Esempi di utilizzo dell'intelligenza artificiale. Nosov N.Yu., Sokolov M.D. Tendenze nello sviluppo dell'intelligenza artificiale. L'intelligenza artificiale nel settore finanziario

Intelligenza artificiale (AI, inglese: Intelligenza artificiale, AI) - la scienza e la tecnologia per la creazione di macchine intelligenti, in particolare programmi per computer intelligenti. L’intelligenza artificiale è legata al compito simile di utilizzare i computer per comprendere intelligenza umana, ma non è necessariamente limitato a metodi biologicamente plausibili.

Cos'è l'intelligenza artificiale

Intelligenza(dal lat. intellectus - sensazione, percezione, comprensione, comprensione, concetto, ragione), o mente - una qualità della psiche costituita dalla capacità di adattarsi a nuove situazioni, la capacità di apprendere e ricordare in base all'esperienza, comprendere e applicare concetti astratti e utilizzare le proprie conoscenze per la gestione ambientale. L'intelligenza è la capacità generale di cognizione e di risoluzione delle difficoltà, che unisce tutte le capacità cognitive umane: sensazione, percezione, memoria, rappresentazione, pensiero, immaginazione.

All'inizio degli anni '80. Gli scienziati computazionali Barr e Fajgenbaum hanno proposto la seguente definizione di intelligenza artificiale (AI):

Successivamente, una serie di algoritmi e sistemi software iniziarono a essere classificati come IA, la cui proprietà distintiva è che possono risolvere alcuni problemi nello stesso modo in cui lo farebbe una persona che pensa alla loro soluzione.

Le principali proprietà dell’intelligenza artificiale sono la comprensione del linguaggio, l’apprendimento e la capacità di pensare e, soprattutto, di agire.

L'intelligenza artificiale è un complesso di tecnologie e processi correlati che si stanno sviluppando qualitativamente e rapidamente, ad esempio:

• elaborazione del testo in linguaggio naturale
• sistemi esperti
• agenti virtuali (chatbot e assistenti virtuali)
• sistemi di raccomandazione.

Strategia nazionale per lo sviluppo dell’intelligenza artificiale

• Articolo principale: Strategia nazionale per lo sviluppo dell’intelligenza artificiale

Ricerca sull'intelligenza artificiale

• Articolo principale: Ricerca sull'intelligenza artificiale

Standardizzazione nell'intelligenza artificiale

2019: gli esperti ISO/IEC sostengono la proposta di sviluppare uno standard in russo

Il 16 aprile 2019 si è appreso che il sottocomitato ISO/IEC per la standardizzazione nel campo dell’intelligenza artificiale ha sostenuto la proposta del comitato tecnico “Sistemi ciberfisici”, creato sulla base dell’RVC, per sviluppare l’“Intelligenza artificiale” standard. Concetti e terminologia" in russo oltre alla versione base in inglese.

Standard terminologico “Intelligenza artificiale. Concetti e terminologia" è fondamentale per l'intera famiglia di documenti normativi e tecnici internazionali nel campo dell'intelligenza artificiale. Oltre ai termini e alle definizioni, questo documento contiene approcci concettuali e principi per costruire sistemi con elementi, una descrizione della relazione tra l'intelligenza artificiale e altre tecnologie end-to-end, nonché principi di base e approcci quadro alla regolamentazione normativa e tecnica dell’intelligenza artificiale.

Dopo l'incontro del sottocomitato ISO/IEC competente a Dublino, gli esperti ISO/IEC hanno sostenuto la proposta della delegazione russa di sviluppare contemporaneamente uno standard terminologico nel campo dell'intelligenza artificiale non solo in inglese, ma anche in russo. Si prevede che il documento venga approvato all’inizio del 2021.

Lo sviluppo di prodotti e servizi basati sull’intelligenza artificiale richiede un’interpretazione univoca dei concetti utilizzati da tutti i partecipanti al mercato. Lo standard terminologico unificherà il “linguaggio” in cui comunicano sviluppatori, clienti e comunità professionale, classificherà tali proprietà dei prodotti basati sull’intelligenza artificiale come “sicurezza”, “riproducibilità”, “affidabilità” e “riservatezza”. Una terminologia unificata diventerà anche un fattore importante per lo sviluppo delle tecnologie di intelligenza artificiale nel quadro della National Technology Initiative: gli algoritmi AI sono utilizzati da oltre l'80% delle aziende nel perimetro NTI. Inoltre, la decisione ISO/IEC rafforzerà l’autorità ed espanderà l’influenza degli esperti russi nell’ulteriore sviluppo degli standard internazionali.

Durante l'incontro, gli esperti ISO/IEC hanno anche sostenuto lo sviluppo di una bozza di documento internazionale Information Technology - Artificial Intelligence (AI) - Overview of Computational Approaches for AI Systems, in cui la Russia funge da co-editore. Il documento fornisce una panoramica dello stato attuale dei sistemi di intelligenza artificiale, descrivendo le principali caratteristiche dei sistemi, degli algoritmi e degli approcci, nonché esempi di applicazioni specializzate nel campo dell’IA. Lo sviluppo di questa bozza di documento sarà portato avanti da un organismo appositamente creato all'interno del sottocomitato gruppo di lavoro 5 “Approcci computazionali e caratteristiche computazionali dei sistemi di IA” (SC 42 Gruppo di Lavoro 5 “Approcci computazionali e caratteristiche computazionali dei sistemi di IA”).

Nell’ambito del suo lavoro a livello internazionale, la delegazione russa è riuscita a prendere una serie di decisioni fondamentali che avranno un effetto a lungo termine sullo sviluppo delle tecnologie di intelligenza artificiale nel paese. Lo sviluppo di una versione in lingua russa della norma, già in una fase così iniziale, è una garanzia di sincronizzazione con il campo internazionale, e lo sviluppo del sottocomitato ISO/IEC e l’avvio di documenti internazionali con co-editing russo sono la base per promuovere ulteriormente gli interessi degli sviluppatori russi all’estero”, ha commentato.

Le tecnologie di intelligenza artificiale sono molto richieste in diversi settori dell’economia digitale. Tra i principali fattori che ne ostacolano l’uso pratico su vasta scala c’è il sottosviluppo del quadro normativo. Allo stesso tempo, è il quadro normativo e tecnico ben sviluppato che garantisce la qualità specifica dell’applicazione tecnologica e il corrispondente effetto economico.

Nel campo dell’intelligenza artificiale, TC Cyber-Physical Systems, sulla base di RVC, sta sviluppando una serie di standard nazionali, la cui approvazione è prevista per la fine del 2019 – inizio del 2020. Inoltre, sono in corso lavori insieme agli attori del mercato per formulare un Piano Nazionale di Standardizzazione (NSP) per il 2020 e oltre. Il TC "Sistemi ciberfisici" è aperto a proposte per lo sviluppo di documenti da parte di organizzazioni interessate.

2018: Sviluppo di standard nel campo delle comunicazioni quantistiche, dell'intelligenza artificiale e delle smart city

Il 6 dicembre 2018, il comitato tecnico “Sistemi ciberfisici” basato su RVC insieme al Centro regionale di ingegneria “SafeNet” ha iniziato a sviluppare una serie di standard per i mercati dell’Iniziativa tecnologica nazionale (NTI) e dell’economia digitale. Entro marzo 2019 si prevede di sviluppare documenti di standardizzazione tecnica nel campo delle comunicazioni quantistiche, ha riferito RVC. Per saperne di più.

