Tehisintellekti lühiajalugu. Tehisintellekt

Tehisintellekti (AI või AI) mõiste ei hõlma ainult tehnoloogiaid, mis võimaldavad luua intelligentseid masinaid (sh arvutiprogramme). AI on ka üks teadusliku mõtte valdkondi.

Tehisintellekt – definitsioon

Intelligentsus- see on inimese vaimne komponent, millel on järgmised võimed:

• adaptiivne;
• õppimine kogemuste ja teadmiste kogumise kaudu;
• oskus rakendada teadmisi ja oskusi keskkonna juhtimiseks.

Intellekt ühendab kõik inimese võimed reaalsust tunda. Selle abil inimene mõtleb, jätab meelde uut infot, tajub keskkonda jne.

Tehisintellekti all mõistetakse ühte infotehnoloogia valdkonda, mis tegeleb süsteemide (masinate) uurimise ja arendamisega, mis on varustatud inimintellekti võimetega: õppimisvõime, loogiline arutlusvõime jne.

Hetkel käib tehisintellekti kallal töö uute programmide ja algoritmide loomisega, mis lahendavad probleeme samamoodi nagu inimene.

Kuna AI määratlus selle suuna arenedes areneb, on vaja mainida AI-efekti. See viitab efektile, mille tehisintellekt loob, kui on saavutanud mõningaid edusamme. Näiteks kui tehisintellekt on õppinud mingeid toiminguid sooritama, siis kriitikud löövad kohe kaasa, väites, et need õnnestumised ei viita mõtlemise olemasolule masinas.

Tänapäeval toimub tehisintellekti areng kahes sõltumatus suunas:

• neuroküberneetika;
• loogiline lähenemine.

Esimene suund hõlmab närvivõrkude ja evolutsioonilise andmetöötluse uurimist bioloogia vaatenurgast. Loogiline lähenemine hõlmab selliste süsteemide väljatöötamist, mis jäljendavad kõrgetasemelisi intellektuaalseid protsesse: mõtlemist, kõnet jne.

Esimesed tööd tehisintellekti valdkonnas hakati tegema eelmise sajandi keskel. Sellesuunalise uurimistöö pioneer oli Alan Turing, kuigi teatud ideid hakkasid filosoofid ja matemaatikud väljendama juba keskajal. Eelkõige võeti juba 20. sajandi alguses kasutusele mehaaniline seade, mis suudab lahendada maleülesandeid.

Kuid tegelikult kujunes see suund välja eelmise sajandi keskpaigaks. AI-teemaliste tööde ilmumisele eelnesid inimloomuse, meid ümbritseva maailma tundmise viiside, mõtteprotsessi võimaluste ja muude valdkondade uurimine. Selleks ajaks olid ilmunud esimesed arvutid ja algoritmid. See tähendab, et loodi alus, millele sündis uus uurimissuund.

1950. aastal avaldas Alan Turing artikli, milles ta esitas küsimusi tulevaste masinate võimekuse kohta ja ka selle kohta, kas need suudavad mõistuse poolest inimesi ületada. See teadlane töötas välja protseduuri, mis sai hiljem tema järgi nime: Turingi test.

Pärast inglise teadlase tööde avaldamist ilmusid AI valdkonnas uued uuringud. Turingi järgi saab mõtleva masinana ära tunda vaid masina, mida ei saa suhtluse käigus inimesest eristada. Umbes samal ajal, kui teadlase roll ilmus, sündis kontseptsioon nimega Baby Machine. See nägi ette progressiivne areng AI ja masinate loomine, mille mõtteprotsessid kujunevad esmalt lapse tasemel ja seejärel järk-järgult täiustatakse.

Mõiste "tehisintellekt" sündis hiljem. 1956. aastal kohtus rühm teadlasi, sealhulgas Turing, Ameerika Dartmundi ülikoolis, et arutada tehisintellektiga seotud küsimusi. Pärast seda kohtumist algas aktiivne tehisintellekti võimalustega masinate arendamine.

Erilist rolli uute tehnoloogiate loomisel tehisintellekti valdkonnas mängisid sõjaväeosakonnad, kes seda uurimisvaldkonda aktiivselt rahastasid. Seejärel hakkas tehisintellekti alane töö meelitama suuri ettevõtteid.

Kaasaegne elu seab teadlastele keerulisemad väljakutsed. Seetõttu toimub tehisintellekti arendamine põhimõtteliselt erinevates tingimustes, kui võrrelda neid tehisintellekti tekkimise perioodil toimunuga. Globaliseerumisprotsessid, sissetungijate tegevus digisfääri, Interneti areng ja muud probleemid – see kõik seab teadlastele keerukaid ülesandeid, mille lahendus peitub tehisintellekti valdkonnas.

Vaatamata selles vallas viimastel aastatel saavutatud edule (näiteks autonoomse tehnoloogia esilekerkimine), kostab endiselt skeptikute hääli, kes ei usu tõeliselt tehisintellekti ja mitte eriti võimeka programmi loomisse. Mitmed kriitikud kardavad, et tehisintellekti aktiivne areng toob peagi kaasa olukorra, kus masinad asendavad inimesed täielikult.

Uurimissuunad

Filosoofid ei ole veel jõudnud üksmeelele selles, mis on inimintellekti olemus ja mis on selle staatus. Sellega seoses on AI-le pühendatud teaduslikes töödes palju ideid, mis räägivad, milliseid ülesandeid tehisintellekt lahendab. Ühtset arusaama pole ka küsimusest, millist masinat võib pidada intelligentseks.

Tänapäeval areneb tehisintellekti tehnoloogia kahes suunas:

1. Kahanev (semiootiline). See hõlmab uute süsteemide ja teadmistebaaside arendamist, mis jäljendavad kõrgetasemelisi vaimseid protsesse, nagu kõne, emotsioonide väljendamine ja mõtlemine.
2. Tõusev (bioloogiline). See lähenemine hõlmab närvivõrkude valdkonna uuringuid, mille kaudu luuakse intellektuaalse käitumise mudeleid bioloogiliste protsesside vaatenurgast. Sellest suunast lähtuvalt luuakse neuroarvuteid.

Määrab tehisintellekti (masina) võime mõelda inimesega samamoodi. Üldises mõttes hõlmab see lähenemine tehisintellekti loomist, mille käitumine ei erine inimese tegevusest samades tavaolukordades. Tegelikult eeldab Turingi test, et masin on intelligentne ainult siis, kui sellega suheldes pole võimalik aru saada, kes räägib: mehhanism või elav inimene.

Ulmeraamatud pakuvad teistmoodi AI võimaluste hindamist. Tehisintellekt muutub tõeliseks, kui see tunneb ja suudab luua. Selline lähenemine määratlusele ei pea aga praktikas paika. Juba praegu luuakse näiteks masinaid, millel on võime muutustele reageerida. keskkond(külm, soe jne). Samas ei saa nad tunda nii, nagu inimene tunneb.

Sümboolne lähenemine

Edu probleemide lahendamisel määrab suuresti oskus olukorrale paindlikult läheneda. Masinad tõlgendavad erinevalt inimestest saadud andmeid ühtselt. Seetõttu osaleb probleemide lahendamisel ainult inimene. Masin sooritab toiminguid kirjalike algoritmide alusel, mis välistavad mitme abstraktsioonimudeli kasutamise. Programmidest paindlikkust on võimalik saavutada probleemide lahendamise käigus kaasatud ressursside suurendamisega.

Ülaltoodud puudused on tüüpilised AI arendamisel kasutatavale sümboolsele lähenemisele. Selline tehisintellekti arengusuund võimaldab aga luua arvutusprotsessis uusi reegleid. Ja sümboolsest lähenemisest tulenevaid probleeme saab lahendada loogiliste meetoditega.

loogiline lähenemine

See lähenemisviis hõlmab mudelite loomist, mis jäljendavad arutlusprotsessi. See põhineb loogika põhimõtetel.

See lähenemisviis ei hõlma jäikade algoritmide kasutamist, mis viivad teatud tulemuseni.

Agendipõhine lähenemine

See kasutab intelligentseid agente. See lähenemine eeldab järgmist: intelligentsus on arvutuslik osa, mille kaudu saavutatakse eesmärgid. Masin täidab intelligentse agendi rolli. Ta õpib keskkonda spetsiaalsete andurite abil ja suhtleb sellega mehaaniliste osade kaudu.

Agendipõhine lähenemine keskendub selliste algoritmide ja meetodite väljatöötamisele, mis võimaldavad masinatel erinevates olukordades töövõimelisena püsida.

Hübriidne lähenemine

See lähenemine hõlmab närvi- ja sümboolsete mudelite integreerimist, mille abil saavutatakse kõigi mõtlemis- ja arvutusprotsessidega seotud probleemide lahendamine. Näiteks võivad närvivõrgud genereerida suuna, milles masina töö liigub. Ja staatiline õpe annab aluse, mille kaudu probleeme lahendatakse.

Ettevõtte ekspertide sõnul Gartner, 2020. aastate alguseks kasutavad peaaegu kõik välja lastud tarkvaratooted tehisintellekti tehnoloogiaid. Samuti väidavad eksperdid, et umbes 30% digitaalsfääri investeeringutest langeb tehisintellektile.

Gartneri analüütikute hinnangul avab tehisintellekt uusi võimalusi inimeste ja masinate koostööks. Samal ajal ei saa AI abil inimese väljatõrjumise protsessi peatada ja tulevikus see kiireneb.

Seltskonnas PwC usun, et aastaks 2030 kasvab maailma sisemajanduse koguprodukti maht tänu uute tehnoloogiate kiirele kasutuselevõtule umbes 14%. Veelgi enam, ligikaudu 50% kasvust suurendab tõhusust tootmisprotsessid. Näitaja teise poole moodustab tehisintellekti toodetes kasutuselevõtust saadav lisakasum.

Esialgu saavad USA tehisintellekti kasutamise efekti, kuna see riik on loonud tehisintellekti masinate tööks parimad tingimused. Tulevikus ületab neid Hiina, kes võtab selliseid tehnoloogiaid toodetesse ja nende tootmisesse kasutusele võttes maksimaalse kasumi.

Ettevõtte eksperdid Müügijõud väidavad, et tehisintellekt suurendab väikeettevõtete kasumlikkust umbes 1,1 triljoni dollari võrra. Ja see juhtub 2021. aastaks. Osaliselt saavutatakse see näitaja tänu tehisintellekti pakutavate lahenduste rakendamisele klientidega suhtlemise eest vastutavates süsteemides. Samal ajal paraneb tootmisprotsesside efektiivsus tänu nende automatiseerimisele.

Samuti loob uute tehnoloogiate kasutuselevõtt täiendavalt 800 000 töökohta. Eksperdid märgivad, et see arv kompenseerib protsesside automatiseerimisest tingitud vabade töökohtade kadumise. Analüütikud ennustavad ettevõtete seas läbiviidud küsitlusele tuginedes, et nende kulutused tehaste automatiseerimisele tõusevad 2020. aastate alguseks umbes 46 miljardi dollarini.

Venemaal käib töö ka AI vallas. 10 aasta jooksul on riik rahastanud selles valdkonnas üle 1,3 tuhande projekti. Pealegi läks suurem osa investeeringutest selliste programmide arendamiseks, mis ei ole seotud äritegevuse läbiviimisega. See näitab, et Venemaa äriringkond ei ole veel huvitatud tehisintellekti tehnoloogiate kasutuselevõtust.

Kokku investeeriti Venemaale nendel eesmärkidel umbes 23 miljardit rubla. Valitsuse toetuste summa on väiksem kui teiste riikide näidatud tehisintellekti rahastamise summa. Ameerika Ühendriikides eraldatakse nendeks eesmärkideks igal aastal umbes 200 miljonit dollarit.

Põhimõtteliselt eraldatakse Venemaal riigieelarvest vahendeid tehisintellekti tehnoloogiate arendamiseks, mida seejärel kasutatakse transpordisektoris, kaitsetööstuses ja julgeolekuga seotud projektides. See asjaolu viitab sellele, et meie riigis investeerivad inimesed suurema tõenäosusega valdkondadesse, mis võimaldavad investeeritud vahenditest kiiresti teatud efekti saavutada.

Ülaltoodud uuring näitas ka, et Venemaal on praegu suur potentsiaal koolitada spetsialiste, kes saavad olla kaasatud tehisintellekti tehnoloogiate arendamisse. Viimase 5 aasta jooksul on tehisintellektiga seotud valdkondades koolitatud umbes 200 tuhat inimest.

AI tehnoloogiad arenevad järgmistes suundades:

• probleemide lahendamine, mis võimaldavad tuua tehisintellekti võimeid inimesele lähemale ja leida võimalusi nende integreerimiseks igapäevaellu;
• täisväärtusliku meele arendamine, mille kaudu lahendatakse inimkonna ees seisvad ülesanded.

Praegu on teadlased keskendunud praktilisi probleeme lahendavate tehnoloogiate arendamisele. Seni pole teadlased täieõigusliku tehisintellekti loomisele lähedalegi jõudnud.

Paljud ettevõtted arendavad tehisintellekti valdkonnas tehnoloogiaid. "Yandex" on neid otsingumootori töös kasutanud rohkem kui aasta. Alates 2016. aastast on Venemaa IT-ettevõte tegelenud närvivõrkude valdkonna uuringutega. Viimased muudavad otsingumootorite töö olemust. Eelkõige võrdlevad närvivõrgud kasutaja sisestatud päringut teatud vektorinumbriga, mis peegeldab kõige paremini ülesande tähendust. Teisisõnu, otsimine toimub mitte sõna, vaid isiku küsitava teabe olemuse järgi.

2016. aastal "Yandex" käivitas teenuse "Zen", mis analüüsib kasutaja eelistusi.

Ettevõte Abby hiljuti kasutusele võetud süsteem Compreno. Selle abil on võimalik mõista loomulikus keeles kirjutatud teksti. Suhteliselt hiljuti on turule tulnud ka muud tehisintellekti tehnoloogiatel põhinevad süsteemid:

1. leia. Süsteem on võimeline ära tundma inimkõne ja otsib keerukate päringute abil teavet erinevatest dokumentidest ja failidest.
2. Gamalon. See ettevõte võttis kasutusele iseõppimise võimalusega süsteemi.
3. Watson. IBMi arvuti, mis kasutab teabe otsimiseks suurt hulka algoritme.
4. ViaVoice. Inimese kõnetuvastussüsteem.

Suured äriettevõtted ei lähe tehisintellekti valdkonna edusammudest mööda. Pangad rakendavad selliseid tehnoloogiaid oma tegevuses aktiivselt. Tehisintellektil põhinevate süsteemide abil viivad nad läbi tehinguid börsidel, haldavad vara ja teevad muid toiminguid.

Kaitsetööstus, meditsiin ja teised valdkonnad rakendavad objektituvastustehnoloogiaid. Ja mänguarendusettevõtted kasutavad oma järgmise toote loomiseks tehisintellekti.

Viimase paari aasta jooksul on rühm Ameerika teadlasi töötanud ühe projekti kallal NEIL, milles teadlased paluvad arvutil fotol kujutatu ära tunda. Eksperdid näitavad, et sel viisil saavad nad luua süsteemi, mis on võimeline ise õppima ilma välise sekkumiseta.

Ettevõte VisionLab tutvustas oma platvormi LUNA, mis suudab nägusid reaalajas ära tunda, valides need suurest piltide ja videote hulgast. Seda tehnoloogiat kasutavad nüüd suured pangad ja võrgujaemüüjad. LUNA abil saate võrrelda inimeste eelistusi ning pakkuda neile asjakohaseid tooteid ja teenuseid.

Sarnaste tehnoloogiate kallal töötamine Vene firma N-Tech Lab. Samal ajal püüavad selle spetsialistid luua närvivõrkudel põhinevat näotuvastussüsteemi. Viimastel andmetel tuleb Venemaa areng määratud ülesannetega paremini toime kui inimene.

Stephen Hawkingi sõnul toob tehisintellekti tehnoloogiate areng tulevikus kaasa inimkonna surma. Teadlane märkis, et tehisintellekti kasutuselevõtu tõttu hakkavad inimesed järk-järgult halvenema. Ja loomuliku evolutsiooni tingimustes, kui inimene peab ellujäämise nimel pidevalt võitlema, viib see protsess paratamatult tema surma.

