Лекция 1 5 . Технологии искусственного интеллекта

План

Понятие искусственного интеллекта.

Области применения ИИ.

Понятие экспертной системы .

Понятие искусственного интеллекта

«Интеллект – совокупность всех познавательных функций индивида: от ощущений и восприятия до мышления и воображения; в более узком смысле – мышление. И. – основная форма познания человеком действительности. Существуют три разновидности в понимании функции И.: 1) способности к обучению; 2) оперирование символами; 3) способность к активному овладению закономерностей окружающей нас действительности» (Рапацевич Е.С. Словарь-справочник по научно-техническому творчеству. – Мн.: ООО «Этоним», 1995. – 384 с. – С. 51-52.). (Сл 2 )

Всякая интеллектуальная деятельность опирается на знания. В эти знания включаются характеристики текущей ситуации, оценки возможности выполнения тех или иных действий, законы и закономерности того мира, в котором совершается деятельность, и многое другое. В программах, которые стали создаваться, когда появились компьютеры, необходимые знания хранились в памяти программистов, которые писали программы. Компьютер ее механически выполнял заложенную в его память последовательность команд программы. Никаких знаний для этого компьютеру не требовалось.

«Интеллект искусственный – 1) условное обозначение кибернетических систем и их логико-математического обеспечения, предназначенных для решения некоторых задач, обычно требующих использования интеллектуальных способностей человека; 2) совокупность функциональных возможностей электронно-вычислительной машины (ЭВМ) решать задачи, ранее требовавшие обязательного участия человека» (Там же, с. 54).

Принципиальное отличие систем искусственного интеллекта состоит в том, что для такого рода систем программист не готовит конкретные программы для исполнения . Человек лишь дает машине нужное задание, а программу, выполняющую это задание, система должна построить сама. Для этого нужны знания как о предметной области, к которой относится задание, так и о том, как строятся программы. Все эти знания хранятся в интеллектуальных системах в специальном блоке, называемом базой знаний.

Знания, хранящиеся в базе знаний, записываются в специальной формализованной форме. В базе знаний могут реализоваться процедуры обобщения корректировки хранимых знаний, а также процедуры, создающие новые знания на основании тех, которые уже там имеются.

Искусственный интеллект – одно из новейших направлений науки, появившееся в середине 60-х г.г. ХХ в. на базе вычислительной техники, математической логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект – это образец междисциплинарных исследований, где соединяются профессиональные интересы специалистов разного профиля. Само название новой науки возникло в конце 60-х гг,. а в1969 г. в Вашингтоне (США) состоялась первая Всемирная конференция по искусственному интеллекту.

Когда в конце 40-х – начале 50-х гг. появились ЭВМ, стало ясно, что инженеры и математики создали не просто быстро работающее устройство для вычислений, а нечто более значительное. Оказалось, что с помощью ЭИМ можно решать различные головоломки, логические задачи, играть в шахматы, создавать игровые программы. ЭВМ стали принимать участие в творческих процессах: сочинять музыкальные мелодии, стихотворения и даже сказки. Появились программы для перевода с одного языка на другой, для распознавания образов, доказательства теорем. Это свидетельствовало о том, что с помощью ЭВМ и соответствующих программ можно автоматизировать такие виды человеческой деятельности, которые называются интеллектуальными и считаются доступными лишь человеку. Несмотря на большое разнообразие невычислительных программ, созданных к началу 60-х гг., программирование в сфере интеллектуальной деятельности находилось в гораздо худшем положении, чем решение расчетных задач. Причина очевидна. Программирование для задач расчетного характера опиралось на соответствующую теорию – вычислительную математику. На основе этой теории было разработано много методов решения задач. Эти методы стали основой для соответствующих программ. Ничего подобного для невычислительных задач не было. Любая программа была здесь уникальной, как произведение искусства. Опыт создания таких программ никак не обобщался, умение их создавать не формализовалось.

Когда программист создавал программу для игры в шахматы, то использовал собственные знания о процессе игры. Он вкладывал их в программу, а компьютер лишь технически выполнял эту программу. Можно сказать, что компьютер «не отличал» вычислительные программы от невычислительных. Он одинаковым образом находил корни квадратного уравнения или писал стихи. В памяти компьютера не было знаний о том, что он на самом деле делает.

Об интеллекте компьютера можно было бы говорить, если бы он сам , на основании знаний о том, как протекает игра в шахматы и как играют в эту игру люди, сумел составить шахматную программу или синтезировал программу для писания несложных вальсов и маршей.

Не сами процедуры, с помощью которых выполняется та или иная интеллектуальная деятельность, а понимание того, как их создать, как научиться новому виду интеллектуальной деятельности , - вот где скрыто то, что можно назвать интеллектом. Специальные процедуры обучения новым видам интеллектуальной деятельности отличают человека от компьютера. Следовательно, в создании искусственного интеллекта основной задачей становится реализация машинными средствами тех процедур, которые используются в интеллектуальной деятельности человека. Что это за процедуры?

Можно сформулировать основные цели и задачи искусственного интеллекта. Объектом изучения искусственного интеллекта являются процедуры, используемые при решении человеком задач, традиционно называемых интеллектуальными, или творческими. Но если психология мышления изучает эти процедуры применительно к человеку, то искусственный интеллект создает программные (а сейчас уже и программно-аппаратные) модели таких процедур.

Цель исследований в области искусственного интеллекта – создание арсенала процедур, достаточного для того, чтобы ЭВМ (или другие технические системы, например роботы) могли находить по постановкам задач их решения. Иными словами, стали автономными программистами, способными выполнять работу профессиональных программистов – прикладников (создающих программы для решения задач в определенной предметной области). Разумеется, сформулированная цель не исчерпывает всех задач, которые ставит перед собой искусственный интеллект. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в области мышления человека, которые лежат вне сферы рационального и выразимого словесно (вербально) мышления. Ибо в поиске решения многих задач, особенно сильно отличающихся от ранее решенных, большую роль играет та сфера мышления, которую называют подсознательной, бессознательной, или интуитивной.

Основными методами, используемыми в искусственном интеллекте, являются разного рода программные модели и средства, эксперимент на ЭВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяют специалистов по искусственному интеллекту. Они не имеют ничего общего с тем, как устроен человеческий мозг, поэтому идет интенсивный поиск новых технических структур, способных лучше решать задачи, связанные с интеллектуальными процессами. Сюда относятся исследования по нейроподобным искусственным сетям, попытки построить молекулярные машины, работы в области голографических систем и многое другое.

Существуют несколько основных проблем, изучаемых в искусственном интеллекте.

Представление знаний – разработка методов и приемов для формализации и последующего ввода в память интеллектуальной системы знаний из различных проблемных областей, обобщение и классификация накопленных знаний при решении задач.

Моделирование рассуждений – изучение и формализация различных схем человеческих умозаключений, используемых в процессе решения разнообразных задач, создание эффективных программ для реализации этих схем в вычислительных машинах.

Диалоговые процедуры общения на естественном языке, обеспечивающие контакт между интеллектуальной системой и человеком-специалистом в процессе решения задач.

Планирование целесообразной деятельности – разработка методов построения программ сложной деятельности на основании тех знаний о проблемной области, которые хранятся в интеллектуальной системе.

Обучение интеллектуальных систем в процессе их деятельности, создание комплекса средств для накопления и обобщения умений и навыков, накапливаемых в таких системах.

Кроме этих проблем исследуются многие другие, составляющие тот задел, на который будут опираться специалисты на следующем витке развития теории искусственного интеллекта.

В практику человеческой деятельности интеллектуальные системы уже внедряются. Это и наиболее известные широкому кругу специалистов экспертные системы, передающие опыт более подготовленных специалистов менее подготовленным, и интеллектуальные информационные системы (например, системы машинного перевода), и интеллектуальные роботы, другие системы, имеющие полное право называться интеллектуальными. Без таких систем современный научно-технических прогресс уже невозможен.