Impatto dell'intelligenza artificiale

Rischio per lo sviluppo della civiltà umana

Impatto sull’economia e sulle imprese

• L’impatto delle tecnologie di intelligenza artificiale sull’economia e sul business

Impatto sul mercato del lavoro

Bias dell’intelligenza artificiale

Al centro di tutto ciò che è la pratica dell’intelligenza artificiale ( Traduzione automatica, riconoscimento vocale, elaborazione di testi in linguaggio naturale, visione artificiale, automazione della guida automobilistica e molto altro) risiede nel deep learning. Si tratta di un sottoinsieme dell'apprendimento automatico, caratterizzato dall'uso di modelli di reti neurali, che si può dire imitano il funzionamento del cervello, quindi sarebbe eccessivo classificarli come IA. Qualsiasi modello di rete neurale viene addestrato su grandi set di dati, quindi acquisisce alcune “competenze”, ma il modo in cui le utilizza rimane poco chiaro ai suoi creatori, il che alla fine diventa uno dei problemi più importanti per molte applicazioni di deep learning. Il motivo è che un modello del genere funziona formalmente con le immagini, senza alcuna comprensione di ciò che fa. Un sistema del genere è AI e i sistemi basati sull’apprendimento automatico sono affidabili? Le implicazioni della risposta all’ultima domanda si estendono oltre il laboratorio scientifico. Pertanto, l’attenzione dei media sul fenomeno chiamato AI bias si è notevolmente intensificata. Può essere tradotto come “bias AI” o “bias AI”. Per saperne di più.

Mercato della tecnologia dell’intelligenza artificiale

Il mercato dell’intelligenza artificiale in Russia

Il mercato globale dell’intelligenza artificiale

Aree di applicazione dell'IA

Gli ambiti di applicazione dell'intelligenza artificiale sono piuttosto ampi e coprono sia le tecnologie familiari che i nuovi settori emergenti lontani dall'applicazione di massa, in altre parole si tratta dell'intera gamma di soluzioni, dagli aspirapolvere alle stazioni spaziali. Puoi dividere tutta la loro diversità secondo il criterio punti chiave sviluppo.

L’intelligenza artificiale non è un argomento monolitico. Inoltre, alcune aree tecnologiche dell’IA appaiono come nuovi sottosettori dell’economia ed entità separate, servendo contemporaneamente la maggior parte dei settori dell’economia.

Lo sviluppo dell’utilizzo dell’AI porta all’adattamento delle tecnologie nei settori classici dell’economia lungo l’intera catena del valore e le trasforma, portando all’algoritizzazione di quasi tutte le funzionalità, dalla logistica alla gestione aziendale.

Utilizzo dell’intelligenza artificiale per la difesa e gli affari militari

Utilizzare nell'istruzione

Usare l’intelligenza artificiale negli affari

L’intelligenza artificiale nella lotta alle frodi

L’11 luglio 2019 è stato reso noto che in soli due anni l’intelligenza artificiale e il machine learning verranno utilizzati per combattere le frodi tre volte più spesso rispetto a luglio 2019. Tali dati sono stati ottenuti durante uno studio congiunto di SAS e dell'Association of Certified Fraud Examiners (ACFE). A luglio 2019, tali strumenti antifrode erano già utilizzati nel 13% delle organizzazioni che hanno preso parte al sondaggio e un altro 25% ha dichiarato di volerli implementare entro uno o due anni. Per saperne di più.

L’intelligenza artificiale nel settore dell’energia elettrica

• A livello di progettazione: migliore previsione della generazione e della domanda di risorse energetiche, valutazione dell'affidabilità delle apparecchiature di generazione di energia, automazione dell'aumento della produzione quando la domanda aumenta.
• A livello di produzione: ottimizzazione della manutenzione preventiva delle apparecchiature, aumento dell'efficienza della generazione, riduzione delle perdite, prevenzione del furto di risorse energetiche.
• A livello di promozione: ottimizzazione dei prezzi in base all'ora del giorno e fatturazione dinamica.
• A livello di fornitura del servizio: selezione automatica del fornitore più redditizio, statistiche dettagliate sui consumi, servizio clienti automatizzato, ottimizzazione del consumo energetico tenendo conto delle abitudini e del comportamento del cliente.

L'intelligenza artificiale nel settore manifatturiero

• A livello di progettazione: aumento dell'efficienza dello sviluppo di nuovi prodotti, valutazione automatizzata dei fornitori e analisi dei requisiti dei pezzi di ricambio.
• A livello di produzione: migliorare il processo di completamento delle attività, automatizzare le catene di montaggio, ridurre il numero di errori, ridurre i tempi di consegna delle materie prime.
• A livello di promozione: previsione del volume dei servizi di supporto e manutenzione, gestione dei prezzi.
• A livello di fornitura del servizio: miglioramento della pianificazione dei percorsi della flotta di veicoli, domanda di risorse della flotta, miglioramento della qualità della formazione dei tecnici dell'assistenza.

L’intelligenza artificiale nelle banche

• Riconoscimento di pattern - usato incl. riconoscere i clienti nelle filiali e proporre loro offerte specializzate.

L'intelligenza artificiale nei trasporti

• L'industria automobilistica è sull'orlo di una rivoluzione: 5 sfide dell'era della guida senza pilota

L'intelligenza artificiale nella logistica

L'intelligenza artificiale nella produzione della birra

L’intelligenza artificiale in magistratura

Gli sviluppi nel campo dell’intelligenza artificiale contribuiranno a cambiare radicalmente il sistema giudiziario, rendendolo più giusto e libero da schemi di corruzione. Questa opinione è stata espressa nell’estate del 2017 dal Dr. scienze tecniche, consulente tecnico di Artezio Vladimir Krylov.

Lo scienziato ritiene che le soluzioni esistenti nel campo dell'intelligenza artificiale possano essere applicate con successo in vari ambiti dell'economia e della vita pubblica. L’esperto sottolinea che l’intelligenza artificiale viene utilizzata con successo in medicina, ma in futuro potrà cambiare completamente il sistema giudiziario.

“Guardando ogni giorno le notizie sugli sviluppi nel campo dell'intelligenza artificiale, rimani solo stupito dall'inesauribile immaginazione e dalla fecondità dei ricercatori e degli sviluppatori in questo campo. I resoconti sulla ricerca scientifica sono costantemente intervallati da pubblicazioni su nuovi prodotti che irrompono sul mercato e resoconti di risultati sorprendenti ottenuti attraverso l’uso dell’intelligenza artificiale in varie aree. Se parliamo di eventi attesi, accompagnati da un notevole clamore mediatico, in cui l'intelligenza artificiale diventerà nuovamente l'eroe delle notizie, probabilmente non rischierò di fare previsioni tecnologiche. Posso presumere che il prossimo evento sarà l'apparizione da qualche parte di un tribunale estremamente competente sotto forma di intelligenza artificiale, giusta e incorruttibile. Ciò avverrà, a quanto pare, nel 2020-2025. E i processi che si svolgeranno in questo tribunale porteranno a riflessioni inaspettate e al desiderio di molte persone di trasferire sull’IA gran parte dei processi di gestione della società umana”.

Lo scienziato riconosce l’uso dell’intelligenza artificiale nel sistema giudiziario come un “passo logico” per sviluppare l’uguaglianza legislativa e la giustizia. L'intelligenza artificiale non è soggetta alla corruzione e alle emozioni, può aderire rigorosamente al quadro legislativo e prendere decisioni tenendo conto di molti fattori, compresi i dati che caratterizzano le parti in causa. Per analogia con il campo medico, i giudici robot possono operare con i big data provenienti dagli archivi dei servizi governativi. Si può presumere che

Musica

Pittura

Nel 2015, il team di Google ha testato le reti neurali per vedere se potevano creare immagini da sole. Quindi l’intelligenza artificiale è stata addestrata con l’esempio grande quantità varie immagini. Tuttavia, quando alla macchina è stato “chiesto” di rappresentare qualcosa da sola, si è scoperto che interpretava il mondo che ci circondava in un modo un po’ strano. Ad esempio, per il compito di disegnare manubri, gli sviluppatori hanno ricevuto un'immagine in cui il metallo era collegato da mani umane. Ciò è probabilmente dovuto al fatto che durante la fase di allenamento le immagini analizzate con manubri contenevano mani e la rete neurale lo ha interpretato in modo errato.

Il 26 febbraio 2016, durante un'asta speciale a San Francisco, i rappresentanti di Google hanno raccolto circa 98mila dollari da dipinti psichedelici creati dall'intelligenza artificiale, fondi che sono stati donati in beneficenza. Di seguito viene presentata una delle immagini di maggior successo dell'auto.

