Основные подходы к моделированию интеллектуальных процессов

    Министерство  образования и науки Российской Федерации

    Государственное образовательное учреждение

    Высшего профессионального образования

    «Северный (арктический) федеральный университет М.В.Ломоносова» 
 
 
 

    РЕФЕРАТ ПО ФИЛОСОФИИ НА ТЕМУ

     ОСНОВНЫЕ  ПОДХОДЫ К МОДЕЛИРОВАНИЮ ИНТЕЛЛЕКТУАЛЬНЫХ ПРОЦЕССОВ 
 
 
 
 

     Выполнила студентка

     1 курса магистратуры «психофизиология»

     Никитина  Полина 
 
 
 
 
 
 

     Архангельск ,2012 
Введение

     Современное общество и темпы прироста информации требуют создания искусственного интеллекта.

     Искусственный интеллект (ИИ) обычно трактуется как свойство автоматических систем брать на себя отдельные функции мыслительной способности человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Речь идет, в первую очередь, о системах, в основу которых положены принципы обучения, самоорганизации и эволюции при минимальном участии человека, но привлечении его в качестве учителя и партнёра, гармоничного элемента человеко-машинной системы.

     Естественно, что попытки создать искусственный интеллект на базе компьютеров начались на заре развития компьютерной техники.

     Переработка информации в любых интеллектуальных системах основывается на использовании  фундаментального процесса – обучения. Образы обладают характерными объективными свойствами в том смысле, что разные распознающие системы, обучающиеся на различном материале наблюдений, большей частью одинаково и независимо друг от друга классифицируют одни и те же объекты. Именно эта объективность образов позволяет людям всего мира понимать друг друга. Обучением обычно называют процесс выработки в некоторой системе специфической реакции на группы внешних идентичных сигналов путем многократного воздействия на распознающую систему сигналов внешней корректировки. Механизм генерации этой корректировки, которая чаще всего имеет смысл поощрения и наказания, практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе не сообщается.

     Единого ответа на вопрос, чем занимается искусственный  интеллект, не существует. Почти каждый автор, пишущий книгу об искусственном интеллекте, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

     В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга илигипотеза Ньюэлла — Саймона. Поэтому, несмотря на наличие множества подходов как к пониманию задач искусственного интеллекта, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке искусственного интеллекта:

• Нисходящий, семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневыепсихические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий, биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких

     Рассмотрим  некоторые подходы к реализации искусственного интеллекта.  

      Символьный подход

     Исторически символьный подход был первым в эпоху  цифровых машин. Символьный подход позволяет  оперировать слабоформализованными  представлениями и их смыслами. От умения выделить только существенную информацию зависит эффективность  и результативность решения задачи.

     Но  широта классов задач, эффективно решаемых человеческим разумом, требует невероятной  гибкости в методах абстрагирования. А это недоступно при любом  инженерном подходе, в котором исследователь  выбирает методы решения, основываясь на способности быстро дать эффективное решение какой-то наиболее близкой этому исследователю задачи. То есть уже за реализованную в виде правил единственную модель абстрагирования и конструирования сущностей. Это выливается в значительные затраты ресурсов для непрофильных задач, то есть система от интеллекта возвращается к грубой силе на большинстве задач, и сама суть интеллекта исчезает из проекта.

     Основное  применение символьной логики — это решение задач по выработке правил. Большинство исследований останавливается как раз на невозможности хотя бы обозначить новые возникшие трудности средствами выбранных на предыдущих этапах символьных систем, тем более решить их и тем более обучить компьютер решать их или хотя бы идентифицировать и выходить из таких ситуаций.

     Логический  подход

     Логический  подход к созданию систем искусственного интеллекта направлен на создание экспертных систем с логическими моделями баз  знаний с использованием языка предикатов (в первую очередь, знакомый всем оператор IF ["если"]). Практически каждая система искусственного интеллекта, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода – как отношения между ними.

     Для большинства логических методов  характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.

     Добиться  большей выразительности логическому  подходу позволяет такое сравнительно новое направление, как нечеткая логика. В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных  формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на более высоком уровне абстракции, при котором постулируется лишь минимальный набор закономерностей. Данный подход больше похож на мышление человека, который редко отвечает на вопросы только “да” или “нет”.

     В целом исследования проблем искусственного интеллекта в рамках логического  подхода к проектированию баз  знаний и экспертных систем направлены на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы обучения студентов и школьников, а также подготовки пользователей и разработчиков таких интеллектуальных информационных систем.