В настоящее время ИИ – мощная ветвь информатики, имеющая как фундаментальные, чисто научные основы, так и весьма развитые технические, прикладные аспекты, связанные с созданием и эксплуатацией работоспособных образцов интеллектуальных систем. Именно от результатов этих работ зависит появление ЭВМ 5 поколения.

Любая задача, алгоритм решения которой не известен, может быть отнесена к сфере ИИ (игра в шахматы, медицинская диагностики, резюме текста, перевод на иностранный язык). Характерные черты задач ИИ – использование информации в символьной форме и наличие выбора из множества вариантов в условиях неопределенности.

Наиболее перспективным направлением развития систем компьютерного обучения является технология искусственного интеллекта. Системы, использующие методику ИИ, называют интеллектуальными обучающими системами (ИОС). ИОС реализует адаптивное и двухстороннее взаимодействие, направленное на эффективную передачу знаний.Наиболее перспективным путем развития ИОС является, по-видимому, путь создания самообучающихся систем, приобретающих знания в диалоге с человеком.

2. Области применения ии

Под системами, обладающими ИИ, понимаются устройства или программы, имеющие такие характеристики, присущие человеческому интеллектуальному поведению как понимание и использование языка, причинная обусловленность поведения, способность к решению проблем, способность гибко реагировать на ситуацию, использовать преимущество благоприятных ситуаций, находить решение в неоднозначных или противоречивых ситуациях, распознавать относительную важность различных элементов ситуаций, находить сходство между ними несмотря на их различие.

Программные системы, реализующие алгоритмы, для которых не существует формальной модели решения, называются эвристическими и относятся к ИИ. Задачи ИИ – это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения.

Наиболее широко системы искусственного интеллекта применяют для решения следующих задач:

Распознавание образов – это технические системы, воспринимающие визуальную и звуковую информацию, (кодируют и размещают ее в памяти), проблемы понимания и логического рассуждения в процессе обработки визуальной и речевой информации.

Моделирование рассуждений - изучение человеческих рассуждений в искусственном интеллекте только начинается, но без создания формальных моделей для таких рассуждений очень трудно производить в интеллектуальных системах все особенности рассуждений специалистов, решающих те задачи, которые мы хотим сделать доступными для искусственных систем. В созданных уже сегодня экспертных системах реализуются не только достоверные логические выводы, но и правдоподобные рассуждения и ряд иных немонотонных рассуждений. Появились первые программы для рассуждений по аналогии и ассоциации.

Системы символьных вычислений

Системы с нечеткой логикой - нечеткий вывод используется очень широко, ибо он отражает суму человеческих знаний о многих явлениях реального мира. При планировании поведения в роботах и других системах искусственного интеллекта, действующих в не полностью описанных средах, при принятии решений в условиях отсутствия исчерпывающей информации, в экспертных системах при частичных знаниях о предметной области и во многих других ситуациях без нечеткого вывода не обойтись

Когнитивная психология – одно из направлений современной психологической науки, связанное с поиском внутренних причин того или иного поведения живой системы. Как правило, объектом изучения выступает знание человека о себе и окружающем мире, а также познавательные процессы, обеспечивающие приобретение, сохранение и трансформацию этого знания.

Понимание естественного языка – анализ и генерация текстов, их внутреннего представления.

Экспертные системы – системы, использующие знания специалистов в конкретных видах деятельности.

На стыке вычислительной техники и лингвистики родилась компьютерная лингвистика. Новая наука несколько раз меняла название; сначала она называлась математической лингвистикой, потом структурной лингвистикой, и вычислительной лингвистикой, затем уже - компьютерная лингвистика.

Появилась возможность автоматизировать многие трудоемкие процессы, ведение разнообразных словарных и лексических карточек. Машинный перевод теперь является реальностью.

Машинный интеллект – совокупность аппаратных и программных средств ЭВМ, с помощью которого обеспечивается такое общение человека с машиной (интерфейс), которое по своему уровню приближается к общению между собой специалистов, решающих совместную задачу..

Планирование поведения – одно из направлений исследований по искусственному интеллекту. Основная задача этого направления – поиск процедур, которые могли бы автоматически предлагать наикратчайший путь к достижению поставленной цели, исходя из данной ситуации. Задачи такого типа оказались наиболее актуальными для роботов, действующих автономно. Решая поставленную перед ним задачу, робот должен составить план ее решения и постараться его выполнить. Если в процессе реализации этого плана робот убедится, что имеются непреодолимые препятствия, то он должен построить другой план, в котором этих препятствий не существует.

Интеллектуальные роботы.

Игры – игры, характеризующиеся конечным числом ситуаций и четко определенными правилами, в них превзойден уровень человека средних способностей; но уровень лучших специалистов не достигнут.

Решение задач – постановка, анализ и представление конкретных жизненных ситуаций, для решения которых требуется изобретательность, способность обобщать. Компьютерные технологии пытаются применить для реализации интеллектуальных процессов поиска решения, когда конечный результат непредсказуем, является плодом логических заключений и выводов, к которым приходит самостоятельно.

Новейший российский истребитель оснащаются системами искусственного интеллекта Гораздо более радикальные изменения внесены в бортовые электронные системы самолета. В результате введения многоканальной цифровой электродистанционной системы управления самолетом, включающей системы искусственного интеллекта, Су-37, по сравнению с Су-35, получит дополнительные беспрецедентные возможности:Возможность нанесения упреждающих ударов по любому воздушному противнику (в том числе и малозаметному самолету); Многоканальность и алгоритмическую защищенность всех информационных и прицельных систем; Атаку наземных целей без входа в зону ПВО противника; Маловысотный полет с облетом и обходом наземных препятствий, в том числе и в автоматическом режиме; Автоматизированные групповые действия по воздушным и наземным целям; Противодействие радиоэлектронным и оптико-электронным средствам противника; Автоматизацию всех этапов полета и боевого применения

Компания Panasonic объявляет о начале поставок нового проектора pt AE500E с искусственным интеллектом. Встроенный искусственный интеллект, автоматически управляющий яркостью лампы в зависимости от входного видеосигнала, обеспечивающий уровень контраста 1300:1.

Развитие информационных технологий будоражит человеческий ум уже добрых полвека. Компьютеры прочно вошли в нашу повседневную жизнь. Работа в современном офисе немыслима без интернета, электронной почты, а заслуженный отдых для многих начинается только тогда, когда включается игровая приставка. Мобильные телефоны третьего поколения теперь не только передают голос, но и легко заменяют практически любое офисное оборудование. Появились даже автомобили с бортовыми компьютерами, которые могут составить маршрут поездки и доставить пассажира до точки назначения.

В первом процессоре, выпущенном Intel 11 ноября 1971 г., 2.300 транзисторов умеcтились на схеме размером с ноготь. Микрочип выполнял 60 тыс. операций в секунду - ничто по современным меркам, но тогда это был серьезный прорыв. С тех пор вычислительные технологии шагнули далеко вперед. Например, подсчитано, что за 30 лет существования микропроцессоров минимальный размер элементов процессора уменьшился в 17 раз, тогда как количество транзисторов увеличилось в 18 тыс. раз, а тактовая частота возросла в 14 тыс. раз. Нынешняя технология производства процессоров, применяемая корпорацией Intel, позволяет производить транзисторы размером с молекулу, а в будущем - в несколько атомных слоев.

Индустрия информационных технологий - одна из наиболее динамично развивающихся сфер жизни. В соответствии с законом Мура , в 2020 году компьютеры достигнут мощности человеческого мозга, т.к. смогут выполнять 20 квадриллионов (т.е. 20.000.000 миллиардов) операций в секунду, а к 2060 году, как считают некоторые футурологи, компьютер сравняется по силе разума со всем человечеством. Впрочем, еще в 1994 году ПК на базе процессора Intel Pentium со смехотворной, по нынешним временам, частотой 90 МГц обыграл в серии турниров по шахматам нескольких сильнейших гроссмейстеров мира, включая действующего чемпиона планеты - Гарри Каспарова.

