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

Intelligenza artificiale (AI, Engl. Intelligenza artificiale, AI) - la scienza e la tecnologia per creare macchine intelligenti, in particolare programmi per computer intelligenti. L'intelligenza artificiale è associata al compito simile di utilizzare i computer per comprendere l'intelligenza umana, ma non si limita necessariamente a metodi biologicamente plausibili.

Cos'è l'intelligenza artificiale?

Intelligenza (dal Lat. intellectus - sensazione, percezione, comprensione, comprensione, concetto, ragione) o mente - la qualità della psiche, che consiste nella capacità di adattarsi a nuove situazioni, nella capacità di apprendere e ricordare in base all'esperienza, alla comprensione e all'applicazione di concetti astratti e all'uso dei loro conoscenza per la gestione ambientale. L'intelligenza è una capacità generale di conoscere e risolvere le difficoltà, che combina tutte le capacità cognitive di una persona: sensazione, percezione, memoria, rappresentazione, pensiero, immaginazione.

All'inizio degli anni '80 Gli scienziati nel campo della teoria computazionale Barr e Feigenbaum hanno proposto la seguente definizione di intelligenza artificiale (AI):

Successivamente, un certo numero di algoritmi e sistemi software hanno iniziato ad essere assegnati all'intelligenza artificiale, la cui caratteristica distintiva è che possono risolvere alcuni problemi come farebbe una persona che penserebbe alla propria soluzione.

Le proprietà principali dell'IA sono la comprensione del linguaggio, l'apprendimento e la capacità di pensare e, soprattutto, di agire.

AI - un insieme di tecnologie e processi correlati che si sviluppano in modo efficiente e rapido, ad esempio:

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

Strategia nazionale di sviluppo dell'intelligenza artificiale

Articolo principale: Strategia nazionale di sviluppo dell'intelligenza artificiale

Ricerca AI

Articolo principale: Ricerca sull'intelligenza artificiale

Standardizzazione AI

2019: esperti ISO / IEC hanno supportato la proposta di sviluppare uno standard in russo

Il 16 aprile 2019, è diventato noto che il sottocomitato ISO / IEC sulla standardizzazione nel campo dell'intelligenza artificiale ha sostenuto la proposta del Comitato tecnico dei sistemi informatici fisici, creato sulla base di RVC, per sviluppare lo standard “Intelligenza artificiale. Concetti e terminologia "in russo oltre alla versione inglese di base.

Lo standard terminologico è “Intelligenza artificiale. Concetti e terminologia "è fondamentale per l'intera famiglia di documenti normativi internazionali nel campo dell'intelligenza artificiale. Oltre a termini e definizioni, questo documento contiene approcci e principi concettuali per la costruzione di sistemi con elementi, una descrizione della relazione dell'IA con altre tecnologie trasversali e principi di base e approcci quadro alla regolamentazione normativa e tecnica dell'intelligenza artificiale.

In seguito alla riunione del sottocomitato sul profilo ISO / IEC a Dublino, gli esperti ISO / IEC hanno appoggiato la proposta della delegazione dalla Russia di sviluppare in modo sincrono uno standard terminologico nel campo dell'IA non solo in inglese ma anche in russo. Si prevede che il documento sarà approvato all'inizio del 2021.

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

Durante l'incontro, gli esperti ISO / IEC hanno anche supportato lo sviluppo di una bozza di documento internazionale Information Technology - Artificial Intelligence (AI) - Panoramica degli approcci computazionali per i sistemi di intelligenza artificiale, in cui la Russia funge da coeditrice. Il documento fornisce una panoramica dello stato attuale dei sistemi di intelligenza artificiale, descrivendo le principali caratteristiche di sistemi, algoritmi e approcci, nonché esempi di applicazioni specializzate nel campo dell'IA. Il gruppo di lavoro 5 "Approcci computazionali e caratteristiche computazionali dei sistemi di intelligenza artificiale" (Gruppo di lavoro SC 42 5 "Approcci computazionali e caratteristiche computazionali di sistemi di intelligenza artificiale") sarà impegnato nello sviluppo di questo progetto di documento.

Nell'ambito del lavoro a livello internazionale, la delegazione dalla Russia è riuscita a prendere una serie di decisioni fondamentali che avranno un effetto a lungo termine per lo sviluppo delle tecnologie di intelligenza artificiale nel paese. Lo sviluppo della versione in lingua russa dello standard, anche da una fase così precoce, è una garanzia di sincronizzazione con il campo internazionale, e lo sviluppo del sottocomitato ISO / IEC e l'avvio di documenti internazionali con il co-editing russo è la base per l'ulteriore promozione degli interessi degli sviluppatori russi all'estero ”, ha commentato.

Le tecnologie di intelligenza artificiale sono ampiamente richieste in vari settori dell'economia digitale. Tra i principali fattori che ostacolano il loro uso pratico su vasta scala c'è il sottosviluppo del quadro normativo. Inoltre, è proprio la base normativa e tecnica sviluppata a fornire la qualità specifica dell'applicazione tecnologica e il corrispondente effetto economico.

Nella direzione dell'intelligenza artificiale, il centro commerciale Cyber-Physical Systems basato su RVC sta sviluppando una serie di standard nazionali, la cui approvazione è prevista per la fine del 2019 - inizio 2020. Inoltre, insieme agli attori del mercato, sono in corso lavori per formulare un piano nazionale di standardizzazione (PNS) per il 2020 e oltre. TC "Sistemi cyber-fisici" è aperto a proposte sullo sviluppo di documenti da parte di organizzazioni interessate.

2018: sviluppo di standard nel campo delle comunicazioni quantistiche, dell'intelligenza artificiale e delle città intelligenti

Il 6 dicembre 2018, il Comitato tecnico dei sistemi informatici fisici sulla base di RVC, insieme al Centro di ingegneria regionale SafeNet, ha iniziato a sviluppare una serie di standard per i mercati della National Technology Initiative (NTI) e dell'economia digitale. Entro marzo 2019, si prevede di sviluppare documenti di standardizzazione tecnica nel campo delle comunicazioni quantistiche e, secondo RVC. Più dettagli.

L'impatto dell'intelligenza artificiale

Rischio per lo sviluppo della civiltà umana

Impatto sull'economia e sugli affari

L'impatto delle tecnologie di intelligenza artificiale su economia e commercio

Impatto sul mercato del lavoro

Disturbo dell'intelligenza artificiale

Al centro di tutto ciò che è la pratica dell'intelligenza artificiale (traduzione automatica, riconoscimento vocale, elaborazione testi in linguaggi naturali, visione artificiale, automazione di guida di veicoli e molto altro) è l'apprendimento profondo. Questo è un sottoinsieme dell'apprendimento automatico, caratterizzato dall'uso di modelli di reti neurali, che possiamo dire che simulano il lavoro del cervello, in modo che possano essere estesi all'intelligenza artificiale. Qualsiasi modello di una rete neurale è addestrato su grandi set di dati, quindi acquisisce alcune "abilità", ma il modo in cui le utilizza non è chiaro ai creatori, che alla fine diventa uno dei problemi più importanti per molte applicazioni di apprendimento profondo. Il motivo è che un tale modello funziona formalmente con le immagini, senza alcuna comprensione di ciò che fa. È un tale sistema di intelligenza artificiale ed è possibile fidarsi dei sistemi basati sull'apprendimento automatico? Il significato della risposta all'ultima domanda va oltre i laboratori scientifici. Pertanto, l'attenzione dei media sul fenomeno, chiamato pregiudizio dell'IA, è notevolmente aumentata. Può essere tradotto come "bias dell'IA" o "bias dell'IA". Più dettagli.

