Вештачка интелигенција

Вештачка интелигенција (ВИ) е интелигенција претставена од машини и софтвер и е гранка од компјутерската наука која развива машини и софтвер со интелигенција. Најголемите истражувања како и објавените трудови за ВИ истата ја дефинираат како проучување и дизајн на интелигентен агент, каде под интелигентен агент се подразбира систем способен за перцепирање на околината и преземање на активности кои му ги максимизираат шансите за успех. John McCarthy, човекот кој во 1956 ја измисли синтагмата, ја дефинираше како наука и инженерство за создавање на интелигентни машини. Истражувањето во делот на ВИ е од високо технички и специјализиран карактер, во основа поделен во подобласти кои често слабо меѓусебно комуницираат. Некои од подобластите се должат на културно-општествени фактори: подобластите се развиле врзувајќи се за соодветни институции или резултирале од достигнувања на поединечни истражувачи. ВИ истовремено е поделена и врз основа на техничка проблематика. Имено, некои од подобластите се фокусираат на решавање на специфичен проблем, други пак, се фокусирани на еден од можните пристапи или користење на конкретна алатка или пак насочени кон реализирање на соодветна апликација. Централниот проблем ( или целта) на ВИ истражувањето е интеграција од резонирање, знаење, планирање, учење, комуникација, перцепција како и способност за движење и манипулирање со предмети. Општата интелигенција (или чврста интелигенција) сè уште е долготрајна цел во оваа област. Тековно популарните пристапи вклучуваат статистички методи, компјутерска интелигенција и традиционален симбол ВИ ( AI). Огромен е бројот на алатките користени во ВИ , вклучувајќи видови пребарувања, математичка оптимизација, логика, методи засновани на веројатност и економика, и многу други. Овој дел од комјутерската наука се заснова на ставот дека круцијалната одлика на луѓето, интелигенцијата – разумот на хомосапиенсот – може да биде прецизно обработена, до тој степен, да може да биде симулирана од страна на некоја машина. Ова ги покрена филозофските прашања во врска со природата на умот, како и од делот на етиката, во смисла на создавање на вештачко суштетство, прашање кое датира од времето на митовите, античката филозофија и фантастика. ВИ е тема која се дискутира со огромен оптимизам но, која во исто време претрпува и неверојатни неуспеси. Денес таа стана неизоставен дел од технолошката индустрија и најкомплицираниот проблем во компјутерската наука.

Историја

Размислувачки машини и вештачки суштества се појавуваат уште во старогрчката митологија, како што се Талос од Крит, бронзениот робот од Хефес и Пигмалион и Галатеја. Суштества кои наводно ја имале човечката интелигенција постоеле во секоја од поголемите цивилизации: вдаховени слики биле обожувани во Египед и Грција, додека пак, хуманоидни автомати биле измислени од страна на Yan Shi, Херојот од Александрија и Ал-Џазари. Широко распространето е и верувањето дека Jābir ibn Hayyān, Judah Loew и Paracelsus ги создале вештачките суштества. Од 19-иот и 20-иот век, вештачките суштества стануваат заедничка одлика на фикцијата, како што е Франкенштајн на Мери Шели ( Mary Shelley's Frankenstein) или Универзалните роботи на Росум од Карел Чапек ( Karel Čapek's R.U.R. -Rossum's Universal Robots). Pamela McCorduck објаснува дека сите тие всушност се доказ за постоење на еден древен нагон , кој таа го нарекува имитирање Господ . Приказните за овие суштества како и нивните судбини ги разработуваат истите надежи, стравови и етички прашања кои ги наметнува и ВИ.

Механичкото или формалното резонирање го развиле филозофите и математичарите уште во античкиот период. Проучувањето на логиката директно довело до пронаоѓање на програмирачки дигитален електронски комјутер, како резултат на работата на математичарите Alan Turing и други. Turing-овата Теорија на пресметка, укажувала на тоа дека една машина, преку менување на симболите во едноставна варијанта, само 0 и 1 , истата може да ги симулира сите замислени активности по пат на математичка дедукција. Ова, во согласност со тековните откритија во неврологијата, теоријата на информација и кибернетиката, инспирира една мала група на истражувачи да отпочнат со сериозно размислување за изработка на вештачки мозок.

ВИ како истражувачка област била основана на конференција во кампусот во Дартмунт Колеџ во лето 1956. Присутните, вклуќувајѓи ги и John McCarthy, Marvin Minsky, Allen Newell и Herbert Simon,станале водачи во истражувачката областа на ВИ за многу наредни декади. Тие и нивните студенти напишале програми, кои за повеќето луѓе, биле вистинско чудо: компјутерите решавале теоретски проблеми во алгебра, докажувајќи логички теореми, зборувајќи на англиски јазик. Кон средината на 60-тите, истражувањата во САД во најголем дел биле финансирани од страна на Одделот за одбрана преку лаборатории отворани ширум светот. Основачите на ВИ биле вистински оптимисти за иднината на новоразвиената научна област: Herbert Simon предвидел дека машините во следните 20 години ќе бидат способни да ја извршат секоја работа за која е способен човекот додека пак, Marvin Minsky запишал дека со генерации .... проблемот на создавање на 'вештачка интелигенција' во целост ќе биде решен. Но, тие не успеале да ги предвидат тешкотиите на некои проблеми со кои се соочиле. Во 1974, како одговор на критиките упатени од Sir James Lighthill као и на постојаниот притисок од страна на Американскиот Конгрес со цел финансирање на попродуктивни проекти, двете влади и Британската и Американската го прекинуваат финансирањето на истражувањата во областа на ВИ. Следните неколку години , подоцна , биле нарекувани,' зима за ВИ' , период кога било тешко да се најде финасирање на проекти во делот на ВИ. Во раните 80-ти, истражувањата од ВИ биле ревитализирани преку комерцијалниот успех на експертски системи, форма на програм од ВИ која симулирала знаење и аналитички вештини на еден или повеќе експерти. До 1985 пазарот на ВИ достигнал преку билион долари. Во исто време, Проектот на петта генерација јапонски компјутери ги инспирирал Американската и Британската влада да ги обноват фондовите за академските истражувања во истата област. Во секој случај, почетокот со колапс на Lisp Machine на пазарот во 1987, повторно ја фрла ВИ во период на дисрепутација, односно,во нова долготрајна зима за ВИ. Во 90-тите , раниот 21 век , ВИ го достигнува нејзиниот најголем успех, иако некако како зад сцената. Вештачката интелигенција се користи во логиката, генерирање на нова од постоечките информации во комјутер, медицинска дијагностика и многу други области од технолошката индустрија. Успехот главно се должи на неколку фактори: зголемување на сметачката моќ на комјутерите ( види законот на Moore ), поинтензивна нагласеност на решение на специфични подпроблеми, крирање на нови врски меѓу ВИ и други науки кои работат на слична проблематика, како и новата истрајност на истражувачите кон цврсти математички методи и строги пропишани стандарди. На 11 мај 1997,Deep Blue станал прв компјутер, со вграден систем за играње шах, кој го победил светскиот шампион во шах, Garry Kasparov. Во 2005, роботот Stanford ја освоил престижната награда DARPA Grand Challenge возејќи самостојно 131 миља низ непозната пустина. Две години подоцна, тим од CMU ја освојува наградата за урбана средина DARPA Urban Challenge кога нивниот автомобил, управуван автоматски, поминал 55 миљи во урбана средина прилагодувајќи се на сообраќајниот метеж и почитувајќи ги сообраќајните знаци. Во февруари 2011 во квиз шоуто Jeopardy во јавен двобој, системот за одговарање на прашања,Watson ги победил двајцата најголеми шампиони на ова шоу, Brad Rutter и Ken Jennings со значителна разлика гласови. Kinect преку кој е овозможена 3D слика на тело во движење за потребите на Xbox 360, исто како и Siri на iPhone, користи алгоритми кои произлегле од долготрајни истражувања во делот на ВИ.

Цели

Основниот проблем на симулирање (или создавање) на интелигенција е разложен на голем број конкретни подпроблеми. Истите се состојат од стецифични црти на карактер и способности кои истражувачите би сакале да ги поседува еден интелингентен систем.Подолу опишаните одлики се оние кои привлекоа најголемо внимание.

Дедукција, резонирање и решавање на проблеми

Првите истражувачи во областа на ВИ развија алгоритми кои чекор по чекор го имитираа резонирањето што го користат луѓето при решавање на сложувалки или при логички дедукции .Во доцните 80-ти и 90-ти ВИ истражувањето разви високо успешни методи за справување со несигурни и нецелосни информации применувајќи го концептот на веројатноста и економијата.

За комплицирани проблеми , повеќето од овие алгоритми бараат огромни пресметувачки ресурси – најчесто искусена ' комбинаториска експлозија': мемориски простор или потребното компјутерско време станува астрономско кога проблемот ги надминува предвидените граници. Потрагата по поефективен проблемо-решавачки алгоритам е високо приоритетна работа во ВИ истражувањата.

Луѓето, најчесто нивните проблеми ги решаваат користејќи брза, интуитивна проценка отколку, свесна, чекор-по-чекор дедукција која првите ВИ истражувачи испеаја да ја моделираат. ВИ освари одреден прогрес со имитирање на некој вид ' полусимболичен' решавач на проблеми: пристапи кои го нагласуваат значењето на сензорско-моторните вештини до остварување на повисоко резонирање; направи обиди во истражување на неурални мрежи со цел да ги симулираат структурите во внатрешноста на мозокот кои ги предизвикуваат ваквите вештини; додека пак со статистички пристапи кон мимиките ВИ ја разработува веројатноста кај човекот да погаѓа.

Презентација на знаење

Презентација на знаењето и инженерство на знаењето се суштински за ВИ истражувања. Многу од проблемите за кои се очекува да бидат решливи за машините изискуваат екстензивни познавања на светот. Помеѓу работите кои треба да се во општата презентација за ВИ се: предмети, особености, категории и релации меѓу предметите, ситуации, настани, време и состојби, прицини и последици, знаење во служба на знаење (што знаеме за знаењето на другите),и многу други, помалку истражени домени. Претстава за она што постои е онтологија: низа од предмети, врски, концепти и се она што машината го знае во врска со тоа. Најопштите се нарекуваат горни онтологии и истите прават обид да обезбедат основа за сите други знаења.

Меѓу најтешките проблеми при претставување на знаењето се:

Стандардното расудување и квалификацискиот проблем

Многу од работите што луѓето ги знаат се трансформираат во работни претпоставки. На пример, доколку стане збор за некоја птица, луѓето моментално си замислуваат животно со големина на една песница, што пее и лета. Ниту еден од овие податоци не важи за сите птици. John McCarthy го идентификува овој проблем во 1969 под термин квалификациски проблем: за кое било здраворазумно правило кое ВИ истражувачите сакаат да го претстават, постои тенденција за разгледување на огромен број на очекувања. Скоро ништо не е едноставно точно или неточно доколку е во согласност со барањата на апстракната логика. ВИ истражувачите веќе истражија бројни решенија на овој проблем.

Широчината на знаењето на здравиот разум

Бројот на атомските факти, познати на еден просечен човек е астрономски. Истражувачките проекти кои имаат намера да изградат една комплетна основа на знаење на здравиот разум ( пр. Сус) бараат енормна количина на лабораториски онтолошко инженерство – кој мора рачно да се состави, како најкомплициран концепт на сите времиња. Главната цел е да се добие комјутер што ќе може да разбере доволен број на концепти со цел да се оспособи да учи преку извори како што е Интернетот, и кој би бил во можност да ја надополнува својата сопствена онтологија.

Под-симболичка форма на некое знаење од здравиот разум

Повеќето од она што луѓето го знаат не е претставено како факти или изјави кои можат да ги искажат вербално. На пример, еден шах велемајстор би избегнал одредена позиција доколку смета дека премногу се отворил или еден критичар на уметноста со еден поглед на некоја биста може моментално да утврди дали истата е фалсификат. Овде се работи за интуиција или тенденција која несвесно или под-симболично постои во мозокот. Знаењето како што е ова информира, поддржува и обезбедува контекст за симболично и свесно знаење. Па така за споменатиот проблем со под-симболично расудување, постои надеж дека досега развиената ВИ, комјутерската интелигенција или статистичката ВИ ќе успее да обезбеди начин како да го претстави и ова знаење.

Планирање

Интелигентните агенти мора да бидат оспособени за зацртување цели и истите да ги остваруваат. Им треба начин да ја визуелизираат иднината ( мора да имаат претстава за состојбата на светот и да бидат способни да предвидуваат како нивните активности би го менувале) воедно да бидат во можност да го изберат она што е со максимална искористеност ( или ' вредност') од постоечките алтернативи. Во класичните проблеми во планирањето, агентот може да претпостави дека единствениот начин е да делува на светот и со тоа да биде сигурен какви последици би имало од неговото делување. Во секој случај, доколку агентот не е единствениот учесник, тој мора повремено да се осигури дали условите во светот одговараат на неговите предвидувања и мора да го смени планот под услов да има потреба за тоа, што подразбира агентот да расудува на основа на веројатност.

Планирањето со мулти-агенти користи соработка и компетенции од повеќе агенти со цел остварување на зададената цел. Настанатото однесување како што е ова се користи од страна на еволутивен алгоритам и интелигенција на рој.

Учење

Машинско учење е проучување на комјутерски алгоритми кои ја подобруваат автоматиката преку искуство и истото е централно за ВИ истражувањето уште од самиот зачеток на оваа област. Учењето без надзор е способност да се открие шемата во влезниот проток. Учењето со надзор ги вклучува и класификацијата и бројчената регресија. Класификацијата се користи за да се одреди на која категорија одредено нешто припаѓа, после согледани бројни примери од различни категории. Регресија е обид да се создаде функција која би ги опишала врските помеѓу влезот и излезот а, воедно би предвидела како би се сменил резултатот доколку се сменат информациите на влезот. Во поттикнато учење, пак, агентот се наградува за добро расудување или казнува за лошо. Ова може да биде анализирано во поглед на теорија на донесување одлуки, користејќи концтепти на искористеност. Математичката анализа на алгоритмите за машинско учење и неговата изведба е гранка на теоретска комјутерска наука позната како комјутерска теорија за учење. Во рамките на развојната роботика, развојните пристапи за учење беа елаборирани како доживотно кумулативнo стекнувањe на нови вештини од страна на роботите, преку автономно само-истражување и општи интеракции со луѓе наставници како и користење на водечки механизми како што се активно учење, созревање, моторна синергија и имитација.

Природна обработка на јазикот

Синтаксичко дрво претставува синтаксичка структура на реченица која е во согласност со некоја формална граматика.

Главна статија: Природно процесуирање на јазикот Обработка на природниот јазик им помага на машините да го читаат и разбираат јазикот што го користат луѓето. Исклучително моќниот систем за обработка на природниот јазик обезбедува интерфејси од корисници на природниот јазик и стекнување на знаење директно од извори напишани од човекот, како што е Интернет текстот. Некои едноставни апликации засновани на обработка на природниот јазик вклучуваат пронаоѓање на одредена информација( или истражување на текст) како и машински превод.

Вообичаен метод на обработка и извлекување на значење од контекст на природниот јазик е преку семантичко индексирање. Зголемување на брзината на обработката а, истовремено поевтинувањето на цената на просторот за меморирање, овозможија индексирањето на огромен број на влезни кориснички апстракции да стане многу поефикасно.

Движење и манипулирање

Главна статија: Роботика

Роботиката како област е блиску поврзана со ВИ. Интелигенцијата им е потребна на роботите за да се справат со задачи како што се манипулирање со предмети и навигација, под-проблеми како локализирање ( знае каде е, или открива каде се одредени нешта), мапирање ( учи за нештата околу него, гради мапа за околината), план на движење ( открива како да стигне до некаде), или планирање на маршута ( одење од една до друга просторна точка, што може да вклучува и посуптилни движења – каде роботот се движи правејќи физички контакти со други предмети).

Перцепција

Главна статија : Машинска перцепција, компјутерска визија и препознавање на говор Машинска перцепција е можноста да се користи импутот од сензори (како што се : камери, микрофони, сонори и други помодерни) со цел да се осознаат аспектите на светот. Компјутерската физија е можност да се анализира визуелниот импут. Неколку селектирани потпроблеми се: препознавање на говорот, препознавање на лица и предмети. Општествена интелигенција Главна статија: Влијателни компјутери Кисмет робот со рудиментирани општествени вештини Влијателно компјутеризирање е истражување и развој на системи и уреди кои можат да препознаат толкуваат обработуваат и симулираат човечко влијание. Тоа е едно интердисциплинарно поле во делот на компјутерските науки, психологија и когнитивната наука. Додека потеклото на оваа област има свои зачетоци уште во раните филозофски прашања врзани за емоциите, помодерната гранка на компјутерската наука е врзана за трудот на Rosalind Picard од 1995 година на тема влијателно компјутеризирање. Мотивацијата за вакво истражување лежи во способноста да се симулира емпатија. Машината треба да ја толкува емоционалната состојба на луѓето и да го прилагодува своето однесување кон нив одговарајќи соодветно на тие емоции. Емоционалните и социјалните вештини играат две улоги за т.н.интелигентниот агент. Прво тој мора да биде во можност да ги предвиди акциите на другите, разбирајќи ги нивните мотиви и емоционалната состојба. (Ова вклучува елементи на теорија на игра, теорија на одлука, како и способноста да се моделираат човечките емоции и перцептивни способности за детекција на истите). Исто така, во обид да се олесни интеракцијата човек – компјутер една интелигентна машина можеби би требало да има можност да ги покаже своите емоции – и покрај тоа што не ги доживува – со единствена цел да пројави чувствителност на емоционалната динамика на човечката интеракција.

Креативност

Главна статија: компјутерска креативност

Уште една подобласт на ВИ која се однесува на креативноста од позиција на теорија ( филозовски и психолошки аспект) и пракса ( преку специфична имплементација на системи кои генерираат креативни резултати и кои идентификуваат и оценуваат креативност). Тесно поврзани области од компјутерските истражувања на горенаведеното се вештачка интуиција и вештачка имагинација.

Општа интелигенција

Главна статија: Цврста ВИ и комплетна ВИ

Повеќето истражувачи сметаат дека нивната работа ќе биде вградена во машината со општа интелигенција (позната како цврста ВИ) преку комбинирање на сите веќе споменати вештини и некои проширени човечки способности, па дури и сите од нив. Дел од истражувачите веруваат дека антропоморфните одлики како што се вештачката свест и вештачки мозок е всушност она што е навистина потребно за ваков проект. Многу од споменатите проблеми, генерално се повикуваат на општата интелигенција со цел да бидат разрешени. На пример, дури и една јасна конкретна задача како што е машинскиот превод бара машина што чита и пишува на два јазика (NLP) која го следи расудувањето (разумот) на авторот, знае за што се зборува (знаење) и верно ја репродуцира авторската намера (социјалната интелигенција). Проблемот со преведувачката машина се смета за (комплетна ВИ). За да се разреши овој конкретен проблем пред сè мора да се разрешат сите претходно споменати.

Пристапи

Не постои востановена и обединувачка теорија или парадигма што ги води ВИ истражувањата. Истражувачите не се согласуваат за многу прашања. Неколку од најактуелните долгогодишни прашања што останаа неодговорени се следниве: Дали ВИ треба да ја симулира природната интелигенција , преку проучување на психологија или неврологија? Или, дали биологијата на човекот е нерелевантна за ВИ истражувањата како што е небитна биологијата на птицата за воздухопловното инжинерство? Може ли едно интелигентно однесување да се опише користејќи едноставни, елегантни принципи ( како што се логиката или оптимизацијата)? Или пак тоа нужно бара решавање на голем број целосно неповрзани проблеми? Може ли интелигенцијата да се репродуцира користејќи симболи од високо ниво, слични на зборови и идеи? Или можеби бара подсимболичка обработка. Јохан Хаугеланд, кој го измисли терминот GOFAI (Good Old Fashioned Artificial Intelligence „добра старомодна вештачка интелигенција“), исто така предложи посоодветен термин за ВИ, синтетичка интелигенција, термин кој веќе е усвоен од некои не – GOFAI инстражувачи.

Кибернетика и мозочна симулација

Главни статии: Кибернетика и компјутерски невронски мрежи

Во 1940-тите и 50-тите голем број на истражувачи ја истражувале врската меѓу неврологија, теорија на информации и кибернетиката. Некои од нив изградиле машини кои користеле електронски мрежи за презентирање на рудиментирана интелигенција, како што се желките на W. Grey Walter и ѕверот на Johns Hopkins. Многу од овие истражувачи се собирале на состаноци на Телеолошкото општество на Принстон Универзитет и RATIO CLUB во Англија. Од 1960 година овој пристап во голема мера беше отфрлен но, сепак некои негови елементи се обновени во 1980 година.

Симболично

Главна статија: GOFAI

Кога стана можен пристапот до дигитални комјутери во средината на 50-тите, ВИ истражувањето започна со проучување на можноста човечката интелигенција да биде редуцирана на ниво на симболичка манипулација. Истражувањето беше концентрирано во три институции: Carnegie Mellon University, Stanford и MIT, каде секоја за себе успеа да развие свој стил на истражување. John Haugeland овие пристапи на ВИ ги нарекува добра старомодна ВИ или GOFAI. Во текот на 60-тите, симболичните пристапи постигнаа одличен успех во делот - симулирање на размислување од високо ниво во мали демонстративни програми. Пристапите засновани на кибернетиката или невронските мрежи беа отфрлени или фрлени во заборав. Истражувачите од 60-тите и 70-тите беа убедени дека симболичките пристапи сигурно ќе успеат да создаваат машина со општа вештачка интелигенција и тоа го поставија како цел во нивното истражување.

Когнитивна симулација

Економистите Herbert Simon и Allen Newell ги проучувале човечките вештини за решавање на проблеми и направиле обид да ги формализираат. Со тоа ја востановиле основата во областа на вештачката интелигенција, когнитивната наука, истражувачки активности и менаџмент. Нивниот истражувачки тим ги искористил резултатите од психолошките експерименти со цел да развијат програми кои би ја симулирале техниката што луѓето ја користат при решавање на проблеми. Оваа традиција, концентрирана во Carnegie Mellon University доминирала со развој на т.н. Soar конструкцијата во средината на 80-тите.

Заснованa на логика

За разлика од Newell и Simon, John McCarthy сметал дека машините не мораат да ја симулираат човечката мисла, туку напротив , да се обидат да ја најдат суштината на апстрактното расудување и решавање на проблеми, без разлика дали луѓето ги користат истите алгоритми. Неговата лабораторија на Stanford (SAIL) се фокусирала на користење формална логика за решавање проблеми од широк опсег, вклучувајќи презентација на знаење, планирање и учење. Логиката, исто така, била во фокус и на работата на Универзитетот во Единбург како и на други места во Европа што довело до развој на програмскиот јазик Prolog и наука на логичко програмирање.

Анти-логичка или нечиста

Истражувачите на MIT ( како што се Marvin Minsky и Seymour Papert) дојдоа до сознание дека решавањето на тешки проблеми во делот на визија и обработка на природниот јазик бара ад-хок решенија – тие не се сложија со ставот дека постои едноставен и општ принцип ( како логика) кој ќе ги покрие сите аспекти на интелигентно однесување. Roger Schank ја опишал нивната анти-логика пристапувајќи и како на нечиста (спротивно на чиста парадигма на CMU и Stanford). Основите на знаењето од здравото расудување ( како што е Сус на Doug Lenat ) се пример на нечиста ВИ, од причина што мора да бидат создадени рачно, што се смета за комплициран концепт на сите времиња.

Заснованa на знаење

Околу 1970, кога компјутерите со големи мемории станаа достапни , истражувачите од сите три традиции започнаа да вградуваат знаење во ВИ апликациите. Оваа револуција на знаење доведе до развој и употреба на експертски системи (воведени од страна на Edward Feigenbaum ), прва вистинска форма на ВИ софтвер. Револуцијата на знаење беше воедно водена и од сфаќањето дека и наједноставните ВИ апликации ќе бараат огромно количесто на знаење.

