Станислав Горобченко - Курс Интеллектуальные средства автоматизации. Модуль Конспект лекций и концепт-карты основных тем

Обработка естественного языка – это способность компьютеров анализировать, понимать и синтезировать человеческий язык, включая устную речь. Сейчас мы уже можем управлять компьютерами с помощью обычного языка, используемого в повседневном обиходе. Например, используя Siri или Google assistant.

Кроме того, функционирование ИИ обеспечивают следующие технологии:

– Графика. Существование ИИ невозможно без графических процессоров, так как они предоставляют вычислительные мощности, необходимые для итеративной обработки данных. Для обучения нейросетей необходимы «большие данные» и вычислительные ресурсы.

– Интернет вещей собирает колоссальные объемы данных от подключенных устройств. Большая часть этих данных не проанализирована. Автоматизация моделей с помощью ИИ позволит использовать больше таких данных.

– Разрабатываются и по-новому комбинируются более совершенные алгоритмы, которые позволяют быстрее анализировать больший объем данных сразу на нескольких уровнях. Такая интеллектуальная обработка – ключ к выявлению и прогнозированию редких событий, пониманию сложных систем и оптимизации уникальных сценариев.

– API (программные интерфейсы приложений) представляют собой переносимые пакеты кода, благодаря которым функционал ИИ может быть интегрирован в существующие продукты и пакеты программ. С помощью API можно добавить функцию распознавания изображений в домашнюю систему безопасности или вопросно-ответные функции для описания данных, создания титров и заголовков, обнаружения в данных интересных закономерностей и иной полезной информации.

Группы искусственного интеллекта

Рис. 1.2. Виды искусственного интеллекта в общей системе понятий ИИ.

– Слабый ИИ – то, что уже удалось создать. Такой ИИ способен решать определённую задачу, зачастую даже лучше, чем человек.

– Сильный ИИ – способность машины учиться, мыслить, чувствовать, осознавать себя и принимать решения.

– Суперинтеллект – не только не создали, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей.

Машинное обучение

Машинное обучение – это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо.

Для принятия решения необходимо:

– Алгоритм – специальная программа, которая говорит компьютеру, что делать и откуда брать данные.

– Набор данных – примеры, на которых машина тренируется.

– Признаки – то, на что компьютеру смотреть при принятии решения.

Алгоритмы машинного обучения

– Линейная регрессия – применяют, если есть линейная зависимость между переменными.

– Байесовские алгоритмы – применение теоремы Байеса и теории вероятности.

– Нейронные сети – один из методов глубокого обучения.

Глубокое обучение

– Глубокое обучение – подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные данные.

– Нейронные сети – математические модели, созданные по аналогии с биологическими нейронными сетями. Они способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами.

Искусственные нейронные сети

Рис. 1.3. Модель ИНС

Итоги:

Искусственный интеллект – одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.

Машинное обучение – одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.

Глубокое обучение – лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя сама с помощью данных.

Проблемы искусственного интеллекта

Искусственный интеллект сейчас находится в основном на уровне слабого интеллекта. Например, нет возможности уверенно и точно распознавать ограниченные образы.

Рис. 1.4. Проблема распознавания образов в ИИ

Будущее ИИ

1. ИИ станет умнее человека.

2. ИИ может диагностировать и чинить себя.

3. Питомцы с ИИ

5. О запрете использования ИИ в военных целях

6. Наутилус – электронный Нострадамус

7. Компьютеры, обучающие сами себя

8. Индустрии будущего на основе ИИ

Карта памяти Основные понятия искусственного интеллекта

Рис. 1.5. Карта памяти темы Основные понятия Искусственного интеллекта

Рис. 1.6. Принципы построения систем управления с искусственным интеллектом

Принципы построения самообучающихся систем на основе нейронных сетей

Общие понятия о самообучающихся системах

Самообучающаяся система – это интеллектуальная информационная система, которая на основе примеров реальной практики автоматически формирует единицы знаний.

Примеры реальных ситуаций за некоторый период времени и составляют обучающую выборку. В результате обучения автоматически строятся обобщенные функции или правила. Они определяют принадлежность ситуаций классам, которыми в дальнейшем будет пользоваться система. База знаний из обобщающих правил формируется автоматически. После этого по мере накопления она периодически корректируется.

Виды самообучающихся систем

Различают следующие виды самообучающихся систем:

Индуктивные системы – это самообучающиеся интеллектуальные информационные системы, которые работают на принципе индукции. Они осуществляют классификацию примеров по значимым признакам.

Системы, основанные на прецедентах – это самообучающиеся интеллектуальные информационные системы, которые в качестве единиц знаний хранят прецеденты решений (примеры). По запросу они позволяют подбирать и адаптировать наиболее похожие прецеденты. В таких системах база знаний содержит описания не обобщенных ситуаций, а сами ситуации или прецеденты. Поиск решения проблемы сводится к поиску по аналогии.