Искусственный интеллект и маркетинг

Общей целью исследований в области AI является цель создания технологии, позволяющей компьютерам и машинам работать интеллектуально. Общая проблема моделирования (или создания) интеллекта была разбита на субадреса. Они состоят из определенных особенностей или возможностей, в отношении которых исследователи ожидают, что будет отображаться интеллектуальная система. Основные черты, описанные ниже, получили наибольшее внимание.

Ранние исследователи разработали алгоритмы, имитирующие пошаговые рассуждения, они используются людьми, решающими головоломки или делающими логические выводы.

К концу 1980-х и к 1990-м годам в рамках исследований AI были разработаны методы борьбы с неопределенной или неполной информацией с помощью применения концепций теории вероятности и экономики.

Для сложных задач алгоритмов может потребоваться огромное количество вычислительных ресурсов – большинство из них сталкивается с феноменом «комбинаторного взрыва»: объем памяти или требуемое компьютерное время становится астрономическим для задач определенного размера. Поиск более эффективных алгоритмов решения проблем является высоко приоритетным.

Люди обычно используют быстрые, интуитивные суждения, а не поэтапный вывод, что раннее исследование AI могло моделировать. AI продвигался с использованием «подсимвольного» решения проблем: воплощенные подходы агента подчеркивают важность сенсомоторных навыков для более высоких рассуждений; исследование нейронной сети пытается имитировать структуры внутри мозга, порождающие это умение; статистические подходы к AI имитируют способность человека угадывать.

Представление и технология знаний

Онтология – это знание, рассматриваемое как набор понятий внутри домена и как взаимоотношения между этими понятиями.

Если говорить об исследовании AI, то в нем особое место отводится представлению и технологии знаний. Многим из проблем, решение которых будет осуществляться машинами, потребуются обширные знания о мире.

AI должен нацеливаться на представление: объектов, свойств, категорий и отношений между объектами; ситуаций, событий, состояний и времени; причин и последствий; знаний о знании; и многих иных, менее хорошо исследованных доменов. Представление «того, что существует» – это онтология. Она состоит из набора объектов, отношений, понятий и свойств, формальным образом описанных, чтобы они могли быть интерпретированы программными агентами. В семантику они захватываются как описания логических понятий, ролей и отдельных лиц, и, они, как правило, реализуются в виде классов, свойств и частных лиц в Web – онтологиях языка.

Если рассматривать онтологии, то они считаются онтологиями верхними, стремящимися к обеспечению базы для всех иных знаний, выступающими в качестве посредников между онтологиями доменов, охватывающих конкретные знания о конкретной области знаний (области интересов или области, вызывающие озабоченность).

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.

1.3 Планирование. Машинное обучение

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.).

1.4 Обработка естественного языка. Восприятие машины и область робототехники

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.

Общим методом обработки и извлечения смысла из естественного языка является семантическая индексация. Хотя для этих индексов требуется большой объем ввода пользователя, ожидается, что увеличение скорости процессора и снижение затрат на хранение данных приведут к повышению эффективности.

Восприятие машины и область робототехники

Восприятие машины – это возможность использовать входные сигналы от датчиков (таких, как камеры, микрофоны, тактильные датчики, гидролокатор и другие) для вывода аспектов мира. Компьютерное зрение – это способность анализировать визуальный ввод. Несколько выбранных подзадач – распознавание речи, распознавание лиц и распознавание объектов.

Область робототехники тесно связана с AI. Интеллект необходим, чтобы роботы обрабатывали такие задачи, как манипулирование объектами и навигация, с такими проблемами, как локализация, сопоставление и планирование движения. Эти системы требуют, чтобы агент мог: быть пространственно осведомленным о своем окружении, учиться и строить карту своей среды, выяснять, как добраться из одной точки в пространстве в другую, и выполнять это движение (оно часто связано с совместимым движением, процессом, в котором движение требует поддержания физического контакта с объектом).

1.5 Аффективные вычисления Вычислительное творчество, искусственный общий интеллект и AI-complete

Аффективные вычисления

Под аффективными вычислениями принято понимание исследований и разработок систем, способных к распознаванию, интерпретированию, обработке и моделированию человеческих аффектов. Их рассматривают в качестве междисциплинарного поля, обеспечивающего охват таких областей как компьютерные науки, психология и когнитивная наука.

В отношении происхождения поля можно сказать, что его рассмотрение имело место еще в ранних философских исследованиях эмоций. А более современная ветвь информатики возникла с помощью статьи об «аффективных вычислениях» Розалинды Пикард (1995 год). Мотивацией для исследования является способность имитирования эмпатии, когда машина будет способна на интерпретирование человеческих эмоций и адаптированию своего поведения, чтобы дать отличающийся адекватностью ответ на эти эмоции.

Важность эмоций и социальных навыков для интеллектуального агента обусловлена:

способностью к обеспечению предсказания действий других, пониманию их мотивов и эмоциональных состояний, позволяющей агенту принимать более правильные решения. Такие понятия, как теория игр, теория принятия решений, требуют, чтобы агент быть в состоянии обнаружить и смоделировать человеческие эмоции;

тем обстоятельством, что ради облегчения взаимодействия человека и компьютера, интеллектуальная машина может захотеть отображать эмоции (даже если она сама не испытывает этих эмоций), чтобы выглядеть более чувствительной к эмоциональной динамике взаимодействия живых людей.

Вычислительное творчество, искусственный общий интеллект и AI-complete

Подполем AI творчество рассматривается как теоретически (в виде философской психологической перспективы), так и практически (в виде специфической реализации систем, генерирующих отличающиеся полезностью новые результаты).

Многие исследователи считают, что их работа в конечном итоге будет включена в машину с искусственным общим интеллектом, сочетающую все упомянутые выше навыки и даже превосходящие человеческие способности в большинстве либо во всех этих областях. Некоторые полагают, что для такого проекта могут потребоваться антропоморфные функции, такие как искусственный мозг или искусственное сознание.

Многие из вышеперечисленных проблем также требуют решения общей разведки. Например, даже конкретные простые задачи, такие как машинный перевод, требуют, чтобы машина читала и записывала на обоих языках (NLP), следуя аргументам автора (причина), зная, о чем говорят (знание), и верно воспроизводя оригинал автора (социальный интеллект).

Проблема, такая как машинный перевод, считается проблемой «AI-complete», но все эти проблемы необходимо решать одновременно ради достижения производительности машины на человеческом уровне.