Введение в искусственный интеллект

В этом руководстве представлены вводные знания об искусственном интеллекте. Это очень поможет, если вы собираетесь начать изучать искусственный интеллект или выбрать этот профиль в качестве профессии. Тут вы сможете кратко узнать об областях ИИ, которые наиболее востребованы на рынке.

Для кого этот материал

Этот материал подготовлен для студентов начального уровня, которые стремятся изучить искусственный интеллект. Базовые знания информатики для понимания этого материала обязательны. Знания математики, языков, естественных наук, механики или электротехники являются плюсом.

Реклама. ЧОУ ЧАСТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ДОПОЛНИТЕЛЬНОГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ СКИЛБОКС (КОРОБКА НАВЫКОВ), ИНН 9704088880, erid: LdtCJzD4K

Обзор

С момента изобретения компьютеров или машин их способность выполнять различные задачи росла в геометрической прогрессии. Люди развили мощь компьютерных систем с точки зрения их разнообразных рабочих областей, их увеличения скорости и уменьшения размера во времени.

Раздел компьютерных наук под названием «Искусственный интеллект» занимается созданием компьютеров или машин, столь же разумных, как люди.

Что такое искусственный интеллект?

По словам отца искусственного интеллекта Джона Маккарти, это «наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ».

Искусственный интеллект — это способ заставить компьютер, управляемого компьютером робота или программное обеспечение мыслить разумно , подобно тому, как мыслят разумные люди.

ИИ достигается путем изучения того, как думает человеческий мозг и как люди учатся, принимают решения и работают, пытаясь решить проблему, а затем использования результатов этого исследования в качестве основы для разработки интеллектуального программного обеспечения и систем.

Философия ИИ

Используя мощь компьютерных систем, человеческое любопытство заставляет его задуматься: «Может ли машина думать и вести себя, как люди?»

Таким образом, разработка ИИ началась с намерения создать в машинах аналогичный интеллект, который мы находим и высоко ценим в людях.

Цели ИИ

Создание экспертных систем — системы, которые демонстрируют интеллектуальное поведение, учатся, демонстрируют, объясняют и дают советы своим пользователям.
Внедрение человеческого интеллекта в машины — создание систем, которые понимают, думают, учатся и ведут себя как люди.

Что способствует развитию ИИ?

Искусственный интеллект — это наука и технология, основанные на таких дисциплинах, как информатика, биология, психология, лингвистика, математика и инженерия. Основное направление ИИ заключается в развитии компьютерных функций, связанных с человеческим интеллектом, таких как рассуждение, обучение и решение проблем.

Из следующих областей одна или несколько областей могут способствовать созданию интеллектуальной системы.

Программирование с ИИ и без

Программирование без ИИ и с ИИ отличается следующими способами:

Что такое техники ИИ?

В реальном мире у знаний есть некоторые нежелательные свойства —

Его объем огромен, рядом с невообразимым.
Он плохо организован или хорошо отформатирован.
Он постоянно меняется.

Техники ИИ — это способ эффективно организовать и использовать знания таким образом, чтобы —

Это должно быть заметно для людей, которые его обеспечивают.
Он должен быть легко модифицируемым для исправления ошибок.
Он должен быть полезен во многих ситуациях, хотя он является неполным или неточным.

Методы искусственного интеллекта повышают скорость выполнения сложной программы, которой он оснащен.

Приложения ИИ

Сегодня ИИ используется в различных областях, например:

Игры — ИИ играет решающую роль в стратегических играх, таких как шахматы, покер, крестики-нолики и т. Д., Где машина может думать о большом количестве возможных позиций на основе эвристических знаний.
Обработка естественного языка — можно взаимодействовать с компьютером, который понимает естественный язык, на котором говорят люди.
Экспертные системы — есть некоторые приложения, которые объединяют машину, программное обеспечение и специальную информацию для рассуждений и советов. Они предоставляют объяснения и советы пользователям.
Системы зрения — эти системы понимают, интерпретируют и понимают визуальный ввод на компьютере. Например,
Самолет-шпион делает фотографии, которые используются для получения пространственной информации или карты местности.
Врачи используют клиническую экспертную систему для диагностики пациента.
Полиция использует компьютерное программное обеспечение, которое может распознавать лицо преступника по сохраненному портрету, сделанному судмедэкспертом.
Распознавание речи — некоторые интеллектуальные системы способны слышать и понимать язык с точки зрения предложений и их значений, когда человек разговаривает с ним. Он может обрабатывать различные акценты, сленговые слова, фоновый шум, изменение человеческого шума из-за холода и т. д.
Распознавание рукописного ввода — программное обеспечение для распознавания рукописного ввода читает текст, написанный на бумаге ручкой или на экране стилусом. Он может распознавать формы букв и преобразовывать их в редактируемый текст.
Интеллектуальные роботы — роботы могут выполнять задачи, поставленные человеком. У них есть датчики для обнаружения физических данных из реального мира, таких как свет, тепло, температура, движение, звук, удар и давление. У них есть эффективные процессоры, несколько датчиков и огромная память, чтобы демонстрировать интеллект. Кроме того, они способны учиться на своих ошибках и могут адаптироваться к новой среде.

Интеллектуальные системы

Изучая искусственный интеллект, нужно знать, что такое интеллект. В этой главе рассматриваются идеи интеллекта, типы и компоненты интеллекта.

Что такое интеллект?