Venemaa kaalub tehisintellekti kasutuselevõttu positiivselt. Aleksei Kudrin ütles kunagi, et selliste tehnoloogiate kasutamine vähendaks riigiaparaadi ülalpidamiskulusid umbes 0,3% SKT-st. Dmitri Medvedev ennustab tehisintellekti kasutuselevõtu tõttu mitmete ametite kadumist. Samas rõhutas ametnik, et selliste tehnoloogiate kasutamine toob kaasa teiste tööstusharude kiire arengu.

Maailma Majandusfoorumi ekspertide hinnangul kaotab 2020. aastate alguseks maailmas tootmise automatiseerimise tõttu töö umbes 7 miljonit inimest. Tehisintellekti kasutuselevõtt toob suure tõenäosusega kaasa majanduse ümberkujundamise ja mitmete andmetöötlusega seotud elukutsete kadumise.

Eksperdid McKinsey deklareerida, et tootmise automatiseerimise protsess muutub aktiivsemaks Venemaal, Hiinas ja Indias. Nendes riikides kaotab tehisintellekti kasutuselevõtu tõttu lähitulevikus töö kuni 50% töötajatest. Nende asemele tulevad arvutisüsteemid ja robotid.

McKinsey sõnul asendab tehisintellekt füüsilise töö ja infotöötlusega seotud töökohad: jaekaubandus, hotellipersonal jne.

Selle sajandi keskpaigaks väheneb Ameerika ettevõtte ekspertide sõnul töökohtade arv kogu maailmas umbes 50%. Inimesed asendatakse masinatega, mis suudavad samasuguse või suurema efektiivsusega sarnaseid toiminguid teha. Samal ajal ei välista eksperdid võimalust, et see prognoos realiseerub enne määratud aega.

Teised analüütikud märgivad kahju, mida robotid võivad põhjustada. Näiteks toovad McKinsey eksperdid välja, et erinevalt inimestest robotid makse ei maksa. Sellest tulenevalt ei suuda riik eelarvetulude vähenemise tõttu taristut samal tasemel hoida. Seetõttu tegi Bill Gates ettepaneku kehtestada robotseadmetele uus maks.

AI-tehnoloogiad suurendavad ettevõtete efektiivsust, vähendades tehtud vigade arvu. Lisaks võimaldavad need suurendada toimingute kiirust tasemeni, mida inimene ei suuda saavutada.

Võib oletada, et tehisintellekti ajalugu algab esimeste arvutite loomisega 40ndatel. Elektroonika tulekuga arvutid, kõrge (tollaste standardite järgi) tootlikkuse juures hakkasid tekkima esimesed küsimused tehisintellekti vallas: kas on võimalik luua masinat, mille intellektuaalsed võimed oleksid identsed inimese intellektuaalsete võimetega (või isegi ületavad). inimese võimed).

Järgmine etapp tehisintellekti ajaloos on 50ndad, mil teadlased püüdsid aju imiteerides luua intelligentseid masinaid. Need katsed olid ebaõnnestunud nii riist- kui ka tarkvara täieliku sobimatuse tõttu. 1956. aastal toimus Stanfordi ülikoolis (USA) seminar, kus esmakordselt pakuti välja mõiste tehisintellekt – tehisintellekt.

60ndaid tehisintellekti ajaloos iseloomustasid katsed leida üldisi meetodeid laia klassi probleemide lahendamiseks, simuleerides keerulist mõtlemisprotsessi. Universaalsete programmide väljatöötamine osutus liiga keeruliseks ja viljatuks. Mida laiemat probleemide klassi üks programm suudab lahendada, seda kehvemad on selle võimalused konkreetse probleemi lahendamisel. Sel perioodil algas heuristilise programmeerimise tekkimine.

Heuristiline- reegel, mis ei ole teoreetiliselt põhjendatud, kuid võimaldab vähendada otsingute arvu otsinguruumis.

Heuristiline programmeerimine on tegevusstrateegia väljatöötamine, mis põhineb analoogial või pretsedentidel. Üldiselt 50-60 aastat. tehisintellekti ajaloos võib märkida universaalse mõtlemisalgoritmi otsimise aega.

Märkimisväärne läbimurre tehisintellekti praktilistes rakendustes toimus 70ndatel, kui universaalse mõtlemisalgoritmi otsimine asendati ideega modelleerida ekspertekspertide spetsiifilisi teadmisi. Ameerika Ühendriikides ilmusid esimesed kaubanduslikud teadmistepõhised süsteemid ehk ekspertsüsteemid. Tuli uus lähenemine tehisintellekti probleemide lahendamisele - teadmiste esitus. Luuakse "MYCIN" ja "DENDRAL", millest on saanud juba klassikalised meditsiini ja keemia ekspertsüsteemid. Teatud mõttes võib mõlemat süsteemi nimetada diagnostiliseks, kuna esimesel juhul (“MYCIN”) määrab haiguse mitmed sümptomid (organismi patoloogia tunnused) (diagnoos pannakse). teiseks, keemilise ühendi määravad mitmed omadused. Põhimõtteliselt võib seda tehisintellekti ajaloo etappi nimetada ekspertsüsteemide sünniks.

Järgmine märkimisväärne periood tehisintellekti ajaloos on 80ndad. Selles segmendis on tehisintellekt kogenud taassündi. Selle suurt potentsiaali tunnustati laialdaselt nii teadusuuringutes kui ka tootmise arendamisel. Osana uus tehnoloogia ilmusid esimesed kaubanduslikud tarkvaratooted. Sel ajal hakkas arenema masinõppe valdkond. Seni on spetsialisti-eksperdi teadmiste ülekandmine arvutiprogrammi olnud tüütu ja aeganõudev protseduur. Viimaste aastate kõige olulisem etapp on selliste süsteemide loomine, mis automaatselt täiustavad ja laiendavad oma heuristiliste (mitte formaalsete, intuitiivsetel kaalutlustel põhinevate) reeglite varu. Kümnendi alguses käivitati erinevates riikides andmetöötluse ajaloo suurimad, riiklikud ja rahvusvahelised uurimisprojektid, mis on suunatud "viienda põlvkonna intelligentsetele arvutussüsteemidele".

Selle valdkonna uuringute hetkeseisu võib iseloomustada tehisintellekti valdkonna ühe tuntud eksperdi, professor N.G. sõnadega. Zagoruiko:

“Arutelud teemal “Kas masin oskab mõelda?” ammu ajalehtede ja ajakirjade lehekülgedelt kadunud. Skeptikud on väsinud ootamast entusiastide lubaduste täitumist. Ja entusiastid liiguvad ilma pikema jututa väikeste sammudega edasi horisondi poole, millest kaugemale loodavad silme ees näha kunstvenda.

See suund kujunes välja väite põhjal, et inimese intelligentsust saab üksikasjalikult kirjeldada ja seejärel masinaga edukalt jäljendada. Goethe Faust Mõte, et mees ei saa mehe eest rasket tööd teha, tekkis kiviajal, kui mees kodustas koera. Selles loomingus oli kõige väärtuslikum see, mida me praegu nimetame tehisintellektiks. Tema jaoks on legaliseeritud idee intensiivistunud võitlusest kurjuse vastu, mis ületab ususeaduse piire...

Kui see töö teile ei sobi, on lehe allosas nimekiri sarnastest töödest. Võite kasutada ka otsingunuppu

TUUMAURINGUTE ÜHINE INSTITUUT

HARIDUS- JA TEADUSKESKUS

ESSEE

teadusajaloos ja teadusfilosoofias

teemal:

TEHISINTELLEKTI ARENGUAJALUGU

Lõpetatud:

Pelevanjuk I.S.

Dubna

2014

Sissejuhatus 3

Enne teadust 4

Esimesed ideed 4

Kolm robootikaseadust 5

Esimesed teaduslikud sammud 7

Turingi test 7

Darmouthi seminar 8

1956–1960: suurte lootuste aeg 9

1970. aastad: teadmistepõhised süsteemid 10

Võitlus malelaual 11

Tehisintellekti kasutamine ärilistel eesmärkidel 15

Paradigma muutus 16

Andmekaeve 16

Järeldus 21

Viited 22

Sissejuhatus

Mõiste intellekt (lat. intellectus) tähendab mõistust, mõistust, mõtlemisvõimet ja ratsionaalset teadmist. Tavaliselt tähendab see oskust omandada, meeles pidada, rakendada ja muuta teadmisi mõne probleemi lahendamiseks. Tänu nendele omadustele suudab inimese aju lahendada mitmesuguseid ülesandeid. Kaasa arvatud need, mille jaoks pole varem teada lahendusmeetodeid.

Mõiste tehisintellekt tekkis suhteliselt hiljuti, kuid isegi praegu on peaaegu võimatu ette kujutada maailma ilma selleta. Enamasti inimesed ei märka tema kohalolekut, kuid kui ta äkki kadunud oleks, mõjutaks see meie elu radikaalselt. Tehisintellekti tehnoloogiate kasutusalasid täiendatakse pidevalt: kunagi olid need malemänguprogrammid, siis tolmuimejarobotid, nüüd suudavad algoritmid ise börsidel kauplemist korraldada.

See suund kujunes välja väite põhjal, et inimese intelligentsust saab üksikasjalikult kirjeldada ja seejärel masinaga edukalt jäljendada. Tehisintellekt oli suure optimismi põhjuseks, kuid näitas peagi rakendamise jahmatavat keerukust.

Tehisintellekti peamisteks arendusvaldkondadeks on arutluskäik, teadmised, planeerimine, õppimine, keelesuhtlus, taju ning võime objektidega liigutada ja nendega manipuleerida. Üldine tehisintellekt (ehk "tugev AI") on endiselt silmapiiril. Praegu populaarsed lähenemisviisid hõlmavad statistilisi meetodeid, arvutuslikku intelligentsust ja traditsioonilist sümboolset tehisintellekti. Olemas suur summa tehisintellekti kasutavad tööriistad: otsingualgoritmide erinevad versioonid, matemaatilise optimeerimise algoritmid, loogikad, tõenäosusel põhinevad meetodid ja palju muud.

Sellesse esseesse püüdsin kokku koguda enda vaatenurgast olulisemad tehnoloogia ja tehisintellekti teooria arengut mõjutanud sündmused, peamised saavutused ja eeldused.

Enne teaduse tulekut

Esimesed ideed

"Meile öeldakse "hull" ja "fantastiline",

Kuid kurvast sõltuvusest väljudes,

Aastate jooksul on mõtleja aju osav

Mõtleja luuakse kunstlikult.

Goethe, Faust

Mõte, et mitteinimene võib inimese heaks rasket tööd teha, tekkis kiviajal, kui inimene kodustas koera. Koer sobis ideaalselt valvuri rolli ja täitis seda ülesannet palju paremini kui inimene. Muidugi ei saa seda näidet pidada tehisintellekti kasutamise demonstratsiooniks, sest koer on olend: see on juba varustatud võimega pilte ära tunda, ruumis orienteeruda ja on ka eelsoodumus mõnele põhiharidus"sõbra/vaenlase" äratundmiseks. Küll aga näitab see inimese mõtte suunda.

Teine näide on Talose müüt. Legendi järgi oli Talos tohutu pronksrüütel, mille Zeus andis Euroopale Kreeta saare kaitseks. Tema ülesanne oli hoida kõrvalisi inimesi saarelt eemal. Kui nad lähenesid, viskas Talos neid kividega, kui neil õnnestus maanduda, süütas Talos end põlema ja põletas vaenlased süles.

Miks on Talos nii tähelepanuväärne? Valmistatud tolle aja kõige vastupidavamast materjalist, mis suudab tuvastada, kes on võõras, praktiliselt haavamatu, ilma et oleks vaja puhata. Nii kujutasid vanad kreeklased jumalate loomist ette. Selles loomingus oli kõige väärtuslikum see, mida me praegu nimetame tehisintellektiks.

Veel ühe huvitava näite võib võtta juudi traditsioonidest – need on legendid golemitest. Golem on inimliigi savist olend. Legendi järgi võisid rabid neid kaitseks luua juudi rahvas. Prahas tekkis juudi rahvalegend golemist, mille lõi Praha pearabi erinevate “mustade” või lihtsalt raskete ülesannete täitmiseks. Tuntud on ka teisi golemeid, mis on populaarse traditsiooni järgi loodud erinevate autoriteetsete rabide, usulise mõtte uuendajate poolt.

Selles legendis õigustab rahvalik fantaasia sotsiaalsele kurjusele vastupanu golemi vägivallaga. Tema jaoks on legaliseeritud idee intensiivistunud võitlusest kurjuse vastu, mis ületab ususeaduse piire; Pole ime, et golem võib legendide järgi ületada oma volitusi, kuulutades oma tahet vastupidiselt selle looja tahtele: golem on võimeline tegema seda, mis on seaduse järgi inimese jaoks kuritegelik.

Ja lõpuks Mary Shelley romaan Frankenstein ehk kaasaegne Prometheus. Seda võib nimetada ulmekirjanduse esivanemaks. See kirjeldab dr Victor Frankensteini elu ja tööd, kes tõi ellu surnute inimeste kehaosadest loodud olendi. Nähes aga, et see osutus inetuks ja koletuks, loobub arst oma loomingust ja lahkub linnast, kus ta elas. Nimetu olend, keda inimesed vihkavad välimus, hakkab peagi oma loojat jälitama.

Ja siin tõstatub taas küsimus vastutusest, mida inimene kannab oma olendite eest. AT XIX algus sajandil tekitas romaan mitmeid küsimusi looja ja loomingu paari kohta. Kui eetiline oli sellist loomingut luua? Kes vastutab tema tegude eest? Küsimused, mis on tihedalt seotud tehisintellekti ideedega.

Sarnaseid näiteid, mis on kuidagi seotud tehisintellekti loomisega, on palju. Inimestele tundub see püha graalina, mis suudab lahendada paljud nende probleemid ja vabastada nad igasugusest puuduse ja ebavõrdsuse ilmingutest.

Kolm robootika seadust

Alates Frankensteinist on tehisintellekt kirjanduses pidevalt ilmunud. Ideest temast on saanud kirjanike ja filosoofide mõtlemise viljakas pinnas. Üks neist, Isaac Asimov, jääb meile igaveseks meelde. 1942. aastal kirjeldas ta oma romaanis Round Dance kolme seadust, mida robotid peavad järgima:

1. Robot ei saa inimest kahjustada ega oma tegevusetusega lubada inimesele kahju tekitada.
2. Robot peab täitma kõiki inimese antud korraldusi, välja arvatud juhul, kui need on esimese seadusega vastuolus.
3. Robot peab hoolitsema oma ohutuse eest niivõrd, et see ei läheks vastuollu esimese ja teise seadusega.

Enne Isaacit säilitasid lood tehisintellektist ja robotitest Mary Shelley Frankensteini romaani vaimu. Nagu Isaac ise ütles, sai see probleem ulmemaailmas üheks populaarsemaks 1920. ja 1930. aastatel, mil kirjutati palju lugusid, mille teemaks olid robotid, kes mässasid ja hävitasid inimesi.

Kuid mitte kõik ulmekirjanikud ei järginud seda mustrit muidugi. Näiteks 1938. aastal kirjutas Lester del Rey novelli Helen O'Loy, loo robotnaisest, kes armus oma loojasse ja kellest sai hiljem tema ideaalne naine. Mis, muide, on väga sarnane Pygmalioni looga. Pygmalion nikerdas elevandiluust nii ilusa tüdruku kuju, et ta ise armus temasse. Sellisest armastusest puudutatuna taaselustas Aphrodite kuju, millest sai Pygmalioni naine.

Tegelikult toimus kolme seaduse tekkimine järk-järgult. Kaks kõige varasemat lugu robotitest, "Robbie" (1940) ja "Logic" (1941), ei kirjeldanud seadusi selgesõnaliselt. Kuid nad viitasid juba sellele, et robotitel peavad olema mõned sisemised piirangud. Järgmises loos: "Valetaja" (1941) kõlas esimene seadus esimest korda. Ja kõik kolm seadust ilmusid täielikult alles Round Dance'is (1942).

