Przykłady zastosowania sztucznej inteligencji. Nosov N.Yu., Sokolov M.D. Trendy w rozwoju sztucznej inteligencji. Sztuczna inteligencja w sektorze finansowym

Sztuczna inteligencja (AI, Engl. Artificial Intelligence, AI) - nauka i technologia tworzenia inteligentnych maszyn, zwłaszcza inteligentnych programów komputerowych. Sztuczna inteligencja wiąże się z podobnym zadaniem polegającym na wykorzystaniu komputerów do zrozumienia ludzkiej inteligencji, ale niekoniecznie ogranicza się do biologicznie wiarygodnych metod.

Co to jest sztuczna inteligencja?

Inteligencja . wiedza na temat zarządzania środowiskiem. Inteligencja to ogólna umiejętność poznawania i rozwiązywania trudności, która łączy w sobie wszystkie zdolności poznawcze człowieka: odczucie, percepcję, pamięć, reprezentację, myślenie, wyobraźnię.

Na początku lat 80 Naukowcy z zakresu teorii obliczeń Barr i Feigenbaum zaproponowali następującą definicję sztucznej inteligencji (AI):

Później do AI zaczęto przypisywać szereg algorytmów i systemów oprogramowania, których cechą wyróżniającą jest to, że mogą rozwiązać niektóre problemy, ponieważ zrobiłby to ktoś, kto pomyślałby o ich rozwiązaniu.

Głównymi właściwościami sztucznej inteligencji są rozumienie języka, nauka i umiejętność myślenia i, co ważne, działania.

AI - zestaw powiązanych technologii i procesów rozwijających się sprawnie i szybko, na przykład:

• przetwarzanie języka naturalnego
• systemy eksperckie
• wirtualni agenci (chatboty i wirtualni asystenci)
• systemy rekomendacji.

Krajowa strategia rozwoju sztucznej inteligencji

• Główny artykuł: Krajowa strategia rozwoju sztucznej inteligencji

Badania AI

• Główny artykuł: Badania sztucznej inteligencji

Standaryzacja AI

2019: Eksperci ISO / IEC poparli propozycję opracowania normy w języku rosyjskim

16 kwietnia 2019 r. Okazało się, że podkomitet ISO / IEC ds. Normalizacji w dziedzinie sztucznej inteligencji poparł propozycję Komitetu Technicznego „Cyberfizyczne systemy”, stworzoną na podstawie RVC, dotyczącą opracowania standardowej „Sztucznej inteligencji. Pojęcia i terminologia ”w języku rosyjskim oprócz podstawowej wersji angielskiej.

Standard terminologiczny to „Sztuczna inteligencja. Pojęcia i terminologia ”ma fundamentalne znaczenie dla całej rodziny międzynarodowych technicznych dokumentów regulacyjnych w dziedzinie sztucznej inteligencji. Oprócz terminów i definicji ten dokument zawiera koncepcyjne koncepcje i zasady budowania systemów z elementami, opis relacji AI z innymi technologiami przekrojowymi, a także podstawowe zasady oraz podejście ramowe do regulacyjnych i technicznych regulacji sztucznej inteligencji.

Po spotkaniu odpowiedniego podkomitetu ISO / IEC w Dublinie eksperci ISO / IEC poparli propozycję delegacji z Rosji dotyczącą synchronicznego opracowania standardu terminologicznego w dziedzinie sztucznej inteligencji nie tylko w języku angielskim, ale także w języku rosyjskim. Oczekuje się, że dokument zostanie zatwierdzony na początku 2021 r.

Rozwój produktów i usług opartych na sztucznej inteligencji wymaga jednoznacznej interpretacji pojęć stosowanych przez wszystkich uczestników rynku. Standardowa terminologia ujednolica „język”, w którym komunikują się programiści, klienci i społeczność zawodowa, klasyfikuje takie właściwości produktów opartych na sztucznej inteligencji jako „bezpieczeństwo”, „odtwarzalność”, „niezawodność” i „poufność”. Wspólna terminologia stanie się również ważnym czynnikiem rozwoju technologii sztucznej inteligencji w ramach National Technology Initiative - ponad 80% firm z całego świata korzysta z algorytmów AI. Ponadto rozwiązanie ISO / IEC wzmocni autorytet i wpływ rosyjskich ekspertów w dalszym rozwoju międzynarodowych standardów.

Podczas spotkania eksperci ISO / IEC wsparli również opracowanie projektu międzynarodowego dokumentu Informatyka - Sztuczna inteligencja (AI) - Przegląd podejść obliczeniowych do systemów AI, w którym Rosja pełni rolę współredaktora. Dokument zawiera przegląd aktualnego stanu systemów sztucznej inteligencji, opisując podstawowe cechy systemów, algorytmów i podejść, a także przykłady specjalistycznych zastosowań w dziedzinie sztucznej inteligencji. Grupa robocza 5 „Podejścia obliczeniowe i charakterystyka obliczeniowa systemów AI” (SC 42 Grupa robocza 5 „Podejścia obliczeniowe i charakterystyka obliczeniowa systemów AI”) zostanie zaangażowana w opracowanie tego projektu dokumentu.

W ramach prac na szczeblu międzynarodowym delegacji z Rosji udało się podjąć szereg przełomowych decyzji, które będą miały długofalowy wpływ na rozwój technologii sztucznej inteligencji w tym kraju. Opracowanie rosyjskojęzycznej wersji standardu, nawet od tak wczesnej fazy, jest gwarancją synchronizacji z dziedziną międzynarodową, a rozwój podkomitetu ISO / IEC i inicjowanie międzynarodowych dokumentów wraz z rosyjską współredagacją jest podstawą do dalszej promocji interesów rosyjskich programistów za granicą - skomentował.

Technologie sztucznej inteligencji są szeroko poszukiwane w różnych gałęziach gospodarki cyfrowej. Jednym z głównych czynników utrudniających ich praktyczne zastosowanie na pełną skalę jest niedorozwój ram regulacyjnych. Jednocześnie to właśnie opracowana baza regulacyjna i techniczna zapewnia określoną jakość zastosowania technologii i odpowiedni efekt ekonomiczny.

W kierunku sztucznej inteligencji centrum handlowe Cyber-Physical Systems oparte na RVC opracowuje szereg krajowych standardów, których zatwierdzenie planowane jest na koniec 2019 r. - początek 2020 r. Ponadto trwają prace z uczestnikami rynku w celu opracowania krajowego planu normalizacji (PNS) na rok 2020 i kolejne lata. TC „Systemy cyberfizyczne” jest otwarty na propozycje dotyczące opracowywania dokumentów od zainteresowanych organizacji.

2018: Opracowanie standardów w dziedzinie komunikacji kwantowej, AI i inteligentnych miast

6 grudnia 2018 r.Komitet Techniczny ds. Cyberfizycznych Systemów na podstawie RVC wraz z Regionalnym Centrum Inżynierii SafeNet rozpoczął opracowywanie zestawu standardów dla rynków National Technology Initiative (NTI) i gospodarki cyfrowej. Do marca 2019 r. Planowane jest opracowanie technicznych dokumentów normalizacyjnych w dziedzinie komunikacji kwantowej i, zgodnie z RVC. Więcej szczegółów.

Wpływ sztucznej inteligencji

Ryzyko rozwoju ludzkiej cywilizacji

Wpływ na gospodarkę i biznes

• Wpływ technologii sztucznej inteligencji na ekonomię i biznes

Wpływ na rynek pracy

Odchylenie sztucznej inteligencji

Podstawą tego wszystkiego jest praktyka sztucznej inteligencji (tłumaczenie maszynowe, rozpoznawanie mowy, przetwarzanie tekstu w językach naturalnych, widzenie komputerowe, automatyzacja jazdy samochodem i wiele innych). Jest to podzbiór uczenia maszynowego, charakteryzujący się wykorzystaniem modeli sieci neuronowych, o których można powiedzieć, że symulują pracę mózgu, dzięki czemu można je rozciągnąć na sztuczną inteligencję. Każdy model sieci neuronowej jest szkolony na dużych zestawach danych, więc nabywa pewne „umiejętności”, ale sposób, w jaki z nich korzysta, nie jest jasny dla twórców, co ostatecznie staje się jednym z najważniejszych problemów wielu aplikacji do głębokiego uczenia. Powodem jest to, że taki model działa z obrazami formalnie, bez żadnego zrozumienia tego, co robi. Czy taki system AI i czy można ufać systemom opartym na uczeniu maszynowym? Znaczenie odpowiedzi na ostatnie pytanie wykracza poza granice laboratoriów naukowych. Dlatego zauważalne jest zainteresowanie mediów tym zjawiskiem, zwanym stronniczością AI. Można to przetłumaczyć jako „stronniczość AI” lub „stronniczość AI”. Więcej szczegółów.

