، توسعه تعدادی از استانداردهای ملی، که ادعا در پایان سال 2019 - آغاز سال 2020 برنامه ریزی شده است. علاوه بر این، همکاری با بازیکنان بازار در حال کار بر روی تشکیل یک طرح استاندارد ملی (PNS) برای سال 2020 و بیشتر است. TK "سیستم های فیزیکی سایبری" برای پیشنهاد توسعه اسناد از سازمان های مربوطه باز است.
2018: توسعه استانداردهای در زمینه ارتباطات کوانتومی، AI و شهر هوشمند
کمیته فنی سیستم های سایبر فیزیکی بر اساس RVK همراه با مرکز مهندسی منطقه ای "Seifnet" در تاریخ 6 دسامبر 2018، مجموعه ای از استانداردهای بازارهای ابتکار تکنولوژیکی ملی (NTI) و اقتصاد دیجیتالی را آغاز کرد. تا مارس 2019، برنامه ریزی شده برای توسعه اسناد استاندارد سازی فنی در زمینه ارتباطات کوانتومی، و در RVK گزارش شده است. ادامه مطلب
تأثیر هوش مصنوعی
خطر توسعه تمدن بشری
تأثیر بر اقتصاد و کسب و کار
- تأثیر فن آوری های هوش مصنوعی بر اقتصاد و کسب و کار
تأثیر بر بازار کار
تعصب هوش مصنوعی
بر اساس همه چیز که عمل AI (ترجمه ماشین، تشخیص گفتار، پردازش متون در زبان های طبیعی، بینایی کامپیوتر، اتوماسیون رانندگی و خیلی بیشتر) یادگیری عمیق است. این یک زیرمجموعه از یادگیری ماشین است که با استفاده از مدل های شبکه های عصبی مشخص می شود، که می توانیم بگوییم که آنها کار مغز را تقلید می کنند، بنابراین آنها می توانند به AI با کشش نسبت داده شوند. هر مدل شبکه عصبی بر روی مجموعه داده های بزرگ آموخته می شود، بنابراین برخی از "مهارت ها" را به دست می آورد، اما راه استفاده آنها - برای سازندگان آن هنوز مشخص نیست که در نهایت یکی از مهمترین مشکلات برای بسیاری از کاربردهای یادگیری عمق می شود. دلیل این است که چنین مدل با تصاویر به طور رسمی کار می کند، بدون هیچ گونه درک از آنچه که انجام می شود. آیا چنین سیستم AI است و آیا امکان اعتماد سیستم های ساخته شده بر اساس یادگیری ماشین وجود دارد؟ پاسخ به آخرین سوال فراتر از محدودیت آزمایشگاه های علمی است. بنابراین، توجه رسانه ها به پدیده ای که نام AI را دریافت کرد، به طور قابل توجهی تشدید شد. این را می توان به عنوان "اتصال AI" یا "پیوند AI" ترجمه کرد. ادامه مطلب
بازار فناوری هوش مصنوعی
II بازار در روسیه
بازار جهانی دوم
دامنه کاربرد II
استفاده از AI به طور گسترده ای گسترده است و هر دو فن آوری های شنوایی معمولی را پوشش داده و جهت های جدید در حال ظهور، به دور از برنامه های گسترده، به عبارت دیگر، این کل طیف از راه حل ها، از جارو برقی به ایستگاه های فضایی است. شما می توانید تمام انواع خود را با معیارهای تقسیم کنید. امتیاز کلیدی توسعه.
AI یک موضوع یکپارچه نیست. علاوه بر این، برخی از مسیرهای تکنولوژیکی AI به عنوان زیرمجموعه های جدیدی از اقتصاد و نهادهای جداگانه ظاهر می شود، در حالی که اکثر حوزه های اقتصاد را حفظ می کنند.
توسعه استفاده از استفاده از AI منجر به انطباق فن آوری ها در بخش های کلاسیک اقتصاد بر کل زنجیره ارزش می شود و آنها را تبدیل می کند، منجر به الگوریتم تقریبا کل عملکرد، از تدارکات قبل از مدیریت شرکت می شود.
استفاده از AI برای امور دفاع و نظامی
استفاده در آموزش و پرورش
با استفاده از AI در کسب و کار
AI در مبارزه با تقلب
در 11 ژوئیه 2019، معلوم شد که تنها دو سال، هوش مصنوعی و یادگیری ماشین برای مقابله با تقلب سه برابر بیشتر از ژوئیه 2019 استفاده می شود. چنین اطلاعاتی در طی تحقیقات مشترک شرکت SAS و انجمن متخصصین تحقیقاتی خبره و تقلب تقلب (انجمن معاینه گواهی تقلب، ACFE) به دست آمد. برای ماه ژوئیه سال 2019، چنین ضد هروید -Instruments در حال حاضر در 13٪ از سازمان هایی که در این نظرسنجی شرکت کرده اند، مورد استفاده قرار می گیرند و 25٪ اعلام کردند که آنها قصد داشتند آنها را در سال آینده اجرا کنند. ادامه مطلب
AI در صنعت برق
- در سطح طراحی: پیش بینی پیش بینی تقاضای نسل و انرژی، ارزیابی قابلیت اطمینان تجهیزات تولید برق، اتوماسیون افزایش تولید، زمانی که تقاضا پریدن است.
- در سطح تولید: بهینه سازی تعمیر و نگهداری تجهیزات، بهبود بهره وری تولید، کاهش تلفات، جلوگیری از سرقت منابع انرژی.
- در سطح ارتقاء: بهینه سازی قیمت گذاری بسته به زمان روز و هزینه های پویا.
- در سطح خدمات: انتخاب خودکار از تامین کننده سودمند ترین، آمار مصرف دقیق، خدمات مشتری اتوماتیک، بهینه سازی مصرف انرژی، با توجه به عادت ها و رفتار مشتری.
AI در بخش تولید
- در سطح طراحی: بهبود بهره وری توسعه محصولات جدید، ارزیابی خودکار از تامین کنندگان و تجزیه و تحلیل قطعات و جزئیات.
- در سطح تولید: بهبود روند اجرای وظایف، اتوماسیون خطوط مونتاژ، کاهش تعداد خطاها، کاهش زمان تحویل مواد خام.
- در سطح ارتقاء: پیش بینی حجم خدمات پشتیبانی و تعمیر و نگهداری، مدیریت قیمت گذاری.
- در سطح خدمات خدمات: بهبود برنامه ریزی مسیرهای پارک خودرو، تقاضا برای منابع ناوگان، بهبود کیفیت آموزش مهندسان خدمات.
AI در بانک ها
- شناخت تصاویر - استفاده می شود. برای تشخیص مشتریان در بخش ها و انتقال به آنها پیشنهادات تخصصی.
AI در حمل و نقل
- صنعت خودرو در آستانه انقلاب: 5 دوره دوران رانندگی بدون سرنشین
AI در تدارکات
AI در دم
AI در سیستم قضایی
تحولات در زمینه هوش مصنوعی به طور اساسی سیستم قضایی را تغییر خواهد داد، آن را بیشتر و آزاد از طرح های فاسد می کند. این نظر در تابستان 2017 یک دکتر بیان شده است علوم فنی، مشاور فنی Artezio Vladimir Krylov.
دانشمند معتقد است که راه حل های موجود در زمینه AI می تواند با موفقیت در زمینه های مختلف اقتصاد و زندگی عمومی مورد استفاده قرار گیرد. این کارشناس نشان می دهد که AI با موفقیت در پزشکی اعمال می شود، اما در آینده قادر به تغییر سیستم قضایی است.
