Студопедия.Орг Главная | Случайная страница | Контакты | Мы поможем в написании вашей работы!  
 

Эволюция первых работ по искусственному интеллекту



Здесь мы очень кратко рассмотрим историю первых работ в области искусственного интеллекта в век компьютеров, сократив её до четырех этапов (см. табл. 1.1). Тем самым мы её, конечно, существенно упростим, но ключевые моменты развития этих исследований в середине и второй половине прошлого века в ней будут отражены.

Таблица 1.1

Годы Парадигма Исполнители Система
50-е Нейронные сети Розенблатт (Винер, Маккаллок) PERCEPTRON
60-е Эвристический поиск Ньюэл, Саймон (Шеннон, Тьюринг) GPS
70-е Представление знаний Шортлифф (Минский, Маккарти) MYCIN
80-е Обучающиеся машины Ленат (Сэмюэл, Холланд) EURISCO

В колонке «Парадигма» помещен тот ответ, который вы получили бы в то время, если бы спросили специалиста по искусственному интеллекту, чему посвящены исследования в этой области.

В колонке «Исполнители» показаны одна-две основные фамилии ученых, которые, по-видимому, характеризуют собой дух искусственного интеллекта в этот период (под основными исполнителями в круглых скобках помещены фамилии теоретиков, заложивших основы исследований в рамках соответствующей парадигмы).

Наконец, в колонке «Система» приведены типичные системы (далеко не все и не обязательно лучшие из них), в которых нашли отражение тенденции или модные в соответствующий период истории течения.

Нейронные сети. В 50-х годах исследователи в области искусственного интеллекта пытались строить разумные машины, имитирующие мозг. Разумеется, эти попытки оказались тщетными, поскольку аппаратные и программные средства были ещё непригодны для такого дела. Типичным примером систем такого типа является указанный в табл. 1.1 PERCEPTRON. Он представлял собой самоорганизующийся автомат, который можно считать грубой моделью работы сетчатки глаза человека. Его можно было научить узнавать образы, но, как позже показали Минский и Пейперт, это был лишь ограниченный класс зрительных образов.

Энтузиазм в отношении систем, подобных системе Розенблатта, был основан на теоретических работах кибернетиков Норберта Винера и Уоррена Маккалока по абстрактным нейронным сетям. Считалось, что если взять сильно связанную систему модельных нейронов, которой вначале ничего не известно, применить к ней программу тренировки из поощрений и наказаний, то в конце концов она будет делать всё, что требуется ее создателю. При этом не принималось во внимание, что мозг человека содержит 1010 нейронов, каждый из которых по сложности соответствует примерно микрокомпьютеру, реализованному на одном кристалле и способному выполнять сравнительно небольшую программу.

Поскольку экспериментальные результаты, полученные Розенблаттом, были недостаточно хороши, воображением специалистов по искусственному интеллекту овладела новая идея.

Эвристический поиск. Новые рубежи в конце 50-х – начале 60-х годов наметили Аллен Ньюэлл и Герберт Саймон из университета Карнеги-Меллона (США). Они решили, что моделировать следует не мозг, а мышление человека. Ньюэлл и Саймон считали, что мышление человека основано на операциях над символами (сравнение, поиск, модификация символов и т. п.), которые могут выполняться и компьютером. Решение задач им представлялось как поиск путем перебора вариантов применения возможных операций. Начали Ньюэлл и Саймон с разработки программы доказательства теорем математической логики, затем перешли к программам моделирования шахматной игры. Необозримость множества возможных вариантов развития каждой шахматной позиции заставила их обратиться к изучению человеческих способов сокращения перебора за счет применения эвристик (основанных на опыте правил выбора приоритетных направлений поиска решения), что сделало эвристический поиск центральным в их подходе. В процессе этих исследований был найден ряд приемов сокращения перебора: выдвижение гипотез и возврат при неудаче («поиск в глубину»), локальная оптимизация («подъем на холм»), иерархическая декомпозиция (разбиение) сложных задач на всё более простые подзадачи, рекурсия.

Полученные результаты позволили Ньюэллу и Саймону переключить внимание на поиск общих методов, применимых к обширному спектру задач, что привело их к созданию системы GPS (General Problem Sоlver – общий решатель задач). Универсальность системы GPS заключалась в том, что не было конкретного указания, к какой области относится задача, пользователь должен был сам задать проблемную среду в терминах ее объектов и применимых к этим объектам операций. Но на деле эта универсальность относилась лишь к ограниченной области математических головоломок и различных игр с относительно небольшим множеством cocтояний и четко определенных формальных правил. Как и большинство ее современниц, система GPS функционировала в таком формализованном микромире, где возникающие проблемы (например, задача «Ханойская башня» или задача «о миссионерах и людоедах»), с точки зрения людей, проблемами и не являются.

