Искусственный интеллект

Существует множество различных алгоритмов обучения нейронных сетей, однако наиболее часто используется алгоритм обратного распространения ошибки (error back propagation), входящий в группу алгоритмов «обучения с учителем». Этот итеративный градиентный алгоритм обучения используется с целью минимизации среднеквадратичного отклонения текущих от требуемых выходов многослойных сетей с последовательными связями. При этом сигналы ошибки от выходов нейронной сети распространяются к ее входам, т.е. в направлении, обратном прямому распространению сигналов, с целью соответствующей подстройки весов синапсов. Таким образом, ошибки нейронной сети служат для оценки производных функции ошибок по отношению к регулируемым весам.

Подробное описание алгоритма обратного распространения ошибки приводится в книге «Искусственные нейронные сети» (Круглов, Борисов (2002)).

2. Эволюционные вычисления, т.е. автономное и адаптивное поведение компьютерных приложений. Прежде всего, эта отрасль затрагивает аспекты самовосстановления и самоконфигурирования сложных систем, состоящих из одновременно функционирующих модулей. Помимо этого, к эволюционным вычислениям относятся автономные агенты, несущие в себе функции электронного секретаря, ассистента, отбирающего нужные сведения в Интернете и т.д.

Примером такого агента может быть свободно распространяемая программа, разработанная фирмой GATOR (\v\v\v. gator, com). хотя мнения ее пользователей неоднозначно. Многие фирмы называют GATOR «сетевым паразитом», поскольку ее агент, следя за предпочтениями пользователя Интернет, навязывает ему посещение сайтов со смежной тематикой и тем самым наносит финансовый ущерб, поскольку уводят пользователя к конкуренту. Однако быстрый и хаотичный рост Web-пространства, несомненно, приведет к появлению интеллектуальных автономных агентов нового поколения, способных к самообучению, взаимодействию с себе подобными и проявляющим самостоятельность при принятии решений. Однако отношение общества к таким «работникам» пока трудно предсказать.

3. Экспертные системы (ЭС), создание которых традиционно считается классическим занятием специалиста по ИИ. Под ЭС понимают систему (чаще всего воплощенную в виде компьютерной программы), основанную на знаниях экспертов, помогающую специалисту при принятии решений. В каждой области человеческой деятель-

носги существуют знания, которые трудно формализовать математическими формулами, что и обусловило появление ЭС, а сама задача получения знаний выделилась в новое направление инженерии знаний (четкая формулировка знаний эксперта-специалиста и внесение их в базу знаний компьютера).

Для ответа на поставленные пользователем вопросы требуется система извлечения ответов, называемая машиной логического вывода или интерпретатором. В качестве такой системы, компанией PDC был предложен особый инструмент в программировании приложений ИИ - декларативный язык программирования Visual Prolog (или язык Программирования ЛОГики), работа которого основана на исчислении предикатов первого порядка. Полное описание языка и обзор по экспертным системам можно найти в книге (Адаменко, Ку-чуков (2003)). Как уже было сказано, Visual Prolog язык декларативный, что отличает его от традиционных процедурных языков типа С и Basic. В процедурных языках программист должен четко прописать пошаговый алгоритм решения задачи, а в декларативном языке нужно предоставить только описание задачи и основные правила для ее решения. Урезанную по возможностям версию языка Visual Prolog (Visual Prolog 6.1 Personal Edition) можно бесплатно скачать с сайта www.visual-prolog.com.

Из наиболее известных примеров ЭС можно отметить экспертносправочную систему Сус (en-Cyc-lopedia), разработанную компанией Сусогр ( www.cvc.com). Эта система содержит более 1 млн. утверждений, охватывает все области знаний и способна делать логические выводы. Кстати, широко известный «скрепыш» - помощник офисных приложений компании Microsoft (Office Assistant), является ни чем иным как самоорганизующейся экспертной системой, в задачу которой входит конфигурирование справочной системы Microsoft Office в соответствии с часто затрагиваемыми темами. Для этих целей «скрепыш» постоянно отслеживает поведение пользователя в рамках семейства офисных программ.

4. Нечеткая логика(fuzzy logic) - направление, предложенное в 1965 году профессором Калифорнийского университета Лофти Заде, сочетающее в себе подходы математической логики и теории вероятностей. В нечеткой логике, в отличие от обычной, высказывания бывают не только истинными или ложными, что позволяет учитывать неопределенности при моделировании ИИ. Для решения практических задач в этой области, качественные переменные описываются некоторой функцией распределения, после чего они уже используются как точные (например, с помощью нечеткой логики можно более точно определить понятие величины дохода человека - «маленький», «средний», «большой», «очень большой»). Согласно знаменитой теореме FAT (Fuzzy Approximation Theorem), доказанной Б. Кос-ко (Kosko (1992)), «любая математическая система может быть аппроксимирована системой, основанной на нечеткой логике.

Основные исследования в области нечеткой логики проводятся в США и Японии, а в числе результатов этих исследований - многочисленные микрочипы, используемые как в бытовой технике (стиральные машины, СВЧ-печи), так и в моторных отсеках автомобилей, в поездах метрополитена и т.д. Свое место нечеткие системы управления нашли в военной технике (например, при проектировании «умных» ракет).

Классическим примером использование нечеткой логики в системах управления стал эксперимент по управлению грузовиком при въезде в узкий гараж. Не делая никаких лишних движений, грузовик каждый раз без труда находил оптимальный путь для заезда. Система, управляющая грузовиком и заменяющая водителя, включала в себя всего лишь небольшой набор нечетких правил типа «если капот направлен влево, то возьми правее» и т.д. (всего 35 правил и 12 нечетких условий). Разработка такой системы посредством обычного математического аппарата потребовала бы на порядок больших усилий, да и вообще могла бы давать сбои в процессе эксплуатации.

Изложение основ нечеткой логики заняло бы слишком много места, поэтому для более детального изучения этого направления мы можем порекомендовать бестселлер Барта Коско (Kosko (1992)), в котором приводится фундаментальное изложение теории нечетких множеств.

Среди русскоязычных источников представляют интерес книги (Левнер, Птускин, Фридман (1998)), (Пивкин, Бакулин, Кореньков (1998)), а также научно-популярная статья А. Масаловича (Масалович (1995)). Кроме того, большая подборка материалов в этой области выложена по адресу: