Бесплатный фрагмент - Искусственный интеллект и Большие Данные

Введение

Данная публикация содержит краткое изложение базовой проблематики, связанной с системами искусственного интеллекта, интеллектуальными информационными системами, технологиями Больших Данных (Big Data) и методами раскопки данных (Data Mining), ставшими весьма популярными в последние годы. В отличие от большинства авторов, пишущих на эту тему, автор книги не склонен к бравурному оптимизму в отношении достижений в этой сфере.

Поэтому, если Вы оптимист, свято верующий в радужные перспективы интеллектуальных информационных технологий — НЕ читайте эту книгу. В особенности её последние главы и, тем более, заключение. Я не хочу, чтобы Вы расстроились. Живите в своём мире, копайтесь в больших данных в надежде получить прорывные результаты, так же как копались старатели времён «золотых лихорадок» в надежде намыть увесистые слитки золота в тоннах песка. Кому-то это удалось, но большинству — нет. Учите роботов играть в футбол или морщить лоб, как бы изображая человеческие эмоции, и считая, что это и есть настоящий искусственный интеллект. Блажен, кто верует, — легко тому на свете.

Если же Вы махровый скептик или хотя бы иногда сомневались в «алых парусах», то не исключено, что книга будет Вам чем-то полезной. Начинается всё как обычно в толстых талмудах изложением классики вопроса с уклоном в «за здравие», но ближе к концу всё больше тянуло писать «за упокой». Хотя и не без политеса реверансов модному поветрию.

Изложение ориентировано на минимально подготовленных читателей, желающих получить общее представление по данной теме. Поэтому здесь нет ни одной формулы или маловразумительных наукообразных схем, которыми изобилует большое число публикаций по рассматриваемой проблематике. Все объяснения делаются, что называется «на пальцах». К сожалению, это получилось не везде. Возможно, лучше получится в последующих изданиях. В изложении не удалось избежать некоторых специфических терминов и общепринятых аббревиатур из области информационных технологий. Но даже, если Вам они не знакомы, то всё сделано так, чтобы это не помешало целостному восприятию.

Предполагается, что книга будет иметь Интернет-поддержку на сайте автора http://shurem.ru в разделе Поддержка книг. С пожеланиями и предложениями можно обратиться по адресу shurem@mail.ru

Системы искусственного интеллекта

Понятие искусственного интеллекта

На настоящий момент не существует единого и всеобъемлющего понятия того, что такое «интеллект» (от лат. intellectus — «ум, рассудок, «разум»). Обычно под этим термином подразумевают способность индивида решать задачи приспособления к изменяющимся условиям внешней среды за счёт целенаправленного использования и преобразования имеющихся у него знаний об окружающем мире. Для возможности решения задач адаптации к изменяющимся внешним условиям, индивид должен обладать некоторой совокупностью знаний об окружающем его мире и способностью к их применению и целенаправленной трансформации для разрешения конкретной проблемы. При этом возможность целенаправленной трансформации знаний возникает только тогда, когда имеющиеся знания определённым образом упорядочены, то есть индивид имеет некое целостное представление об окружающей его внешней среде или хотя бы той её части, которая непосредственно связана с вновь возникшей проблемой.

В данной интерпретации интеллектуальной задачей является такая задача, решение которой невозможно только за счёт прямого применения уже имеющегося опыта. Для возможности решения такого рода задач индивид должен быть способен к накоплению и обобщению опыта, знаний и навыков. При наличии этих способностей индивид может адаптироваться к изменяющимся условиям внешней среды, выражающимся в новых знаниях о проблемной ситуации. В этом смысле интеллект — это некоторый универсальный механизм обобщения знаний, способный разрабатывать на основе имеющихся знаний алгоритмы решения разнообразных конкретных задач.

Долгое время считалось, что способностью к интеллектуальной деятельности — накоплению, обобщению и трансформации знаний в целях выработки решений и получения новых знаний — обладает только человек. На протяжении долгого времени философы вели споры о процессе познания мира человеком, а нейрофизиологи и психологи создавали различные теории, объясняющие механизмы человеческого мышления. В середине XX века были созданы первые компьютеры, возможности которых в части накопления и преобразования данных существенно превосходили человеческие. Поэтому закономерно возник вопрос: могут ли компьютеры достигнуть уровня возможностей обобщения и трансформации знаний человеком?

На этой основе возникло новое научное направление, посвящённое исследованиям в области искусственного интеллекта, основной целью которых является создание искусственных систем, способных накапливать и обобщать знания в целях их последующей трансформации для решения задач, возникающих в конкретной предметной области.

Искусственный интеллект (ИИ; англ. artificial intelligence, AI) — это наука и технологии создания искусственных систем, способных решать интеллектуальные задачи.