Mercato della tecnologia di intelligenza artificiale

Mercato dell'IA in Russia

Mercato mondiale dell'IA

Applicazioni AI

L'ambito dell'IA è abbastanza ampio e copre sia le tecnologie uditive familiari sia le nuove direzioni emergenti che sono lontane dall'applicazione di massa, in altre parole, questa è l'intera gamma di soluzioni, dagli aspirapolvere alle stazioni spaziali. Tutta la loro diversità può essere divisa in base al criterio dei punti chiave di sviluppo.

L'intelligenza artificiale non è un argomento monolitico. Inoltre, alcune aree tecnologiche dell'IA appaiono come nuovi sottosettori dell'economia e entità separate, mentre servono la maggior parte delle aree dell'economia.

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

Utilizzo dell'IA per difesa e militari

Uso didattico

Utilizzo dell'IA negli affari

AI antifrode

L'11 luglio 2019, si è saputo che in soli due anni, l'intelligenza artificiale e l'apprendimento automatico saranno utilizzati per contrastare la frode tre volte più spesso rispetto a luglio 2019. Questi dati sono stati ottenuti in uno studio congiunto di SAS e Association of Certified Fraud Examiners (ACFE). A partire da luglio 2019, tali strumenti antifrode sono già utilizzati nel 13% delle organizzazioni che hanno partecipato al sondaggio e un altro 25% ha dichiarato di voler introdurli nel prossimo anno o due. Più dettagli.

AI nel settore dell'energia elettrica

A livello di progettazione: previsione migliorata della generazione e della domanda di risorse energetiche, valutazione dell'affidabilità delle apparecchiature che generano energia, automazione dell'aumento della generazione durante un balzo della domanda.
A livello di produzione: ottimizzazione della manutenzione preventiva delle attrezzature, aumento dell'efficienza di generazione, riduzione delle perdite, prevenzione del furto di risorse energetiche.
A livello di promozione: ottimizzazione dei prezzi a seconda dell'ora del giorno e dei prezzi dinamici.
A livello di prestazione di servizi: selezione automatica del fornitore più redditizio, statistiche dettagliate sui consumi, servizio clienti automatizzato, ottimizzazione dei consumi energetici tenendo conto delle abitudini e del comportamento dei clienti.

AI nel settore manifatturiero

A livello di progettazione: miglioramento dell'efficienza dello sviluppo di nuovi prodotti, valutazione automatizzata dei fornitori e analisi delle parti di ricambio e dei requisiti delle parti.
A livello di produzione: migliorare il processo di adempimento delle attività, automatizzare le linee di assemblaggio, ridurre gli errori, ridurre i tempi di consegna delle materie prime.
A livello di promozione: previsione dei volumi della fornitura di servizi di supporto e manutenzione, gestione dei prezzi.
A livello di prestazione di servizi: miglioramento della pianificazione delle rotte della flotta di veicoli, domanda di risorse della flotta, miglioramento della qualità della formazione dei tecnici dell'assistenza.

AI nelle banche

Riconoscimento del modello - usato incluso riconoscere i clienti nei dipartimenti e trasferire loro offerte specializzate.

AI sui trasporti

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

AI nella logistica

AI nella produzione di birra

AI giudiziario

Gli sviluppi nel campo dell'intelligenza artificiale aiuteranno a cambiare radicalmente il sistema giudiziario, a renderlo più equo e libero da schemi di corruzione. Questo parere è stato espresso nell'estate del 2017 da un medico scienze tecniche, consulente tecnico Artezio Vladimir Krylov.

Lo scienziato ritiene che le soluzioni già esistenti nel campo dell'IA possano essere applicate con successo in vari settori dell'economia e della vita pubblica. L'esperto sottolinea che l'IA è utilizzata con successo in medicina, ma in futuro può cambiare completamente il sistema giudiziario.

“Guardando quotidianamente le notizie sugli sviluppi nel campo dell'IA, ci si stupisce dell'inesauribilità dell'immaginazione e della fecondità di ricercatori e sviluppatori in questo campo. I rapporti di ricerca si alternano costantemente con pubblicazioni su nuovi prodotti che entrano nel mercato e rapporti di risultati sorprendenti ottenuti attraverso l'uso dell'IA in vari campi. Se parliamo degli eventi attesi, accompagnati da un notevole clamore nei media, in cui l'IA diventerà nuovamente l'eroe della notizia, probabilmente non rischierò di fare previsioni tecnologiche. Posso presumere che il prossimo evento sarà l'emergere di un tribunale estremamente competente sotto forma di intelligenza artificiale, equa e incorruttibile. Questo probabilmente accadrà nel 2020-2025. E i processi che avranno luogo in questa corte porteranno a riflessioni inaspettate e al desiderio di molte persone di trasferire l'IA alla maggior parte dei processi di gestione della società umana ".

L'uso dell'intelligenza artificiale nel sistema giudiziario è riconosciuto dallo scienziato come un "passo logico" nello sviluppo dell'uguaglianza legislativa e della giustizia. La mente meccanica non è suscettibile alla corruzione e alle emozioni, può aderire al quadro legislativo e prendere decisioni tenendo conto di molti fattori, compresi i dati che caratterizzano le parti in causa. Per analogia con il settore medico, i robot giudici possono operare su big data da depositi di servizio pubblico. Si può presumere che

Musica

Pittura

Nel 2015, il team di Google ha testato le reti neurali per la capacità di creare immagini in modo indipendente. Quindi l'intelligenza artificiale è stata addestrata sull'esempio di un gran numero di immagini diverse. Tuttavia, quando alla macchina è stato "chiesto" di rappresentare qualcosa da solo, si è scoperto che interpreta il mondo che ci circonda è alquanto strano. Ad esempio, nel compito di disegnare manubri, gli sviluppatori hanno ricevuto un'immagine in cui il metallo era unito da mani umane. Ciò era probabilmente dovuto al fatto che in fase di allenamento, le immagini analizzate con i manubri contenevano le mani e la rete neurale lo interpretava erroneamente.

Il 26 febbraio 2016 a San Francisco in un'asta speciale, i rappresentanti di Google hanno aiutato circa $ 98 mila da dipinti psichedelici dipinti con intelligenza artificiale, donati in beneficenza. Di seguito viene presentata una delle immagini di auto di maggior successo.