Vaatamata sellele, et tänapäeval areneb robootika nagu ei kunagi varem, ei omista tehisintellekti valdkonna teadlased robootikaseadustele nii suurt tähtsust. Seadused langevad ju tegelikult kokku inimkonna põhiprintsiipidega. Mida keerulisemaks robotid aga muutuvad, seda ilmsem on vajadus luua nende jaoks mingid aluspõhimõtted ja turvameetmed.

On isegi väidetud, et tõenäoliselt ei rakendata Seadusi täielikult kõigis robotites, sest alati leidub neid, kes soovivad roboteid hävitamiseks ja mõrvamiseks kasutada. Ulmeteadlane Robert Sawyer pani need väited kokku:

„AI arendus on äri ja äri ei ole teadaolevalt huvitatud fundamentaalsete turvameetmete, eriti filosoofiliste, väljatöötamisest. Mõned näited on: tubakatööstus, autotööstus, tuumatööstus. Ühelegi neist ei öeldud esialgu tõsiste turvameetmete vajalikkusest ja kõik need hoidsid ära väliselt kehtestatud piirangud ning ükski neist ei võtnud vastu absoluutset käskkirja inimeste kahjustamise vastu.

Esimesed teaduslikud sammud

Tehisintellekti kui teaduse arengulugu võib jälgida varajaste filosoofiliste teosteni, nagu Discourse on Method (Rene Descartes, 1637), Human Nature (Thomas Hobbes, 1640). Kui vaadata arengut ka tehnilisest küljest, siis võib mainida esimest mehaanilist digitaalset arvutit, mis ilmus veelgi varem: 1623. aastal tänu Wilhelm Schickardi pingutustele. Tahaksin aga pöörata tähelepanu 1950. aastatele, mil Alan Turing asus oma artiklis "Arvutusmasinad ja mõistus" välja selgitama, kas masin on mõtlemisvõimeline.

Turingi test

Inimene suhtleb teise inimesega ja arvutiprogrammiga. Inimene saab esitada küsimusi läbi terminali, tema ülesanne on määrata, kus on programm ja kus inimene. Programmi eesmärk on inimest eksitada ja sundida tegema vale valikut. Tingimuste järgi tuli kirjavahetust pidada kindlate intervallidega, sest toona olid arvutid aeglased ja see võimaldas kohe kindlaks teha, kus programm asub. Nüüd on seda reeglit vaja, sest arvuti suudab vastata palju kiiremini kui inimene.

Tegelikult on sõnastusest mitu versiooni. Ühes neist pidi arvuti näiteks veenma mitmest inimesest koosnevat paneeli, et nad suhtlevad teise inimesega. Ja ühes kõige esimeses variandis soovitab Turing eksperimendis osalejal mängida malet inimese ja arvutiga ning seejärel teha kindlaks, kumb neist on kes. Tegelikult on Alan Turing kirjutamise ajal tehisintellekti kallal töötanud umbes 10 aastat.

Thiringi testi hilisemas ajaloos võib tuvastada mitmeid olulisi sündmusi. Kuid peamine juhtus 1966. aastal, Joseph Weizenbaum lõi Eliza programmi, mis võis parodeerida vestlust psühhoterapeudiga. See võimaldas tal vastata küsimusele küsimusega ebakindluse tingimustes. Siin on näide sellest, milliseks vestlus temaga kujuneda võis:

H: Kes on su lemmikhelilooja?

Elisa: Kas olete sellest teemast huvitatud? (Vastab küsimusele küsimusega)

H: Mu pea valutab.

Elisa: Miks sa ütled, et sul on peavalu? (Ebakindluse tingimus)

X: Mu isa vihkab mind

Elisa: Kes sind veel peres vihkab? (reageerib märksõnale "isa")

Eliza jääb igavesti oluliseks verstapostiks tehisintellekti arengus. See oli esimene programm, mis väljus Inimese/Masin kommunikatsiooni paradigmast ja suutis luua inimese/inimese suhtluse imitatsiooni.

Darmouthi seminar

Tänu arvutite plahvatuslikule kiirushüppele hakkasid teadlased uskuma, et tehisintellekti loomine tänu arvutile pole keeruline. Fakt on see, et sel ajal oli kaks uurimisvaldkonda: neuroküberneetika ja veidi hiljem "musta kasti" küberneetika.

Neuroküberneetika aluseks oli põhimõte, et ainus mõtlemisvõimeline objekt on inimene, mis tähendab, et mõtlemisseade peaks modelleerima oma struktuuri. Teadlased püüdsid luua elemente, mis töötaksid nagu neuronid ajus. Tänu sellele ilmusid 50ndate lõpus esimesed närvivõrgud. Need lõid kaks Ameerika teadlast:Rosenblatt ja P. McCulloch. Nad püüdsid luua süsteemi, mis võiks simuleerida inimsilma tööd. Nad kutsusid oma seadet Perceptroniks. See võib ära tunda käsitsi kirjutatud tähed. Nüüd on närvivõrkude peamine rakendusvaldkond mustrituvastus.

“Musta kasti” küberneetika lähtus põhimõttest, et pole vahet, kuidas mõtlev masin sees on paigutatud, peaasi, et ta reageerib teatud sisendandmete kogumile samamoodi nagu inimene. Selles valdkonnas töötavad teadlased hakkasid ise mudeleid looma. Selgus, et ükski olemasolevatest teadustest: psühholoogia, filosoofia, neurofüsioloogia, lingvistika ei suutnud valgustada aju algoritmi.

“Musta kasti” küberneetika arendamine sai alguse 1956. aastal, mil toimus Darmouthi seminar, mille üks peakorraldajaid oli John McCarthy. Selleks ajaks sai selgeks, et neuroküberneetika põhimõtete rakendamiseks ei piisa nii teoreetilistest teadmistest kui ka tehnilisest baasist. Kuid arvutiteaduste teadlased uskusid, et ühiste jõupingutuste abil saavad nad välja töötada uue lähenemisviisi tehisintellekti loomisele. Arvutiteaduse valdkonna silmapaistvamate teadlaste jõupingutustel korraldati seminar nimega: Dartmouthi suveprojekt tehisintellektiuuringute jaoks. Sellel osales 10 inimest, kellest paljud pälvisid tulevikus Turingi auhinna – kõige rohkem aupreemia informaatika vallas. Järgmine on avalause:

“ Teeme ettepaneku viia 1956. aasta suvel New Hampshire'i osariigis Hannoveris Dartmouthi kolledžis välja 2-kuuline tehisintellekti uuring 10 osalejaga.

Uurimistöö põhineb eeldusel, et mis tahes õppimise aspekti või muud intelligentsuse omadust saab põhimõtteliselt nii täpselt kirjeldada, et masin suudab seda simuleerida. Püüame mõista, kuidas õpetada masinaid kasutama loomulikke keeli, moodustama abstraktsioone ja mõisteid, lahendama probleeme, mis praegu on võimalikud ainult inimesele, ja ennast täiendama.

Usume, et ühe või mitme probleemi lahendamisel on märkimisväärne edasiminek täiesti võimalik, kui spetsiaalselt valitud teadlaste rühm tegeleb sellega suvel.”

See oli võib-olla ajaloo kõige ambitsioonikam toetustaotlus. Just sellel konverentsil uus piirkond teadused - "Tehisintellekt". Ja võib-olla midagi konkreetset ei avastatud ega arendatud, kuid tänu sellele sündmusele õppisid mõned silmapaistvamad teadlased üksteist tundma ja hakkasid liikuma samas suunas.

1956–1960: suurte lootuste aeg

Toona tundus, et lahendus on juba väga lähedal ja kõigist raskustest hoolimata suudab inimkond peagi luua täisväärtusliku tehisintellekti, mis suudab tegelik kasu. Oli programme, mis suutsid luua midagi intellektuaalset. Klassikaline näide on loogikateoreetikute programm.

1913. aastal avaldasid Whitehead ja Bertrand Russell oma Principia Mathematica. Nende eesmärk oli seda näidata minimaalne komplekt loogiliste vahenditega, nagu aksioomid ja järeldusreeglid, on võimalik kõik matemaatilised tõed uuesti luua. Seda teost peetakse üheks mõjukamaks raamatuks, mis kunagi kirjutatud pärast Aristotelese Organoni.

Programm Logic Theorist suutis enamiku Principia Mathematicast ise uuesti luua. Pealegi, kohati isegi elegantsem, kui seda tegid autorid.

Loogikateoreetik tutvustas mitmeid ideid, mis on muutunud tehisintellektiuuringute keskseks:

1. Arutluskäik kui otsimisviis. Tegelikult käis programm läbi otsingupuu. Puu juur oli esialgsed avaldused. Iga haru tekkimine põhines loogikareeglitel. Päris puu otsas oli tulemus – midagi, mida programm suutis tõestada. Teed juurlausetest sihtlauseteni nimetati tõestuseks.

2. Heuristika. Programmi autorid mõistsid, et puu kasvab eksponentsiaalselt ja neil on vaja see kuidagi “silma järgi” maha lõigata. Nad nimetasid reegleid, mille järgi nad tarbetutest harudest vabanesid, "heuristilisteks", kasutades terminit, mille võttis kasutusele Gyorgy Pólya oma raamatus "Kuidas lahendada probleemi". Heuristikast on saanud tehisintellektiuuringute oluline komponent. See jääb oluliseks meetodiks keeruliste kombinatoorsete probleemide, nn „kombinatoorsete plahvatuste“ lahendamisel (näide: reisiva müügimehe probleem, malekäikude loendamine).

3. “Loendi” struktuuri töötlemine. Programmi realiseerimiseks arvutis loodi programmeerimiskeel IPL (Information Processing Language), mis kasutas samasugust nimekirjade vormi, mida John McCarthy kasutas edaspidi Lisp keele loomisel (selle eest sai ta Turingi auhinna), mis tehisintellekti uurijad kasutavad seda siiani.

1970. aastad: teadmistepõhised süsteemid

Teadmuspõhised süsteemid on arvutiprogrammid, mis kasutavad teadmiste baase keerukate probleemide lahendamiseks. Süsteemid ise on jagatud mitmeks klassiks. Ühine on see, et nad kõik püüavad esitada teadmisi selliste tööriistade nagu ontoloogiad ja reeglid, mitte ainult programmikoodi kaudu. Need koosnevad alati vähemalt ühest alamsüsteemist ja sagedamini kahest korraga: teadmistebaasist ja järeldusmootorist. Teadmistebaas sisaldab fakte maailma kohta. Järeldusmootor sisaldab loogilisi reegleid, mida tavaliselt esitatakse IF-THEN reeglitena. Teadmistepõhised süsteemid lõid esmalt tehisintellekti teadlased.

Esimene töötav teadmistepõhine süsteem oli programm Mycin. See programm loodi ohtlike bakterite diagnoosimiseks ja patsiendile sobivaima ravi valimiseks. Programm töötas 600 reegli alusel, küsis arstilt palju jah/ei küsimusi ja andis tõenäosuse järgi sorteeritud võimalike bakterite nimekirja, andis ka usaldusvahemiku ja oskas soovitada ravikuuri.

Stanfordi uuring näitas, et Mycin pakkus vastuvõetava ravikuuri 69% juhtudest, mis on parem kui samade kriteeriumide alusel hinnatud eksperdid. Seda uuringut tsiteeritakse sageli selleks, et näidata eriarvamusi meditsiiniekspertide ja süsteemi vahel, kui puudub standard "õige" ravi jaoks.

Kahjuks pole Mycinit kunagi praktikas testitud. Tõstatatud on selliste programmide kasutamisega seotud eetilised ja juriidilised probleemid. Ei olnud selge, kes peaks vastutama, kui programmi soovitus osutus valeks. Teine probleem oli tehnoloogiline piiratus. Tol ajal polnud personaalarvuteid, üks seanss kestis üle poole tunni ja see oli hõivatud arsti jaoks vastuvõetamatu.

Programmi peamiseks saavutuseks oli see, et maailm nägi teadmistepõhiste süsteemide ja üldse tehisintellekti jõudu. Hiljem, 1980. aastatel, hakkasid sama lähenemisviisi kasutades ilmuma ka teised programmid. Nende loomise lihtsustamiseks loodi E-Mycini kest, mis võimaldas luua uusi ekspertsüsteeme väiksema vaevaga. Ettenägematu raskus, millega arendajad silmitsi seisis, oli arusaadavatel põhjustel teadmiste ammutamine ekspertide kogemustest.

Oluline on mainida, et just sel ajal alustas nõukogude teadlane Dmitri Aleksandrovitš Pospelov oma tööd tehisintellekti alal.

Võitlus malelaual

Eraldi võib käsitleda inimese ja tehisintellekti vastasseisu ajalugu malelaual. See lugu sai alguse juba ammu: kui 1769. aastal Viinis lõi Wolfgang von Kempeleng malemasina. See oli suur puidust kast, mille katusel oli malelaud ja mille taga seisis vastavas riietuses vahast türklane (selle tõttu kutsutakse autot vahel ka lühemalt “Türk”). Enne etenduse algust avati boksi uksed ja publik sai näha paljusid teatud mehhanismi detaile. Seejärel suleti uksed ja auto käivitati spetsiaalse võtmega, nagu kell. Pärast seda, kes tahtis mängida, tuli üles ja tegi liigutusi.

Seda masinat saatis tohutu edu ja see suutis reisida üle kogu Euroopa, kaotades tugevatele maletajatele vaid mõned partiid. Tegelikult oli kasti sees inimene, kes peeglite ja mehhanismide süsteemi abil sai jälgida peo seisu ja hoobade süsteemi abil juhtida "türklase" kätt. Ja see ei olnud viimane masin, mille sees tegelikult peidus elav maletaja. Sellised masinad olid edukad kuni kahekümnenda sajandi alguseni.

Arvutite tulekuga muutus käegakatsutavaks võimalus luua kunstlik maletaja. Alan Turing töötas välja esimese malet mängima võimelise programmi, kuid tehniliste piirangute tõttu kulus ühe käigu tegemiseks umbes pool tundi. Seal on isegi salvestus mängust Turingi kolleegi Alik Glenyga, mille programm kaotas.

Idee luua sellised arvutipõhised programmid tekitas teadusmaailmas vastukaja. Küsiti palju küsimusi. Suurepärane näide on artikkel: "Digitaalsete arvutite kasutamine mängude jaoks" (Digital Computers Applied to Games). See tõstatab 6 küsimust:

1. Kas on võimalik luua masin, mis järgiks male reegleid, suudaks anda juhusliku õige käigu või kontrollida, kas käik on õige?

2. Kas on võimalik luua masin, mis on võimeline lahendama maleülesandeid? Näiteks öelda, kuidas matti teha kolme käiguga.

3. Kas on võimalik luua masin, mis mängiks head mängu? Mis näiteks teatud tavalise tükkide paigutusega silmitsi seistes võiks pärast kahe-kolmeminutilist arvutust anda hea õige käigu.

4. Kas on võimalik luua masinat, mis malet mängides õpib ja täiustab oma mängu ikka ja jälle?

See küsimus toob esile veel kaks küsimust, mis on tõenäoliselt juba lugeja keelel:

5. Kas on võimalik luua masin, mis on võimeline küsimusele vastama nii, et tema vastust pole võimalik eristada inimese vastusest.

6.Kas saate luua masina, mis tunneks end nagu teie või mina?

Artiklis oli põhirõhk küsimusel number 3. Vastus küsimustele 1 ja 2 on rangelt positiivne. Vastus küsimusele 3 on seotud keerukamate algoritmide kasutamisega. Küsimuste 4 ja 5 kohta ütleb autor, et ta ei näe veenvaid argumente, mis sellist võimalust ümber lükkaksid. Ja küsimusele 6: "Ma ei saa kunagi isegi teada, kas tunnete kõike samamoodi kui mina."

Isegi kui taolised uurimused ehk iseenesest ei pakkunud suurt praktilist huvi, olid nad teoreetiliselt siiski väga huvitavad ja oli lootust, et nende probleemide lahendamine saab tõuke ka teiste samalaadsete probleemide lahendamiseks ja suurema tähtsusega.