Un quadro dipinto dall'intelligenza artificiale di Google.

In questo articolo condividerò la mia esperienza nello sviluppo della più semplice intelligenza artificiale (AI) utilizzando un algoritmo genetico e parlerò anche dell'insieme minimo di comandi richiesti per generare qualsiasi comportamento.

Il risultato del lavoro è stato che l'IA, senza conoscere le regole, ha padroneggiato autonomamente il gioco del tris e ha scoperto i punti deboli dei robot che hanno giocato contro di esso. Ma ho iniziato con un compito ancora più semplice.

Insieme di comandi

Tutto è iniziato con la preparazione di una serie di comandi che l'IA avrebbe potuto avere. Le lingue di alto livello ne contengono centinaia vari operatori. Per evidenziare il minimo richiesto, ho deciso di ricorrere al linguaggio Assembly. Tuttavia, si è scoperto che contiene anche molti comandi.

Avevo bisogno dell'intelligenza artificiale per poter leggere ed emettere dati, lavorare con la memoria, eseguire calcoli e operazioni logiche, effettuare transizioni e cicli. Mi sono imbattuto nel linguaggio Brainfuck, che contiene solo 8 comandi e può eseguire qualsiasi calcolo (cioè è Turing completo). In linea di principio è adatto alla programmazione genetica, ma sono andato oltre.

Mi sono chiesto: qual è il numero minimo di comandi necessari per implementare qualsiasi algoritmo? A quanto pare, ce n'era solo uno!

Il processore URISC contiene una sola istruzione: sottrai e salta le seguenti istruzioni, se il sottraendo fosse maggiore del minuendo. Questo è sufficiente per costruire qualsiasi algoritmo.

Oleg Mazonka è andato ancora oltre: ha sviluppato il comando BitBitJump e ha dimostrato che è Turing completo. L'istruzione contiene tre indirizzi, copia un bit dal primo al secondo indirizzo di memoria e trasferisce il controllo al terzo indirizzo.

Prendendo in prestito le idee di Oleg, per semplificare il lavoro, ho sviluppato il comando SumIfJump. Il comando contiene quattro operandi: A, B, C, D e fa quanto segue: alla cella all'indirizzo B aggiunge i dati dalla cella all'indirizzo A, se il valore è maggiore del valore specificato*, allora va all'indirizzo C, altrimenti va all'indirizzo D.

Nota

*In questo caso è stato utilizzato 128, ovvero la metà della lunghezza del genoma.

Quando l'operando A accede alla posizione di memoria N0, avviene l'input dei dati e quando l'operando A accede alla posizione di memoria N1, avviene l'output.

Di seguito è riportato il codice SumIfJump in FreePascal (un analogo gratuito di Delphi).

Procedura RunProg(s: TData); var a, b, c, d: TData; iniziare Inc(NStep); se NStep > MaxStep allora inizia ProgResult:= "MaxStep"; Uscita; FINE; a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:=Prog[a]; b:= Prog[b]; c:=Prog[c]; d:=Prog[d]; se a = 0 allora inizia ProgResult:= "Input"; Uscita; FINE; se a = 1 allora inizia ProgResult:= "Output"; Uscita; FINE; Prog[b] := Prog[b] + Prog[a]; se Prog[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump implementa il codice automodificante. Può eseguire qualsiasi algoritmo disponibile in un linguaggio di programmazione convenzionale. Il codice è facile da modificare e può resistere a qualsiasi manipolazione.

Compito semplice

Quindi, la nostra IA ha un solo comando. Finora, il tris è un gioco molto difficile per lui, quindi ho iniziato con uno più semplice.

Il bot produce un numero casuale e l'IA deve leggere i dati e dare una risposta. Se il numero è maggiore della media (dell'intervallo di numeri casuali), l'IA dovrebbe produrre un numero inferiore alla media e viceversa.

Il genoma della nostra IA è composto da 256 cellule con valori da 0 a 255. Ogni valore è una memoria, un codice e un indirizzo. Il numero di passi di esecuzione del codice è limitato a 256. Gli operandi vengono letti uno dopo l'altro.

Inizialmente, il genoma è generato da un insieme di numeri casuali, quindi l'IA non sa di cosa ha bisogno per giocare. Inoltre, non sa che deve inserire e inviare dati in sequenza quando risponde al bot.

Popolazione e selezione

La prima popolazione è composta da 256 IA che iniziano a giocare con il bot. Se l'IA esegue le azioni corrette, ad esempio, richiede dati per l'input e poi restituisce qualcosa, l'IA riceve punti. Più azioni corrette, più punti.

Le 16 IA che ottengono il maggior numero di punti producono ciascuna 15 figli e continuano a partecipare al gioco. Un discendente è un mutante. La mutazione avviene sostituendo una cella casuale in una copia del genitore con un valore casuale.

Se nessuna IA ottiene punti nella prima popolazione, si formerà la popolazione successiva. E così via finché una delle IA non inizia a eseguire le azioni giuste e a produrre la prole “corretta”.

Evoluzione

Migliaia di passaggi generazionali sono avvenuti tra eventi significativi. Il programma è stato eseguito in più thread su un Core i7. I calcoli hanno richiesto circa 15 minuti.

1. Quando il "leader" dell'IA ha commesso un errore casuale e non ha ottenuto abbastanza punti, la popolazione ha iniziato a degradarsi, perché la prole è stata formata da genitori “secondari”.
2. È successo che in un flusso con estranei che segnavano il tempo, si è verificata una mutazione riuscita, fornendo un aumento esplosivo dei punti guadagnati. Dopo di che questo flusso è diventato il leader.
3. A volte non si sono verificate mutazioni riuscite per molto tempo e anche 500mila generazioni non sono state sufficienti per completare la selezione.

Conclusione

Infine, ho fatto lo stesso con il gioco del tris. La dimensione del genoma utilizzata era la stessa del primo caso. Il numero di passaggi è stato aumentato a 1024 e la dimensione della popolazione a 64 (per calcoli più rapidi). Il calcolo ha richiesto un po' più di tempo. Tutto è avvenuto approssimativamente secondo lo stesso scenario.

Inizialmente l’IA ha giocato contro un “randomizzatore”. È così che ho chiamato il bot che cammina a caso. Abbastanza rapidamente, l'IA ha iniziato a picchiarlo, compilando una riga. Successivamente, ho complicato il compito aggiungendo un po' di intelligenza al randomizzatore: occupare la linea, se possibile, o difendere. Tuttavia, in questo caso, l’IA ha individuato i punti deboli del bot e ha iniziato a sconfiggerlo. Forse una storia su questo è un argomento per un articolo separato.

Mio figlio mi ha chiesto di scrivere un programma in modo che le IA giocassero tra loro e non con un bot. C'erano idee per fare lo stesso per il gioco della dama o del Go, ma non avevo più abbastanza tempo per questo.

L'unico metodo che ho utilizzato per ottenere nuovi individui è la mutazione. Puoi anche usare il crossover e l'inversione. Forse questi metodi accelereranno l'ottenimento del risultato richiesto.

Alla fine è nata un'idea: dare all'intelligenza artificiale la capacità di gestire tutti i processi su un PC e competere per le risorse del computer. Collega il tuo PC a Internet e utilizza un pool di vecchie fattorie Bitcoin come potenza di calcolo...

Come ha detto il blogger mentre conduceva un esperimento simile

Tra le classi più importanti di compiti che sono stati posti agli sviluppatori di sistemi intelligenti dalla definizione dell'intelligenza artificiale come direzione scientifica (dalla metà degli anni '50 del XX secolo), vanno evidenziati i seguenti: ambiti dell’intelligenza artificiale, che risolvono problemi difficilmente formalizzabili: dimostrazione di teoremi, riconoscimento di immagini, traduzione automatica e comprensione del linguaggio umano, programmi di gioco, creatività delle macchine, sistemi esperti. Consideriamo brevemente la loro essenza.