Pittura di intelligenza artificiale di Google.

In questo articolo, condividerò l'esperienza della crescente intelligenza artificiale (AI) usando un algoritmo genetico e parlerò anche dell'insieme minimo di comandi necessari per formare qualsiasi comportamento.

Il risultato del lavoro è stato che l'IA, non conoscendo le regole, ha dominato in modo indipendente il gioco del tic-tac-toe e ha scoperto i punti deboli dei robot che hanno giocato contro di esso. Ma ho iniziato con un compito ancora più semplice.

Set di istruzioni

Tutto è iniziato con la preparazione di una serie di comandi che l'IA poteva avere. Le lingue di alto livello contengono centinaia di operatori diversi. Per evidenziare il minimo necessario, ho deciso di passare al linguaggio Assembler. Tuttavia, si è scoperto che contiene anche molte squadre.

Avevo bisogno che l'IA fosse in grado di leggere e trasmettere dati, lavorare con la memoria, eseguire calcoli e operazioni logiche, effettuare transizioni e loop. Mi sono imbattuto nel linguaggio Brainfuck, che contiene solo 8 comandi e può eseguire qualsiasi calcolo (cioè Turing-complete). In linea di principio, è adatto per la programmazione genetica, ma sono andato oltre.

Mi chiedevo: qual è il numero minimo di comandi necessari per implementare qualsiasi algoritmo? Come si è scoperto - uno!

Il processore URISC contiene un solo comando: sottrarre e saltare l'istruzione successiva se il sottratto era maggiore di quello decrementato. Questo è sufficiente per creare qualsiasi algoritmo.

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

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

Nota

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

Quando l'operando A accede alla cella di memoria N0, i dati vengono immessi e quando vanno alla cella N1, quindi vengono emessi.

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

Procedura RunProg (s: TData); var a, b, c, d: TData; begin Inc (NStep); se NStep\u003e MaxStep inizia quindi ProgResult: \u003d "MaxStep"; Uscita fine; 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]; se a \u003d 0 allora inizia ProgResult: \u003d "Input"; Uscita fine; se a \u003d 1 allora inizia ProgResult: \u003d "Output"; Uscita fine; Prog [b]: \u003d 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 nel solito linguaggio di programmazione. Il codice è facile da modificare e resiste a qualsiasi manipolazione.

Compito semplice

Quindi, la nostra IA ha un solo team. Mentre il tic-tac-toe è un gioco molto difficile per lui, e ho iniziato con uno più semplice.

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

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

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

Popolazione e selezione

La prima popolazione è composta da 256 AI che iniziano a giocare con il bot. Se l'IA esegue le azioni corrette, ad esempio, richiede i dati di input e quindi visualizza qualcosa, l'IA riceve punti. Più azioni sono corrette, più punti.

I 16 IA che hanno segnato il maggior numero di punti danno 15 figli e continuano a partecipare al gioco. Un discendente è un mutante. La mutazione si verifica sostituendo una cella casuale nella copia principale con un valore casuale.

Se nessun AI ha ottenuto punti nella prima popolazione, si forma la popolazione successiva. E così via fino a quando parte dell'IA non inizia a compiere le azioni corrette e dare alla prole "corretta".

Evoluzione

Tra eventi significativi sono passate migliaia di generazioni. Il programma è stato lanciato in diversi thread su Core i7. I calcoli impiegarono circa 15 minuti.

Quando il "leader" AI ha commesso un errore casuale e non ha segnato abbastanza punti, la popolazione ha iniziato a degradare, perché prole formata da genitori "secondari".
È accaduto così che nel flusso con gli estranei che sono calpestati sul posto, si è verificata una mutazione di successo, fornendo un aumento esplosivo dei punti accumulati. Successivamente, questo thread è diventato il leader.
A volte per lungo tempo non ci sono state mutazioni di successo e nemmeno 500 mila generazioni non sono state sufficienti per completare la selezione.

Conclusione

In conclusione, ho fatto lo stesso con il gioco del tic-tac-toe. La dimensione del genoma è stata utilizzata come nel primo caso. Il numero di passaggi è stato aumentato a 1024 e la dimensione della popolazione a 64 (per un calcolo più veloce). Il calcolo ha richiesto un po 'più di tempo. Tutto è accaduto secondo lo stesso scenario.

Inizialmente, l'IA ha giocato contro il "randomizzatore". Ho chiamato il robot che cammina a caso. Abbastanza rapidamente, l'IA ha iniziato a batterlo, riempiendo una linea. Inoltre, ho complicato il compito aggiungendo un piccolo motivo al randomizzatore: occupare la linea, se possibile, o difendere. Tuttavia, in questo caso, l'IA ha scoperto i punti deboli del bot e ha iniziato a batterlo. Forse la storia di questo è un argomento per un articolo separato.

Il figlio mi ha chiesto di scrivere un programma in modo che gli IA suonino tra loro e non con il robot. C'erano idee per fare lo stesso per giocare a dama o andare, tuttavia, per questo non avevo già abbastanza tempo.

L'unico metodo che ho usato per ottenere nuovi individui era una mutazione. Puoi anche usare crossover e inversione. Forse questi metodi accelereranno l'ottenimento del risultato desiderato.

Alla fine è nata l'idea: dare all'IA la possibilità di controllare tutti i processi su un PC e lottare per le risorse del computer. Collega un PC a Internet e usa il pool di vecchie fattorie Bitcoin come potenza di calcolo ...

Come detto, conducendo un esperimento simile, il blogger

Tra le classi più importanti di compiti che sono stati fissati per gli sviluppatori di sistemi intelligenti dalla definizione dell'intelligenza artificiale come direzione scientifica (dalla metà degli anni '50 del 20 ° secolo), la seguente aree di intelligenza artificialeche risolvono problemi difficili da formalizzare: prove di teoremi, riconoscimento delle immagini, traduzione automatica e comprensione del linguaggio umano, programmi di gioco, creatività della macchina, sistemi esperti. Considera brevemente la loro natura.