"گزارش های روزانه مشاهده اخبار در مورد تحولات در زمینه AI تنها بر ناتوانی فانتزی و پرداختن محققان و توسعه دهندگان در این منطقه تاثیر می گذارد. پیام های مربوط به تحقیقات علمی به طور مداوم با انتشارات در مورد محصولات جدیدی که در بازار مشغول به کار هستند، متناوب هستند و گزارش هایی از نتایج شگفت انگیز به دست آمده با استفاده از استفاده از AI در مناطق مختلف. اگر ما در مورد رویدادهای مورد انتظار صحبت کنیم، همراه با یک haip قابل توجه در رسانه ها، که در آن AI دوباره یک قهرمان خبری خواهد بود، احتمالا من احتمالا برای پیش بینی های تکنولوژیکی سرمایه گذاری نمی کنم. من می توانم فرض کنم که رویداد فوری ظهور یک دادگاه بسیار صالحه در قالب هوش مصنوعی، منصفانه و نادرست خواهد بود. این اتفاق خواهد افتاد، ظاهرا، در سال 2020-2025. و فرایندهایی که در این دادگاه برگزار می شود، منجر به رفلکس های غیر منتظره و تمایل بسیاری از مردم می شود تا اکثر فرآیندهای مدیریت جامعه انسانی را انتقال دهند. "
استفاده از هوش مصنوعی در سیستم قضایی، دانشمند "گام منطقی" را بر توسعه برابری قانونی و عدالت به رسمیت می شناسد. ذهن ماشین به فساد و احساسات مربوط نمی شود، می تواند به وضوح به چارچوب قانونی پایبند باشد و تصمیمات با بسیاری از عوامل، از جمله داده هایی که شرکت کنندگان اختلاف را مشخص می کنند، تصمیم گیری کنند. به طور مشابه با حوزه پزشکی، روبات ها به ترتیب با داده های بزرگ از ذخیره سازی دولتی کار می کنند. این را می توان فرض کرد که
موسیقی
رنگ آمیزی
در سال 2015، فرماندهی گوگل شبکه های عصبی را به روش خود برای ایجاد تصاویر آزمایش کرد. سپس هوش مصنوعی در مثال تعداد زیادی از تصاویر مختلف آموزش دیده است. با این حال، زمانی که چیزی "پرسید" به طور مستقل به تصویر کشیده شد، معلوم شد که جهان را در اطراف ما تفگرش می کند. به عنوان مثال، برای جلب دمبل، توسعه دهندگان یک تصویر دریافت کردند که در آن فلز توسط دست های انسانی متصل شد. احتمالا به دلیل این واقعیت بود که در مرحله آموزش، تصاویر مورد تجزیه و تحلیل شده با دمبل های حاوی دست ها بود و شبکه عصبی به اشتباه تفسیر شد.
در تاریخ 26 فوریه 2016، در سانفرانسیسکو در حراج ویژه، نمایندگان گوگل با نقاشی های روانگردان نوشته شده توسط هوش مصنوعی، حدود 98 هزار دلار نجات یافتند. این بودجه برای خیریه اهدا شد. یکی از موفق ترین نقاشی های دستگاه در زیر ارائه شده است.
تصویر نوشته شده توسط هوش مصنوعی گوگل.
در این مقاله، تجربه رو به رشد ساده ترین هوش مصنوعی (AI) را با استفاده از یک الگوریتم ژنتیک به اشتراک می گذارم و همچنین در مورد حداقل مجموعه دستورات لازم برای تشکیل هر گونه رفتار نیز توضیح خواهم داد.
نتیجه کار این واقعیت بود که AI، که نمی دانست قوانین، به طور مستقل از بازی های متقاطع تسلط پیدا کرد و ضعف ربات هایی را که علیه او بازی می کرد، پیدا کرد. اما من با یک کار حتی ساده تر شروع کردم.
مجموعه ای از دستورات
این همه با آماده سازی مجموعه ای از دستورات آغاز شد که II می تواند داشته باشد. زبان های سطح بالا شامل صدها نفر هستند اپراتورهای مختلف. برای برجسته کردن حداقل ضروری، تصمیم گرفتم به اسمبلر مراجعه کنم. با این حال، معلوم شد که این شامل بسیاری از تیم ها است.من نیاز به اینکه AI می تواند اطلاعات را بخواند و خروجی، کار با حافظه، انجام محاسبات و عملیات منطقی، انتقال و چرخه انجام دهد. من در سراسر زبان Brainfuck که شامل تنها 8 دستورات بود، آمد و می تواند هر محاسبات را انجام دهد (به عنوان مثال پر از تورینگ). در اصل، برای برنامه نویسی ژنتیکی مناسب است، اما من بیشتر رفتم.
من تعجب کردم: حداقل تعداد دستورات برای اجرای هر الگوریتم لازم است؟ همانطور که معلوم شد - یکی!
پردازنده URCC شامل تنها یک فرمان است: برای کاهش و رها کردن دستورالعمل زیر، اگر کمبود بزرگتر از کاهش یافته باشد. این به اندازه کافی برای ساخت هر الگوریتم است.
اولگ Mashka حتی بیشتر رفت، او تیم Bitbitjump را توسعه داد و ثابت کرد که پر از تورینگ است. دستور شامل سه آدرس است، یک بیت از اول به آدرس حافظه دوم کپی می کند و کنترل را به آدرس سوم انتقال می دهد.
با قرض گرفتن ایده های اولگ، برای ساده سازی کار، فرمان Sumifjump را توسعه دادم. دستور شامل چهار operands: a، b، c، d و انجام موارد زیر است: به سلول در آدرس B می افزاید داده از سلول به a اگر مقدار معلوم شود بیشتر مشخص شده است *، پس از آن حرکت به c، در غیر این صورت به D.
توجه داشته باشید
* در این مورد، 128 مورد استفاده شد - نیمی از ژنوم طولانی.
هنگامی که Operand اشاره به سلول حافظه N0، داده ها ورودی، و زمانی که به سلول N1، خروجی.
در زیر کد Sumifjump در Freepascal (رایگان آنالوگ Detphi) است.
روش Runprog (S: TDATA)؛ var a، b، c، d: tdata؛ شروع INC (NSTEP)؛ اگر nstep\u003e maxstep سپس شروع به برنامه ریزی: \u003d "maxstep"؛ خروج؛ پایان؛ a: \u003d s؛ B: \u003d S + 1؛ C: \u003d S + 2؛ D: \u003d S + 3؛ A: \u003d Prog [a]؛ b: \u003d prog [b]؛ C: \u003d Prog [c]؛ D: \u003d Prog [D]؛ اگر a \u003d 0 پس از شروع progresult: \u003d "ورودی"؛ خروج؛ پایان؛ اگر A \u003d 1 سپس شروع به برنامه ریزی کنید: \u003d "خروجی"؛ خروج؛ پایان؛ Prog [b]: \u003d prog [b] + Prog [a]؛ اگر Prog [b]< ProgLength div 2 then
RunProg(c)
else
RunProg(d);
end;
SumifJump یک کد خود قابل اعتماد را اجرا می کند. می تواند هر الگوریتم های موجود در زبان برنامه نویسی معمولی را انجام دهد. کد به راحتی تغییر می کند و هر دستکاری را تحمل می کند.
وظیفه ساده
بنابراین، AI ما تنها یک تیم است. در حالی که Cross Noliki یک بازی بسیار دشوار برای او است، و من با ساده تر شروع کردم.
ربات یک عدد تصادفی می دهد و AI باید داده ها را در نظر بگیرد و پاسخ دهد. اگر تعداد بیشتر از میانگین (از محدوده اعداد تصادفی) باشد، AI باید شماره کمتر از میانگین و بالعکس را صادر کند.
ژنوم AI ما شامل 256 سلول با مقادیر از 0 تا 255 است. هر مقدار حافظه و کد و آدرس است. تعداد مراحل پیشرفت محدود به 256 است. Operands توسط یکدیگر خوانده می شوند.
در ابتدا، ژنوم با مجموعه ای از اعداد تصادفی شکل می گیرد، بنابراین II نمی داند که او نیاز به بازی دارد. علاوه بر این، او نمی داند چه چیزی به طور پیوسته وارد و نمایش داده ها، پاسخ به ربات.
جمعیت و انتخاب
اولین جمعیت شامل 256 AI است که شروع به بازی با ربات می کند. اگر AI اقدامات صحیح را انجام دهد، به عنوان مثال، داده ها را در مورد ورودی درخواست کرد، و سپس چیزی را به ارمغان آورد، سپس AI عینک می گیرد. بیشتر اقدامات صحیح، امتیاز بیشتر.16 AI، که بیشترین امتیاز را به ثمر رساند، 15 نسل را به دست آورد و همچنان در بازی شرکت کرد. نسل یک جهش است. جهش با جایگزینی کپی والدین یک سلول تصادفی برای معنای تصادفی رخ می دهد.
اگر در اولین جمعیت، هیچ AI امتیازات را به دست آورد، جمعیت زیر تشکیل شده است. و به همین ترتیب، تا زمانی که برخی از AI شروع به اقدامات درست انجام دهند و فرزندان صحیح را اصلاح کنند.
سیر تکاملی
هزاران نفر از تغییرات نسل بین رویدادهای معنی دار وجود داشت. این برنامه در چندین جریان در Core i7 راه اندازی شد. محاسبات حدود 15 دقیقه طول کشید.
- هنگامی که AI "رهبر" یک خطای تصادفی مرتکب شد و نقاط کافی به دست نیاورده بود، جمعیت شروع به تخریب کرد، زیرا فرزندان از والدین ثانویه تشکیل شده است.