Уже сегодня существуют реальные возможности применения интеллектуальных технологий в практически любом автомобиле. Например, телефонная гарнитура BlueConnect производства компании Johnson Controls - интегрированный автомодуль hands-free на базе процессоров Intel PXA250 и Intel PXA210 - позволяет водителю выполнять самые разнообразные действия, активизируемые голосом, с помощью сотового телефона и технологии Bluetooth.

Очевидно, что с каждым годом все более мощные микропроцессоры будут применяться во все большем количестве различных бытовых устройствах. Недавно специалистами Intel были разработаны транзисторы, скорость действия которых превышает скорость Pentium 4 почти на 1000%. Тем самым, заявляют ученые корпорации, было доказано, что нет никаких фундаментальных препятствий для продолжения развития микропроцессоров в соответствии с законом Мура до конца текущего десятилетия.

Такие транзисторы, имеющие размер всего 20 нанометров, позволят компании Intel к 2007 г. создать процессоры с миллиардом транзисторов, работающие на частоте до 20 ГГц при напряжении питания около 1 вольт. А руководство компании уже говорит о грядущих процессорах с тактовой частотой до 30 ГГц. Предпосылки для производства таких микропроцессоров в Intel уже созданы, заявляют представители компании.

Сторонники искусственного интеллекта искренне уверены, что цель существования Человечества - создать компьютерный сверхразум

Искусственный интеллект, в самом настоящем понимании этого термина, подразумевает суррогатный, но конкурентноспособный относительно человеческого вид разума, «живущий», например, на компьютерной основе. Пока удалось создать лишь некие подобия, «обезьяньи имитаторы» человеческой разумной деятельности. Да, марсоходы, самостоятельно избегая тривиальных препятствий, автономно распахивают безжизненность пустынь Красной планеты, но для задания направления исследований все равно нужна человеческая команда с Земли. Да, полупроводниковые агрегаты, напичканные сотнями миллионов транзисторов, научились худо-бедно записывать текст под диктовку, но самая элементарная оговорка, понятная живому слушателю, сразу ставит их в тупик. Да, компьютер научили автоматически переводить слова с одного языка на другой, но полученные от такого «искусственного переводчика» тексты без правки живым знатоком языка по-прежнему не очень качественны.

Интервью с профессором Игорем Баскиным, доктором физико-математических наук, ведущим научный сотрудник физического факультета МГУ.

В чем самая большая сложность для нейронных сетей, чтобы научиться устанавливать взаимосвязь между структурой вещества и его физическими и химическими свойствами?

Самая большая сложность и ключевая особенность применения нейронных сетей, как и любого другого метода машинного обучения, для поиска соотношений между структурой и свойствами химических веществ заключается в том, что в этом случае они должны моделировать реальную природу с ее чрезвычайно сложной и порой неизвестной организацией, управляемую строгими, но не всегда применимыми на практике законами.

В этом состоит фундаментальное отличие от стандартных задач, решаемых при помощи нейронных сетей, например, распознавания изображений. Действительно, то, что цифра 8 изображается в виде двух соприкасающихся окружностей, не является следствием каких-либо законов природы – это просто предмет соглашений между людьми. А вот римляне в свое время решили, что для них лучше изображать это же число как VIII. Поскольку такие соглашения делаются ради удобства, их форма выбирается такой, чтобы естественные нейронные сети в голове у человека очень легко на подсознательном уровне их распознавали.

Поэтому, как мне кажется, и искусственные нейронные сети, которые в какой-то мере имитируют определенные аспекты обработки информации в голове у человека, с ними тоже легко справляются.

А теперь перейдем к химическим веществам. То, что аспирин оказывает противовоспалительное действие, обуславливается возможностью входящих в его состав молекул ацетилсалициловой кислоты ингибировать фермент циклооксигеназу благодаря комплементарности пространственных форм молекул лекарства и фермента и благоприятному балансу множества сил, действующих в системе.

Задача прогнозирования свойств химических веществ в зависимости от их строения, в отличие, например, от задачи распознавания изображений, никогда раньше в процессе эволюции не встречалась, и потому естественные нейронные сети в нашем мозгу не могут с такой же легкостью ее решать на подсознательном уровне.

Действительно, любой ребенок (и даже некоторые животные) может легко отличить на картинке кошку от собаки, но даже десяток нобелевских лауреатов, посмотрев на формулу химического соединения, вряд ли сразу же точно угадают полный набор его свойств.

Это уже задача другого уровня сложности. В ее решении большой проблемой является даже то, что обычно вообще не воспринимается как нечто сложное, например, как представить нейронной сети анализируемый объект. При обработке изображений, например, естественным представлением является набор интенсивностей пикселов.

А вот то, как лучше всего представить для нейронной сети строение вещества – это уже задача из задач, и она не имеет столь простых решений. Используемые для ее решения системы т.н. молекулярных дескрипторов, т.е. специальных вычислительных процедур, позволяющих описать строение вещества с помощью набора чисел, обладают множеством недостатков. Тем, как лучше всего представлять и обрабатывать информацию о химических веществах занимается очень интенсивно развиваемая в последние годы наука – хемоинформатика.

Без опоры на научный багаж, накопленный в хемоинформатике, любая попытка использовать нейронные сети для установления связи между строением вещества и его свойствами превращается в чистую игру с числами и не приводит к практически важным результатам. В этом, наверное, и заключается основная сложность использования нейронных сетей для этой цели.

Назовите 10 основных задач для искусственного интеллекта в синтетической химии?

1. Как синтезировать заданное химическое соединение из доступных реагентов?
2. Как синтезировать химическое соединение, обладающее заданной активностью?
3. Как будет выглядеть и как синтезировать комбинаторную библиотеку химических соединений, ориентированную на заданный тип биологической активности?
4. Что получится в результате реакции, если смешать заданные химические соединения в заданных условиях?
5. В каких условиях следует проводить заданную реакцию? Как оптимизировать такие условия (температура, растворитель, катализатор, добавки)?
6. Какой вероятный механизм у заданной реакции?
7. Как увеличить выход у заданной реакции?
8. Перечислить возможные химические реакции
9. Оценка синтетической доступности (легкости синтеза) заданного соединения.
10. Предсказать кинетические и термодинамические характеристики простых реакции и выход сложных реакций.

Что из себя представляет задача - расчет всех возможных химических реакций?

Возможно, это комбинация двух вышеперечисленных задач: (8) перечисление возможных химических реакций и (10) предсказать для них кинетические и термодинамические характеристики и выход.

Какой способ сейчас наилучший в хемоинформатики представления о структуре вещества? Какие-нибудь многомерные матрицы? Насколько они полно описывают всю структуру? Есть ли пробелы, которые нужно заполнить?

Простого и однозначного ответа на этот вопрос не существует. Все зависит от того, о каких типах веществ идет речь, а также при каких условиях и в каких агрегатных состояниях они рассматриваются. Кроме того, выбор конкретного типа представления зависит от того, с какой целью оно делается – для однозначной идентификации вещества, хранения в базе данных, для построения каких-либо моделей, для передачи информации между программами.

В хемоинформатике для всех этих целей, как правило, используются разные представления. Наиболее простым случаем являются насыщенные углеводороды – органические соединения, состоящие только из атомов углерода и водорода и не содержащие кратных связей. Для их представления удобно использовать графы, в которых вершины соответствуют атомам углерода, а ребра – связям между ними. Интересно отметить, что именно задача объяснения наличия различных изомеров у органических соединений послужила стимулом для создания и разработки основ теории графов, а задача перечисления изомеров – комбинаторной теории групп. Оба эти раздела дискретной математики в дальнейшем нашли очень широкое применение практически во всех областях научных знаний.