Rynek technologii sztucznej inteligencji

Rynek sztucznej inteligencji w Rosji

Światowy rynek AI

Aplikacje AI

Zakres sztucznej inteligencji jest wystarczająco szeroki i obejmuje zarówno znane technologie, jak i nowe kierunki dalekie od masowego zastosowania, innymi słowy, jest to cała gama rozwiązań, od odkurzaczy po stacje kosmiczne. Całą ich różnorodność można podzielić według kryterium kluczowych punktów rozwoju.

AI nie jest monolitycznym obszarem tematycznym. Ponadto niektóre obszary technologiczne AI pojawiają się jako nowe podsektory gospodarki i oddzielne podmioty, obsługując większość obszarów w gospodarce.

Rozwój wykorzystania sztucznej inteligencji prowadzi do dostosowania technologii w klasycznych sektorach gospodarki w całym łańcuchu wartości i przekształca je, prowadząc do algorytmizacji niemal wszystkich funkcji, od logistyki po zarządzanie przedsiębiorstwem.

Wykorzystanie AI do celów obronnych i wojskowych

Wykorzystaj w edukacji

Wykorzystanie sztucznej inteligencji w biznesie

AI przeciwdziałania oszustwom

11 lipca 2019 r. Okazało się, że za dwa lata sztuczna inteligencja i uczenie maszynowe będą wykorzystywane trzy razy częściej do zwalczania oszustw niż w lipcu 2019 r. Dane te zostały uzyskane we wspólnym badaniu przeprowadzonym przez SAS i Association of Certified Fraud Examiners (ACFE). Według stanu na lipiec 2019 r. Takie narzędzia przeciwdziałające oszustwom są już stosowane w 13% organizacji, które wzięły udział w badaniu, a kolejne 25% stwierdziło, że planuje je wdrożyć w ciągu najbliższego roku lub dwóch. Więcej szczegółów.

AI w branży elektroenergetycznej

• Na poziomie projektowym: lepsze prognozowanie wytwarzania i zapotrzebowania na zasoby energetyczne, ocena niezawodności urządzeń wytwarzających energię, automatyzacja zwiększania produkcji podczas skoku zapotrzebowania.
• Na poziomie produkcji: optymalizacja konserwacji zapobiegawczej urządzeń, zwiększenie wydajności wytwarzania, zmniejszenie strat, zapobieganie kradzieży zasobów energetycznych.
• Na poziomie promocji: optymalizacja cen w zależności od pory dnia i ceny dynamiczne.
• Na poziomie świadczenia usług: automatyczny wybór najbardziej dochodowego dostawcy, szczegółowe statystyki zużycia, automatyczna obsługa klienta, optymalizacja zużycia energii z uwzględnieniem nawyków i zachowań klientów.

AI w sektorze produkcyjnym

• Na poziomie projektu: poprawa wydajności opracowywania nowego produktu, automatyczna ocena dostawcy i analiza części zamiennych i wymagań dotyczących części.
• Na poziomie produkcji: usprawnienie procesu realizacji zadań, automatyzacja linii montażowych, ograniczenie błędów, skrócenie czasu dostawy surowców.
• Na poziomie promocji: prognozowanie wielkości świadczenia usług wsparcia i konserwacji, zarządzanie cenami.
• Na poziomie świadczenia usług: poprawa planowania trasy floty pojazdów, zapotrzebowanie na zasoby floty, poprawa jakości szkolenia inżynierów serwisowych.

AI w bankach

• Rozpoznawanie wzorców - stosowane w tym rozpoznawanie klientów w działach i przekazywanie im specjalistycznych ofert.

AI w transporcie

• Przemysł samochodowy u progu rewolucji: 5 wyzwań ery bezzałogowej jazdy

AI w logistyce

AI w warzeniu

AI sądowe

Postępy w dziedzinie sztucznej inteligencji pomogą radykalnie zmienić system sądowy, uczynić go bardziej sprawiedliwym i wolnym od programów korupcyjnych. Opinię tę wyraził latem 2017 r. Lekarz nauki techniczne, konsultant techniczny Artezio Vladimir Krylov.

Naukowiec uważa, że \u200b\u200bistniejące już rozwiązania w dziedzinie sztucznej inteligencji można z powodzeniem stosować w różnych obszarach gospodarki i życia publicznego. Ekspert wskazuje, że sztuczna inteligencja jest z powodzeniem stosowana w medycynie, ale w przyszłości może całkowicie zmienić system sądowniczy.

„Codziennie przeglądając doniesienia prasowe o rozwoju w dziedzinie sztucznej inteligencji, zaskakuje niewyczerpana wyobraźnia oraz płodność badaczy i programistów w tej dziedzinie. Raporty z badań nieustannie pojawiają się na przemian z publikacjami o nowych produktach wchodzących na rynek oraz raportami o niesamowitych wynikach uzyskanych dzięki zastosowaniu sztucznej inteligencji w różnych dziedzinach. Jeśli mówimy o oczekiwanych wydarzeniach, któremu towarzyszy zauważalny szum w mediach, w których AI ponownie stanie się bohaterem wiadomości, prawdopodobnie nie będę ryzykować sporządzania prognoz technologicznych. Mogę założyć, że następnym wydarzeniem będzie powstanie wyjątkowo kompetentnego sądu w postaci sztucznej inteligencji, uczciwej i niezniszczalnej. Stanie się to najwyraźniej w latach 2020–2025. A procesy, które będą miały miejsce w tym sądzie, doprowadzą do nieoczekiwanych przemyśleń i chęci wielu ludzi do przeniesienia AI większości procesów zarządzania ludzkim społeczeństwem ”.

Wykorzystanie sztucznej inteligencji w systemie sądowym jest uznawane przez naukowca za „logiczny krok” dla rozwoju równości legislacyjnej i sprawiedliwości. Umysł maszynowy nie jest podatny na korupcję i emocje, może przestrzegać ram prawnych i podejmować decyzje w oparciu o wiele czynników, w tym dane charakteryzujące strony sporu. Przez analogię do dziedziny medycyny roboty oceniające mogą operować na dużych danych z przechowalni usług publicznych. Można założyć, że

Muzyka

Obraz

W 2015 r. Zespół Google przetestował sieci neuronowe pod kątem możliwości samodzielnego tworzenia obrazów. Następnie trenowano sztuczną inteligencję na przykładzie dużej liczby różnych zdjęć. Jednak gdy „samochód” został „poproszony” o zilustrowanie czegoś samodzielnie, okazało się, że interpretuje otaczający nas świat jest nieco dziwny. Na przykład podczas rysowania hantli twórcy otrzymali obraz, w którym metal łączyły ludzkie ręce. Prawdopodobnie wynikało to z faktu, że na etapie treningu analizowane obrazy z hantlami zawierały dłonie, a sieć neuronowa nieprawidłowo to zinterpretowała.

26 lutego 2016 r. W San Francisco na specjalnej aukcji przedstawiciele Google pomogli w finansowaniu psychodelicznych obrazów malowanych sztuczną inteligencją około 98 tysięcy dolarów. Fundusze te zostały przekazane na cele charytatywne. Jedno z najbardziej udanych zdjęć samochodów zostało przedstawione poniżej.

Malowanie sztucznej inteligencji przez Google.

W tym artykule podzielę się doświadczeniami związanymi z hodowaniem najprostszej sztucznej inteligencji (AI) za pomocą algorytmu genetycznego, a także omówię minimalny zestaw poleceń niezbędnych do ukształtowania dowolnego zachowania.

Rezultatem pracy było to, że AI, nie znając zasad, samodzielnie opanowała grę w kółko i krzyżyk i znalazła słabości botów, które grały przeciwko niej. Ale zacząłem od jeszcze prostszego zadania.

Zestaw instrukcji

Wszystko zaczęło się od przygotowania zestawu poleceń, które AI może mieć. Języki wysokiego poziomu zawierają setki różnych operatorów. Aby podkreślić niezbędne minimum, zdecydowałem się na język asemblera. Okazało się jednak, że zawiera także wiele zespołów.

Potrzebowałem AI do odczytu i wyjścia danych, pracy z pamięcią, wykonywania obliczeń i operacji logicznych, tworzenia przejść i pętli. Natknąłem się na język Brainfuck, który zawiera tylko 8 poleceń i może wykonywać dowolne obliczenia (tj. Turing jest gotowy). Zasadniczo nadaje się do programowania genetycznego, ale poszedłem dalej.

Zastanawiałem się: jaka jest minimalna liczba poleceń potrzebnych do wdrożenia dowolnego algorytmu? Jak się okazało - jeden!

Procesor URISC zawiera tylko jedno polecenie: odejmij i pomiń następną instrukcję, jeśli odjęta była więcej niż zmniejszona. To wystarczy, aby zbudować dowolny algorytm.

Oleg Mazonka poszedł jeszcze dalej, rozwinął zespół BitBitJump i udowodnił, że jest on kompletny w Turingu. Polecenie zawiera trzy adresy, kopiuje jeden bit z pierwszego na drugi adres pamięci i przekazuje kontrolę na trzeci adres.

Pożyczając pomysły Olega, aby uprościć pracę, opracowałem zespół SumIfJump. Polecenie zawiera cztery argumenty: A, B, C, D i wykonuje następujące czynności: dodaje dane z komórki do adresu A do adresu B, jeśli wartość jest większa niż określona *, idzie do adresu C, w przeciwnym razie do adresu D.

Uwaga

* W tym przypadku zastosowano 128 - połowę długości genomu.

Gdy operand A uzyskuje dostęp do komórki pamięci N0, dane są wprowadzane, a gdy uzyskują dostęp do komórki N1, są następnie wysyłane.

Poniżej znajduje się kod SumIfJump na FreePascal (darmowy analog Delphi).

Procedura RunProg (s: TData); var a, b, c, d: TData; rozpocząć Inc (NStep); jeśli NStep\u003e MaxStep, to rozpocznij ProgResult: \u003d "MaxStep"; Wyjście koniec; 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]; jeśli a \u003d 0, to rozpocznij ProgResult: \u003d "Input"; Wyjście koniec; jeśli a \u003d 1, to rozpocznij ProgResult: \u003d "Output"; Wyjście koniec; Prog [b]: \u003d Prog [b] + Prog [a]; jeśli Prog [b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump implementuje kod samomodyfikujący. Może wykonywać dowolne algorytmy dostępne w zwykłym języku programowania. Kod można łatwo modyfikować i jest odporny na wszelkie manipulacje.

Proste zadanie

Nasza AI ma tylko jeden zespół. Podczas gdy kółko i krzyżyk jest dla niego bardzo trudną grą, zacząłem od prostszej.

Bot podaje losową liczbę, a AI powinna odczytać dane i udzielić odpowiedzi. Jeśli liczba jest większa niż średnia (z zakresu liczb losowych), AI powinna podać liczbę mniejszą niż średnia i odwrotnie.

Genom naszej AI składa się z 256 komórek o wartościach od 0 do 255. Każda wartość to pamięć, kod i adres. Liczba kroków wykonania kodu jest ograniczona do 256. Operandy są odczytywane jeden po drugim.

Początkowo genom składa się z zestawu liczb losowych, więc AI nie wie, w co musi grać. Co więcej, nie wie, że musi sekwencyjnie wprowadzać i wysyłać dane, odpowiadając na bota.

Ludność i selekcja

Pierwsza populacja składa się z 256 AI, które zaczynają grać z botem. Jeśli AI wykonuje prawidłowe działania, na przykład żąda danych wejściowych, a następnie coś wyświetla, wtedy AI otrzymuje punkty. Im więcej poprawnych działań, tym więcej punktów.

16 AI, które zdobyły najwięcej punktów, daje 15 potomstwa i nadal uczestniczy w grze. Potomek jest mutantem. Mutacja następuje przez zastąpienie jednej losowej komórki w kopii rodzicielskiej losową wartością.

Jeśli żadna AI nie uzyskała punktów w pierwszej populacji, tworzona jest kolejna populacja. I tak dalej, dopóki niektóre AI nie zaczną wykonywać prawidłowych działań i dać „poprawnemu” potomstwu.

Ewolucja

Między znaczącymi wydarzeniami minęły tysiące pokoleń. Program został uruchomiony w kilku wątkach na Core i7. Obliczenia trwały około 15 minut.

1. Kiedy „lider” AI popełnił przypadkowy błąd i nie zdobył wystarczającej liczby punktów, populacja zaczęła się degradować, ponieważ potomstwo powstało z „wtórnych” rodziców.
2. Zdarzyło się tak, że w strumieniu z osobami postronnymi, które deptały na miejscu, doszło do udanej mutacji, zapewniającej gwałtowny wzrost zgromadzonych punktów. Następnie ten wątek stał się liderem.
3. Czasami przez długi czas nie dochodziło do udanych mutacji, a nawet 500 tysięcy pokoleń nie wystarczyło, aby dokończyć selekcję.

Wniosek

Podsumowując, zrobiłem to samo z grą w kółko i krzyżyk. Rozmiar genomu zastosowano jak w pierwszym przypadku. Liczba kroków została zwiększona do 1024, a wielkość populacji do 64 (dla szybszych obliczeń). Obliczenia trwały trochę dłużej. Wszystko wydarzyło się według tego samego scenariusza.

Początkowo AI grała przeciwko „randomizerowi”. Zadzwoniłem do bota, który chodzi losowo. Dość szybko AI zaczęło go bić, wypełniając linię. Ponadto skomplikowałem to zadanie, dodając do randomizatora mały powód: zająć linię, jeśli to możliwe, lub się bronić. Jednak w tym przypadku AI znalazła słabości bota i zaczęła go bić. Być może historia na ten temat jest tematem osobnego artykułu.

Syn poprosił mnie, żebym napisał program, dzięki któremu AI będą grać między sobą, a nie z botem. Były pomysły, aby zrobić to samo, grając w warcaby lub iść, jednak na to nie miałem już wystarczająco dużo czasu.

Jedyną metodą, której użyłem, aby zdobyć nowe osobniki, była mutacja. Możesz także użyć zwrotnicy i inwersji. Być może metody te przyspieszą pożądany wynik.

W końcu narodził się pomysł: dać AI możliwość zarządzania wszystkimi procesami na komputerze i walki o zasoby komputerowe. Podłącz komputer do Internetu i wykorzystaj pulę starych farm Bitcoin jako moc obliczeniową ...

Jak powiedziałem, przeprowadzając podobny eksperyment, bloger

Wśród najważniejszych klas zadań, które zostały ustalone dla twórców inteligentnych systemów od czasu zdefiniowania sztucznej inteligencji jako kierunku naukowego (od połowy lat 50. XX wieku), następujące obszary sztucznej inteligencjirozwiązujące problemy trudne do sformalizowania: dowody twierdzeń, rozpoznawanie obrazów, tłumaczenie maszynowe i rozumienie mowy ludzkiej, programy gier, kreatywność maszyn, systemy eksperckie. Krótko rozważ ich naturę.

Kierunki sztucznej inteligencji

Dowód twierdzeń. Badanie metod dowodzenia twierdzeń odegrało ważną rolę w rozwoju sztucznej inteligencji. Wiele nieformalnych zadań, na przykład diagnostyka medyczna, stosuje podejścia metodologiczne do rozwiązywania problemów, które zostały wykorzystane do automatyzacji dowodu twierdzeń. Poszukiwanie dowodu twierdzenia matematycznego wymaga nie tylko dedukcji opartej na hipotezach, ale także stworzenia intuicyjnych założeń, które twierdzenia pośrednie należy udowodnić dla ogólnego dowodu twierdzenia głównego. Rozpoznawanie obrazu. Zastosowanie sztucznej inteligencji do rozpoznawania wzorów pozwoliło stworzyć praktycznie działające systemy do identyfikacji obiektów graficznych w oparciu o podobne cechy. Jako cechy charakterystyczne można uwzględnić dowolną charakterystykę obiektów do rozpoznania. Znaki powinny być niezmienne dla orientacji, wielkości i kształtu obiektów. Alfabet znaków jest tworzony przez twórcę systemu. Jakość rozpoznawania zależy w dużej mierze od stopnia zaawansowania alfabetu cech. Rozpoznanie polega na a priori uzyskaniu wektora cech dla osobnego obiektu podświetlonego na obrazie, a następnie ustaleniu, który z wzorów cech alfabetu odpowiada ten wektor. Tłumaczenie maszynowe i rozumienie mowy ludzkiej. Zadanie analizowania zdań mowy ludzkiej za pomocą słownika jest typowym zadaniem systemów sztucznej inteligencji. Aby go rozwiązać, stworzono język pośredni, który ułatwia porównywanie zwrotów z różnych języków. Następnie ten język pośredni stał się modelem semantycznym do reprezentowania znaczeń tekstów do przetłumaczenia. Ewolucja modelu semantycznego doprowadziła do stworzenia języka do wewnętrznej reprezentacji wiedzy. W rezultacie nowoczesne systemy analizują teksty i frazy na czterech głównych etapach: analiza morfologiczna, analiza składniowa, semantyczna i pragmatyczna. Programy gier. Większość programów do gier opiera się na kilku podstawowych ideach sztucznej inteligencji, takich jak wyliczanie opcji i samokształcenie. Jednym z najciekawszych zadań w dziedzinie programów do gier wykorzystujących metody sztucznej inteligencji jest nauczenie komputera gry w szachy. Został założony na początku obliczeń, pod koniec lat 50. W szachach istnieją pewne poziomy umiejętności, stopnie jakości gry, które mogą dać jasne kryteria oceny rozwoju intelektualnego systemu. Dlatego naukowcy z całego świata byli aktywnie zaangażowani w szachy komputerowe, a wyniki ich osiągnięć są wykorzystywane w innych osiągnięciach intelektualnych, które mają prawdziwą wartość praktyczną. W 1974 roku mistrzostwa świata w szachach odbyły się po raz pierwszy w ramach kongresu IFIP (Międzynarodowej Federacji Przetwarzania Informacji) w Sztokholmie. Zwycięzcą tego konkursu był program szachowy Kaissa. Został stworzony w Moskwie, w Instytucie Problemów Zarządzania Akademii Nauk ZSRR. Sztuka maszynowa. Można przypisać jeden z obszarów zastosowania sztucznej inteligencji systemy oprogramowaniapotrafi samodzielnie tworzyć muzykę, wiersze, opowiadania, artykuły, dyplomy, a nawet rozprawy. Obecnie istnieje cała klasa muzycznych języków programowania (na przykład język C-Sound). Do różnych zadań muzycznych stworzono specjalne oprogramowanie: systemy przetwarzania dźwięku, systemy syntezy dźwięku, interaktywne systemy kompozycji, algorytmiczne programy kompozycji. Systemy eksperckie. Metody sztucznej inteligencji znalazły zastosowanie w tworzeniu zautomatyzowanych systemów doradczych lub systemów eksperckich. Pierwsze systemy eksperckie opracowano jako narzędzia badawcze w latach 60. ubiegłego wieku. Były to systemy sztucznej inteligencji specjalnie zaprojektowane do rozwiązywania złożonych problemów w wąskim obszarze tematycznym, takich jak na przykład diagnoza medyczna chorób. Klasycznym celem tego kierunku było początkowo stworzenie systemu sztucznej inteligencji ogólnego przeznaczenia, który byłby w stanie rozwiązać każdy problem bez konkretnej wiedzy w tej dziedzinie. Ze względu na ograniczone możliwości zasobów obliczeniowych zadanie to okazało się zbyt trudne do rozwiązania z akceptowalnym wynikiem. Wdrożenie komercyjne systemów ekspertowych pojawiły się na początku lat osiemdziesiątych i od tego czasu systemy eksperckie zyskały znaczną popularność. Są one wykorzystywane w biznesie, nauce, technologii, produkcji, a także w wielu innych obszarach, w których istnieje ściśle określony obszar tematyczny. Główne znaczenie wyrażenia „dość określony” polega na tym, że osoba biegła w dziedzinie jest w stanie określić etapy rozumowania, za pomocą których można rozwiązać każdy problem w tej dziedzinie. Oznacza to, że podobne działania mogą być wykonywane przez program komputerowy. Teraz możemy powiedzieć z pewnością wykorzystanie systemów sztucznej inteligencji otwiera szerokie granice. Obecnie systemy eksperckie są jednym z najbardziej udanych zastosowań technologii sztucznej inteligencji. Dlatego zalecamy zapoznanie się z tym

Od momentu, gdy sztuczna inteligencja została uznana za kierunek naukowy, a stało się to w połowie lat 50. ubiegłego wieku, twórcy inteligentnych systemów musieli rozwiązać wiele problemów. Konwencjonalnie wszystkie zadania można podzielić na kilka klas: uznanie ludzki język tłumaczenie, automatyczne dowodzenie twierdzeń, tworzenie programów do gier, rozpoznawanie obrazów i kreatywność maszyn. Rozważmy krótko istotę każdej klasy problemów.

Dowód twierdzeń.

Automatyczny dowód twierdzeń jest najstarszym obszarem zastosowania sztucznej inteligencji. W tym obszarze przeprowadzono wiele badań, w wyniku których powstały sformalizowane algorytmy wyszukiwania i formalne języki reprezentacji, takie jak PROLOG - logiczny język programowania i rachunek predykatów.

Automatyczne dowody twierdzeń są atrakcyjne, ponieważ opierają się na ogólności i rygorze logiki. Logika w systemie formalnym oznacza możliwość automatyzacji, co oznacza, że \u200b\u200bjeśli wyobrażasz sobie zadanie i powiązane dodatkowe informacje w postaci zbioru logicznych aksjomatów i specjalnych przypadków problemu - jako twierdzenia wymagające dowodu można znaleźć rozwiązanie wielu problemów. Systemy matematycznych uzasadnień i automatycznych dowodów twierdzeń oparte są na tej zasadzie. W poprzednich latach próbowano napisać program do automatycznego dowodzenia twierdzeń, ale nie było możliwe stworzenie systemu, który pozwalałby na rozwiązywanie problemów za pomocą jednej metody. Każdy stosunkowo skomplikowany system heurystyczny mógłby wygenerować wiele nie dających się udowodnić twierdzeń, w wyniku czego programy musiały je udowodnić, dopóki nie odkryto niezbędnego. Z tego powodu pojawiła się opinia, że \u200b\u200bprzy dużych przestrzeniach możesz pracować tylko za pomocą nieformalnych strategii specjalnie zaprojektowanych dla konkretnych przypadków. W praktyce takie podejście okazało się dość owocne i zostało oparte, wraz z innymi, na systemach eksperckich.

Nie można jednak zignorować rozumowania opartego na logice formalnej. Sformalizowane podejście pozwala rozwiązać wiele problemów. W szczególności za jego pomocą można kontrolować złożone systemy, weryfikować poprawność programów komputerowych, projektować i weryfikować układy logiczne. Ponadto badacze w automatycznym dowodzeniu twierdzeń opracowali potężną heurystykę opartą na ocenie formy składniowej wyrażenia logiczne. W rezultacie stało się możliwe obniżenie poziomu złożoności przestrzeni wyszukiwania bez uciekania się do opracowywania specjalnych strategii.

Automatyczny dowód twierdzeń jest interesujący dla naukowców, ponieważ w przypadku szczególnie skomplikowanych problemów możliwe jest również użycie systemu, choć nie bez ludzkiej interwencji. Obecnie programy często działają jako asystenci. Specjaliści dzielą to zadanie na kilka podzadań, a następnie heurystyka jest rozważana w celu ustalenia możliwych przyczyn. Ponadto program udowadnia lematy, weryfikuje mniej znaczące założenia i uzupełnia formalne aspekty dowodów przedstawionych przez człowieka.

Rozpoznawanie wzorców.