В такой интерпретации системы ИИ (СИИ) не обязательно должны воспроизводить механизмы человеческого мышления, но и могут основываться на каких-то иных принципах. Эту точку зрения впервые представил Джон Маккарти на конференции в Дартмутском университете в 1956 году, указав на то, что исследователи и создатели СИИ не должны ограничиваться только используемыми людьми методами накопления, обобщения и трансформации знаний, если это требуется для решения конкретных проблем.

Существует и другая точка зрения, в соответствии с которой интеллект является исключительно свойством биологической сущности. В соответствии с ней под искусственным интеллектом понимается научное направление, связанное с программно-аппаратным моделированием интеллектуальной человеческой деятельности.

Искусственный интеллект как наука связан со множеством других научных направлений: философией, биологией, психологией, кибернетикой и другими, в совокупности с ними образуя более общую науку — когнитологию. Философов интересует: что вообще такое ИИ; возможно ли его создание; какими могут быть последствия создания ИИ для человечества. Психологи разрабатывают проблемы моделирования процессов анализа и принятия человеком решений в неопределённых ситуациях. Кибернетики изучают способы формализованного представления знаний и процессов их целенаправленной трансформации в компьютерных системах, а также методы создания, развития и эксплуатации интеллектуальных информационных систем.

Основной вопрос: «может ли машина мыслить?» до сих пор не имеет и ещё долго не будет иметь единого ответа. С точки зрения Христианства это невозможно, поскольку только Бог может наделить что-либо разумом, как наделил разумом человека. Поэтому создать устройство, способное мыслить, человек может только исполняя волю Божию. То есть попросту говоря под контролем и руководством Бога, перенося на устройство благодать Божию. С точки зрения буддистов неприемлемо само представление о том, что неодушевлённые материальные предметы способны к возможности осознания и познанию чего-либо. По мнению марксистов, как наиболее последовательных сторонников диалектического мышления, любое сложное техническое устройство, даже работающее по очень сложному алгоритму, является только перенесённой на него функцией человека. Следовательно, оно только выполняет определённые действия, которым его «научил» человек. В противоположность им большинство кибернетиков считают, что машина сможет мыслить, если научится манипулировать системой некоторым образом формализованных знаний, получая и накапливая новые знания в процессе решения конкретных задач. При этом, по мнению многих из них, она ещё и превзойдёт человека в решении многих задач за счёт практически неограниченной памяти и вычислительных возможностей.

Проблемы развития ИИ ставят на обсуждение также много этических вопросов. Прежде всего, обсуждаются глобальные риски, которые могут возникнуть, если внечеловеческий ИИ не будет запрограммирован на дружественность к человеку. То есть, если машина всё-таки может мыслить, то она в конце концов превзойдёт человека во всём и не факт, что посчитает наличие людей на Земле целесообразным.

Значительное внимание ИИ уделяют и деятели искусства. По этому поводу написано множество книг и снято большое число фильмов. В научно-фантастической литературе и фильмах то и дело возникают сюжеты, согласно которым ИИ пытается выйти из под контроля человека и доминировать над миром. Некоторые писатели рассматривают проблему глобальных изменений в обществе, вызванных возможной «киборгизацией» людей за счёт интеграции живой материи и имплантированных в тело технических устройств.

История развития систем искусственного интеллекта

Традиционно историю развития систем искусственного интеллекта начинают с середины XX века, ознаменовавшейся появлением первых компьютеров и внедрением термина «Artificial Intelligence» — Искусственный Интеллект. Однако ещё в XIX веке в России коллежский советник Семён Николаевич Корсаков (1787—1853) уже ставил задачу усиления возможностей человеческого ума за счёт применения специальных технических устройств. В 1832 г. он опубликовал описание нескольких механических устройств («интеллектуальных машин»), предназначенных для частичной механизации решения задач поиска, сравнения и классификации. В конструкции этих машин предполагалось применение перфорированных карт, выполнявших функции современных баз знаний. «Интеллектуальные машины» С. Н. Корсакова предназначались для определения наиболее подходящих для конкретных пациентов лекарств на основании данных о симптомах их заболеваний.

С появлением и быстрым развитием электронных вычислительных машин (ЭВМ), наряду с массовой разработкой их неинтеллектуальных, но весьма востребованных приложений для самых разных сфер деятельности, закономерно возникли вопросы относительно возможностей их применения для решения интеллектуальных задач. Это потребовало решения множества сложных научно-практических задач и с тех пор новое научное направление получило бурное развитие.

В 1943 г. нейробиолог Уоррен Мак-Каллок и математик Уолтер Питтс в статье «Логическое исчисление идей, присущих нервной деятельности», основываясь на модели нервной системы как сложной сети взаимосвязанных нейронов, выдвинули идею о том, что логика поведения живых существ может быть описана сетью двоичных переключателей, имеющих состояния «Включено» и «Выключено». В предложенной ими модели нервной системы узлы связаны друг с другом таким образом, что активность каждого них управляется активностью других узлов в предшествующие моменты времени. То есть конкретный узел перейдёт состояние «Включено» только в том случае, когда некоторое значительное число смежных с ним узлов также имеют состояние «Включено». В дальнейшем, высказанные авторами статьи предложения стали основой для формирования многих идей построения самоорганизующихся систем, в частности, искусственных нейронных сетей.

