Маргарита Акулич - Искусственный интеллект и маркетинг

Кибернетика и вычислительная нейронаука

В 1940-х и 1950-х годах ряд исследователей исследовали связь между нейробиологией, теорией информации и кибернетикой. Некоторыми из них построены машины, использующие электронные сети для проявления элементарного интеллекта. Многие из этих исследователей собирались на собрания Телеологического общества в Принстонском университете и клуба Ratio в Англии. К 1960 году этот подход оказался в значительной степени заброшенным, хотя его элементы были возрождены в 1980-х годах.

Символический AI

Когда в 1950-х годах (в их середине) стал возможным доступ к цифровым компьютерам, исследования AI начали изучать возможность того, что человеческий интеллект может быть сведен к манипулированию символами. Исследования были сосредоточены в трех учреждениях. Это Университет Карнеги-Меллона, Стэнфордский университет и Массачусетский технологический институт, и каждым из которых была осуществлена разработка собственного исследовательского стиля. Джоном Хаугеландом данные подходы к AI были названы «добрым старомодным AI».

В 1960-х годах имело место достижение символическими подходами заметных высот успешности при моделировании мышления высокого уровня в не крупных программах демонстрационного типа. Подходы, базой которых была кибернетика или нейронные сети, были отброшены либо отодвинуты на задний план. В 1960-х и 1970-х годах исследователи имели убеждение, что символические подходы в итоге обеспечат создание машины с искусственным общим интеллектом, для них это была цель в их области.

Когнитивное моделирование

Экономистами Гербертом Симоном и Алленом Ньюэллом осуществлялось изучение навыков решения проблем людей. Ими предпринимались попыики их

их формализации, а их работа заложила фундамент области AI, когнитивной науки и исследований в сферах исследований и управления. Их исследовательской командой использовались результаты экспериментов психологического плана в целях разработки программ, имитирующих методы, используемые людьми для решения проблем. Данная традиция, сосредоточенная в Университете Карнеги-Меллона, в итоге завершилась развитием архитектуры Soar в 1980-х годах (в их середине).

Логический подход

В противовес Ньюэллу и Саймону, Джон Маккарти полагал, что машинам не надо обеспечивать моделирование человеческой мысли, вместо этого следует попытаться найти суть абстрактных рассуждений и добиться решения проблем, независимо от того, использовались ли людьми одни и те же алгоритмы.

Его лаборатория в Стэнфорде (SAIL) сосредоточилась на использовании формальной логики для решения широкого круга проблем, включая представление знаний, планирование и обучение. Логика была также в центре внимания работы в Университете Эдинбурга и в иных местах в Европе, что привело к разработке языка программирования Prolog и науки логического программирования.

Анти-логические или неряшливые подходы и подход, базирующийся на знаниях

Исследователями из Массачусетского технологического института (такими как Марвин Мински и Сеймур Паперт) было обнаружено, что решению отличающихся сложностью проблем в области видения и обработки естественного языка требуются специальные решения. Они утверждали, что не существует простого и общего принципа (например, логики), который бы охватывал все аспекты интеллектуального поведения. Роджер Шенк описал свои «анти-логические» подходы как «неряшливые» (в отличие от «опрятных» парадигм Стэнфорда). Базы знаний общего пользования являются примером «потрепанного» AI, и они должны быть построены вручную.

Когда в 1970 году появились компьютеры с большими воспоминаниями, разные исследователи начали создавать знания в приложениях AI. Данной «революцией знаний» было положено начало разработке и внедрению экспертных систем (они были введены Эдвардом Фейгенбаумом), самой первой по-настоящему удачной формы программного обеспечения AI.

Революция знаний также была обусловлена осознанием, что многие простые знания будут нуждаться в огромном количестве других знаний.

Интеграция подходов. Архитектуры агентов и когнитивные архитектуры

Интеллектуальный агент представляет собой систему, воспринимающую свою окружающую среду и предпринимающую действия, максимизирующие свои шансы на успех. Простейшими интеллектуальными агентами являются программы, решающие конкретные проблемы. Более сложные агенты включают отдельных людей и организации людей (например, фирмы).

Парадигма дает исследователям шанс на изучение изолированных проблем и поиск решений, являющихся поддающимися проверке и полезными, без согласия на единый подход.

Решающим определенную проблему агентом может использоваться любой работающий подход. Некоторые агенты являются символическими и логическими, некоторые из них являются суб символическими нейронными сетями, а другими могут использоваться новые подходы. Парадигма также дает исследователям общий язык для общения с иными областями – например, с теорией принятия решений и экономикой, также использующими понятия абстрактных агентов.

Парадигма интеллектуального агента стала широко распространенной в 1990-х годах.

Исследователи разработали системы для создания интеллектуальных систем из взаимодействующих интеллектуальных агентов в многоагентной системе.

Система с символическими и суб символическими компонентами представляет собой гибридную интеллектуальную систему, а изучение таких систем – интеграцию систем искусственного интеллекта. Иерархическая система управления обеспечивает мост между суб символическим AI на самом низком уровне, реактивным и традиционным символическим AI на самом высоком уровне, где смягченные временные ограничения позволяют обеспечивать моделирование планирования по всему миру.

Поиск и оптимизация, математические инструменты, глубокое обучение