Перспективные направления развития систем искусственного интеллекта

Введение

В фильме “Матрица. Перезагрузка” герой говорит: “Одни машины помогают нам жить, а другие убивают нас. Любопытно, правда? Способность даровать жизнь и лишать ее”. Безусловно, что эта фраза заставляет задуматься каждого из нас.
Искусственный интеллект, машинное и глубокое обучение в настоящее время уже являются неотъемлемой частью большинства современных предприятий. Зачастую данные термины применяют как синонимы, однако разница в их определении есть.
Отметим, что именно лавинообразный рост информации в современном мире частично является причиной прорыва в области искусственного интеллекта, так как информация – это основа обучения искусственного интеллекта. При этом сегодня одним из самых популярных методов машинного обучения выступают глубокие нейронные сети.
Актуальность вопроса состоит в том, что основной целью исследований в области искусственного интеллекта в настоящее время является создание таких систем, которые, с одной стороны, способны использовать большое количество знаний, передаваемых им специалистами, а с другой – могу вступать в диалог и, соответственно, объяснять свои собственные выводы. Это, в свою очередь, предполагает наличие эффективного управления базой знаний, большой по объему и хорошо структурированной.
Алгоритмы автоматического обучения сегодня являются неотъемлемой частью современного мира. Несмотря на то, что все это скорее напоминает научную фантастику, однако на самом деле работа всех современных интерфейсов приложений, сервисов и многих других цифровых устройств основана именно на инновационных алгоритмах искусственного интеллекта, а также машинного обучения.
В настоящее время анализ и исследование потенциальных изменений, которые может повлечь за собой искусственный интеллект и его широкое применение, выступают крайне важными аспектами.
Цель работы – исследование перспективных тенденций развития систем искусственного интеллекта. Поставленная цель предполагает решение следующих задач:
рассмотреть понятие и сущность искусственного интеллекта;
исследовать работу искусственного интеллекта и современные примеры его использования;
проанализировать перспективные тенденции развития систем искусственного интеллекта.
Степень исследованности проблемы. В последние годы тематике искусственного интеллекта в целом уделяется значительное внимание. Вопросам, касающимся данной темы, посвящены труды авторов: К.К. Иванова, В.М. Лужина и Д.В. Кожевникова; С.С. Гусева; А.В. Созыкина; Е.И. Горожаниной, а также многих других.
При написании работы использовались такие методы, как теоретическое обоснование темы, анализ и синтез, изучение научных источников, а также их сравнительный анализ.


1 Теоретические аспекты искусственного интеллекта: понятие и сущность
Можно себе только представить: 30 лет назад была опубликована книга Стивенана Хокинга «Краткая история времени», Стив Джобс анонсировал компьютеры NeXT, на экраны вышел первый «Крепкий орешек», а всемирную паутину (World Wide Web) еще не изобрели. Многое за это время изменилось. Интересно, многое ли изменится еще через 30 лет?
Начнем с того, что зачастую термины искусственный интеллект (ИИ), машинное обучение и глубокое обучение применяются бессистемно в качестве взаимозаменяемых, однако, на самом деле, между ними есть определенные различия. Далее, рассмотрим данные термины подробнее.
Искусственный интеллект является широким понятием, которое касается передового машинного интеллекта. Искусственный интеллект (Artificial Intelligence) означает, что компьютер тем или иным образом имитирует поведение человека.
Впервые термин «artificial intelligence» был предложен в 1956 году на конференции в городе Ганновере (США), посвященной разработке методов решения логических задач [4, с. 16]. На рисунке 1 представлены этапы развития искусственного интеллекта.

Рисунок 1 – Этапы развития искусственного интеллекта
А.А. Уруновым и И.Б. Родиной искусственный интеллект определяется как наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ [7, с. 139]. При этом искусственный интеллект может относиться как к компьютерным программам для игр в шахматы, так и к системам распознавания речи таким, как голосовой помощник Amazon Alexa, который способен воспринимать речь, а также отвечать на вопросы [8].
Само понятие «искусственного интеллекта» ничего не говорит о том, каким образом данные задачи решаются. Между тем имеется множество разных методов, в том числе методы, основанные на правилах или экспертных системах. Так, машинное обучение, как одну из категорий методов стали особенно широко применять в 1980-х годах.
Машинное обучение (ML, Machine Learning) – это одно из направлений искусственного интеллекта, состоящее из методов, которые позволяют компьютерам делать выводы на основе данных и предоставлять ИИ-приложениям. Необходимо отметить, что нет данных – нет и машинного обучения.
Но, если машинное обучение – это, прежде всего, подражание тому, как люди учатся, то почему бы не пройти весь путь и не попытаться имитировать человеческий мозг? Данная идея лежит в основе нейронных сетей.
Так, глубокое обучение (DL, Deep Learning) – это расширенный случай машинного обучения, предоставляющее компьютерам возможность решать более сложные задачи. Другими словами, глубокое обучение – это использование нейронных сетей с большим количеством нейронов, слоев и взаимосвязей, которые могут имитировать принятие решений человеком.
Deep learning представляет собой инновационное направление в области машинного обучения, введенное с целью приближения машинного обучения к одной из его первоначальных целей – искусственному интеллекту. Здесь отметим, что для генерации сложного процесса логического мышления сам по себе код глубинного обучения недостаточен, однако он является базовым компонентом всех действующих ИИ [6, с. 74].
В будущем время обучения искусственного интеллекта будет существенно сокращено [5], а это, в свою очередь, незамедлительно будет способствовать повышению эффективности моделей машинного и глубинного обучения.
Искусственный интеллект относится к устройствам, которое проявляет в той или иной форме человекоподобный интеллект. Существует множество разных методов искусственного интеллекта, однако одно из подмножеств этого большего списка - машинное обучение - позволяет алгоритмам учиться, не будучи запрограммированными на это, на наборах данных.
Глубокое обучение - это подмножество машинного обучения, которое использует многослойные нейронные сети для решения самых сложных (для компьютеров) задач.
Отметим также, что последние достижения науки в области развития систем искусственного интеллекта позволяют вывести процессы автоматизации производства на качественно новый уровень. Наряду с уже использующимися системами роботизированного производства, внедрение искусственного интеллекта в управление производственными процессами значительно расширяет возможности технологических систем.
Можно привести несколько примеров систем искусственного интеллекта, которые существуют в настоящее время: автономное планирование и составление расписаний, ведение игр, автономное управление, медицинские диагностические программы, основанные на вероятностном анализе, сумели достичь уровня опытного врача в нескольких областях медицины, обеспечение автоматизированного планирования поставок и составления графиков перевозок, робототехника (многие хирурги теперь используют роботов-ассистентов в микрохирургии), понимание естественного языка и решение задач, управлении собственностью, банки применяют системы искусственного интеллекта в страховой деятельности.
Исследование возможностей внедрения информационных технологий, к примеру, при эксплуатации высокотехнологического медицинского оборудования, как роботизированные и реабилитационные хирургические комплексы, а также навигационные системы, представляются очень актуальными, а главное востребованными в клинической практике

.
В настоящее время анализ и исследование потенциальных изменений, которые могут повлечь за собой интеллектуальные технологии и их широкое применение, выступают крайне важными аспектами.


2 Описание работы искусственного интеллекта и примеры использования сегодня
Начнем с того, что для решения задач обычные компьютеры применяют алгоритмы. Последовательность инструкций приводит к пошаговому выполнения действий с целью получения результатов. Традиционные формы искусственного интеллекта основываются на базах знаний, а также механизмах логического вывода, использующим, в свою очередь, различные механизмы для работы с базой знаний через пользовательский интерфейс.
Данные сети состоят из искусственных нейронов, которые имитируют нейроны в человеческом мозге, отвечающие за наше мышление и обучение. При этом каждый нейрон является узлом сложной взаимосвязи, связывающей многие нейроны с другими посредством синапсов. Искусственная нейронная сеть имитирует эту сеть. Пример такой структуры приведен на рисунке 2.

Рисунок 2 – Пример структуры
На рисунке 2 можно видеть три слоя: слой 1 – входной, в котором сеть принимает внешние входные данные. Слой 2 является скрытым слоем, не являющийся частью ни входа, ни выхода. Здесь стоит подчеркнуть, что нейронные сети могут иметь несколько скрытых слоев (на рисунке 2 представлен один). Слой 3, в свою очередь, является исходным слоем.
Таким образом, искусственный нейрон – это узел нейронной сети, который представляет собой упрощенную модель естественного нейрона. Если рассматривать с математической точки зрения – это сумматор всех входящих сигналов, который применяет к полученной сумме некоторую простую функцию [1, с. 12].
Можно представить данные сети в виде соединенных слоев с узлами. Каждый узел принимает взвешенный вход, активирует активационную функцию для суммы входов и генерирует выход. По весу берутся числа (не бинарные), которые затем умножаются на входе и суммируются в узле.
Структурная схема модели искусственного нейрона приведена на рисунке 3. При этом нейроны оперируют числами в диапазоне [0,1] или [-1,1]. Если числа выходят за пределы диапазона, то производится их нормализация.

Рисунок 3 – Структурная схема модели искусственного нейрона
В данном случае входные сигналы xi (i = 1, 2, …, n) суммируются с учетом соответствующих весов Wi в сумматоре (S). Выходной сигнал нейрона yi определяется следующей зависимостью [1, с. 12]:
yi=Fi=1nxiWi,
где FS-функция активации.
Здесь необходимо дать определения следующим понятиям. Функция активации (активационная функция, функция возбуждения) представляет собой функцию, вычисляющую выходной сигнал искусственного нейрона. В качестве аргумента принимает сигнал Y, получаемый на выходе входного сумматора.
Наиболее часто используются три функции активации, основное отличие которых состоит в диапазоне значений:
жесткая пороговая функция;
сигмоидальная функция или сигмоид;
гиперболический тангенс.
Примеры активационных функций представлены на рисунке 4.

