Искусственный интеллект - Краткое руководство

Искусственный интеллект - Обзор

Со времени 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 возрастающей скорости и уменьшения размера во времени.

Отделение компьютерных наук под названием « Искусственный интеллект» занимается созданием компьютеров или машин, таких же интеллектуальных, 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, робот, управляемый компьютером, или программное обеспечение мыслить разумно , подобно тому, как думают разумные люди.

ИИ достигается путем изучения того, как человеческий мозг мыслит и как люди учатся, решают и работают, пытаясь решить проблему, а затем используя результаты этого исследования в качестве основы для разработки интеллектуальных программ и систем.

Философия ИИ

Используя силу компьютерных систем, любопытство человека, он задается вопросом: «Может ли машина мыслить и вести себя, как люди?»

Таким образом, развитие ИИ началось с намерения создать подобный интеллект в машинах, которые мы находим и высоко ценим у людей.

Цели ИИ

  • Создание экспертных систем - системы, которые демонстрируют интеллектуальное поведение, учатся, демонстрируют, объясняют и консультируют своих пользователей.

  • Реализация человеческого интеллекта в машинах - создание систем, которые понимают, думают, учатся и ведут себя как люди.

Что способствует ИИ?

Искусственный интеллект - это наука и технология, основанные на таких дисциплинах, как компьютерные науки, биология, психология, лингвистика, математика и инженерия. Основная задача ИИ заключается в разработке 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.

Компоненты ИИ

Программирование без и с ИИ

Программирование без и с ИИ отличается в следующих отношениях -

Программирование без ИИ Программирование с ИИ
Компьютерная программа без ИИ может ответить на конкретные вопросы, которые она призвана решить. Компьютерная программа с ИИ может ответить на общие вопросы, которые она призвана решить.
Модификация в программе приводит к изменению ее структуры. Программы ИИ могут впитывать новые модификации, объединяя очень независимые фрагменты информации. Следовательно, вы можете изменить даже небольшую часть информации о программе, не затрагивая ее структуру.
Модификация не является быстрой и легкой. Это может привести к негативному влиянию на программу. Быстрая и простая модификация программы.

Что такое техника AI?

В реальном мире знание имеет некоторые нежелательные свойства -

  • Его объем огромен, почти невообразим.
  • Это не хорошо организовано или хорошо отформатировано.
  • Он постоянно меняется.

AI Technique - это способ эффективно организовать и использовать знания таким образом, чтобы -

  • Это должно быть воспринято людьми, которые обеспечивают это.
  • Он должен легко модифицироваться для исправления ошибок.
  • Это должно быть полезно во многих ситуациях, хотя оно неполное или неточное.

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

Приложения ИИ

ИИ был доминирующим в различных областях, таких как -

  • 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 - возможно взаимодействие с компьютером, который понимает естественный язык, на котором говорят люди.

  • Экспертные системы - Есть несколько приложений, которые объединяют машины, программное обеспечение и специальную информацию для передачи рассуждений и рекомендаций. Они дают объяснения и советы пользователям.

  • Системы зрения - эти системы понимают, интерпретируют и понимают визуальный ввод на компьютере. Например,

    • Самолет-шпион снимает фотографии, которые используются для определения пространственной информации или карты местности.

    • Врачи используют клиническую экспертную систему для диагностики пациента.

    • Полиция использует компьютерное программное обеспечение, которое может распознать лицо преступника с сохраненным портретом, сделанным судебно-медицинским экспертом.

  • Распознавание речи - Некоторые интеллектуальные системы способны слышать и понимать язык с точки зрения предложений и их значений, пока человек разговаривает с ним. Он может обрабатывать различные акценты, сленговые слова, шум на заднем плане, изменение шума человека из-за холода и т. Д.

  • Распознавание рукописного ввода - программное обеспечение распознавания рукописного ввода считывает текст, написанный на бумаге ручкой или на экране стилусом. Он может распознавать формы букв и преобразовывать их в редактируемый текст.

  • Интеллектуальные роботы - роботы способны выполнять задачи, поставленные человеком. У них есть датчики для обнаружения физических данных из реального мира, таких как свет, тепло, температура, движение, звук, удары и давление. У них есть эффективные процессоры, несколько датчиков и огромная память для демонстрации интеллекта. Кроме того, они способны учиться на своих ошибках и могут адаптироваться к новой среде.

История ИИ

Вот история ИИ в 20 веке -

Год Веха / Инновации
1923

В Лондоне открывается пьеса Карела Чапека «Универсальные роботы Россума» (RUR), впервые использовавшая слово «робот» на английском языке.

1943

Основы для нейронных сетей заложены.

1945

Исаак Азимов, выпускник Колумбийского университета, ввел термин « робототехника» .

1950

Алан Тьюринг представил тест Тьюринга для оценки интеллекта и опубликовал « Вычислительная техника и интеллект». Клод Шеннон опубликовал Детальный анализ игры в шахматы как поиск.

1956

Джон Маккарти придумал термин « искусственный интеллект» . Демонстрация первой программы ИИ в Университете Карнеги-Меллона.

1958

Джон Маккарти изобрел язык программирования LISP для ИИ.

1964

Диссертация Дэнни Боброу в Массачусетском технологическом институте показала, что компьютеры могут достаточно хорошо понимать естественный язык, чтобы правильно решать задачи алгебры слов.

1965

Джозеф Вайзенбаум из Массачусетского технологического института создал ELIZA , интерактивную проблему, которая ведет диалог на английском языке.

1969

Ученые из Стэнфордского научно-исследовательского института разработали робота Shakey , оснащенного локомоцией, восприятием и решением проблем.

1973

Группа Assembly Robotics в Эдинбургском университете создала знаменитого шотландского робота Фредди , способного использовать зрение для поиска и сборки моделей.

1979

Первый управляемый компьютером автономный автомобиль, Stanford Cart, был построен.

1985

Гарольд Коэн создал и продемонстрировал программу рисования Аарона .

1990

Основные достижения во всех областях ИИ -

  • Значительные демонстрации в машинном обучении
  • Основанное на случае рассуждение
  • Многоагентное планирование
  • планирование
  • Интеллектуальный анализ данных, Web Crawler
  • понимание естественного языка и перевод
  • Видение, Виртуальная Реальность
  • Игры
1997

Программа Deep Blue Chess превосходит тогдашнего чемпиона мира по шахматам Гарри Каспарова.

2000

Интерактивные роботы становятся коммерчески доступными. MIT показывает Kismet , робота с лицом, которое выражает эмоции. Робот Nomad исследует отдаленные районы Антарктиды и обнаруживает метеориты.

Искусственный интеллект - Интеллектуальные системы

Изучая искусственный интеллект, вы должны 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 описывает американский психолог-психолог Говард Гарднер, интеллект имеет множество аспектов:

интеллект Описание пример
Лингвистический интеллект Способность говорить, распознавать и использовать механизмы фонологии (речевые звуки), синтаксиса (грамматика) и семантики (значение). Рассказчики, Ораторы
Музыкальный интеллект Способность создавать, общаться и понимать смыслы из звука, понимать высоту звука, ритм. Музыканты, певцы, композиторы
Логико-математический интеллект Умение использовать и понимать отношения при отсутствии действия или предметов. Понимание сложных и абстрактных идей. Математики, ученые
Пространственный интеллект Способность воспринимать визуальную или пространственную информацию, изменять ее и заново создавать визуальные изображения без привязки к объектам, создавать трехмерные изображения, а также перемещать и вращать их. Считыватели карт, Космонавты, Физики
Телесно-кинестетический интеллект Способность использовать все или часть тела для решения проблем или создания модных продуктов, контроля над мелкими и грубыми моторными навыками и манипулирования объектами. Игроки, Танцоры
Внутриличностный интеллект Способность различать собственные чувства, намерения и мотивации. Гаутама Будда
Межличностный интеллект Способность распознавать и различать чувства, убеждения и намерения других людей. Массовые коммуникаторы, интервьюеры

Вы можете сказать, что машина или система искусственно интеллектуальны, когда в ней есть хотя бы один и не более всего интеллект.

Из чего состоит интеллект?