Rozpoznawanie wzorca to wybór zasadniczych cech charakteryzujących dane źródłowe z całego zestawu funkcji, a na podstawie otrzymanych informacji klasyfikuje dane.

Teoria rozpoznawania wzorców to dziedzina informatyki, której zadaniem jest rozwijanie podstaw i metod identyfikacji i klasyfikacji obiektów (obiektów, procesów, zjawisk, sytuacji, sygnałów itp.), Z których każdy posiada kombinację niektórych znaków i właściwości. W praktyce musisz dość często identyfikować obiekty. Typową sytuacją jest rozpoznanie koloru świateł i decyzja, czy w tej chwili przejść przez ulicę. Istnieją inne obszary, w których nie można obejść się bez rozpoznawania obiektów, na przykład cyfryzacja sygnałów analogowych, sprawy wojskowe, systemy bezpieczeństwa i tak dalej, dlatego dziś naukowcy nadal aktywnie pracują nad tworzeniem systemów rozpoznawania obrazów.

Prace prowadzone są w dwóch głównych kierunkach:

• · Badanie, objaśnienie i modelowanie zdolności rozpoznawania właściwych dla żywych istot.
• · Opracowanie podstaw teoretycznych i metodologicznych do tworzenia urządzeń, które pozwoliłyby na rozwiązywanie indywidualnych problemów dla zastosowanych celów.

Problemy z rozpoznawaniem formułuje się za pomocą języka matematycznego. Podczas gdy teoria sztucznego sieci neuronowe oparte na uzyskiwaniu wyników za pomocą eksperymentów formułowanie problemów z rozpoznawaniem wzorców nie występuje na podstawie eksperymentu, ale na podstawie dowodów matematycznych i logicznego rozumowania.

Rozważ klasyczne sformułowanie takiego problemu. Istnieje wiele obiektów, które należy sklasyfikować. Zestaw składa się z podzbiorów lub klas. Pytanie: informacje opisujące zbiór, informacje o klasach i opis pojedynczego obiektu bez wskazania jego przynależności do określonej klasy. Zadanie: na podstawie dostępnych danych ustalić, do której klasy należy obiekt.

Jeśli w zadaniach występują obrazy monochromatyczne, można je uznać za funkcje na płaszczyźnie. Funkcja będzie formalnym zapisem obrazu i w każdym punkcie wyrazi specyficzną charakterystykę obrazu - gęstość optyczną, przezroczystość, jasność itp. W takim przypadku model zestawu obrazów będzie miał wiele funkcji na płaszczyźnie. Sformułowanie problemu z rozpoznaniem zależy od tego, jakie powinny być kroki po rozpoznaniu.

Metody rozpoznawania wzorców obejmują eksperymenty F. Rosenblatta, który wprowadził koncepcję modelu mózgu. Celem eksperymentu jest pokazanie, jak powstają zjawiska psychologiczne w układzie fizycznym o znanych właściwościach i strukturze funkcjonalnej. Naukowiec opisał najprostsze eksperymenty dotyczące rozpoznawania, ale ich cechą jest niedeterministyczny algorytm decyzyjny.

Najprostszy eksperyment, na podstawie którego można uzyskać istotną psychologicznie informację o systemie, przedstawia się następująco: perceptron jest prezentowany z sekwencją dwóch różnych bodźców, z których każdy musi w jakiś sposób reagować, a dla różnych bodźców reakcja powinna być inna. Cele takiego eksperymentu mogą być różne. Eksperymentator może stanąć przed zadaniem zbadania możliwości spontanicznej dyskryminacji przez system prezentowanych bodźców bez ingerencji z zewnątrz lub odwrotnie, zbadania możliwości wymuszonego rozpoznania. W drugim przypadku eksperymentator uczy system klasyfikowania różnych obiektów, które mogą być więcej niż dwa. Doświadczenie związane z uczeniem się jest następujące: perceptron jest przedstawiany z obrazami, wśród których znajdują się przedstawiciele wszystkich klas do rozpoznania. Prawidłowa odpowiedź jest wzmocniona zgodnie z zasadami modyfikacji pamięci. Następnie eksperymentator przedstawia perceptron bodźcem kontrolnym i określa prawdopodobieństwo uzyskania danej reakcji dla obrazów tej klasy. Bodziec kontrolny może pokrywać się z jednym z obiektów przedstawionych w sekwencji treningowej lub może różnić się od wszystkich prezentowanych obiektów. W zależności od tego uzyskuje się następujące wyniki:

• · Jeśli bodziec kontrolny różni się od wszystkich bodźców treningowych przedstawionych wcześniej, to oprócz czystej dyskryminacji eksperyment bada elementy uogólnienia.
• · Jeśli bodziec kontrolny aktywuje pewną grupę elementów sensorycznych, które nie pokrywają się z żadnym z elementów, które zostały aktywowane po ekspozycji na bodźce tej samej klasy przedstawione wcześniej, wówczas eksperyment bada czystą uogólnienie i nie obejmuje badań rozpoznawania.

Pomimo tego, że perceptrony nie są w stanie uogólnić, zadowalająco radzą sobie z zadaniami rozpoznawania, szczególnie w tych przypadkach, w których pokazano obrazy, dla których perceptrony mają już pewne doświadczenie.

Rozpoznawanie mowy ludzkiej i tłumaczenie maszynowe.

Długoterminowe cele sztucznej inteligencji obejmują tworzenie programów, które rozpoznają ludzki język i wykorzystują go do tworzenia znaczących zwrotów. Umiejętność rozumienia i stosowania języka naturalnego jest podstawową cechą ludzkiej inteligencji. Skuteczna automatyzacja tej zdolności znacznie poprawiłaby wydajność komputerów. Do chwili obecnej napisano wiele programów, które potrafią zrozumieć język naturalny, i są one z powodzeniem stosowane w ograniczonych kontekstach, ale wciąż nie ma systemów, które mogłyby używać języków naturalnych z taką samą ogólnością i elastycznością jak człowiek. Faktem jest, że proces rozumienia języka naturalnego polega nie tylko na prostej analizie zdań na składniki i poszukiwaniu znaczeń poszczególnych słów w słownikach. Programy z powodzeniem zarządzają tym zadaniem. Wykorzystanie ludzkiej mowy wymaga szerokiej wiedzy na temat tematu rozmowy, związanych z nim idiomów, a ponadto potrzebna jest umiejętność rozumienia dwuznaczności, pominięć, profesjonalizmu, żargonu, wyrażeń potocznych i wiele innych rzeczy, które są nieodłączne w normalnej ludzkiej mowie.

Jako przykład możemy mówić o piłce nożnej, która używa takich słów jak „napastnik”, „pass”, „transfer”, „kara”, „obrońca”, „napastnik”, „kapitan” i inne. Każde z tych słów charakteryzuje się zestawem znaczeń, a osobno słowa są całkiem zrozumiałe, ale wykonane z nich wyrażenie będzie niezrozumiałe dla każdego, kto nie jest zainteresowany piłką nożną i nie wie nic o historii, zasadach i zasadach tej gry. Tak więc zrozumienie i zastosowanie języka ludzkiego wymaga połączenia podstawowej wiedzy, a jednym z głównych problemów w automatyzacji rozumienia i stosowania naturalnego języka ludzkiego jest gromadzenie i systematyzowanie takiej wiedzy.

Ponieważ znaczenia semantyczne są bardzo szeroko stosowane w sztucznej inteligencji, naukowcy opracowali szereg metod, które pozwalają na ich strukturę do pewnego stopnia. Niemniej jednak większość prac wykonywana jest w obszarach problemowych, które są dobrze zrozumiane i wyspecjalizowane. Przykładem jest technika mikroświata. Jednym z pierwszych programów, w których był używany, był program SHRDLU, opracowany przez Terry'ego Vinograda, który jest jednym z systemów rozumienia mowy ludzkiej. Możliwości programu były raczej ograniczone i sprowadzały się do „rozmowy” na temat układania bloków o różnych kolorach i kształtach, a także planowania prostych działań. Program udzielił odpowiedzi na pytania typu „Jakiego koloru jest piramida na poprzeczce?” i może przekazać instrukcje takie jak „Umieść niebieski blok na czerwonym”. Podobne zadania były często podejmowane przez badaczy sztucznej inteligencji, a później stały się znane jako „świat bloków”.