Следующий уровень усложнения – произвольные низкомолекулярные органические соединений. Таковыми являются, например, молекулы большинства лекарственных препаратов, а также исходные реагенты и полупродукты для их синтеза. Для их идентификации также удобно использовать графы, но на этот раз с мечеными вершинами и ребрами. Метками вершин в этом случае служат обозначения химических элементов, а метками ребер – порядки связей.

Для внутреннего представления молекул в оперативной памяти компьютера можно в этом случае использовать матрицы связности графов, но реально чаще пользуются сложными структурами данных, включающими таблицы атомов и связей.

Для эффективной организации поиска структур в базах данных и их сравнения между собой наибольшей популярностью среди представлений пользуются специальные битовые строки, называемые «молекулярными отпечатками пальцев» (фингерпринтами).

Для построения моделей, связывающих структуры соединений с их свойствами, в качестве представлений используются вектора признаков, называемых в хемоинформатике «молекулярными дескрипторами». Существует огромное разнообразие (тысячи!) различных типов молекулярных дескрипторов.

Для обмена информации между программами и для «внешнего» представления химических структур наибольшей популярностью в настоящее время пользуются текстовые строки, называемые SMILES. Задача представления органических соединений осложняется такими сугубо химическими явлениями, как электролитическая диссоциация, мезомерия и таутомерия, вследствие чего одно органическое вещество может быть описано целым набором различных графов и, следовательно, может иметь несколько представлений, из которых для целей идентификации обычно выбирают «каноническое» представление.

Задача еще более осложняется, если необходимо учесть геометрическую и пространственную изомерию (стереоизомерию), что не всегда возможно сделать на уровне графов и часто требует элементов гиперграфового представления. Также для целей моделирования требуется учесть наличие у гибких молекул множества пространственных форм – конформеров. Все эти обстоятельства должны быть учтены при выборе представлений химических веществ для машинного обучения.

На следующих уровнях усложнения, например, при переходе к супрамолекулярным комплексам, синтетическим полимерам, твердотельным материалам, задача поиска наиболее адекватного представления для структуры вещества становится еще более сложной, и для нее к настоящему времени не предложено удовлетворительного решения.

Существующие подходы в информатике полимеров и кристаллов ориентированы главным образом на моделирование, и то для самых простых случаев, а попыток создания информатики для супрамолекулярной химии еще не предпринималось. Таким образом, здесь надо говорить не о пробелах, а о небольших исследованных территорий внутри большой terra incognito.

Для интересующихся методами представлений химических веществ на компьютере я бы рекомендовал нашу монографию: Т.И.Маджидов, И.И.Баскин, И.С.Антипин, А.А. Варнек «Введение в хемоинформатику. Компьютерное представление химических структур». Казань: Казан. ун-т, 2013, ISBN 978-5-00019-131-6.

Какие основные достижения в синтетической химии произошли в этом году?

Синтетической органической химии уже почти 200 лет, и основной пик ее развития как фундаментальной науки пришелся на вторую половину прошлого века, когда были сформулированы ее основные законы и показана реальная возможность синтезировать вещества любого уровня сложности.

Сейчас все больше говорят о синтетической химии как об уже устоявшейся прикладной дисциплине, главной задачей которой является поиск оптимальных способов получения веществ с необходимыми свойствами. Вследствие этого она давно уже разделилась на множество областей (например, медицинская химия, нефтехимия, катализ, химия различных типов материалов), в каждой из которой идет непрерывное поступательное развитие.

Для меня наибольший интерес представляют работы последних лет в области роботохимии – новой научно-прикладной дисциплины, направленной на автоматизацию процесса синтеза веществ при помощи специальных роботов, работающих под управлением компьютеров.

Особенно хотелось бы отметить достижения последних лет по созданию миниатюрных химических реакторов, интегрированных в компьютерные чипы, что позволяет осуществлять синтез, выделение, анализ и даже биологические испытания синтезированных веществ в буквальном смысле внутри компьютера под управлением искусственного интеллекта.

Каковы успехи машинного обучения в синтетической химии? Где мы стоим?

Начну с пояснения исторического контекста. С тех пор, когда в пятидесятых годах прошлого века появился термин «искусственный интеллект», химия (и в особенности синтетическая органическая химия) рассматривалась, наряду с медицинской диагностикой, как одна из основных сфер его будущего применения. Большинство остальных задач было поставлено значительно позже.

На первом этапе его развития основной упор делался на использование т.н. экспертных систем, основанных на хранимых в базах знаний правилах, сформулированных химиками-экспертами, и механизме логического вывода.

Первой успешной экспертной системой в области синтетической химии стала разработанная под руководством нобелевского лауреата по химии Элайаса Кори к началу 70-ых годов прошлого века программа LHASA. Можно утверждать, что LHASA совершила в свое время революцию как в области синтетической органической химии, так и искусственного интеллекта, и определила основные направления развития компьютерной синтетической химии на долгие годы вперед. Так получилось, что именно синтетическая химия стала той области, где еще в 80-ых годах возможности искусственного интеллекта подошли очень близко и почти сравнялись с возможностями опытных химиков-синтетиков. Это и определило в 70-ые и 80-ые годы популярность синтетической химии среди специалистов по искусственному интеллекту.

Тем не менее, несмотря на большие успехи, достигнутые искусственным интеллектов в области синтетической химии, к 90-ым годам популярность этого направления резко уменьшилась и даже практически стала нулевой.

Произошла парадоксальная вещь, до сих пор обсуждаемая в кругу специалистов. Хотя возможности компьютера по планированию синтеза подошли близко к возможностям химиков-синтетиков, последние все равно нужны, чтобы проводить синтез, и никакой компьютер их в этом не заменит. В результате этого компьютерная программа стала восприниматься как дорогостоящая «игрушка», без которой можно обойтись и на которую не стоит тратить деньги. Это как раз совпало с началом «зимы» в области искусственного интеллекта, когда стали ясны принципиальные недостатки основанных на правилах экспертных систем: лишь небольшая часть знаний может быть представлена и сформулирована экспертами в виде четких правил, и поэтому их основная масса, воспринимаемая экспертами лишь на уровне интуиции, оказывается незадействованной в рамках экспертных систем.

Примерно это и привело в свое время к краху некогда амбициозной японской программы компьютеров пятого поколения.

Первые работы по использованию машинного обучения в планировании синтеза появились в конце 80-ых и начале 90-ых годов как попытки преодолеть вышеупомянутый недостаток основанных на правилах экспертных систем, научив компьютер самостоятельно (без помощи людей-экспертов) извлекать знания по реакционной способности химических соединений из начавших тогда формироваться баз данных, содержащих сведения об опубликованных в литературе химических реакциях.

Сначала эти знания имели форму правил, предназначенных для пополнения баз знаний, входящих в существующие экспертные системы, а потом стали извлекаться и «нечеткие» правила, имитирующие интуицию химика-синтетика, для чего еще в начале 90-ых годов стали использоваться нейронные сети. Надо сказать, что и в настоящее время задача автоматического извлечения знаний о реакционной способности из баз данных по опубликованным реакциям для последующего использования в рамках экспертных систем нового поколения является центральным направлением применения машинного обучения в синтетической химии.

Другим важным направлением сейчас является также и использование машинного обучения для установления связи между структурой вещества и его свойствами, что позволяет осуществлять синтез тех веществ, которые, согласно построенным моделям, должны характеризоваться нужным набором свойств.

Первые примеры автоматического извлечения данных использовали базы данных из десятков реакций, дальше пошли тысячи, десятки тысяч, а сейчас работа уже идет с миллионами и десятками миллионов реакций, которые охватывают уже все реакции, проведенные во всем мире за 200 лет существования синтетической химии. Произошел переход количество в качество, и мир вступил в эпоху «больших данных» (big data). С начала 90-ых годов мощность компьютеров возросла на несколько порядков, особенно с появлением графических карт GPU.