Интеллект нематериален. Он состоит из -

  • аргументация
  • Учусь
  • Решение проблем
  • восприятие
  • Лингвистический интеллект
Компоненты интеллекта

Давайте кратко рассмотрим все компоненты -

  • Рассуждение - это набор процессов, который позволяет нам предоставлять основу для суждений, принятия решений и прогнозирования. Есть в целом два типа -

Индуктивное мышление Дедуктивное мышление
Он проводит конкретные наблюдения, чтобы сделать широкие общие заявления. Он начинается с общего утверждения и рассматривает возможности прийти к конкретному логическому заключению.
Даже если все утверждения верны в утверждении, индуктивное рассуждение позволяет сделать вывод ложным. Если что-то верно для класса вещей в целом, это также верно для всех членов этого класса.
Пример - «Нита учитель. Нита старательная. Поэтому все учителя прилежные». Пример - «Все женщины старше 60 лет являются бабушками. Шалини 65 лет. Поэтому Шалини бабушка».
  • Обучение - это деятельность по приобретению знаний или навыков путем изучения, практики, обучения или переживания чего-либо. Обучение повышает осведомленность о предметах исследования.

    Способностью к обучению обладают люди, некоторые животные и системы с поддержкой ИИ. Обучение относится к категории -

    • Обучение слуху - это обучение слушанием и слухом. Например, студенты слушают записанные аудио лекции.

    • Эпизодическое обучение - учиться, запоминая последовательности событий, свидетелем которых был или пережил. Это линейно и упорядоченно.

    • Моторное обучение - это обучение точным движением мышц. Например, сбор предметов, написание и т. Д.

    • Наблюдательное обучение - учиться, наблюдая и подражая другим. Например, ребенок пытается учиться, подражая своему родителю.

    • Обучение восприятию - это обучение распознаванию стимулов, которые видели раньше. Например, выявление и классификация объектов и ситуаций.

    • Реляционное обучение - оно включает в себя обучение различать различные стимулы на основе реляционных свойств, а не абсолютных свойств. Например, добавление соли «чуть меньше» во время приготовления картофеля, который в последний раз получался соленым, 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 перед тем, как идти по дороге.

    • Стимул-ответное обучение - это обучение определенному поведению, когда присутствует определенный стимул. Например, собака поднимает ухо, услышав дверной звонок.

  • Решение проблем - это процесс, в котором человек воспринимает и пытается найти желаемое решение из текущей ситуации, выбирая какой-то 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 восприятие . У человека восприятию помогают органы чувств. В области ИИ механизм восприятия объединяет данные, полученные датчиками, осмысленным образом.

  • Лингвистический интеллект - это способность использовать, понимать, говорить и писать на устном и письменном языке. Это важно в межличностном общении.

Разница между человеком и машинным интеллектом

  • Люди воспринимают по шаблонам, а машины - по правилам и данным.

  • Люди хранят и вызывают информацию по шаблонам, а машины - по алгоритму поиска. Например, номер 40404040 легко запомнить, сохранить и вспомнить, поскольку его шаблон прост.

  • Люди могут понять весь объект, даже если какая-то его часть отсутствует или искажена; в то время как машины не могут сделать это правильно.

Искусственный интеллект - Области исследований

Область искусственного интеллекта огромна по ширине и ширине. Продолжая, мы рассматриваем широко распространенные и процветающие области исследований в области ИИ -

Область исследований разведки

Распознавание речи и голоса

Оба эти термина являются общими в робототехнике, экспертных системах и обработке естественного языка. Хотя эти термины используются взаимозаменяемо, их цели различны.

Распознавание речи Распознавание голоса
Распознавание речи направлено на понимание и понимание того, что было сказано. Целью распознавания голоса является признание того, что ВОЗ говорит.
Он используется в ручных вычислениях, картах или навигации по меню. Он используется для идентификации человека путем анализа его тона, высоты голоса, акцента и т. Д.
Машина не нуждается в обучении распознаванию речи, поскольку она не зависит от говорящего. Эта система распознавания нуждается в обучении, поскольку она ориентирована на человека.
Системы распознавания речи, независимые от говорящего, сложны в разработке. Системы распознавания речи, зависящие от говорящего, сравнительно просты в разработке.

Работа систем распознавания речи и голоса

Пользовательский ввод с микрофона идет на звуковую карту системы. Преобразователь превращает аналоговый сигнал в эквивалентный цифровой сигнал для обработки речи. База данных используется для сравнения звуковых шаблонов для распознавания слов. Наконец, обратная обратная связь предоставляется базе данных.

Этот текст на исходном языке становится входом для механизма перевода, который преобразует его в текст на целевом языке. Они поддерживаются интерактивным графическим интерфейсом, большой базой словарного запаса и т. Д.

Реальные области применения научных исследований

Существует множество приложений, в которых ИИ служит простым людям в повседневной жизни.

Sr.No. Области исследований Приложение для реальной жизни
1

Экспертные Системы

Примеры - Системы слежения за рейсами, Клинические системы.

Применение Экспертных Систем
2

Обработка естественного языка

Примеры: функция Google Now, распознавание речи, автоматический вывод голоса.

Приложение НЛП
3

Нейронные сети

Примеры - Системы распознавания образов, такие как распознавание лиц, распознавание символов, распознавание рукописного ввода.

Приложение нейронных сетей
4

робототехника

Примеры - промышленные роботы для перемещения, распыления, покраски, проверки точности, сверления, очистки, нанесения покрытий, резьбы и т. Д.

Применение робототехники
5

Нечеткие логические системы

Примеры - Бытовая электроника, автомобили и т. Д.

Приложение нечеткой логики

Классификация задач ИИ

Область ИИ классифицируется на Формальные задачи, Мирские задачи и Экспертные задачи.

Задача Домены ИИ
Задача Домены Искусственного Интеллекта
Обыкновенные (обычные) задачи Формальные задачи Задачи Эксперта
восприятие
  • Компьютерное зрение
  • Речь, голос
  • Математика
  • Геометрия
  • логика
  • Интеграция и Дифференциация
  • инженерия
  • Поиск ошибок
  • Производство
  • Мониторинг
Обработка естественного языка
  • понимание
  • Поколение языков
  • Языковой перевод
Игры
  • Идти
  • Шахматы (темно-синий)
  • Ckeckers
Научный анализ
Здравый смысл верификация Финансовый анализ
аргументация Доказательство теорем Медицинский диагноз
строгание Творческий подход
робототехника
  • тепловоз

Люди учатся мирским (обычным) задачам с самого рождения. Они учатся восприятием, говорением, использованием языка и локомотивов. Они изучают Формальные Задачи и Экспертные Задачи позже, в этом порядке.

Для людей обычные задачи легче всего освоить. То же самое считалось верным, прежде чем пытаться реализовать повседневные задачи на машинах. Ранее вся работа ИИ была сосредоточена в области мирских задач.

Позже выяснилось, что машина требует больше знаний, сложного представления знаний и сложных алгоритмов для решения повседневных задач. По этой причине работа ИИ сейчас процветает в области «Задачи эксперта» , поскольку область «задачи эксперта» нуждается в экспертных знаниях без здравого смысла, которые легче представить и обработать.

AI - Агенты и Среда

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

Что такое агент и среда?

Агент - это все, что может воспринимать окружающую среду через датчики и воздействовать на нее через эффекторы.

  • Агент человека имеет сенсорные органы, такие как глаза, уши, нос, язык и кожу, параллельные сенсорам, и другие органы, такие как руки, ноги, рот, для эффекторов.

  • Роботизированный агент заменяет камеры и инфракрасные дальномеры для датчиков, а также различные двигатели и исполнительные механизмы для эффекторов.

  • Программный агент закодировал битовые строки в качестве своих программ и действий.

Агент и Окружающая среда

Терминология агентов

  • Показатель эффективности агента - это критерий, который определяет, насколько успешным является агент.

  • Поведение агента - это действие, которое агент выполняет после любой заданной последовательности восприятий.

  • Percept - это перцептивные 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 разумного, разумного и здравого смысла.

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

Что такое идеальный агент Rational?

Идеальным рациональным агентом является тот, который способен выполнять ожидаемые действия, чтобы максимизировать свою меру 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 агент может выполнять.

Рациональный агент всегда выполняет правильное действие, где правильное действие означает действие, которое делает агент наиболее успешным в данной последовательности восприятия. Проблема, которую решает агент, характеризуется показателями производительности, средой, приводами и датчиками (PEAS).

Структура интеллектуальных агентов

Структура агента может рассматриваться как -

  • Агент = Архитектура + Агентская программа
  • Архитектура = механизм, на котором работает агент.
  • Агентская программа = 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 основании действующего предписания.
  • Их среда полностью наблюдаема.

Условие-действие-правило - это правило, которое отображает состояние (условие) на действие.

Простой рефлекторный агент

Рефлекторные агенты на основе модели

Они используют модель мира, чтобы выбрать свои действия. Они поддерживают внутреннее состояние.

Модель - знание о том, «как все происходит в мире».

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

Обновление состояния требует информации о -

  • Как мир развивается.
  • Как действия агента влияют на мир.
Рефлекторные агенты на основе модели

Агенты на основе целей

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

Цель - это описание желаемых ситуаций.

Рефлекторные агенты на основе целей

Агенты на основе коммунальных услуг

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

Цели неадекватны, когда -

  • Есть противоречивые цели, из которых можно достичь лишь немногих.

  • Цели имеют некоторую неопределенность в отношении достижения, и вам необходимо сопоставить вероятность успеха с важностью цели.

Агенты на основе коммунальных услуг

Природа окружающей среды

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

Напротив, некоторые программные агенты (программные роботы или программные роботы) существуют в богатых, неограниченных доменах программных роботов. Симулятор имеет очень подробную, сложную среду . Программный агент должен выбирать из множества действий в режиме реального времени. Софт-бот предназначен для сканирования онлайн-предпочтений клиента и показа клиенту интересных предметов, работающих как в реальной, так и в искусственной среде.

Наиболее известной искусственной средой является среда Теста Тьюринга , в которой один реальный и другие искусственные агенты испытываются на равных. Это очень сложная среда, поскольку программному агенту очень сложно работать так же хорошо, как человеку.

Тест Тьюринга

Успех интеллектуального поведения системы можно измерить с помощью теста Тьюринга.

В тестировании участвуют два человека и оцениваемая машина. Один из двух человек играет роль тестера. Каждый из них сидит в разных комнатах. Тестер не знает, кто машина, а кто человек. Он опрашивает вопросы, печатая и отправляя их обоим интеллектуалам, на которые он получает напечатанные ответы.

Этот тест направлен на то, чтобы обмануть тестера. Если тестер не может определить реакцию машины на реакцию человека, то говорят, что машина интеллектуальная.

Свойства окружающей среды

Среда обладает множественными свойствами -

  • Дискретный / Непрерывный - Если существует ограниченное количество четко определенных состояний среды, среда является дискретной (например, шахматы); в противном случае это непрерывно (например, вождение).

  • Наблюдаемый / Частично наблюдаемый - если возможно определить полное состояние окружающей среды в каждый момент времени из восприятий, это можно наблюдать; в противном случае это только частично наблюдается.

  • Статический / Динамический - если среда не изменяется во время действия агента, то она является статической; в противном случае это динамично.

  • Один агент / несколько агентов - Среда может содержать другие агенты, 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 этому агенту.

  • Детерминированный / недетерминированный - если следующее состояние среды полностью определяется текущим состоянием и действиями агента, то среда является детерминированной; в противном случае это недетерминированный.

  • Эпизодический / неэпизодический. В эпизодической среде каждый эпизод состоит из восприятия и действия действующего лица. Качество его действия зависит только от самого эпизода. Последующие эпизоды не зависят от действий в предыдущих эпизодах. Эпизодические условия намного проще, потому что агенту не нужно думать заранее.

AI - популярные алгоритмы поиска

Поиск - это универсальный метод решения проблем в ИИ. Есть некоторые игры для одного игрока, такие как мозаичные игры, судоку, кроссворд и т. Д. Алгоритмы поиска помогают вам найти определенную позицию в таких играх.

Проблемы с поиском пути одного агента

Такие игры, как 3X3 с восьмью ячейками, 4X4 с пятнадцатью ячейками и 5X5 с двадцатью четырьмя мозаичными головоломками, - это задачи поиска одного агента. Они состоят из матрицы плиток с пустой плиткой. Игрок должен расположить плитки, сдвинув плитку вертикально или горизонтально в пустое пространство с целью достижения некоторой цели.

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

Терминология поиска

  • Проблемное пространство - это среда, в которой происходит поиск. (Набор состояний и набор операторов для изменения этих состояний)

  • Экземпляр проблемы - это исходное состояние + состояние цели.

  • Диаграмма пространства проблем - представляет состояние проблемы. Состояния показаны узлами, а операторы показаны ребрами.

  • Глубина проблемы - длина кратчайшего пути или кратчайшей последовательности операторов от начального состояния до состояния цели.

  • Сложность пространства - максимальное количество узлов, которые хранятся в памяти.

  • Сложность времени - максимальное количество создаваемых узлов.

  • Допустимость - свойство алгоритма всегда находить оптимальное решение.

  • Коэффициент ветвления - среднее число дочерних узлов в графе проблемного пространства.

  • Глубина - длина кратчайшего пути от исходного состояния до состояния цели.

Стратегии поиска грубой силы

Они наиболее просты, так как не нуждаются в каких-либо предметных знаниях. Они отлично работают с небольшим количеством возможных состояний.

Требования -

  • Описание состояния
  • Набор действительных операторов
  • Начальное состояние
  • Описание состояния цели

Поиск в ширину

Он начинается с корневого узла, сначала исследует соседние узлы и перемещается к соседям следующего уровня. Он генерирует одно дерево за раз, пока решение не будет найдено. 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 созданных узлов 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. Требуемое пространство для хранения узлов экспоненциально.

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

Ширина Первый Поиск

Поиск в глубину

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

Поскольку узлы на одном пути хранятся в каждой итерации от корневого до конечного узла, требования к пространству для хранения узлов являются линейными. С коэффициентом ветвления b и глубиной, равной m , место для хранения составляет bm.

Недостаток - этот алгоритм не может завершаться и идти бесконечно по одному пути. Решением этой проблемы является выбор глубины среза. Если идеальное отсечение равно d , а если выбранное отсечение меньше d , то этот алгоритм может потерпеть неудачу. Если выбранное отсечение больше d , то время выполнения увеличивается.

Его сложность зависит от количества путей. Он не может проверить дубликаты узлов.

Глубина Первый Поиск

Двунаправленный поиск

Он ищет вперед от исходного 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 общего пути.

Поиск единой стоимости

Сортировка выполняется по увеличению стоимости пути к узлу. Это всегда расширяет наименее затратный узел. 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 равномерной стоимости должен изучить 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, пока не будет найдено решение.

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

Интерактивный Углубление DF Поиск

Сравнение сложности различных алгоритмов

Давайте посмотрим на производительность алгоритмов на основе различных критериев -

критерий Ширина первая Глубина первая Двунаправленный Единая стоимость Интерактивное углубление
Время б д б м б д / 2 б д б д
Космос б д б м б д / 2 б д б д
Оптимальность да нет да да да
завершенность да нет да да да

Информированные (эвристические) стратегии поиска

Для решения больших проблем с большим количеством возможных состояний необходимо добавить специфические для проблемы знания, чтобы повысить эффективность алгоритмов поиска.

Эвристические функции оценки

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

Чистый эвристический поиск

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 эвристическая функция применяется к дочерним узлам, 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. Это позволяет избежать расширения дорог, которые уже дороги, но в первую очередь расширяет наиболее перспективные.

f (n) = g (n) + h (n), где

  • g (n) стоимость (пока) для достижения узла
  • h (n) оценочная стоимость, чтобы добраться от узла до цели
  • f (n) предполагаемая общая стоимость пути от n до цели. Это реализовано с использованием очереди приоритетов путем увеличения f (n).

Жадный Лучший Первый Поиск

Это расширяет узел, который оценивается как ближайший к цели. Он расширяет узлы на основе f (n) = h (n). Это реализовано с использованием очереди приоритетов.

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

Алгоритмы локального поиска

Они начинают с перспективного решения, а затем переходят к соседнему решению. Они могут вернуть действительное решение, даже если оно было прервано в любое время до его окончания.

Поиск альпинизма

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 как новое решение. Этот процесс повторяется до тех пор, пока не будет никаких дальнейших улучшений.

функция Hill-Climbing (задача), возвращает состояние, которое является 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 какой-либо из этих преемников является максимальным значением целевой функции, то алгоритм останавливается.

В противном случае (начальные k состояний и k преемников состояний = 2k) состояний помещаются в пул. Затем пул отсортирован численно. Самые высокие k состояний выбираются как новые начальные состояния. Этот процесс продолжается до достижения максимального значения.

функция BeamSearch ( problem, 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 нагрева и охлаждения металла с целью изменения его внутренней структуры для изменения его физических свойств. Когда металл остывает, его новая структура захватывается, и металл сохраняет свои вновь полученные свойства. В процессе имитации отжига температура поддерживается переменной.

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

Начало

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

Повторите шаги с 1 по 4, пока критерии не будут выполнены.

Конец

Задача коммивояжера

В этом алгоритме цель состоит в том, чтобы найти недорогой тур, который начинается из города, посещает все города по маршруту ровно один раз и заканчивается в одном и том же стартовом 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
Задача коммивояжера

Искусственный интеллект - нечеткие логические системы

Нечеткие логические системы (FLS) выдают приемлемый, но определенный выходной сигнал в ответ на неполный, неоднозначный, искаженный или неточный (нечеткий) ввод.