Pomimo tego, że program SHRDLU z powodzeniem „rozmawiał” o rozmieszczeniu bloków, nie był wyposażony w zdolność abstrakcji z tego „mikroświata”. Zastosowano zbyt proste techniki, które nie były dostępne, aby przenieść semantyczną organizację obszarów tematycznych o większej złożoności.

Bieżące prace w zakresie rozumienia i stosowania języków naturalnych mają głównie na celu wyszukiwanie dość ogólnych formalizmów prezentacji, które można by dostosować do konkretnych struktur danych obszarów i zastosować w szerokim zakresie zastosowań. Większość istniejących technik, które są modyfikacjami sieci semiotycznych, jest badana i stosowana podczas pisania programów, które potrafią rozpoznać język naturalny w wąskich obszarach tematycznych. Jednocześnie nowoczesne możliwości nie pozwalają na stworzenie uniwersalnego programu zdolnego do rozumienia mowy ludzkiej w całej jej różnorodności.

Wśród różnorodnych zadań rozpoznawania wzorców można wyróżnić:

• · Klasyfikacja dokumentów
• · Oznaczanie złóż mineralnych
• · Rozpoznawanie obrazu
• · Rozpoznawanie kodów kreskowych
• · Rozpoznawanie znaków
• · Rozpoznawanie mowy
• · Rozpoznawanie twarzy
• · Rozpoznawanie numeru samochodu

Sztuczna inteligencja w programach do gier.

Sztuczna inteligencja gry obejmuje nie tylko tradycyjne metody sztucznej inteligencji, ale także ogólnie algorytmy informatyczne, grafika komputerowa, robotyka i teoria sterowania. Nie tylko wymagania systemowe, ale także budżet gry zależą od sposobu implementacji sztucznej inteligencji, więc programiści muszą się zrównoważyć, starając się, aby sztuczna inteligencja gry była tworzona przy minimalnym koszcie, a jednocześnie jest interesująca i niewymagająca zasobów. Wykorzystuje zupełnie inne podejście niż w przypadku tradycyjnej sztucznej inteligencji. W szczególności szeroko stosowane są emulacje, oszustwa i różne uproszczenia. Przykład: cechą strzelanek FPS jest zdolność botów do bezbłędnego ruchu i natychmiastowego celowania, ale jednocześnie osoba nie ma ani jednej szansy, więc zdolność botów jest sztucznie niedoceniana. Jednocześnie punkty kontrolne są umieszczane na poziomie, dzięki czemu boty mogą działać jako zespół, zasadzka itp. Obraz sztucznej inteligencji

W grach komputerowych kontrolowanych przez sztuczną inteligencję gry występują następujące kategorie postaci:

• · Moby - postacie o niskim poziomie inteligencji, wrogie ludzkiemu graczowi. Gracze niszczą moby, aby przejść terytorium, zdobyć artefakty i punkty doświadczenia.
• · Postacie nie będące graczami - zazwyczaj są one przyjazne lub neutralne dla gracza.
• · Boty - postacie wrogie graczom, najtrudniejsze do zaprogramowania. Ich możliwości są zbliżone do możliwości postaci w grze. W danym momencie gracz ma wiele botów.

W grze komputerowej istnieje wiele obszarów, w których stosuje się różnorodne algorytmy heurystyczne dla sztucznej inteligencji gier. Najpopularniejsza sztuczna inteligencja w grze jest używana jako jeden ze sposobów kontrolowania postaci spoza gry. Innym, nie mniej powszechnym sposobem kontroli jest tworzenie skryptów. Innym oczywistym zastosowaniem sztucznej inteligencji w grze, szczególnie w strategiach czasu rzeczywistego, jest znalezienie sposobu lub metody ustalenia, w jaki sposób postać nie będąca grą może dostać się z jednego punktu na mapie do drugiego. Jednocześnie należy wziąć pod uwagę przeszkody, ukształtowanie terenu i ewentualną „mgłę wojny”. Dynamiczne równoważenie mobów nie jest również pozbawione sztucznej inteligencji. Pojęcie nieprzewidywalnej inteligencji zostało przetestowane w wielu grach. Są to gry takie jak Nintendogs, Black & White, Creatures oraz dobrze znana zabawka Tamagotchi. W tych grach postacie są zwierzętami domowymi, których zachowanie różni się w zależności od działań wykonywanych przez gracza. Wygląda na to, że postacie są w stanie się uczyć, chociaż w rzeczywistości ich działania są wynikiem wyboru spośród ograniczonego zestawu rozwiązań.

Wielu programistów gier uważa każdą technikę, która tworzy iluzję inteligencji, za część sztucznej inteligencji w grach. Jednak to podejście nie jest do końca prawdą, ponieważ te same techniki mogą być stosowane nie tylko w silnikach AI gier. Na przykład podczas tworzenia botów wykorzystywane są algorytmy z wprowadzonymi na nich informacjami o możliwych przyszłych kolizjach, w wyniku czego boty nabywają „zdolność” do unikania tych kolizji. Ale te same techniki są ważnym i niezbędnym elementem silnika fizycznego. Kolejny przykład: ważnym składnikiem systemu celowania bota są dane wody, a te same dane są szeroko wykorzystywane w silniku graficznym do renderowania. Ostatnim przykładem jest skryptowanie. To narzędzie może być z powodzeniem stosowane we wszystkich aspektach rozwoju gry, ale najczęściej jest uważane za jeden ze sposobów kontrolowania działań postaci spoza gry.

Zdaniem purystów wyrażenie „sztuczna inteligencja w grach” nie ma prawa istnieć, ponieważ jest przesadą. Jako główny argument podnoszą fakt, że w grze AI wykorzystywane są tylko niektóre obszary nauki klasycznej sztucznej inteligencji. Należy wziąć pod uwagę, że celem sztucznej inteligencji jest stworzenie systemów samouczących się, a nawet stworzenie sztucznej inteligencji zdolnej do rozumowania, podczas gdy często ogranicza się to do heurystyki i szeregu praktycznych reguł, które są wystarczające, aby stworzyć dobrą grę i zapewnić graczowi żywe wrażenia i wrażenia z gry.

Obecnie twórcy gier komputerowych interesują się sztuczną inteligencją, a społeczność akademicka zaczyna interesować się grami komputerowymi. W związku z tym powstaje pytanie, w jakim stopniu gra i klasyczna sztuczna inteligencja różnią się od siebie. Jednak sztuczna inteligencja gier jest nadal postrzegana jako jedna z gałęzi klasyki. Wynika to z faktu, że sztuczna inteligencja ma różne obszary zastosowań, które różnią się od siebie. Jeśli mówili o inteligencji gry, istotną różnicą jest tutaj możliwość oszustwa w celu rozwiązania niektórych problemów w „uzasadniony” sposób. Z jednej strony brak oszustwa polega na tym, że często prowadzi to do nierealistycznego zachowania postaci iz tego powodu nie zawsze można go wykorzystać. Z drugiej strony sama możliwość takiego oszustwa stanowi istotną różnicę między sztuczną inteligencją w grach.

Kolejnym interesującym zadaniem sztucznej inteligencji jest nauczenie komputera gry w szachy. Naukowcy z całego świata byli zaangażowani w jego decyzję. Osobliwością tego zadania jest to, że wykazanie zdolności logicznych komputera jest możliwe tylko wtedy, gdy istnieje prawdziwy wróg. Pierwsza taka demonstracja odbyła się w 1974 roku w Sztokholmie, gdzie odbyły się Mistrzostwa Świata w szachach wśród programów szachowych. Program Kaissa, stworzony przez sowieckich naukowców z Instytutu Problemów Zarządzania Akademii Nauk ZSRR w Moskwie, wygrał konkurs.

Sztuczna inteligencja w sztuce maszynowej.