В 1949 году Дональд Хебб предложил первый работающий алгоритм обучения искусственных нейронных сетей.

В 1950 году британский математик Алан Тьюринг опубликовал в журнале «Mind» статью «Вычислительная машина и интеллект», в которой описал тест для проверки программы на интеллектуальность. Он предложил поместить исследователя и программу в разные комнаты и до тех пор, пока исследователь не определит, кто за стеной — человек или программа, считать поведение программы разумным. Это было одно из первых определений интеллектуальности, то есть А. Тьюринг предложил называть интеллектуальным такое поведение программы, которое будет моделировать разумное поведение человека. В настоящее время уже существуют и активно эксплуатируются системы искусственного интеллекта, общение с которыми человек не может отличить от общения с другим человеком, то есть уверенно проходящие тест Тьюринга.

В 1956 году прошёл первый большой научный семинар, посвящённый искусственному интеллекту. Вскоре после его окончания (1956—1959 гг.) Джон Маккарти разработал LISP — язык программирования, впоследствии широко применявшийся для разработки СИИ.

В 1958 Френк Розенблатт разработал однослойный перцептрон и продемонстрировал его возможности для решения задач классификации. Перцептрон до сих пор используют для решения задач распознавания образов, прогнозирования погоды и в других приложениях ИИ

В 1959 году Гербертом Саймоном и Клиффордом Шоу был создан так называемый «Универсальный решатель задач» (англ. General Problem Solver, GPS) — компьютерная программа, в которой впервые были разделены знания и правила вывода. Программа успешно самостоятельно воспроизводила доказательства теорем эвклидовой геометрии и логики предикатов, решала шахматные задачи и другие головоломки, но реальные задачи решать не могла, поскольку для них поиск цепочки логического вывода приводил к непосильному для обработки компьютером в ограниченное время числу перебора промежуточных шагов.

В 1964 году Сергей Маслов опубликовал работу «Обратный метод установления выводимости в классическом исчислении предикатов», где впервые был предложен метод автоматического поиска доказательства теорем на основе исчисления предикатов.

В 1965 году в Стэнфордском университете создана экспертная система Dendral, предназначенная для определения молекулярной структуры неизвестного органического соединения, использовавшая эвристические знания и достигшая уровня эксперта в данной области.

С 1965 года начинает разрабатываться теория нечётких множеств. В 1965 году Лофти Заде в работе «Нечеткие множества» изложил основы математического аппарата теории нечётких множеств и в 1969 году представил её развитие в работе «Нечёткие алгоритмы».

В 1966 году Валентин Турчин разработал язык программирования Рефал, предназначенный для символьных вычислений (алгебраические преобразования); переводов с одного искусственного или естественного языка на другой; решения задач искусственного интеллекта.

В 1968—69 гг. психолог Росс Квиллиан ввёл понятие семантических сетей для моделирования структуры долговременной памяти человека. В дальнейшем семантические сети стали одним из наиболее популярных способов представления знаний, особенно в системах машинного перевода.

В 1969 году Марвин Минский опубликовал формальное доказательство ограниченности перцептрона и показал его неспособность решать задачи с инвариантностью представлений. Результатом этого стало резкое снижение интереса исследователей проблем ИИ к нейронным сетям.

В начале 1970-х и далее активно разрабатывается теория эволюционных алгоритмов, предназначенных для математического описания процессов естественного отбора в популяциях путём моделирования процессов мутации в живых организмах (Инго Рехенберг: «Эволюционные стратегии — оптимизация технических систем по принципам биологической информации», 1973; Джон Холланд: «Адаптация в естественных и искусственных системах», 1975).

В 1972 году группой сотрудников Марсельского университета во главе с Аленом Колмероэ был разработан PROLOG — язык логического программирования, основанный на исчислении предикатов, используемый для описания данных и логики их обработки. Программа на Прологе не содержит обычных для большинства языков программирования управляющих конструкций: условных операторов и операторов цикла, но позволяет описать модель фрагмента исследуемой предметной области на основе применяемых в ней терминов.

В 1972 году Теуво Кохонен и Джеймс Андерсон независимо друг от друга предлагают новый тип нейронных сетей.

В 1973 Лофти Заде предложил теорию мягких вычислений, а также теорию вербальных вычислений и представлений.

В начале-середине 1970-х гг. в Стенфордском университете разработана медицинская экспертная система MYCIN, предназначенная для диагностирования бактерий, вызывающих бактериемию и менингит, а также предлагавшая рекомендации о необходимом составе и количестве антибиотиков для их лечения в зависимости от веса больного. Особенностью системы была реализация методов формирования выводов и принятия решений в условиях неопределённости на базе ненадежной и недостаточной информации. Процесс разработки занял около 6 лет, а базовым инструментом был язык программирования Lisp.