Что такое нечеткая логика?

Нечеткая логика (FL) - это метод рассуждения, напоминающий рассуждения человека. Подход FL имитирует способ принятия решений у людей, который включает в себя все промежуточные возможности между цифровыми значениями YES и NO.

Обычный логический блок, который может понять компьютер, принимает точный ввод и выдает определенный вывод как ИСТИНА или ЛОЖЬ, что эквивалентно ДА или НЕТ человека.

Изобретатель нечеткой логики Лотфи Заде заметил, что в отличие от компьютеров, принятие решений человеком включает в себя ряд возможностей между ДА и НЕТ, таких как -

ВНИМАТЕЛЬНО ДА
ВОЗМОЖНО ДА
НЕ МОГУ СКАЗАТЬ
ВОЗМОЖНО НЕТ
УЖЕ НЕТ

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

Реализация

  • Он может быть реализован в системах с различными размерами и возможностями - от небольших микроконтроллеров до больших сетевых систем управления на рабочих станциях.

  • Это может быть реализовано в аппаратном, программном обеспечении или комбинации того и другого.

Почему нечеткая логика?

Нечеткая логика полезна в коммерческих и практических целях.

  • Он может контролировать машины и потребительские товары.
  • Это может не дать точных рассуждений, но приемлемых рассуждений.
  • Нечеткая логика помогает справиться с неопределенностью в технике.

Архитектура нечетких логических систем

У этого есть четыре главных части как показано -

  • Модуль фаззификации - преобразует входные данные системы, которые являются четкими числами, в нечеткие множества. Он разбивает входной сигнал на пять шагов, таких как -

LP х большой положительный
член парламента х средний положительный
S х маленький
Миннесота х средний отрицательный
Л.Н. х большой отрицательный
  • База знаний - хранит правила IF-THEN, предоставленные экспертами.

  • Механизм логического вывода - он моделирует процесс мышления человека, делая нечеткий вывод на входах и правилах IF-THEN.

  • Модуль дефаззификации - преобразует нечеткий набор, полученный механизмом логического вывода, в четкое значение.

Нечеткая логическая система

Функции принадлежности работают на нечетких множествах переменных.

Функция членства

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

Здесь каждый элемент X отображается на значение между 0 и 1. Это называется значением или степенью членства . Он количественно определяет степень принадлежности элемента в X нечеткому множеству A.

  • Ось х представляет вселенную дискурса.
  • Ось Y представляет степени принадлежности в интервале [0, 1].

Может быть несколько функций принадлежности, применимых для нечеткого числового значения. Простые функции членства используются, поскольку использование сложных функций не добавляет большей точности в вывод.

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

Членство в FL

Треугольные формы функции принадлежности наиболее распространены среди различных других форм функции принадлежности, таких как трапециевидная, одиночная и гауссовская.

Здесь вход для 5-уровневого фаззайзера варьируется от -10 вольт до +10 вольт. Следовательно, соответствующий вывод также изменяется.

Пример системы нечеткой логики

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

Система нечеткой логики переменного тока

Алгоритм

  • Определите лингвистические переменные и термины (начало)
  • Построить функции членства для них. (Начало)
  • Построить базу знаний правил (начало)
  • Преобразуйте четкие данные в нечеткие наборы данных, используя функции членства. (Фаззификация)
  • Оцените правила в базе правил. (Механизм логического вывода)
  • Объедините результаты каждого правила. (Механизм логического вывода)
  • Преобразуйте выходные данные в нечеткие значения. (Дефаззификация)

развитие

Шаг 1 - Определите лингвистические переменные и термины

Лингвистические переменные - это входные и выходные переменные в форме простых слов или предложений. Для комнатной температуры лингвистические термины - холодный, теплый, горячий и т. Д.

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

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

Шаг 2 - Построить функции членства для них

Функции принадлежности температурной переменной таковы:

MF системы переменного тока

Шаг 3 - Построить правила базы знаний

Создайте матрицу значений комнатной температуры в зависимости от целевых значений температуры, которые система кондиционирования воздуха должна предоставить.

Комнатная температура. / Target Очень холодно Холодный Тепло Горячий Очень горячо
Очень холодно Без изменений Высокая температура Высокая температура Высокая температура Высокая температура
Холодный здорово Без изменений Высокая температура Высокая температура Высокая температура
Тепло здорово здорово Без изменений Высокая температура Высокая температура
Горячий здорово здорово здорово Без изменений Высокая температура
Очень горячо здорово здорово здорово здорово Без изменений

Внедрить набор правил в базу знаний в виде структур IF-THEN-ELSE.

Старший Условие действие
1 ЕСЛИ температура = (холодная ИЛИ очень_холодная) И цель = теплый ТО Высокая температура
2 ЕСЛИ температура = (Горячая ИЛИ Very_Hot) И цель = Теплая ТО здорово
3 ЕСЛИ (температура = тепло) И (цель = тепло), ТО Без изменений

Шаг 4 - Получить нечеткое значение

Операции нечеткого множества выполняют оценку правил. Операции, используемые для OR и AND, - это Max и Min соответственно. Объедините все результаты оценки, чтобы сформировать окончательный результат. Этот результат является нечетким значением.

Шаг 5 - Выполните дефаззификацию

Дефаззификация затем выполняется в соответствии с функцией принадлежности выходной переменной.

DeFuzzied Value

Области применения нечеткой логики

Основные области применения нечеткой логики:

Автомобильные Системы

  • Автоматические коробки передач
  • Четырехколесное рулевое управление
  • Контроль окружающей среды автомобиля

Бытовая электроника

  • Hi-Fi системы
  • Копиры
  • Фото и видеокамеры
  • телевидение

Товары для дома

  • Микроволновые печи
  • Холодильники
  • Тостеры
  • Пылесосы
  • Стиральные машины

Контроль окружающей среды

  • Кондиционеры / Сушилки / Нагреватели
  • Увлажнители

Преимущества ФЛС

  • Математические понятия в нечетких рассуждениях очень просты.

  • Вы можете изменить FLS, просто добавляя или удаляя правила из-за 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, в том числе в медицине, так как оно напоминает человеческое мышление и принятие решений.

Недостатки ФЛС

  • Системного подхода к проектированию нечетких систем не существует.
  • Они понятны только тогда, когда просто.
  • Они подходят для задач, которые не требуют высокой точности.

AI - обработка естественного языка

Обработка естественного языка (NLP) относится к методу искусственного интеллекта для связи с интеллектуальными системами с использованием естественного языка, такого как английский.

Обработка естественного языка требуется, когда вы хотите, чтобы интеллектуальная система, такая как робот, работала в соответствии с вашими инструкциями, когда вы хотите услышать решение из диалоговой системы клинических экспертов и т. Д.

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

  • речь
  • Письменный текст

Компоненты НЛП

Есть два компонента НЛП как дано -

Понимание естественного языка (НЛУ)

Понимание включает в себя следующие задачи -

  • Отображение данного ввода на естественном языке в полезные представления.
  • Анализируя различные аспекты языка.

Поколение естественного языка (NLG)

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

Это включает в себя -

  • Планирование текста - включает в себя получение соответствующего контента из базы знаний.

  • Планирование предложения - включает в себя выбор необходимых слов, формирование значимых фраз, настройку тона предложения.

  • Реализация текста - это отображение плана предложения в структуру предложения.

НЛУ сложнее, чем НЛГ.

Трудности в НЛУ

NL имеет чрезвычайно богатую форму и структуру.

Это очень неоднозначно. Там могут быть разные уровни неоднозначности -

  • Лексическая неоднозначность - это на очень примитивном уровне, например на уровне слов.

  • Например, трактует ли слово «доска» как существительное или глагол?

  • Неоднозначность синтаксического уровня - предложение может быть проанализировано по-разному.

  • Например, «Он поднял жука с красной шапочкой». - Он использовал шапку, чтобы поднять жука, или он поднял жука с красной шапочкой?

  • Ссылочная двусмысленность - Ссылка на что-то с использованием местоимений. Например, Римма отправилась в Гаури. Она сказала: «Я устала». Кто конкретно устал?

  • Один вход может означать разные значения.

  • Многие входы могут означать одно и то же.

НЛП Терминология

  • Фонология - это систематическое изучение звука.

  • Морфология - это изучение построения слов из примитивных значимых единиц.

  • Морфема - это примитивная единица значения в языке.

