Основные подходы к моделированию интеллектуальных процессов

     Нейронные сети  очень мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, нелинейные по свой природе. На вход нейронной сети подаются представительные данные и запускается алгоритм обучения, который автоматически анализирует структуру данных и генерирует зависимость между входом и выходом. Для обучения НС применяются алгоритмы двух типов: управляемое ("обучение с учителем") и неуправляемое ("без учителя").

     Простейшая  сеть имеет структуру многослойного  персептрона с прямой передачей сигнала (см. рис. 1), которая характеризуется наиболее устойчивым поведением. Входной слой служит для ввода значений исходных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из скрытых и выходных нейронов, как правило, соединен со всеми элементами предыдущего слоя (для большинства вариантов сети полная система связей является предпочтительной). В узлах сети активный нейрон вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуется с помощью функции активации (или передаточной функции), и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов последнего слоя принимаются за выход всей сети в целом.

     Рис. 1. Пример нейронной сети – трехслойного персептрона с прямым распространением информации

     Наряду  с моделью многослойного персептрона, позднее возникли и другие модели нейронных сетей, различающихся  по строению отдельных нейронов, по топологии связей между ними и  по алгоритмам обучения.

     Для моделей, построенных по мотивам  человеческого мозга, характерны как  легкое распараллеливание алгоритмов и связанная с этим высокая  производительность, так и не слишком  большая выразительность представленных результатов, не способствующая извлечению новых знаний о моделируемой среде.

     Важным  условием применения нейронных сетей является объективно существующая связь между известными входными значениями и неизвестным откликом. Эта связь может носить случайный характер, искажена шумом, но она должна существовать. Нейросети оказываются весьма эффективными и очень быстрыми лишь при хорошем качестве исходных данных. Однако, если это условие не соблюдается, число итераций быстро растет и вычислительная сложность оказывается сопоставимой с экспоненциальной сложностью алгоритмов полного перебора возможных состояний. Сеть склонна обучаться прежде всего тому, чему проще всего обучиться, а, в условиях сильной неопределенности и зашумленности признаков, это – прежде всего артефакты и явления "ложной корреляции".

     Отбор информативных переменных в традиционной регрессии и таксономии осуществляют путем “взвешивания” признаков  с использованием различных статистических критериев и пошаговых процедур, основанных, в той или иной форме, на анализе коэффициентов частных корреляций или ковариаций.

     Гибридный подход

     Гибридный подход предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности. 
 
 

     Заключение

     Можно выделить два направления развития искусственного интеллекта:

1. решение проблем, связанных с приближением специализированных систем искусственного интеллекта к возможностям человека, и их интеграции, которая реализована природой человека;
2. создание искусственного разума, представляющего интеграцию уже созданных систем искусственного интеллекта в единую систему, способную решать проблемы человечества.

     Но  в настоящий момент в области  искусственного интеллекта наблюдается  вовлечение многих предметных областей, имеющих скорее практическое отношение  к искусственному интеллекту, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа пока так и не подошла.

     Среди исследователей искусственного интеллекта до сих пор не существует какой-либо доминирующей точки зрения на критерии интеллектуальности, систематизацию решаемых целей и задач, нет даже строгого определения науки. Существуют разные точки зрения на вопрос, что считать интеллектом.

     Наиболее  горячие споры в философии  искусственного интеллекта вызывает вопрос возможности мышления творения человеческих рук. Вопрос «Может ли машина мыслить?», который подтолкнул исследователей к созданию науки о моделировании человеческого разума, был поставлен Аланом Тьюрингом в 1950 году. Две основных точки зрения на этот вопрос носят названия гипотез сильного и слабого искусственного интеллекта.

     Термин  «сильный искусственный интеллект» ввёл Джон Сёрль: « такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом, в том же смысле, в котором человеческий разум — это разум».

     При этом нужно понять, возможен ли «чистый искусственный» разум («метаразум»), понимающий и решающий реальные проблемы и, вместе с тем, лишённый эмоций, характерных для человека и необходимых для его индивидуального выживания.

     Напротив, сторонники слабого искусственного интеллекта предпочитают рассматривать программы лишь как инструмент, позволяющий решать те или иные задачи, которые не требуют полного спектра человеческих познавательных способностей.

      Список литературы

1. Искусственный интеллект: различные взгляды на проблему: В мире науки, 1990 №3. URL: http://www.raai.org/library/books/sirl/ai.htm (дата обращения 4.01.2012)
2. От модели поведения к искусственному интеллекту. Под. ред. В.Г. Редько. – М.: Комкинга, 2006. 256с.
3. Смолин Д.В. Введение в искусственный интеллект: конспект лекций. – 2-у изд. перераб. М.: Физматлит, 2007. 259 с.
4. Ясницкий Л.Н. Введение в искусственный интеллект. - М.: Академия, 2005. 176с.
5. http://ru.wikipedia.org (дата обращения 21.12.2011)
6. http://www.ievbras.ru/ecostat/Kiril/Library/Book1/Content128/Content128.htm (дата обращения 21.12.2011)
7. http://www.lomonosov-fund.ru/enc/ru/encyclopedia:0131103:article (дата обращения 4.01.2012)