Под-симболичнa

Од 1980-тите напредокот во симболичката ВИ изгледаше како да затаи и многумина веруваа дека симболичкиот систем никогаш нема да може да ги имитира сите процеси на човечкото сознание, посебно перцепцијата, роботиката, учењето и шемата на процесот препознавање. Бројни истражувачи се свртеа кон под-симболичните пристапи на специфични ВИ проблеми.

Извртена, претставителна, вклопена, заснована на однесување или нова ВИ

Истражувачите од блиските области на роботиката, како што е Rodney Brooks, ја отфрлаат симболичката ВИ и се фокусираат на базични инженерски проблеми кои на роботите ќе им овозможат да се движат и да преживеат. Нивната работа повторно го оживеа не-симболичкото гледиште на раните истражувачи од кибернетиката од 50-тите и повторно ја претставија корисноста на теоријата на контрола во ВИ. Ова се совпадна со развојот на тезата за претставата за ум, во сродното поле на науката за сознанието т.е. идејата дека одредени аспекти на телото (како што се движењето, перцепцијата и визуализацијата) се одлика на повисока интелигенција.

Комјутерска интелигенција

Интересот во неуралната мрежа и конекцизмот беше оживеан од страна на David Rumelhart и другите во средината на 80-тите. Овие и други под-симболички пристапи , како што се матни системи и еволутивни пресметки, сега се проучуваат заедно преку новоформираната дисциплина комјутерска интелигенција.

Статистичкa

Во 90-тите ВИ истражувачите развија софистицирана математичка алатка за решавање на специфични подпроблеми. Овие алатки се навистина научни, во смисла дека нивните резултати се мерливи и можат да се проверат. Тие се одговорни за повеќето успеси што се случија во скорешно време од областа на ВИ. Универзалниот математички јазик овозможи високо ниво на соработка со веќе востановените области (како математиката, економијата или истражувачките активности). Stuart Russell и Peter Norvig ова движење го опишуваат како ништо помалку од револуција и победа на педантноста. Критиката беше против тоа што овие техники беа премногу фокусирани на конкретни проблеми и не се однесуваа на долготрајни цели како општа интелигенција. Во тек е дебата за релевантноста и валидноста на статистичкиот пристапи во ВИ, појаснети во делот на двобојот помеѓу Peter Norvig и Noam Chomsky.

Интегрирање на пристапи

Парадигма на интелигентен агент

Интелигентен агент е систем способен да ја перцепира својата околина и презема активности кои ги максимизираат неговите шанси за успех. Наједноставните интелигентни агенти се програми кои решаваат конкретни проблеми. Покомплицираните агенти вклучуваат човечки суштества и организации од луѓе( компании). Парадигмата на истражувачите им дава дозвола да проучуваат изолирани проблеми и да најдат решенија кои се корисни, можат да се проверат, без да се придржуваат кон еден единстевн пристап. Агент кој решава конкретен проблем може да користи кој било пристап кој функционира – некои агенти се симболични и логички, некои се под-симболички невронски мрежи, додека некои пак, користат нови пристапи. Парадигмата, исто така, на истражувачите им дава, заеднички јазик кој им обезбедува комуникација со други области – како теорија на одлуки и економијата – што исто така користи концепти на апстрактни агенти. Парадигмата на интелигентен агент стана широко прифатена во период на 90-тите.

Структура на агент и структура на расудување

Истражувачите дизајнирале системи со цел да изградат интелигентни системи надвор од интеракциите на интелигентните агенти во мулти-агентски системи. Систем со симболички и под-симболички компоненти е хибриден интелигентен систем и проучувањето на таквите системи е интеграција од системи на вештачка интелигенција. Хиерархискиот систем за контрола обезбедува мост меѓу под-симболичка ВИ, на нејзиното најниско, реактивно ниво и традиционалната симболичка ВИ на нејзиното највисоко ниво, каде флексибилните временски ограничувања дозволуваат планирање и моделирање на светот. Структурата на Rodney Brooks, беше своевремен предлог за таков вид на хиерархиски систем.

Алатки

За време на 50 годишното истражување, ВИ разви бројни алатки со цел да ги разреши и најкомплицираните проблеми во компјутерската наука. Неколку од овие најопшти методи се разработени во натамошниот текст.

Пребарување и оптимизација

Главни статии: Алгоритам за пребарување, Математичка оптимизација и Развојни пресметки

Многу проблеми во ВИ можат теоретски да бидат разрешени, преку интелигентни пребарувања на бројни можни солуции: Расудувањето би можело да се сведе на таков вид пребарување. На пример, логички доказ може да се разгледува како барање за изнаоѓање на вистинската патека од претпоставки до заклучоци , каде секој чекор би бил аплицирање на едно поврзувачко правило. Алгоритмите за планирање пребаруваат преку дрво од цели и подцели, правејќи обиди за изнаоѓање на патот до крајната цел, процес познат како средство-цел анализа. Алгоритмите во роботиката за движење на рацете и нозете како и за фаќање на предмети користат локални пребарувања во конфигурацискиот простор. Многу од алгоритмите за учење користат алгоритми за пребарување засновани на оптимизација. Едноставните, иако во основа исцрпни пребарувања, ретко кога се доволни за голем дел од проблемите во реалниот свет имено, просторот за пребарување (бројот на местата кои теба да се пребараат) расте астрономски брзо. Резултатот се претвора во пребарување кое е преспоро или никако да се заврши. За решавање, на многу проблеми, потребно е да се користи „ евристиката или “ правило на палец кое ги елиминира изборите кои најверојатно не водат кон целта (наречени оптимизирање на изведба). Евристиката обезбедува програм со најдобар погодок во однос на патеката на која лежи самото решение. Евристиката ги ограничува пребарувањата на решенијата сè до примерок со помали димензии. Еден сосема различен начин на пребарување се појавува во 90-тите, заснован на математичката теорија на оптимизација. За многу проблеми, се јавува можност да се започне со пребарување преку некоја форма на нагаѓање ,а потоа истото додатно да се рафинира сè до степен кога рафинирањето веќе не е можно. Овие алгоритми можат да бидат визуелизирани како слепо искачување по рид, што значи, пребарувањето го започнуваме од случајно избрана точка на земјата, а потоа со чекори или скокови продолжуваме да го движиме нашето нагаѓање кон врвот сè додека не стигнеме таму. Други алгоритми за оптимизација се симулирање на жарење, зрачно претражување и случајна оптимизација. Развојната пресметка користи форма на оптимално пребарување. На пример, може да се почне со популација на организми ( погодоци) на кои потоа им дозволуваме да мутираат и да се рекомбинираат после што ги бираме само најдостојните, кои преживуваат со генерации ( рафинирање на погодоците). Формите на развојните пресметки вклучуваат алгоритми на интелигентен рој ( како што е колонијата на мравките или оптимизација на рој) и развојни алгоритми ( како генетски алгоритми, програмирана генетска низа и генетичко програмирање).

Логика

Главни статии: Логичко програмирање и Автоматско расудување

Логиката се користи за претставување на знаење и решавање на проблеми но, може да се примени и на друга проблематика. На пример, ја користи логиката за планирање, додека пак, индуктивното логичко програмирање е метода за учење. Во ВИ истражувањата се користат неколку различни форми на логиката. Предлог или логика на реченица, е логика на изјави кои можат да бидат вистинити или невистинити. Логика од прв-ред пак, дозволува користење на квантификатори и искази, а може и да презентира факти за предмети, нивни одлики и врските меѓу нив. Замаглената логика, е верзија на логика од прв-ред која валидноста на изјавата ја презентира преку вредности 0 и 1, наместо едноставно со Вистина (1) или Лага (0). Замаглените системи можат да се користат за несигурно расудување , а широко се распространети и во модерните и потрошувачките системи за контрола на квалитет. Субјективната логика ја моделира несигурноста на различити многу по експлицитен начин во однос на замаглената: даденото бинарно мислење ја задоволува равенката верување+неверување+несигурност= 1 во Бета дистрибуција. Со оваа метода, незнаењето може да се разликува од изјавите засновани на веројатност кои агентот ги создава со висока самодоверба.

Стандардната логика, не-монотонската и делот со опис на околности се форми на логика , дизајнирани да го потпомогнат стандардното расудување и квалифицирањето на проблемот. Дизајнирани се неколку додатоци на логиката со цел да се справат со конкретните домени од знаењето, како: описната логика, анализа на околности, анализа на настани, тековна анализа ( за претставување на настани и време), анализа на причини, анализа на претпоставки и модална логика.

Методи на веројатноста и неопределено расудување

Главни статии: Мрежата на Bayes, Скриен Марков модел, Калманов филтер, Теорија на одлука и Теорија на искористивост Многу проблеми на ВИ ( врзани за расудување, учење, перцепирање и роботиката) бараат агент кој ќе оперира со незавршените и неопределените информации. ВИ истражувачите измислија бројни моќни алатки со цел да ги разрешат овие проблеми, користејќи методи од теорија на веројатност и економијата.

Мрежите на Bayes се многу општа алатка која може да се искористи за голем број проблеми: расудување ( користејќи го поврзувачкиот алгоритам на Bayes), учењето ( користејќи го алгоритамот за максимални очекувања), планирање ( преку користење на мрежата за одлучување) и перцепција 9 со користење на динамични мрежи на Bayes). Алгоротмите за веројатност можат да се користат и за филтрирање, предвидување, порамнување и пронаоѓање на појаснувања за проток на информации, за потпомагање на системот за перцепција при анализа на процесите кои се појавуваат прекувремено ( пр. Скриениот Марков модел или Калмановите филтри).