     Методы самоорганизации и эволюционный подход

     Под термином самоорганизация понимается как процесс самопроизвольного (спонтанного) увеличения порядка, или организации в системе, состоящей из многих элементов, происходящий под действием внешней среды.

     Принципы  самоорганизации были предметом исследования многих ученых. Большой вклад в развитие этого направления внесли работы украинских кибернетиков под руководством А.Г. Ивахненко, разработавших целый класс адаптивных самоорганизующихся моделей (англ. selforganisation models), который можно было бы назвать "интеллектуальным обобщением" эмпирико-статистических методов.

     Можно отметить следующие принципы самоорганизации  математических моделей:

• принцип неокончательных решений (предложен Д. Габором) заключается в необходимости сохранения достаточной "свободы выбора" нескольких лучших решений на каждом шаге самоорганизации,
• принцип внешнего дополнения (базируется на теореме К. Геделя) заключается в том, что только внешние критерии, основанные на новой информации, позволяют синтезировать истинную модель объекта, скрытую в зашумленных экспериментальных данных;
• принцип массовой селекции (предложен А.Г. Ивахненко) указывает наиболее целесообразный путь постепенного усложнения самоорганизующейся модели, с тем чтобы критерий ее качества проходил через свой минимум.

     Для возникновения самоорганизации  необходимо иметь исходную структуру, механизм случайных мутаций и  критерии отбора. Т.е. при построении этих систем искусственного интеллекта исследователь задает только исходную организацию и список переменных, а также критерии качества, формализующие цель оптимизации, и правила, по которым модель может изменяться (самоорганизовываться или эволюционировать). Из ряда в ряд селекции пропускается только некоторое количество самых регулярных переменных, степень регулярности которых оценивается по специальным критериям. Ряды селекции наращиваются до тех пор, пока регулярность повышается. Как только достигнут минимум ошибки, селекцию следует остановить.

     Самоорганизующиеся  модели служат, в основном, для прогнозирования  поведения и структуры экосистем, так как по самой логике их построения участие исследователя в этом процессе сведено к минимуму. Можно привести ряд конкретных примеров использования алгоритмов: для долгосрочных прогнозов экологической системы оз. Байкал, моделирования геоботанических описаний, системы "хищник–жертва", прироста деревьев, прогнозирования токсикологических показателей поллютантов, оценки динамики численности сообществ зоопланктона.

     Эволюционное  моделирование представляет собой универсальный способ построения прогнозов макросостояний системы в условиях, когда полностью отсутствует апостериорная информация, а априорные данные задают лишь предысторию этих состояний. Общая схема алгоритма эволюции выглядит следующим образом:

• задается исходная организация системы;
• проводят случайные "мутации", т.е. изменяют случайным образом текущий конечный автомат;
• отбирают для дальнейшего "развития" ту организацию (тот автомат), которая является "лучшей" в смысле некоторого критерия.

     В эволюционном программировании структура решающего устройства мало меняется при переходе от одной мутации к другой, т.е. не происходит перераспределения вероятностей, которые бы закрепляли мутации, приведшие к успеху на предыдущем шаге. Поиск оптимальной структуры происходит в большей степени случайным и нецеленаправленным, что затягивает процесс поиска, но обеспечивает наилучшее приспособление к конкретным изменяющимся условиям.

     Одним из первых возможность применения эволюционного  моделирования для целей экологического прогнозирования использовал В.Ф. Крапиви. В дальнейшем, эти подходы применялись для прогнозирования величины прироста деревьев и состояний байкальского планктона. Идея эволюции нашла свое выражение в разработке моделей временных рядов экологических переменных с использованием трехэтапного эволюционного предсказывающего алгоритма и автоматов Мили для многосимвольных целочисленных временных рядов.

     Структурный подход и нейросетевое моделирование

     Под структурным подходом подразумеваются попытки построения систем искусственного интеллекта путем моделирования структуры человеческого мозга. Способность нейронной сети к обучению впервые была исследована Дж. Маккалоком и У. Питтом, когда в 1943 г. вышла их работа "Логическое исчисление идей, относящихся к нервной деятельности". В ней была представлена модель нейрона и сформулированы принципы построения искусственных нейронных сетей.

     В основе всего нейросетевого подхода  лежит идея построения вычислительного  устройства из большого числа параллельно  работающих простых элементов –  формальных нейронов. Эти нейроны  функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации. Ядром нейросетевых представлений является идея о том, что каждый отдельный нейрон можно моделировать довольно простыми функциями, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами.