Искусственный интеллект и маркетинг

скачать книгу бесплатно


1.6 Подходы исследования AI. Кибернетика и вычислительная нейронаука

Подходы исследования AI

Единая, объединяющая теория или парадигма в отношении исследования AI фактически отсутствует. Есть много проблем, в отношении которых исследователи не могут достичь согласия. Имеется ряд остающихся без ответа вопросов. Имитируется ли интеллектом искусственным интеллект естественный при изучении нейробиологии или психологии? Имеет ли отношение биология человеческая к исследованиям AI, если птичью биологию относят к авиационной технике? Возможно ли описание интеллектуального поведения, используя простые, элегантные принципы (типа логики или оптимизации)? Или это обязательно требует решения множества абсолютно не связанных друг с другом проблем? Возможно ли воспроизведение интеллекта с помощью применения высокоуровневых символов, походящих на идеи и слова? Может нужна «подсимвольная» обработка?

Джоном Хажлендом, которому принадлежит введение термина GOFAI (Хороший Старомодный Искусственный интеллект), было высказано предположение, что более правильным названием для AI будет название «синтетический интеллект», данное название было принято некоторыми из исследователей.

Стюартом Шапиро произведено подразделение исследования AI на подходы, названные им как вычислительная психология, вычислительная философия и информатика. Использование вычислительной психологии распространяется на проблему создания имитирующих человеческое поведение компьютерных программ. Применение вычислительной философии – на решение задачи разработки адаптивного, свободного потока компьютерного ума. Реализацию компьютерных наук он рассматривает как служащую цели создания таких компьютеров, которым под силу выполнение задач, ранее выполнявшихся лишь людьми. В альянсе гуманистическое поведение, ум и действия составляют AI.

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.

1.7 Символический AI. Когнитивное моделирование

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).

1.8 Логический подход. Анти-логические или неряшливые подходы и подход, основанный на знаниях

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.

1.9 Интеграция подходов. Архитектуры агентов и когнитивные архитектуры.

Поиск и оптимизация, математические инструменты, глубокое обучение

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

Решение многих из проблем в AI возможно на базе теоретического подхода благодаря интеллектуальному поиску многочисленных возможных решений. Рассуждения могут быть сведены к процедуре поиска. К примеру, рассмотрение логического доказательства возможно в виде поиска пути, ведущего к выводу, где каждый из шагов – применение правил вывода.

Если говорить об алгоритмах планирования, то здесь имеет место применение поиска по деревьям целей и подцелей, попыток нахождения пути к цели, осуществление процесса, называемого анализом средств.

Многими алгоритмами обучения используются алгоритмы поиска на базе оптимизации. Это редкость, когда простых исчерпывающих поисков оказывается достаточно для решения реальных проблем: обычно наблюдается рост пространства поиска до невероятных чисел. В итоге поиск оказывается чрезмерно медленным и не заканчивающимся.

При решении многих проблем прибегают к использованию «эвристики» или «эмпирических правил», определяющих приоритеты выбора в пользу наиболее вероятно достигающих цели решений за минимальное число шагов. Есть методики, где поиск-эвристика приводит к избавлению от вариантов, вряд ли способных привести к цели (это называют «подрезанием дерева поиска»).

Эвристика способна поставить программу «наилучшим образом» на тот из путей, на котором как раз и лежит решение. Эвристикой ограничивается поиск решений посредством меньшего размера выборки.

В период 1990-х годов исследователи сосредоточились на поиске, базирующемся на таком инструменте, как математическая теория оптимизации. Поиск для множества проблем можно начинать с некоторой догадки, а затем уточнять догадку, пока не будет никаких уточнений. Визуализация данных алгоритмов возможна с помощью слепого поднятия холма: начало поиска происходит на ландшафте в любой из случайно выбранных точек. После этого продолжается движение вперед, вплоть до достижения вершины. К другим алгоритмам оптимизации принято причисление случайной оптимизации, поиска луча и имитируемого отжига.

Эволюционным вычислением используется поиск оптимизации. Скажем, можно начать с популяции организмов (с догадки), а после позволить этим организмам мутации и рекомбинации с выбором лишь самых приспособленных организмов, чтобы они выжили в каждом из поколений (уточнение догадки).

Эволюционные вычисления по форме бывают разными – начиная от алгоритмов роевой разведки (таких, как алгоритмы оптимизации частиц или муравьиной колонии) до алгоритмов эволюционных (таких, как генетическое программирование, программирование генной экспрессии алгоритмы, являющиеся генетическими).

Если взять экономику, то для нее важнейшей из концепций является концепция «полезности»: показателя того, насколько ценным является какое-то разумное средство.

С помощью точных математических инструментов был разработан способ анализа осуществления выбора агентом и создания его плана. При этом исследователи практикуют применение теории принятия решений, анализа решений, теории значения информации. И имеет место использование марковских процессов принятия решений (марковских цепей), сетей динамических решений, теории игр и теории дизайна механизма.

Многочисленными исследователями теперь используются варианты глубокого обучения, повторяющиеся NN, называемые сетью с длинной короткой памятью (LSTM). LSTM часто обучается временному классификатору Connectionist (CTC). Компаниями Google, Microsoft и Baidu было обеспечено с помощью этого подхода революционизирование распознавания речи.

К 2015 году распознавание речи Google обеспечило резкий скачок производительности (она выросла на 49%) благодаря CTC-обученному LSTM, он сегодня доступен через Google Voice миллиардам пользователей смартфонов.

Компания Google также обеспечила использование LSTM для улучшения машинного перевода, Языковое моделирование и обработка многоязыкового языка LSTM в сочетании с CNN также улучшили автоматическую подпись изображений и множество иных приложений.

1.10 Применение искусственного интеллекта. Финансы, экономика

Применение искусственного интеллекта

Следует обратить внимание, что любая интеллектуальная задача – это то, к чему имеет отношение AI. Сегодня наблюдается широкая распространенность современных методов AI. Их более чем много, поэтому их перечисление сложно и не обязательно здесь. Нередко происходит достижение техникой основного использования, после чего ее уже не относят к AI, а рассматривают в качестве эффекта AI.

К высокопрофильным примерам AI практикуется причисление автономных транспортных средств (таких, как дроны и самоходные автомобили), медицинского диагностирования, создания искусства (скажем, резьбы по дереву), доказательства математических теорем, игр в игры (к примеру, в шашки), поисковых систем (таких, как Поиск в Google), онлайн-помощников (к примеру, Siri), распознавания изображений на фото, фильтрации спама, предсказания судебных решений, таргетинга онлайн-рекламы.

Если рассматривать сайты соцсетей, то они находятся впереди по сравнению с телевидением как источником новостей для молодежи и новостных организаций, все больше полагающихся на платформы соцсетей для распространения контента. Крупными издателями практикуется использование технологии искусственного интеллекта (AI) в целях более эффективного опубликования историй и создания большего трафика.

Существует ряд конкурсов и призов для содействия исследованиям в области AI. Основными направлениями деятельности являются: общий машинный интеллект, диалоговое поведение, интеллектуальная обработка данных, роботизированные автомобили, робот-футбол и игры.

В видеоиграх искусственный интеллект обычно используется для генерации динамического целенаправленного поведения персонажей, не являющихся игроками (NPC). Кроме того, хорошо понятные методы AI обычно применяются для поиска пути. Некоторые исследователи считают, что NPC AI в играх является «решаемой проблемой» для большинства производственных задач.

Финансы, экономика

Финансовые учреждения уже давно используют искусственные нейронные сетевые системы для обнаружения сборов или претензий за пределами нормы, отмечая их применение для расследования людей. Использование AI в банковской сфере можно проследить до 1987 года, когда Security Pacific National Bank в США установил целевую группу по предотвращению мошенничества для противодействия несанкционированному использованию дебетовых карт. Такие программы, как Kasisto и Moneystream используют AI в финансовых услугах.

Сегодня банки используют системы искусственного интеллекта для организации операций, ведения бухгалтерского учета, инвестирования в акции и управления свойствами. AI может реагировать на изменения в одночасье. В августе 2001 года роботы избили людей в симулированном финансовом торговом соревновании.

AI также уменьшило случаи мошенничества и финансовых преступлений путем мониторинга поведенческих моделей пользователей для любых аномальных изменений или аномалий.

Использование искусственных машин на рынке в таких приложениях, как онлайн-торговля и принятие решений, изменило основные экономические теории. Например, платформы покупки и продажи на основе AI изменили закон спроса и предложения, поскольку теперь можно легко оценить индивидуальные кривые спроса и предложения и, таким образом, обеспечивать индивидуализированную оценку.

Кроме того, машины AI уменьшают асимметрию информации на рынке и, таким образом, делают рынки более эффективными при одновременном снижении объема торгов. Кроме того, AI на рынках ограничивает последствия поведения на рынках, делая рынки более проуктивными. Другие теории, на которые AI оказал влияние, включают в себя рациональный выбор, рациональные ожидания, теория игр, поворотный момент Льюиса, оптимизация портфолио и контрафактное мышление.

1.11 Платформы. Партнерство по AI. Потенциальные риски и моральные рассуждения, искусственное сознание

Платформы

Платформа (или «вычислительная платформа») определяется как «какая – то» аппаратная архитектура или структура программного обеспечения (в том числе среда разработки приложений), что обеспечивает программное обеспечение для запуска. Как отмечал Родни Брукс много лет назад, это не просто программное обеспечение искусственного интеллекта, определяющее особенности AI платформы, а скорее реальная платформа, влияющая на AI. Она Должна быть работа AI на реальных платформах, а не в изоляции.

Широкий спектр платформ позволил развить различные аспекты AI, начиная от экспертных систем, таких как Cyc до глубокого обучения, и до платформ роботов, таких как Roomba с открытым интерфейсом. Последние достижения в глубоких искусственных нейронных сетях и распределенных вычислениях привели к распространению программных библиотек.

Коллективный AI представляет собой платформенную архитектуру, объединяющую индивидуальный AI в коллективный объект, чтобы достичь глобальных результатов от индивидуального поведения.

Благодаря своей коллективной структуре разработчики могут собирать информацию и расширять функциональность существующих доменов AI на платформе для собственного использования, а также продолжать создавать и обмениваться новыми доменами и возможностями для более широкого сообщества и большего блага, Поскольку разработчики продолжают вносить свой вклад, общая платформа становится более умной и способной выполнять больше запросов, предоставляя масштабируемую модель для большей общественной выгоды. Организации, такие как SoundHound Inc. и Школа инженерных и прикладных наук Гарварда Джона А. Полсона использовала эту совместную модель AI.