В последние годы также и стала доступна методология «глубокого обучения» (deep learning), позволяющая извлекать из большого объема данных знания, основанные на очень сложных закономерностях. Все это привело в последние годы к взрыву интереса к использованию искусственного интереса в синтетической химии. За последние два года было опубликовано больше важных и интересных работ, чем за предыдущие 20 лет вместе взятых. Таким образом «зима» закончилась и сразу же без «весны» сменилась очень «жарким летом». В настоящее время вследствие огромного объема накопленных знаний человеку, даже очень опытному химику-синтетику, становится очень сложно состязаться с искусственным интеллектом в планировании синтеза.

Для желающих разобраться в этом вопросе более подробно я бы рекомендовал нашу только что вышедшую монографию: И.И.Баскин, Т.И.Маджидов, А.А.Варнек «Введение в хемоинформатику. Часть 5. Информатика химических реакций». Казань: Казан. ун-т, 2017, ISBN 978-5-00019-907-7.

Насколько близки мы, чтобы перечислить возможные химические реакции? Науке известно порядка 90 миллионов реакций? Какой порядок неизвестного ?

Перечислять можно только что-то дискретное и четко различающиеся между собой, например низкомолекулярные органические соединения, которые описываются разными графами. В случае же реакций сама постановка задачи перечисления является очень неочевидной. Например, реакция гидролиза этилацетата и метилацетата – это разные реакции или два примера одной и той же реакции?

Гидролиз этилацетата в щелочной и кислой средах – это разные реакции или одна и та же реакция, проводимая в разных условиях? Таким образом, сама по себе постановка перечисления реакций имеет смысл только в рамках конкретной схемы классификации реакций, определяющей, что считается одной реакцией, а что разными.

Существует множество разных схем классификации органических реакций, и все они имеют многоуровневую иерархическую структуру. На самом низком (подробном) уровне, где реакции образования разных соединений считаются разными реакциями, число реакций не может быть меньше числа химических соединений, а низкомолекулярных соединений даже по самым скромным оценкам 10 в степени 60, то есть значительно больше, чем элементарных частиц во всей Вселенной. На самом же высоком (абстрактном) уровне их может быть очень мало. Например, большинство элементарных стадий органических реакций описываются всего лишь несколькими общими схемами перераспределения связей. Все зависит от того, что мы вкладываем в понятие перечисления реакций.

Опишите, пожалуйста, более подробно задачу: «Как будет выглядеть и как синтезировать комбинаторную библиотеку химических соединений, ориентированную на заданный тип биологической активности?»

Допустим, известно, что некоторые соединения определенного класса (например, замещенные пиразолы) проявляют желаемый вид биологической активности. Задача состоит в том, чтобы синтезировать другие представители этого же класса в одну стадию с высоким выходом, комбинируя различные прекурсоры (исходные реагенты для синтеза) из каталога коммерчески доступных веществ.

Синтезированный таким образом набор (библиотеку) химических соединений можно отдать на биологические испытания, которые вполне могут выявить соединения с улучшенным набором свойств. Это вполне реальная задача, часто возникающая при разработке новых лекарственных препаратов на этапе «оптимизации свойств лидера» (lead optimization).

Компьютерная программа в этом случае должна предложить метод синтезов соединений выбранного класса в одну стадию из нескольких прекурсоров, найти в каталоге подходящие для этого прекурсоры и для каждой их комбинации оценить возможность протекания реакции синтеза с высоким выходом. На решение подобных задач ориентирован, например, один из модулей компьютерной системы WODCA (W.-D. Ihlenfeldt, J. Gasteiger, Angew. Chem., Int. Ed. Engl., 1995, 40, 993-1007).

Какие научные группы в мире – лидеры использования ИИ в синтетической химии? Каковы их достижения?

Таких групп уже много. Выборочно перечислю несколько групп, активно работающих в настоящее время в этом направлении.

1. Й. Гастайгер (J. Gasteiger, Эрланген, Германия) – один из «отцов» хемоинформатики, внесший огромный вклад в формировании хемоинформатики как науки, пионер в использовании нейронных сетей в химии. Под его руководством разработано несколько компьютерных систем планирования органического синтеза: EROS, WODCA. В плане использования ИИ в синтетической химии особый интерес представляют его работы по использованию самоорганизующихся нейронных сетей Кохонена для картирования химических реакций и извлечения знаний о реакционной способности органических соединений.

2. Г. Шнайдер (G. Schneider, Цюрих, Швейцария). С точки зрения использования ИИ в синтетической химии большой интерес вызывает реализованный в программе DOGS подход, позволяющий для заданного биологически активного соединения найти структуры его аналогов вместе с путями их синтеза с использованием набора легко осуществимых органических реакций и каталога доступных реагентов для синтеза. Особый интерес представляет также разработанная в его группе платформа ALOE, предназначенная для автоматической оптимизации соединения-лидера (при разработке лекарственных препаратов) с использованием технологии микропроточного синтеза с помощью чипов под управлением программных средств на основе методов машинного обучения.

3. К. Фунатсу (K. Funatsu, Токио, Япония). Под его руководством разработана экспертная система планирования органического синтеза KOSP, основанная на правилах, автоматически извлекаемых из базы данных по реакциям. На этих же правилах основана и система SOPHIA для предсказания продуктов химических реакций.

4. Б. Гжибовски (B.A. Grzybowski, Эванстон (Иллинойс), США и Варшава, Польша). Основной продукт – Chematica. Это планировщик и оптимизатор синтеза, основанный на «сети органической химии», представляющей собой «граф знаний», включающий в качестве вершин 10 миллионов химических соединений и 10 миллионов связывающих их реакций.

5. П. Бальди (P. Baldi, Ирвайн (Калифорния), США). Интересные разработки: Reaction Explorer (основанная на правилах экспертная система для прогнозирования продуктов органических химических реакций) и Reaction Predictor (нейросетевая система, предназначенная для прогнозирования продуктов реакций с учетом их механизмов)

6. У. Грин и К. Дженсен (W.H. Green, K.F. Jensen, Кэмбридж (Массачусетс), США) Разработана универсальная система прогнозирования продуктов реакций органических соединений, сочетающая использование реакционных правил с нейросетевым моделированием с помощью глубокого обучения.

7. М. Уоллер (M.P. Waller, Мюнстер, Германия и Шанхай, Китай) Разработана основанная на «нейросимвольном» (neurosymbolic) подходе универсальная система планирования органического синтеза и прогнозирования продуктов реакций органических соединений, сочетающая использование автоматически извлекаемых реакционных правил с нейросетевым моделированием с помощью глубокого обучения.

8. А. Варнек (A. Varnek, Страсбург, Франция) Одна из наиболее активных групп в области хемоинформатики. Разработана концепция «конденсированного графа реакции», позволившая осуществлять поиск по сходству в базах данных по реакциям, применять алгоритмы машинного обучения к данным по реакциям, прогнозировать оптимальные условия осуществления синтеза, строить карты химического пространства реакций.

9. Т.М. Маджидов (Казань, Российская Федерация) В настоящее время это единственная в Российской Федерации активно работающая группа, осуществляющая исследования в области информатики синтетических реакций в органической химии. В ее рамках осуществлено прогнозирование кинетических и термодинамических характеристик химических реакций, создана экспертная система по защитным группам в органическом синтезе, осуществлено картирование пространств химических реакций. Большинство работ осуществляется в тесном сотрудничестве с лабораторией хемоинформатики Страсбургского университета (А. Варнек).

Последнее десятилетие активно обсуждается прогресс, достигнутый в области предсказания кристаллических структур веществ - направлении, которое долгое время считалось едва ли не безнадёжным. При помощи эволюционного алгоритма USPEX Оганова-Гласса удалось открыть множество новых стабильных химических соединений, ранее обойдённых вниманием химиков. Как вы считаете - каковы перспективы эволюционного подхода в области синтеза сложных органических молекул? Стоит ли на ваш взгляд ждать в ближайшее десять лет успехов в этом направлении?

