Искусственный интеллект c: Что такое искусственный интеллект (ИИ)? |

Содержание

Что такое искусственный интеллект? | ForkLog

30.03.2021

БазовыйИскусственный интеллект

#Искусственный Интеллект#нейросети

Что такое искусственный интеллект?

Искусственный интеллект (ИИ) – это обширная отрасль компьютерных наук, которая сосредоточена над созданием умных машин, способных выполнять интеллектуальные задачи.

На сегодняшний день существует множество подходов к созданию алгоритмов. Достижения в областях машинного и глубокого обучения за последние несколько лет существенно изменили технологическую индустрию.

forklogAI/5

Какие существуют определения искусственного интеллекта?

Фундаментальную цель и видение искусственного интеллекта удалось установить английскому математику Алану Тьюрингу в статье «Вычислительные машины и разум», опубликованной в 1950 году. Он задал простой вопрос: «Могут ли машины думать?». Тогда же ученый предложил знаменитый тест, названный его именем.

По своей сути ИИ – это отрасль компьютерных наук, которая стремится ответить на вопрос Тьюринга утвердительно. Это попытка воспроизвести или смоделировать человеческий интеллект в машинах.

Глобальная цель искусственного интеллекта до сих пор вызывает множество вопросов и споров. Главное ограничение в определении ИИ как просто «разумных машин» состоит в том, что ни ученые, ни философы не могут объяснить, что такое искусственный интеллект и что именно делает машину умной.

Ученые и авторы учебника «Искусственный интеллект: современный подход» Стюарт Рассел и Питер Норвиг объединили свою работу вокруг темы интеллектуальных агентов в машинах и определили ИИ как «исследование агентов, которые получают восприятие из окружающей среды и выполняют действия».

Во время выступления на Japan AI Experience в 2017 году генеральный директор DataRobot Джереми Ачин начал свою речь со следующего определения того, как искусственный интеллект используется сегодня:

«ИИ – это компьютерная система, способная выполнять задачи, требующие человеческого интеллекта … Многие из этих систем работают на основе машинного обучения, другие – на основе глубокого обучения, а некоторые из них – на очень скучных вещах, таких как правила».

Хотя эти определения могут показаться абстрактными, они помогают определить основные направления теоретических исследований в области компьютерных наук и предоставляют конкретные пути внедрения программ с искусственным интеллектом для решения прикладных задач.

В чем заслуга Тьюринга перед развитием ИИ?

В середине прошлого века Алан Тьюринг заложил теоретическую базу, которая опередила свое время и легла в основу современных компьютерных наук, за что его прозвали «отцом информатики».

В 1936 году ученый создал абстрактный вычислитель – так называемую машину Тьюринга – важная составляющая теории алгоритмов, которая легла в основу современных компьютеров. В теории такая машина может решить любую алгоритмическую задачу.

В свою очередь, если алгоритм можно запустить на машине Тьюринга, то язык программирования, использованный для его создания, будет обладать «полнотой по Тьюрингу», на котором можно написать любой алгоритм. Например, язык C# обладает такой полнотой, а html – нет.

Также именем математика назван мысленный тест, который не имеет отношения к машине, но напрямую связан с искусственным интеллектом – тест Тьюринга. В научной среде считается, что как только машина пройдет это испытание, можно будет полноценно говорить о появлении разумных машин.

Суть игры состоит в том, что человек с помощью текстовой переписки взаимодействует одновременно с машиной и другим человеком. Задача компьютера – ввести участника теста в заблуждение и убедительно выдавать себя за человека.

Какой бывает ИИ?

Искусственный интеллект обычно разделяют на две большие категории:

Слабый ИИ [Weak AI]: этот вид искусственного интеллекта, который иногда называют «узким ИИ» [Narrow AI], работает в ограниченном контексте и является имитацией человеческого интеллекта. Слабый ИИ часто ориентирован на очень хорошее выполнение одной задачи. И, хотя эти машины могут показаться умными, они работают с большими ограничениями.
Общий искусственный интеллект (AGI): AGI, иногда называемый «сильным ИИ» [Strong AI], – вид искусственного интеллекта, который мы видим в фильмах, например, роботов из «Мира Дикого Запада» или голограмму Джой из «Бегущего по лезвию 2049». AGI – это машина с общим интеллектом, которая, как и человек, может применять его для решения любой проблемы.