Indicazioni dell'intelligenza artificiale

Dimostrazione di teoremi. Lo studio delle tecniche di dimostrazione di teoremi ha svolto un ruolo importante nello sviluppo dell'intelligenza artificiale. Molti problemi informali, ad esempio la diagnostica medica, vengono risolti utilizzando approcci metodologici utilizzati per automatizzare la dimostrazione di teoremi. Trovare la dimostrazione di un teorema matematico richiede non solo la deduzione da ipotesi, ma anche la creazione di presupposti intuitivi su quali affermazioni intermedie dovrebbero essere dimostrate per la dimostrazione complessiva del teorema principale. Riconoscimento delle immagini. L'uso dell'intelligenza artificiale per il riconoscimento delle immagini ha permesso di creare sistemi praticamente funzionanti per identificare oggetti grafici basati su caratteristiche simili. Qualsiasi caratteristica degli oggetti da riconoscere può essere considerata come caratteristiche. Le caratteristiche devono essere invarianti rispetto all'orientamento, alle dimensioni e alla forma degli oggetti. L'alfabeto delle funzionalità è formato dallo sviluppatore del sistema. La qualità del riconoscimento dipende in gran parte da quanto bene è stato sviluppato l'alfabeto delle caratteristiche. Il riconoscimento consiste nell'ottenere a priori un vettore delle caratteristiche per un oggetto separato selezionato nell'immagine e, quindi, nel determinare a quale degli standard dell'alfabeto delle caratteristiche corrisponde questo vettore. Traduzione automatica e comprensione del parlato umano. Il compito di analizzare le frasi del linguaggio umano utilizzando un dizionario è un compito tipico dei sistemi di intelligenza artificiale. Per risolvere questo problema è stata creata una lingua intermedia che facilita il confronto di frasi di diverse lingue. Successivamente, questa lingua intermedia si è trasformata in un modello semantico per rappresentare i significati dei testi da tradurre. L'evoluzione del modello semantico ha portato alla creazione di un linguaggio per la rappresentazione interna della conoscenza. Di conseguenza, sistemi moderni effettuare l'analisi di testi e frasi in quattro fasi principali: analisi morfologica, analisi sintattica, semantica e pragmatica. Programmi di gioco. La maggior parte dei programmi di gioco si basa su alcune idee di base dell'intelligenza artificiale, come l'iterazione e l'autoapprendimento. Uno dei problemi più interessanti nel campo dei programmi di gioco che utilizzano metodi di intelligenza artificiale è insegnare a un computer a giocare a scacchi. È stata fondata all'alba informatica, alla fine degli anni '50. Negli scacchi esistono determinati livelli di abilità, gradi di qualità del gioco, che possono fornire criteri chiari per valutare la crescita intellettuale del sistema. Pertanto, gli scacchi informatici sono stati studiati attivamente da scienziati di tutto il mondo e i risultati dei loro risultati sono stati utilizzati in altri sviluppi intellettuali che hanno un significato pratico reale. Nel 1974, il campionato mondiale tra i programmi di scacchi si tenne per la prima volta nell'ambito del regolare congresso IFIP (International Federation of Information Processing) a Stoccolma. Il vincitore di questo concorso è stato il programma di scacchi “Kaissa”. È stato creato a Mosca, presso l'Istituto per i problemi di gestione dell'Accademia delle scienze dell'URSS. Creatività della macchina. Uno degli ambiti di applicazione dell'intelligenza artificiale comprende sistemi software, capace di creare autonomamente musica, poesie, racconti, articoli, diplomi e persino dissertazioni. Oggi esiste un'intera classe di linguaggi di programmazione musicale (ad esempio, il linguaggio C-Sound). Per vari compiti musicali, uno speciale Software: sistemi di elaborazione del suono, sintesi del suono, sistemi di composizione interattiva, programmi di composizione algoritmica. Sistemi esperti. I metodi di intelligenza artificiale hanno trovato applicazione nella creazione di sistemi di consulenza automatizzati o sistemi esperti. I primi sistemi esperti furono sviluppati come strumenti di ricerca negli anni ’60. Erano sistemi di intelligenza artificiale appositamente progettati per risolvere problemi complessi in un ambito ristretto, come la diagnosi medica delle malattie. L'obiettivo classico di questa direzione era inizialmente quello di creare un sistema di intelligenza artificiale scopo generale, che sarebbe in grado di risolvere qualsiasi problema senza conoscenze specifiche in materia. A causa delle risorse informatiche limitate, questo problema si è rivelato troppo complesso per essere risolto con un risultato accettabile. Implementazione commerciale di sistemi esperti si è verificato nei primi anni ’80 e da allora i sistemi esperti si sono diffusi. Sono utilizzati negli affari, nella scienza, nella tecnologia, nella produzione e in molte altre aree in cui esiste un'area tematica ben definita. Il significato principale dell'espressione "ben definito" è che un esperto umano è in grado di determinare le fasi del ragionamento con l'aiuto delle quali è possibile risolvere qualsiasi problema in una determinata area tematica. Ciò significa che azioni simili possono essere eseguite da un programma per computer. Ora possiamo dirlo con sicurezza utilizzo di sistemi di intelligenza artificiale apre ampi confini. Oggi i sistemi esperti rappresentano una delle applicazioni di maggior successo della tecnologia dell’intelligenza artificiale. Pertanto, ti consigliamo di familiarizzare con

Dal momento in cui l'intelligenza artificiale è stata riconosciuta come campo scientifico, e ciò è avvenuto a metà degli anni '50 del secolo scorso, gli sviluppatori di sistemi intelligenti hanno dovuto risolvere molti problemi. Convenzionalmente, tutti i compiti possono essere suddivisi in diverse classi: riconoscimento linguaggio umano e traduzione, dimostrazioni automatiche di teoremi, creazione di programmi di gioco, riconoscimento di immagini e creatività delle macchine. Consideriamo brevemente l'essenza di ciascuna classe di problemi.

Dimostrazione di teoremi.

La dimostrazione automatica di teoremi è la più antica applicazione dell’intelligenza artificiale. Sono state condotte molte ricerche in quest'area, che hanno portato alla nascita di algoritmi di ricerca formalizzati e linguaggi di rappresentazione formale, come PROLOG - un linguaggio di programmazione logica e calcolo dei predicati.

Le dimostrazioni automatiche di teoremi sono attraenti perché si basano sulla generalità e sul rigore della logica. La logica in un sistema formale implica la possibilità di automazione, il che significa che se si immagina un compito e si è in relazione ad esso Informazioni aggiuntive sotto forma di un insieme di assiomi logici e casi speciali del problema - come teoremi che richiedono dimostrazione, si può ottenere una soluzione a molti problemi. Su questo principio si basano i sistemi di giustificazione matematica e la dimostrazione automatica dei teoremi. Negli anni passati sono stati fatti ripetuti tentativi di scrivere un programma per la dimostrazione automatica di teoremi, ma non è mai stato possibile creare un sistema che consentisse di risolvere i problemi utilizzando un unico metodo. Qualsiasi sistema euristico relativamente complesso poteva generare molti teoremi dimostrabili che erano irrilevanti, costringendo i programmi a doverli dimostrare fino a quando non veniva scoperto quello corretto. Ciò ha portato a credere che i grandi spazi possano essere affrontati solo attraverso strategie informali adattate a situazioni specifiche. In pratica, questo approccio si è rivelato piuttosto fruttuoso ed è stato utilizzato, insieme ad altri, come base per i sistemi esperti.

Allo stesso tempo, il ragionamento basato sulla logica formale non può essere ignorato. Un approccio formalizzato consente di risolvere molti problemi. In particolare, usandolo, puoi controllare sistemi complessi, verificare la correttezza dei programmi informatici, progettare e testare circuiti logici. Inoltre, i ricercatori che dimostrano automaticamente teoremi hanno sviluppato potenti euristiche che si basano sulla stima della forma sintattica. espressioni logiche. Di conseguenza, è stato possibile ridurre il livello di complessità dello spazio di ricerca senza ricorrere allo sviluppo di strategie speciali.

