В настоящее время различают два основных подхода к моделированию искусственного интеллекта: машинный интеллект, заключающийся в строгом задании результата функционирования, и искусственный разум, направленный на моделирование внутренней структуры системы. Разделение работ по искусственному интеллекту на два направления связано с существованием двух точек зрения на вопрос, каким образом строить системы искусственного интеллекта. Сторонники одной точки зрения убеждены, что <важнее всего результат>, т.е. хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов. Другая точка зрения состоит в том, что именно изучение механизмов естественного мышления и анализ данных о способах формирования разумного поведения человека могут создать основу для построения систем искусственного интеллекта, причем построение это должно осуществляться прежде всего как моделирование, воспроизведение техническими средствами принципов и конкретных особенностей функционирования биологических объектов.
Первое направление, таким образом, рассматривает продукт интеллектуальной деятельности человека, изучает его структуру, и стремится воспроизвести этот продукт средствами современной техники. Моделирование систем машинного интеллекта достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида <стимул-реакция>. Ясно, что успехи этого направления искусственного интеллекта оказываются тесно связанны с развитием возможностей ЭВМ и искусства программирования, то есть с тем комплексом научно-технических исследований, которые часто называют компьютерными науками.
Второе направление искусственного интеллекта рассматривает данные о нейрофизиологических и психологических механизмах интеллектуальной деятельности и, в более широком плане, разумного поведения человека. Оно стремиться воспроизвести эти механизмы с помощью тех или иных технических устройств, с тем чтобы <поведение> таких устройств хорошо совпадало с поведением человека в определенных, заранее задаваемых пределах. Развитие этого направления тесно связано с успехами наук о человеке. Для него характерно стремление к воспроизведению более широкого, чем в машинном интеллекте, спектра проявлений разумной деятельности человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента - аналога нейрона.
Первым шагом в <первом> направлении можно считать разработку GPS-универсального решателя задач. В его основу было положено представление об эвристическом поиске, в процессе которого обеспечивалось разбиение задачи на подзадачи до тех пор, пока не будет получена легко решаемая подзадача.
Попытки уйти от неоправдавших себя универсальных эвристик при решении интеллектуальных задач привели к заключению о том, что главное, чем располагает специалист, - это накопленный им в процессе своей профессиональной деятельности некоторый набор разнообразных приемов и неформальных правил. Впоследствии была разработана ЭС Dendral, базирующаяся на знаниях, которая явилась прототипом всех последующих ЭС.
Базовая структура "системы, базирующейся на знаниях" состоит из следующих блоков: базы знаний, содержащей знания о некоторой ограниченной предметной области; решателя, или блока логического вывода, осуществляющего активизацию знаний, соответствующих текущей ситуации; блока верификации БЗ, обеспечивающего добавление новых знаний и корректировку уже существующих; блока объяснения, позволяющего пользователю прослеживать всю цепочку рассуждений системы, приводящих к конечному результату, и, наконец, интерфейса, обеспечивающего удобную связь между пользователем и системой.
Так как нейроподобные сети в последнее время являются одним из самых перспективных направлений в области искусственного интеллекта и постепенно входят в бытность людей в широком спектре деятельности, то будем рассматривать их в качестве примера <второго> направления.
Что же такое нейроподобная сеть? Это искусственный аналог биологической сети, по своим параметрам максимально приближающийся к оригиналу. Нейроподобные сети прошли длинный путь становления и развития, от полного отрицания возможности их применения до воплощения во многие сферы деятельности человека, в том числе и измерения.
Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность.
Высокая <естественная> помехоустойчивость и функциональная надежность касаются как искаженных (зашумленных) потоков информации, так и в смысле отказов отдельных процессорных элементов. Этим обеспечиваются высокая оперативность и достоверность обработки информации, а простая дообучаемость и переобучаемость НПС позволяют при изменении внешних факторов своевременно осуществлять переход на новые виды решаемых задач.
Нейроподобные сети в области измерений могут решать следующие задачи:
- обработка высокоскоростных цифровых потоков;
- автоматизированная система быстрого поиска информации;
- классификация информации в реальном масштабе времени;
-планирование применения сил и средств в больших масштабах;
- решение трудоемких задач оптимизации;
- адаптивное управление и предсказание.
- обработка и анализ изображений;
- распознавание речи независимо от диктора, перевод;
Например, существует база измерительных приборов, состоящая из набора вольтметров, амперметров, ваттметров, феррометров. Каждый прибор имеет свой класс точности, диапазон измерений. Можно сформулировать запрос для поиска нужного в данный момент прибора по классу точности либо диапазону измерений. Также можно задать вопрос - возможно ли каким-то прибором измерить какую-то величину. То есть система с элементами искусственного интеллекта будет искать в базе нужный прибор.
Одно из важнейших свойств нейроподобной сети - способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Многие из них являются развитием высказанной Д. О. Хеббом идеи о том, что обучение основано на увеличении силы связи (синаптического веса) между одновременно активными нейронами. Таким образом, часто используемые в сети связи усиливаются, что объясняет феномен обучения путем повторения и привыкания.