Что такое слабый искусственный интеллект?

Слабый ИИ окружает нас повсюду, и на сегодняшний день это самая успешная реализация искусственного интеллекта.

Ориентируясь на выполнение конкретных задач, за последнее десятилетие он совершил множество прорывов, которые принесли «значительные общественные выгоды и внесли вклад в экономическую жизнеспособность нации», согласно отчету «Подготовка к будущему искусственного интеллекта», опубликованному администрацией Обамы в 2016 году.

Вот несколько примеров слабого ИИ:

поиск Google;
ПО для распознавания изображений;
Siri, Alexa и другие голосовые помощники;
Беспилотные автомобили;
Рекомендательные системы Netflix и Spotify;
IBM Watson.

Как работает слабый ИИ?

Большая часть слабого ИИ основана на достижениях в области машинного обучения и глубокого обучения. Схожесть этих понятий может сбивать с толку, однако их следует различать. Венчурный капиталист Фрэнк Чен предложил следующее определение:

«Искусственный интеллект – это набор алгоритмов, которые пытаются имитировать человеческий интеллект. Машинное обучение является одним из них, а глубокое обучение – одним из методов машинного обучения».

Другими словами, машинное обучение снабжает компьютер данными и использует статистические методы, чтобы помочь ему научиться выполнять задачи, не будучи специально запрограммированным для них, что устраняет необходимость в миллионах строк написанного кода. Популярными видами машинного обучения являются обучение с учителем (с использованием помеченных наборов данных), обучение без учителя (с использованием немаркированных наборов данных), и обучение с подкреплением.

Глубокое обучение — это тип машинного обучения, при котором вводимые данные обрабатываются через архитектуру нейронной сети, основанной на биологических принципах.

Нейронные сети содержат ряд скрытых слоев, через которые обрабатываются данные, что позволяет машине «углубиться» в свое обучение, устанавливать связи и взвешивать ввод для достижения наилучших результатов.

Что такое машинное обучение?

Искусственный интеллект и машинное обучение – не одно и то же. Машинное обучение является лишь одним из подразделов ИИ.

Наиболее распространенными типами машинного обучения — с учителем, без учителя и с подкреплением.

Обучение с учителем

Используют тогда, когда у разработчиков имеются размеченный набор данных и они знают какие именно признаки должен искать алгоритм.

Как правило, оно делится на две категории: классификация и регрессия.

Классификация применяется в тех случаях, когда необходимо отнести объекты в заранее известные классы. Данный тип обучения используется в спам-фильтрах, определении языка или выявлении подозрительных транзакций.

Регрессию используют, когда необходимо соотнести объект с временной линией, например — для прогнозирования стоимости ценных бумаг, спроса на товар или постановки медицинских диагнозов.

Обучение без учителя

Менее популярный вид МО из-за его непредсказуемости. Алгоритмы обучаются на неразмеченных данных и им необходимо самостоятельно найти признаки и закономерности. Часто используется для кластеризации, уменьшения размерности и поиска ассоциаций.

Кластеризация – это как классификация, но без известных классов. Алгоритм должен сам найти признаки схожести в объектах и объединить их в кластеры. Используется для анализа и разметки новых данных, сжатия изображений или объединения меток на карте.

Уменьшение размерности – обобщает конкретные признаки в абстракции более высокого уровня. Часто используется для определения тематики текстов или создания рекомендательных систем.

Ассоциации нашли свое применение в маркетинге, например — при составлении акций и распродаж или анализа поведения пользователей на сайте. Также может служить для создания рекомендательной системы.

Обучение с подкреплением

Это обучение агента выживать в среде, в которой он существует. Средой может быть все что угодно: от видеоигры до реального мира.

Например, существуют алгоритмы, которые играют в Супер-Марио не хуже людей, а в реальном мире автопилот в машинах Tesla или робот-пылесос делают все, чтобы объезжать препятствия на своем пути.

Обучение с подкреплением предусматривает награду для агента за правильное действие и наказание за ошибки. Алгоритму не обязательно запоминать весь свой предыдущий опыт и просчитывать все возможные варианты развития событий. Он должен научится действовать по ситуации.