Эволюционный подход (главным образом, генетический алгоритм) активно используется в хемоинформатике уже более 25 лет и считается традиционным методом стохастической оптимизации. На нем основано большинство известных алгоритмов молекулярного докинга – процесса «стыковки» молекулы органического соединения (например, потенциального лекарства) в полость «биологической мишени» (обычно белка).

Генетический алгоритм также очень часто используют для отбора дескрипторов и поиска оптимальных значений параметров методов машинного обучения при построении моделей для прогнозирования свойств химических веществ. Мы также часто используем генетический алгоритм при построении карт пространств химических соединений и реакций.

Но для решения непосредственно задачи планирования синтеза генетический алгоритм обычно не используется. Судя по всему, для этой задачи более эффективны различные модификации метода Монте Карло. Что касается ближайших десяти лет, то я ожидаю появления более эффективных в вычислительном плане методов стохастической оптимизации.

Также в последние годы в области машинного обучения наблюдается заметный тренд на развитие техник обучения без учителя (unsupervised learning) - направления весьма привлекательного в силу того, что себестоимость разметки массивов при участии людей остаётся примерно постоянной величиной, а вычислительные мощности постоянно растут и дешевеют. Появление автоэнкодеров открыло дорогу появлению техник эмбеддинга (embedding), работы Йошуа Беньо и Томаса Миколова совершили революцию в области обработки нейронными сетями естественного языка за счёт создания семантических векторных пространств (технологии word2vec, GloVe и т.п.). Применение этого подхода представляется весьма перспективным и в области биоинформатики - последовательности нуклеотидов ДНК, эпигеном, транскриптом - весьма напонимают по своей структуре тексты. Есть ли успехи в применении этих технологий в биоинформатике? Связываете ли вы с ними надежды на заметный прогресс в области анализа биологических данных?

Про биоинформатику ничего не скажу, так как работаю в области хемоинформатики, а это не одно и то же. Что касается применения алгоритмов обработки текстов с помощью рекуррентных нейронных сетей типа LSTM, приводящих к созданию семантических векторных пространств, то они в хемоинформатике очень интенсивно используются. Более того, они для хемоинформатики даже лучше подходят, чем для биоинформатики.

Дело в том, что химическую структуру тоже легко записать в виде строки – для этой цели используют кодировку SMILES. В этом случае формируемое латентное пространство очень хорошо подходит для представления выборок химических соединений для их использования для построения моделей «структура-свойство». Более того, при запуске обученных таким образом рекуррентных нейронных сетей в режиме генерации формируются структуры новых химических соединений. Это позволяет, например, решать задачу дизайна молекул новых лекарственных препаратов.

Что касается автоэнкодеров, то еще в 2011 г. мы разработали на их основе и опубликовали новый метод осуществления виртуального скрининга библиотек (баз данных) химических соединений с целью поиска перспективных молекул для разработки новых лекарственных препаратов.

Что касается методов обучения без учителя (unsupervised learning), то в хемоинформатике они интенсивно используются уже более 30 лет. В 80-ых годах и начале 90-ых наибольшей популярностью пользовался классический (разработанный еще в 30-ых годах прошлого века!) линейный метод главных компонент (PCA), начиная с середины 90-ых и до конца 2000-ых несомненным лидером по популярности в области хемоинформатики были само-организующиеся нейронные сети Кохонена, тогда как в последние годы все большую популярность в хемоинформатике получает построенный на базе Байесовского обучения вероятностный аналог сетей Кохонена – генеративные топографические отображения (GTM – Generative Topographic Mapping). Варианты последнего метода очень хорошо подходят для работы с большими базами химических объектов, в том числе реакций органического синтеза. Из других методов обучения без учителя для решения разных задач в области хемоинформатики мы также используем одноклассовый вариант машины опорных векторов (1-SVM), а также особый класс «основанных на энергии» нейронных сетей с симметричными связями, таких как сети Хопфилда и ограниченная машина Больцмана (RBM – Restricted Boltzmann Machine).

Каково видится будущее использования ИИ в синтетической химии? Как быстро ИИ отберет работу у химиков?

Я вижу в будущем несколько направлений использования ИИ в синтетической химии, которые частично реализуются уже и в настоящее время. Например, методы ИИ для обработки текстов и распознавания изображений уже сейчас активно используются для извлечения из литературы и других источников информации о методах синтеза химических веществ, об их свойствах и реакционной способности. Это уже сейчас позволяет существенно сократить затраты по найму большого количества квалифицированных химиков (обычно низкооплачиваемых из стран «третьего мира»), которые извлекают из гигантского объема опубликованной литературы информацию для пополнения баз данных.

При таком «ручном» способе пополнения значительная часть потенциально полезной информации оказывается «потерянной». Методы ИИ также начинают применяться для автоматической обработки и анализа уже собранной в базах данных информации, поиска ошибок, их исправления, а также автоматического пополнения отсутствующих сведений, что позволяет значительно повысить ценность такой информации для химиков-синтетиков.

Следует отметить, что в этом направлении лидирующие позиции занимает лаборатория хемоинформатики из Казанского федерального университета. Химики-синтетику уже сейчас начинают использоваться в своей работе в качестве рабочих журналов «электронные записные книжки» (electronic notebooks), которые в будущем будут насыщены средствами ИИ и станут основные средством сбора химической информации.

В будущем ИИ возьмет на себя функцию регулярного просмотра и анализа огромного объема публикуемой литературы по химическому синтезу и свойствам химических веществ, что в настоящее время занимает значительное время у всех химиков и с чем они уже плохо справляются. В будущем появятся у химиков появятся «интеллектуальные помощники», которые смогут ответить на любые возникающие в работе вопросы, например, как оптимальным образом синтезировать химические вещества, какие вещества вообще надо синтезировать для заданной цели. Уже сейчас происходит интеграция средств ИИ из областей синтетической химии, фармакологии, биоинформатики, науки о материалах, а также робототехники. Это приведет в будущем к тому, ИИ будет не только планировать, но и проводить рутинный химический синтез, что значительно повысит эффективность разработки новых лекарственных препаратов и новых материалов. Думаю, что немного в более отдаленном будущем ИИ станет основным средством в планировании и проведении научных исследований в области химии. Современное развитие хемоинформатики направлено именно на это.

Сейчас многие, включая рад выдающихся ученых, видят большую опасность в широком внедрении ИИ, который может отнять рабочие места у людей и, возможно, даже сделают существования человечества ненужным. Все сразу вспоминают при этом фильм «Терминатор». Такая опасность, конечно же существует, но подобные опасности возникали и при внедрении машин и информационных технологий. Думаю, что развитие ИИ приведет в большей степени к появлению дополнительных специальностей и рабочих мест, чем к ликвидации старых. В области синтетической химии ИИ избавит людей от рутинной работы, занимающей большую часть времени, и сделает работу химиков значительно более творческой и продуктивной. ИИ скорее будет помогать в развитии и эффективном использовании возможностей человека, чем будет представлять для него угрозу.

Вопросы задавали Миша Батин и Сережа Марков.

Вы, наверное, слышали про робота, который подходит и дает вам банку колы, когда говорите ему, что вы хотите пить. Вы также, наверное, слышали о системе распознавания речи, которая управляет вашей бытовой техникой? И вы, наверное, слышали о тренажерах самолетов, которые помогут воссоздать реальную среду полета воздушного аппарата?

В 1956 году всемирно известный американский ученый Джон Маккарти, ввел термин, который является сердцем всех этих возможностей и многих других. Термин, который он придумал был “Искусственный интеллект”. Искусственный интеллект, сокращенно ИИ – это наука и инжиниринг, работающие над созданием интеллектуальных машин, а также интеллектуальных компьютерных программ, которые способны реагировать как человек. То есть, создание таких машин, способных чувствовать мир вокруг них, понимать разговоры и принимать решения, похожие на человеческий выбор. Искусственный разум дал нам все, от сканера до роботов в реальной жизни.