- این اتفاق افتاد که در جریان با بیگانگان که در محل قرار گرفته اند، جهش موفقیت آمیز رخ داد، که رشد انفجاری نقاط به دست آورد. پس از آن، این موضوع رهبر شد.
- گاهی اوقات جهش های موفق برای مدت زمان طولانی رخ نداده اند و حتی 500 هزار نسل برای تکمیل انتخاب فاقد آن هستند.
نتیجه
در نتیجه، من با بازی Cross-Noliki هم همین کار را کردم. اندازه ژنوم از آن به عنوان اولین مورد استفاده می شود. تعداد مراحل به 1024 افزایش یافت و اندازه جمعیت تا 64 سال (برای محاسبه سریع تر) بود. محاسبه چند بار دیگر طول کشید. همه چیز در مورد همان سناریو اتفاق افتاد.اول، AI در برابر "Randomizer" بازی کرد. من ربات را نام بردم، که به طور تصادفی می رود. خیلی سریع شروع به ضرب و شتم کردم، هر خط را پر کردم. بعد، من این کار را پیچیده کردم، اضافه کردن یک تصادف از کمی ذهن: خط، اگر فرصتی وجود داشته باشد یا از خودتان دفاع کنید. با این حال، در این مورد، II ضعف ربات را پیدا کرد و شروع به ضرب و شتم کرد. شاید داستان در مورد این موضوع یک موضوع برای یک مقاله جداگانه است.
پسر خواستار نوشتن یک برنامه بود که II با یکدیگر بازی کرد، و نه با یک ربات. ایده هایی برای انجام همین کار برای بازی چکرز یا TH وجود داشت، اما برای این منظور من هیچ وقت نداشتم.
تنها روش من برای به دست آوردن افراد جدید، یک جهش است. شما همچنین می توانید از متقاطع و معکوس استفاده کنید. شاید این روش ها نتیجه نتیجه مورد نظر را تسریع کند.
این ایده در پایان متولد شد: برای ارائه امکان مدیریت تمام فرآیندهای کامپیوتر و مبارزه برای منابع کامپیوتر. کامپیوتر را به اینترنت وصل کنید و استخر مزارع قدیمی Bitcoan به عنوان قدرت محاسباتی استفاده کنید ...
همانطور که گفت، انجام آزمایش مشابه، وبلاگ نویس
از جمله مهمترین کلاس های وظایف، که در مقابل توسعه دهندگان سیستم های فکری از لحاظ تعیین هوش مصنوعی به عنوان یک جهت علمی (از اواسط دهه 50 قرن بیستم) تعیین شد، باید اختصاص داده شود جهت هوش مصنوعیکه وظایف را حل می کند که رسمی سازی ضعیف وجود دارد: اثبات قضیه، تشخیص تصویر، ترجمه ماشین و درک سخنرانی انسانی، برنامه های بازی، خلاقیت ماشین، سیستم های متخصص. به طور خلاصه ماهیت خود را در نظر بگیرید.
جهت هوش مصنوعی
قضیه اثبات. مطالعه تکنیک های اثبات تکنیک های اثبات نقش مهمی در توسعه هوش مصنوعی ایفا کرد. بسیاری از مشکلات غیر رسمی مانند تشخیص پزشکی، در حل رویکردهای متدولوژیکی مورد استفاده قرار می گیرند که در اتوماسیون شواهد توسط قضیه استفاده می شود. جستجو برای اثبات تئوری ریاضی نیاز به نه تنها برای انجام تخفیف، بر اساس فرضیه ها، بلکه همچنین ایجاد مفروضات بصری که در مورد بیانیه های موقت باید برای شواهد کلی از قضیه اصلی اثبات شود. تشخیص تصویر. استفاده از هوش مصنوعی برای شناخت تصاویر باعث ایجاد سیستم های شناسایی سیستم عملا کار بر اساس نشانه های مشابه می شود. به عنوان ویژگی، هر ویژگی از اشیاء به رسمیت شناخته شده می تواند در نظر گرفته شود. علائم باید به جهت، اندازه و شکل اشیاء غیر قابل تغییر باشد. الفبای علائم توسط توسعه دهنده سیستم تشکیل شده است. کیفیت تشخیص بستگی زیادی به چگونگی عملکرد الفبای حاصل از علائم دارد. به رسمیت شناختن شامل دریافت پیشینی از بردار کاراکتر برای شیء فردی اختصاص داده شده بر روی تصویر است و پس از آن، در تعریف آن از استانداردهای الفبای نشانه ها، این بردار مسئول است. ترجمه ماشین و درک سخنرانی انسان. وظیفه تجزیه و تحلیل پیشنهادات سخنرانی انسانی با استفاده از فرهنگ لغت یک وظیفه معمول سیستم های هوش مصنوعی است. برای حل آن، یک زبان میانجیگری ایجاد شد، تسهیل مقایسه عبارات از زبان های مختلف. در آینده، این زبان میانجی تبدیل به یک مدل معنایی از ارائه مقادیر متون ترجمه شده است. تکامل مدل معنایی منجر به ایجاد یک زبان برای ارائه داخلی دانش شد. در نتیجه، سیستم های مدرن تجزیه و تحلیل متن و عبارات در چهار مرحله اصلی تجزیه و تحلیل می شود: تجزیه و تحلیل مورفولوژی، تجزیه و تحلیل نحوی، معنایی و عملگرا. برنامه های بازی. اکثریت برنامه های بازی بر اساس چندین ایده اساسی از هوش مصنوعی، مانند گزینه های انفجاری و خودآموزی است. یکی از جالب ترین وظایف در زمینه برنامه های بازی با استفاده از روش های هوش مصنوعی، آموزش کامپیوتر در شطرنج است. این در سپیده دم تاسیس شد تجهیزات کامپیوتر، در اواخر دهه 50. در شطرنج سطوح خاصی از مهارت، درجه کیفیت بازی وجود دارد که می تواند معیارهای روشن برای ارزیابی رشد فکری سیستم را ارائه دهد. بنابراین، دانشمندان از سراسر جهان به طور فعال در شطرنج کامپیوتر مشغول به کار هستند و نتایج دستاوردهای آنها در سایر تحولات روشنفکرانه با اهمیت عملی واقعی اعمال می شود. در سال 1974، مسابقات قهرمانی جهان در میان برنامه های شطرنج برای اولین بار در چارچوب کنگره IFIP بعدی (فدراسیون بین المللی پردازش اطلاعات) در استکهلم برگزار شد. برنده این رقابت برنامه شطرنج KAIS بود. این در مسکو، در موسسه مشکلات مدیریت آکادمی علوم اتحاد جماهیر شوروی ایجاد شد. خلاقیت ماشین. یکی از زمینه های کاربردی هوش مصنوعی می تواند نسبت داده شود سیستم های نرم افزاریقادر به ایجاد موسیقی، اشعار، داستان ها، مقالات، دیپلم و حتی پایان نامه ها است. امروز یک کلاس کامل از زبان های برنامه نویسی موسیقی وجود دارد (به عنوان مثال، زبان C-Sound). برای وظایف مختلف موسیقی، ویژه نرم افزار: سیستم های پردازش صدا، سنتز صدا، سیستم های ترکیب تعاملی، ترکیبات الگوریتمی. سیستم های خبره. روش های هوش مصنوعی، کاربرد در ایجاد سیستم های مشاوره خودکار یا سیستم های خبره. اولین سیستم های متخصص به عنوان ابزار تحقیقاتی در دهه 1960 قرن گذشته توسعه یافت. آنها سیستم های هوش مصنوعی بودند که به طور خاص برای حل وظایف پیچیده در یک موضوع محدود، مانند تشخیص پزشکی بیماری ها طراحی شده بودند. هدف کلاسیک این جهت در ابتدا ایجاد یک سیستم هوش مصنوعی عمومی بود که قادر به حل هر گونه مشکل بدون دانش خاص در زمینه موضوع بود. با توجه به امکانات محدود منابع محاسباتی، این کار با یک نتیجه قابل قبول بسیار دشوار بود. معرفی تجاری سیستم های متخصص این در اوایل دهه 1980 اتفاق افتاد و از آن زمان سیستم های متخصص توزیع قابل توجهی دریافت کرده اند. آنها در کسب و کار، علم، فناوری، در تولید، و همچنین در بسیاری از مناطق دیگر که در آن یک موضوع کاملا تعریف شده است، استفاده می شود. ارزش اصلی بیان "کاملا قطعی" این است که فرد متخصص قادر به تعیین مراحل استدلال است که هر وظیفه این موضوع را حل می کند. این به این معنی است که اقدامات مشابه را می توان با یک برنامه کامپیوتری انجام داد. حالا شما می توانید با اطمینان بگویید که با استفاده از سیستم های هوش مصنوعی مرزهای گسترده ای را باز می کند. امروزه سیستم های متخصص یکی از موفق ترین برنامه های کاربردی فناوری اطلاعات مصنوعی هستند. بنابراین، ما توصیه می کنیم که بخوانیداز لحظه ای که هوش مصنوعی به عنوان یک جهت علمی شناخته شد و این در اواسط دهه 50 قرن گذشته اتفاق افتاد، توسعه دهندگان سیستم های هوشمند مجبور به حل بسیاری از وظایف شدند. به طور شرطی تمام وظایف را می توان به چند کلاس تقسیم کرد: شناخت زبان انسانی و ترجمه، تطابق اتوماتیک قضیه، ایجاد برنامه های بازی، تشخیص تصویر و خلاقیت ماشین. به طور خلاصه ماهیت هر کلاس از وظایف را در نظر بگیرید.