В 1974 году Пол Вербос и Александр Галушкин независимо разрабатывают алгоритм обратного распространения ошибки для обучения многослойных перцептронов.

В 1975 Марвин Минский в работе «Фреймы для представления знаний» изложил теорию фреймов, которая часто используется как механизм для представления знаний в компьютерных системах.

В 1977 году Эбрахим Мамдани разработал алгоритмы применения нечёткой логики в приближенном рассуждении на основе методов лингвистического синтеза.

В начале 1970-х — середине 1980-х начинают массово создаваться коммерческие экспертные систем как инструмент поддержки принятия решений в самых разных сферах человеческой деятельности.

В 1974—1983 гг. Стенфордским исследовательским институтом разработана экспертная система PROSPECTOR, предназначенная для консультирования геологов по вопросам оценки геологических ресурсов региона и конкретной местности на предмет возможности наличия полезных ископаемых, а также выработки рекомендаций относительно выбора мест для бурения.

1980-е и 1990-е годы характеризовались охлаждением интереса к исследованиям в области ИИ из-за резкого несоответствия возможностей реальных разработок и возлагаемыми на них при начале проектирования надеждами. Оказалось, что на существующем уровне понимания процессов интеллектуальной деятельности адекватно воссоздать человеческий интеллект невозможно.

В 1982 наметилось некоторое возрождение интереса к нейронным сетям. Теуво Кохонен предложил модели нейронной сетей, способных обучаться без учителя, решать задачи кластеризации и визуализации данных (самоорганизующаяся карта Кохонена) и некоторые другие задачи анализа данных.

В 1986 несколькими исследователями независимо друг от друга существенно развит метод обратного распространения ошибки, что в последствии стало основой возрождения массового интереса исследователей ИИ к обучаемым нейронным сетям.

В 1986 году Дэвид Румельхарт и Джеймс Макклеланд опубликовали фундаментальную работу «Параллельно распределенная обработка: исследование микроструктуры познания», которая до сих пор является настольной книгой исследователей в области когнитологии.

В 1990-е годы продолжается исследование возможностей применения эволюционных алгоритмов в ИИ (Джон Коза: Генетическое программирование: компьютерное программирование средствами естественного отбора, 1992; Лоуренс Фогель: Эволюционное вычисление — направление новой философии в машинном интеллекте, 1995).

В 1990-х годах продолжает развиваться теория нечётких множеств. Одним из основных направлений развития становится их интеграция с нейронными сетями (Барт Коско: Нейронные сети и нечеткие системы, 1992; Нечёткое мышление, 1993; Нечеткая инженерия, 1996; Лофти Заде: Нечёткие множества, нейронные сети и мягкие вычисления, 1994; Вычисления при помощи слов, 1996).

В 2007 в университете Торонто Джеффри Хинтон разработал эффективные алгоритмы глубокого обучения многослойных нейронных сетей. В настоящее время алгоритмы глубокого обучения используются поисковыми системами и практически во всех цифровых фотоаппаратах при реализации функции поиска лиц людей, а также во многих других приложениях.

Таким образом, исторически разработки в области ИИ велись в двух основных направлениях:

— первое направление связано с попытками разработки интеллектуальных машин путем моделирования их биологического прототипа — человеческого мозга. Сейчас это направление возрождается на основе развития современных аппаратных и программных средств (микрочипы на основе нечёткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).

— второе направление связано с разработками методов, приемов, специализированных устройств и программ для компьютеров, обеспечивающих решение сложных математических и логических задач, позволяющих автоматизировать отдельные интеллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Области применения искусственного интеллекта

Системы искусственного интеллекта используются во многих сферах жизни человека. Далее приведены только наиболее востребованные на текущий момент области их применения.

Финансы

СИИ очень активно применяются при управлении финансами по следующим направлениям.

Алгоритмическая торговля. Используется крупными институциональными инвесторами на финансовых и сырьевых рынках для принятия торговых решений купли-продажи автоматизированной системой, осуществляющей сделки со скоростью реакции, на которую человек не способен. Это даёт возможность осуществлять миллионы сделок в день практически без вмешательства человека.

Исследования рынка. Здесь СИИ используются для автоматизированного анализа огромных объёмов информации, способной влиять на состояние рынка. Системы BlackRock’ AI, Aladdin могут применяться как внутри компаний, так и их клиентами, помогая принимать инвестиционные решения. Они могут автоматически анализировать поступающие тексты новостей, отчёты брокеров и публикации в социальных сетях, формируя интегральные оценки настроений в упоминаемых текстами компаниях. Банки UBS и Deutsche Bank применят систему Sqreem, позволяющую формировать профили потребителей и индивидуально предлагать им продукты, которые с большой вероятностью могут быть ими востребованы. Goldman Sachs применяет аналитическую платформу Kensho, позволяющую объединять результаты статистического анализа с результатами обработки разнородных текстовых сообщений, выявляя корреляции между мировыми событиями и оценивая их влияние на цены финансовых инструментов.