Indicazioni di intelligenza artificiale

Prova dei teoremi. Lo studio dei metodi per dimostrare i teoremi ha svolto un ruolo importante nello sviluppo dell'intelligenza artificiale. Molte attività informali, ad esempio la diagnostica medica, applicano approcci metodologici per risolvere i problemi che sono stati utilizzati per automatizzare la dimostrazione dei teoremi. La ricerca della dimostrazione di un teorema matematico richiede non solo una deduzione basata su ipotesi, ma anche la creazione di ipotesi intuitive su quali affermazioni intermedie dovrebbero essere dimostrate per la dimostrazione generale del teorema principale. Riconoscimento delle immagini. L'uso dell'intelligenza artificiale per il riconoscimento di schemi ha permesso di creare sistemi praticamente funzionanti per identificare oggetti grafici basati su caratteristiche simili. Come caratteristiche, si possono considerare tutte le caratteristiche degli oggetti da riconoscere. I segni dovrebbero essere invarianti rispetto all'orientamento, alle dimensioni e alla forma degli oggetti. L'alfabeto dei segni è formato dallo sviluppatore del sistema. La qualità del riconoscimento dipende in gran parte da quanto sia ben sviluppato l'alfabeto delle caratteristiche. Il riconoscimento consiste nell'ottenere a priori l'ottenimento di un vettore caratteristica per un oggetto separato evidenziato nell'immagine e, quindi, nel determinare a quale dei modelli di caratteristiche alfabeto questo vettore risponde. Traduzione automatica e comprensione del linguaggio umano. Il compito di analizzare frasi del linguaggio umano usando un dizionario è un compito tipico dei sistemi di intelligenza artificiale. Per risolverlo, è stata creata una lingua intermedia per facilitare il confronto di frasi di lingue diverse. 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, i sistemi moderni analizzano 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 diverse idee di base sull'intelligenza artificiale, come elencare le opzioni e l'autoapprendimento. Uno dei compiti più interessanti nel campo dei programmi di gioco che usano metodi di intelligenza artificiale è insegnare a un computer come giocare a scacchi. Era basato all'alba dell'informatica, alla fine degli anni '50. Negli scacchi ci sono alcuni livelli di abilità, gradi di qualità del gioco, che possono fornire criteri chiari per valutare la crescita intellettuale del sistema. Pertanto, scienziati di tutto il mondo sono stati attivamente coinvolti negli scacchi per computer e i risultati delle loro conquiste sono utilizzati in altri sviluppi intellettuali che hanno un reale valore pratico. Nel 1974 si tenne il primo campionato mondiale di scacchi nell'ambito del prossimo congresso IFIP (International Federation of Information Processing) a Stoccolma. Il vincitore di questa competizione è stato il programma di scacchi Kaissa. È stato creato a Mosca, presso l'Istituto di problemi di gestione dell'Accademia delle scienze dell'URSS. Arte della macchina. Si può attribuire una delle aree di applicazione dell'intelligenza artificiale sistemi softwarecapace di creare autonomamente musica, poesie, racconti, articoli, diplomi e persino tesi di laurea. Oggi esiste un'intera classe di linguaggi di programmazione musicale (ad esempio il linguaggio C-Sound). Per vari compiti musicali è stato creato un software speciale: sistemi di elaborazione del suono, sistemi di 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 del secolo scorso. Erano sistemi di intelligenza artificiale appositamente progettati per risolvere problemi complessi in un'area ristretta, come ad esempio la diagnosi medica delle malattie. L'obiettivo classico di questa direzione era inizialmente quello di creare un sistema di intelligenza artificiale per tutti gli usi in grado di risolvere qualsiasi problema senza una conoscenza specifica nell'area. A causa delle limitate capacità delle risorse di elaborazione, questa attività si è rivelata troppo difficile da risolvere con un risultato accettabile. Implementazione commerciale di sistemi esperti si è verificato nei primi anni '80 e da allora i sistemi esperti hanno guadagnato una popolarità significativa. Sono utilizzati nel mondo degli affari, della scienza, della tecnologia, della produzione, nonché in molte altre aree in cui esiste un'area disciplinare ben definita. Il significato principale dell'espressione "abbastanza definito" è che un esperto umano è in grado di determinare le fasi del ragionamento mediante le quali è possibile risolvere qualsiasi problema in questa materia. Ciò significa che azioni simili possono essere eseguite da un programma per computer. Ora possiamo dire con sicurezza che uso di sistemi di intelligenza artificiale apre confini ampi. Oggi, i sistemi esperti sono una delle applicazioni di maggior successo della tecnologia di intelligenza artificiale. Pertanto, ti consigliamo di familiarizzare con

Dal momento in cui l'intelligenza artificiale è stata riconosciuta come una direzione scientifica, e questo è accaduto 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, dimostrazione automatica dei teoremi, creazione di programmi di gioco, riconoscimento delle immagini e creatività della macchina. Consideriamo brevemente l'essenza di ogni classe di problemi.

Prova dei teoremi.

La prova automatica dei teoremi è il più antico campo di applicazione dell'intelligenza artificiale. Sono state fatte molte ricerche in questo settore, il cui risultato è l'emergere di algoritmi di ricerca formalizzati e linguaggi di rappresentazione formale, come PROLOG, un linguaggio di programmazione logica e calcolo del predicato.

Le prove automatiche dei teoremi sono attraenti in quanto si basano sulla generalità e il rigore della logica. La logica in un sistema formale implica la possibilità di automazione, il che significa che se immagini l'attività e i relativi informazioni aggiuntive sotto forma di un insieme di assiomi logici e casi speciali del problema - come teoremi che richiedono una prova, si può ottenere una soluzione a molti problemi. I sistemi di giustificazioni matematiche e prove automatiche di teoremi si basano su questo principio. Negli anni passati, è stato ripetuto il tentativo di scrivere un programma per la prova automatica dei teoremi, tuttavia non è stato possibile creare un sistema che consenta di risolvere i problemi utilizzando un solo metodo. Qualsiasi sistema euristico relativamente complesso potrebbe generare molti teoremi dimostrabili che erano irrilevanti, a seguito dei quali i programmi dovevano provarli fino a quando non fosse scoperto quello necessario. Per questo motivo, è emersa l'opinione che con ampi spazi è possibile lavorare solo con l'aiuto di strategie informali appositamente progettate per casi specifici. In pratica, questo approccio si è rivelato abbastanza fruttuoso ed è stato posto, insieme ad altri, sulla base di 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, utilizzandolo, è possibile controllare sistemi complessi, verificare la correttezza dei programmi per computer, progettare e verificare circuiti logici. Inoltre, i ricercatori nella dimostrazione automatica dei teoremi hanno sviluppato potenti euristiche basate sulla valutazione della forma sintattica espressioni logiche. Di conseguenza, è diventato possibile ridurre la complessità dello spazio di ricerca senza ricorrere allo sviluppo di strategie speciali.

La dimostrazione automatica dei teoremi è di interesse per gli scienziati in quanto per problemi particolarmente complessi è anche possibile utilizzare un sistema, sebbene non senza intervento umano. Attualmente, i programmi spesso fungono da assistenti. Gli specialisti suddividono il compito in più sottoattività, quindi l'euristica è pensata per risolvere i possibili motivi. Inoltre, il programma dimostra i lemmi, verifica ipotesi meno significative e fa aggiunte agli aspetti formali delle prove delineate dall'uomo.

Riconoscimento del modello.

Il riconoscimento del modello è la selezione delle caratteristiche essenziali che caratterizzano i dati di origine dall'insieme totale di funzioni e, sulla base delle informazioni ricevute, classificando i dati.