Malet mängimise oskust on pikka aega omistatud standardsetele testülesannetele, mis näitavad tehisintellekti võimet ülesandega toime tulla, mitte "toore jõu" seisukohast, mida antud kontekstis mõistetakse kui võimalike võimaluste täieliku loetelu kasutamist. liigub, kuid abiga ..."midagi selline,” nagu ütles kunagi üks maleprogrammide väljatöötamise pioneere Mihhail Botvinnik. Omal ajal õnnestus tal "läbi murda" ametlikust rahastamisest "kunstliku malemeistri" projekti, tarkvarapaketi PIONEER kallal, mis loodi tema juhtimisel üleliidulises elektrienergia tööstuse uurimisinstituudis. "PIONEER" põhiprintsiipide rakendamise võimalustest juhtimise optimeerimise probleemide lahendamisel rahvamajandus Botvinnik andis korduvalt aru NSVL Teaduste Akadeemia Presiidiumile.

Põhiidee, millele eksmaailmameister oma arengus rajas, sõnastas ta ise ühes oma intervjuus 1975. aastal: „Olen ​​juba üle tosina aasta tegelenud malemeistri mõtlemise äratundmise probleemiga: kuidas. kas ta leiab käigu ilma täieliku loendita? Ja nüüd võib väita, et see meetod on põhimõtteliselt avalikustatud ... Programmi loomise kolm põhietappi: masin peab suutma leida tüki liikumise trajektoori, seejärel peab ta "õppima" moodustama mänguala , kohaliku lahinguala malelaual ja suutma moodustada nende tsoonide komplekti. Esimene osa tööst on juba ammu tehtud. Tsooni moodustamise alamprogramm on nüüdseks lõppenud. Silumine algab lähipäevil. Kui see õnnestub, on täielik kindlustunne, et ka kolmas etapp õnnestub ja auto hakkab mängima.

PIONEER projekt jäi pooleli. Botvinnik töötas selle kallal aastatel 1958–1995 ja selle aja jooksul õnnestus tal ehitada malemängu algoritmiline mudel, mis põhines "valikute puu" otsimisel ja järjestikusel "ebatäpsete eesmärkide" saavutamisel, mis oli materiaalne kasu.

1974. aastal võitis Nõukogude arvutiprogramm Kaissa esimese arvutimale maailmameistrivõistluse, alistades kõigis neljas partiis teised malemasinad, mängides maletajate hinnangul kolmanda kategooria tasemel. Nõukogude teadlased võtsid malemasinate jaoks kasutusele palju uuendusi: avaraamatu kasutamist, mis vältis käikude arvutamist juba mängu alguses, samuti spetsiaalset andmestruktuuri: bitboardi, mida kasutatakse malemasinates siiani.

Tekkis küsimus, kas programm suudab inimest võita. 1968. aastal tegi maletaja David Levy 1250 naelase panuse, et ükski masin ei suuda teda järgmise 10 aasta jooksul võita. 1977. aastal mängis ta Kaissaga mängu ja võitis, misjärel turniiri enam ei jätkatud. 1978. aastal võitis ta mängu tolleaegse parima maleprogrammi Chess4.7 vastu, misjärel ta tunnistas, et pole jäänud palju aega, enne kui programmid suudavad tituleeritud maletajaid alistada.

Erilist tähelepanu tuleks pöörata mängudele inimese ja arvuti vahel. Kõige esimene oli varem mainitud Alik Gleny ja Turingi programmide mäng. Järgmine samm oli Los Alamose programmi loomine 1952. aastal. Ta mängis 6x6 laual (ilma piiskoppideta). Katse viidi läbi kahes etapis. Esimene etapp on mäng tugeva maletajaga, mille tulemusel võitis pärast 10 tundi mängimist mees. Teine etapp oli mäng tüdruku vastu, kes vahetult enne testi õpetati malet mängima. Tulemuseks oli programmi võit 23. käigul, mis oli toona vaieldamatu saavutus.

Alles 1989. aastal suutis Deep Thought võita rahvusvahelist suurmeistrit: Bent Larsenit. Samal aastal toimus sama kava matš Garri Kasparoviga, mille Kasparov võitis kergelt. Pärast mängu ütles ta:

“ Kui arvuti suudab males võita parimatest parimaid, tähendab see, et arvuti suudab komponeerida parimat muusikat, kirjutada parimaid raamatuid. Ma ei suuda seda uskuda. Kui luuakse arvuti, mille reiting on 2800 ehk minu omaga võrdne, pean ma ise oma kohuseks inimkonna kaitsmise nimel see matšile vaidlustada.”

1996. aastal kaotas Deep Blue arvuti turniiri Kasparovile, kuid võitis esimest korda ajaloos mängu maailmameistri vastu. Ja alles 1997. aastal võitis arvuti esimest korda ajaloos turniiri maailmameistri vastu tulemusega 3,5:2,5.

Pärast Kasparovi matše väljendasid paljud FIDE juhid korduvalt mõtet, et segamatšide pidamine (inimene arvutiprogrammi vastu) on mitmel põhjusel sobimatu. Seda seisukohta toetades selgitas Garri Kasparov:Jah, arvuti ei tea, mis on võitmine või kaotus. Ja kuidas see minu jaoks on?.. Kuidas ma suhtun mängu pärast magamata ööd, pärast mängu vigu? Kõik on emotsioonid. Need panevad inimmängijale tohutu koormuse ja kõige ebameeldivam on see, et sa mõistad, et vastast ei väsi väsimus ega muud emotsioonid.».

Ja kui ka praegu on malevõitluses eelis arvutite poolel, siis sellistel võistlustel nagu Go mäng sobib arvuti mängimiseks vaid algajatele või keskmise tasemega mängijatele. Põhjus on selles, et Go-s on laua seisu raske hinnata: ühe käiguga saab üheselt kaotusseisust teha võidupositsiooni. Lisaks sellele on täielik loendamine praktiliselt võimatu, sest ilma heuristilise lähenemiseta võib esimese nelja käigu täielik loendamine (kaks ühel ja kaks teisel küljel) nõuda hinnanguliselt ligi 17 mln. valikuid joondus.

Sarnast huvi võib pakkuda pokkerimäng. Raskus seisneb siin selles, et olek pole täielikult jälgitav, erinevalt Go ja male puhul, kus mõlemad mängijad näevad kogu lauda. Pokkeris on võimalik, et vastane ütleb söödu ja ei näita oma kaarte, mis võib analüüsiprotsessi keeruliseks muuta.

Igatahes Mõttemängud on tehisintellekti arendajatele sama olulised kui äädikakärbsed geneetikutele. See on mugav väli katsetamiseks, nii teoreetilise kui praktilise uurimistöö väli. See on ka tehisintellekti teaduse arengu näitaja.

Tehisintellekti kasutamine ärilistel eesmärkidel

80ndatel otsustasid paljud ettevõtted tehisintellekti edusammudest inspireerituna proovida uusi tehnoloogiaid. Selliseid eksperimentaalseid samme said endale lubada aga vaid suurimad ettevõtted.

Üks varasemaid tehisintellekti tehnoloogiaid kasutusele võtnud ettevõtteid oli DEC (Digital Equipment Corp). Ta suutis rakendada XSEL-i ekspertsüsteemi, mis aitas tal konfigureerida seadmeid ja valida klientidele alternatiive. Selle tulemusena vähenes kolmetunnine ülesanne 15 minutile ja vigade arv vähenes 30%-lt 1%-le. Ettevõtte esindajate sõnul võimaldas XSEL-i süsteem teenida 70 miljonit dollarit.

American Express otsustas ekspertsüsteemi abil, kas anda kliendile laen või mitte. See süsteem pakkus krediiti kolmandiku võrra tõenäolisemalt kui eksperdid. Väidetavalt teenis ta aastas 27 miljonit dollarit.

Intelligentsete süsteemide kasu on sageli olnud tohutu. See oli nagu kõndimisest autojuhtimiseni või sõitmisest lendamiseni.

Tehisintellekti integreerimisega polnud aga kõik nii lihtne. Esiteks ei saa iga ülesannet vormistada tasemel, millega tehisintellekt sellega hakkama saaks. Teiseks oli arendus ise väga kallis. Kolmandaks olid süsteemid uued, inimesed polnud harjunud arvutit kasutama. Mõned olid skeptilised ja mõned isegi vaenulikud.

Huvitav näide on DuPont, mis suutis väikese abisüsteemi ehitamiseks kulutada 10 000 dollarit ja ühe kuu. Ta sai töötada personaalarvutiga ja tal oli 100 000 dollari suurune lisakasum.

Kõik ettevõtted pole tehisintellekti tehnoloogiaid edukalt rakendanud. See näitas, et selliste tehnoloogiate kasutamine nõuab suurt teoreetilist baasi ja palju ressursse: intellektuaalseid, ajutisi ja materiaalseid. Kuid edu korral tasusid kulud kättemaksuga.

Paradigma muutus

1980. aastate keskel nägi inimkond, et arvutid ja tehisintellekt saavad raskete ülesannetega hakkama ilma hullem kui mees ja paljuski veelgi parem. Käes olid näited edukast kommertskasutusest, edusammudest mängutööstuses ja edusammudest otsuste tugisüsteemides. Inimesed uskusid, et ühel hetkel saavad arvutid ja tehisintellekt igapäevaste probleemidega paremini toime kui inimesed. Uskumus, mida on jälgitud iidsetest aegadest ja täpsemalt robootika kolme seaduse loomisest saadik. Kuid mingil hetkel liikus see usk uuele tasemele. Ja selle tõestuseks võib tuua veel ühe robootika seaduse, mida Isaac Asimov ise eelistas 1986. aastal nimetada nulliks:

"0. Robot ei saa inimest kahjustada, kui ta ei suuda tõestada, et see toob lõppkokkuvõttes kasu kogu inimkonnale.

See on tohutu nihe nägemuses tehisintellekti kohast inimelus. Esialgu anti masinatele tahtejõuetu sulase koht: uue aja kariloomad. Nähes selle väljavaateid ja võimalusi, hakkas inimene aga tõstatama küsimust, kas tehisintellekt suudab inimeste elu paremini juhtida kui inimesed ise. Väsimatu, õiglane, ennastsalgav, ei allu kadedusele ja soovidele, võib-olla suudaks ta inimeste elu teisiti korraldada. Idee pole tegelikult uus, see ilmus 1952. aastal Kurt Vonneguti romaanis "Mehaaniline klaver ehk Utoopia 14". Aga siis oli see fantastiline. Nüüd on sellest saanud võimalik väljavaade.

andmete kaevandamine

Selle andmekaevandamise suundumuse ajalugu algas 1989. aastal pärast Grigory Pyatetsky-Shapiro seminari. Ta mõtles, kas pealtnäha märkamatute andmete pikast jadast on võimalik kasulikke teadmisi ammutada. Näiteks võib see olla andmebaasipäringute arhiiv. Kui seda vaadates suudaksime tuvastada mõned mustrid, kiirendaks see andmebaasi. Näide: igal hommikul kell 7:50-8:10 algatatakse ressursimahukas päring eelmise päeva aruande koostamiseks, mille puhul selleks ajaks saab selle juba teiste päringute vahel genereerida, nii et andmebaasi taotlustega ühtlasemalt koormatud. Kuid kujutage ette, et selle taotluse algatab töötaja alles pärast uue teabe sisestamist. Sel juhul peaks muutuma reegel: niipea, kui konkreetne töötaja on info sisestanud, saab taustal asuda aruannet koostama. See näide on äärmiselt lihtne, kuid näitab nii andmekaevandamise eeliseid kui ka sellega seotud raskusi.

Mõistel datamining puudub ametlik tõlge vene keelde. Seda võib tõlkida kui "andmekaeve" ja "kaevandamine" on sarnane kaevandustes toimuvaga: kui teil on palju toorainet, võite leida väärtusliku objekti. Tegelikult eksisteeris sarnane termin juba 1960. aastatel: Data Fishing või Data Dredging. Seda kasutasid statistikud, mis tähistab tunnustatud halba tava leida mustreid a priori hüpoteeside puudumisel. Tegelikult võiks seda terminit õigemini nimetada andmebaasi kaevandamiseks, kuid see nimi osutus kaubamärgiks. Grigory Pyatetsky-Shapiro pakkus ise välja termini “Teadmiste avastamine andmebaasides”, kuid ärikeskkonnas ja ajakirjanduses fikseeriti nimetus “Andmekaeve”.

Idee, et teatud faktide andmebaasi kasutades saab ennustada uute faktide olemasolu, tekkis juba ammu ja arenes pidevalt vastavalt tehnika tasemele: 1700. aastad - Bayesi teoreem, 1800. aastad - regressioonianalüüs, 1930ndad - klastrite analüüs, 1940ndad - närvivõrgud, 1950ndad - geneetilised algoritmid, 1960ndad - otsustuspuud. Mõiste andmekaeve ühendas neid mitte selle järgi, kuidas nad töötavad, vaid selle järgi, mis on nende eesmärk: omades teatud hulga andmeid, saavad nad ennustada, millised andmed peaksid järgmiseks välja tulema.

Andmekaeve eesmärk on leida “varjatud teadmised”. Vaatame lähemalt, mida tähendab "varjatud teadmine". Esiteks peavad need olema uued teadmised. Näiteks, et nädalavahetustel suureneb supermarketis müüdavate kaupade hulk. Teiseks ei tohiks teadmised olla triviaalsed, mitte taanduda matemaatilise ootuse ja dispersiooni leidmisele. Kolmandaks peaksid need teadmised kasuks tulema. Neljandaks teadmised, mida on lihtne tõlgendada.

Pikka aega usuti, et arvutid suudavad ennustada kõike: aktsiahindu, serverite koormusi, vajalike ressursside hulka. Selgus aga, et andmeprügist on sageli väga raske infot ammutada. Igal konkreetsel juhul on vaja algoritmi kohandada, kui see pole lihtsalt mingi regressioon. Inimesed uskusid, et on olemas universaalne algoritm, mis nagu must kast suudab neelata suure hulga andmeid ja hakata ennustama.

Kõigist piirangutest hoolimata paranevad andmekaevet hõlbustavad tööriistad aasta-aastalt. Ja alates 2007. aastast on Rexer Analytics igal aastal avaldanud ekspertide küsitluse tulemusi olemasolevate tööriistade kohta. 2007. aasta uuring koosnes 27 küsimusest ja selles osales 314 osalejat 35 riigist. 2013. aastal hõlmas küsitlus juba 68 küsimust ning selles osales 1259 spetsialisti 75 maailma riigist.

Endiselt kaalutakse andmekaevet paljutõotav suund. Ja jällegi tekitab selle kasutamine uusi eetilisi küsimusi. Lihtne näide on andmekaevetööriistade kasutamine kuritegude analüüsimiseks ja ennustamiseks. Sarnaseid uuringuid on alates 2006. aastast läbi viinud erinevad ülikoolid. Inimõiguslased on sellele vastu, väites, et sel viisil saadud teadmised võivad viia otsinguteni, mis ei põhine faktidel, vaid oletustel.

Soovitussüsteemid on tehisintellekti arengu kõige käegakatsutavam tulemus. Sellega saame kokku puutuda, kui külastame mõnda populaarset veebipoodi. Soovitussüsteemi ülesanne on mõne jälgitava funktsiooni järgi määrata näiteks konkreetse kasutaja poolt vaadatud toodete nimekiri, et teha kindlaks, millised tooted on kasutajale kõige huvitavamad.

Soovituste leidmise ülesanne taandub samuti masina õppimise ülesandele, nagu andmekaevandamise puhul. Arvatakse, et soovitussüsteemide väljatöötamise ajalugu sai alguse David Goldbergi poolt Xerox Palo Alto uurimiskeskuses 1992. aastal kasutusele võetud Tapestry süsteemist. Süsteemi eesmärk oli filtreerida ettevõtte posti. Sellest sai omamoodi soovitajate süsteemi eelkäija.

peal Sel hetkel Soovitussüsteeme on kaks. David Goldberg pakkus välja koostööfiltreerimisel põhineva süsteemi. See tähendab, et soovituse andmiseks vaatab süsteem teavet selle kohta, kuidas teised sihtkasutajale sarnased kasutajad teatud objekti hindasid. Selle teabe põhjal saab süsteem eeldada, kui kõrgelt hindab sihtkasutaja konkreetset objekti (toodet, filmi).