Способность системы вычислять, рассуждать, воспринимать отношения и аналогии, учиться на опыте, хранить и извлекать информацию из памяти, решать проблемы, понимать сложные идеи, свободно использовать естественный язык, классифицировать, обобщать и адаптировать новые ситуации.

Типы интеллекта

Как описал Говард Гарднер, американский психолог, занимающийся развитием, Интеллект проявляется многогранно:

Вы можете сказать, что машина или система имеет искусственный интеллект , если она оснащена хотя бы одним и не более чем всеми видами интеллекта.

Из чего состоит интеллект?

Интеллект неосязаем. Он состоит из —

Рассуждение
Обучение
Решение проблем
Восприятие
Лингвистический интеллект

Давайте кратко рассмотрим все компоненты —

Рассуждение — это набор процессов, которые позволяют нам обеспечить основу для суждений, принятия решений и прогнозов. В целом есть два типа:

Обучение — это деятельность по получению знаний или навыков путем изучения, практики, обучения или опыта чего-либо. Обучение повышает осведомленность об изучаемых предметах.

Способностью к обучению обладают люди, некоторые животные и системы с поддержкой ИИ. Обучение классифицируется как —

- Слуховое обучение — это обучение, слушая и слушая. Например, студенты слушают записанные аудиолекции.
- Эпизодическое обучение — учиться, вспоминая последовательность событий, свидетелем которых вы были или которые пережили. Это линейно и упорядоченно.
- Моторное обучение — это обучение точным движениям мышц. Например, сбор предметов, письмо и т. д.
- Наблюдательное обучение — учиться, наблюдая и подражая другим. Например, ребенок пытается учиться, подражая своему родителю.
- Перцептивное обучение — это обучение распознаванию стимулов, которые вы видели раньше. Например, идентификация и классификация объектов и ситуаций.
- Реляционное обучение — включает в себя обучение различению различных стимулов на основе относительных свойств, а не абсолютных свойств. Например, добавление «чуть меньше» соли во время приготовления картофеля, который оказался соленым в прошлый раз, при приготовлении с добавлением, скажем, столовой ложки соли.
- Пространственное обучение — это обучение с помощью визуальных стимулов, таких как изображения, цвета, карты и т. Д. Например, человек может создать дорожную карту в уме, прежде чем идти по дороге.
- Обучение по принципу «стимул-реакция» — это обучение выполнению определенного поведения при наличии определенного стимула. Например, собака поднимает ухо, услышав звонок в дверь.

Решение проблем — это процесс, в котором человек воспринимает и пытается прийти к желаемому решению из текущей ситуации, выбирая некоторый путь, который блокируется известными или неизвестными препятствиями.
Решение проблем также включает в себя принятие решений , то есть процесс выбора наиболее подходящей альтернативы из множества доступных альтернатив для достижения желаемой цели.
Восприятие — это процесс получения, интерпретации, выбора и организации сенсорной информации.
Восприятие предполагает ощущение . У человека восприятию помогают органы чувств. В области ИИ механизм восприятия осмысленно объединяет данные, полученные датчиками.
Лингвистический интеллект — это способность использовать, понимать, говорить и писать устную и письменную речь. Это важно в межличностном общении.

Разница между человеческим и машинным интеллектом

Люди воспринимают по шаблонам, тогда как машины воспринимают по набору правил и данных.
Люди хранят и вспоминают информацию по шаблонам, машины делают это с помощью поисковых алгоритмов. Например, число 40404040 легко запомнить, сохранить и вспомнить, поскольку его структура проста.
Люди могут понять объект целиком, даже если какая-то его часть отсутствует или искажена; тогда как машины не могут сделать это правильно.

Области исследований

Сфера искусственного интеллекта огромна в ширину и ширину. Продолжая, мы рассматриваем широко распространенные и процветающие области исследований в области ИИ —

Распознавание речи и голоса

Оба эти термина распространены в робототехнике, экспертных системах и обработке естественного языка. Хотя эти термины взаимозаменяемы, их цели различны.

Работа систем распознавания речи и голоса

Пользовательский ввод, произносимый в микрофон, поступает на звуковую карту системы. Преобразователь превращает аналоговый сигнал в эквивалентный цифровой сигнал для обработки речи. База данных используется для сравнения звуковых образов для распознавания слов. Наконец, в базу данных дается обратная обратная связь.

Этот текст на исходном языке становится входом для модуля перевода, который преобразует его в текст на целевом языке. Они поддерживаются интерактивным графическим интерфейсом, большой словарной базой и т. д.

Применение областей исследований в реальной жизни

Существует множество приложений, в которых ИИ служит людям в их повседневной жизни:

Экспертные системы. Примеры — системы слежения за полетами, клинические системы.

Обработка естественного языка. Примеры – функция Google Now, распознавание речи, автоматический вывод голоса.
Нейронные сети. Примеры — системы распознавания образов, такие как распознавание лиц, распознавание символов, распознавание рукописного ввода.
Робототехника. Примеры — промышленные роботы для перемещения, распыления, покраски, проверки точности, сверления, очистки, нанесения покрытий, резьбы и т. д.
Нечеткие логические системы. Примеры — бытовая электроника, автомобили и т. д.

Классификация задач ИИ

Область ИИ подразделяется на формальные задачи, мирские задачи и экспертные задачи.

Люди учатся мирским (обычным) задачам с момента своего рождения. Они учатся, воспринимая, говоря, используя язык и локомотивы. Они изучают Формальные задачи и Экспертные задачи позже, именно в таком порядке.

Людям проще всего научиться повседневным задачам. То же самое считалось верным до того, как пытались реализовать мирские задачи на машинах. Раньше вся работа ИИ была сосредоточена в области повседневных задач.