Управление личными финансами. СИИ применяются для выработки рекомендаций по управлению личными финансами. Например, система Digit — помогает потребителям оптимизировать расходы и сбережения, на основе анализа привычек пользователей и поставленных ими целей. На основе анализа ежемесячного дохода, текущего баланса и привычек к расходам приложение может автоматически принимать решения и переводить деньги на отдельный сберегательный счёт. Система Wallet.AI создаёт специальных агентов, которые анализируют данные, генерируемые пользователем при взаимодействии со смартфонами и социальными сетями, чтобы информировать его о произведённых расходах и их структуре.

Управление финансовым портфелем. Специализированные автоматизированные системы, предоставляющие советы по управлению финансовым портфелем в соответствии с заявленными пользователями инвестиционными целями и склонностью к риску. Позволяют в реальном времени корректировать портфель в соответствии с пожеланиями пользователя.

Андеррайтинг. СИИ на основе огромных объёмов данных по алгоритмам машинного обучения строят модели кредитного риска и прогнозируют вероятность дефолта компаний. Система Zest Automated Machine Learning (ZAML) использует машинное обучение для анализа десятков тысяч показателей, применяемых кредитными организациями для оценки заемщиков. Более всего система полезна для расчёта кредитных рейтингов клиентов с небольшой кредитной историей.

Промышленность

Интеллектуальные роботы активно применяются во многих отраслях промышленности для выполнения работ, считающихся опасными для людей. Также роботы весьма эффективны при выполнении повторяющихся рутинных заданий, которые могут привести к ошибкам или несчастным случаям из-за вызванной усталостью снижения концентрации внимания человека. Роботы широко применяются и для выполнения работ, которые люди считают унизительными.

В 2014 году 70% мирового объёма продаж роботов пришлось на Китай, Японию, Соединенные Штаты, Южную Корею и Германию. Самая высокий уровень применения промышленных роботов (1414 роботов на 10 000 сотрудников) имеет место в японской автомобильной промышленности. Однако, несмотря на выдающиеся успехи в роботостроении, роботы пока не достигли уровня, на котором они могли бы решать особо ответственные и сложные задачи. Например, во время катастрофы на Фукусиме очень опасные аварийные работы вблизи повреждённого ядерного реактора выполнялись всё-таки людьми, а не роботами.

СИИ используются при создании новых материалов. Например, Национальной лаборатории ускорителей SLAC Министерства энергетики, Национального института стандартов и технологий и Северо-западного университета США интеллектуальный анализ данных компьютерной системой позволил примерно в 200 раз ускорить создание новой разновидности металлического стекла более прочного, легкого и устойчивого к коррозии, чем сталь. Для этого было проанализировано 20 тыс. вариантов технологии производства всего за один год.

Медицина

В медицине СИИ применяются при автоматической интерпретации медицинских изображений (компьютерная томография); диагностике; анализе сердечного ритма; обработке медицинских записей; формировании планов лечения; создании лекарств; консультировании. Интеллектуальные роботы используются также для ухода за престарелыми и оказании помощи при исполнении повторяющихся заданий (управление приёмом медикаментов). Человекоподобные манекены применяются при клиническом обучении студентов.

Управление человеческими ресурсами и рекрутинг

СИИ используются для автоматического анализа резюме и ранжирования кандидатов на вакансии в соответствии с их уровнем квалификации и другими интересующими работодателя признаками. Также СИИ применяются для моделирования и оценки эффективности деятельности соискателей вакансий на разных должностных ролях.

Система Pomato AI обеспечивает автоматизацию проверки претендентов на позиции в технических фирмах, мгновенно выполняя более 200 тыс. вычислений на каждое резюме, а затем составляет индивидуальное техническое интервью.

Компания Unilever применяет СИИ для оценки потенциальных сотрудников начального уровня, основываясь на методах нейробиологии, с помощью которых проводится анализ записанных интервью, лицевых и речевых сигналов. В результате стало возможным увеличить число рассматриваемых претендентов с 15 тыс. до 30 тыс. за год, сократить время на обработку заявлений с 4 месяцев до 4 недель и сэкономить более 50 тыс. часов времени рекрутеров.

СИИ применяются также для разработки рекрутинговых чатов. Например, система Ari позволяет сформировать систему чатов, предназначенных для проведения интервью с кандидатами. Кроме этого Ari автоматизирует процессы публикации вакансий, рекламных объявлений, оценку кандидатов, планирование собеседований и управление взаимоотношениями с кандидатами на всех стадиях рекрутингового процесса.

Искусство

СИИ применяются для написания музыки, литературных произведений, в художественном творчестве, при создании реалистичных образов для фильмов и компьютерных игр.

