Маргарита Акулич - Искусственный интеллект и маркетинг

Если знания формализованы, они являются пригодными для индексирования и поиска на основе контента, интерпретации сценариев, поддержки клинических решений, обнаружения знаний с помощью автоматизированных рассуждений (вывод новых заявлений на основе явно заявленных знаний) и т. д. Видеорепортажи часто представляются в виде правил SWRL, их реально использовать, скажем, для автоматического создания субтитров для ограниченного видео.

Среди наиболее сложных проблем в представлении знаний следующие.

Определение по умолчанию и проблема квалификации. Многие вещи, которые люди знают, принимают форму «рабочих предположений». Например, если в разговоре появляется птица, люди обычно изображают животное размером с кулак, она поет и летит. Ни одна из этих вещей не относится ко всем птицам.

Джон МакКарти определил эту проблему в 1969 году как проблему квалификации: для любого правила здравого смысла, которое должны представлять исследователи AI, существует обычно огромное количество исключений. Почти нет ничего истинного или ложного в том, чего требует абстрактная логика. Исследованиями AI охватывается ряд решений этой проблемы.

Широта знаний здравого смысла . Число атомных фактов, известных среднему человеку, очень велико. Исследовательские проекты, пытающиеся построить полную базу знаний здравого смысла (например, Cyc), требуют огромного количества трудоемкой онтологической инженерии – они должны быть построены вручную с одной сложной концепцией за раз.

Основная цель состоит в том, чтобы компьютер понимал достаточно понятий, чтобы учился, читая из таких источников, как Интернет, и тем самым мог бы добавить к своей собственной онтологии.

Подсимвольная форма некоторого знания здравого смысла . Многое из того, что знают люди, не представлено в виде «фактов» или «заявлений», которые они могли бы выразить в устной форме. Например, мастер шахмат избежит определенной шахматной позиции, потому что он при ней «чувствует себя слишком разоблаченным», или искусствовед может взглянуть на статую и понять, что это подделка. Это бессознательные и субсимволические интуиции или тенденции в мозге человека. Знания, подобные этому, информируют, поддерживают и предоставляют контекст для символических, сознательных знаний. Как и в связанной с этим проблеме подсимвольных рассуждений, есть надежда, что вычислительный AI или статистический AI обеспечит способы представления такого рода знаний.

Планирование

Иерархическая система управления представляет собой форму системы управления, в которой множество устройств и программного обеспечения расположены в иерархии.

Интеллектуальные агенты должны иметь возможность устанавливать цели и добиваться их. Им нужен способ визуализировать будущее – представления состояния мира, они должны иметь возможность делать прогнозы о том, как их действия изменят его, и иметь шанс делать выбор, максимизирующий полезность (или «ценность») доступных вариантов.

В классических задачах планирования агент может предположить, что он является единственной действующей в мире системой, позволяющей ему быть уверенным в последствиях своих действий. Однако, если агент не единственный актер, то от агента потребуется, чтобы он мог обосновать неопределенность. Это требует наличия агента, способного не только оценить свою среду и сделать прогнозы, но и оценить свои прогнозы, и адаптироваться на основе их оценки.

Многоагентным планированием используется сотрудничество и конкуренция многих агентов для достижения заданной цели. Возникающее поведение, такое как это, используется эволюционными алгоритмами и искусственным интеллектом.

Машинное обучение

Машинное обучение, являющееся фундаментальной концепцией исследований AI с момента его создания, занимается изучением компьютерных, автоматически улучшающихся благодаря опыту алгоритмов.

Под неконтролируемым обучением принято понимание способности нахождения шаблонов в потоке ввода. В него включается классификация и численная регрессия. Использование классификации служит определению того, к какой из категорий причисляется обучение. Классификация производится путем просмотра примеров из ряда категорий. Регрессию понимают как попытку создания функции, описывающей взаимосвязь между входами и выходами и предсказания изменений выходных данных при изменении данных входных.

В обучении для подкрепления агента вознаграждают за ответы, считающиеся хорошим, и наказывают за ответы, относящиеся к плохим. Агентом эта последовательность вознаграждений и наказаний используется для формирования стратегии работы в собственном проблемном пространстве.

Все типы обучения можно проанализировать с позиций теории принятия решений с использованием такого понятия, как утилита.

Если говорить о математическом анализе алгоритмов машинного обучения и их эффективности, это имеет отношение к теоретической информатике, известной как теория вычислительного обучения.

В рамках развития робототехники происходит разработка подходов к обучению, чтобы имело место развитие, содействующее накоплению роботами репертуара новых навыков благодаря автономному самопознанию, социальному взаимодействию с преподавателями-людьми и использованию механизмов наведения (использованию активного обучения, созревания, синергии двигателя и т. д.).

Обработка естественного языка

Дерево разбора представляет собой синтаксическую структуру предложения в соответствии с некоторой формальной грамматикой.

Обработка естественного языка дает машинам возможность читать и понимать человеческий язык. Достаточно мощная система обработки естественного языка позволит использовать пользовательские интерфейсы на естественном языке и получить знания непосредственно из письменных источников, таких как тексты новостей. Некоторые простые приложения обработки естественного языка включают в себя поиск информации, интеллектуальную обработку текста, ответы на вопросы и машинный перевод.