Позже выяснилось, что машине требуется больше знаний, сложное представление знаний и сложные алгоритмы для решения рутинных задач. Это причина , по которой работа ИИ сейчас более процветает в области экспертных задач , поскольку область экспертных задач требует экспертных знаний без здравого смысла, которые легче представлять и обрабатывать.

Агенты и среда

Система ИИ состоит из агента и его окружения. Агенты действуют в своей среде. Окружающая среда может содержать другие агенты.

Что такое агент и среда?

Агент — это все , что может воспринимать свое окружение через сенсоры и воздействовать на него через эффекторы.

Агент – человек имеет органы чувств, такие как глаза, уши, нос, язык и кожа, параллельные датчикам, и другие органы, такие как руки, ноги, рот, для эффекторов.
Роботизированный агент заменяет камеры и инфракрасные дальномеры для датчиков и различные моторы и приводы для эффекторов.
Программный агент закодировал битовые строки как свои программы и действия.

Терминология агента

Показатель эффективности агента — это критерии, определяющие, насколько успешен агент.
Поведение агента — это действие, которое агент выполняет после любой заданной последовательности восприятий.
Восприятие — это перцептивные входные данные агента в данном случае.
Последовательность восприятия — это история всего, что агент воспринял до настоящего времени.
Функция агента — это карта от последовательности предписаний к действию.

Рациональность

Рациональность — это не что иное, как статус человека разумного, благоразумного и обладающего здравым смыслом.

Рациональность связана с ожидаемыми действиями и результатами в зависимости от того, что воспринял агент. Совершение действий с целью получения полезной информации является важной частью рациональности.

Что такое идеальный рациональный агент?

Идеальный рациональный агент — это тот, который способен выполнять ожидаемые действия для максимизации показателей своей эффективности на основе —

Его последовательность восприятия
Его встроенная база знаний

Рациональность агента зависит от следующего:

Показатели эффективности , определяющие степень успеха.
Последовательность восприятия агента до сих пор.
Предварительные знания агента об окружающей среде .
Действия , которые может выполнять агент.

Рациональный агент всегда выполняет правильное действие, где правильное действие означает действие, которое приводит к тому, что агент достигает наибольшего успеха в данной последовательности восприятия. Проблема, которую решает агент, характеризуется показателем производительности, средой, приводами и датчиками (PEAS).

Структура интеллектуальных агентов

Структуру агента можно рассматривать как —

Агент = Архитектура + Агентская программа
Архитектура = механизм, на котором работает агент.
Программа агента = реализация функции агента.

Простые рефлекторные агенты

Они выбирают действия только на основе текущего восприятия.
Они рациональны только в том случае, если правильное решение принимается только на основе действующей установки.
Их окружение полностью наблюдаемо.

Правило условия-действия — это правило, которое сопоставляет состояние (условие) с действием.

Рефлекторные агенты на основе моделей

Они используют модель мира для выбора своих действий. Они поддерживают внутреннее состояние.

Модель — знание о том, «как вещи происходят в мире».

Внутреннее состояние — это представление ненаблюдаемых аспектов текущего состояния в зависимости от истории восприятия.

Для обновления состояния требуется информация о —

Как развивается мир.
Как действия агента влияют на мир.

Целевые агенты

Они выбирают свои действия для достижения целей. Подход, основанный на цели, является более гибким, чем рефлекторный агент, поскольку знания, поддерживающие решение, моделируются в явном виде, что позволяет вносить модификации.

Цель — это описание желаемых ситуаций.

Служебные агенты

Они выбирают действия на основе предпочтения (полезности) для каждого состояния.

Цели неадекватны, когда —

Существуют противоречивые цели, из которых лишь немногие могут быть достигнуты.
Цели имеют некоторую неопределенность в отношении достижения, и вам необходимо сопоставить вероятность успеха с важностью цели.

Природа окружающей среды

Некоторые программы работают в полностью искусственной среде, ограниченной вводом с клавиатуры, базой данных, компьютерными файловыми системами и выводом символов на экран.

Напротив, некоторые программные агенты (программные роботы или программные боты) существуют в обширных, неограниченных доменах программных ботов. Симулятор имеет очень детализированное, сложное окружение . Программному агенту необходимо выбирать из длинного набора действий в режиме реального времени. Программный бот, предназначенный для сканирования онлайн-предпочтений клиента и показа ему интересного, работает как в реальной, так и в искусственной среде.

Самая известная искусственная среда — среда теста Тьюринга , в которой на равных тестируются один реальный и другие искусственные агенты. Это очень сложная среда, поскольку программному агенту очень сложно работать так же хорошо, как человеку.

Тест Тьюринга

Успех разумного поведения системы можно измерить с помощью теста Тьюринга.

В испытании участвуют два человека и машина, подлежащая оценке. Из двух человек один играет роль тестировщика. Каждый из них сидит в разных комнатах. Тестер не знает, кто машина, а кто человек. Он задает вопросы, печатая и отправляя их обоим разведчикам, на которые получает напечатанные ответы.

Этот тест направлен на то, чтобы обмануть тестировщика. Если тестер не может определить реакцию машины по реакции человека, то говорят, что машина разумна.