قضیه اثبات
تئوری های اتوماتیک اتوماتیک قدیمی ترین دامنه هوش مصنوعی است. مطالعات زیادی در این زمینه انجام شده است، که نتیجه آن ظهور الگوریتم های جستجو رسمی و زبان های رسمی رسمی مانند زبان برنامه نویسی پروپلي - منطقی و محاسبات پیش فرض بود.
تئوری های شواهد اتوماتیک جذاب هستند که بر اساس جامعه و سختگیرانه منطق هستند. منطق در سیستم رسمی شامل امکان اتوماسیون است، به این معنی که اگر شما یک کار را ارسال کنید و به آن مربوط باشید اطلاعات اضافی به شکل مجموعه ای از اصول منطقی، و موارد خصوصی این مشکل - به عنوان قضیه که نیاز به شواهد دارند، می توانید راه حل برای بسیاری از مشکلات را دریافت کنید. سیستم های اثبات ریاضی و تئوری های شواهد اتوماتیک شامل پایه آن دقیقا این اصل است. در سال های گذشته، یک تلاش مکرر برای نوشتن یک برنامه برای شواهد اتوماتیک به قضیه ساخته شد، اما امکان ایجاد یک سیستم وجود نداشت که به شما امکان حل مشکلات را با استفاده از یک روش را حل کند. هر سیستم نسبتا پیچیده اکتشافی می تواند انواع قضیه اثبات شده را ایجاد کند که به عنوان یک نتیجه از برنامه ها مربوط به برنامه نیست، لازم بود تا آنها را ثابت کند تا زمانی که مورد نظر یافت شود. به همین دلیل، اعتقاد بر این بود که با فضاهای بزرگ تنها با کمک استراتژی های غیر رسمی به طور خاص برای موارد خاص طراحی شده است. در عمل، این رویکرد کاملا پربار بود و همراه با دیگران، اساس سیستم های متخصص، گذاشته شد.
در عین حال، غیرممکن است که استدلال را بر اساس منطق رسمی نادیده بگیریم. یک رویکرد رسمی به شما امکان می دهد مشکلات بسیاری را حل کنید. به طور خاص، استفاده از آن، شما می توانید مدیریت کنید سیستم های پیچیده، صحت برنامه های کامپیوتری، طراحی و بررسی زنجیره های منطقی را بررسی کنید. علاوه بر این، تئوری های محققان ضد محققان، اکتشافات قدرتمند را توسعه داده اند که بر اساس ارزیابی نحوی است. عبارات منطقی. در نتیجه، کاهش سطح پیچیدگی فضای جستجو، بدون توسل به توسعه استراتژی های خاص، کاهش یافت.
اثبات اتوماتیک قضیه باعث علاقه دانشمندان می شود و به همین دلیل سیستم نیز می تواند برای مشکلات خاص پیچیده مورد استفاده قرار گیرد، گرچه بدون دخالت انسان نیست. در حال حاضر برنامه ها اغلب به عنوان دستیار عمل می کنند. متخصصان وظایف چندین زیرمجموعه را شکست می دهند، پس اکتشافی برای خاموش کردن پایگاه های احتمالی، به نظر می رسد. علاوه بر این، برنامه ثابت می کند Lemmas، بررسی مفروضات کمتر قابل توجه و تمرینات را به جنبه های رسمی شواهد حاصل از فرد انجام می دهد.
تشخیص الگو.
شناخت تصاویر، تخصیص ویژگی های ضروری است که داده های اولیه را از مجموعه کل ویژگی ها و بر اساس اطلاعات به دست آمده، تخصیص داده ها به یک کلاس خاص مشخص می کند.
تئوری شناخت تصاویر یک بخش از اطلاعاتی است، وظایفی که شامل توسعه پایه ها و روش های شناسایی و طبقه بندی اشیاء (اشیاء، فرآیندها، پدیده ها، موقعیت ها، سیگنال ها، و غیره) است، هر کدام از آنها با آن تأمین می شود مجموعه ای از نشانه ها و خواص. در عمل، شناسایی اشیاء اغلب است. وضعیت مشخصه شناخت رنگ نور ترافیک و تصمیم گیری در مورد اینکه آیا این لحظه عبور از خیابان. زمینه های دیگری وجود دارد که بدون شناخت اشیاء غیرممکن است، به عنوان مثال، دیجیتالی کردن سیگنال های آنالوگ، یک امور نظامی، سیستم امنیتی و غیره، غیرممکن است، بنابراین دانشمندان امروز همچنان به طور فعال در ایجاد سیستم های تشخیص تصویر ادامه می دهند.
کار در دو جهت اصلی انجام می شود:
- · مطالعه، توضیح و مدل سازی توانایی تشخیص موجودات زنده.
- · توسعه پایه های نظری و روش شناختی ایجاد دستگاه هایی که به شما امکان می دهد تا وظایف فردی را در مقاصد اعمال کنید.
تنظیم وظایف شناختی با استفاده از زبان ریاضی انجام می شود. در حالی که نظریه مصنوعی شبکه های عصبی این بر اساس نتایج به دست آوردن نتایج توسط آزمایش ها، فرمول بندی وظایف تشخیص تصویر بر اساس آزمایش نیست، بلکه بر اساس شواهد ریاضی و استدلال منطقی است.
فرمول کلاسیک چنین کاری را در نظر بگیرید. اشیای زیادی وجود دارد که نسبت به طبقه بندی باید انجام شود. مجموعه شامل زیر مجموعه ها یا کلاس ها است. مجموعه: اطلاعات توصیف مجموعه، اطلاعات کلاس ها و شرح یک شیء فردی بدون نشان دادن متعلق به یک کلاس خاص. وظیفه: بر اساس داده های موجود، تعیین کنید که کدام اهداف کلاس را هدف قرار دهید.
اگر تصاویر تک رنگ در وظایف حضور داشته باشند، می توانند به عنوان توابع در هواپیما در نظر گرفته شوند. تابع یک رکورد تصویر رسمی و در هر نقطه برای بیان یک ویژگی خاص است. این تصویر - تراکم نوری، شفافیت، روشنایی، و غیره در این مورد، مدل تصاویر چندگانه مجموعه ای از توابع در هواپیما خواهد بود. تنظیم مشکل تشخیص بستگی به این دارد که چگونه مراحل به دنبال تشخیص هستند.
روش های شناخت تصاویر شامل آزمایشات F. Rosenblatt است که مفهوم مدل مغز را معرفی کرد. وظیفه این آزمایش نشان می دهد که چگونه پدیده های روانشناختی در یک سیستم فیزیکی با خواص و ساختار کاربردی شناخته شده بوجود می آیند. دانشمند ساده ترین آزمایش ها را به رسمیت شناختن توصیف کرد، اما ویژگی های آنها یک الگوریتم راه حل قطعی نیست.