La dimostrazione automatica dei teoremi interessa agli scienziati anche perché il sistema può essere utilizzato anche per problemi particolarmente complessi, anche se non senza l'intervento umano. Al giorno d'oggi, i programmi spesso fungono da assistenti. Gli esperti suddividono il compito in diverse sottoattività, quindi elaborano euristiche per individuare le possibili ragioni. Il programma poi dimostra i lemmi, verifica le ipotesi meno significative e apporta aggiunte agli aspetti formali della dimostrazione umana.

Riconoscimento di modelli.

Il riconoscimento di modelli è la selezione delle caratteristiche essenziali che caratterizzano i dati di origine dall'insieme generale di caratteristiche e, sulla base delle informazioni ricevute, l'assegnazione dei dati a una determinata classe.

La teoria del riconoscimento di forme è una branca dell'informatica i cui compiti comprendono lo sviluppo dei fondamenti e dei metodi per identificare e classificare oggetti (oggetti, processi, fenomeni, situazioni, segnali, ecc.), ciascuno dei quali è dotato di un insieme di determinati segni e proprietà. In pratica, è necessario identificare gli oggetti abbastanza spesso. Una situazione tipica è riconoscere il colore di un semaforo e decidere se farlo questo momento attraversa la strada. Ci sono altre aree in cui è impossibile fare a meno del riconoscimento degli oggetti, ad esempio la digitalizzazione di segnali analogici, affari militari, sistemi di sicurezza e così via, quindi oggi gli scienziati continuano a lavorare attivamente alla creazione di sistemi di riconoscimento delle immagini.

Il lavoro si svolge in due direzioni principali:

• · Esplorazione, spiegazione e modellazione delle capacità di riconoscimento inerenti agli esseri viventi.
• · Sviluppo di basi teoriche e metodologiche per la creazione di dispositivi che consentano di risolvere problemi individuali per scopi applicativi.

I problemi di riconoscimento sono formulati utilizzando il linguaggio matematico. Mentre la teoria dell'artificiale reti neurali si basa sull'ottenimento di risultati attraverso esperimenti; la formulazione di problemi di riconoscimento di modelli avviene non sulla base dell'esperimento, ma sulla base di dimostrazioni matematiche e ragionamenti logici.

Consideriamo la formulazione classica di tale problema. Ci sono molti oggetti riguardo ai quali la classificazione dovrebbe essere effettuata. Un insieme è costituito da sottoinsiemi o classi. Dato: informazioni che descrivono un insieme, informazioni sulle classi e una descrizione di un singolo oggetto senza indicarne l'appartenenza ad una classe specifica. Compito: in base ai dati disponibili, determinare a quale classe appartiene l'oggetto.

Se i problemi contengono immagini monocromatiche, possono essere considerati come funzioni su un piano. La funzione sarà una registrazione formale dell'immagine e in ogni punto esprimerà una certa caratteristica di questa immagine- densità ottica, trasparenza, luminosità, ecc. In questo caso, il modello dell'immagine impostata sarà un insieme di funzioni sul piano. La formulazione del problema del riconoscimento dipende da quali dovrebbero essere le fasi successive al riconoscimento.

I metodi di riconoscimento dei modelli includono esperimenti di F. Rosenblatt, che ha introdotto il concetto di modello cerebrale. Lo scopo dell'esperimento è mostrare come nascono i fenomeni psicologici in un sistema fisico con proprietà funzionali e struttura note. Lo scienziato ha descritto gli esperimenti di riconoscimento più semplici, ma la loro caratteristica è un algoritmo di soluzione non deterministico.

L'esperimento più semplice, dalla base del quale si possono ottenere informazioni psicologicamente significative sul sistema, è il seguente: al percettrone viene presentata una sequenza di due stimoli diversi, a ciascuno dei quali deve reagire in qualche modo, e la reazione deve essere diversi per stimoli diversi. Gli obiettivi di un simile esperimento potrebbero essere diversi. Lo sperimentatore può trovarsi di fronte al compito di studiare la possibilità di discriminazione spontanea da parte del sistema di stimoli presentati senza intervento esterno o, al contrario, di studiare la possibilità di riconoscimento forzato. Nel secondo caso, lo sperimentatore addestra il sistema a classificare vari oggetti, di cui possono essere più di due. L'esperienza di apprendimento procede nel modo seguente: al perceptron vengono presentate immagini, tra le quali ci sono rappresentanti di tutte le classi da riconoscere. La risposta corretta viene rinforzata secondo le regole della modificazione della memoria. Successivamente, lo sperimentatore presenta uno stimolo di controllo al percettrone e determina la probabilità di ottenere una determinata reazione per immagini di una determinata classe. Lo stimolo di controllo può essere lo stesso di uno degli oggetti presentati nella sequenza di allenamento, oppure diverso da tutti gli oggetti presentati. In base a ciò si ottengono i seguenti risultati:

• · Se lo stimolo di controllo differisce da tutti gli stimoli formativi presentati in precedenza, oltre alla pura discriminazione, l'esperimento esamina anche elementi di generalizzazione.
• · Se uno stimolo di controllo provoca l'attivazione di un certo gruppo di elementi sensoriali che non coincidono con nessuno degli elementi attivati ​​sotto l'influenza di stimoli della stessa classe presentati in precedenza, allora l'esperimento esamina la pura generalizzazione e non include uno studio di riconoscimento.

Nonostante il fatto che i perceptron non siano capaci di pura generalizzazione, affrontano in modo soddisfacente i compiti di riconoscimento, soprattutto nei casi in cui vengono mostrate immagini per le quali il perceptron ha già una certa esperienza.

Riconoscimento del parlato umano e traduzione automatica.

Gli obiettivi a lungo termine dell’intelligenza artificiale includono la creazione di programmi in grado di riconoscere il linguaggio umano e utilizzarlo per costruire frasi significative. La capacità di comprendere e utilizzare il linguaggio naturale è una caratteristica fondamentale dell’intelligenza umana. Un’automazione efficace di questa capacità migliorerebbe notevolmente l’efficienza dei computer. Molti programmi sono stati scritti per comprendere il linguaggio naturale e sono stati utilizzati con successo in contesti limitati, ma non esistono ancora sistemi in grado di utilizzare i linguaggi naturali con la stessa generalità e flessibilità degli esseri umani. Il fatto è che il processo di comprensione del linguaggio naturale non consiste solo nella semplice analisi delle frasi in componenti e nella ricerca del significato delle singole parole nei dizionari. I programmi affrontano con successo questo compito. Per utilizzare il linguaggio umano, è necessaria una vasta conoscenza dell'argomento della conversazione, degli idiomi ad esso correlati, inoltre, è necessaria la capacità di comprendere ambiguità, omissioni, professionalità, gergo, espressioni colloquiali e molto altro che è inerente al normale linguaggio umano .

Un esempio è una conversazione sul calcio, in cui vengono utilizzate parole come "attaccante", "passaggio", "passaggio", "calcio di punizione", "difensore", "attaccante", "capitano" e altre. Ognuna di queste parole è caratterizzata da un insieme di significati, e individualmente le parole sono abbastanza comprensibili, ma una frase composta da esse sarà incomprensibile a chiunque non sia appassionato di calcio e non conosca nulla della storia, delle regole e dei principi di questo gioco . Pertanto, comprendere e utilizzare il linguaggio umano richiede un insieme di conoscenze di base e una delle principali sfide nell’automazione della comprensione e dell’uso del linguaggio umano naturale è la raccolta e la sistematizzazione di tale conoscenza.

Poiché i significati semantici sono ampiamente utilizzati nell'intelligenza artificiale, gli scienziati hanno sviluppato una serie di metodi che consentono loro di essere strutturati in una certa misura. Eppure la maggior parte del lavoro viene svolto in aree problematiche ben conosciute e specializzate. Un esempio è la tecnica del “micromondo”. Uno dei primi programmi in cui è stato utilizzato è stato il programma SHRDLU, sviluppato da Terry Winograd, che è uno dei sistemi per comprendere il linguaggio umano. Le capacità del programma erano piuttosto limitate e consistevano in una "conversazione" sulla disposizione di blocchi di diversi colori e forme, nonché sulla pianificazione di azioni semplici. Il programma ha fornito risposte a domande come "Di che colore è la piramide sul blocco trasversale?" e potrebbe dare istruzioni come “Posiziona il blocco blu su quello rosso”. Tali problemi venivano spesso affrontati dai ricercatori di intelligenza artificiale e in seguito divennero noti come il “mondo dei blocchi”.