Помните, когда машина обыграла человека в го? Еще задолго до этого ученые установили, что вариаций ходов в этой игре больше, чем атомов во вселенной. Ни одна компьютерная программа из ныне существующих не смогла бы просчитать все варианты развития партии. Однако AlphaGo, алгоритм компании Google, справился с этой задачей, не просчитывая все ходы наперед, а действуя по обстоятельствам, делая это с невероятно высокой точностью.

Что такое нейронные сети и глубокое обучение?

Концепция искусственных нейросетей не нова. Впервые это понятие сформулировали американские ученые Уоррен Мак-Каллок и Уолтер Питтс в 1943 году.

Любая нейронная сеть состоит из нейронов и связей между ними. Нейрон – это функция, которая имеет множество входов и один выход. Они обмениваются информацией между собой по каналам связи, каждый из которых имеет определенный вес.

Вес – это параметр, определяющий прочность связи между нейронами. Сам нейрон не разбирается, что он посылает, поэтому вес необходим для того, чтобы регулировать, на какие входы реагировать, а на какие нет.

Например, если нейрон посылает цифру 50, а вес связи указать 0,1, то результат получится 5.

По мере усложнения архитектуры нейросетей, нейроны решили связывать не как угодно, а по слоям. Внутри слоя нейроны никак не взаимодействуют между собой, а получают и передают информацию из предыдущего слоя в следующий.

Как правило, чем больше слоев в нейросети – тем сложнее и точнее модель. Но тогда, 50 лет назад, исследователи уперлись в ограничения вычислительных мощностей. В итоге технология оказалась разочарованием и о ней забыли на долгие годы.

Вспомнили о ней в 2012 году — студенты Университета Торонто Алекс Крижевский, Илья Сатскевер и Джефф Хинтон выиграли конкурс по компьютерному зрению ImageNet. Они использовали сверточную нейронную сеть для классификации изображений, уровень ошибок которой составила 15,3%, что более чем на 10% ниже, чем у команды, занявшей второе место. Революция в области глубокого обучения произошла во многом благодаря развитию графических карт.

Глубокое обучение отличается от нейронных сетей лишь в методах обучения сетей больших размеров. На практике, как правило, разработчики не выясняют, какую сеть можно считать глубокой, а какую нет. Сегодня даже для построения сетей на пять слоев разработчики пользуются «глубокими» библиотеками, такими как Keras, TensorFlow или PyTorch.

На сегодняшний день самыми популярными сетями являются сверточные нейросети (CNN) и рекуррентные нейросети (RNN).

CNN часто используется для распознавания лиц, поиска объектов на фотографиях и видео, улучшения качества изображений и прочих задач. Рекуррентным сетям нашли применение в машинном переводе текста и синтезе речи. Например, с 2016 года Google Translate работает на основе RNN-архитектуры.

Также популярность нашли генеративно-состязательные сети (GAN). В ее основе лежат две нейросети, одна из которых генерирует данные, например — изображение, а вторая пытается отличить правильные образцы от неправильных. Так как две сети соревнуются между собой, между ними возникает антагонистическая игра.

GAN часто используется для создания фотореалистичных фотографий. Например, репозиторий изображений This Person Does Not Exist состоит из портретных фото «людей», созданных генеративной нейросетью.

Что такое общий искусственный интеллект?

Создание машины с интеллектом человеческого уровня, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиски AGI сопряжены с некоторыми трудностями.

Общий ИИ уже давно является музой антиутопической научной фантастики, в которой сверхразумные роботы наводняют человечество, но эксперты сходятся во мнении, что это не то, о чем нам нужно беспокоиться в ближайшее время.

Американский изобретатель и футуролог Рэй Курцвейл предсказал, что общий ИИ появится уже к 2029 году. Его коллега Родни Брукс не столь оптимистичен, и уверен, что переломный момент развития технологий машинного разума произойдет к 2300 году.

Стюарт Рассел, один из авторов учебника «Искусственный интеллект: современный подход», предполагает, что изобретение AGI станет случайным, как, например, открытие ядерной энергии в 1933 году. Ученый считает, что это яркий пример того, как бессмысленно давать какие-либо прогнозы в развитии столь непредсказуемой технологии, которая до конца еще не изучена.

Подписывайтесь на новости ForkLog в Telegram: ForkLog AI — все новости из мира ИИ!

Нашли ошибку в тексте? Выделите ее и нажмите CTRL+ENTER

Материалы по теме

Как работают искусственный интеллект, машинное и глубокое обучение

Что значат эти понятия, в чем разница между ними, и в каких случаях уместно применять каждое?