La teoria del riconoscimento di schemi è una branca dell'informatica il cui compito è quello di sviluppare le basi e i metodi per identificare e classificare gli oggetti (oggetti, processi, fenomeni, situazioni, segnali, ecc.), Ognuno dei quali è dotato di una combinazione di alcuni segni e proprietà. In pratica, devi identificare gli oggetti abbastanza spesso. Una situazione tipica è il riconoscimento del colore del semaforo e la decisione se attraversare la strada in questo momento. Vi 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, pertanto, fino ad oggi, gli scienziati continuano a lavorare attivamente alla creazione di sistemi di riconoscimento delle immagini.

Il lavoro viene svolto in due direzioni principali:

· Ricerca, spiegazione e modellizzazione delle capacità di riconoscimento inerenti agli esseri viventi.
· Sviluppo di basi teoriche e metodologiche per la creazione di dispositivi che consentano di risolvere singoli problemi per scopi applicati.

I problemi di riconoscimento sono formulati usando un linguaggio matematico. Mentre la teoria dell'artificiale reti neurali sulla base dell'ottenimento di risultati attraverso esperimenti, la formulazione di problemi di riconoscimento di schemi non avviene sulla base dell'esperimento, ma sulla base di prove matematiche e ragionamenti logici.

Considera la formulazione classica di un tale problema. Ci sono molti oggetti che dovrebbero essere classificati. Un set è costituito da sottoinsiemi o classi. Richiesto: informazioni che descrivono l'insieme, informazioni sulle classi e una descrizione di un singolo oggetto senza indicarne l'appartenenza a una particolare classe. Attività: sulla base dei dati disponibili, determinare a quale classe appartiene l'oggetto.

Se nelle attività sono presenti immagini monocromatiche, possono essere considerate funzioni sul piano. La funzione sarà una registrazione formale dell'immagine e in ogni punto esprimerà una caratteristica specifica dell'immagine: densità ottica, trasparenza, luminosità, ecc. In questo caso, il modello dell'insieme di immagini sarà molte funzioni sul piano. La formulazione del problema di riconoscimento dipende da quali dovrebbero essere le fasi successive al riconoscimento.

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

L'esperimento più semplice, sulla base del quale si possono ottenere informazioni psicologicamente significative sul sistema, è il seguente: un percettrone viene presentato con una sequenza di due stimoli diversi, ognuno dei quali deve rispondere in qualche modo e per stimoli diversi la reazione dovrebbe essere diversa. Gli obiettivi di un simile esperimento possono essere diversi. Lo sperimentatore può trovarsi di fronte al compito di studiare la possibilità di discriminazione spontanea da parte del sistema degli stimoli presentati senza interferenze esterne, o viceversa, di studiare la possibilità di un riconoscimento forzato. Nel secondo caso, lo sperimentatore insegna al sistema a classificare vari oggetti, che possono essere più di due. L'esperienza di apprendimento è la seguente: le immagini sono presentate al percettrone, tra cui vi sono rappresentanti di tutte le classi da riconoscere. La risposta corretta è rafforzata in conformità con le regole di modifica della memoria. Successivamente, lo sperimentatore presenta al percettrone uno stimolo di controllo e determina la probabilità di ottenere una determinata reazione per le immagini di questa classe. Lo stimolo di controllo può coincidere con uno degli oggetti presentati nella sequenza di allenamento o può differire da tutti gli oggetti presentati. A seconda di ciò, si ottengono i seguenti risultati:

· Se lo stimolo di controllo differisce da tutti gli stimoli di allenamento presentati in precedenza, quindi oltre alla pura discriminazione, l'esperimento esplora gli elementi di generalizzazione.
· Se uno stimolo di controllo attiva un certo gruppo di elementi sensoriali che non coincidono con nessuno degli elementi che sono stati attivati \u200b\u200bin seguito all'esposizione a stimoli della stessa classe presentata in precedenza, l'esperimento esplora una pura generalizzazione e non include la ricerca di riconoscimento.

Nonostante il fatto che i perctroni non siano in grado di pura generalizzazione, affrontano in modo soddisfacente compiti di riconoscimento, specialmente nei casi in cui sono mostrate immagini, per le quali i perctroni hanno già una certa esperienza.

Riconoscimento vocale umano e traduzione automatica.

Gli obiettivi a lungo termine dell'intelligenza artificiale includono la creazione di programmi in grado di riconoscere un linguaggio umano e utilizzarlo per costruire frasi significative. La capacità di comprendere e applicare il linguaggio naturale è una caratteristica fondamentale dell'intelligenza umana. Il successo dell'automazione di questa capacità migliorerebbe notevolmente l'efficienza dei computer. Ad oggi, sono stati scritti molti programmi in grado di comprendere il linguaggio naturale e vengono utilizzati con successo in contesti limitati, ma non esistono ancora sistemi in grado di utilizzare i linguaggi naturali con la stessa generalità e flessibilità di una persona. Il fatto è che il processo di comprensione del linguaggio naturale consiste non solo in una semplice analisi delle frasi in componenti e nella ricerca dei significati delle singole parole nei dizionari. I programmi gestiscono correttamente questa attività. L'uso del linguaggio umano richiede ampie conoscenze sull'argomento della conversazione, sugli idiomi ad esso correlati, inoltre, è necessaria la capacità di comprendere ambiguità, omissioni, professionalità, gergo, espressioni colloquiali e molto altro di ciò che è inerente al normale linguaggio umano.

Ad esempio, possiamo parlare di calcio, che usa parole come "attaccante", "passaggio", "trasferimento", "rigore", "difensore", "attaccante", "capitano" e altri. Ognuna di queste parole è caratterizzata da una serie di significati, e individualmente le parole sono abbastanza comprensibili, ma la frase che ne deriva sarà incomprensibile per chiunque non sia interessato al calcio e non sappia nulla della storia, delle regole e dei principi di questo gioco. Pertanto, la comprensione e l'applicazione del linguaggio umano richiede una combinazione di conoscenza di base e uno dei problemi principali nell'automazione della comprensione e dell'applicazione 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 di strutturarli in una certa misura. Tuttavia, gran parte del lavoro viene svolto in aree problematiche ben comprese 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 Vinograd, che è uno dei sistemi per comprendere il linguaggio umano. Le capacità del programma erano piuttosto limitate e si riducevano a una "conversazione" sulla disposizione di blocchi di diversi colori e forme, nonché sulla pianificazione di azioni semplici. Il programma ha risposto a domande come "Di che colore è la piramide sulla barra trasversale?" e potrebbe dare istruzioni come "Metti il \u200b\u200bblocco blu su rosso". Compiti simili furono spesso toccati dai ricercatori dell'intelligenza artificiale e in seguito divennero noti come il "mondo dei blocchi".

Nonostante il fatto che il programma SHRDLU abbia "parlato" con successo della posizione dei blocchi, non è stato dotato della capacità di astrarre da questo "micromondo". Ha usato tecniche troppo semplici, che non erano disponibili per trasferire l'organizzazione semantica di aree tematiche di maggiore complessità.