Sisufiltrid on teist tüüpi soovitussüsteemid. Vajalik seisukord sisufiltri eksisteerimiseks on olemas teatud andmebaas, mis peab salvestama kõigi objektide mõõdikud. Lisaks suudab süsteem pärast mitmeid kasutajatoiminguid määrata, mis tüüpi objektid kasutajale meeldivad. Olemasolevate mõõdikute põhjal saab süsteem üles võtta uusi objekte, mis on mingil moel sarnased juba vaadatud objektidega. Sellise süsteemi miinuseks on see, et kõigepealt tuleb ehitada suur andmebaas koos mõõdikutega. Mõõdiku koostamise protsess võib olla väljakutse.

Taas tekib küsimus, kas selliste süsteemide kasutamine ei ole rikkumine. Siin on kaks lähenemist. Esimene on selgesõnaline andmete kogumine, mis kujutab endast andmete kogumist eranditult soovitussüsteemi toimimise raamistikus. Näiteks kui see on veebipoe soovitussüsteem, pakub see mõne toote hindamist, toodete huvipakkumist sorteerides ja lemmiktoodete loendi koostamist. Selle tüübiga on kõik lihtne: süsteem ei saa teavet kasutaja tegevuse kohta väljaspool oma piire, kõik, mida ta teab, on kasutaja ise. Teine tüüp on kaudne andmete kogumine. See hõlmab selliseid tehnikaid nagu muude sarnaste ressursside teabe kasutamine, kasutaja käitumise üle arvestuse pidamine, kasutaja arvuti sisu kontrollimine. Seda tüüpi teabe kogumine soovitussüsteemide jaoks on murettekitav.

Kuid selles suunas tekitab erainfo kasutamine üha vähem poleemikat. Näiteks 2013. aastal teatati YAC (Yandex Another Conference) konverentsil Atomi süsteemi loomisest. Selle eesmärk on pakkuda veebisaitide omanikele teavet, mida nad võivad soovituste koostamiseks vajada. Seda teavet peaksid algselt koguma Yandexi teenused. See tähendab, et antud juhul kogutakse andmeid kaudselt. Näide: inimene siseneb otsinguteenusesse, et leida Pariisi huvitavamaid kohti. Mõne aja pärast külastab inimene reisibüroo saiti. Ilma Atomita peaks agentuur lihtsalt näitama inimesele kõige populaarsemaid ringreise. Atom võiks soovitada saidil näidata kasutajale esmalt Pariisi ringreisi ja teha sellel konkreetsel tuuril personaalne allahindlus, et eristada seda teistest. Seega ei ulatu konfidentsiaalne info Atomi teenusest kaugemale, sait teab, mida kliendile nõu anda ning klient on rahul, et leidis otsitava kiiresti üles.

Siiani on soovitussüsteemid kõige selgem näide sellest, mida tehisintellekti tehnoloogiad suudavad saavutada. Ühe sellise süsteemiga saab teha tööd, millega isegi analüütikute armee hakkama ei saaks.

Järeldus

Igal asjal on algus, nagu ütles Sancho Panza, ja seda algust tuleb kirjeldada.

pöörduda millelegi, mis sellele eelneb. Hindud leiutasid elevandi, mis

mis hoidis maailma, kuid nad pidid selle kilpkonnale panema. Vaja

Pange tähele, et leiutamine seisneb selles, et luuakse mitte tühjusest, vaid sellest

kaos: esiteks peaksite hoolitsema materjali eest ...

Mary Shelley, Frankenstein

Tehisintellekti kui masinate loomise teaduse ja tehnoloogia arendamine algas veidi enam kui sajand tagasi. Ja seni saavutatud saavutused on vapustavad. Nad ümbritsevad inimesi peaaegu kõikjal. Tehisintellekti tehnoloogiatel on omapära: inimene peab neid algul millekski intellektuaalseks, siis harjub nendega ära ja need tunduvad talle loomulikud.

Oluline on meeles pidada, et tehisintellekti teadus on tihedalt seotud matemaatika, kombinatoorika, statistika ja teiste teadustega. Kuid mitte ainult need ei mõjuta teda, vaid tehisintellekti areng võimaldab juba loodut teistsuguse pilguga heita, nagu juhtus programmiga Logic Theorist.

Olulist rolli tehisintellekti tehnoloogiate arendamisel mängib arvutite areng. Vaevalt on võimalik ette kujutada tõsist andmekaeveprogrammi, millest piisaks 100 kilobaidi muutmälu jaoks. Arvutid võimaldasid tehnoloogiatel ulatuslikult areneda, samas kui teoreetilised uuringud olid intensiivse arengu eelduseks. Võime öelda, et tehisintellekti teaduse areng oli arvutite arengu tagajärg.

Tehisintellekti arengulugu pole veel lõppenud, seda kirjutatakse just praegu. Tehnoloogiaid täiustatakse pidevalt, luuakse uusi algoritme ja avanevad uued rakendusvaldkonnad. Aeg avab teadlastele pidevalt uusi võimalusi ja uusi küsimusi.

See kokkuvõte ei keskendu riikidele, kus teatud uuringud läbi viidi. Kogu maailm on panustanud vähehaaval valdkonda, mida praegu nimetame tehisintellekti teaduseks.

Bibliograafia

Maailma rahvaste müüdid. M., 1991-92. 2 köites T.2. S. 491,

Idel, Moshe (1990). Golem: juudi maagilised ja müstilised traditsioonid kunstliku antropoidi kohta. Albany, New York: State University of New York Press. ISBN 0-7914-0160-X. lk 296

Asimov, Iisak. Essee nr 6. Robootika seadused // Roboti unenäod sisse . M.: Eksmo, 2004. S. 781784. ISBN 5-699-00842- X

Vaata Nonn. Dionysose teod XXXII 212. Clement. Protreptic 57, 3 (viide Philostephanesele).

Robert J. Sawyer. Asimovi kolmest robootikaseadusest (1991).

Turing, Alan (oktoober 1950), "Arvutusmasinad ja intelligentsus", Mind LIX (236): 433460

McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude (1955)Ettepanek Dartmouthi suvise tehisintellekti uurimisprojekti kohta

Crevier 1993, lk. 4648.

Smith, Reid (8. mai 1985). "Teadmistepõhiste süsteemide kontseptsioonid, tehnikad, näited"

Alan Turing, "Mängudele rakendatud digitaalsed arvutid". n.d. AMT "panus "Arvatust kiiremini", toim B.V. Bowden, London 1953. Väljaandja Pitman Publishing. TS MS parandused. R.S. 1953b

Kaissa – maailmameister. Ajakiri "Teadus ja elu", jaanuar 1975, lk 118-124

Geek, E. Suurmeister "Sügav mõte" // Teadus ja elu. M., 1990. V. 5. Lk 129130.

F. Hayes-Roth, N. Jacobstein. Enowledge-põhiste süsteemide olukord. ACM-i teatised, märts, 1994, v.37, n.3, lk.27-39.

Karl Rexer, Paul Gearan ja Heather Allen (2007); 2007. aasta andmekaevandaja uuringu kokkuvõte, esitletud SPSS-i juhiste konverentsil oktoobris. 2007 ja Oracle BIWA tippkohtumine, okt. 2007.

Karl Rexer, Heather Allen ja Paul Gearan (2013); 2013. aasta Data Miner Survey Summary, esitleti Predictive Analytics Worldis oktoobris. 2013. aasta.

Shyam Varan Nath (2006). "Kuritegevuse mustrite tuvastamine andmekaevandamise abil", WI-IATW "06 IEEE/WIC/ACM 2006. aasta rahvusvahelise veebiintellekti ja intelligentsete agentide tehnoloogia konverentsi materjalid, lk 41–44

David Goldberg, David Nichols, Brian M. Oki ja Douglas Terry (2006). “Koostööfiltri kasutamine teabevaiba kudumiseks”, ACM-i teatised, detsember 1992, kd 35, n12, lk 61–71

1. loeng

Sissejuhatus. Infosüsteemi ja tehnoloogia mõiste, intellektuaalne infosüsteem (IIS). Signaalide esitamise ja töötlemise meetodite väljatöötamise ajaloolised aspektid, signaalitöötlussüsteemide konstrueerimise meetodid, nende intellektualiseerimine. IIS-i erinevus traditsioonilistest infosüsteemidest. Intelligentsete süsteemide tüübid ja omadused. Aruka juhtimise kontseptsioon ja tüübid. Arukate infosüsteemide ehitamise lähenemisviisid. IIS-i põhiklassid. Iga klassi eristavad tunnused.

Tänapäeva maailmas saavutatakse programmeerija tootlikkuse kasv praktiliselt vaid neil juhtudel, kui arvutid võtavad osa intellektuaalsest koormusest üle. Üks viise selles valdkonnas maksimaalse edu saavutamiseks on "tehisintellekt", kui arvuti mitte ainult ei võta sama tüüpi korduvaid toiminguid, vaid suudab ka ise õppida. Lisaks avab täisväärtusliku "tehisintellekti" loomine inimkonnale uusi arenguhorisonte.

Enne kui hakkame arutama tõhusate intelligentsete infosüsteemide ülesehitamise küsimusi, pöördume mõne teema definitsiooni ja põhimõiste juurde.

Teave- teave objektide, nähtuste ja sündmuste, ümbritseva maailma protsesside kohta, mida edastatakse suuliselt, kirjalikult või muul viisil ja mis vähendab nende kohta teadmiste ebakindlust.

Info peab olema usaldusväärne, täielik, adekvaatne, s.t. olema teatud tasemel asjakohasus, lühike, selge ja arusaadav, õigeaegne ja väärtuslik.

Süsteem- elementide kogum, mida ühendavad nendevahelised seosed ja millel on teatav terviklikkus. See tähendab, et süsteem on interakteeruvate omavahel seotud elementide kogum, mida ühendab kindel eesmärk ja suhete ühised (eesmärgipärased) reeglid.

Automaatsed infosüsteemid teha kõik teabetöötlustoimingud ilma inimese sekkumiseta.

Automatiseeritud infosüsteemid kaasata nii isiku kui ka tehniliste vahendite osalemine infotöötlusprotsessis, kusjuures peaosas on arvuti. Tänapäevases tõlgenduses hõlmab mõiste "infosüsteem" tingimata ka automatiseeritud süsteemi mõistet. Eristada tuleb infosüsteemi ja infotehnoloogia mõisteid.

Infotehnoloogia- arvutitehnoloogia kasutamise tehnikad, meetodid ja meetodid andmete kogumise, salvestamise, töötlemise ja kasutamise funktsioonide täitmisel (vastavalt standardile GOST 34.003-90).

Infosüsteem- organisatsiooniliselt korrastatud dokumentide ja infotehnoloogiate kogum, sealhulgas infoprotsesse rakendava arvutitehnoloogia ja side kasutamine.

Selline infosüsteemi mõistmine hõlmab arvutite ja sidevahendite kasutamist peamiste tehniliste vahenditena teabe töötlemiseks, infoprotsesside realiseerimiseks ja mis tahes valdkonna ülesannete kohta otsuste tegemisel vajaliku teabe väljastamiseks.

InfSist on keskkond, mille koostisosadeks on arvutid, arvutivõrgud, tarkvaratooted, andmebaasid, inimesed, mitmesugused tehnilised ja tarkvaralised side jne. Kuigi IS-i idee ja mõned nende korraldamise põhimõtted tekkisid juba ammu enne arvutite tulekut, suurendas arvutistamine IS-i efektiivsust kümneid ja sadu kordi ning laiendas nende rakendusala.

mõiste "" all süsteem" mõistetakse objektina, mida käsitletakse samaaegselt nii ühtse tervikuna kui ka omavahel seotud heterogeensete elementide kogumina, mis on seatud eesmärkide saavutamise huvides ühendatud, töötades ühtse tervikuna. Süsteemid erinevad üksteisest oluliselt nii koostise kui ka põhieesmärkide poolest. See tervik omandab mingi omaduse, mis elementidel eraldi puudub.

Järjepidevuse märke kirjeldavad kolm põhimõtet:

Väline terviklikkus - süsteemi isolatsioon või suhteline isolatsioon ümbritsevas maailmas;

Sisemine terviklikkus – süsteemi omadused sõltuvad selle elementide omadustest ja nendevahelistest suhetest. Nende suhete rikkumine võib viia selleni, et süsteem ei suuda oma funktsioone täita;

Hierarhia - süsteemis saab eristada erinevaid alamsüsteeme, teisalt võib süsteem ise olla ka mõne teise suurema süsteemi või alamsüsteemi alamsüsteem.

Arvutiteaduses on mõiste "süsteem" laialt levinud ja sellel on palju semantilisi tähendusi. Kõige sagedamini kasutatakse seda komplektiga seoses tehnilisi vahendeid ja programmid. Süsteemi võib nimetada arvuti riistvaraosaks. Süsteemiks võib pidada ka konkreetsete rakendusprobleemide lahendamiseks mõeldud programmide kogumit, mida täiendavad dokumentatsiooni säilitamise ja arvutuste haldamise protseduurid.

Olenevalt konkreetsest kasutusvaldkonnast võivad IS-d oma funktsioonide, arhitektuuri ja teostuse poolest suuresti erineda. Eraldi on võimalik välja tuua peamised omadused, mis on ühised kõikidele IS-dele :

IS-i struktuur, selle funktsionaalne otstarve peab vastama püstitatud eesmärkidele;

IS kasutab andmete edastamiseks võrke;

kuna iga IS on loodud teabe kogumiseks, säilitamiseks ja töötlemiseks, siis põhineb igasugune IS andmete salvestamise ja neile juurdepääsu keskkonnal. Ja kuna IS-i ülesanne on usaldusväärse, usaldusväärse, õigeaegse ja süstematiseeritud teabe tootmine andmebaaside, ekspertsüsteemide ja teadmusbaaside kasutamisel, peab see tagama vajalikul tasemel IS-i ulatusele vastava salvestuskindluse ja juurdepääsu efektiivsuse. ;

Inimesed peavad intellektuaalomandit kontrollima, neid mõistma ja kasutama vastavalt põhiprintsiipidele, mis on rakendatud ettevõtte standardi või muu IP standardi vormis. IS kasutajaliides peaks olema intuitiivsel tasemel lihtsalt arusaadav.

Infosüsteemide ja IS-i arendajate põhiülesanded:

Info otsimine, töötlemine ja säilitamine, mis koguneb pikka aega ja mille kadumine on korvamatu. Arvutipõhised IC-d on loodud teabe kiiremaks ja usaldusväärsemaks töötlemiseks, et inimesed ei raiskaks aega, et vältida inimlikke juhuslikke vigu, säästa kulusid, muuta inimeste elu mugavamaks;

Erineva struktuuriga andmete salvestamine. Pole välja töötatud IS-i, mis töötaks ühe homogeense andmefailiga. Lisaks on mõistlik nõue infosüsteemile, et see saaks areneda. Võib ilmuda uusi funktsioone, mille täitmiseks on vaja uue struktuuriga lisaandmeid. Sel juhul peaks kogu varem kogutud teave jääma salvestatuks. Teoreetiliselt saab selle probleemi lahendada mitme välise mälufaili kasutamisega, millest igaüks salvestab fikseeritud struktuuriga andmeid. Sõltuvalt kasutatava failihaldussüsteemi ülesehitusest võib see struktuur olla failikirje struktuur või seda toetab eraldi selle IC jaoks kirjutatud teegi funktsioon. On näiteid reaalselt toimivatest IS-idest, mille puhul plaaniti andmete salvestamine põhineda failidel. Enamiku nende süsteemide arendamise tulemusena on neisse tekkinud omaette komponent, milleks on omamoodi andmebaasihaldussüsteem (DBMS);

Ühiskonnas liikuvate eri liiki ja tüüpi infovoogude analüüs ja prognoosimine. Vooge uuritakse eesmärgiga neid minimeerida, standardida ja kohandada tõhusaks töötlemiseks arvutites, samuti erinevate infolevikanalite kaudu voolavate infovoogude iseärasusi;

Teabe esitus- ja säilitamisviiside uurimine, erikeelte loomine erineva iseloomuga teabe formaalseks kirjeldamiseks, spetsiaalsete tehnikate väljatöötamine teabe tihendamiseks ja kodeerimiseks, mahukate dokumentide märkuste tegemiseks ja kokkuvõtete tegemiseks. Selle suuna raames töötatakse välja suuremahuliste andmepankade loomiseks, mis salvestavad infot erinevatest teadmisvaldkondadest arvutile kättesaadaval kujul;

Protseduuride ja nende elluviimiseks tehniliste vahendite väljaehitamine, mille abil on võimalik automatiseerida arvutitele mitte mõeldud, vaid inimtajule keskendunud dokumentidest info hankimise protsessi;

Teabeotsingusüsteemide loomine, mis suudavad vastu võtta loomulikus keeles sõnastatud teabehoidlatele suunatud päringuid, samuti seda tüüpi süsteemide jaoks spetsiaalsete päringukeelte loomine;

Teabe salvestamise, töötlemise ja edastamise võrkude loomine, mis hõlmavad teabe andmepanku, terminale, töötlemiskeskusi ja sidevahendeid.