Natura ludzkiej inteligencji nie została jeszcze wystarczająco zbadana, a stopień poznania ludzkiej kreatywności jest jeszcze mniejszy. Jednak jednym z obszarów sztucznej inteligencji jest kreatywność maszynowa. Nowoczesne komputery tworzą dzieła muzyczne, literackie i obrazkowe, aw przemyśle gier komputerowych i filmów od dawna stosowane są realistyczne obrazy tworzone przez maszyny. Istniejące programy tworzą różne obrazy, które ludzie mogą łatwo dostrzec i zrozumieć. Jest to szczególnie ważne, jeśli chodzi o wiedzę intuicyjną, w przypadku sformalizowanej weryfikacji, której należałoby dokonać znacznego wysiłku umysłowego. Tak więc zadania muzyczne są z powodzeniem rozwiązywane przy użyciu języka programowania, z których jednym jest język CSound. Specjalne oprogramowanie do tworzenia utworów muzycznych jest reprezentowane przez algorytmiczne programy kompozycji, interaktywne systemy kompozycji, systemy syntezy i przetwarzania dźwięku.

Systemy eksperckie.

Rozwój nowoczesnych systemów eksperckich jest prowadzony przez naukowców od wczesnych lat siedemdziesiątych XX wieku, a na początku lat osiemdziesiątych zaczęto opracowywać systemy eksperckie na zasadach komercyjnych. Prototypy systemów ekspertowych zaproponowane w 1832 r. Przez rosyjskiego naukowca S. N. Korsakowa były urządzeniami mechanicznymi zwanymi „inteligentnymi maszynami”, które umożliwiały znalezienie rozwiązania opartego na danych warunkach. Na przykład przeanalizowano objawy choroby zaobserwowane u pacjenta i na podstawie wyników tej analizy zasugerowano najbardziej odpowiednie leki.

Informatyka rozważa systemy eksperckie wraz z bazami wiedzy. Systemy to modele zachowań ekspertów oparte na zastosowaniu procedur decyzyjnych i logicznych wniosków. Bazy wiedzy są traktowane jako zestaw reguł wnioskowania i faktów, które są bezpośrednio związane z wybranym obszarem działalności.

Pod koniec ubiegłego wieku rozwinęła się pewna koncepcja systemów eksperckich, głęboko skoncentrowana na tekstowym interfejsie człowiek-maszyna, który w tym czasie był ogólnie akceptowany. Obecnie koncepcja ta przeszła poważny kryzys, najprawdopodobniej ze względu na fakt, że w aplikacjach użytkownika interfejs tekstowy został zastąpiony interfejsem graficznym. Oprócz, model relacyjny dane i „klasyczny” widok budowy systemów eksperckich są słabo spójne. Dlatego organizacji baz wiedzy systemów ekspertowych nie można skutecznie przeprowadzić, przynajmniej przy użyciu nowoczesnych przemysłowych systemów zarządzania bazami danych. Źródła literackie i sieciowe zawierają wiele przykładów systemów eksperckich zwanych „powszechnymi” lub „szeroko znanymi”. W rzeczywistości wszystkie te systemy ekspertowe powstały w latach 80. ubiegłego wieku i do tej pory albo przestały istnieć, albo są beznadziejnie przestarzałe i istnieją dzięki kilku entuzjastom. Z drugiej strony twórcy nowoczesnych produktów oprogramowania często określają swoje dzieła jako systemy eksperckie. Takie oświadczenia są niczym więcej niż chwytem marketingowym, ponieważ w rzeczywistości produkty te nie są systemami eksperckimi (przykładem może być pomoc komputerowa i systemy prawne). Entuzjaści próbują połączyć podejścia do tworzenia interfejsu użytkownika z „klasycznymi” podejściami do tworzenia systemów eksperckich. Próby te znalazły odzwierciedlenie w takich projektach, jak CLIPS.NET, CLIPS Java Native Interface i inne, ale duże firmy programistyczne nie spieszą się z finansowaniem takich projektów iz tego powodu rozwój nie wykracza poza etap eksperymentalny.

Całą różnorodność obszarów, w których można zastosować systemy oparte na wiedzy, można podzielić na klasy: diagnostyka medyczna, planowanie, prognozowanie, monitorowanie i kontrola, szkolenie, interpretacja, rozwiązywanie problemów w sprzęcie elektrycznym i mechanicznym, szkolenie. Rozważmy każdą z tych klas bardziej szczegółowo.

a) Medyczne systemy diagnostyczne.

Za pomocą takich systemów określa się, w jaki sposób powiązane są różne zaburzenia w aktywności organizmu i ich możliwe przyczyny. Najbardziej znanym systemem diagnostycznym jest MYCIN. Służy do diagnozowania zapalenia opon mózgowych i zakażeń bakteryjnych, a także do monitorowania stanu pacjentów, u których występują te choroby. Pierwsza wersja systemu została opracowana w latach 70. Dziś jego możliwości znacznie się poszerzyły: system diagnozuje na tym samym poziomie zawodowym, co lekarz specjalista i można go stosować w różnych dziedzinach medycyny.

b) Systemy predykcyjne.

Systemy są zaprojektowane do przewidywania zdarzeń lub wyników zdarzeń na podstawie dostępnych danych charakteryzujących bieżącą sytuację lub stan obiektu. Tak więc program „Wall Street Conquest”, który w swojej pracy wykorzystuje statystyczne metody algorytmów, jest w stanie analizować warunki rynkowe i opracowywać plan inwestycji kapitałowych. Program wykorzystuje tradycyjne algorytmy programowania i procedury, więc nie można go przypisać systemom opartym na wiedzy. Już dziś istnieją programy, które mogą przewidywać przepływ pasażerów, wydajność i pogodę, analizując dostępne dane. Takie programy są dość proste, a niektóre z nich mogą być używane na zwykłych komputerach osobistych. Jednak nadal nie ma systemów eksperckich, które mogłyby, na podstawie danych rynkowych, sugerować, jak zwiększyć kapitał.

c) Planowanie.

Systemy planowania są zaprojektowane do rozwiązywania problemów z dużą liczbą zmiennych w celu osiągnięcia określonych rezultatów. Po raz pierwszy w branży komercyjnej takie systemy były używane przez firmę Damat Informat. Kierownictwo firmy zamówiło instalację 13 stacji w holu urzędu, który przeprowadził bezpłatne konsultacje dla klientów, którzy chcieli kupić komputer. Samochody pomogły dokonać wyboru, który najlepiej odpowiada budżetowi i życzeniom nabywcy. Systemy eksperckie były również wykorzystywane przez Boeinga do takich celów, jak naprawa helikoptera, ustalanie przyczyn awarii silnika samolotu i projektowanie stacji komiksowych. DEC stworzył system ekspercki XCON, który jest w stanie określić i zmodyfikować konfigurację systemów komputerowych VAX zgodnie z wymaganiami klienta. DEC opracowuje obecnie bardziej wydajny system XSEL, który obejmuje bazę wiedzy XCON. Celem systemu jest pomoc konsumentom w wyborze systemu komputerowego o pożądanej konfiguracji. Różnica między XSEL i XCON polega na tym, że jest on interaktywny.

d) Interpretacja.

Systemy interpretacyjne są w stanie wyciągać wnioski na podstawie wyników obserwacji. Jednym z najbardziej znanych systemów tłumaczeń ustnych jest system PROSPECTOR. Pracuje przy użyciu danych opartych na wiedzy dziewięciu ekspertów. Skuteczność systemu można oszacować na podstawie jednego przykładu: przy użyciu dziewięciu różnych metod badania system odkrył złoże rudy, którego obecności nie spodziewałby się żaden ekspert. Innym dobrze znanym systemem interpretacyjnym jest HASP / SIAP. Ona używa danych systemy głośnikowe śledzenie i na ich podstawie określa lokalizację statków na Oceanie Spokojnym i ich typy.

mi) Inteligentne systemy kontrola i zarządzanie.

Systemy eksperckie są z powodzeniem wykorzystywane do monitorowania i kontroli. Są w stanie analizować dane otrzymane z kilku źródeł i podejmować decyzje na podstawie wyników analizy. Takie systemy są w stanie przeprowadzać kontrolę medyczną i kontrolować ruch statków powietrznych, a ponadto są stosowane w elektrowniach jądrowych. Pomagają również regulować działalność finansową przedsiębiorstwa i opracowywać rozwiązania w sytuacjach kryzysowych.

f) Diagnostyka i rozwiązywanie problemów w sprzęcie elektrycznym i mechanicznym.