Nonostante il fatto che il programma SHRDLU abbia “conversato” con successo sulla posizione dei blocchi, non era dotato della capacità di astrarre da questo “micromondo”. Utilizzava tecniche troppo semplici che non erano in grado di trasmettere l'organizzazione semantica di aree tematiche di maggiore complessità.

Il lavoro attuale nel campo della comprensione e dell'applicazione dei linguaggi naturali è principalmente finalizzato alla ricerca di formalismi di rappresentazione sufficientemente generali da poter essere adattati alle strutture specifiche di determinati domini e applicati ad un'ampia gamma di applicazioni. La maggior parte delle tecniche esistenti, che sono modifiche delle reti semiotiche, vengono ricercate e utilizzate per scrivere programmi in grado di riconoscere il linguaggio naturale in aree tematiche ristrette. Allo stesso tempo, capacità moderne non ci permettono di creare un programma universale capace di comprendere il linguaggio umano in tutta la sua diversità.

Tra la varietà di problemi di riconoscimento di modelli, si possono distinguere i seguenti:

• · Classificazione dei documenti
• · Identificazione dei giacimenti minerari
• Riconoscimento delle immagini
• · Riconoscimento dei codici a barre
• · Riconoscimento dei caratteri
• · Riconoscimento vocale
• · Riconoscimento facciale
• · Riconoscimento targhe

L'intelligenza artificiale nei programmi di gioco.

L'intelligenza artificiale nel gioco comprende non solo i tradizionali metodi di intelligenza artificiale, ma anche algoritmi informatici in generale, grafica computerizzata, robotica e teoria del controllo. Il modo esatto in cui viene implementata l'intelligenza artificiale non dipende solo requisiti di sistema, ma anche il budget del gioco, quindi gli sviluppatori devono bilanciare, cercando di garantire che l'intelligenza artificiale del gioco sia creata con costi minimi, e allo stesso tempo dovrebbe essere interessante e poco impegnativo in termini di risorse. Ciò richiede un approccio completamente diverso rispetto all’intelligenza artificiale tradizionale. In particolare, sono molto diffuse emulazioni, inganni e semplificazioni varie. Esempio: una caratteristica degli sparatutto in prima persona è la capacità dei robot di muoversi con precisione e mirare istantaneamente, ma allo stesso tempo una persona non ha una sola possibilità, quindi le capacità dei robot vengono ridotte artificialmente. Allo stesso tempo, i punti di controllo sono posizionati a livello in modo che i robot possano agire come una squadra, tendere imboscate, ecc. immagine di intelligenza artificiale

Nei giochi per computer controllati dall'intelligenza artificiale di gioco, sono presenti le seguenti categorie di personaggi:

• · mob - personaggi con un basso livello di intelligenza, ostili al giocatore umano. I giocatori distruggono i mob per oltrepassare il territorio, ottenere artefatti e punti esperienza.
• · personaggi non giocanti - solitamente questi personaggi sono amichevoli o neutrali nei confronti del giocatore.
• · i bot sono personaggi ostili nei confronti dei giocatori e sono i più difficili da programmare. Le loro capacità si avvicinano a quelle dei personaggi del gioco. In ogni momento, un certo numero di bot agisce contro il giocatore.

All'interno di un gioco per computer, ci sono molte aree in cui viene utilizzata un'ampia varietà di algoritmi euristici per l'intelligenza artificiale del gioco. L'intelligenza artificiale del gioco è ampiamente utilizzata come modo per controllare i personaggi non giocanti. Un altro metodo di controllo non meno comune è lo scripting. Un altro uso ovvio dell'intelligenza artificiale del gioco, specialmente nei giochi di strategia in tempo reale, è il pathfinding, o un metodo per determinare come un personaggio non giocante può spostarsi da un punto all'altro della mappa. In questo caso bisogna tenere conto degli ostacoli, del terreno e della possibile “nebbia di guerra”. Anche il bilanciamento dinamico dei mob non è completo senza l'uso dell'intelligenza artificiale. Molti giochi hanno esplorato il concetto di intelligenza imprevedibile. Si tratta di giochi come Nintendogs, Black & White, Creatures e il noto giocattolo Tamagotchi. In questi giochi i personaggi sono animali domestici, il cui comportamento cambia in base alle azioni compiute dal giocatore. I personaggi sembrano capaci di apprendere, quando in realtà le loro azioni sono il risultato di una scelta da un insieme limitato di decisioni.

Molti programmatori di giochi considerano qualsiasi tecnica che crea l'illusione dell'intelligenza come parte dell'intelligenza artificiale dei giochi. Tuttavia, questo approccio non è del tutto corretto, poiché le stesse tecniche possono essere utilizzate non solo nei motori di intelligenza artificiale dei giochi. Ad esempio, durante la creazione dei bot, vengono utilizzati algoritmi in cui vengono inserite informazioni su possibili collisioni future, in seguito alle quali i robot acquisiscono la "capacità" di evitare queste collisioni. Ma queste stesse tecniche sono una componente importante e necessaria di un motore fisico. Un altro esempio: un componente importante del sistema di puntamento di un bot sono i dati sull'acqua e gli stessi dati vengono ampiamente utilizzati nel motore grafico per il rendering. L'ultimo esempio è lo scripting. Questo strumento può essere utilizzato con successo in tutti gli aspetti dello sviluppo del gioco, ma molto spesso è considerato uno dei modi per controllare le azioni dei personaggi non giocanti.

Secondo i puristi l’espressione “intelligenza artificiale dei giochi” non ha il diritto di esistere perché è un’esagerazione. La loro argomentazione principale è che l’intelligenza artificiale dei giochi utilizza solo alcune aree della scienza dell’intelligenza artificiale classica. Va inoltre tenuto presente che gli obiettivi dell’intelligenza artificiale sono quelli di creare sistemi di autoapprendimento e perfino un’intelligenza artificiale capace di ragionare, mentre spesso essa si limita all’euristica e a un insieme di poche regole pratiche, sufficienti per creare buon gameplay e fornisce al giocatore impressioni vivide e la sensazione del gioco.

Attualmente, gli sviluppatori di giochi per computer stanno mostrando interesse per l’intelligenza artificiale accademica e la comunità accademica, a sua volta, si sta interessando ai giochi per computer. Ciò solleva la questione di quanto i giochi e l’intelligenza artificiale classica differiscano l’uno dall’altro. Allo stesso tempo, l’intelligenza artificiale nei giochi è ancora considerata uno dei rami secondari dell’intelligenza classica. Ciò è dovuto al fatto che l’intelligenza artificiale ha diversi ambiti di applicazione diversi tra loro. Se parliamo di intelligenza di gioco, una differenza importante qui è la possibilità di inganno per risolvere determinati problemi in modo “legale”. Da un lato, lo svantaggio dell'inganno è che spesso porta a comportamenti non realistici del personaggio e per questo motivo non può sempre essere utilizzato. D'altra parte, la possibilità stessa di tale inganno costituisce un'importante differenza tra l'IA del gioco.

Un altro compito interessante dell'intelligenza artificiale è insegnare a un computer a giocare a scacchi. Gli scienziati di tutto il mondo erano impegnati a risolverlo. La particolarità di questo compito è che la dimostrazione delle capacità logiche del computer è possibile solo in presenza di un vero avversario. La prima dimostrazione del genere ebbe luogo nel 1974 a Stoccolma, dove si tenne il Campionato mondiale di scacchi. Il programma "Kaissa", creato da scienziati sovietici dell'Istituto per i problemi gestionali dell'Accademia delle scienze dell'URSS, con sede a Mosca, ha vinto questo concorso.

L'intelligenza artificiale nella creatività delle macchine.