Konkreetsed ülesanded, mida infosüsteem peab lahendama, sõltuvad rakendusalast, mille jaoks süsteem on mõeldud. Inforakenduste kasutusvaldkonnad on mitmekesised: pangandus, tootmisjuhtimine, meditsiin, transport, haridus jne. Tutvustame mõistet "ainevaldkond" - ümbritsevast maailmast eraldatud fragmenti nimetatakse ekspertvaldkonnaks või ainevaldkond. Samuti on palju ülesandeid ja probleeme, mis vajavad lahendamist selle ainevaldkonna entiteete ja seoseid kasutades, seega kasutatakse laiemat mõistet - probleemkeskkond on ainevaldkond + lahendatavad ülesanded.

Vaatleme lähemalt kahte tüüpi infosüsteeme. Need on ekspert- ja intellektuaalsed süsteemid.

Ekspertsüsteemid(Expert System) - teabenõustamis- ja/või otsustussüsteemid, mis põhinevad struktureeritud, sageli halvasti formaliseeritud protseduuridel, mis kasutavad kogemust, intuitsiooni, s.t. intellektuaalsed omadused, mis toetavad või modelleerivad ekspertide tööd; süsteeme kasutatakse nii pikaajalises kui ka lühiajalises operatiivprognoosis ja juhtimises.

Intelligentsed süsteemid või teadmistel põhinevad süsteemid (Knowleadge Based System) - süsteemid otsustusülesannete toetamiseks keerulistes süsteemides, kus on vaja teadmisi kasutada üsna laias ulatuses, eriti halvasti formaliseeritud ja halvasti struktureeritud süsteemides, hägustes süsteemides ja hägusate otsustuskriteeriumide puhul; need süsteemid on kõige tõhusamad ja neid kasutatakse pikaajalise strateegilise juhtimise probleemide taandamiseks taktikaliste ja lühiajaliste probleemideni, juhitavuse parandamiseks, eriti mitme kriteeriumi keskkonnas. Erinevalt ekspertsüsteemidest peaksid teadmistepõhised süsteemid sagedamini vältima ekspert- ja heuristlikke protseduure ning kasutama riski minimeerimiseks kognitiivseid protseduure. Siin on personali professionaalsuse mõju olulisem, kuna selliste süsteemide arendamine nõuab koostööd ja vastastikust mõistmist mitte ainult arendajatelt, vaid ka kasutajatelt, juhtidelt ning arendusprotsess ise toimub reeglina iteratiivselt, iteratiivsete täiustustega, protseduuriliste teadmiste (kuidas ) järkjärguline transformeerimine (üleminek) mitteprotseduuriliseks, deklaratiivseks (mida teha).

Vaatleme nüüd infosüsteemide intelligentsuse küsimust.

Tähtaeg intelligentsus(intelligentsus) pärineb ladinakeelsest sõnast intellectus, mis tähendab "mõistus, mõistus, mõistus; inimese vaimsed võimed". Vastavalt tehisintellekt (tehisintellekt) – AI-t (AI) tõlgendatakse tavaliselt kui automaatsete süsteemide omadust võtta inimese intelligentsuse individuaalseid funktsioone, näiteks valida ja teha optimaalseid otsuseid, tuginedes eelnevalt omandatud kogemustele ja välismõjude ratsionaalsele analüüsile. Võib öelda, et intelligentsus on aju võime lahendada (intellektuaalseid) probleeme omandades, mäletades ja sihipäraselt ümber kujundades teadmisi kogemustest õppimise ja mitmesuguste oludega kohanemise protsessis. Mõiste “tehisintellekt” pakuti välja 1956. aastal Dartsmouthi kolledži (USA) seminaril. Sõna intelligentsus tähendab tegelikult "võimet mõistlikult" ja mitte üldse "intelligentsust", mille jaoks on olemas mõiste intellekt.

1950. aastal avaldas Briti matemaatik Alan Turing ajakirjas Mind oma töö "The Computing Machine and Intelligence", milles kirjeldas programmi intelligentsuse kontrollimise testi. Ta tegi ettepaneku paigutada uurija ja programm erinevatesse ruumidesse ning seni, kuni uurija teeb kindlaks, kes on seina taga – inimene või programm, pidada programmi käitumist mõistlikuks. See oli üks esimesi intelligentsuse määratlusi, st A. Turing tegi ettepaneku nimetada sellist programmi käitumist intelligentseks, mis simuleerib inimese mõistlikku käitumist. Sellest ajast peale on välja kujunenud palju intelligentsete süsteemide (InS) ja tehisintellekti (AI) määratlusi. Esitame mõned neist määratlustest. üks. AI määratletud kui arvutiteaduse valdkond, mis on seotud intelligentse käitumise uurimise ja automatiseerimisega. 2. teine ​​määratlus: " AI- see on üks arvutiteaduse valdkondi, mille eesmärk on arendada riist- ja tarkvaratööriistu, mis võimaldavad mitteprogrammeerival kasutajal seada ja lahendada oma traditsiooniliselt peetud intellektuaalseid ülesandeid, suheldes arvutiga piiratud alamhulga loomulikust keelest. 3. IS on adaptiivne süsteem, võimaldades koostada otstarbekaid tegevusprogramme neile pandud ülesannete lahendamiseks lähtuvalt nende keskkonnas hetkel kujunevast konkreetsest olukorrast. Kus adaptiivne süsteem on määratletud kui süsteem, mis jääb tööle kontrollitava objekti omaduste, juhtimiseesmärkide või keskkonna ettenägematute muutuste korral, muutes toimimisalgoritmi, käitumisprogrammi või otsides optimaalseid, mõnel juhul lihtsalt tõhusaid lahendusi ja olekuid. Traditsiooniliselt eristatakse kohanemismeetodi järgi isereguleeruvaid, iseõppivaid ja iseorganiseeruvaid süsteeme.

Nii et intelligentsete süsteemide abil lahendab inimene intellektuaalseid probleeme. Lihtülesande ja intellektuaalse ülesande erinevuse kindlakstegemiseks on vaja tutvustada algoritmi mõistet. Under algoritm mõistma täpset ettekirjutust operatsioonisüsteemi teatud järjekorras täitmise kohta mis tahes probleemi lahendamiseks mõnest antud ülesannete klassist (ülesannete komplektist). Mõiste "algoritm" pärineb usbeki matemaatiku Al-Khwarizmi nimest, kes pakkus 9. sajandil välja kõige lihtsamad aritmeetilised algoritmid. Matemaatikas ja küberneetikas loetakse teatud tüüpi ülesannete klass lahendatuks, kui selle lahendamiseks on loodud algoritm. Algoritmide leidmine on inimese loomulik eesmärk erinevate probleemide lahendamisel. Antud tüüpi probleemide jaoks algoritmi leidmine on seotud peene ja keeruka arutluskäiguga, mis nõuab suurt leidlikkust ja kõrgeid oskusi. On üldtunnustatud, et selline tegevus nõuab inimintellekti osalust. Probleeme, mis on seotud teatud tüüpi ülesannete klassi lahendamise algoritmi leidmisega, nimetatakse intelligentseteks. Need. intellektuaalsed ülesanded on keerulised, halvasti vormistatud ülesanded, mis nõuavad konkreetsest olukorrast olenevalt originaalse lahendusalgoritmi konstrueerimist, mida võib iseloomustada lähteandmete ja teadmiste ebakindlus ja dünaamilisus.

Erinevad teadlased määratlevad tehisintellekti kui teadust erineval viisil, olenevalt nende vaatest, ja töötavad selle nimel, et luua süsteeme, mis:

mõtle nagu inimesed;

mõtle ratsionaalselt;

käituda nagu inimesed;

käituda ratsionaalselt.

Mõistliku arutluskäigu ja tegevuse taasloomisel tekivad teatud raskused. Esiteks, enamasti ei saa inimene mingite toimingute sooritamisel aru, kuidas ta seda teeb, pole teada täpset viisi, meetodit või algoritmi teksti mõistmiseks, nägude äratundmiseks, teoreemide tõestamiseks, ülesannete lahendamiseks, luule kirjutamiseks jne. Teiseks on arvuti praegusel arengutasemel inimese kompetentsitasemest liiga kaugel ja töötab muude põhimõtete järgi.

Tehisintellekt on alati olnud interdistsiplinaarne teadus, olles nii teadus kui kunst, tehnoloogia ja psühholoogia. Tehisintellekti meetodid on mitmekesised. Neid laenatakse aktiivselt teistelt teadustelt, kohandatakse ja muudetakse vastavalt lahendatavale ülesandele. Intelligentse süsteemi loomiseks on vaja kaasata rakendusvaldkonna spetsialiste, mistõttu teevad tehisintellekti raames koostööd keeleteadlased, neurofüsioloogid, psühholoogid, majandusteadlased, arvutiteadlased, programmeerijad jne.

Tehisintellekti arengu ajalugu

Idee luua inimese kunstlik sarnasus keeruliste probleemide lahendamiseks ja inimmõistuse simuleerimiseks on õhus olnud juba iidsetest aegadest. Nii loodi Vana-Egiptuses jumal Amoni "elustav" mehaaniline kuju. Homerose Iliases sepistas jumal Hephaestos humanoidseid olendeid.

Tehisintellekt on teatud mõttes tulevikuteadus, milles puudub jäik valdkondadeks jaotus ning selgelt on näha seos üksikute distsipliinide vahel, mis peegeldavad vaid teatud teadmise tahku.

Täpse mõtlemise ratsionaalset osa reguleerivate seaduste kogumi sõnastas Aristoteles (384-322 eKr). Tehisintellekti esivanemaks peetakse aga keskaegset hispaania filosoofi, matemaatikut ja poeeti Raymond Lulli, kes juba 13. sajandil püüdis enda väljatöötatud üldisele mõistete klassifikatsioonile tuginedes luua mehaanilist masinat erinevate probleemide lahendamiseks. 18. sajandil jätkasid Leibniz ja Descartes iseseisvalt seda ideed, pakkudes välja universaalsed keeled kõigi teaduste klassifitseerimiseks. Nende teadlaste töid võib pidada esimesteks teoreetilisteks töödeks tehisintellekti vallas. Mänguteooria ja otsustusteooria, ajuandmed, kognitiivne psühholoogia on kõik muutunud ehitusmaterjal tehisintellekti jaoks. Kuid tehisintellekti kui teadusliku suuna lõplik sünd leidis aset alles pärast arvutite loomist XX sajandi 40ndatel ja Norbert Wieneri põhiteoste avaldamist. uus teadus- küberneetika.

Kunstliku moodustumineintellekt kuidas teadus juhtus 1956. aastal. D. McCarthy, M. Minsky, K. Shannon ja N. Rochester korraldasid Dartmouthis kahekuulise seminari Ameerika teadlastele, kes tegelesid automaatide teooria, närvivõrkude ja intelligentsusega. Kuigi selle valdkonna uuringuid on juba aktiivselt tehtud, ilmus just sellel seminaril termin ja omaette teadus – tehisintellekt.

Üks tehisintellekti teooria rajajaid on kuulus inglise teadlane Alan Turing, kes avaldas 1950. aastal artikli "Arvutusmasinad ja mõistus" (tõlgitud vene keelde pealkirjaga "Kas masin oskab mõelda?"). Just selles kirjeldati klassikalist “Turingi testi”, mis võimaldab hinnata arvuti “intelligentsust” selle võime järgi pidada inimesega sisukat dialoogi.

Tehisintellekti arengu esimesed aastakümned (1952-1969) olid täis edu ja entusiasmi. A. Newell, J. Shaw ja G. Simon lõid malemänguprogrammi 1950. aastal C. Shannoni poolt välja pakutud meetodil, mille vormistas A. Turing ja modelleeris käsitsi. Töösse kaasati rühm Hollandi psühholooge eesotsas A. de Groot’ga, kes uuris silmapaistvate maletajate mängustiile. 1956. aastal lõi see meeskond programmeerimiskeele IPL1 - praktiliselt esimese sümbolikeele loendite töötlemiseks ja kirjutas esimese programmi "Logic-Theorist", mis oli mõeldud lausearvutuses teoreemide automaatseks tõestamiseks. Seda programmi võib seostada esimeste saavutustega tehisintellekti vallas.

1960. aastal kirjutas sama rühmitus GPS (General Problem Solver) programmi, universaalse probleemide lahendaja. Ta oskas lahendada mitmeid mõistatusi, arvutada määramata integraale, lahendada mõningaid muid ülesandeid. Tulemused äratasid arvutusvaldkonna spetsialistide tähelepanu ning ilmusid programmid teoreemide automaatseks tõestamiseks planimeetriast ja algebraülesannete lahendamiseks.

Alates 1952. aastast on A. Samuel kirjutanud kabe mängimiseks mitmeid programme, mis mängisid hästi treenitud amatööri tasemel ja üks neist õppis mängima paremini kui selle looja.

1958. aastal defineeris D. McCarthy uue kõrgetasemelise keele Lisp, millest sai tehisintellekti domineeriv keel.

Esimesed närvivõrgud ilmusid 50ndate lõpus. 1957. aastal püüdis F. Rosenblatt luua süsteemi, mis simuleerib inimsilma ja selle interaktsiooni ajuga – pertseptroni.

Esimene rahvusvaheline tehisintellekti konverents (IJCAI) toimus 1969. aastal Washingtonis.

1963. aastal rakendas D. Robinson automaatse teoreemi tõestamise meetodi, mida nimetatakse "lahutusprintsiibiks" ja selle meetodi alusel loodi 1973. aastal loogilise programmeerimiskeel Prolog. .

Ameerika Ühendriikides ilmusid esimesed kaubanduslikud teadmistepõhised süsteemid - ekspertsüsteemid. Tehisintellekti kommertsialiseeritakse. Kasvav iga-aastane investeering ja huvi iseõppivad süsteemid, luuakse tööstuse ekspertsüsteeme. Arendatakse teadmiste esitamise meetodeid.

Esimese ekspertsüsteemi lõi E. Feigenbaum 1965. aastal. Kuid ärikasumist oli asi siiski kaugel. Ainuüksi 1986. aastal säästis DEC esimene kaubanduslik R1-süsteem umbes 40 miljonit dollarit aastas. 1988. aastaks oli DEC kasutusele võtnud 40 ekspertsüsteemi. Du Pont kasutas 100 süsteemi ja säästis umbes 10 miljonit aastas.

1981. aastal alustas Jaapan Prologil põhinevate intelligentsete arvutite arendamise 10-aastase plaani raames välja töötama 5. põlvkonna teadmistepõhist arvutit. 1986. aasta oli närvivõrkude vastu huvi taastekke aasta.

1991. aastal lõpetab Jaapan 5. põlvkonna arvutiprojekti rahastamise ja alustab projekti 6. põlvkonna arvuti – neuroarvuti – loomiseks.

1997. aastal alistas Deep Blue arvuti malemängus maailmameistri G. Kasparovi, tõestades võimalust, et tehisintellekt võib paljudes intellektuaalsetes ülesannetes inimesega võrdsustada või ületada (küll piiratud tingimustel).

Tehisintellekti tunnustamise võitluses NSV Liidus mängisid tohutut rolli akadeemikud A. I. Berg ja G. S. Pospelov.

Aastatel 1954-1964. luuakse eraldi programmid ja tehakse uuringuid loogikaprobleemidele lahenduste leidmise valdkonnas. Luuakse programm ALPEV LOMI, mis tõestab automaatselt teoreeme. See põhineb Maslovi algsel pöördtuletusel, mis sarnaneb Robinsoni lahutusmeetodiga. Kodumaiste teadlaste 60ndatel saavutatud kõige olulisemate tulemuste hulgas tuleb märkida M. M. Bongardi algoritmi "Cortex", mis simuleerib inimese aju aktiivsust mustrite tuvastamisel. Vene tehisintellekti koolkonna arengusse andsid suure panuse silmapaistvad teadlased M. L. Tsetlin, V. N. Puškin, M. A. Gavrilov, kelle õpilased olid selle teaduse pioneerid Venemaal.

1964. aastal pakuti välja meetod teoreemide tõestuste automaatseks otsimiseks predikaatarvutuses, mida nimetatakse "Maslovi pöördmeetodiks".

Aastatel 1965-1980. sündis uus suund - situatsioonijuhtimine (lääne terminoloogias vastab see teadmiste esitusele). Selle teadusliku koolkonna asutajaks sai professor D. A. Pospelov.

V. F. Turchin lõi Moskva Riiklikus Ülikoolis 1968. aastal sümboolse andmetöötluskeele REFAL.

1 Kirjanduslik ülevaade.

1. 
   Tehisintellekti arengu lühilugu.

Tehisintellekt (AI) on teaduste ristumiskohas asuv uurimisvaldkond, selles valdkonnas töötavad spetsialistid püüavad mõista, millist käitumist peetakse mõistlikuks (analüüs) ja luua selle käitumise toimivaid mudeleid (süntees). Praktiline eesmärk on luua meetodeid ja tehnikaid, mis on vajalikud "intelligentsuse" programmeerimiseks ja selle ülekandmiseks arvutitesse (VM) ning nende kaudu kõikvõimalikesse süsteemidesse ja vahenditesse.

1950. aastatel püüdsid tehisintellekti teadlased luua intelligentseid masinaid, matkides aju. Need katsed olid ebaõnnestunud nii riist- kui ka tarkvara täieliku sobimatuse tõttu.

1960. aastatel püüti keerukat mõtlemisprotsessi simuleerides leida üldisi meetodeid laia klassi probleemide lahendamiseks. Universaalsete programmide väljatöötamine osutus liiga keeruliseks ja viljatuks. Mida laiemat probleemide klassi üks programm suudab lahendada, seda kehvemad on selle võimalused konkreetse probleemi lahendamisel.

1970. aastate alguses keskendusid tehisintellekti eksperdid programmeerimismeetodite ja -tehnikate väljatöötamisele, mis sobivad spetsiifilisemate probleemide lahendamiseks: esitusmeetodid (arvutitehnoloogia (CT) probleemi lahendamise viisid) ja otsingumeetodid (lahenduse käigu kontrollimise viisid et see ei nõua liiga palju mälu ja aega).

Ja alles 70ndate lõpus võeti see põhimõtteliselt vastu uus kontseptsioon, mis seisneb selles, et intellektuaalse programmi loomiseks tuleb talle anda palju kvaliteetseid eriteadmisi teatud ainevaldkonna kohta. Selle suuna arendamine on viinud ekspertsüsteemide (ES) loomiseni.

80ndatel koges AI taassündi. Selle suurt potentsiaali tunnustati laialdaselt nii teadusuuringutes kui ka tootmise arendamisel. Uue tehnoloogia osana ilmusid esimesed kaubanduslikud tarkvaratooted. Sel ajal hakkas arenema masinõppe valdkond. Seni on spetsialisti-eksperdi teadmiste ülekandmine arvutiprogrammi olnud tüütu ja aeganõudev protseduur. Viimaste aastate kõige olulisem etapp on selliste süsteemide loomine, mis automaatselt täiustavad ja laiendavad oma heuristiliste (mitte formaalsete, intuitiivsetel kaalutlustel põhinevate) reeglite varu. Kümnendi alguses käivitati erinevates riikides andmetöötluse ajaloo suurimad riiklikud ja rahvusvahelised uurimisprojektid, mis on suunatud "viienda põlvkonna intelligentsetele VM-idele".

AI-uuringuid liigitatakse sageli pigem selle rakendusvaldkonna kui erinevate teooriate ja koolkondade alusel. Igaüks neist valdkondadest on aastakümneid välja töötanud oma programmeerimismeetodid, formalismid; igaühel neist on oma traditsioonid, mis võivad oluliselt erineda naaberõppesuuna traditsioonidest. Praegu kasutatakse AI-d järgmistes valdkondades:

1. 
   loomuliku keele töötlemine;
2. 
   ekspertsüsteemid (ES);
3. 
   sümboolsed ja algebralised arvutused;
4. 
   tõestused ja loogikaprogrammeerimine;
5. 
   mängude programmeerimine;
6. 
   signaalitöötlus ja mustrituvastus;
7. 
   ja jne.

1.2 AI programmeerimiskeeled.

1.2.1 Programmeerimiskeelte ja -stiilide klassifikatsioon.
Kõik programmeerimiskeeled võib jagada protseduurilisteks ja deklaratiivseteks keelteks. Valdav enamus praegu kasutatavatest programmeerimiskeeltest (C, Pascal, BASIC jne) on protseduurikeeled. Kõige olulisemad deklaratiivsete keelte klassid on funktsionaalsed (Lisp, Logo, APL jne) ja loogilised (Prolog, Planer, Coniver jne) keeled (joonis 1).

Praktikas ei ole programmeerimiskeeled puhtalt protseduurilised, funktsionaalsed ega loogilised, vaid sisaldavad erinevat tüüpi keelte omadusi. Protseduurikeeles on sageli võimalik kirjutada funktsionaalne programm või selle osa ja vastupidi. Ehk oleks täpsem keeletüübi asemel rääkida programmeerimise stiilist või meetodist. Loomulikult toetavad erinevad keeled erinevad stiilid erineval määral.

Protseduuriprogramm koosneb lausete ja klauslite jadast, mis juhivad nende täitmise järjekorda. Tüüpilised laused on määramise ja juhtimise edastuslaused, I/O avaldused ja tsüklite korraldamise eriklauslid. Neid saab kasutada programmi fragmentide ja alamprogrammide koostamiseks. Protseduuriline programmeerimine põhineb mõne muutuja väärtuse võtmisel, sellega toimingu sooritamisel ja uue väärtuse salvestamisel määramisoperaatoriga ja nii edasi kuni soovitud lõppväärtuse saamiseni (ja võimalusel ka printimiseni).

PROGRAMMEERIMISKEELED

MENETLUSKEELED DEKLARATSIOONI KEELED

Pascal, C, Fortran, ...

LOOGIKAKEELED FUNKTSIONAALSED KEELED

Proloog, Mandala... Lisp, Logo, ARL, ...

Joon.1 Programmeerimiskeelte klassifikatsioon
Loogiline programmeerimine on arvutiteaduse üks lähenemisviis, mis kasutab kõrgetasemelise keelena esimest järku predikaatloogikat Horni fraaside kujul. Esimest järku predikaatloogika on universaalne abstraktne keel, mis on loodud teadmiste esitamiseks ja probleemide lahendamiseks. Seda võib vaadelda kui üldist suhete teooriat. Loogiline programmeerimine põhineb esimest järku predikaatloogika alamhulgal, kuid selle ulatus on sama lai. Loogiline programmeerimine võimaldab programmeerijal kirjeldada olukorda predikaatloogika valemite abil ja seejärel nendest valemitest järelduste tegemiseks rakendada automaatset probleemilahendajat (st mõnda protseduuri). Loogilise programmeerimiskeele kasutamisel keskendutakse pigem rakendatud probleemi struktuuri kirjeldamisele kui arvutile, mida teha. Loogikaprogrammidega saab kirjeldada (ja seetõttu rakendada) ka teisi arvutiteaduse kontseptsioone sellistest valdkondadest nagu relatsiooniandmebaaside teooria, tarkvaratehnika ja teadmiste esitus.

Funktsionaalne programm koosneb funktsioonide definitsioonide kogumist. Funktsioonid on omakorda väljakutsed teistele funktsioonidele ja lausetele, mis juhivad kõnede jada. Arvutused algavad mõne funktsiooni väljakutsega, mis omakorda kutsub vastavalt definitsioonide hierarhiale ja tingimuslausete struktuurile välja oma definitsioonis sisalduvad funktsioonid jne. Funktsioonid nimetavad end sageli kas otseselt või kaudselt.

Iga kõne tagastab selle kutsunud funktsioonile mingi väärtuse, mille hindamine seejärel jätkub; seda protsessi korratakse seni, kuni arvutusi alustanud funktsioon tagastab kasutajale lõpptulemuse.

"Puhas" funktsionaalne programmeerimine ei tuvasta ülesandeid ja juhtimisülekandeid. Arvutuste hargnemise aluseks on tingimuslause argumentide töötlemise mehhanism. Korduvad arvutused tehakse rekursiooni abil, mis on funktsionaalse programmeerimise peamine vahend.

1. 
   AI keelte võrdlevad omadused.

Tehisintellekti arendamise esimeses etapis (1950ndate lõpus ja 1960ndate alguses) ei olnud keeli ja süsteeme, mis oleksid keskendunud spetsiaalselt teadmiste valdkondadele. Selleks ajaks ilmunud universaalsed programmeerimiskeeled tundusid olevat sobiv vahend mis tahes (ka intelligentsete) süsteemide loomiseks, kuna need keeled suudavad eristada deklaratiivseid ja protseduurilisi komponente. Tundus, et selle põhjal saab tõlgendada igasuguseid teadmiste esituse mudeleid ja süsteeme. Kuid selliste tõlgenduste keerukus ja töömahukus osutusid nii suureks, et rakendussüsteemid polnud saadaval. Uuringud on näidanud, et programmeerija produktiivsus jääb muutumatuks sõltumata instrumentaalkeele tasemest, millega ta töötab, ning lähteteksti ja saadud programmide pikkuse suhe on ligikaudu 1:10. Seega suurendab adekvaatse instrumentaalkeele kasutamine süsteemiarendaja tootlikkust suurusjärgu võrra ja seda üheastmelise tõlke puhul. Arukate süsteemide programmeerimiseks mõeldud keeled sisaldavad hierarhilisi (mitmetasandilisi) tõlkijaid ja suurendavad tööviljakust 100 korda. Kõik see kinnitab piisavate tööriistade kasutamise tähtsust.

1. 
   Sümboolsed infotöötluskeeled.

Lisp on madala tasemega keel, seda võib pidada loendistruktuuridega töötamiseks orienteeritud komplekteerijaks. Seetõttu on kogu keele eksisteerimise jooksul tehtud palju katseid seda täiustada täiendavate põhiprimitiivide ja juhtimisstruktuuride kasutuselevõtuga. Kuid kõik need muutused ei muutunud reeglina iseseisvateks keelteks. Lisp võttis oma uutes väljaannetes kiiresti endasse kõik konkurentide väärtuslikud leiutised.

Pärast võimsate Lispi süsteemide MacLisp Interlisp loomist 70ndate alguses on katsed luua AI keeli, mis erinevad Lispi keelest, kuid samal alusel, nurjuvad. Keele edasine areng kulgeb ühelt poolt selle standardimise teed (Standard-Lisp, Franz-Lisp, Common Lisp) ja teisest küljest selle suunas, et luuakse kontseptuaalselt uusi keeli esindamiseks ja esitamiseks. teadmistega manipuleerimine Lispi keskkonnas. Praegu on Lisp rakendatud kõigis arvutiklassides, alustades personaalarvutitest ja lõpetades suure jõudlusega arvutisüsteemidega.

Lisp ei ole ainus keel, mida AI ülesannete jaoks kasutatakse. Juba 1960. aastate keskel hakati arendama keeli, mis pakkusid muid kontseptuaalseid aluseid. Olulisemad neist sümboolse info töötlemise vallas on SNOBOL ja Refal.

See on stringide töötlemiskeel, milles mustrite sobitamise kontseptsioon esmakordselt ilmus ja seda rakendati üsna täies mahus. SNOBOL-keel oli üks esimesi täiustatud tootmissüsteemi praktilisi rakendusi. Selle keele kõige kuulsam ja huvitavam versioon on Snoball-4. Siin ületas proovide seadmise ja nendega töötamise tehnika oluliselt praktikavajadusi. Sisuliselt on see jäänud "varaliseks" programmeerimiskeeleks, kuigi SNOBOLi kontseptsioonid on kindlasti mõjutanud Lispi ja teisi AI ülesannete programmeerimiskeeli.

Refali keel on rekursiivsete funktsioonide algoritmiline keel. Turchin lõi selle metakeelena, mis on mõeldud mitmesuguste, sealhulgas algoritmiliste keelte ja selliste keelte erinevat tüüpi töötlemise kirjeldamiseks. See tähendas ka Refali kasutamist metakeelena iseenda üle. Kasutaja jaoks on see sümboolse teabe töötlemise keel. Seetõttu on see lisaks algoritmiliste keelte semantika kirjeldamisele leidnud ka muid rakendusi. Need on tülikate analüütiliste arvutuste tegemine teoreetilises füüsikas ja rakendusmatemaatikas, programmeerimiskeelte tõlgendamine ja koostamine, teoreemide tõestamine, eesmärgipärase käitumise modelleerimine ja viimasel ajal ka AI-ülesanded. Kõigile nendele rakendustele on ühised keerukad teisendused mõnes formaliseeritud keeles määratletud objektidel.

Refali keel põhineb rekursiivse funktsiooni kontseptsioonil, mis on defineeritud suvaliste sümboolsete avaldiste komplekti alusel. Selle keele põhiandmestruktuur on loendid, kuid mitte üksikult seotud, nagu Lispi puhul, vaid kahesuunalised. Tegelaste töötlemine on tootmisparadigmale lähemal. Samal ajal kasutatakse aktiivselt SNOBOLile iseloomulikku mustri järgi otsimise kontseptsiooni.

Refalis kirjutatud programm määratleb funktsioonide komplekti, millest igaühel on üks argument. Funktsioonikutse on sulgudes.

Paljudel juhtudel tuleb Refalis kirjutatud programmidest välja kutsuda teistes keeltes kirjutatud programme. See on lihtne, sest Refali vaatenurgast on esmased funktsioonid (Funktsioonid, mida Refal ei kirjelda, kuid mida saab siiski välja kutsuda selles keeles kirjutatud programmidest.) on vaid mõned selle programmi välised funktsioonid, seega kui helistate funktsiooni, ei pruugi te isegi teada, et see on esmane funktsioon.

Programmi Refal semantikat kirjeldatakse abstraktse Refal masina abil. Refal masinal on mäluväli ja vaateväli. Programm asetatakse Refal masina mäluväljale ja selle abil töödeldavad andmed paigutatakse vaatevälja, st enne töö alustamist sisestatakse mäluväljale funktsioonide komplekti kirjeldus, ja töödeldav avaldis sisestatakse vaatevälja.

Sageli on mugav jagada Refali programm osadeks, mida Refali kompilaator saab iseseisvalt töödelda. Refali programmi väikseimat osa, mida kompilaator saab iseseisvalt töödelda, nimetatakse mooduliks. Refala lähtemooduli koostamise tulemuseks on objektmoodul, mis tuleb enne Refali programmi käivitamist kombineerida teiste Refalast või muudest keeltest kompileerimisel saadud moodulitega, see kombinatsioon teostatakse linkeri ja laadijate redaktori abil. Üksikasjad sõltuvad kasutatavast OS-ist.

Seega on Refal endasse võtnud 60ndate kõige huvitavamate tegelaskujude teabetöötluskeelte parimad omadused. Praegu kasutatakse Refal keelt tõlkide, analüütiliste teisenduste süsteemide ehitamise automatiseerimiseks ning samuti, nagu Lisp, ka teadmiste esituskeelte rakendamise tööriistakeskkonnana.

70ndate alguses ilmus uus keel, mis konkureeris Lisp'iga teadmistele orienteeritud süsteemide rakendamisel - Prolog. See keel ei paku Lisp-iga võrreldes uusi ülivõimsaid programmeerimistööriistu, kuid toetab arvutuste korraldamiseks teistsugust mudelit. Selle praktiline atraktiivsus seisneb selles, et nii nagu Lisp peitis programmeerija eest arvuti mäluseadme, lubas Prolog tal mitte hoolida programmi juhtimise voost.