Systemy oparte na wiedzy są używane w takich przypadkach jak:

naprawa lokomotyw spalinowych, samochodów i innych urządzeń elektrycznych i mechanicznych;

diagnostyka i eliminacja błędów i usterek w oprogramowaniu i sprzęcie komputerowym.

g) Komputerowe systemy szkoleniowe.

Wykorzystanie systemów opartych na wiedzy do celów edukacyjnych jest dość skuteczne. System analizuje zachowanie i aktywność obiektu i zgodnie z otrzymanymi informacjami zmienia bazę wiedzy. Najprostszym przykładem takiego treningu jest gra komputerowa, w której poziomy stają się trudniejsze wraz ze wzrostem kwalifikacji gracza. Interesujący system szkoleniowy - EURISCO - opracował D. Lenat. Wykorzystuje prostą heurystykę. System wykorzystano w grze symulującej operacje wojskowe. Istotą gry jest określenie optymalnego składu flotylli, który może spowodować porażkę, przy zachowaniu wielu zasad. System skutecznie poradził sobie z tym zadaniem, włączając do flotylli jeden mały statek i kilka statków zdolnych do przeprowadzenia ataku. Zasady gry zmieniały się co roku, ale system EURISCO zawsze triumfował przez trzy lata.

Istnieje wiele systemów eksperckich, które zgodnie z treścią wiedzy można przypisać do kilku typów jednocześnie. Na przykład system, który wdraża planowanie, może również mieć charakter edukacyjny. Potrafi określić poziom wiedzy ucznia i na podstawie tych informacji opracować program nauczania. Systemy sterowania służą do planowania, prognozowania, diagnostyki i kontroli. Systemy zaprojektowane do ochrony domu lub mieszkania mogą śledzić zmiany w otoczeniu, przewidywać rozwój sytuacji i opracowywać plan dalszych działań. Na przykład okno się otworzyło i złodziej próbuje przez niego wejść do pokoju, dlatego konieczne jest wezwanie policji.

Powszechne stosowanie systemów eksperckich rozpoczęło się w latach 80. XX wieku, kiedy po raz pierwszy wprowadzono ich komercyjne wdrożenie. ES są stosowane w wielu obszarach, w tym w biznesie, nauce, technologii, produkcji i innych branżach, charakteryzujących się dobrze zdefiniowanym obszarem tematycznym. W tym kontekście „dobrze zdefiniowany” oznacza, że \u200b\u200bdana osoba może podzielić tok rozumowania na osobne etapy, w ten sposób można rozwiązać każdy problem w ramach tej dziedziny. Dlatego program komputerowy może wykonywać podobne działania. Można śmiało powiedzieć, że korzystanie z możliwości sztucznej inteligencji otwiera ludzkości nieograniczone możliwości.

Sztuczna inteligencja (AI) od dawna jest częścią naszego życia. Pomaga się zrelaksować, zrobić zakupy, uczyć się i pracować. Maszyny znalazły również szerokie zastosowanie w marketingu.

W tym artykule zobaczysz przykłady działania sztucznej inteligencji w marketingu.

Budowa strony internetowej

Usługa Siatka reprezentuje asystenta robota Molly. Pomaga w krótkim czasie tworzyć witryny na różnych platformach.

Jaki jest sens? Molly tworzy witrynę bez programistów i inżynierów. W przypadku jednej witryny firma prosi nie więcej niż 100 USD rocznie. Zgadzam się, to nic w porównaniu z roczną pensją zespołu programistów.

Ale bez ludzi nigdzie nie ma: zbierają obrazy, tekst, STA. Molly bierze te dane i tworzy witrynę.

Zobacz, jak to się dzieje w krótkim wideo:

Tworzenie treści

Copywriterzy mogą być spokojni - sztuczna inteligencja nie penetruje zbyt głęboko ich sfery. Ale coś w dziedzinie maszyn treści może zrobić. Wielu dużych wydawców i mediów korzysta z narzędzi takich jak Wordsmith:

Maszyny tworzą klikalne treści - aktualności, opisy hoteli, ubrań i towarów, pomoc w raportach. Używają szablonów, wypełniają formularze odpowiednimi słowami i kluczami, a także tworzą inne unikalne treści, które praktycznie nie różnią się od ludzi.

Oczywiście AI nie otrzyma nagrody Pulitzera za takie teksty, ale zdania i frazy są dość czytelne.

Wiadomości o grze w baseball dla The Associated Press zostały napisane przez AI:

Nie jest to najbardziej fascynująca historia, ale jej znaczenie jest całkiem jasne: zespół State College pokonał Brooklyn Cyclones z wynikiem 9: 8.

Tekst pisany maszynowo można edytować w aplikacji Hemingway:

To także sztuczna inteligencja. Prosta aplikacja wyciska „tekst” z tekstu.

Odpowiednik krajowy - usługa glavred.

Cóż, kiedy nie musisz wstawać z kanapy, aby rozpocząć nową serię lub film. Wiele firm medialnych korzysta z AI. Jeden film się skończył - maszyna automatycznie uruchamia kolejny, aby nie przeszkadzać ludziom.

AI analizuje zachowanie użytkowników i oferuje treści. Może to być na przykład IBM Watson:

Sportowa sieć społecznościowa UNDER ARMOR RECORD wykorzystuje Watson do dostosowywania wiadomości dla użytkowników aplikacji, a Muzeum Sztuki Nowoczesnej w San Francisco stworzyło bota artystycznego opartego na AI Watson. Bot komunikuje się z odwiedzającymi muzeum i tylko miłośnikami sztuki. Analizuje wiadomość i pokazuje zdjęcia:

„- Słońce przyszło. - Robert Bechtle, Watsonville Olympia, 1977. ”

Zna użytkowników Yandex, którzy są ściśle zaangażowani w sieci neuronowe. Więc Yandex.Music szuka sposobów, aby poznać nas bliżej:

Wyszukiwarki

Czego chcą użytkownicy? Zna sztuczną inteligencję. Optymalizacja treści, w które zaangażowani są marketerzy, zależy od tej wiedzy. Maszyny wpływają również na wyszukiwarki i wyszukiwarki.

Na przykład drzwi do przyszłości zostały otwarte za pomocą wyszukiwania głosowego i systemu rankingowego wyszukiwarki RankBrain Google. Interpretuje dane i przyjmuje założenia, które mogą Cię zainteresować. AI niezależnie próbuje odgadnąć znaczenie nieznanych słów.

Microsoft Amazon Echo, Google Home, Siri i Cortana ułatwiają życie. Wystarczy nacisnąć przycisk lub wypowiedzieć słowo, a oni znajdą niezbędne informacje. Zamiast „restauracji w Moskwie” wystarczy powiedzieć „gdzie mogę zjeść?” a AI wskaże drogę.

Opcje wyszukiwania zmieniają się, treść się zmienia. Długie zapytania znikają, zamiast nich pojawiają się krótkie zwroty potoczne. Zmienia się zasada tworzenia treści. Gdybyś był słowa kluczowe, Dzisiaj nacisk kładziony jest na klastry tematyczne. Jeden temat jest brany i wokół niego tworzona jest treść kilku artykułów.

Automatyzacja marketingu

Marki używają AI do dostosowywania biuletynów do klientów. Maszyny biorą pod uwagę preferencje i zachowanie klientów, aby tworzyć trafniejsze oferty.

Boomtrain analizuje historię interakcji klientów z treścią i tworzy biuletyny:

Internetowy sklep z bielizną Adore me współpracuje z Optimove:

Narzędzie wykorzystuje AI do segmentowania listy klientów, a następnie angażowania i konwersji. Maszyna wysyła różne oferty dla różnych grup i współpracuje z użytkownikami w aplikacji. Marka cieszy się dużym zainteresowaniem: wzrosły przychody i liczba aktywnych klientów.

Sztuczna inteligencja uwalnia mnóstwo czasu, który można poświęcić na to, co jest naprawdę ważne i konieczne.

Sieć społeczna

Gry graficzne

Fotofiltry - możesz nimi bawić się przez wiele godzin. Jest to również sieć neuronowa. Samochody nauczyły się rozpoznawać ludzkie twarze, aby użytkownicy sieci społecznościowych się nie nudzili i bawili się filtrami fotograficznymi.

Dzięki sztucznej inteligencji marki i gwiazdy zbliżają się do potencjalnych nabywców.