L'attuale lavoro nel campo della comprensione e dell'applicazione dei linguaggi naturali è principalmente finalizzato alla ricerca di formalismi di presentazione abbastanza generali che potrebbero essere adattati a strutture specifiche di determinate aree e applicati in una vasta gamma di applicazioni. La maggior parte delle tecniche esistenti, che sono modifiche delle reti semiotiche, sono studiate e applicate durante la scrittura di programmi in grado di riconoscere il linguaggio naturale in aree ristrette. Allo stesso tempo, le capacità moderne non consentono di creare un programma universale in grado di comprendere il linguaggio umano in tutta la sua diversità.

Tra le varie attività di riconoscimento dei modelli, si possono distinguere:

· Classificazione dei documenti
· Determinazione dei depositi minerali
· Riconoscimento delle immagini
· Riconoscimento di codici a barre
Riconoscimento del personaggio
· Riconoscimento vocale
· Riconoscimento facciale
· Riconoscimento del numero di auto

Intelligenza artificiale nei programmi di gioco.

L'intelligenza artificiale di gioco include non solo i tradizionali metodi di intelligenza artificiale, ma anche algoritmi informatici in generale, computer grafica, robotica e teoria del controllo. Non solo i requisiti di sistema, ma anche il budget del gioco dipendono da come viene implementata l'intelligenza artificiale, quindi gli sviluppatori devono bilanciare, cercando di garantire che l'intelligenza artificiale del gioco sia creata a un costo minimo e allo stesso tempo sia interessante e poco impegnativa per le risorse. Utilizza un approccio completamente diverso rispetto al caso dell'intelligenza artificiale tradizionale. In particolare, sono ampiamente utilizzate emulazioni, inganni e varie semplificazioni. Esempio: una caratteristica dei tiratori in prima persona è la capacità dei robot di muoversi senza errori e di puntare istantaneamente, ma allo stesso tempo, una persona non ha una sola possibilità, quindi l'abilità dei robot viene sottovalutata artificialmente. Allo stesso tempo, i punti di controllo sono posizionati a livello in modo che i robot possano agire come una squadra, un'imboscata, ecc. Immagine di intelligenza artificiale

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

· Mobs - personaggi con un basso livello di intelligenza, ostili al giocatore umano. I giocatori distruggono i mob per passare il territorio, ottenere artefatti e punti esperienza.
· Personaggi non giocanti - di solito questi personaggi sono amichevoli o neutrali per il giocatore.
· Robot: personaggi ostili ai giocatori, i più difficili da programmare. Le loro capacità sono simili a quelle dei personaggi del gioco. In qualsiasi momento, un certo numero di bot si oppone al 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 di gioco artificiale. L'IA di gioco più utilizzata viene utilizzata come uno dei modi per controllare i personaggi non di gioco. Un altro modo di controllo non meno comune è lo scripting. Un altro ovvio uso dell'intelligenza artificiale del gioco, specialmente nelle strategie in tempo reale, è quello di trovare un modo o un metodo per determinare come un personaggio non di gioco può passare da un punto all'altro della mappa. In questo caso, si deve tener conto degli ostacoli, del terreno e di una possibile "nebbia di guerra". Anche il bilanciamento dinamico dei mob non è senza l'uso dell'intelligenza artificiale. Il concetto di intelligenza imprevedibile è stato testato in molti giochi. Questi sono giochi come Nintendogs, Black & White, Creatures e il noto giocattolo Tamagotchi. In questi giochi, i personaggi sono animali domestici, il cui comportamento varia a seconda delle azioni eseguite dal giocatore. Sembra che i personaggi siano in grado di imparare, anche se in realtà le loro azioni sono il risultato della scelta tra un numero limitato di soluzioni.

Molti programmatori di giochi considerano qualsiasi tecnica che crea l'illusione dell'intelligenza come parte dell'intelligenza artificiale di gioco. Tuttavia, questo approccio non è del tutto vero, poiché le stesse tecniche possono essere utilizzate non solo nei motori di intelligenza artificiale dei giochi. Ad esempio, durante la creazione di bot, vengono utilizzati algoritmi con le informazioni immesse in essi su possibili collisioni future, a seguito delle quali i bot acquisiscono la "capacità" di evitare tali collisioni. Ma queste stesse tecniche sono una componente importante e necessaria del motore fisico. Un altro esempio: un componente importante del sistema di puntamento di un bot sono i dati sull'acqua e gli stessi dati sono ampiamente utilizzati nel motore grafico per il rendering. L'esempio finale 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 di gioco.

Secondo i puristi, l'espressione "intelligenza artificiale del gioco" non ha alcun diritto di esistere, in quanto è un'esagerazione. Come argomento principale, hanno avanzato il fatto che nel gioco dell'IA vengono utilizzate solo alcune aree della scienza dell'intelligenza artificiale classica. Va tenuto presente che gli obiettivi dell'IA sono la creazione di sistemi di autoapprendimento e persino la creazione di intelligenza artificiale in grado di ragionare, mentre è spesso limitata all'euristica e a una serie di diverse regole empiriche, che sono sufficienti per creare un buon gameplay e fornire al giocatore impressioni vivide e sensazioni dal gioco.

Attualmente, gli sviluppatori di giochi per computer sono interessati all'intelligenza artificiale accademica e la comunità accademica, a sua volta, sta iniziando a interessarsi ai giochi per computer. A questo proposito, sorge la domanda in che misura il gioco e l'IA classica differiscono l'uno dall'altro. Tuttavia, l'intelligenza artificiale di gioco è ancora vista come uno dei sotto-rami del classico. Ciò è dovuto al fatto che l'intelligenza artificiale ha varie aree di applicazione che differiscono l'una dall'altra. Se stessero parlando dell'intelligenza del gioco, una differenza importante qui è la possibilità di imbrogliare con l'obiettivo di risolvere alcuni problemi in modi "legittimi". Da un lato, la mancanza di inganno è che spesso porta a comportamenti non realistici del personaggio e per questo motivo non può sempre essere usato. D'altra parte, la possibilità stessa di un simile inganno costituisce una differenza importante tra l'IA di gioco.

Un altro compito interessante dell'intelligenza artificiale è insegnare a un computer come giocare a scacchi. Gli scienziati di tutto il mondo erano impegnati nella sua decisione. La particolarità di questo compito è che la dimostrazione delle capacità logiche di un computer è possibile solo se esiste un vero nemico. Per la prima volta una tale dimostrazione ebbe luogo nel 1974, a Stoccolma, dove si tenne il campionato mondiale di scacchi tra i programmi di scacchi. Il programma Kaissa, creato da scienziati sovietici dell'Institute of Management Problems dell'Accademia delle Scienze dell'URSS a Mosca, ha vinto il concorso.

Intelligenza artificiale nell'arte meccanica.