Об авторе: Андрей Беляев, технический директор (CTO) исследовательской компании Neurodata Lab.

Умные дома, самоуправляемые автомобили, роботы-помощники… Нас окружают инновационные технологии, в основе которых лежат алгоритмы, по своей специфике напоминающие работу человеческого мозга. Их называют по-разному: алгоритмы с использованием машинного обучения, глубокого обучения, а иногда и вовсе искусственный интеллект (ИИ).

Все задачи, которые может решать человек или компьютер, можно условно разделить на две категории: рутинные и нерутинные.

К рутинным задачам можно отнести те, где достаточно просто найти универсальный путь решения: например, сложение чисел или измерение температуры воздуха.

Искусственным интеллектом сейчас принято называть все, что способно решать нерутинные задачи на уровне, близком к человеческому, а иногда и лучше. Такие задачи окружают нас везде. Камеры над дорогой вычисляют скорость автомобиля, распознают его знак и высылают штраф, а системы безопасности в метро и аэропортах находят преступников в толпе. Все это сегодня принято считать искусственным интеллектом, хотя в действительности алгоритмы, лежащие в основе каждой такой технологии, уникальны. И только некоторые используют машинное обучение.

Искусственный интеллект — это название не какого-то отдельного алгоритма, но скорее группы методов, которыми пользуются для решения различного рода задач. Алгоритмы, которые используют подходы с обучением, являются лишь одной из подгрупп всего того множества алгоритмов, что принято называть искусственным интеллектом.

Машинное обучение — это подход, при котором алгоритм «учится» решать задачу. Один из самых простых примеров алгоритма, использующего машинное обучение, это классификация фотографий на те, где изображены кошки и те, где есть собаки:

Допустим, есть несколько тысяч фотографий кошек и несколько тысяч — собак. Эти данные можно загрузить в алгоритм и заставить его «учиться» отличать кошек от собак, «ругая» за ошибки в классификации и «поощряя» за правильные ответы. В зависимости от количества и качества вводных данных, а также от сложности используемого алгоритма после некоторого количества итераций с «наказанием» и «поощрением», получается обученный алгоритм, которой с разным качеством умеет отличать кошек и собак.

Применяя методы машинного обучения, эти же алгоритмы можно «натренировать» и для выполнения более сложных задач — таких как поиск людей на кадре, определение пола и возраста человека и т.д.

В теории — да. Но на практике мы сталкиваемся с большим количеством проблем, начиная от недостаточного количества данных для обучения, заканчивая невозможностью интерпретировать действия человека при решении такой же задачи. Получается, что невозможно построить алгоритм, который эти действия бы совершал. Хороший пример — автопилотируемый автомобиль. Научить машину держать полосу, входить в повороты и автоматически перестраивать маршрут, если на дороге ремонт, сравнительно несложно, потому что есть понимание, как вел бы себя человек (а значит, как должна вести себя машина) в таких ситуациях.

Однако научить автомобиль принимать решения в чрезвычайных ситуациях гораздо сложнее: проблема в том, что и самому человеку трудно понять, как именно надо поступать в том или ином экстренном случае. Поэтому человек не может показать алгоритмам примеры хорошего и плохого поведения для таких случаев.

Как машинное обучение является подвидом искусственного интеллекта, так и глубокое обучение является подвидом машинного (см. картинку в начале статьи). В глубоком обучении используются те же подходы: алгоритму дают много данных и «ругают» его за ошибки. Разница здесь в том, что сами алгоритмы глубокого обучения устроены гораздо сложнее и часто используют более серьезные математические модели. Сейчас под алгоритмами глубокого обучения практически всегда подразумевают нейронные сети.

Такое сравнение действительно часто используется. Нейронная сеть — это последовательность слоев, каждый из которых, в свою очередь, состоит из нейронов, и каждый выполняет свою роль. Есть нейроны (или структуры нейронов), которые учатся выделять важные элементы на изображениях, например шерсть у кошки или собаки; есть те, которые учатся делать выводы, исходя из выделенных элементов — например, если у животного длинные лапы, то, скорее всего, это собака. Эти нейроны объединяются в группы (слои), а они превращаются в единую искусственную нейронную сеть.