  • Синтаксис - это относится к расположению слов, чтобы сделать предложение. Это также включает определение структурной роли слов в предложении и во фразе.

  • Семантика - это касается значения слов и того, как объединить слова в значимые фразы и предложения.

  • Прагматика - это касается использования и понимания предложений в различных ситуациях и того, как это влияет на интерпретацию предложения.

  • Дискурс. Он касается того, как непосредственно предшествующее предложение может повлиять на толкование следующего предложения.

  • Мир знаний - включает в себя общие знания о мире.

Шаги в НЛП

Есть пять основных шагов -

  • Лексический анализ - включает в себя определение и анализ структуры слов. Лексика языка означает совокупность слов и фраз на языке. Лексический анализ делит весь текст на параграфы, предложения и слова.

  • Синтаксический анализ (синтаксический анализ) - включает в себя анализ слов в предложении для грамматики и упорядочение слов таким образом, чтобы показать связь между словами. Предложение типа «Школа идет мальчику» отвергается английским синтаксическим анализатором.

НЛП Шаги
  • Семантический анализ - он черпает точное значение словарного значения из текста. Текст проверен на осмысленность. Это делается путем отображения синтаксических структур и объектов в области задач. Семантический анализатор игнорирует такие предложения, как «горячее мороженое».

  • Интеграция в дискурс . Значение любого предложения зависит от значения предложения непосредственно перед ним. Кроме того, это также приводит к значению сразу следующего предложения.

  • Прагматический анализ - во время этого сказанное переосмысливается на самом деле. Это включает в себя получение тех аспектов языка, которые требуют знания реального мира.

Аспекты реализации синтаксического анализа

Исследователи разработали ряд алгоритмов синтаксического анализа, но мы рассмотрим только следующие простые методы:

  • Контекстная грамматика
  • Парсер сверху вниз

Давайте посмотрим на них подробно -

Контекстная грамматика

Это грамматика, которая состоит из правил с одним символом в левой части правил перезаписи. Давайте создадим грамматику для разбора предложения -

«Птица клюет зерна»

Статьи (DET) - a | |

Существительные - птица | птицы | зерно | зерна

Фраза Существительное (NP) - Статья + Существительное | Статья + Прилагательное + Существительное

= DET N | DET ADJ N

Глаголы - клевки | клевать | клевать

Глагольная фраза (VP) - NP V | V NP

Прилагательные (ADJ) - красивые | маленький | стрекотание

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

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

S → НП ВП

NP → DET N | DET ADJ N

VP → V NP

Lexocon -

DET → a |

ADJ → красивая | усаживаться

N → птица | птицы | зерно | зерна

V → клевать | клюет | клевание

Дерево разбора может быть создано как показано -

НЛП Шаги

Теперь рассмотрим приведенные выше правила переписывания. Поскольку V может быть заменено как «клюет» или «клюет», предложения, такие как «Птица клюют зерна», могут быть ошибочно допущены. то есть ошибка соглашения предметного глагола подтверждается как правильная.

Заслуга - самый простой стиль грамматики, поэтому широко используется.

Недостатки -

  • Они не очень точны. Например, «Зерна клюют птицу», синтаксически правильно, согласно парсеру, но даже если это не имеет смысла, парсер принимает это как правильное предложение.

  • Чтобы добиться высокой точности, необходимо подготовить несколько наборов грамматики. Это может потребовать совершенно разных наборов правил для разбора вариаций единственного и множественного числа, пассивных предложений и т. Д., Что может привести к созданию огромного набора правил, которые неуправляемы.

Парсер сверху вниз

Здесь синтаксический анализатор начинается с символа S и пытается переписать его в последовательность терминальных символов, которая соответствует классам слов во входном предложении, пока он полностью не состоит из терминальных символов.

Затем они проверяются с помощью входного предложения, чтобы увидеть, соответствует ли оно. Если нет, процесс начинается заново с другим набором правил. Это повторяется до тех пор, пока не будет найдено конкретное правило, которое описывает структуру предложения.

Заслуга - это просто реализовать.

Недостатки -

  • Это неэффективно, так как процесс поиска должен повторяться в случае возникновения ошибки.
  • Медленная скорость работы.

Искусственный интеллект - Экспертные системы

Экспертные системы (ES) являются одной из выдающихся областей исследований ИИ. Он представлен исследователями из Стэнфордского университета, факультет компьютерных наук.

Что такое экспертные системы?

Экспертные системы - это компьютерные приложения, разработанные для решения сложных задач в определенной области на уровне необычного человеческого интеллекта и опыта.

Характеристики экспертных систем

  • Высокая производительность
  • понятный
  • надежный
  • Очень отзывчивый

Возможности экспертных систем

Экспертные системы способны -

  • консультирование
  • Инструктаж и помощь человеку в принятии решений
  • Демонстрируя
  • Вывод решения
  • Диагностирование
  • Объясняя
  • Интерпретация ввода
  • Прогнозирование результатов
  • Обоснование заключения
  • Предлагая альтернативные варианты проблемы

Они неспособны к -

  • Подмена человека, принимающего решения
  • Обладая человеческими способностями
  • Создание точного вывода для неадекватной базы знаний
  • Уточнение собственных знаний

Компоненты экспертных систем

Компоненты ES включают в себя -

  • База знаний
  • Механизм логического вывода
  • Пользовательский интерфейс

Давайте посмотрим их один за другим кратко -

Экспертная система

База знаний

Содержит специфичные для предметной области и высококачественные знания.

Знания необходимы для проявления интеллекта. Успех любого ES в основном зависит от сбора высокоточных и точных знаний.

Что такое Знание?

Данные представляют собой сбор фактов. Информация организована в виде данных и фактов о предметной области. Данные, информация и прошлый опыт, объединенные вместе, называются знаниями.

Компоненты базы знаний

База знаний ES - это хранилище фактических и эвристических знаний.

  • Фактические знания - это информация, широко принятая инженерами знаний и учеными в области задач.

  • Эвристическое знание - это практика, точное суждение, способность оценивать и угадывать.

Представление знаний

Это метод, используемый для организации и формализации знаний в базе знаний. Это в форме правил IF-THEN-ELSE.

Приобретение знаний

Успех любой экспертной системы во многом зависит от качества, полноты и точности информации, хранящейся в базе знаний.

База знаний формируется на основе показаний различных экспертов, ученых и инженеров знаний . Инженер по знаниям - это человек, обладающий качествами эмпатии, быстрого обучения и навыков анализа кейсов.

Он получает информацию от эксперта-субъекта путем записи, собеседования и наблюдения за ним на работе и т. Д. Затем он систематизирует и систематизирует информацию в форме правил IF-THEN-ELSE для использования машиной помех. Инженер по знаниям также следит за развитием ES.

Механизм логического вывода

Использование эффективных процедур и правил Механизмом Вывода имеет важное значение для выведения правильного, безупречного решения.

В случае ES, основанной на знаниях, Inference Engine получает и манипулирует знаниями из базы знаний, чтобы прийти к конкретному решению.

В случае ES на основе правил это -

  • Применяет правила повторно к фактам, которые получены из более раннего применения правила.

  • Добавляет новые знания в базу знаний, если требуется.

  • Разрешает конфликт правил, когда несколько правил применимы к конкретному случаю.

Чтобы порекомендовать решение, механизм вывода использует следующие стратегии:

  • Вперед Цепочка
  • Обратная цепочка

Вперед Цепочка

Это стратегия экспертной системы, чтобы ответить на вопрос: «Что может произойти дальше?»

Здесь механизм вывода следует цепочке условий и производных и, наконец, выводит результат. Он учитывает все факты и правила и сортирует их, прежде чем прийти к решению.

Эта стратегия используется для работы над выводом, результатом или эффектом. Например, прогноз состояния рынка акций как следствие изменения процентных ставок.

Вперед Цепочка

Обратная цепочка

С помощью этой стратегии экспертная система узнает ответ на вопрос «Почему это произошло?»

На основе того, что уже произошло, механизм вывода пытается выяснить, какие условия могли бы возникнуть в прошлом для этого результата. Эта стратегия используется для выяснения причины или причины. Например, диагностика рака крови у людей.

Обратная цепочка

Пользовательский интерфейс

Пользовательский интерфейс обеспечивает взаимодействие между пользователем ES и самой ES. Как правило, это обработка естественного языка для использования пользователем, хорошо разбирающимся в предметной области. Пользователь ES не обязательно должен быть экспертом в области искусственного интеллекта.

Это объясняет, как ES пришел к конкретной рекомендации. Объяснение может появиться в следующих формах -

  • Естественный язык отображается на экране.
  • Устные рассказы на естественном языке.
  • Список номеров правил, отображаемых на экране.