La natura dell'intelligenza umana non è stata ancora sufficientemente studiata e il grado di studio della natura della creatività umana è ancora inferiore. Tuttavia, una delle aree dell'intelligenza artificiale è la creatività della macchina. I computer moderni creano opere musicali, letterarie e pittoriche e nell'industria dei videogiochi e dei film per computer sono state utilizzate a lungo immagini realistiche create da macchine. I programmi esistenti creano varie immagini che possono essere facilmente percepite e comprese dagli umani. Ciò è particolarmente importante quando si tratta di conoscenza intuitiva, per una verifica formale di quale si dovrebbero compiere notevoli sforzi mentali. Quindi, i compiti musicali vengono risolti con successo usando un linguaggio di programmazione, uno dei quali è il linguaggio CSound. Un software speciale con cui vengono create le opere musicali è rappresentato da programmi di composizione algoritmica, sistemi di composizione interattivi, sintesi sonora e sistemi di elaborazione.

Sistemi esperti.

Lo sviluppo di moderni sistemi esperti è stato condotto dai ricercatori dall'inizio degli anni '70 e all'inizio degli anni '80 i sistemi esperti hanno iniziato 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 guidata da determinate condizioni. Ad esempio, sono stati analizzati i sintomi di una malattia osservata in un paziente e dai risultati di questa analisi sono stati suggeriti i farmaci più appropriati.

L'informatica considera sistemi esperti insieme a basi di conoscenza. I sistemi sono modelli di comportamento di esperti basati sull'applicazione di procedure decisionali e conclusioni logiche. Le basi di conoscenza sono considerate come una combinazione di regole di inferenza e fatti che sono direttamente correlati al campo di attività scelto.

Alla fine del secolo scorso, si formò un certo concetto di sistemi esperti, profondamente incentrato su un'interfaccia testuale uomo-macchina, che a quel tempo era generalmente accettata. Attualmente, questo concetto ha subito una grave crisi, molto probabilmente a causa del fatto che nelle applicazioni utente l'interfaccia di testo è stata sostituita da una grafica. Oltretutto, modello relazionale i dati e la visione "classica" della costruzione di sistemi esperti sono scarsamente coerenti. Pertanto, l'organizzazione di basi di conoscenza di sistemi esperti non può essere effettuata in modo efficace, almeno con l'uso di moderni sistemi di gestione di database industriali. Fonti letterarie e di rete forniscono molti esempi di sistemi esperti chiamati "comuni" o "ampiamente noti". In effetti, tutti questi sistemi esperti sono stati creati negli anni '80 del secolo scorso e ormai hanno smesso di esistere, oppure sono irrimediabilmente obsoleti ed esistono grazie a pochi appassionati. D'altra parte, gli sviluppatori di moderni prodotti software spesso si riferiscono alle loro creazioni come sistemi esperti. Tali affermazioni non sono altro che uno stratagemma di marketing, perché in realtà questi prodotti non sono sistemi esperti (nessuno dei sistemi di assistenza informatica e legali può servire da esempio). Gli appassionati stanno cercando di combinare approcci alla creazione di un'interfaccia utente con approcci "classici" alla creazione di sistemi esperti. Questi tentativi si sono riflessi in progetti come CLIPS.NET, CLIPS Java Native Interface e altri, ma le grandi aziende di software non hanno fretta di finanziare tali progetti e, per questo motivo, lo sviluppo non va oltre la fase sperimentale.

L'intera varietà di settori in cui è possibile applicare sistemi basati sulla conoscenza può essere suddivisa in classi: diagnostica medica, pianificazione, previsione, monitoraggio e controllo, formazione, interpretazione, risoluzione dei problemi nelle apparecchiature elettriche e meccaniche, formazione. Consideriamo ciascuna di queste classi in modo più dettagliato.

a) Sistemi diagnostici medici.

Utilizzando tali sistemi, si determina in che modo sono correlati vari disturbi nell'attività dell'organismo e le loro possibili cause. Il sistema diagnostico più famoso è MYCIN. È usato per diagnosticare la meningite e le infezioni batteriche, nonché per monitorare le condizioni dei pazienti in cui si trovano 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 in base ai dati disponibili che caratterizzano la situazione o la condizione corrente di un oggetto. Pertanto, il programma "Wall Street Conquest", che utilizza metodi statistici di algoritmi nel suo lavoro, è in grado di analizzare le condizioni del mercato e sviluppare un piano di investimenti di capitale. Il programma utilizza algoritmi e procedure di programmazione tradizionali, quindi non può essere attribuito a sistemi basati sulla conoscenza. Già oggi esistono programmi in grado di prevedere il flusso di passeggeri, produttività e condizioni meteorologiche, analizzando i dati disponibili. Tali programmi sono abbastanza semplici e alcuni di essi possono essere utilizzati su normali personal computer. Tuttavia, non esistono ancora sistemi esperti che, sulla base di dati di mercato, possano 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 campo commerciale, tali sistemi sono stati utilizzati dalla società Damat Informat. La direzione dell'azienda ha ordinato l'installazione di 13 stazioni nella hall dell'ufficio, che ha condotto consultazioni gratuite per i clienti che desiderano acquistare un computer. Le macchine hanno contribuito a fare la scelta più adatta al budget e ai desideri dell'acquirente. Boeing utilizzava anche sistemi esperti per scopi quali la riparazione di elicotteri, la determinazione dei motivi del guasto dei motori degli aeromobili e la progettazione di stazioni comiche. DEC ha creato il sistema esperto XCON, che è in grado di determinare e modificare la configurazione dei sistemi informatici VAX in base alle esigenze del cliente. DEC sta attualmente sviluppando un sistema XSEL più potente, che include la knowledge base XCON. Lo scopo del sistema è di aiutare i consumatori nella selezione di un sistema informatico con la configurazione desiderata. 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 dell'osservazione. Uno dei più famosi sistemi di interpretazione è il sistema PROSPECTOR. Lavora utilizzando dati basati sulla conoscenza di nove esperti. L'efficacia del sistema può essere stimata da un esempio: utilizzando nove diversi metodi di esame, il sistema ha scoperto un deposito di minerali, la cui presenza non poteva aspettarsi un esperto. Un altro noto sistema di tipo interpretativo è HASP / SIAP. Usa i dati sistemi di altoparlanti il tracciamento e sulla base di essi determina la posizione delle navi nell'Oceano Pacifico e il loro tipo.

e) Sistemi intelligenti controllo e gestione.

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

f) Diagnostica e risoluzione dei problemi nelle apparecchiature elettriche e meccaniche.

I sistemi basati sulla conoscenza sono utilizzati in casi come:

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

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

g) Sistemi di addestramento al computer.