ساده ترین آزمایش، بر اساس آن اطلاعات روان شناختی قابل توجه در مورد سیستم را می توان به دست آورد، به شرح زیر است: Perseceptron یک دنباله ای از دو انگیزه مختلف را ایجاد می کند، زیرا هر کدام باید به نوعی واکنش نشان دهند، و برای انگیزه های مختلف واکنش باید متفاوت باشد اهداف چنین آزمایشی ممکن است متفاوت باشد. قبل از آزمایشگر، این وظیفه ممکن است به بررسی امکان تمایز خودبخودی توسط سیستم انگیزه های ارائه شده بدون دخالت خارج از خارج، یا برعکس، برای مطالعه امکان تشخیص اجباری، بررسی شود. در مورد دوم، آزمایشگر سیستم را برای طبقه بندی اشیاء مختلفی که می تواند بیش از دو نفر باشد، آموزش دهد. تجربه با یادگیری گذر به شرح زیر است: Persecepton توسط تصاویر اعمال می شود، که از جمله نمایندگان همه کلاس ها به رسمیت شناخته شده است. واکنش صحیح مطابق با قوانین اصلاح حافظه پشتیبانی می شود. پس از آن، آزمایشگر Perceptron از محرک های کنترل را تعیین می کند و احتمال دریافت یک واکنش داده شده برای تصاویر این کلاس را تعیین می کند. محرک های کنترل می توانند با یکی از اشیاء ارائه شده در دنباله آموزش، یا از تمام اشیاء نمایش داده شده متفاوت باشند. بسته به این، نتایج زیر به دست آمده است:
- · اگر محرک کنترل از همه انگیزه های یادگیری قبلا ارائه شده متفاوت باشد، به جز تمایز خالص، آزمایش عناصر تعمیم را بررسی می کند.
- · اگر محرک کنترل باعث فعال شدن یک گروه خاص از عناصر حسی شود که با هیچ یک از عناصری که در معرض انگیزه های مشابه کلاس قرار گرفته اند، مطابقت ندارند، این آزمایش، تعمیم خالص را بررسی می کند و شامل مطالعه شناختی نیست.
علیرغم این واقعیت که آزار و اذیت ها قادر به تعمیم خالص نیستند، آنها با وظایف به رسمیت شناختن رضایت بخش خواهند داشت، به خصوص در مواردی که تصاویر در مورد آن نشان داده شده است که در آن پراپپترون ها تجربه خاصی دارند.
تشخیص گفتار انسانی و ترجمه ماشین.
اهداف دراز مدت هوش مصنوعی عبارتند از ایجاد برنامه هایی که قادر به شناخت زبان انسانی هستند و از آن برای ایجاد عبارات معنی دار استفاده می کنند. توانایی درک و اعمال یک زبان طبیعی یک ویژگی اساسی از هوش انسانی است. اتوماسیون موفقیت آمیز این توانایی امکان بهبود کارایی رایانه ها را فراهم می آورد. تا به امروز، بسیاری از برنامه هایی که می توانند زبان طبیعی را درک کنند، نوشته شده اند و آنها با موفقیت در زمینه های محدود استفاده می شوند، اما هنوز هیچ سیستم وجود ندارد که بتواند زبان های طبیعی را با همان جامعه و انعطاف پذیری به عنوان یک فرد اعمال کند. واقعیت این است که فرآیند درک زبان طبیعی نه تنها در تجزیه و تحلیل ساده پیشنهادات اجزاء و جستجو برای ارزش های کلمات فردی در لغت نامه ها است. فقط با این کار برنامه با موفقیت انجام شد. برای استفاده از سخنرانی انسانی، دانش گسترده ای در مورد موضوع گفتگو مورد نیاز است، در مورد اصطلاحات که به او نگرش دارند، علاوه بر این، توانایی درک ابهام، عدم نظارت، حرفه ای بودن، اصطلاحات، اصطلاحات جغرافیایی و بسیاری از چیزهای دیگر که هستند ذاتی در سخنرانی عادی انسان.
به عنوان مثال، مکالمه در مورد فوتبال، که از چنین کلمات به عنوان "مهاجم"، "PAS"، "انتقال"، "Penalty"، "مدافع"، "به جلو"، "کاپیتان" و دیگران استفاده می کند. هر یک از این کلمات با مجموعه ای از مقادیر مشخص می شود و به طور جداگانه کلمات کاملا قابل درک هستند، اما عبارت متشکل از آنها به هر کسی که علاقه مند به فوتبال نیست، غیر قابل درک خواهد بود و هیچ چیز در مورد تاریخ، قوانین و اصول را نمی داند این بازی. بنابراین، برای درک و اعمال زبان انسانی، مجموعه ای از دانش پس زمینه مورد نیاز است، و یکی از مشکلات اصلی اتوماسیون درک و استفاده از یک زبان انسانی طبیعی، جمع آوری و سیستم کردن چنین دانش است.
دانشمندان از آنجایی که ارزش های معنایی در هوش مصنوعی به طور گسترده ای مورد استفاده قرار می گیرند، دانشمندان تعدادی از روش هایی را توسعه داده اند که به آنها اجازه می دهد تا تا حدودی ساختار یافته باشند. با این حال، اکثر کارها در مناطقی که به خوبی درک و تخصصی هستند انجام می شود. یک مثال تکنیک Microwoman است. یکی از اولین برنامه هایی که مورد استفاده قرار گرفت، برنامه Shrdlu توسعه یافته توسط تری انگور بود که یکی از سیستم های درک سخنرانی انسان است. امکانات این برنامه نسبتا محدود و محدود به "گفتگو" در مورد محل بلوک های رنگ های مختلف و فرم ها، و همچنین برنامه ریزی ساده ترین عمل است. این برنامه به سوالاتی مانند "چه هرم رنگ بر روی یک بروک" پاسخ داد. و این می تواند دستورالعمل ها را به "یک بلوک آبی بر روی قرمز" بدهد. چنین وظایفی اغلب تحت تأثیر محققان هوش مصنوعی قرار گرفتند و بعدا شهرت به نام "جهان بلوک" به دست آوردند.
با وجود این واقعیت که برنامه shrdlu با موفقیت "صحبت کرد" در مورد محل بلوک ها، آن را با توانایی انتزاعی از این "Microworld" تأثیری نداشت. از تکنیک های بسیار ساده استفاده می شود که برای انتقال یک سازمان معنایی از زمینه های موضوعی پیچیدگی بیشتر در دسترس نیست.
آثار کنونی در زمینه درک و استفاده از زبان های طبیعی عمدتا به دنبال جستجوی فرمالیته به اندازه کافی عمومی ارائه می شود، که می تواند به ساختارهای خاصی از مناطق مشخص شده اقتباس شود و در طیف گسترده ای از برنامه ها اعمال شود. اکثر تکنیک های موجود که تغییرات شبکه های Semiotic را تغییر می دهند، در هنگام نوشتن برنامه هایی که می توانند زبان طبیعی را در زمینه های محدود شده به رسمیت بشناسند مورد بررسی قرار گیرند. در همان زمان، فرصت های مدرن اجازه ندهید یک برنامه جهانی ایجاد کنید که می تواند سخنرانی انسان را در طول تنوع آن درک کند.
انواع وظایف تشخیص تصویر را می توان به صورت زیر اختصاص داد:
- · طبقه بندی سند
- · تعیین ذخایر معدنی
- · تشخیص تصویر
- · تشخیص بارکد
- · شناخت نماد
- · تشخیص گفتار
- · تشخیص چهره
- · شناخت تعداد ماشین
هوش مصنوعی در برنامه های بازی.
هوش مصنوعی بازی شامل نه تنها روش های سنتی AI، بلکه الگوریتم های علوم رایانه به طور کلی، گرافیک کامپیوتری، تئوری های رباتیک و مدیریت. از نحوه اجرای AI، نه تنها نیازهای سیستم، بلکه بودجه بازی، به طوری که توسعه دهندگان باید تعادل داشته باشند، تلاش می کنند تا اطمینان حاصل شود که بازی هوش مصنوعی با آن ایجاد شده است کم هزینهو به طوری که در عین حال جالب و بدون نیاز به منابع بود. از رویکرد کاملا متفاوت نسبت به اطلاعات هوش مصنوعی سنتی استفاده می کند. به طور خاص، تقلید، فریب، تفکیک ها و ساده سازی های مختلف به طور گسترده ای مورد استفاده قرار می گیرد. به عنوان مثال: یکی از ویژگی های تیرانداز اول شخص، توانایی ربات ها به یک حرکت بی خطی و هدف فوری است، اما در عین حال فرد یک فرصت را ندارد، بنابراین توانایی های ربات ها به طور مصنوعی دست کم گرفته می شوند. در عین حال، سطوح در سطح حل می شود، به طوری که ربات ها می توانند به عنوان یک تیم عمل کنند، یک کمین را ترتیب می دهند، و غیره تصویر هوش مصنوعی
در بازی های کامپیوتری، که مدیریت بازی هوش مصنوعی، دسته های زیر از شخصیت های زیر وجود دارد:
- · Mobs شخصیت ها با سطح پایین اطلاعات، خصمانه به بازیکن انسانی است. بازیکنان Mobs را از بین می برند تا قلمرو را منتقل کنند، مصنوعات و نقاط تجربه را به دست آورند.