La natura dell'intelligenza umana non è stata ancora sufficientemente studiata, e il grado in cui è stata studiata la natura della creatività umana è ancora minore. Tuttavia, un’area dell’intelligenza artificiale è la creatività delle macchine. Computer moderni creare opere musicali, letterarie e artistiche e l'industria dei giochi per computer e dei film utilizza da tempo immagini realistiche create dalle macchine. I programmi esistenti creano varie immagini che possono essere facilmente percepite e comprese dagli esseri umani. Ciò è particolarmente importante quando si tratta di conoscenza intuitiva, la cui verifica formale richiederebbe un notevole sforzo mentale. Pertanto, i problemi musicali vengono risolti con successo utilizzando un linguaggio di programmazione, uno dei quali è il linguaggio CSound. I software speciali con cui vengono create le opere musicali sono rappresentati da programmi di composizione algoritmica, sistemi di composizione interattiva, sistemi di sintesi ed elaborazione del suono.

Sistemi esperti.

Lo sviluppo di sistemi esperti moderni è stato portato avanti dai ricercatori fin dall'inizio degli anni '70 e all'inizio degli anni '80 i sistemi esperti hanno cominciato a essere sviluppati su base commerciale. I prototipi di sistemi esperti, proposti nel 1832 dallo scienziato russo S. N. Korsakov, erano dispositivi meccanici chiamati “macchine intelligenti”, che permettevano di trovare una soluzione in base a determinate condizioni. Ad esempio, sono stati analizzati i sintomi di una malattia osservata in un paziente e, in base ai risultati di questa analisi, sono stati proposti i farmaci più adatti.

L'informatica considera i sistemi esperti insieme alle basi di conoscenza. I sistemi sono modelli di comportamento esperto basati sull'applicazione di procedure decisionali e conclusioni logiche. Le basi di conoscenza sono considerate come un insieme di regole di inferenza logica e fatti direttamente correlati al campo di attività scelto.

Alla fine del secolo scorso si sviluppò un certo concetto di sistema esperto, profondamente incentrato sull’interfaccia uomo-macchina basata sul testo, che all’epoca era generalmente accettata. Attualmente questo concetto ha subito una grave crisi, apparentemente dovuta al fatto che applicazioni personalizzate L'interfaccia testuale è stata sostituita da una grafica. Oltretutto, modello relazionale i dati e la visione “classica” della costruzione di sistemi esperti sono scarsamente coerenti tra loro. Di conseguenza, l'organizzazione delle basi di conoscenza dei sistemi esperti non può essere effettuata in modo efficace, almeno utilizzando i moderni sistemi di gestione di database industriali. Le fonti letterarie e online forniscono molti esempi di sistemi esperti chiamati “comuni” o “ben noti”. In realtà, tutti questi sistemi esperti sono stati creati negli anni '80 del secolo scorso e ormai o hanno cessato di esistere o sono irrimediabilmente obsoleti ed esistono grazie a pochi appassionati. D'altra parte, gli sviluppatori di prodotti software moderni spesso chiamano le loro creazioni sistemi esperti. Tali affermazioni non sono altro che uno stratagemma di marketing, perché in realtà questi prodotti non sono sistemi esperti (un esempio potrebbe essere uno qualsiasi dei sistemi informatici di riferimento giuridico). Gli appassionati stanno cercando di combinare approcci alla creazione interfaccia utente con approcci “classici” alla creazione di sistemi esperti. Questi tentativi si riflettono in progetti come CLIPS.NET, CLIPS Java Native Interface e altri, ma le grandi società di software non hanno fretta di finanziare tali progetti, e per questo motivo gli sviluppi non vanno oltre la fase sperimentale.

La varietà dei settori in cui possono essere utilizzati i sistemi basati sulla conoscenza può essere suddivisa in classi: diagnostica medica, pianificazione, previsione, monitoraggio e controllo, formazione, interpretazione, diagnosi dei guasti nelle apparecchiature elettriche e meccaniche, formazione. Diamo un'occhiata a ciascuna di queste classi in modo più dettagliato.

a) Sistemi diagnostici medici.

Con l'aiuto di tali sistemi, determinano come vari disturbi dell'attività del corpo e dei loro possibili ragioni. Il più famoso sistema diagnosticoè MYCIN. Viene utilizzato per diagnosticare la meningite e le infezioni batteriche, nonché per monitorare le condizioni dei pazienti affetti da queste malattie. La prima versione del sistema è stata sviluppata negli anni '70. Oggi, le sue capacità si sono ampliate in modo significativo: il sistema effettua diagnosi allo stesso livello professionale di un medico specialista e può essere utilizzato in vari campi della medicina.

b) Sistemi predittivi.

I sistemi sono progettati per prevedere eventi o risultati di eventi sulla base dei dati disponibili che caratterizzano la situazione attuale o lo stato di un oggetto. Pertanto, il programma “Conquest of Wall Street”, che utilizza metodi statistici di algoritmi nel suo lavoro, è in grado di analizzare le condizioni di mercato e sviluppare un piano di investimenti. Il programma utilizza algoritmi e procedure della programmazione tradizionale, quindi non può essere classificato come un sistema basato sulla conoscenza. Già oggi esistono programmi in grado di prevedere il flusso di passeggeri, i raccolti e le condizioni meteorologiche analizzando i dati disponibili. Tali programmi sono abbastanza semplici e alcuni di essi possono essere utilizzati normalmente computer personale. Tuttavia, non esistono ancora sistemi esperti che possano, sulla base dei dati sulle condizioni di mercato, suggerire come aumentare il capitale.

c) Pianificazione.

I sistemi di pianificazione sono progettati per risolvere problemi con un gran numero di variabili al fine di ottenere risultati specifici. Per la prima volta in ambito commerciale tali sistemi sono stati utilizzati dalla società di Damasco Informat. La direzione dell'azienda ha ordinato l'installazione di 13 postazioni nell'atrio dell'ufficio, che fornivano consulenze gratuite ai clienti che desideravano acquistare un computer. Le macchine ci hanno aiutato a fare la scelta più adatta al budget e ai desideri dell’acquirente. I sistemi esperti sono stati utilizzati anche dalla Boeing per scopi quali riparare elicotteri, identificare le cause di guasto dei motori degli aerei e progettare stazioni spaziali. DEC ha creato il sistema esperto XCON, in grado di identificare e riconfigurare i sistemi informatici VAX in base alle esigenze del cliente. DEC sta attualmente sviluppando un sistema XSEL più potente che include la base di conoscenza XCON. Lo scopo della creazione del sistema è aiutare i consumatori a scegliere sistema informatico con la configurazione richiesta. La differenza tra XSEL e XCON è che è interattivo.

d) Interpretazione.

I sistemi interpretativi sono in grado di trarre conclusioni sulla base dei risultati delle osservazioni. Uno dei sistemi interpretativi più famosi è il sistema PROSPECTOR. Funziona utilizzando dati basati sulla conoscenza di nove esperti. L'efficacia del sistema può essere valutata con un esempio: con nove diversi metodi di analisi il sistema ha scoperto un giacimento minerario che nessun esperto avrebbe potuto prevedere. Un altro noto sistema di tipo interpretativo è HASP/SIAP. Utilizza i dati sistemi di altoparlanti tracciamento e, sulla base di essi, determina la posizione delle navi nell'Oceano Pacifico e la loro tipologia.

D) Sistemi intelligenti controllo e gestione.

I sistemi esperti vengono utilizzati con successo per il controllo e la gestione. Sono in grado di analizzare i dati ricevuti da diverse fonti e prendere decisioni in base ai risultati dell'analisi. Tali sistemi sono in grado di effettuare monitoraggio medico e controllare il movimento degli aerei, inoltre, sono utilizzati nelle centrali nucleari. Aiutano anche a regolare le attività finanziarie dell'impresa e a sviluppare soluzioni in situazioni critiche.

f) Diagnosi e risoluzione dei problemi di apparecchiature elettriche e meccaniche.