Клучниот концепт на економијата како наука е ‚‚искористивоста: мерката, колку е нешто вредно за еден интелигентен агент. Се развиле доста прецизни математички алатки кои анализираат како еден агент избира и планира, користејќи ја теоријата на одлучување, теоријата на анализа и теоритата на вреднување на информацијата. Овие алатки вклучуваат модели како Марков процес за одлучување, динамична мрежа на одлучување, теорија на игра и маханизмот на дизајнирање.

Класификатори и статистички методи на учење

Главни статии; Класификатори ( математика), Статистичка класификациа и Машинско учење

Наједноставната ВИ апликација може да биде поделена на два типа: класификатори ( ако свети мора да е дијамант) и контролори ( ако свети земи си го за себе). Контролорите сепак, вршат одредена класификација на условите пред преземање на завршните активности, па така, класификацијата претставува централен дел на многу ВИ системи. Класификаторите се функции кои користат соодветни шеми за одредување на најсоодветниот пар. Тие можат да бидат подесени според примероците, што ги прави доста привлечни за користење во ВИ. Овие примери се познати како опсервации или распореди. Во учење под надзор, секоја шема му припаѓа на конкретна и претходно дефинирана класа. Класата може да се разгледува како одлука која треба да биде донесена. Сите опсервации, комбинирани со називите на нивните класи се познати како низи од информации. Кога ќе пристигне некоја нова опсервација, истата се класифицира врз основа на претходното искуство. Класификаторот може да биде обучуван на различни начини, односно, постојат многу статистички пристапи и пристапи на машинско учење. Најчесто користените класификатори се невронските мрежи, кернел методите како што се машините кои работат со вектори, к- алгоритамот „ најблизок сосед“ , мешовитиот модел на Gauss, едноставниот класификатор на Bayes и одлучувачкото дрво. Функционирањето на овие класификатори е споредувана врз основа на широк опсег на задачи. Изведбата на класификаторот во најголема мера зависи од класификацијата на одликите на информациите. Не постои единствен класификатор кој е најдобар за сите дадени проблеми што е поврзано со т.н. нема ништо џабе теорема . Одредување на одговарачки класификатор за конкретен проблем повеќе се смета за умешност отколку наука.

Невронски мрежи

Главни статии: Невронска мрежа и Поврзаност

Невронска мрежа е група со внатрешно, меѓусебно поврзани точки, слична на сложената мрежа на неврони во човечкиот мозок. Проучувањето на вештачките невронски мрежи почнало декада порано од истражувањата во ВИ, со трудовите на Walter Pitts и Warren McCullough. Други поважни рани истражувачи биле Frank Rosenblatt, кој го пронашол перцептронот и Paul Werbos, кој го развил алгоритмот за назадно размножување. Главните мрежни категории се ациклични и насочувачки невронски мрежи ( каде сигналот поминува само во една насока) и повторувачки невронски мрежи (кои обезбедуваат повратни информации). Меѓу најпопуларните насочувачки мрежи се перцептроните, повеќе-слојни перцептрони и мрежи на радијални основи. Меѓу повторувачките мрежи, најславна е Hopfield мрежата, тип на мрежа привлекувач, која за првпат била опишана од страна на John Hopfield во 1982г. Невронската мрежа може да се примени на проблем од интелигентни контроли ( за роботиката) или учење, преку користење на техниките како учењето на Heb и компетитивно учење. Хиерархијата на привремена меморија е пристап кој ги моделира структурните и и алгоритамските одлики на неокортексот.

Теорија на контрола

Теоријата на контрола , внуче на кибернетиката, има многу важни апликации посебно во роботиката.

Јазици

ВИ истражувачите развија неколку специјални јазици за ВИ истражувањата, вклучувајќи ги Lisp и Prolog.

Апликации

Техниките на вештачката интелигенција се продорни и многубројни за да бидат излистани. Честопати, кога една техника ќе почне редовно да се употребува, таа престанува да е вештачка интелигенција, феномен познат како ефект на ВИ.

Натпревари и награди

Постојат бројни натпревари и награди со кои се промовира истражувањето во областа на ВИ. Главните области што се промовираат се: општата машинска интелигенција, комуникациско однесување, проучување на податоците, роботски автомобили, роботски фудбал и игри.

Платформи

Платформа (или компјутерска платформа) е дефинирана како “тип на хардверска структура или софтверска рамка (вклучувајќи ги и рамките на апликациите) кои го стартуваат софтверот. Како што истакнува Rodney Brooks, уште пред многу години, не е софтверот на вештачката интелигенција тој што ги дефинира одликите на платформата, туку напротив актуелната платформа сама по себе влијае на ВИ. Тоа значи треба да се работи на проблемите во ВИ кои се однесуваат на платформите од реалниот свет, а не на оние во изолација. Широк спектар од платформи дозволува различни аспекти за развој на ВИ, почнувајќи од експертски системи, кои иако засновани на компјутер, сепак се системи кои целосно му припаѓаат на реалниот свет, па сè до различни роботски платформи , како што е широко достапниот Roomba со отворен интерфејс.

Поврзано

Квантно пресметување