- · غیر اختصاصی - معمولا این شخصیت ها دوستانه یا خنثی به بازیکن هستند.
- · ربات ها شخصیت های خصمانه به بازیکنان پیچیده ترین در برنامه نویسی هستند. امکانات آنها در حال نزدیک شدن به امکانات شخصیت های بازی است. در هر زمان در برابر بازیکن، تعدادی از رباتها وجود دارد.
در داخل بازی کامپیوتر، بسیاری از مناطق وجود دارد که از طیف گسترده ای از الگوریتم های اکتشافی برای هوش مصنوعی استفاده می کنند. AI گسترده ترین بازی AI به عنوان یکی از راه های کنترل غیر کاراکتر استفاده می شود. یکی دیگر از روش های کنترل رایج کمتر، اسکریپت است. یکی دیگر از کاربردهای آشکار از بازی AI، به ویژه در استراتژی های زمان واقعی، مسیر جستجو یا یک روش است که به شما اجازه می دهد تا تعیین کنید که چگونه شخصیت غیر بازی می تواند از یک نقطه بر روی نقشه به دیگری برسد. در عین حال، لازم است که موانع، چشم انداز و امکان "مه از جنگ" را مورد توجه قرار دهیم. تعادل دینامیکی از مباحث نیز بدون استفاده از هوش مصنوعی نیز بایپس نیست. در بسیاری از بازی ها، مفهوم هوش غیر قابل پیش بینی مورد آزمایش قرار گرفت. اینها بازی هایی مانند نینتندوگ ها، سیاه و سفید، موجودات و اسباب بازی های شناخته شده تاماگوتی هستند. در این بازی ها، شخصیت ها حیوانات خانگی هستند، رفتار که در حال تغییر است با توجه به اقدامات تولید شده توسط بازیکن. به نظر می رسد که شخصیت ها قادر به یادگیری هستند، اگر چه در واقع اقدامات آنها نتیجه انتخاب از مجموعه محدودی از راه حل ها است.
بسیاری از برنامه نویسان بازی بخشی از بازی هوش مصنوعی هر تکنیک ای را که توهم هوش ایجاد شده است، در نظر می گیرند. با این حال، این رویکرد کاملا وفادار نیست، زیرا تکنیک های مشابه را نمی توان نه تنها در موتورهای بازی دوم استفاده کرد. به عنوان مثال، هنگام ایجاد رباتها، الگوریتم ها با اطلاعات وارد شده به آنها در برخورد های آینده احتمالی مورد استفاده قرار می گیرند، زیرا نتیجه رباتها "توانایی" را برای جلوگیری از این درگیری ها به دست می آورند. اما تکنیک های مشابه یک جزء مهم و ضروری موتور فیزیکی هستند. مثال دیگر: یک جزء مهم از سیستم هدف بطری، داده های آب است و داده های مشابه در هنگام رندر به طور گسترده ای در موتور گرافیکی استفاده می شود. مثال نهایی - اسکریپت. این ابزار را می توان با موفقیت در تمام جنبه های توسعه بازی استفاده کرد، اما اغلب به عنوان یکی از راه های کنترل اقدامات شخصیت های غیر بازی مورد توجه قرار می گیرد.
با توجه به Purists، بیان "بازی هوش مصنوعی" حق ندارد به وجود، به عنوان آن را اغراق آمیز است. به عنوان استدلال اصلی، آنها این واقعیت را مطرح کردند که تنها برخی جهات علم در هوش مصنوعی کلاسیک در بازی AI استفاده می شود. لازم به ذکر است که اهداف AI ایجاد سیستم های خودآموزی و حتی ایجاد یک هوش مصنوعی قادر به استدلال هستند، در حالی که اغلب توسط اکتشافات و مجموعه ای از قوانین تجربی، که کافی است محدود می شود برای ایجاد یک گیم پلی خوب و ارائه تصاویر روشن به بازیکن و دادن احساسات از بازی.
در حال حاضر، توسعه دهندگان بازی کامپیوتری در حال توسعه علاقه به AI آکادمیک هستند، و جامعه دانشگاهی، به نوبه خود، به بازی های کامپیوتری علاقه مند می شود. در این رابطه، این سوال به چه میزان بازی و کلاسیک AI در یکدیگر متفاوت است. در همان زمان، بازی هوش مصنوعی هنوز به عنوان یکی از بخش های فرعی کلاسیک در نظر گرفته شده است. این به خاطر این واقعیت است که هوش مصنوعی دارای مناطق مختلف کاربردی است که از یکدیگر متفاوت است. آنها در مورد بازی کردن صحبت می کنند، تفاوت های مهمی در اینجا امکان فریب دادن به منظور حل برخی از مشکلات با راه های "مشروع" است. از یک طرف، فقدان فریب این است که او اغلب منجر به رفتار غیر واقعی شخصیت می شود و به همین دلیل نمی تواند مورد استفاده قرار گیرد. از سوی دیگر، بسیار احتمال چنین فریب به عنوان یک تفاوت مهم بین بازی II عمل می کند.
یکی دیگر از وظایف جالب هوش مصنوعی، آموزش یک بازی کامپیوتری شطرنج است. تصمیم او در دانشمندان سراسر جهان مشغول به کار بود. ویژگی این وظیفه این است که تظاهرات توانایی های منطقی کامپیوتر تنها در حضور یک دشمن واقعی امکان پذیر است. برای اولین بار، چنین تظاهراتی در سال 1974 در استکهلم برگزار شد، جایی که مسابقات قهرمانی شطرنج جهان گذشت. در این رقابت، برنامه "KAIS، ایجاد شده توسط دانشمندان شوروی از موسسه مدیریت آکادمیک علوم اتحاد جماهیر شوروی، واقع در مسکو.
هوش مصنوعی در خلاقیت ماشین.
ماهیت هوش انسانی هنوز مورد مطالعه قرار نگرفته است و میزان مطالعه ماهیت خلاقیت انسان حتی کمتر است. با این وجود، یکی از مسیرهای هوش مصنوعی خلاقیت ماشین است. کامپیوترهای مدرن ایجاد آثار موسیقی، ادبی و زیبا، و در صنعت بازی های کامپیوتری و فیلم ها، تصاویر واقعی ایجاد شده توسط دستگاه ها به مدت طولانی استفاده شده است. برنامه های موجود تصاویر مختلفی را ایجاد می کنند که می توانند به راحتی توسط یک فرد درک و درک شوند. این امر بسیار مهم است زمانی که به دانش بصری می آید، برای بررسی رسمی که باید تلاش های ذهنی قابل توجهی داشته باشد. بنابراین، وظایف موسیقی با موفقیت با استفاده از زبان برنامه نویسی حل شده است، یکی از آنها CSound است. نرم افزاری ویژه ای که آثار موسیقی ایجاد می شود، ارائه شده توسط برنامه های ترکیب الگوریتمی، سیستم های ترکیبات تعاملی، سیستم های تولید سنتز و پردازش صدا ایجاد می شود.
سیستم های خبره.
توسعه سیستم های کارشناس مدرن توسط محققان از ابتدای دهه 1970 انجام می شود و در اوایل سال 1980 سیستم کارشناس شروع به توسعه و بر اساس تجاری شد. به گفته سیستم های متخصص پیشنهاد شده در سال 1832 توسط دانشمند روسی S. N. Korsakov، دستگاه های مکانیکی به نام "ماشین های فکری"، که مجاز به پیدا کردن یک راه حل، هدایت شده توسط شرایط مشخص شده است. به عنوان مثال، علائم بیماری مشاهده شده در بیمار مورد تجزیه و تحلیل قرار گرفت و بر اساس نتایج این تجزیه و تحلیل، مناسب ترین داروها ارائه شد.
Informatics سیستم های متخصص را در ارتباط با پایگاه های دانش می داند. سیستم ها مدل های رفتار متخصص بر اساس استفاده از روش های تصمیم گیری و نتیجه گیری منطقی هستند. پایگاه های دانش به عنوان مجموعه ای از قوانین نتیجه گیری منطقی و حقایق که به طور مستقیم با زمینه فعالیت انتخاب شده مرتبط هستند، در نظر گرفته می شود.