L'uso di sistemi basati sulla conoscenza per scopi educativi è abbastanza efficace. Il sistema analizza il comportamento e l'attività dell'oggetto e, conformemente alle informazioni ricevute, modifica la base di conoscenze. L'esempio più semplice di tale allenamento è un gioco per computer in cui i livelli diventano più difficili con l'aumentare delle qualifiche del giocatore. Un interessante sistema di formazione - EURISCO - è stato sviluppato da D. Lenat. Utilizza euristica semplice. Il sistema è stato applicato in un gioco che simula le operazioni militari. L'essenza del gioco è determinare la composizione ottimale della flottiglia, che potrebbe causare sconfitta, osservando molte regole. Il sistema ha affrontato con successo questo compito includendo nella flottiglia una piccola nave e diverse navi in \u200b\u200bgrado di condurre un attacco. Le regole del gioco cambiano ogni anno, ma il sistema EURISCO ha sempre trionfato per tre anni.

Esistono molti sistemi esperti che, in base al contenuto della conoscenza, possono essere assegnati a più tipi contemporaneamente. Ad esempio, un sistema che implementa la pianificazione può anche essere educativo. È in grado di determinare il livello di conoscenza dello studente e, sulla base di queste informazioni, redigere un curriculum. I sistemi di controllo sono utilizzati per la pianificazione, la previsione, la diagnostica e il controllo. I sistemi progettati per proteggere una casa o un appartamento possono tenere traccia dei cambiamenti nell'ambiente, prevedere lo sviluppo della situazione e elaborare un piano per ulteriori azioni. Ad esempio, una finestra si è aperta e un ladro sta provando ad entrare nella stanza attraverso di essa; pertanto, è necessario chiamare la polizia.

L'uso diffuso di sistemi esperti iniziò negli anni '80, quando ebbe luogo per la prima volta l'implementazione commerciale. Le ES sono utilizzate in molti settori, tra cui business, scienza, tecnologia, produzione e altri settori, caratterizzati da un'area disciplinare ben definita. In questo contesto, "ben definito" significa che una persona può dividere il corso del ragionamento in stadi separati, e in questo modo qualsiasi problema che si trova nell'ambito di questo campo può essere risolto. Pertanto, un programma per computer può eseguire azioni simili. È sicuro affermare che l'uso delle capacità dell'intelligenza artificiale apre possibilità illimitate per l'umanità.

L'intelligenza artificiale (AI) è stata a lungo una parte della nostra vita. Aiuta a rilassarsi, fare shopping, studiare e lavorare. Nel marketing, anche le macchine hanno trovato ampia applicazione.

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

Costruzione di siti Web

Servizio La griglia rappresenta l'assistente robot Molly. Aiuta a sviluppare siti su piattaforme diverse in breve tempo.

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

Ma senza le persone, non è ancora da nessuna parte: raccolgono immagini, testo, STA. Molly prende questi dati e crea un sito Web.

Guarda come succede in un breve video:

Creazione di contenuti

I copywriter possono essere calmi: l'IA non penetrerà nella loro sfera troppo in profondità. Ma qualcosa nel campo delle macchine dei contenuti può fare. Molti grandi editori e media usano strumenti come Wordsmith:

Le macchine creano contenuti cliccabili: notizie, descrizioni di hotel, vestiti e merci, aiutano con i rapporti. Usano i modelli, compilano i moduli con le parole e le chiavi giuste e creano anche altri contenuti unici che non sono praticamente diversi dall'essere umano.

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

La notizia della partita di baseball di The Associated Press è stata scritta da AI:

Non è la storia più affascinante, ma il significato è comprensibile: la squadra del State College ha battuto i Brooklyn Cyclones con un punteggio di 9: 8.

Il testo scritto automaticamente può essere modificato nell'applicazione Hemingway:

Questa è anche intelligenza artificiale. Una semplice applicazione spreme "acqua" dal testo.

Controparte domestica - servizio Glavred.

Bene, quando non è necessario alzarsi dal divano per iniziare una nuova serie o film. Molte compagnie mediatiche usano l'IA. Un film è finito: la macchina ne avvia automaticamente un altro, per non disturbare le persone.

L'IA analizza il comportamento degli utenti e offre contenuti. Questo potrebbe, ad esempio, IBM Watson:

Il social network sportivo UNDER ARMOUR RECORD utilizza Watson per personalizzare i messaggi per gli utenti delle applicazioni e il Museum of Modern Art di San Francisco ha creato un bot artistico basato su AI Watson. Il bot comunica con i visitatori del museo e solo gli amanti dell'arte. Analizza il messaggio e mostra le immagini:

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

Conosce gli utenti di Yandex che sono strettamente coinvolti nelle reti neurali. Quindi Yandex.Music è alla ricerca di modi per conoscerci più da vicino:

Motori di ricerca

Cosa vogliono gli utenti? Conosce l'intelligenza artificiale. L'ottimizzazione del contenuto in cui sono coinvolti gli esperti di marketing dipende da questa conoscenza. Le macchine influenzano anche la ricerca e i motori di ricerca.

Ad esempio, la porta sul futuro è stata aperta dalla ricerca vocale e dal sistema di classificazione dei motori di ricerca RankBrain di Google. Interpreta i dati e fa ipotesi che potrebbero interessarti. L'intelligenza artificiale cerca autonomamente di indovinare il significato di parole non familiari.

Le macchine Microsoft Amazon Echo, Google Home, Siri e Cortana semplificano e semplificano la vita. Basta premere un pulsante o pronunciare una parola e troveranno le informazioni necessarie. Invece di "ristoranti a Mosca" è sufficiente dire "dove posso mangiare?" e AI mostrerà la strada.

Le opzioni di ricerca stanno cambiando, il contenuto sta cambiando. Le query lunghe scompaiono, al posto delle quali compaiono brevi frasi colloquiali. Il principio della creazione di contenuti sta cambiando. Se lo fossi parole chiave, Oggi l'accento è posto su gruppi di argomenti. Viene preso un argomento e attorno ad esso viene creato il contenuto di numerosi articoli.

Automazione del marketing

I marchi utilizzano l'IA per personalizzare le newsletter per i clienti. Le macchine tengono conto delle preferenze e del comportamento dei clienti al fine di offrire offerte più pertinenti.

Boomtrain analizza la storia delle interazioni dei clienti con i contenuti e crea newsletter:

Il negozio di biancheria online Adore me lavora con Optimove:

Lo strumento utilizza l'intelligenza artificiale per segmentare l'elenco dei clienti e quindi impegnarsi e convertire. La macchina invia diverse offerte per diversi gruppi e interagisce con gli utenti dell'applicazione. Il marchio è in territorio positivo: sono cresciuti i ricavi e il numero di clienti attivi.

L'intelligenza artificiale libera un sacco di tempo che può essere speso per ciò che è veramente importante e necessario.

Rete sociale

Giochi di immagini

Fotofiltri: puoi giocare con loro per ore. E questa è anche una rete neurale. Le auto hanno imparato a riconoscere i volti umani in modo che gli utenti dei social network non si annoiassero e si divertivano con i filtri fotografici.

Con l'IA, i marchi e le stelle si stanno avvicinando ai potenziali acquirenti.

LA CAMPANA