Пользовательский интерфейс позволяет легко отследить достоверность выводов.

Требования эффективного пользовательского интерфейса ES

  • Это должно помочь пользователям достичь своих целей в кратчайшие сроки.

  • Он должен быть разработан для работы с существующими или желаемыми методами работы пользователя.

  • Его технология должна быть адаптирована к требованиям пользователя; не наоборот.

  • Это должно эффективно использовать пользовательский ввод.

Ограничения экспертных систем

Ни одна технология не может предложить простое и полное решение. Большие системы являются дорогостоящими, требуют значительного времени на разработку и компьютерных ресурсов. ES имеют свои ограничения, которые включают в себя -

  • Ограничения технологии
  • Сложное приобретение знаний
  • ES сложно поддерживать
  • Высокие затраты на разработку

Приложения Экспертной Системы

В следующей таблице показано, где можно применять ES.

заявка Описание
Домен дизайна Дизайн объективов камер, автомобильный дизайн.
Медицинский домен Системы диагностики, позволяющие вывести причину заболевания из данных наблюдений, проведения медицинских операций на людях.
Системы мониторинга Постоянное сравнение данных с наблюдаемой системой или с предписанным поведением, таким как мониторинг утечек в длинном нефтепроводе.
Системы управления процессом Управление физическим процессом на основе мониторинга.
Область знаний Обнаружение неисправностей в транспортных средствах, компьютерах.
Финансы / Торговля Выявление возможных случаев мошенничества, подозрительных сделок, торговля на фондовом рынке, планирование авиаперевозок, планирование грузов.

Эксперт Системные Технологии

Существует несколько уровней технологий ES. Технологии экспертных систем включают в себя -

  • Среда разработки экспертных систем. Среда разработки ES включает в себя оборудование и инструменты. Они -

    • Рабочие станции, миникомпьютеры, мейнфреймы.

    • Символические языки программирования высокого уровня, такие как LIS t Программирование (LISP) и PRO грамматика en LOG (PROLOG).

    • Большие базы данных.

  • Инструменты. Они в значительной степени снижают трудозатраты и затраты на разработку экспертной системы.

    • Мощные редакторы и инструменты отладки с несколькими окнами.

    • Они обеспечивают быстрое прототипирование

    • Имеют встроенные определения модели, представления знаний и дизайна вывода.

  • Оболочки . Оболочка - это всего лишь экспертная система без базы знаний. Оболочка обеспечивает разработчиков знаниями, механизмом вывода, пользовательским интерфейсом и средствами объяснения. Например, несколько оболочек приведены ниже -

    • Java Expert System Shell (JESS), которая предоставляет полностью разработанный Java API для создания экспертной системы.

    • Vidwan , оболочка, разработанная в Национальном центре программных технологий в Мумбае в 1993 году. Она позволяет кодировать знания в форме правил IF-THEN.

Разработка экспертных систем: общие шаги

Процесс разработки ES является итеративным. Шаги в разработке ES включают в себя -

Определить проблемный домен

  • Проблема должна подходить для экспертной системы, чтобы решить ее.
  • Найти экспертов в области задач для проекта ES.
  • Установить экономическую эффективность системы.

Дизайн системы

  • Определить технологию ES

  • Знать и установить степень интеграции с другими системами и базами данных.

  • Поймите, как концепции могут лучше всего представлять знания предметной области.

Разработайте прототип

Из базы знаний: инженер знаний работает для -

  • Получите знания области от эксперта.
  • Представьте его в виде правил If-THEN-ELSE.

Протестируйте и уточните прототип

  • Инженер по знаниям использует примеры для тестирования прототипа на предмет любых недостатков в производительности.

  • Конечные пользователи тестируют прототипы ES.

Разработайте и завершите ES

  • Тестировать и обеспечивать взаимодействие ES со всеми элементами ее среды, включая конечных пользователей, базы данных и другие информационные системы.

  • Хорошо документируйте проект ES.

  • Обучите пользователя использовать ES.

Поддерживать систему

  • Постоянно обновляйте и обновляйте базу знаний.

  • Удовлетворять новые интерфейсы с другими информационными системами по мере развития этих систем.

Преимущества экспертных систем

  • Доступность - они легко доступны благодаря массовому производству программного обеспечения.

  • Меньше себестоимости - стоимость производства разумна. Это делает их доступными.

  • Скорость - они предлагают отличную скорость. Они уменьшают объем работы, выполняемой отдельным человеком.

  • Меньше частоты ошибок - уровень ошибок ниже по сравнению с человеческими ошибками.

  • Снижение риска - они могут работать в среде, опасной для человека.

  • Устойчивый ответ - они работают стабильно, не испытывая движения, напряжения или утомления.

Искусственный интеллект - робототехника

Робототехника - это область искусственного интеллекта, которая занимается изучением создания интеллектуальных и эффективных роботов.

Что такое роботы?

Роботы - это искусственные агенты, действующие в реальной окружающей среде.

Задача

Роботы нацелены на манипулирование объектами путем восприятия, выбора, перемещения, изменения физических свойств объекта, разрушения его или получения эффекта, таким образом освобождая рабочую силу от выполнения повторяющихся функций, не скучая, не отвлекаясь или не истощаясь.

Что такое робототехника?

Робототехника - это отрасль искусственного интеллекта, которая состоит из электротехники, машиностроения и компьютерных наук для проектирования, конструирования и применения роботов.

Аспекты робототехники

  • Роботы имеют механическую конструкцию , форму или форму, предназначенные для выполнения конкретной задачи.

  • У них есть электрические компоненты, которые питают и управляют оборудованием.

  • Они содержат некоторый уровень компьютерной программы, которая определяет, что, когда и как робот делает что-то.

Разница в системе роботов и других программах ИИ

Вот разница между двумя -

AI программы Роботы
Они обычно работают в мире, стимулируемом компьютером. Они работают в реальном физическом мире
Вход в программу AI в символах и правилах. Входы для роботов - это аналоговый сигнал в форме речевого сигнала или изображений
Им нужны компьютеры общего назначения для работы. Им нужно специальное оборудование с датчиками и эффекторами.

Робот Локомоция

Локомоция - это механизм, который делает робота способным двигаться в окружающей среде. Существуют различные типы локомотивов -

  • Legged
  • колесный
  • Сочетание передвижения на ножках и колесах
  • Гусеничный слип / занос

Legged Locomotion

  • Этот тип передвижения потребляет больше энергии, демонстрируя ходьбу, прыжок, рысь, прыжок, подъем или спуск и т. Д.

  • Требуется большее количество двигателей для выполнения движения. Он подходит для пересеченной и гладкой местности, где неровная или слишком гладкая поверхность заставляет его потреблять больше энергии для передвижения на колесах. Это немного сложно реализовать из-за проблем со стабильностью.

  • Это идет с разнообразием одной, двух, четырех и шести ног. Если у робота несколько ног, то для передвижения необходима координация ног.

Общее количество возможных походок (периодическая последовательность событий подъема и спуска для каждой из полных ног), которые робот может пройти, зависит от количества его ног.

Если у робота k ног, то число возможных событий N = (2k-1) !.

В случае двуногого робота (k = 2) число возможных событий равно N = (2k-1)! = (2 * 2-1)! = 3! = 6

Следовательно, есть шесть возможных различных событий -

  • Поднятие левой ноги
  • Освобождение левой ноги
  • Поднимая правую ногу
  • Отпустив правую ногу
  • Поднимая обе ноги вместе
  • Освобождая обе ноги вместе

В случае k = 6 ног, есть 39916800 возможных событий. Следовательно, сложность роботов прямо пропорциональна количеству ног.

Legged Locomotion

Колесная локомоция

Для выполнения движения требуется меньше двигателей. Это мало просто реализовать, так как при большем количестве колес возникает меньше проблем со стабильностью. Это энергоэффективно по сравнению с передвижением на ножках.

  • Стандартное колесо - вращается вокруг оси колеса и вокруг контакта

  • Колесо ролика - вращается вокруг оси колеса и смещенного рулевого шарнира.

  • Шведские 45 o и шведские 90 o колеса - Omni-wheel, вращается вокруг точки контакта, вокруг оси колеса и вокруг роликов.

  • Шариковое или сферическое колесо - всенаправленное колесо, технически сложное в реализации.

Колесная локомоция

Скольжение / занос локомоция

В этом типе транспортные средства используют гусеницы, как в танке. Робот управляется путем перемещения гусениц с разными скоростями в одинаковом или противоположном направлении. Он предлагает стабильность из-за большой площади контакта пути и земли.