در پایان قرن گذشته یک مفهوم خاص از سیستم های متخصص وجود داشت، عمیقا بر رابط کاربری متنی ماشین متمرکز بود که در آن زمان به طور کلی پذیرفته شد. در حال حاضر این مفهوم بحران جدی مرتبط با این واقعیت است که برنامه های کاربردی کاربر گرافیک به رابط متن آمده است. علاوه بر این، مدل ارتباطی داده ها و "کلاسیک" نگاهی به ساخت سیستم های متخصص با یکدیگر هماهنگ می شوند. در نتیجه، سازماندهی پایگاه های دانش سیستم های متخصص را نمی توان به طور موثر انجام داد، حداقل استفاده از سیستم های مدیریت پایگاه داده های صنعتی مدرن. در منابع ادبی و شبکه، نمونه های بسیاری از سیستم های متخصص به نام "مشترک" یا "به طور گسترده ای شناخته شده" وجود دارد. در واقع، تمام این سیستم های متخصص در دهه 80 از قرن گذشته ایجاد شد و تا به امروز متوقف شد، یا متوقف شد و یا ناامیدانه منسوخ شده و به لطف علاقه مندان به علاقه مندان. از سوی دیگر، توسعه دهندگان محصولات نرم افزاری مدرن اغلب خلاقیت های خود را توسط سیستم های متخصص ارائه می دهند. چنین اظهارات بیش از یک سکته بازاریابی نیست، زیرا در واقع این محصولات سیستم های متخصص نیستند (هر یک از مرجع کامپیوتر و سیستم های حقوقی) یک نمونه است. علاقه مندان سعی می کنند رویکردهای ایجاد را ترکیب کنند رابط کاربر با رویکردهای کلاسیک به ایجاد سیستم های متخصص. این تلاش ها در چنین پروژه هایی به عنوان clips.net منعکس شده است، کلیپ های جاوا بومی و دیگران، با این حال، شرکت های بزرگ که نرم افزار را تولید می کنند، عجله نمی کنند تا چنین پروژه هایی را تامین کنند، و به همین دلیل توسعه در مرحله آزمایشی حرکت نمی کند.
تمام گونه هایی از مناطقی که سیستم های مبتنی بر دانش را می توان به کلاسها تقسیم کرد: تشخیص پزشکی، برنامه ریزی، پیش بینی، کنترل و مدیریت، آموزش، تفسیر، تشخیص گسل ها در تجهیزات الکتریکی و مکانیکی، آموزش. هر یک از این کلاس ها را در جزئیات بیشتر در نظر بگیرید.
الف) سیستم های تشخیصی پزشکی.
با استفاده از این سیستم ها، آنها تعیین می کنند که چگونه نقض های مختلف بدن و آنها را تعیین می کند دلایل ممکن. معروف ترین سیستم تشخیصی MyCin است. این مورد برای تشخیص مننژیت و عفونت های باکتریایی و همچنین نظارت بر وضعیت بیمارانی که از این بیماری ها کشف شده اند، مورد استفاده قرار می گیرد. اولین نسخه سیستم در 70 سالگی توسعه یافت. تا به امروز، توانایی آن به طور قابل توجهی گسترش یافته است: سیستم تشخیص را در سطح حرفه ای مشابه به عنوان یک متخصص متخصص تشخیص می دهد و می تواند در زمینه های مختلف پزشکی استفاده شود.
ب) سیستم های پیش بینی شده.
سیستم ها برای پیش بینی رویدادها یا نتایج رویداد بر اساس داده های موجود مشخص شده وضعیت فعلی یا وضعیت جسم طراحی شده اند. بنابراین، برنامه "وال استریت"، با استفاده از روش های آماری الگوریتم ها، قادر به تجزیه و تحلیل شرایط بازار و توسعه یک برنامه سرمایه گذاری سرمایه است. این برنامه از الگوریتم ها و روش های برنامه نویسی سنتی استفاده می کند، بنابراین نمی توان به سیستم های مبتنی بر دانش نسبت داد. در حال حاضر امروزه برنامه هایی وجود دارد که قادر به پیش بینی جریان مسافران، عملکرد و آب و هوا، تجزیه و تحلیل داده های موجود هستند. چنین برنامه هایی بسیار ساده هستند و برخی از آنها می توانند در عادی استفاده شوند کامپیوترهای شخصی. با این حال، هنوز هیچ سیستم متخصص وجود ندارد که بر اساس اطلاعات در شرایط بازار، نشان می دهد که چگونه سرمایه را افزایش می دهد.
ج) برنامه ریزی
سیستم های برنامه ریزی در نظر گرفته شده برای حل مشکلات با تعداد زیادی از متغیرها به منظور دستیابی به نتایج خاص. برای اولین بار در حوزه تجاری، چنین سیستم هایی توسط شرکت Damascus شرکت مورد استفاده قرار گرفت. مدیریت این شرکت دستور داد که 13 ایستگاه در دفتر دفتر، که مشاوره های رایگان را برای خریداران انجام داد، مجبور به خرید کامپیوتر شد. ماشین آلات کمک به انتخاب، بیشتر مربوط به بودجه و خواسته های خریدار. سیستم های متخصص نیز توسط بوئینگ برای چنین اهدافی به عنوان تعمیرات هلیکوپتر ها، ایجاد دلایل شکست موتورهای هواپیما و طراحی ایستگاه های کمیک مورد استفاده قرار گرفتند. دسامبر یک سیستم کارشناس XCON ایجاد کرده است که قادر به شناسایی و اصلاح پیکربندی سیستم های کامپیوتری VAX با توجه به نیازهای مشتری است. در حال حاضر، دسامبر یک سیستم قدرتمند XSEL را توسعه می دهد که شامل پایگاه دانش XCon می شود. هدف ایجاد یک سیستم برای کمک به مصرف کنندگان در انتخاب است سیستم محاسباتی با پیکربندی دلخواه تفاوت سیستم XSELCON XSEL این است که تعاملی است.
د) تفسیر
سیستم های تفسیری قادر به نتیجه گیری بر اساس نتایج مشاهده می شوند. یکی از معروف ترین سیستم های تفسیری، سیستم اکتشافی است. این کار با استفاده از داده ها بر اساس دانش نه کارشناس کار می کند. کارایی سیستم را می توان با یک مثال تخمین زد: استفاده از 9 روش مختلف تخصص، سیستم کشف ذخایر سنگ معدن، که هیچ متخصص نمی تواند فرض شود. یکی دیگر از سیستم های شناخته شده نوع تفسیری، HASP / SIAP است. از داده ها استفاده می کند سیستم های صوتی ردیابی و بر اساس آنها محل سکونت دادگاه ها را در اقیانوس آرام و انواع آنها تعیین می کند.
الف) سیستم های کنترل هوشمند و کنترل.
سیستم های متخصص برای کنترل و کنترل موفقیت آمیز هستند. آنها قادر به تجزیه و تحلیل داده های به دست آمده از منابع مختلف و بر اساس نتایج تجزیه و تحلیل تصمیمات هستند. چنین سیستم هایی قادر به انجام کنترل پزشکی و کنترل حرکت هواپیما هستند، علاوه بر این، آنها در نیروگاه های هسته ای استفاده می شود. با کمک آنها، فعالیت مالی شرکت ها تنظیم می شود و تصمیمات در شرایط بحرانی توسعه می یابد.
(الف) تشخیص و عیب یابی در تجهیزات الکتریکی و مکانیکی.
سیستم های مبتنی بر دانش در چنین مواردی مورد استفاده قرار می گیرند:
تعمیر لوکوموتیو های دیزل، اتومبیل و دیگر دستگاه های الکتریکی و مکانیکی؛
تشخیص و از بین بردن خطاها و خرابی ها در نرم افزار و سخت افزار ماشین آلات محاسبات.
g) سیستم های کامپیوتری یادگیری.
این کاملا موثر است برای استفاده از سیستم های مبتنی بر دانش در اهداف آموزشی. این سیستم رفتار و فعالیت تسهیلات را تجزیه و تحلیل می کند و مطابق با اطلاعات دریافت شده، پایگاه دانش را تغییر می دهد. ساده ترین نمونه از این آموزش ها است بازی رایانه ایکه در آن سطوح سخت تر می شود، زیرا صلاحیت بازیکن افزایش می یابد. یک سیستم آموزشی جالب - Eurisco - توسعه یافته توسط D. Lenate. از اکتشافات ساده استفاده می کند. این سیستم در بازی تقلید بازی اعمال شد. ماهیت بازی این است که تعیین ترکیب مطلوب فلوتلا که ممکن است شکست را اعمال کند، رعایت بسیاری از قوانین. این سیستم با موفقیت با این کار، از جمله یک کشتی کوچک و چندین کشتی که قادر به انجام حمله به فلوتیلا است، انجام داده است. قوانین بازی سالانه تغییر یافت، اما سیستم Eurisco به طور مداوم سعی کرد تا سه سال برنده شود.