Наиболее известной в области Алгоритмической компьютерной музыки является СИИ Эмили Хауэлл. СИИ AIVA (Artificial Intelligence Virtual Artist) создаёт симфонии и музыку для фильмов, качество которых признано музыкальной профессиональной ассоциацией. СИИ также применяются для создания музыки, используемой для снятия стресса и боли. В лаборатории Sony CSL создана система Flow Machines компилирующая произведения в любом заданном стиле, основываясь на огромной базе данных музыкальных произведений.

СИИ применяются и для написания литературных произведений. В 2016 году японская СИИ даже почти выиграла литературную премию.

Издательская деятельность

Компания Narrative Science автоматически формирует коммерческие новости и отчёты на английском языке на основе обобщения статистических данных о спортивных событиях, финансовых отчётов и данных анализа недвижимости. Компания Automated Insights формирует персонализированные сводки и превью для Yahoo Sports Fantasy Football. В 2014 году СИИ компании генерировала до миллиарда историй в год.

Компания Echobox создала программное обеспечение, позволяющее увеличивать трафик за счёт оптимизации размещения статей в социальных сетях Facebook и Twitter. СИИ проводит анализ огромных объёмов данных и выясняет, как конкретная аудитория реагирует на определённую тематику публикаций в разное время суток. Исходя из этого, конкретные публикации размещаются в наилучшее для их тематики время. При этом используются не только исторические данные, но и данные, поступающие в реальном времени, что позволяет вносить оперативные изменения в план публикаций.

Компания Yseop применяет ИИ для трансформации структурированных данных в текстовые комментарии и рекомендации. Система используется для автоматического составления финансовых отчётов, исполнительских резюме, персонализированных маркетинговых предложений, а также документов других типов, генерируя тысячи страниц в секунду на английском, испанском, французском и немецком языках.

Службы поддержки клиентов

СИИ активно применяются для создания онлайн-помощников, реализуемых как чат-боты на веб-страницах. Это помогает снизить затраты на сотрудников служб поддержки пользователей. Здесь основной технологией является обработка естественного языка. К некоторым приложениям Google возможен голосовой доступ. Система распознает человеческую речь и, в зависимости от типа приложения, выполняет сказанные вслух запросы пользователя. Компания IPSoft разрабатывает технологию эмоционального интеллекта, распознающую тон речи собеседника и подстраивающая дальнейшие действия системы под эмоции собеседника. Компания Inbenta направила усилия на создание технологии, обеспечивающей понимание смысла вопроса на основе контекстуального анализа предложений на естественном языке. Разработка Ibenta уже может автоматически отвечать на запросы по электронной почте.

Техническое обслуживание телекоммуникаций

В телекоммуникационных компаниях СИИ используются для планирования работы сотрудников. Например, компания BT Group на основе методов эвристического поиска формирует рабочие графики 20 тыс. инженеров. Предполагается, что в сетях сотовой связи 6G ИИ будет штатным элементом технологии.

Развлечения и игры

В 1990-х годах началось экспериментальное производство СИИ для образования и отдыха в виде тамагочи и макетов животных, iPod Touch, роботов Furby и Aibo. Компания Mattel создаёт игрушки для детей, которые понимают речь и дают осмысленные ответы, помогающие детям учиться. ИИ используется при разработке игр, выполняя функции противников людей. В 2018 году в Корнелльском университете созданы состязательные сети, настроенные под популярные игры. После необходимого обучения нейронные сети стали способны самостоятельно формировать новые игровые уровни без участия людей.

Транспорт

На транспорте уже начиная с 2006 года СИИ стали применяться в контроллерах на основе нечеткой логики в автоматических коробках передач автомобилей Audi TT, VW Touareg, VW Caravell, Škoda Fabia. СИИ применяются в системах расширенного круиз-контроля. ИИ применяется для оптимизации управления дорожным трафиком, что позволяет до 25% сокращать время ожидания, потребление энергии и вредные выбросы. Активно производится тестирование беспилотных автомобилей. Предполагается, что их применение повысит безопасность, эффективность и надежность транспортировки, а также уменьшит вредные выбросы.

Иные области применения

СИИ широко применяются для обеспечения безопасности, при распознавании речи и текста, для интеллектуального анализа данных, фильтрации спама в сообщениях электронной почты. Создаются приложения для распознавания жестов, индивидуальных характеристик голоса, распознавания и интерпретации эмоций по мимике лица и характеристикам других невербальных сигналов. Важными приложениями СИИ могут стать роботизированная навигация и системы преодоление препятствий.

Интеллектуальные информационные системы

Понятие интеллектуальной информационной системы

Любая автоматизированная информационная система (ИС) обеспечивает реализацию функций ввода, накопления, хранения и обработки данных. На входе ИС имеет исходные (первичные) данные, на выходе — результаты их обработки. В традиционных ИС все алгоритмы обработки данных жёстко встроены в её программное обеспечение. Поэтому при необходимости изменения и/или дополнения алгоритмов обработки данных программное обеспечение ИС нуждается в модификации, которую обычно в состоянии выполнить только его разработчики.