Гусеничный робот

Компоненты робота

Роботы построены со следующим -

  • Электропитание - роботы питаются от батарей, солнечных батарей, гидравлических или пневматических источников питания.

  • Приводы - Они преобразуют энергию в движение.

  • Электродвигатели (переменного / постоянного тока) - они необходимы для вращательного движения.

  • Пневматические воздушные мышцы - они сокращаются почти на 40%, когда в них всасывается воздух.

  • Мышечные провода - они сжимаются на 5%, когда через них проходит электрический ток.

  • Piezo Motors и Ultrasonic Motors - лучшие для промышленных роботов.

  • Датчики - они предоставляют информацию в режиме реального времени о среде задачи. Роботы оснащены зрительными датчиками для расчета глубины в окружающей среде. Тактильный датчик имитирует механические свойства сенсорных рецепторов кончиков пальцев человека.

Компьютерное зрение

Это технология ИИ, с помощью которой роботы могут видеть. Компьютерное зрение играет жизненно важную роль в области безопасности, охраны здоровья, доступа и развлечений.

Компьютерное зрение автоматически извлекает, анализирует и воспринимает полезную информацию из одного изображения или массива изображений. Этот процесс включает в себя разработку алгоритмов для достижения автоматического визуального понимания.

Аппаратное обеспечение системы Computer Vision

Это включает в себя -

  • Источник питания
  • Устройство захвата изображения, такое как камера
  • Процессор
  • Программное обеспечение
  • Дисплейное устройство для мониторинга системы
  • Аксессуары, такие как подставки для фотоаппаратов, кабели и разъемы

Задачи компьютерного зрения

  • OCR - в области компьютеров Optical Character Reader - программное обеспечение для преобразования отсканированных документов в редактируемый текст, которое сопровождает сканер.

  • Обнаружение лица - многие современные камеры оснащены этой функцией, которая позволяет читать лицо и делать снимки с идеальным выражением лица. Он используется для предоставления пользователю доступа к программному обеспечению в правильном соответствии.

  • Распознавание объектов - они устанавливаются в супермаркетах, камерах, дорогих автомобилях, таких как BMW, GM и Volvo.

  • Оценка положения - это оценка положения объекта относительно камеры как положения опухоли в теле человека.

Домены приложений Computer Vision

  • сельское хозяйство
  • Автономные транспортные средства
  • биометрия
  • Распознавание символов
  • Криминалистика, безопасность и наблюдение
  • Индустриальный контроль качества
  • Распознавание лица
  • Анализ жестов
  • наука о земле
  • Медицинские образы
  • Мониторинг загрязнения
  • Контроль над процессом
  • Дистанционное зондирование
  • робототехника
  • Транспорт

Применение робототехники

Робототехника играет важную роль в различных областях, таких как -

  • Отрасли промышленности - роботы используются для обработки материалов, резки, сварки, нанесения цветных покрытий, сверления, полировки и т. Д.

  • Военные - автономные роботы могут достигать недоступных и опасных зон во время войны. Робот по имени Дакш , разработанный Организацией оборонных исследований и разработок (DRDO), предназначен для безопасного уничтожения опасных для жизни объектов.

  • Медицина . Роботы способны одновременно проводить сотни клинических испытаний, реабилитировать людей с ограниченными возможностями и выполнять сложные операции, такие как опухоли головного мозга.

  • Разведка - Роботы-скалолазы, используемые для исследования космоса, подводные беспилотники, используемые для исследования океана, - это лишь некоторые из них.

  • Развлечения - инженеры Disney создали сотни роботов для создания фильмов.

Искусственный интеллект - Нейронные сети

Еще одна область исследований в области ИИ, нейронные сети, основана на естественной нейронной сети нервной системы человека.

Что такое искусственные нейронные сети (ANN)?

Изобретатель первого нейрокомпьютера, доктор Роберт Хехт-Нильсен, определяет нейронную сеть как -

«... вычислительная система, состоящая из ряда простых, сильно взаимосвязанных элементов обработки, которые обрабатывают информацию, реагируя на динамическое состояние на внешние входы».

Основная структура ИНС

Идея ANN основана на убеждении, что работа человеческого мозга путем установления правильных связей может быть имитирована с использованием кремния и проводов в качестве живых нейронов и дендритов .

Человеческий мозг состоит из 86 миллиардов нервных клеток, называемых нейронами. Они связаны с другими тысячами клеток аксонами. Стимулы от внешней среды или сигналы от органов чувств принимаются дендритами. Эти входы создают электрические импульсы, которые быстро проходят через нейронную сеть. Затем нейрон может отправить сообщение другому нейрону для решения проблемы или не отправляет его вперед.

Структура нейрона

ИНС состоят из множества узлов , которые имитируют биологические нейроны человеческого мозга. Нейроны связаны между собой связями и взаимодействуют друг с другом. Узлы могут принимать входные данные и выполнять простые операции с данными. Результат этих операций передается другим нейронам. Выход на каждом узле называется его активацией или значением узла.

Каждая ссылка связана с весом. ИНС способны к обучению, что происходит путем изменения значений веса. На следующем рисунке показан простой ANN -

Типичный ИНН

Типы искусственных нейронных сетей

Существует две топологии искусственной нейронной сети - FeedForward и Feedback.

FeedForward ANN

В этом ANN поток информации является однонаправленным. Блок отправляет информацию другому блоку, от которого он не получает никакой информации. Там нет петли обратной связи. Они используются в генерации / распознавании / классификации паттернов. Они имеют фиксированные входы и выходы.

FeedForward ANN

Обратная связь

Здесь, петли обратной связи разрешены. Они используются в содержательных адресных воспоминаниях.

Обратная связь

Работа ИНС

На показанных диаграммах топологии каждая стрелка представляет связь между двумя нейронами и указывает путь для потока информации. Каждое соединение имеет вес, целое число, которое контролирует сигнал между двумя нейронами.

Если сеть генерирует «хороший или желаемый» выходной сигнал, нет необходимости регулировать весовые коэффициенты. Однако если сеть генерирует «плохой или нежелательный» вывод или ошибку, то система изменяет весовые коэффициенты для улучшения последующих результатов.

Машинное обучение в ИНС

ИНС способны к обучению, и их необходимо обучать. Есть несколько стратегий обучения -

  • Контролируемое обучение - в нем участвует учитель, который является ученым, чем сама АНН. Например, учитель передает некоторые примеры данных, на которые учитель уже знает ответы.

    Например, распознавание образов. ANN приходит с догадками, признавая. Затем учитель предоставляет ИНС ответы. Затем сеть сравнивает свои догадки с «правильными» ответами учителя и вносит коррективы в соответствии с ошибками.

  • Необучаемое обучение - требуется, когда нет примера набора данных с известными ответами. Например, поиск скрытого шаблона. В этом случае кластеризация, то есть разделение набора элементов на группы согласно некоторому неизвестному шаблону, выполняется на основе существующих существующих наборов данных.

  • Укрепление обучения - эта стратегия основана на наблюдении. ANN принимает решение, наблюдая за окружающей средой. Если наблюдение отрицательное, сеть корректирует свои веса, чтобы иметь возможность принять другое необходимое решение в следующий раз.

Алгоритм обратного распространения

Это алгоритм обучения или обучения. Это учится на примере. Если вы передадите алгоритму пример того, что вы хотите, чтобы сеть делала, он изменит вес сети, чтобы он мог произвести желаемый результат для конкретного ввода по окончании обучения.

Сети обратного распространения идеально подходят для простых задач распознавания образов и картирования.

Байесовские сети (BN)

Это графические структуры, используемые для представления вероятностных отношений между набором случайных величин. Байесовские сети также называют сетями убеждений или байесовскими сетями. БН рассуждает о неопределенной области.

В этих сетях каждый узел представляет собой случайную величину с конкретными предложениями. Например, в области медицинской диагностики узел Рак представляет собой предположение, что у пациента рак.

Ребра, соединяющие узлы, представляют вероятностные зависимости между этими случайными переменными. Если из двух узлов один влияет на другой, то они должны быть напрямую связаны в направлениях эффекта. Сила взаимосвязи между переменными количественно определяется вероятностью, связанной с каждым узлом.

Существует единственное ограничение на дуги в BN, что вы не можете вернуться к узлу, просто следуя направленным дугам. Следовательно, BN называются направленными ациклическими графами (DAG).

BN способны обрабатывать многозначные переменные одновременно. Переменные BN состоят из двух измерений:

  • Диапазон предлогов
  • Вероятность назначается каждому из предлогов.