بسیاری از سیستم های متخصص وجود دارد که می توانند به چندین نوع نسبت داده شوند. به عنوان مثال، یک سیستم که برنامه ریزی را اجرا می کند نیز ممکن است یک آموزش باشد. این می تواند سطح دانش دانش آموز را تعیین کند و بر اساس این اطلاعات، یک برنامه درسی است. سیستم های مدیران برای برنامه ریزی، پیش بینی، تشخیص و کنترل استفاده می شوند. سیستم های مورد نظر برای حفاظت از خانه ها یا آپارتمان ها می توانند تغییراتی را که در محیط زیست رخ می دهند، پیگیری کنند، پیش بینی وضعیت را پیش بینی کرده و برنامه ای برای اقدام بیشتری را تهیه کنند. به عنوان مثال، یک پنجره باز شد و دزد تلاش می کند تا به اتاق نفوذ کند، بنابراین لازم است که با پلیس تماس بگیرید.
توزیع گسترده سیستم های متخصص در دهه 1980 آغاز شد، زمانی که برای اولین بار اجرای تجاری آنها رخ داد. ES در بسیاری از مناطق، از جمله کسب و کار، علم، فن آوری، تولید و سایر صنایع مشخص شده توسط یک موضوع کاملا تعریف شده استفاده می شود. در این زمینه، "به خوبی تعریف" به این معنی است که یک فرد می تواند دوره استدلال را به مراحل جداگانه تقسیم کند و در نتیجه هر کاری که در چارچوب این منطقه قرار دارد حل شود. بنابراین، اقدامات مشابه می تواند انجام شود و برنامه کامپیوتری. ایمن است که می توان گفت که استفاده از فرصت های هوش مصنوعی، امکانات نامحدود را قبل از بشریت باز می کند.
هوش مصنوعی (AI) مدتهاست که بخشی از زندگی ما است. این کمک به استراحت، خرید، یادگیری و کار کمک می کند. در دستگاه های بازاریابی نیز استفاده گسترده ای را یافت.
در این مقاله نمونه هایی را خواهید دید، چگونه هوش مصنوعی در بازاریابی کار می کند.
سایت های ساختمان
خدمات شبکه نشان دهنده ربات دستیار مولی است. این کمک می کند تا سایت ها را در سیستم عامل های مختلف در یک زمان کوتاه توسعه دهد.
نقطه چیست؟ مولی یک سایت بدون توسعه دهندگان و مهندسان ایجاد می کند. برای یک سایت، این شرکت بیش از 100 دلار در سال می پرسد. موافقم، این چیزی نیست نسبت به حقوق سالانه تیم توسعه دهنده.
اما بدون مردم، با این حال هیچ جا: آنها تصاویر، متن، صد را انتخاب می کنند. مولی این داده ها را می گیرد و یک سایت را ایجاد می کند.
چگونه این اتفاق می افتد، به یک ویدیو کوتاه نگاه کنید:
ایجاد محتوا
Copywriters می تواند آرام باشد - II به حوزه خود را بیش از حد عمیق نفوذ نمی کند. اما چیزی در زمینه محتوای ماشین می تواند انجام دهد. بسیاری از ناشران بزرگ و رسانه ها از ابزارهای مانند WordsMith استفاده می کنند:
ماشین آلات ایجاد محتوای قابل انعطاف - اخبار، توضیحات هتل ها، لباس ها و کالاها، کمک به گزارش ها. آنها از الگوهای استفاده می کنند، فرم ها را با کلمات و کلیدهای لازم پر می کنند و همچنین محتوای منحصر به فرد دیگر را ایجاد می کنند که عملا از انسان متفاوت نیست.
البته، جایزه پولیتزر برای چنین متون دریافت نخواهد شد، اما پیشنهادات و عبارات کاملا قابل خواندن است.
مسابقه Newsball برای Associated Press نوشت:
نه جالب ترین داستان، اما معنای کاملا قابل فهم است: تیم کالج دولتی از Cyclones Brooklyn با نمره 9: 8 برنده شد.
نوشته شده توسط متن دستگاه را می توان در برنامه همینگویی ویرایش کرد:
این نیز هوش مصنوعی است. یک برنامه ساده "آب" را از متن فشار می دهد.
فرماندهی داخلی آنالوگ - دستور خدمات.
خوب، هنگامی که شما نیازی به بالا بردن از مبل برای راه اندازی یک سری یا فیلم جدید نیستید. بسیاری از شرکت های رسانه ای از AI استفاده می کنند. یک فیلم به پایان رسید - ماشین به طور خودکار دیگر شروع به کار نمی کند تا افراد را ناراحت کند.
AI تجزیه و تحلیل رفتار کاربر و ارائه محتوا. این ممکن است، به عنوان مثال، آی بی ام واتسون:
جامعه ورزشی تحت رکورد زره پوش با استفاده از واتسون برای سفارشی کردن پیام ها به کاربران برنامه های کاربردی، و موزه هنر معاصر، سانفرانسیسکو، یک ربات هنری را بر اساس AI واتسون ایجاد کرد. ربات با بازدید کنندگان موزه و فقط دوستداران هنر ارتباط برقرار می کند. این پیام را تجزیه و تحلیل می کند و تصاویر را نشان می دهد:
"- خورشید آمد - رابرت بختل، واتسونویل المپیا، 1977. "
این برای کاربران Yandex بد نیست، که نزدیک به شبکه های عصبی مشغول به کار است. بنابراین Yandex.Music به دنبال راه هایی برای شناختن ما نزدیکتر است:
موتورهای جستجو
کاربران چه می خواهند؟ هوش مصنوعی را می داند. از این دانش بستگی به بهینه سازی محتوا دارد که در بازاریابان مشغول به کار است. ماشین ها بر روی موتورهای جستجو و جستجو تاثیر می گذارد.
بنابراین، به عنوان مثال، درب به آینده، جستجوی صوتی و سیستم رتبه بندی گوگل را باز کرد نتایج جستجو RankBrain. این اطلاعات را تفسیر می کند و فرضیه هایی را ایجاد می کند که ممکن است علاقه مند باشید. و به تنهایی تلاش می کند تا معنای کلمات ناآشنا را حدس بزند.
ماشین آلات - آمازون اکو، Google Home، Siri و Cortana از مایکروسافت - تسهیل زندگی و جستجو. به اندازه کافی برای فشار دادن دکمه یا می گویند کلمه - و آنها اطلاعات لازم را پیدا خواهند کرد. به جای "رستوران ها در مسکو"، کافی است بگویم "کجا می توانم بخورم؟" و دوم راه را نشان می دهد.
پارامترهای جستجو در حال تغییر هستند، تغییرات محتوا. درخواست های طولانی ناپدید می شوند، عبارات کوتاه سخنرانی به جای آن ظاهر می شود. اصل ایجاد محتوا در حال تغییر است. اگر مورد استفاده قرار گیرد کلید واژه هاامروزه تمرکز بر خوشه های موضوعات است. یک موضوع گرفته شده است و محتوا از چندین مقاله در اطراف آن ایجاد شده است.
اتوماسیون بازاریابی
مارک ها از AI برای مشتری محروم به مشتریان استفاده می کنند. ماشین آلات را در نظر گرفتن ترجیحات و رفتار مشتریان برای ارائه پیشنهادات مرتبط تر.
Boomtrain تجزیه و تحلیل تاریخ تعامل مشتری با محتوا و ایجاد خبرنامه:
فروشگاه کتانی آنلاین Adore من با Optimove کار می کند:
این ابزار از AI استفاده می کند تا لیستی از مشتریان و مشارکت و تبدیل بعدی را تقسیم کند. این دستگاه پیشنهادات مختلفی را برای گروه های مختلف ارسال می کند و با کاربران در برنامه ارتباط برقرار می کند. نام تجاری به علاوه: درآمد و تعداد مشتریان فعال افزایش یافته است.
هوش مصنوعی یک دسته از زمان را منتشر می کند که می تواند برای آنچه که واقعا مهم و ضروری است صرف شود.
شبکه اجتماعی
بازی با تصاویر
فیلترهای عکس - با آنها می توانید ساعت ها بازی کنید. و این نیز یک شبکه عصبی است. اتومبیل ها آموختند که افراد انسانی را تشخیص دهند تا کاربران شبکه های اجتماعی خسته نشوند و از PhotoFilters لذت ببرند.
با کمک مارک های AI و ستاره ها به خریداران بالقوه نزدیک تر می شوند.