Сегодня область искусственного интеллекта может быть описана, как суп когнитивной информатики, психологии, лингвистики и математики, ожидание вспышки молнии – попытка объединения усилий исследователей и ресурсов, разработка новых подходов, использование мировых хранилищ знаний, чтобы создать искру, такую, что она будет создавать новую форму жизни.

В области искусственного разума, мы взращиваем машину ребенка с детства к взрослой жизни, таким образом, что мы создаем чисто новые подходы к обучению машины.

Отрасли искусственного интеллекта

Джон Маккарти определил некоторые из ветвей ИИ, которые описаны ниже. Он также отметил, что несколько из них еще предстоит определить.

Логика Искусственного Интеллекта: программа ИИ должна знать о фактах и ситуациях.

Распознавание образов: когда программа проводит наблюдение, то, как правило, запрограммирована на распознавание и сопоставление с образцом. Например, система распознавания речи или система распознавания лица.

Представление: должен быть способ, чтобы представить факты о мире устройству обладающем ИИ. Для представления, используется математический язык.

Вывод: умозаключение, позволяет извлекает новые факты из уже существующих фактов. Из некоторых фактов могут быть выведены другие.

Планирование: программа планирования начинается с фактов и изложения цели. Из них, программа генерирует стратегию для достижения поставленной цели.

Наличие Здравого Смысла и Рассуждения - это активное направление исследований и изучения ИИ возникло в 1950-х годах, но все же пока результат далек от человеческого уровня.

Эпистемология – это возможность обучения и получения знаний устройством. Позволяет изучать типы знаний, необходимых для конкретного типа задач.

Эвристика – это способ попытаться найти идею вложенную в программу.

Генетическое программирование – автоматическое создание программы LISP (Обработка списка), позволяющее решить поставленную задачу.

Инструменты, использующиеся для решения сложных задач при создании ИИ

За последние шесть десятилетий, существуют различные инструменты, разработанные для решения сложных проблем в области компьютерных наук. Некоторые из них являются:

Поиск и оптимизация

Большинство проблем в ИИ могут быть решены теоретически с помощью грамотного поиска возможных решений. Но простой исчерпывающий поиск редко бывает полезным и достаточным для большинства реальных задач. В 1990-е годы, различные виды поиска стали популярны, которые были основанные на оптимизации. В случае большинства проблем, можно составить предположение, а затем уточнить свой запрос. Различные алгоритмы оптимизации были написаны, чтобы помочь процессу поиска.

Логика

Логика позволяет производить изучение аргументов. В ИИ используется для представления знаний, а также использоваться для решения задач. Различные типы логики используются в исследованиях искусственного интеллекта. Логика первого порядка использует кванторы и предикаты, и помогает в представлении фактов и их свойств. Нечеткая логика является своего рода логикой первого порядка, что позволяет найти истинность заявления, которое будет представлено как 1 (истина) или 0 (False).

Теория вероятности

Вероятность – способ выражения знания. Это понятие было дано математическому значению в теории вероятностей, которая широко используется в ИИ.

Искусственный интеллект и его применение

Искусственный интеллект в настоящее время используется в широком спектре областей, включая моделирование, робототехнику, распознавание речи, финансы и акции, медицинскую диагностику, авиацию, безопасность, игры и т.д.

Разберем поподробней некоторые из областей:

Игровая Сфера: Существуют машины, которые могут играть в шахматы на профессиональном уровне. ИИ также применим к различным видеоиграм.

Распознавание речи: Компьютеры и роботы, которые понимают язык на уровне человека имеют встроенный ИИ в них.

Симуляторы: Моделирование является имитация какой-то реальной вещи. Оно используется во многих контекстах, начиная от видеоигр, заканчивая авиацией. Тренажеры включают в себя симуляторы полета для летчиков, с помощью которых ведется подготовка к пилотированию «воздушного корабля».

Робототехника: Роботы стали обычным явлением во многих отраслях промышленности, так как роботы оказались более эффективными, чем люди, особенно на повторяющихся рабочих местах, где люди имеют тенденцию терять концентрацию.

Финансы: Банки и другие финансовые учреждения полагаются на интеллектуальные программные обеспечения, которые обеспечивают точный анализ данных и помогает делать предсказания, основываясь на этих данных.

Медицина: Системы искусственного интеллекта используются в больницах, чтобы управлять расписанием больных, обеспечивать ротацию персонала, а также предоставлять медицинскую информацию. Искусственная нейронная сеть, которая представляет собой математическую модель, вдохновленной структурой и/или функциональными аспектами биологических нейронных сетей, помогает в медицине при определении диагноза.

Искусственный разум находит использование в различных областях и приложениях. Системы безопасности, системы распознавания текста и речи, интеллектуальный анализ данных, фильтрация электронной почты от спама и огромное количество других примеров. Британская телекоммуникационная группа применила эвристический поиск в приложении планирования, который составляет графики работы свыше двадцати тысяч инженеров. Применение ИИ также нашло место в сфере грузоперевозок, где нечеткие логические контроллеры были разработаны для автоматических коробок передач в автомобилях.

Проблемы, с которыми сталкиваются создатели искусственного интеллекта

За последние шесть десятилетий, ученые активно работают над имитацией интеллекта человека, но рост замедлился из-за многих проблем при моделировании искусственного разума. Некоторые из этих проблем являются:

База знаний: количество фактов, которые знает человек просто слишком много. Подготовка базы данных, которая будет содержать все знание этого мира является огромной трудоемкой задачей.

Вычет, рассуждения и решения проблем: ИИ должен шаг за шагом решать любую проблему. Как правило, люди решают проблемы на основе интуитивных суждений, а затем составляют план действий, программу. Искусственный интеллект делает медленный прогресс, чтобы имитировать человеческий метод решения проблем.

Обработка естественного языка: Естественный язык – это язык на котором говорят люди. Одной из основных проблем, с которыми сталкивается ИИ, это распознавание и понимание что говорят люди.

Планирование: Планирование, как правило, ограничивает только людей, потому что они могут думать. Умение планировать и думать, как человек, необходимо для интеллектуальных агентов. Как и люди, они должны иметь возможность визуализировать будущее.

Положительные стороны применения ИИ

Уже сейчас мы можем видеть небольшие применения искусственного разума в нашем доме. Например, смарт-телевизор, умный холодильник и т.д. В будущем в каждом доме будет присутствовать ИИ. Искусственный интеллект с нанотехнологиями или другими технологиями может привести к появлению новых отраслей в области науки. Наверняка, развитие искусственного интеллекта приведет к тому, что он станет частью нашей повседневной жизни. Уже сейчас происходит замена людей на роботов на некоторых рабочих местах. В военной отрасли искусственный разум позволит создавать различное современное вооружение, например роботов, которые сократят смертность при возникновении войн.

Отрицательные стороны применения ИИ

Несмотря на то, что искусственный интеллект, имеет множество преимуществ, существуют очень много недостатков.
На более базовом уровне, использование искусственного разума в повседневных задачах может привести к образованию лени со стороны человека, и это может привести к деградации основной массы народа.

Применение искусственного интеллекта и нанотехнологий в военной отрасли конечно имеет много положительных сторон, например создание идеального защитного щита от любых атак, но так же существует темная сторона. С помощью искусственного разума и нанотехнологий мы сможем создавать очень мощное и разрушительное оружие и при неосторожном использовании оно может привести к необратимым последствиям.

Массовое применение искусственного интеллекта приведет к сокращению рабочих мест для людей.

Кроме того, быстрые темпы развития и применения искусственного интеллекта и робототехники может подтолкнуть Землю к экологической катастрофе. Даже сейчас отходы компьютерных комплектующих и других электронных устройств оказывают огромный вред нашей планете.

Если мы дадим разум машинам, они смогут использовать его по максимуму. Машины с интеллектом станут умнее своих создателей и это может привести к исходу, который продемонстрирован в серии фильмах «Терминатор».