I sistemi basati sulla conoscenza vengono utilizzati in casi quali:

riparazione di locomotive diesel, automobili e altri dispositivi elettrici e meccanici;

diagnostica ed eliminazione di errori e malfunzionamenti nel software e nell'hardware del computer.

E) Sistemi informatici formazione.

L’uso di sistemi basati sulla conoscenza per scopi educativi è piuttosto efficace. Il sistema analizza il comportamento e l'attività dell'oggetto e modifica la base di conoscenza in base alle informazioni ricevute. L'esempio più semplice di tale formazione è gioco per computer, in cui i livelli diventano più difficili man mano che aumenta l'abilità del giocatore. Un interessante sistema di formazione - EURISCO - è stato sviluppato da D. Lenat. Utilizza semplici euristiche. Il sistema è stato utilizzato in un gioco che simulava operazioni di combattimento. L'essenza del gioco è determinare la composizione ottimale della flottiglia, che potrebbe infliggere sconfitte osservando molte regole. Il sistema ha affrontato con successo questo compito, includendo nella flottiglia una piccola nave e diverse navi in ​​grado di effettuare un attacco. Le regole del gioco cambiavano ogni anno, ma il sistema EURISCO ha vinto costantemente per tre anni.

Esistono molti sistemi esperti che, in base al loro contenuto di conoscenza, possono essere classificati in più tipi contemporaneamente. Ad esempio, un sistema che esegue la pianificazione può anche essere un sistema di apprendimento. È in grado di determinare il livello di conoscenza dello studente e, sulla base di queste informazioni, creare un curriculum. I sistemi di controllo vengono utilizzati per la pianificazione, la previsione, la diagnostica e il controllo. I sistemi progettati per proteggere una casa o un appartamento possono monitorare i cambiamenti che si verificano nell'ambiente, prevedere lo sviluppo della situazione ed elaborare un piano per ulteriori azioni. Ad esempio, si è aperta una finestra e un ladro sta cercando di entrare nella stanza attraverso di essa, quindi è necessario chiamare la polizia.

L’uso diffuso dei sistemi esperti è iniziato negli anni ’80, quando furono introdotti per la prima volta sul mercato. Gli ES sono utilizzati in molti settori, tra cui economia, scienza, tecnologia, produzione e altri settori caratterizzati da un'area tematica molto specifica. In questo contesto, “ben definito” significa che una persona può dividere il corso del ragionamento in fasi separate, e in questo modo qualsiasi problema che si trova all’interno di una determinata area può essere risolto. Pertanto, azioni simili possono essere eseguite da programma per computer. Si può affermare con certezza che l’utilizzo delle capacità dell’intelligenza artificiale apre infinite possibilità per l’umanità.

L’intelligenza artificiale (AI) fa parte da tempo della nostra vita. Ti aiuta a rilassarti, fare acquisti, studiare e lavorare. Le macchine hanno trovato ampio utilizzo anche nel marketing.

In questo articolo vedrai esempi di come funziona l'intelligenza artificiale nel marketing.

Costruzione del sito web

Il servizio Grid presenta l'assistente robot Molly. Aiuta a sviluppare siti Web su diverse piattaforme in breve tempo.

Qual e il punto? Molly crea un sito Web senza sviluppatori o ingegneri. L'azienda richiede non più di $ 100 all'anno per un sito web. D'accordo, questo non è nulla in confronto allo stipendio annuale del team di sviluppo.

Ma non c’è ancora nessun posto senza persone: selezionano immagini, testi, CTA. Molly prende questi dati e crea un sito web.

Guarda come ciò accade in un breve video:

Creazione di contenuti

I copywriter possono stare certi che l’intelligenza artificiale non penetrerà troppo in profondità nel loro campo. Ma le macchine possono fare alcune cose nell’area dei contenuti. Molti grandi editori e media utilizzano strumenti come Wordsmith:

Le macchine creano contenuti cliccabili: notizie, descrizioni di hotel, abbigliamento e prodotti e aiutano con i report. Usano modelli, compilano moduli con le parole e le parole chiave giuste e creano altri contenuti unici che sono praticamente indistinguibili dai contenuti umani.

Naturalmente, l'IA non riceverà il Premio Pulitzer per tali testi, ma le frasi e le frasi sono abbastanza leggibili.

La notizia di una partita di baseball per l'Associated Press è stata scritta da AI:

Non è la storia più emozionante, ma il messaggio è chiaro: la squadra dello State College ha battuto i Brooklyn Cyclones con un punteggio di 9:8.

Il testo scritto a macchina può essere modificato nell'app Hemingway:

Anche questa è intelligenza artificiale. Una semplice applicazione che spreme l'acqua dal testo.

L'analogo domestico è il servizio Glavred.

È bello quando non devi alzarti dal divano per iniziare una nuova serie o film. Molte società di media utilizzano l’intelligenza artificiale. Quando finisce un film, la macchina ne avvia automaticamente un altro per non disturbare le persone.

L'intelligenza artificiale analizza il comportamento degli utenti e suggerisce contenuti. Ciò può, ad esempio, IBM Watson:

Il social network sportivo UNDER ARMOR RECORD utilizza Watson per personalizzare i messaggi per gli utenti dell'app e il Museo d'arte moderna di San Francisco ha creato un bot artistico basato su AI Watson. Il bot comunica con i visitatori dei musei e semplicemente con gli amanti dell'arte. Analizza il messaggio e mostra le immagini:

“- Il sole è arrivato. - Robert Bechtle, Watsonville Olympia, 1977."

Conosce abbastanza bene gli utenti di Yandex, che è strettamente coinvolto nelle reti neurali. Ecco come Yandex.Music cerca modi per conoscerci meglio:

Motori di ricerca

Cosa vogliono gli utenti? Conosce l'intelligenza artificiale. L’ottimizzazione dei contenuti, effettuata dagli esperti di marketing, dipende da questa conoscenza. Le macchine influenzano anche la ricerca e i motori di ricerca.

Ad esempio, la ricerca vocale e il sistema di classificazione di Google hanno aperto la porta al futuro risultati di ricerca RankBrain. Interpreta i dati e fornisce suggerimenti su ciò che potrebbe interessarti. L'intelligenza artificiale cerca di indovinare autonomamente il significato di parole non familiari.

Le macchine - Amazon Echo, Google Home, Siri e Cortana di Microsoft - semplificano la vita e la scoperta. Basta premere un pulsante o dire una parola e troveranno le informazioni di cui hanno bisogno. Invece di “ristoranti a Mosca” basta dire “dove posso mangiare?” e l’intelligenza artificiale mostrerà la strada.

Cambiano i parametri di ricerca, cambiano i contenuti. Le query lunghe scompaiono, sostituite da brevi frasi di conversazione. Il principio della creazione di contenuti sta cambiando. Se ci fossero prima parole chiave, oggi l'accento è posto sui cluster tematici. Viene preso un argomento e attorno ad esso viene creato il contenuto di diversi articoli.

Automazione del marketing

I marchi utilizzano l'intelligenza artificiale per personalizzare gli invii ai clienti. Le macchine tengono conto delle preferenze e del comportamento dei clienti per presentare offerte più pertinenti.

Boomtrain analizza la storia dell'interazione del cliente con i contenuti e crea mailing:

Il negozio di lingerie online Adore me lavora con Optimove:

Lo strumento utilizza l'intelligenza artificiale per segmentare l'elenco dei clienti per il successivo coinvolgimento e conversione. La macchina invia offerte diverse a gruppi diversi e interagisce con gli utenti nell'applicazione. Il marchio è in nero: i ricavi e il numero di clienti attivi sono aumentati.

L’intelligenza artificiale libera molto tempo, che può essere dedicato a ciò che è veramente importante e necessario.

Rete sociale

Giochi con immagini

Filtri fotografici: puoi giocarci per ore. E anche queste sono reti neurali. Le macchine hanno imparato a riconoscere i volti umani in modo che gli utenti dei social network non si annoino e si divertano con i filtri fotografici.

Con l’aiuto dell’intelligenza artificiale, marchi e celebrità si stanno avvicinando ai potenziali acquirenti.