Свойства окружающей среды

Окружающая среда имеет многократные свойства —

Дискретный / непрерывный — если существует ограниченное количество различных, четко определенных состояний среды, среда является дискретной (например, шахматы); в противном случае он непрерывен (например, вождение).
Наблюдаемый / частично наблюдаемый — если возможно определить полное состояние окружающей среды в каждый момент времени на основе наблюдаемых восприятий; в противном случае его можно наблюдать лишь частично.
Статический / динамический — если среда не меняется во время действия агента, то она статическая; в противном случае он динамичен.
Один агент / несколько агентов — среда может содержать других агентов, которые могут быть того же или другого типа, что и агент.
Доступный / недоступный — если сенсорный аппарат агента может иметь доступ к полному состоянию среды, то среда доступна для этого агента.
Детерминированный / недетерминированный — если следующее состояние среды полностью определяется текущим состоянием и действиями агента, то среда является детерминированной; в противном случае это недетерминировано.
Эпизодический / неэпизодический — в эпизодической среде каждый эпизод состоит из того, что агент воспринимает, а затем действует. Качество его действия зависит как раз от самого эпизода. Последующие эпизоды не зависят от действий в предыдущих эпизодах. Эпизодические среды намного проще, потому что агенту не нужно думать наперед.

Популярные алгоритмы поиска

Поиск — универсальный метод решения задач в ИИ. Есть некоторые однопользовательские игры, такие как игры с плиткой, судоку, кроссворд и т. Д. Алгоритмы поиска помогают вам искать определенную позицию в таких играх.

Проблемы с поиском пути для одного агента

Такие игры, как головоломки 3X3 с восемью плитками, 4X4 с пятнадцатью плитками и 5X5 с двадцатью четырьмя плитками, представляют собой задачи по поиску пути для одного агента. Они состоят из матрицы плиток с пустой плиткой. Игрок должен расставлять плитки, сдвигая плитку вертикально или горизонтально в пустое место с целью достижения какой-либо цели.

Другими примерами задач поиска пути для одного агента являются задача коммивояжера, кубик Рубика и доказательство теорем.

Поисковая терминология

Проблемное пространство — это среда, в которой происходит поиск. (Набор состояний и набор операторов для изменения этих состояний)
Экземпляр проблемы — это начальное состояние + целевое состояние.
График проблемного пространства — представляет состояние проблемы. Состояния показаны узлами, а операторы показаны ребрами.
Глубина проблемы — длина кратчайшего пути или кратчайшей последовательности операторов от начального состояния до целевого состояния.
Сложность пространства — максимальное количество узлов, хранящихся в памяти.
Временная сложность — максимальное количество создаваемых узлов.
Допустимость — свойство алгоритма всегда находить оптимальное решение.
Коэффициент ветвления — среднее количество дочерних узлов в графе проблемного пространства.
Глубина — длина кратчайшего пути от начального состояния до целевого состояния.

Стратегии грубого поиска

Они наиболее просты, так как не требуют каких-либо предметных знаний. Они отлично работают с небольшим количеством возможных состояний.

Требования —

Описание состояния
Набор допустимых операторов
Начальное состояние
Описание целевого состояния

Поиск в ширину

Он начинается с корневого узла, сначала исследует соседние узлы и движется к соседям следующего уровня. Он генерирует одно дерево за раз, пока не будет найдено решение. Это может быть реализовано с использованием структуры данных очереди FIFO. Этот метод обеспечивает кратчайший путь к решению.

Если коэффициент ветвления (среднее количество дочерних узлов для данного узла) = b и глубина = d, то количество узлов на уровне d = b d .

Общее количество узлов, созданных в худшем случае, равно b + b 2 + b 3 + … + b d .

Недостаток — поскольку каждый уровень узлов сохраняется для создания следующего, он занимает много места в памяти. Требования к пространству для хранения узлов экспоненциальны.

Его сложность зависит от количества узлов. Он может проверять дубликаты узлов.

Поиск в глубину

Он реализован в рекурсии со структурой данных стека LIFO. Он создает тот же набор узлов, что и метод в ширину, только в другом порядке.

Поскольку узлы на одном пути сохраняются при каждой итерации от корневого узла к конечному узлу, требования к пространству для хранения узлов являются линейными. С коэффициентом ветвления b и глубиной m объем памяти равен bm.

Недостаток — этот алгоритм может не завершиться и продолжаться бесконечно по одному пути. Решение этой проблемы заключается в выборе глубины отсечки. Если идеальное отсечение равно d и если выбранное отсечение меньше d , то этот алгоритм может дать сбой. Если выбранная отсечка больше d , то время выполнения увеличивается.

Его сложность зависит от количества путей. Он не может проверять повторяющиеся узлы.

Двунаправленный поиск

Он ищет вперед от начального состояния и назад от целевого состояния, пока оба не встретятся, чтобы идентифицировать общее состояние.

Путь из начального состояния объединяется с обратным путем из целевого состояния. Каждый поиск выполняется только до половины всего пути.

Единый поиск стоимости

Сортировка производится по возрастанию стоимости пути к узлу. Он всегда расширяет узел с наименьшими затратами. Он идентичен поиску в ширину, если каждый переход имеет одинаковую стоимость.

Он исследует пути в порядке возрастания стоимости.

Недостаток — может быть несколько длинных путей со стоимостью ≤ C *. Поиск единой стоимости должен исследовать их все.

Итеративное углубление поиска в глубину

Он выполняет поиск в глубину до уровня 1, начинает заново, выполняет полный поиск в глубину до уровня 2 и продолжает таким образом до тех пор, пока не будет найдено решение.

Он никогда не создает узел, пока не будут сгенерированы все нижние узлы. Он сохраняет только стек узлов. Алгоритм завершается, когда находит решение на глубине d . Количество узлов, созданных на глубине d, равно b d , а на глубине d-1 — b d-1.

Сравнение различных сложностей алгоритмов

Давайте посмотрим на производительность алгоритмов на основе различных критериев —

Информированные (эвристические) стратегии поиска

Чтобы решить большие проблемы с большим количеством возможных состояний, необходимо добавить специальные знания для повышения эффективности алгоритмов поиска.

Эвристические функции оценки

Они рассчитывают стоимость оптимального пути между двумя состояниями. Эвристическая функция для игр со скользящими плитками вычисляется путем подсчета количества ходов, которые каждая плитка делает из своего целевого состояния, и сложения этого количества ходов для всех плиток.

Чистый эвристический поиск

Он расширяет узлы в порядке их эвристических значений. Он создает два списка: закрытый список для уже развернутых узлов и открытый список для созданных, но нерасширенных узлов.

На каждой итерации узел с минимальным эвристическим значением расширяется, все его дочерние узлы создаются и помещаются в закрытый список. Затем к дочерним узлам применяется эвристическая функция, и они помещаются в открытый список в соответствии с их эвристическим значением. Более короткие пути сохраняются, а более длинные удаляются.

Поиск

Это самая известная форма поиска Best First. Он избегает расширения путей, которые уже являются дорогостоящими, но в первую очередь расширяет наиболее перспективные пути.

f(n) = g(n) + h(n), где

g(n) стоимость (на данный момент) достижения узла
h(n) предполагаемая стоимость перехода от узла к цели
f(n) предполагаемая общая стоимость пути через n к цели. Это реализуется с использованием приоритетной очереди за счет увеличения f(n).

Жадный лучший первый поиск

Он расширяет узел, который считается ближайшим к цели. Он расширяет узлы на основе f(n) = h(n). Это реализовано с использованием приоритетной очереди.

Недостаток — он может застрять в петлях. Это не оптимально.

Алгоритмы локального поиска

Они начинают с предполагаемого решения, а затем переходят к соседнему решению. Они могут вернуть действительное решение, даже если оно будет прервано в любой момент до их окончания.

Поиск в горах

Это итеративный алгоритм, который начинается с произвольного решения проблемы и пытается найти лучшее решение путем постепенного изменения одного элемента решения. Если изменение приводит к лучшему решению, постепенное изменение принимается за новое решение. Этот процесс повторяется до тех пор, пока не прекратятся дальнейшие улучшения.

Функция Hill-Climbing (задача) возвращает состояние, являющееся локальным максимумом.

				
					inputs: problem, a problem
local variables: current, a node
                 neighbor, a node
current <-Make_Node(Initial-State[problem])
loop
   do neighbor <- a highest_valued successor of current
      if Value[neighbor] ≤ Value[current] then
      return State[current]
      current <- neighbor				  
	
end

Недостаток — этот алгоритм не является ни полным, ни оптимальным.

Локальный поиск луча

В этом алгоритме он содержит k состояний в любой момент времени. В начале эти состояния генерируются случайным образом. Преемники этих k состояний вычисляются с помощью целевой функции. Если любой из этих последователей является максимальным значением целевой функции, то алгоритм останавливается.

В противном случае состояния (начальные k состояний и k последователей состояний = 2k) помещаются в пул. Затем пул сортируется по номерам. Высшие k состояний выбираются в качестве новых начальных состояний. Этот процесс продолжается до тех пор, пока не будет достигнуто максимальное значение.

функция BeamSearch( задача, k ) возвращает состояние решения.

				
					start with k randomly generated states
loop
   generate all successors of all k states
   if any of the states = solution, then return the state
   else select the k best successors
end

Имитация отжига

Отжиг — это процесс нагревания и охлаждения металла с целью изменения его внутренней структуры для изменения его физических свойств. При охлаждении металла его новая структура схватывается, и металл сохраняет вновь обретенные свойства. В моделируемом процессе отжига поддерживается переменная температура.

Сначала мы устанавливаем высокую температуру, а затем позволяем ей медленно «охлаждаться» по мере выполнения алгоритма. Когда температура высока, алгоритм может принимать худшие решения с высокой частотой.

Начинать

Инициализировать k = 0; L = целое число переменных;
От i → j найдите разницу в производительности Δ.
Если Δ <= 0, тогда примите еще, если exp(-Δ/T(k)) > random(0,1), тогда примите;
Повторите шаги 1 и 2 для L(k) шагов.
к = к + 1;

Повторяйте шаги с 1 по 4, пока критерии не будут соблюдены.

Конец

Задача коммивояжера

В этом алгоритме цель состоит в том, чтобы найти недорогой тур, который начинается в городе, посещает все города по пути ровно один раз и заканчивается в одном и том же начальном городе.

				
					Start
   Find out all (n -1)! Possible solutions, where n is the total number of cities.
   Determine the minimum cost by finding out the cost of each of these (n -1)! solutions.
   Finally, keep the one with the minimum cost.
end

Cистемы нечеткой логики

Системы нечеткой логики (FLS) выдают приемлемый, но определенный результат в ответ на неполный, двусмысленный, искаженный или неточный (нечеткий) ввод.

Что такое нечеткая логика?

Нечеткая логика (FL) — это метод рассуждений, напоминающий человеческое рассуждение. Подход FL имитирует способ принятия решений людьми, который включает в себя все промежуточные возможности между цифровыми значениями ДА и НЕТ.

Обычный логический блок, который может понять компьютер, принимает точные входные данные и выдает определенный вывод как ИСТИНА или ЛОЖЬ, что эквивалентно человеческому ДА или НЕТ.

Изобретатель нечеткой логики Лотфи Заде заметил, что, в отличие от компьютеров, принятие решений человеком включает в себя ряд возможностей от ДА до НЕТ, например:

КОНЕЧНО ДА

ВОЗМОЖНО ДА

НЕ МОГУ СКАЗАТЬ

ВОЗМОЖНО НЕТ

КОНЕЧНО НЕТ

Нечеткая логика работает на уровнях возможностей ввода для достижения определенного результата.

Выполнение

Он может быть реализован в системах различных размеров и возможностей, начиная от небольших микроконтроллеров и заканчивая большими сетевыми системами управления на базе рабочих станций.
Он может быть реализован аппаратно, программно или их комбинацией.

Для чего нужна нечеткая логика?

Нечеткая логика полезна в коммерческих и практических целях.

Она может управлять машинами и потребительскими товарами.
Она может не дать точных рассуждений, но вполне приемлемые рассуждения.
Нечеткая логика помогает справиться с неопределенностью в задаче.

Архитектура систем нечеткой логики

Как показано на рисунке, он состоит из четырех основных частей —

Модуль фаззификации — преобразует входные данные системы, которые представляют собой четкие числа, в нечеткие множества.
База знаний — в ней хранятся правила IF-THEN, предоставленные экспертами.
Механизм логического вывода — имитирует процесс человеческого мышления, делая нечеткие выводы о входных данных и правилах IF-THEN.
Модуль дефаззификации — преобразует нечеткий набор, полученный механизмом логического вывода, в четкое значение.

Функции принадлежности работают с нечеткими наборами переменных.

Функция членства

Функции принадлежности позволяют количественно определить лингвистический термин и представить нечеткое множество графически. Функция принадлежности нечеткого множества A во вселенной дискурса X определяется как µ A : X → [0,1].

Здесь каждому элементу X сопоставляется значение от 0 до 1. Это называется значением принадлежности или степенью принадлежности . Он количественно определяет степень принадлежности элемента в X к нечеткому множеству A .

ось x представляет собой вселенную дискурса.
Ось y представляет степени принадлежности к интервалу [0, 1].

Может быть несколько функций принадлежности, применимых для фаззификации числового значения. Простые функции принадлежности используются, поскольку использование сложных функций не увеличивает точность вывода.

Все функции принадлежности для LP, MP, S, MN и LN показаны ниже:

Треугольные формы функции принадлежности наиболее распространены среди различных других форм функции принадлежности, таких как трапецеидальная, одноэлементная и гауссова.

Здесь вход 5-уровневого фаззификатора изменяется от -10 вольт до +10 вольт. Следовательно, соответствующий выход также изменяется.

Пример системы нечеткой логики

Рассмотрим систему кондиционирования воздуха с 5-уровневой системой нечеткой логики. Эта система регулирует температуру кондиционера, сравнивая температуру в помещении и заданное значение температуры.

Алгоритм

Определение лингвистических переменных и терминов (начало)
Построить для них функции принадлежности. (начинать)
Построить базу знаний правил (начало)
Преобразуйте четкие данные в нечеткие наборы данных, используя функции принадлежности. (фаззификация)
Оцените правила в базе правил. (Механизм логического вывода)
Объедините результаты каждого правила. (Механизм логического вывода)
Преобразуйте выходные данные в нечеткие значения. (дефаззификация)

Разработка

Шаг 1 — Определите лингвистические переменные и термины

Лингвистические переменные — это входные и выходные переменные в виде простых слов или предложений. Для комнатной температуры холодный, теплый, горячий и т. д. являются лингвистическими терминами.

Температура (t) = {очень холодно, холодно, тепло, очень тепло, жарко}

Каждый член этого набора является лингвистическим термином и может охватывать некоторую часть общих значений температуры.

Шаг 2 — Постройте для них функции принадлежности

Функции принадлежности переменной температуры следующие:

Шаг 3 — Создайте правила базы знаний

Создайте матрицу значений комнатной температуры по сравнению со значениями целевой температуры, которые, как ожидается, будет обеспечивать система кондиционирования воздуха.

Создайте набор правил в базе знаний в виде структур IF-THEN-ELSE:

ЕСЛИ температура = (Холодно ИЛИ Очень_Холодно) И цель = Тепло, ТО НАГРЕВАТЬ
ЕСЛИ температура = (Жарко ИЛИ Очень_Жарко) И цель = Тепло ТО ОХЛАЖДАТЬ
ЕСЛИ (температура=тепло) И (цель=тепло), ТО БЕЗ ИЗМЕНЕНИЙ

Шаг 4 — Получить нечеткое значение

Операции с нечеткими множествами выполняют оценку правил. Операции, используемые для ИЛИ и И, являются Макс и Мин соответственно. Объедините все результаты оценки, чтобы сформировать окончательный результат. Этот результат является нечетким значением.

Шаг 5 — Выполните дефаззификацию

Затем выполняется дефаззификация в соответствии с функцией принадлежности для выходной переменной.

Области применения нечеткой логики

Ключевые области применения нечеткой логики следующие:

Автомобильные системы

Автоматические коробки передач
Четырехколесное рулевое управление
Контроль окружающей среды автомобиля

Потребительские электронные товары

Hi-Fi системы
Копировальные аппараты
Фото- и видеокамеры
Телевидение

Отечественные товары

Микроволновые печи
Холодильники
Тостеры
Пылесосы
Стиральные машины

Контроль окружающей среды

Кондиционеры/осушители/обогреватели
Увлажнители

Преимущества FLS

Математические концепции в рамках нечетких рассуждений очень просты.
Вы можете изменить FLS, просто добавив или удалив правила благодаря гибкости нечеткой логики.
Системы нечеткой логики могут принимать неточную, искаженную, зашумленную входную информацию.
FLS легко построить и понять.
Нечеткая логика — это решение сложных проблем во всех сферах жизни, включая медицину, поскольку она напоминает человеческое рассуждение и принятие решений.

Преимущества FLS

Не существует системного подхода к проектированию нечетких систем.
Они понятны только тогда, когда просты.
Они подходят для задач, не требующих высокой точности.

Обработка естественного языка

Обработка естественного языка (NLP) относится к методу ИИ для общения с интеллектуальными системами с использованием естественного языка, такого как английский.

Обработка естественного языка требуется, когда вы хотите, чтобы интеллектуальная система, такая как робот, выполняла ваши инструкции, когда вы хотите услышать решение клинической экспертной системы, основанной на диалоге, и т. д.

Область NLP включает в себя создание компьютеров для выполнения полезных задач с использованием естественных языков, которые используют люди. Вход и выход системы NLP могут быть:

- Речь
- Письменный текст

Компоненты НЛП

Есть два компонента NLP:

Понимание естественного языка (NLU)

Понимание включает в себя следующие задачи —

Преобразование данного ввода на естественном языке в полезные представления.
Анализ различных аспектов языка.

Генерация естественного языка (NLG)

Это процесс создания значимых фраз и предложений в форме естественного языка из некоторого внутреннего представления.

Это включает в себя —

Планирование текста — включает в себя извлечение соответствующего контента из базы знаний.
Планирование предложений — включает в себя выбор необходимых слов, формирование значимых фраз, установку тона предложения.
Реализация текста — это отображение плана предложения в структуру предложения.

NLU сложнее, чем NLG.

Трудности в NLU

NLU имеет чрезвычайно богатую форму и структуру.

Это очень неоднозначно. Могут быть разные уровни неоднозначности —

Лексическая неоднозначность — находится на очень примитивном уровне, например на уровне слов.
Например, рассматривать слово «доска» как существительное или глагол?
Неоднозначность уровня синтаксиса — предложение можно анализировать по-разному.
Например, «Поднял жука с красной шапочкой». − Он использовал крышку, чтобы поднять жука, или он поднял жука с красной крышкой?
Ссылочная двусмысленность — обращение к чему-либо с использованием местоимений. Например, Рима пошла к Гаури. Она сказала: «Я устала». − Кто именно устал?
Один ввод может означать разные значения.
Многие входные данные могут означать одно и то же.

Терминология NLP

Фонология — это изучение систематической организации звука.
Морфология — это исследование построения слов из примитивных значимых единиц.
Морфема — это примитивная единица значения в языке.
Синтаксис — это относится к расположению слов для составления предложения. Он также включает в себя определение структурной роли слов в предложении и в словосочетаниях.
Семантика — касается значения слов и того, как объединять слова в значимые фразы и предложения.
Прагматика — касается использования и понимания предложений в разных ситуациях и того, как это влияет на интерпретацию предложения.
Дискурс — касается того, как непосредственно предшествующее предложение может повлиять на интерпретацию следующего предложения.
Мировые знания — включает в себя общие знания о мире.

Шаги в NLP

Есть общие пять шагов —
- Лексический анализ — включает в себя определение и анализ структуры слов. Лексика языка означает набор слов и фраз на языке. Лексический анализ — это разделение всего текста на абзацы, предложения и слова.
- Синтаксический анализ (разбор) — включает анализ слов в предложении на предмет грамматики и расположение слов таким образом, чтобы показать взаимосвязь между словами. Предложение типа «В школу идет мальчик» отвергается синтаксическим анализатором английского языка.
- Семантический анализ — извлекает точное значение или значение словаря из текста. Текст проверяется на осмысленность. Это делается путем сопоставления синтаксических структур и объектов в предметной области. Семантический анализатор игнорирует такие предложения, как «горячее мороженое».
- Интеграция дискурса — значение любого предложения зависит от значения предложения непосредственно перед ним. Кроме того, это также приводит к значению непосредственно следующего за ним предложения.
- Прагматический анализ — во время этого сказанное переосмысливается в соответствии с тем, что оно на самом деле имело в виду. Он включает в себя получение тех аспектов языка, которые требуют знания реального мира.

Аспекты реализации синтаксического анализа

Существует ряд алгоритмов, разработанных исследователями для синтаксического анализа, но мы рассматриваем только следующие простые методы:

Контекстно-свободная грамматика
Анализатор сверху вниз

Давайте посмотрим на них подробно —

Контекстно-свободная грамматика

Это грамматика, состоящая из правил с одним символом слева от правил перезаписи. Давайте создадим грамматику для разбора предложения —

“The bird pecks the grains” – Птица клюет зёрна

Артикли (DET) − a | an | the

Существительные − bird | birds | grain | grains

Фраза с существительным(NP)− Article + Noun | Article + Adjective + Noun

= DET N | DET ADJ N

Глаголы − pecks | pecking | pecked

Фраза с глаголом (VP) − NP V | V NP

Прилагательные (ADJ) − beautiful | small | chirping

Дерево синтаксического анализа разбивает предложение на структурированные части, чтобы компьютер мог легко понять и обработать его. Чтобы алгоритм синтаксического анализа построил это дерево синтаксического анализа, необходимо построить набор правил перезаписи, которые описывают допустимые древовидные структуры.

Эти правила говорят о том, что определенный символ может быть расширен в дереве последовательностью других символов. Согласно правилу логики первого порядка, если есть две строки (NP) и (VP), то строка, объединенная NP, за которой следует VP, является предложением. Правила перезаписи предложения следующие:

S → NP VP

NP → DET N | DET ADJ N

VP → V NP

Лексокон −

DET → a | the

ADJ → beautiful | perching

N → bird | birds | grain | grains

V → peck | pecks | pecking

Дерево синтаксического анализа может быть создано, как показано на рисунке —

Теперь рассмотрим приведенные выше правила перезаписи. Поскольку V можно заменить как «peck», так и «pecks», такие предложения, как «The bird peck the grains», могут быть ошибочно разрешены. т. е. ошибка согласования подлежащего и глагола считается правильной.

Достоинство — самый простой стиль грамматики, поэтому широко используемый.

Недостатки —

Они не отличаются высокой точностью. Например, «The grains peck the bird» является синтаксически правильным с точки зрения синтаксического анализатора, но даже если оно не имеет смысла, синтаксический анализатор воспринимает его как правильное предложение.
Чтобы добиться высокой точности, необходимо подготовить несколько наборов грамматики. Это может потребовать совершенно разных наборов правил для разбора вариантов единственного и множественного числа, пассивных предложений и т. д., что может привести к созданию огромного набора правил, которыми невозможно управлять.

Анализатор сверху вниз

Здесь синтаксический анализатор начинает с символа S и пытается переписать его в последовательность терминальных символов , которая соответствует классам слов во входном предложении, пока она полностью не будет состоять из терминальных символов.

Затем они проверяются с входным предложением, чтобы увидеть, совпадают ли они. Если нет, процесс запускается снова с другим набором правил. Это повторяется до тех пор, пока не будет найдено конкретное правило, описывающее структуру предложения.

Достоинство — просто реализовать.

Недостатки —

- Это неэффективно, так как при возникновении ошибки процесс поиска приходится повторять.
- Медленная скорость работы.

Проблемы ИИ

ИИ развивается с такой невероятной скоростью, что иногда это кажется волшебством. Среди исследователей и разработчиков бытует мнение, что ИИ может стать настолько сильным, что людям будет трудно его контролировать.

Люди разработали системы искусственного интеллекта, внедрив в них весь возможный интеллект, из-за которого сами люди теперь кажутся угрозой.

Угроза конфиденциальности

Программа ИИ, которая распознает речь и понимает естественный язык, теоретически способна понять каждый разговор по электронной почте и телефону.

Угроза человеческому достоинству

Системы искусственного интеллекта уже начали заменять людей в нескольких отраслях. Он не должен заменять людей в секторах, где они занимают достойные должности, относящиеся к этике, таких как медсестра, хирург, судья, полицейский и т. д.

Угроза безопасности

Самосовершенствующиеся системы ИИ могут стать настолько могущественнее людей, что их будет очень трудно остановить от достижения своих целей, что может привести к непредвиденным последствиям.

Переведено с сайта tutorialspoint.com

Введение в искусственный интеллект

Содержание

Для кого этот материал

Обзор

Что такое искусственный интеллект?

Философия ИИ

Цели ИИ

Что способствует развитию ИИ?

Программирование с ИИ и без

Что такое техники ИИ?

Приложения ИИ

Интеллектуальные системы

Что такое интеллект?

Типы интеллекта

Из чего состоит интеллект?

Разница между человеческим и машинным интеллектом

Области исследований

Распознавание речи и голоса

Работа систем распознавания речи и голоса

Применение областей исследований в реальной жизни

Классификация задач ИИ

Агенты и среда

Что такое агент и среда?

Терминология агента

Рациональность

Что такое идеальный рациональный агент?

Структура интеллектуальных агентов

Простые рефлекторные агенты

Рефлекторные агенты на основе моделей

Целевые агенты

Служебные агенты

Природа окружающей среды

Тест Тьюринга

Свойства окружающей среды

Популярные алгоритмы поиска

Проблемы с поиском пути для одного агента

Поисковая терминология

Стратегии грубого поиска

Поиск в ширину

Поиск в глубину

Двунаправленный поиск

Единый поиск стоимости

Итеративное углубление поиска в глубину

Сравнение различных сложностей алгоритмов

Информированные (эвристические) стратегии поиска

Эвристические функции оценки

Чистый эвристический поиск

Поиск

Жадный лучший первый поиск

Алгоритмы локального поиска

Поиск в горах

Локальный поиск луча

Имитация отжига

Задача коммивояжера

Cистемы нечеткой логики

Системы нечеткой логики (FLS) выдают приемлемый, но определенный результат в ответ на неполный, двусмысленный, искаженный или неточный (нечеткий) ввод.

Что такое нечеткая логика?

Выполнение

Для чего нужна нечеткая логика?

Архитектура систем нечеткой логики

Функция членства

Пример системы нечеткой логики

Алгоритм

Разработка

Области применения нечеткой логики

Преимущества FLS

Преимущества FLS

Обработка естественного языка

Компоненты НЛП

Понимание естественного языка (NLU)

Генерация естественного языка (NLG)

Трудности в NLU

Терминология NLP

Шаги в NLP

Аспекты реализации синтаксического анализа

Контекстно-свободная грамматика

Анализатор сверху вниз

Проблемы ИИ

Угроза конфиденциальности

Угроза человеческому достоинству