Некоторое количество идей, используемых в нейросетях, разработчики почерпнули из знаний об устройстве человеческого мозга. Одни из самых частых задач для нейросетей — это задачи, связанные с работой с изображениями. Для таких задач используют специальный тип нейросетей, внутри которых есть так называемые сверточные слои.

Если говорить упрощенно, смысл этой сверточной нейронной сети в том, чтобы оценивать каждый элемент картинки (пиксель) не отдельно, а в группе с несколькими соседними, благодаря чему можно находить как базовые фигуры (линии, углы, и т.д.), так и объекты целиком. Примерно такой же процесс происходит и в человеческом мозге при обработке визуальной информации. После снятия всех возможных визуальных признаков в нейросети, как и в человеческом мозге, происходит анализ этих признаков, а затем принимается решение: видим мы, допустим, кошку или собаку.

Процесс обучения алгоритма во многом напоминает процесс обучения человека. Как мы совершаем ошибки и учимся на них (например, что не стоит засовывать руку в кипящую воду), так и алгоритмы, использующие машинное обучение, совершают ошибки, за что получают штраф.

Как работает нейросеть? В качестве примера можно рассмотреть процесс обучения нейросети распознаванию лиц. Чтобы корректно обучить любую нейросеть, нужно сделать две вещи: собрать достаточное количество данных и определить, за что мы будем ее штрафовать. Применительно к этой задаче необходимо собрать несколько десятков фотографий лиц для каждого из людей, которых надо определить, и штрафовать нейросеть за то, что предсказанный ею человек не совпадает с человеком на фотографии.

С математической точки зрения нейросеть — это функция с большим количеством параметров. Штрафование этой функции за неверное определения лица — это когда мы, упрощенно говоря, корректируем работу функции таким образом, чтобы в будущем она меньше ошибалась. Соответственно, поощрение нейросети — это когда мы ее просто не штрафуем.

График зависимости между длительностью обучения (горизонтальная ось) и конечной ошибкой (вертикальная ось). Чем дольше мы учим нейросеть, тем меньше ошибка.

Это уже скорее философский вопрос. Мыслительный процесс напрямую связан с наличием сознания. Нейронная сеть, как и любой другой алгоритм машинного обучения, по своей сути является лишь математической функцией, и умеет решать лишь одну конкретную задачу. Нейросеть, которую учили отличать кошек и собак, не сможет отличить медведя от слона, ведь она даже не знала, что такие существуют. Процессы же анализа данных, которые происходят в голове у человека, намного сложнее чем те, что происходят в нейросети, так что даже при наличии данных, сопоставимых по размеру с массивом информации, которую за жизнь получает человек, сегодня обучить нейросеть думать, как человек, невозможно.

Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.

Что такое искусственный интеллект (ИИ)?

Хотя за последние несколько десятилетий появилось несколько определений искусственного интеллекта (ИИ), Джон Маккарти предлагает следующее определение в этой статье 2004 г. (PDF, 106 КБ) (ссылка находится вне IBM): «Это наука и разработка интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но ИИ не должен ограничиваться методами, которые можно наблюдать биологически».

Однако за десятилетия до этого определения рождение разговора об искусственном интеллекте было обозначено основополагающей работой Алана Тьюринга «Вычислительные машины и интеллект» (PDF, 89,8 КБ) (ссылка находится за пределами IBM), которая была опубликована в 1950 году. В этой статье Тьюринг, которого часто называют «отцом информатики», задает следующий вопрос: «Могут ли машины думать?» Оттуда он предлагает тест, теперь известный как «Тест Тьюринга», в котором следователь-человек пытается различить текстовый ответ компьютера и человека. Хотя этот тест подвергся тщательному анализу с момента его публикации, он остается важной частью истории ИИ, а также постоянной концепцией в философии, поскольку он использует идеи, связанные с лингвистикой.

Затем Стюарт Рассел и Питер Норвиг опубликовали книгу «Искусственный интеллект: современный подход» (ссылка не принадлежит IBM), которая стала одним из ведущих учебников по изучению ИИ. В нем они углубляются в четыре потенциальных цели или определения ИИ, которые различают компьютерные системы на основе рациональности и мышления по сравнению с действиями:

Человеческий подход:

Системы, мыслящие как люди
Системы, которые действуют как люди

Идеальный подход:

Системы, мыслящие рационально
Рационально действующие системы

Определение Алана Тьюринга подпадало бы под категорию «систем, которые действуют как люди».

В своей простейшей форме искусственный интеллект — это область, которая сочетает в себе информатику и надежные наборы данных для решения проблем. Он также охватывает подобласти машинного обучения и глубокого обучения, которые часто упоминаются в связи с искусственным интеллектом. Эти дисциплины состоят из алгоритмов ИИ, которые стремятся создать экспертные системы, которые делают прогнозы или классификации на основе входных данных.

Сегодня разработка искусственного интеллекта по-прежнему вызывает много шума, что ожидается от любой новой технологии, появляющейся на рынке. Как отмечается в цикле ажиотажа Gartner (ссылка находится за пределами IBM), инновации в продуктах, такие как беспилотные автомобили и персональные помощники, следуют «типичному прогрессу инноваций, от чрезмерного энтузиазма через период разочарования к конечному пониманию актуальности и роли инновации. на рынке или в домене». Как отмечает Лекс Фридман здесь (01:08:05) (ссылка находится за пределами IBM) в своей лекции в Массачусетском технологическом институте в 2019 году., мы находимся на пике завышенных ожиданий, приближаясь к корыту разочарования.

По мере того, как возникают разговоры об этике ИИ, мы можем начать замечать первые проблески разочарования. Чтобы узнать больше о том, какую позицию IBM занимает в разговоре об этике ИИ, читайте здесь.

Искусственный интеллект | Введение

Прежде чем перейти к значению искусственного интеллекта, давайте разберемся, что означает интеллект-

Интеллект: Способность учиться и решать проблемы. Это определение взято из Словаря Вебстера.

Самый распространенный ожидаемый ответ: «сделать компьютеры разумными, чтобы они могли действовать разумно!» , но вопрос на сколько толковый? Как можно судить об интеллекте?

…умны как люди. Если бы компьютеры каким-то образом могли решать проблемы реального мира, самостоятельно совершенствуясь на основе прошлого опыта, их можно было бы назвать «интеллектуальными».
Таким образом, системы ИИ более общие (а не конкретные), могут «думать» и более гибкие.

Интеллект, как известно, это способность приобретать и применять знания. Знания – это информация, полученная через опыт. Опыт – это знания, полученные в результате воздействия (обучения). Суммируя термины, мы получаем искусственный интеллект как «копию чего-то природного (т. е. человека), «КТО» способен получать и применять информацию, полученную в результате воздействия».

Интеллект состоит из:

Рассуждения
Обучение
Решение проблем
Восприятие
Лингвистический интеллект

по вероятности и экономике. Область ИИ опирается на информатику, математику, психологию, лингвистику, философию, нейронауку, искусственную психологию и многие другие.

Основное внимание искусственного интеллекта уделяется пониманию человеческого поведения и производительности. Этого можно добиться, создав компьютеры с человеческим интеллектом и способностями. Это включает в себя обработку естественного языка, анализ лица и робототехнику. Основные области применения ИИ — в вооруженных силах, здравоохранении и вычислительной технике; однако ожидается, что эти приложения скоро появятся и станут частью нашей повседневной жизни.

Многие теоретики считают, что однажды компьютеры превзойдут человеческий интеллект; они смогут быстрее учиться, более эффективно обрабатывать информацию и принимать решения быстрее, чем люди. Тем не менее, это все еще продолжается, поскольку существует множество ограничений на то, насколько искусственный интеллект может быть достигнут. Например, компьютеры плохо работают в опасных или холодных условиях; они также борются с физическими задачами, такими как вождение автомобиля или работа с тяжелой техникой. Тем не менее, у искусственного интеллекта впереди много интересного!

Потребность в искусственном интеллекте

Для создания экспертных систем, демонстрирующих интеллектуальное поведение и способных обучаться, демонстрировать, объяснять и давать советы своим пользователям.
Помощь машинам в поиске решений сложных проблем, как это делают люди, и применение их в виде алгоритмов в удобной для компьютера манере.

Подходы ИИ

Всего существует четыре подхода ИИ, а именно:

Действовать по-человечески (подход с использованием теста Тьюринга): Этот подход был разработан Аланом Тьюрингом. Идеология этого подхода заключается в том, что компьютер проходит тест, если следователь-человек, задав несколько письменных вопросов, не может определить, исходят ли письменные ответы от человека или от компьютера.
Думать по-человечески (подход когнитивного моделирования): Идея этого подхода состоит в том, чтобы определить, думает ли компьютер как человек.
Рациональное мышление (подход «законы мышления»): Идея этого подхода заключается в том, чтобы определить, мыслит ли компьютер рационально, т. е. с помощью логических рассуждений.
Рациональное действие (подход рационального агента): Идея этого подхода состоит в том, чтобы определить, действует ли компьютер рационально, т. е. руководствуясь логическими рассуждениями.

Приложения ИИ включают Обработку естественного языка, игры, распознавание речи, системы машинного зрения, здравоохранение, автомобилестроение и т. д.

Формы ИИ:

1) Слабый ИИ:

Слабый ИИ — это ИИ, созданный для решения конкретной проблемы или выполнения конкретной задачи.
Это не общий ИИ, он используется только для определенных целей.
Например, ИИ, который использовался для победы над шахматным гроссмейстером, является слабым ИИ, поскольку он служит только одной цели, но может делать это эффективно.

2) Сильный ИИ:

Сильный ИИ создать труднее, чем слабый ИИ.
Это интеллект общего назначения, который может демонстрировать человеческие способности.
Этот ИИ может демонстрировать человеческие способности, такие как обучение на собственном опыте, рассуждения и т. д.

3) Сверхразум

Как заявил ведущий мыслитель ИИ Ник Бостром, «Суперинтеллект — это ИИ, который намного умнее, чем лучший человеческий мозг практически во всех областях».
Он варьируется от машины, которая просто умнее человека, до машины, которая в триллион раз умнее человека.
Суперинтеллект — высшая сила ИИ.
Система ИИ состоит из агента и его окружения. Агент (например, человек или робот) — это все, что может воспринимать окружающую среду с помощью датчиков и воздействовать на эту среду с помощью эффекторов. Интеллектуальные агенты должны уметь ставить цели и достигать их. В классических задачах планирования агент может предположить, что это единственная действующая в мире система, позволяющая агенту быть уверенным в последствиях своих действий. Однако, если агент не является единственным действующим лицом, то требуется, чтобы агент мог рассуждать в условиях неопределенности. Это требует агента, который может не только оценивать свою среду и делать прогнозы, но также оценивать свои прогнозы и адаптироваться на основе своей оценки. Обработка естественного языка дает машинам возможность читать и понимать человеческий язык. Некоторые простые приложения обработки естественного языка включают поиск информации, анализ текста, ответы на вопросы и машинный перевод. Машинное восприятие — это способность использовать входные данные от датчиков (таких как камеры, микрофоны, датчики и т. д.) для определения аспектов мира. например, компьютерное зрение. Такие концепции, как теория игр и теория принятия решений, требуют, чтобы агент мог обнаруживать и моделировать человеческие эмоции.
Часто студенты путаются между машинным обучением и искусственным интеллектом, но машинное обучение, фундаментальная концепция исследований ИИ с самого начала, представляет собой изучение компьютерных алгоритмов, которые автоматически совершенствуются с опытом. Математический анализ алгоритмов машинного обучения и их производительности — это раздел теоретической информатики, известный как вычислительная теория обучения.
Стюарт Шапиро разделяет исследования ИИ на три подхода, которые он называет вычислительной психологией, вычислительной философией и информатикой. Вычислительная психология используется для создания компьютерных программ, имитирующих поведение человека. Вычислительная философия используется для развития адаптивного, свободного компьютерного разума. Внедрение информатики служит цели создания компьютеров, способных выполнять задачи, которые раньше могли выполнять только люди.
ИИ разработал большое количество инструментов для решения самых сложных задач информатики, таких как:
Поиск и оптимизация
Логика
Вероятностные методы для неопределенных рассуждений
Классификаторы и статистические методы обучения Нейронные сети
Теория управления
Языки

Известные примеры ИИ включают автономные транспортные средства (такие как дроны и беспилотные автомобили), медицинскую диагностику, создание искусства (например, поэзии), доказательство математических теорем, игры ( такие как Chess или Go), поисковые системы (такие как поиск Google), виртуальные помощники (такие как Siri), распознавание изображений на фотографиях, фильтрация спама, предсказание судебных решений[204] и таргетированная интернет-реклама.