Поскольку в традиционных ИС все алгоритмы обработки данных встроены в программное обеспечение, то они должны быть известны до начала его разработки. Это означает, что программы обработки данных традиционных ИС совершенно не приспособлены для решения задач, алгоритмы решения которых не известны на момент разработки системы. Именно поэтому для расширения возможностей традиционной ИС нужно сначала разработать новые алгоритмы и, в соответствии с ними, создать реализующее их новое программное обеспечение.

Информационные системы призваны оперативно обеспечивать персонал организации информацией, необходимой для выработки управленческих решений, то есть так или иначе выступают в качестве системы поддержки принятия управленческих решений. В традиционных ИС такая поддержка ограничивается только предоставлением человеку необходимой для их выработки информации. Сам же процесс выработки решений полностью перекладывается на конкретных специалистов и потому качество решений всецело зависит от их опыта, интеллектуальных способностей и знаний об управляемой системе. Если знаний недостаточно, то велика вероятность, что вырабатываемые решения будут не оптимальными, не адекватными возникшей ситуации или вообще неверными. В этой связи желательно каким-то образом накапливать в ИС знания об управляемой системе, а также лучший опыт выработки управленческих решений.

В соответствии с опросами руководителей компаний списка Fortune 1000, до 97% топ-менеджеров указали, что важнейшие процессы деятельности компании можно было бы существенно усовершенствовать, если бы сотрудники лучше понимали их содержание. При этом большинство опрошенных утверждали, что наиболее серьёзные ошибки являются следствием недостаточности опыта и знаний служащих.

Процессы аккумулирования знаний и автоматизации процессов его трансформации в новое знание, необходимое для выхода из нестандартной ситуации, является задачей не свойственной для традиционных информационных систем. В этой связи возникла проблема разработки информационных технологий, обеспечивающих решение задач автоматизированного накопления знаний и выработки управленческих решений. Это привело к созданию интеллектуальных информационных технологий.

Интеллектуальные информационные технологии (ИИТ) — это информационные технологии, предназначенные для автоматизации процессов накопления знаний и подготовки проектов управленческих решений.

ИИТ необходимы для автоматизации решения задач анализа данных, управления знаниями и выработки управленческих решений в конкретной предметной области. Встраивание ИИТ в структуру традиционной ИС превращает её в интеллектуальную систему.

Интеллектуальная информационная система (ИИС) — это программно-техническая система, обеспечивающая поддержку процессов автоматизированного решения творческих задач в конкретной предметной области.

ИИС сохраняет весь функционал традиционных ИС, связанный с обработкой данных по детерминированным правилам, но дополняет его возможностями тем или иным способом накапливать знания о предметной области, обеспечивать пользователям доступ к ним и использовать эти знания для автоматизированной подготовки управленческих решений. В большинстве ИИС подготовленные ей решения предъявляются пользователю для экспертизы и окончательный выбор остаётся за пользователем. Однако существуют и такие ИИС, где выработанное решение сразу же автоматически реализуется системой.

Прежде всего, ИИС нужны как средство поддержки решения плохо формализуемых задач, не имеющих заранее известного способа решения. Однако они могут применяться и для задач, решение которых ранее осуществлялось, но нужно напомнить пользователю о порядке решения такой же или очень похожей задачи. В этом случае ИИС должна «предъявить» пользователю нужные сведения, извлекая их из имеющегося у неё хранилища знаний (базы знаний). Отсюда следует, что ИИС должна уметь каким-то образом накапливать знания и предъявлять их пользователю, интерпретируя его запрос о помощи в решении возникшей проблемы.

В настоящее время ИИС применяются для решения следующих общих классов задач.

Интерпретация данных. Выявление интересующих пользователя закономерностей в больших массивах данных.

Диагностика. Выявление аномалий (отклонений от нормы) в живых и неживых системах.

Мониторинг. Интерпретация данных в реальном масштабе времени и оперативное оповещение пользователей о выходе за допустимые пределы отслеживаемых параметров функционирования наблюдаемой системы. Основные проблемы мониторинга состоят в «пропуске» критической ситуации или срабатывании «ложной тревоги».

Проектирование. Подготовка спецификаций для создания «объектов» с желаемыми свойствами.

Прогнозирование. Предсказание будущего состояния исследуемой системы на основании анализа имеющихся данных о её прошлых и текущих состояниях.

Планирование. Формирование планов развития управляемой системы в желаемом направлении.

Обучение. Последовательный процесс предоставления знаний, автоматически корректируемый при выявлении ошибок учеников при их усвоении.

Управление. Корректировка порядка функционирования системы в направлении достижения поставленных целей.

Поддержка принятия решений. Обеспечение лиц, принимающих решения, необходимой для их выработки информацией и рекомендациями.

Для реализации перечисленных задач ИИС должна включать следующие взаимосвязанные компоненты.