Рисунок 4 - Примеры активационных функций: а) пороговая; б) линейная; в) лог-сигмоидная; г) гиперболический тангенс
Тренировочный сет представляет собой последовательность данных, которыми оперирует нейронная сеть. Итерация же – это своеобразный счетчик, увеличивающийся каждый раз, когда нейронная сеть проходит один тренировочный сет. Другими словами, это общее количество тренировочных сетов пройденных нейронной сетью.
Примером искусственного интеллекта, который использует неконтролируемое машинное обучение - робот-предсказатель поведения клиентов интернет магазина. Он обучается, не используя заранее известные входные и выходные данные. Вместо этого он должен самостоятельно классифицировать входные данные. Алгоритм должен определить и сообщить вам, какой тип пользователей предпочитает какие продукты.
В результате прогресса в технологиях распознавания естественного языка машины уже заменяют журналистов в некоторых жанрах. Лучше всего искусственный интеллект справляется с подготовкой аналитических текстовых материалов в тематиках вроде финансов и спорта, где важную роль играют числа. Компании Narrative Science и Automated Insights внушают журналистам страх, разрабатывая умные генераторы текстов для Forbes, Associated Press, Yahoo News и других всемирно известных изданий.
Кроме этого, специалисты Google в рамках проекта Magenta, попытаются развить креативные возможности машин в сфере музыки и визуального искусства. В основе проекта богатые наработки подразделения Google Brain team, которое занимается вопросами машинного интеллекта. Благодаря инженерам и программистам этой компании, искусственный интеллект научился разрабатывать свой собственный метод шифрования. Роботы не только учатся создавать произведения, которые необходимо охранять в рамках авторского права, но и активно вторгаются на территорию патентного права - начинают изобретать.


3 Перспективные тенденции развития систем искусственного интеллекта
Ключевым фактором, определяющим сегодня развитие ИИ-технологий, считается темп роста вычислительной мощности компьютеров, так как принципы работы человеческой психики по-прежнему остаются неясными (на доступном для моделирования уровне детализации). Поэтому тематика ИИ-конференций выглядит достаточно стандартно и по составу почти не меняется уже довольно давно. Но рост производительности современных компьютеров в сочетании с повышением качества алгоритмов периодически делает возможным применение различных научных методов на практике. Так случилось с интеллектуальными игрушками, так происходит с домашними роботами.
Снова будут интенсивно развиваться временно забытые методы простого перебора вариантов (как в шахматных программах), обходящиеся крайне упрощенным описанием объектов. Но с помощью такого подхода (главный ресурс для его успешного применения - производительность) удастся решить, как ожидается, множество самых разных задач (например, из области криптографии). Уверенно действовать автономным устройствам в сложном мире помогут достаточно простые, но ресурсоемкие алгоритмы адаптивного поведения. При этом ставится цель разрабатывать системы, не внешне похожие на человека, а действующие, как человек.
Отметим, что именно лавинообразный рост информации в современном мире частично является причиной прорыва в области искусственного интеллекта, так как информация – это основа обучения искусственного интеллекта.
Ключевым принципом машинного обучения является то, что машины получают данные и затем «обучаются» на них. Сегодня машинное обучение является перспективным инструментом для бизнеса, основанным на искусственном интеллекте. Системы машинного обучения позволяют быстро применять знания, которые были получены при обучении на больших наборах данных, что, в свою очередь, позволяет преуспевать в разного рода задач таких, как распознавание лиц, распознавание речи, распознавание объектов, перевод, и многих других.
Основная задача машинного обучения состоит в следующем:
Этап № 1 – обучение с учителем.
На входе: данные – выборка претендентов «объект-ответ», на выходе: алгоритм, по любому объекту предсказывающий ответ.
Этап № 2 – применение.
На входе: данные – новый объект, на выходе – предсказание ответа на новом объекте.
Наиболее важным представляется то, что машинное обучение сегодня это:
одна из основных информационных технологий будущего;
успешное направление искусственного интеллекта, которое вытеснило экспертные системы и инженерию знаний.
Стремительное развитие технологий интеллектуального управления и обработки информации на фоне научных открытий в области энергетики, машиностроения, микропроцессорной техники и телекоммуникационных систем, обуславливают новый этап в производстве и применении интеллектуальных робототехнических систем.
Развитие искусственного интеллекта, его совершенствование в XXI веке все больше находит свое решение в нейронных сетях [2, с