Рассмотрим конечное множество X = {X 1 , X 2 ,…, X n } дискретных случайных величин, где каждая переменная X i может принимать значения из конечного множества, обозначаемого Val (X i ). Если существует направленная связь от переменной X i к переменной X j , тогда переменная X i будет родительской для переменной X j, показывающей прямые зависимости между переменными.

Структура BN идеально подходит для объединения предварительных знаний и данных наблюдений. BN можно использовать для изучения причинно-следственных связей и понимания различных проблемных областей, а также для прогнозирования будущих событий, даже в случае отсутствия данных.

Построение байесовской сети

Инженер по знаниям может построить байесовскую сеть. Есть несколько шагов, которые инженер по знаниям должен сделать при его создании.

Пример проблемы - рак легких. Пациент страдает от одышки. Он посещает врача, подозревая, что у него рак легких. Врач знает, что, за исключением рака легких, у пациента могут быть и другие заболевания, такие как туберкулез и бронхит.

Соберите соответствующую информацию о проблеме

  • Является ли пациент курильщиком? Если да, то высоки шансы на рак и бронхит.
  • Подвержен ли пациент загрязнению воздуха? Если да, то какого рода загрязнение воздуха?
  • Возьмите рентгеновский снимок, который укажет на туберкулез или рак легких.

Определите интересные переменные

Инженер по знаниям пытается ответить на вопросы -

  • Какие узлы представлять?
  • Какие ценности они могут принять? В каком состоянии они могут быть?

А пока давайте рассмотрим узлы, имеющие только дискретные значения. Переменная должна принимать ровно одно из этих значений одновременно.

Общие типы дискретных узлов:

  • Булевы узлы - они представляют предложения, принимая двоичные значения TRUE (T) и FALSE (F).

  • Упорядоченные значения - узел загрязнения может представлять и принимать значения от {низкий, средний, высокий}, описывающие степень подверженности пациента загрязнению.

  • Интегральные значения - узел с именем Age может представлять возраст пациента с возможными значениями от 1 до 120. Даже на этом раннем этапе делаются выборы моделирования.

Возможные узлы и значения для примера рака легких -

Имя узла Тип Значение Создание узлов
Polution двоичный {НИЗКИЙ, ВЫСОКИЙ, СРЕДНИЙ} Создание узла BNN
курильщик логический {TRUE, FASLE}
Рак легких логический {TRUE, FASLE}
Рентгеновский двоичный {Позитивный негативный}

Создать дуги между узлами

Топология сети должна фиксировать качественные отношения между переменными.

Например, что вызывает у пациента рак легких? - Загрязнение и курение. Затем добавьте дуги из узла загрязнения и узла курильщика в узел рака легких.

Точно так же, если у пациента рак легких, результат рентгенографии будет положительным. Затем добавьте дуги из узла Lung-Cancer в узел X-Ray.

BNN Arc Создание

Укажите топологию

Обычно BN расположены так, что дуги указывают сверху вниз. Набор родительских узлов узла X задается Parents (X).

У узла Lung-Cancer есть два родителя (причины или причины): загрязнение и Smoker , в то время как узел Smoker является предком узла X-Ray . Точно так же X-Ray является дочерним (следствием или эффектом) узла Lung-Cancer и наследником узлов Smoker и Pollution.

Условные вероятности

Теперь количественно определите отношения между связанными узлами: это делается путем указания условного распределения вероятностей для каждого узла. Поскольку здесь рассматриваются только дискретные переменные, это принимает форму таблицы условной вероятности (CPT).

Во-первых, для каждого узла нам нужно рассмотреть все возможные комбинации значений этих родительских узлов. Каждая такая комбинация называется созданием родительского набора. Для каждого отдельного создания значений родительского узла нам нужно указать вероятность, которую примет дочерний элемент.

Например, родители узла Рак легких - это загрязнение и курение. Они принимают возможные значения = {(H, T), (H, F), (L, T), (L, F)}. CPT определяет вероятность рака для каждого из этих случаев как <0,05, 0,02, 0,03, 0,001> соответственно.

Каждый узел будет иметь условную вероятность, связанную следующим образом:

Вероятности

Приложения нейронных сетей

Они могут выполнять задачи, которые легки для человека, но трудны для машины -

  • Авиация и космонавтика - самолеты автопилота, обнаружение неисправностей самолетов.

  • Автомобили - Автомобильные системы наведения.

  • Военные - ориентация и управление оружием, отслеживание целей, распознавание объектов, распознавание лиц, идентификация сигнала / изображения.

  • Электроника - предсказание кодовой последовательности, расположение микросхемы, анализ неисправности микросхемы, машинное зрение, синтез голоса.

  • Финансовый - Оценка недвижимости, кредитный консультант, проверка ипотеки, рейтинг корпоративных облигаций, программа торговли портфелями, анализ корпоративного финансового состояния, прогноз стоимости валюты, считыватели документов, оценщики кредитных заявок.

  • Промышленность - управление производственным процессом, проектирование и анализ продукции, системы контроля качества, анализ качества сварки, прогнозирование качества бумаги, анализ конструкции химической продукции, динамическое моделирование систем химических процессов, анализ технического обслуживания оборудования, определение тендера, планирование и управление проектом

  • Медицина - анализ раковых клеток, анализ ЭЭГ и ЭКГ, дизайн протеза, оптимизатор времени трансплантации.

  • Речь - Распознавание речи, классификация речи, преобразование текста в речь.

  • Телекоммуникации - Сжатие изображений и данных, автоматизированные информационные услуги, перевод разговорной речи в режиме реального времени.

  • Транспортировка - Грузовик Диагностика тормозной системы, планирование транспортных средств, системы маршрутизации.

  • Программное обеспечение - распознавание образов в распознавании лиц, оптическое распознавание символов и т. Д.

  • Прогнозирование временных рядов - ИНС используются для прогнозирования запасов и стихийных бедствий.

  • Обработка сигнала - Нейронные сети могут быть обучены обрабатывать звуковой сигнал и соответствующим образом фильтровать его в слуховых аппаратах.

  • Контроль - ИНС часто используются для принятия решений по управлению физическими транспортными средствами.

  • Обнаружение аномалий. Поскольку ANN являются экспертами в распознавании шаблонов, их также можно обучить генерировать выходные данные, когда происходит что-то необычное, что не соответствует шаблону.

Искусственный интеллект - Проблемы

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

Люди разработали системы искусственного интеллекта, внедрив в них всевозможные умственные способности, для которых сами люди теперь кажутся угрожающими.

Угроза конфиденциальности

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

Угроза человеческому достоинству

Системы ИИ уже начали заменять людей в нескольких отраслях. Он не должен заменять людей в секторах, где они занимают достойные должности, связанные с этикой, таких как уход за больными, хирург, судья, сотрудник полиции и т. Д.

Угроза безопасности

Самосовершенствующиеся системы искусственного интеллекта могут стать настолько могущественными, что люди могут быть очень трудно остановить достижение своих целей, что может привести к непредвиденным последствиям.

Искусственный интеллект - Терминология

Вот список часто используемых терминов в области ИИ -

Sr.No Срок и смысл
1

агент

Агенты - это системы или программы, способные к автономности, целеустремленности и рассуждению, направленные на одну или несколько целей. Их также называют помощниками, брокерами, ботами, дроидами, интеллектуальными агентами и программными агентами.

2

Автономный робот

Робот свободен от внешнего контроля или влияния и способен самостоятельно контролировать себя.

3

Обратная цепочка

Стратегия обратной работы по причине / причине проблемы.

4

классная доска

Это память внутри компьютера, которая используется для связи между взаимодействующими экспертными системами.

5

Окружающая обстановка

Это часть реального или вычислительного мира, в котором живет агент.

6

Вперед Цепочка

Стратегия работы над решением / решением проблемы.

7

Эвристика

Это знания, основанные на методе проб и ошибок, оценки и эксперименты.

8

Инженерия знаний

Получение знаний от человеческих экспертов и других ресурсов.

9

Восприятия

Это формат, в котором агент получает информацию об окружающей среде.

10

Обрезка

Переопределение ненужных и неактуальных соображений в системах ИИ.

11

правило

Это формат представления базы знаний в экспертной системе. Это в форме IF-THEN-ELSE.

12

Ракушка

Оболочка - это программное обеспечение, которое помогает в разработке механизма логического вывода, базы знаний и пользовательского интерфейса экспертной системы.

13

задача

Это цель, которую пытается достичь агент.

14

Тест Тьюринга

Тест, разработанный Алланом Тьюрингом для проверки интеллекта машины по сравнению с человеческим интеллектом.