Авторы проекта создания универсального решателя задач также стали жертвой неоправданного оптимизма, но работа над ним привнесла в исследования по ИИ ряд упомянутых выше ценных идей.

Представление и использование знаний. Система GPS не была способна решать задачи реальной сложности. Поэтому в 70-х годах группа ученых во главе с Эдвардом Фейгенбаумом из Станфордского университета отказалась от безнадежного поиска эффективных универсальных эвристик и поставила задачу добиться эффективности за счет специализации систем ИИ и использования знаний и навыков (приемов и неформальных правил) специалистов. На этом пути были созданы первые экспертные системы. Хотя система анализа масс-спектрограмм химических соединений DENDRAL и является прототипом всех экспертных систем, но её дочерняя система MYCIN, созданная под руководством медика Шортлиффа, оказала гораздо большее влияние на идеологию и развитие экспертных систем.

Система MYCIN – это компьютерная система, способная диагностировать бактериальные инфекции крови и давать рекомендации по лекарственной их терапии. Она положила начало созданию целой серии медико-диагностических систем, используемых в рутинной клинической практике. Ряд характеристик системы MYCIN стали отличительной чертой всех экспертных систем.

Во-первых, медицинские знания MYCIN представляют собой сотни правил-продукций, подобных следующему:

если (1) инфекция представляет собой первичную бактеримию,

и (2) место взятия культуры является стерильным,

и (3) предполагается, что организм проник через желудочно-кишечныи тракт,

то (с уверенностью 0,7) этот организм носит бактериальный характер.

Во-вторых, Шортлифф разработал схему с использованием коэффициентов уверенности, позволяющую системе на основе даже ненадежных данных приходить к правдоподобным заключениям.

В-третьих, система MYCIN была способна объяснять пользователю (лечащему врачу) ход своих рассуждений и причины задаваемых ему вопросов, благодаря чему существенно снималось недоверие к машинному диагнозу. Достигнутая системой степень «дружественности» по отношению к пользователю была прямым следствием представления медицинских знаний в виде правил-продукций: если пользователь хотел узнать, почему ему был задан данный вопрос, система просто сообщала ему последовательность правил, приведшую к этому вопросу.

В-четвертых, и самое главное, система MYCIN действительно эффективно работала, выполняя работу, которой люди обучаются годами.

В-пятых, на основе системы MYCIN была создана первая «оболочка» экспертных систем. Так, система PROSPECTOR для разведки полезных ископаемых была построена путем замены медицинских знаний (системы правил-продукций) на геологические. То, что при этом перешло в новую экспертную систему неизменным, было названо оболочкой (от англ. shell – скорлупа, оболочка).

Приобретение знаний путем обучения машин. Итак, 80-е годы оказались периодом очередного раунда необузданного оптимизма, охватившего теперь не только замкнутую в себе область ИИ, но и людей, занятых информатикой, вычислительной техникой и обработкой данных. На этот раз магическим катализатором стали знания, потому что от обширности и качества знаний зависит успех экспертной системы. Сейчас можно констатировать, что на этот раз энтузиазм был оправданным, хотя и не вполне, т. к. на пути к массовому производству знаний для компьютера были выявлены значительные трудности. Пытаясь снять эти трудности, Дуг Ленат (Станфордский университет) использовал алгоритмы обучения Сэмюэла и Холланда, основанные на принципах естественного отбора и генетики, для создания машинной обучающейся системы EURISCO, способной автоматически улучшать и расширять свой запас эвристических правил.

Нет сомнения, что программы машинного обучения станут важнейшим этапом в развитии искусственного интеллекта в последующие десятилетия, так как до сих пор перенесение знаний и навыков специалистов в базу знаний экспертной системы остается сложной и долгой процедурой.

Созданием EURISCO завершился первый виток спирали в развитии искусственного интеллекта, поскольку машинное обучение и было той проблемой, с которой начинали кибернетики 50-х годов прошлого столетия.





Дата публикования: 2014-11-02; Прочитано: 638 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!



studopedia.org - Студопедия.Орг - 2014-2024 год. Студопедия не является автором материалов, которые размещены. Но предоставляет возможность бесплатного использования (0.007 с)...