Proloog on Euroopa keel, mis töötati välja Marseille'i ülikoolis 1971. aastal. Kuid ta hakkas populaarsust koguma alles 80ndate alguses. Selle põhjuseks on kaks asjaolu: esiteks oli selle keele loogiline alus põhjendatud ja teiseks valiti see Jaapani viienda põlvkonna arvutussüsteemide projektis ühe keskse komponendi - järeldusmootori - aluseks.

Prologi keel põhineb piiratud hulgal mehhanismidel, sealhulgas mustrite sobitamine, andmestruktuuride puuesitus ja automaatne tagastamine. Prolog sobib eriti hästi objektide ja nendevaheliste suhetega seotud probleemide lahendamiseks.

Prologil on võimsad tööriistad teabe hankimiseks andmebaasidest ning selles kasutatavad andmeotsingu meetodid erinevad põhimõtteliselt traditsioonilistest. Prologi andmebaaside võimsus ja paindlikkus ning nende laiendamise ja muutmise lihtsus muudavad selle keele kommertsrakenduste jaoks väga sobivaks.

Prologi kasutatakse edukalt sellistes valdkondades nagu: relatsiooniandmebaasid (keel on eriti kasulik relatsioonilise andmebaasi liideste loomisel kasutajaga); automaatne probleemide lahendamine; loomuliku keele mõistmine; programmeerimiskeelte juurutamine; teadmiste esitus; ekspertsüsteemid ja muud AI ülesanded.

Prologi teoreetiliseks aluseks on predikaatarvutus. Prologil on mitmeid funktsioone, mida traditsioonilistel programmeerimiskeeltel pole. Sellised omadused hõlmavad otsimise ja tagastamise väljundmehhanismi, sisseehitatud mustrite sobitamise mehhanismi. Prologi eristab programmide ja andmete ühtsus. Need on lihtsalt erinevad vaatenurgad Prologi objektidele. Keeles puuduvad osutid, määramisoperaatorid ja tingimusteta hüpped. Loomulik programmeerimismeetod on rekursioon.

Prologi programm koosneb kahest osast: andmebaasist (aksioomide komplekt) ja sihtlausete jadast, mis koos kirjeldavad tõestatava teoreemi eitust. Peaasi põhimõtteline erinevus Prologi programmi tõlgendus esimest järku predikaatarvutuse teoreemi tõestamise protseduurist seisneb selles, et andmebaasis olevad aksioomid on järjestatud ja nende järjekord on väga oluline, kuna sellel põhineb programm ise, mida Prolog rakendab. . Teine oluline Prologi piirang on see, et loogiliste aksioomidena kasutatakse piiratud klassi valemeid – nn Horni klausleid. Paljude praktiliste probleemide lahendamisel piisab sellest aga teadmiste adekvaatseks esituseks. Horni lausetes järgneb ühele järeldusele null või enam tingimust.

Tõestamiseks "kasulike" valemite otsimine on kombinatoorne ülesanne ja aksioomide arvu kasvades kasvab tuletusastmete arv katastroofiliselt kiiresti. Seetõttu kasutatakse reaalsetes süsteemides pimeloendamise piiramiseks erinevaid strateegiaid. Prologi keel rakendab lineaarse lahutusvõime strateegiat, mis soovitab igal sammul kasutada ühe võrreldava valemina teoreemi või selle "järglase" eitust ja teisena üht aksioomi. Samas võib ühe või teise aksioomi valimine võrdluseks kohe või mitme sammu järel viia "tupikusse". See sunnib teid tagasi pöörduma valiku tegemise punkti, et proovida uut alternatiivi jne. Alternatiivsete aksioomide otsimise järjekord ei ole meelevaldne - selle määrab programmeerija, asetades aksioomid andmebaasis kindlas järjekorras. Lisaks pakub Prolog üsna mugavaid "sisseehitatud" vahendeid, et keelata ühte või teise punkti naasmine, olenevalt teatud tingimuste täitmisest. Seega on Prologi tõestusprotsess lihtsam ja fokusseeritum kui klassikalise lahutusmeetodi puhul.

Prologi programmi tähendust saab mõista kas deklaratiivse lähenemise või protseduurilise lähenemise seisukohast.

Programmi deklaratiivne tähendus määrab, kas antud eesmärk on tõene (saavutatav) ja kui jah, siis milliste muutujate väärtustega see saavutatakse. See rõhutab suhete staatilist olemasolu. Alaeesmärkide järjekord reeglis ei mõjuta reegli deklaratiivset tähendust. Deklaratiivne mudel on lähemal predikaatloogika semantikale, mis teeb Prologist tõhusa keele teadmiste esitusviisiks. Deklaratiivses mudelis on aga võimatu adekvaatselt esindada neid fraase, mille puhul on oluline alaeesmärkide järjekord. Seda tüüpi fraaside tähenduse selgitamiseks on vaja kasutada protseduurilist mudelit.

Prologi programmi protseduuriline käsitlus ei määratle mitte ainult loogilisi seoseid lause pea ja selle kehas olevate sihtmärkide vahel, vaid ka nende sihtmärkide töötlemise järjekorda. Kuid protseduurimudel ei sobi selliste fraaside tähenduse selgitamiseks, mis põhjustavad juhtimise kõrvalmõjusid, nagu näiteks päringu täitmise peatamine või fraasi eemaldamine programmist.

Tõeliste AI-probleemide lahendamiseks on vaja masinaid, mis peavad ületama valguse kiirust ja see on võimalik ainult paralleelsüsteemides. Seetõttu tuleks seeriarakendusi käsitleda kui tööjaamade tarkvara loomiseks tulevaste suure jõudlusega paralleelsüsteemide jaoks, mis suudavad teha sadu miljoneid järeldusi sekundis. Praegu on loogikaprogrammide paralleelseks täitmiseks üldiselt ja eriti Prologi programmide jaoks olemas kümneid mudeleid. Sageli on need mudelid, mis kasutavad paralleelse andmetöötluse korraldamisel traditsioonilist lähenemist: paralleelsete töö- ja interakteeruvate protsesside kogumit. Viimasel ajal on palju tähelepanu pööratud kaasaegsematele paralleelarvutuse korraldamise skeemidele - voogedastusmudelitele. Paralleelteostusmudelid võtavad arvesse traditsioonilist Prologi ja selle loomupäraseid paralleelsuse allikaid.

Prologi tõhusust mõjutavad suuresti ajas ja ruumis piiratud ressursid. Selle põhjuseks on arvutite traditsioonilise arhitektuuri suutmatus rakendada programmide täitmiseks Prologi meetodit, mis näeb ette eesmärkide saavutamise teatud loendist. See, kas see tekitab praktilistes rakendustes raskusi, sõltub probleemist. Ajafaktor on praktiliselt ebaoluline, kui päevas mitu korda jooksval prologiprogrammil kulub üks sekund ja mõnel muus keeles vastaval programmil 0,1 sekundit. Kuid tõhususe erinevus muutub oluliseks, kui kaks programmi võtavad vastavalt 50 ja 5 minutit.

Teisest küljest võib see paljudes valdkondades, kus Prologi kasutatakse, oluliselt lühendada programmi arendusaega. Prologi programme on lihtsam kirjutada, neid on lihtsam mõista ja siluda kui traditsioonilistes keeltes kirjutatud programme, st Prolog on atraktiivne oma lihtsuse tõttu. Prologi programmi on lihtne lugeda, mis parandab programmeerimise tootlikkust ja hooldatavust. Kuna Prolog põhineb Horni fraasidel, mõjutavad Prologi programmide lähtekoodi masinaspetsiifilised omadused palju vähem kui teistes keeltes kirjutatud programmide lähtekoodi. Lisaks on Prologi erinevate versioonide vahel kalduvus ühtlustada, nii et ühele versioonile kirjutatud programmi saab hõlpsasti teisendada selle keele mõne teise versiooni programmiks. Lisaks on Prologi lihtne õppida.

Jaapani viienda põlvkonna arvutussüsteemide projektis Prologi keele baaskeeleks valimisel märgiti selle ühe puudusena välja arendatud programmeerimiskeskkonna puudumine ja Prologi suutmatus luua suuri tarkvarasüsteeme. Nüüd on olukord mõnevõrra muutunud, kuigi tõeliselt loogikale orienteeritud programmeerimiskeskkonnast on ennatlik rääkida.

Keelte hulgast, mille tulekuga tekkisid uued ideed intelligentsete süsteemide rakendamiseks, on vaja välja tuua keeled, mis on keskendunud programmeerimise otsinguülesannetele.

1. 
   Programmeerimiskeeled intelligentsetele lahendajatele.

Keelte rühm, mida võib nimetada intelligentseteks lahendajakeelteks, on keskendunud peamiselt sellisele tehisintellekti alamvaldkonnale nagu probleemide lahendamine, mida iseloomustavad ühelt poolt üsna lihtsad ja hästi vormistatavad probleemimudelid ning teisalt keerukate meetoditega nende lahenduse leidmiseks. Seetõttu on nendes keeltes keskendutud pigem võimsate juhtimisstruktuuride juurutamisele kui teadmiste esitamise viisidele. Need on sellised keeled nagu Planner, Koniver, KyuA-4, KyuLisp.

See keel andis tõuke võimsale keeleloomele AI valdkonnas. Keel töötati välja Massachusettsi Tehnoloogiainstituudis aastatel 1967–1971. Algselt oli see Lispi lisand, sellisel kujul realiseeriti keel Maclispis Micro Planeri nime all. Hiljem laiendati Plainerit oluliselt ja muudeti iseseisvaks keeleks. NSV Liidus rakendati seda nimede Plener-BESM ja Plener-Elbrus all. See keel tõi programmeerimiskeeltesse palju uusi ideid: automaatne tagasiminek, mustriotsing, mustri kutsumine, deduktiivne meetod jne.

Alamhulgana sisaldab Planner peaaegu kogu Lispi (mõnede muudatustega) ja säilitab paljud selle spetsiifilised funktsioonid. Andmete struktuur (avaldised, aatomid ja loendid), programmide süntaks ja nende hindamise reeglid Planeris on sarnased Lisp omadega. Planeris andmete töötlemiseks kasutatakse peamiselt samu tööriistu, mis Lisp'is: rekursiivseid ja plokkfunktsioone. Peaaegu kõik Lispi sisseehitatud funktsioonid, sealhulgas funktsioon EVAL, on kaasatud Plannerisse. Uued funktsioonid määratletakse sarnaselt. Nagu Lispi puhul, saab omaduste loendeid seostada aatomitega.

Kuid Lispi ja Planneri vahel on erinevusi. Märgime mõned neist. Lispis näidatakse muutujale viidates ainult selle nime, näiteks X, aatom ise on antud kujul tähistatud kui 'X. Planner kasutab vastupidist tähistust: aatomid tähistavad iseennast ja muutujatele viidates pannakse nende nime ette eesliide. Eesliide määrab, kuidas muutujat tuleks kasutada. Funktsioonide kutsumise süntaks erineb Lisp-ist, mis Planeris kirjutatakse loendina mitte ümarsulgudega, vaid nurksulgudega.

Planer ei kasuta andmete töötlemiseks mitte ainult funktsioone, vaid ka mustreid ja sobitajaid.

Mustrid kirjeldavad andmete analüüsimise ja dekomponeerimise reegleid ning seetõttu muudab nende rakendamine lihtsamaks programmide kirjutamise ja lühendab nende tekste.

Sobitajad määratletakse täpselt nagu funktsioonid, välja arvatud see, et nende defineeriv avaldis algab märksõnaga ja keha määratakse mustrina. Nende täitmine ei seisne mitte mingi väärtuse arvutamises, vaid kontrollimises, kas avaldisel on sellega võrreldes mingi omadus.

Planeri vaadeldavat alamhulka saab kasutada teistest osadest sõltumatult: see on võimas programmeerimiskeel, mis on mugav erinevate märgitöötlussüsteemide rakendamiseks. Ülejäänud Planneri osad orienteerivad selle AI valdkonnale, pakkudes vahendeid ülesannete kirjeldamiseks (algolukorrad, lubatavad toimingud, eesmärgid), mille lahendusi peaks otsima Planneris rakendatav AI-süsteem ja tööriistad. mis lihtsustavad nendele probleemidele lahenduste leidmise protseduuride rakendamist.

Planneris saate programmeerida, kirjeldades, mis teil on ja mida teil on vaja saada, ilma et peaksite selgelt määrama, kuidas seda teha. Vastutuse kirjeldatud probleemile lahenduse leidmise eest võtab enda peale keelde sisseehitatud deduktiivne mehhanism (automaatse eesmärkide saavutamise mehhanism), mis põhineb teoreemide väljakutsumisel mudeli järgi. Sellise mehhanismi jaoks ei piisa aga teoreemide kutsumisest mustri järgi. Otsingumehhanismi on vaja ja selline mehhanism - taganemisrežiim - viiakse keelde sisse.

Programmi täitmine tagastusrežiimis on selle autorile mugav selle poolest, et keel võtab vastutuse kahvlite ja neisse jäänud alternatiivide meeldejätmise, nende juurde naasmise ja programmi eelmise oleku taastamise eest – kõik see toimub automaatselt. Kuid selline automatism ei ole alati kasulik, kuna üldiselt viib see "pimeda" loendamiseni. Ja võib selguda, et teoreemide kutsumisel kutsutakse neist kõige sobivamat viimast, kuigi programmi autor teab selle eeliseid ette. Seda silmas pidades pakub Planner tagastusrežiimi juhtelemente.

Coniveri keel töötati välja 1972. aastal, rakendati Maclispi keele lisana. Coniveri keele autorid kritiseerisid mõningaid höövelkeele ideid. Peamiselt viitas see automaatsele tagasiliikumise režiimile, mis üldiselt viib ebatõhusate ja kontrollimatute programmideni, eriti kui selle on kirjutanud oskamatud kasutajad. Coniveri autorid loobusid automaatsest tagastusrežiimist, arvates, et keelde pole vaja sisse ehitada mingeid fikseeritud juhtimisdistsipliini (v.a kõige lihtsamad - tsüklid, rekursioonid) ja et programmi autor peaks organiseerima endale vajalikud juhtimisdistsipliinid. ise ning selleks peaks keel avama kasutajale oma kontrollidistsipliinid.haldusstruktuuri ja pakkuma tööriistu sellega töötamiseks. Seda kontseptsiooni rakendati Koniveris järgmiselt.

Protseduuri kutsumisel eraldatakse mälus koht, kuhu salvestatakse selle toimimiseks vajalik teave. Siin on eeskätt protseduuri lokaalsed muutujad, pöördusnäitajad (link protseduurile, mille muutujad on antud sellest saadaval) ja tagasipöördumisosutaja (link protseduurile, millele tuleb juhtimine tagastada). Tavaliselt on see info kasutaja eest peidetud, kuid Coniveri keeles on selline mäluala (raam) avatud: kasutaja saab kaadri sisu vaadata ja muuta. Keeles tähistavad raamid erilist tüüpi andmeid, millele pääseb juurde osutitega.

Keele miinuseks on see, et kuigi kasutaja saab paindlikke juhtelemente, teeb ta samal ajal rasket ja vaevarikast tööd, mis nõuab kõrget kvalifikatsiooni. Coniveri keel on hea mitte keerukate süsteemide juurutamiseks, vaid baasina, mille alusel kvalifitseeritud programmeerijad valmistavad ette teistele kasutajatele vajalikud juhtimismehhanismid.

Arvestades juhtimisdistsipliinide rakendamise keerukust, olid keele autorid sunnitud sellesse lisama hulga fikseeritud juhtimismehhanisme, kahvliprotseduuride analooge ja Planeri keele teoreeme. Kuid erinevalt Planerist, kus lõhe kahvli alternatiivi valiku ja selle analüüsi ning vajadusel rikke kujunemise vahel võib olla meelevaldselt suur, on Coniveri keeles see lõhe minimeeritud. Seda tehes vabaneb Coniver globaalse rikke tagasituleku negatiivsetest tagajärgedest, kui peate tühistama peaaegu kogu programmi eelmise töö.