1. Механизм обеспечения взаимодействия с пользователем.

2. Хранилище данных и средств их обработки.

3. Хранилище знаний о предметной области и средства обработки знаний.

4. Механизм решения плохо формализованных задач.

Механизм обеспечения взаимодействия с пользователем в ИИС в общем случае существенно сложнее, чем пользовательские интерфейсы традиционных ИС, поскольку он должен включать средства интерпретации плохо формализованных запросов на предоставление необходимых знаний и/или решения плохо формализованных задач. При этом желательно, чтобы пользователь мог формировать запросы на естественном языке или с помощью его не слишком ограниченного подмножества.

Хранилище знаний о предметной области и средства обработки знаний — компонент полностью отсутствующий в традиционных ИС. Для хранения в компьютерной системе знания должны быть каким-то образом формализованы и структурированы. Кроме того, должны быть предусмотрены средства выборки знаний на основе неформализованных запросов, что является весьма сложной задачей, не имеющей такого же универсального решения как, например, язык SQL в реляционных СУБД. Способы построения баз знаний рассматриваются в отдельной главе данного издания.

Ещё более сложным является механизм решения плохо формализованных задач. В самой приблизительной интерпретации он должен содержать комплекс средств интерпретации поставленной пользователем задачи, поиск знаний, необходимых для её решения, а также правила поиска решения на основе уже имеющихся знаний о предметной области.

Все имеющиеся на текущий момент классификации ИИС весьма условны. С точки зрения превалирующей ориентированности на решение конкретных перечисленных выше общих классов задач, ИИС можно разделить на системы интерпретации, диагностики, мониторинга, проектирования, прогнозирования, планирования, управления и обучающие системы. Однако часто оказывается, что в рамках конкретной ИИС можно решать некоторое подмножество из перечисленных общих классов задач. Часто ИИС разделяют по реализованным в них способам самообучения. Однако в последнее время ИИС нередко оснащаются разнообразными инструментами выявления скрытых закономерностей в данных. Поэтому классификация по этому признаку также получается достаточно размытой. Более чёткой может оказаться классификация по используемым способам формализации и внутреннего представления знаний. Особенности такого разделения рассматриваются далее. Однако с точки зрения конечного пользователя такая классификация мало что даёт для описания возможностей конкретной системы, поскольку касается особенностей её технической реализации. И уж совсем бессмысленно разделять ИИС по отраслевому признаку, поскольку они всегда узкоспециализированы и потому, сколько есть предметных областей, столько будет и классификационных групп. Чуть более осмысленные и чётче определённые классификации можно представить для одной из разновидностей ИИС — экспертных систем, которые будут рассмотрены далее.

Проектирование и разработка ИИС

Имеются различные мнения о составе этапов проектирования и разработки ИИС. Действительно, состав необходимых действий может достаточно существенно варьироваться в зависимости от выбранной предметной области, целевой направленности системы, выбранной методологии разработки программного обеспечения, используемых инструментальных средств и многих других факторов. Однако в самом общем виде можно выделить следующие основные этапы разработки ИИС.

Идентификация проблем. Выявляются цели разработки; определяются основные задачи в выбранной предметной области; уточняется состав пользователей будущей системы; формируется группа экспертов, знания которых предполагается включить в базовую версию системы; устанавливаются критерии оценки работоспособности системы и эффективности её применения. На основе этих данных формируется техническое задание на проектируемую систему.

Извлечение знаний. Осуществляется содержательный анализ предметной области; определяются присущие ей понятия и их взаимосвязи; выявляются методы решения задач. Для этого инженеры по знаниям проводят опросы экспертов, тщательно протоколируя каждое интервью и впоследствии обобщая полученные сведения.

Структурирование знаний. Выбираются наиболее удобные для данной предметной области модели формализации собранных на предыдущем этапе знаний экспертов. Выявленные понятия предметной области и их взаимосвязи формализуются в соответствии с выбранными моделями. В соответствии с выбранными правилами формализации и структуризации знаний формируются алгоритмы компьютерной интерпретации знаний и формальные правила манипулирования представлениями знаний для построения логических выводов. Проводится внекомпьютерное моделирование поведения будущей системы для оценки адекватности выбранных методов манипулирования знаниями её целям и задачам.

Разработка базы знаний. В соответствии с выбранными моделями формализации знаний они описываются средствами языка их представления в компьютерной системе.

Реализация прототипа. Разработка программного обеспечения системы; начальное наполнение базы знаний формализованными на предыдущих этапах их представлениями на языке описания знаний.

Тестирование прототипа. Опытная эксплуатация созданного прототипа с целью выявления работоспособности системы и её пригодности для решения типовых задач поддержки принятия решений в данной предметной области. Если прототип признаётся принципиально работоспособным, то формируется перечень доработок, необходимых для создания окончательного (промышленного) варианта. В противном случае осуществляется возвращение к предыдущим этапам, вплоть до изменения самой системной концепции.