Заключение и будущее применение

Искусственный интеллект – область, в которой продолжаются множество исследований. Искусственный разум является отраслью компьютерной науки о понимании природы интеллекта и построения компьютерных систем, способных на разумные действия. Несмотря на то, что люди имеют интеллект, они не в состоянии использовать его в максимально возможной степени. Машины будут иметь возможность использовать 100% своего интеллекта, если мы дадим им этот разум. Это является преимуществом, а также недостатком. Мы зависимы от машин практически для любого применения в жизни. Машины теперь являются частью нашей жизни и используются везде. Таким образом, мы должны знать больше о машинах и должны быть осведомлены о будущем, что может случиться, если мы дадим им разум. Искусственный интеллект не может быть плохим или хорошим. Он меняется в пути использования его нами.

В этой статье я поделюсь опытом выращивания простейшего искусственного интеллекта (ИИ) с использованием генетического алгоритма, а также расскажу про минимальный набор команд, необходимый для формирования любого поведения.

Результатом работы стало то, что ИИ, не зная правил, самостоятельно освоил игру крестики-нолики и нашел слабости ботов, которые играли против него. Но начал я с еще более простой задачи.

Набор команд

Все началось с подготовки набора команд, которым мог располагать ИИ. Языки высокого уровня содержат сотни различных операторов. Чтобы выделить необходимый минимум, я решил обратиться к языку Ассемблер. Однако, оказалось, что и он содержит множество команд.

Мне требовалось, чтобы ИИ мог читать и выводить данные, работать с памятью, выполнять вычисления и логические операции, делать переходы и циклы. Я наткнулся на язык Brainfuck, который содержит всего 8 команд и может выполнять любые вычисления (т.е. полон по Тьюрингу). В принципе, он подходит для генетического программирования, но я пошел дальше.

Я задался вопросом: какое минимальное количество команд необходимо для реализации любого алгоритма? Как оказалось - одна!

Процессор URISC содержит всего одну команду: вычесть и пропустить следующую инструкцию, если вычитаемое было больше уменьшаемого. Этого достаточно для построения любого алгоритма.

Олег Мазонка пошел еще дальше, он разработал команду BitBitJump и доказал, что она полна по Тьюрингу. Команда содержит три адреса, копирует один бит из первого по второму адресу памяти и передает управление на третий адрес.

Позаимствовав идеи Олега, для упрощения работы, я разработал команду SumIfJump. Команда содержит четыре операнда: A, B, C, D и выполняет следующее: к ячейке по адресу B прибавляет данные из ячейки по адресу A, если значение получилось больше заданного*, то переходит по адресу C, иначе переходит по адресу D.

Примечание

*В данном случае использовалось 128 - половина от длинны генома.

Когда операнд A обращается к ячейке памяти N0, происходит ввод данных, а когда к ячейке N1, то вывод.

Ниже представлен код SumIfJump на FreePascal (бесплатный аналог Delphi).

Procedure RunProg(s: TData); var a, b, c, d: TData; begin Inc(NStep); if NStep > MaxStep then begin ProgResult:= "MaxStep"; Exit; end; a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:= Prog[d]; if a = 0 then begin ProgResult:= "Input"; Exit; end; if a = 1 then begin ProgResult:= "Output"; Exit; end; Prog[b] := Prog[b] + Prog[a]; if Prog[b] < ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump реализует самомодифицируемый код. Может выполнять любые алгоритмы, доступные на обычном языке программирования. Код легко изменяется и выдерживает любые манипуляции.

Простая задача

Итак, у нашего ИИ всего одна команда. Пока крестики-нолики для него очень сложная игра, и я начал с более простой.

Бот выдает случайное число, а ИИ должен считать данные и дать ответ. Если число больше среднего (от диапазона случайных чисел), ИИ должен выдать число меньше среднего и наоборот.

Геном нашего ИИ состоит из 256 ячеек со значениями от 0 до 255. Каждое значение - это и память, и код, и адрес. Количество шагов выполнения кода ограничено 256. Операнды читаются друг за другом.

Первоначально геном формируется набором случайных чисел, поэтому ИИ не знает, во что ему нужно играть. Более того, он не знает, что нужно последовательно вводить и выводить данные, отвечая боту.

Популяция и отбор

Первая популяция состоит из 256 ИИ, которые начинают играть с ботом. Если ИИ совершает правильные действия, например, запросил данные на ввод, а потом что-то вывел, то ИИ получает очки. Чем больше правильных действий, тем больше очков.

16 ИИ, которые набрали больше всего очков, дают по 15 потомков и продолжают участвовать в игре. Потомок - это мутант. Мутация происходит заменой у копии родителя одной случайной ячейки на случайное значение.

Если в первой популяции ни один ИИ не набрал очков, формируется следующая популяция. И так до тех пор, пока какой-нибудь из ИИ не начнет совершать правильные действия и давать «правильное» потомство.

Эволюция

Между значимыми событиями проходили тысячи смен поколений. Программа была запущена в несколько потоков на Core i7. Вычисления заняли около 15 минут.

1. Когда ИИ «лидер» совершал случайную ошибку и не набирал достаточное количество очков, популяция начинала деградировать, т.к. потомство формировалось из «второстепенных» родителей.
2. Бывало так, что в потоке с аутсайдерами, которые топтались на месте, происходила удачная мутация, обеспечивающая взрывной рост набираемых очков. После чего этот поток становился лидером.
3. Иногда в течение долгого времени не происходило никаких удачных мутаций, и даже 500 тыс. поколений не хватало, чтобы завершить отбор.

Заключение

В заключение я проделал то же с игрой крестики-нолики. Размер генома использовал тот, что и в первом случае. Количество шагов было увеличено до 1024, а размер популяции до 64 (для более быстрого расчета). Расчет занял несколько больше времени. Все происходило примерно по тому же сценарию.

Сначала ИИ играл против «рандомайзера». Я так назвал бота, который ходит случайным образом. Довольно быстро ИИ начал его обыгрывать, заполняя какую-либо строчку. Далее я усложнил задачу, добавив рандомайзеру немного разума: занимать линию, если есть возможность, либо защищаться. Однако, и в этом случае ИИ нашел слабости бота и стал обыгрывать его. Пожалуй, рассказ об этом - это тема для отдельной статьи.

Сын просил написать программу, чтоб ИИ играли между собой, а не с ботом. Были идеи сделать то же для игры шашки или го, однако, для этого у меня уже не хватило времени.

Единственный метод, который я применял для получения новых особей, - это мутация. Можно также использовать кроссовер и инверсию. Возможно, эти методы ускорят получение требуемого результата.

В конце родилась идея: дать ИИ возможность управлять всеми процессами на ПК и бороться за ресурсы компьютера. Подключить ПК к интернету, а в качестве вычислительных мощностей использовать пул старых биткойн ферм…

Как сказал, проводя аналогичный эксперимент, блогер

Какие возможности предоставляет искусственный интеллект в наши дни? Краткий ответ на этот вопрос сформулировать сложно, поскольку в этом научном направлении существует слишком много подобластей, в которых выполняется очень много исследований. Ниже приведен краткий обзор современных разработок с применением технологий искусственного интеллекта.

Автономное планирование и составление расписаний . Работающая на удалении в сотни миллионов километров от Земли программа Remote Agent агентства NASA стала первой бортовой автономной программой планирования, предназначенной для управления процессами составления расписания операций для космического аппарата. Программа Remote Agent вырабатывала планы на основе целей высокого уровня, задаваемых с Земли, а также контролировала работу космического аппарата в ходе выполнения планов: обнаруживала, диагностировала и устраняла неполадки по мере их возникновения.

Ведение игр . Программа Deep Blue компании IBM стала первой компьютерной программой, которой удалось победить чемпиона мира в шахматном матче, после того как она обыграла Гарри Каспарова со счетом 3.5:2.5 в показательном матче. Каспаров заявил, что ощущал напротив себя за шахматной доской присутствие «интеллекта нового типа». Журнал Newsweek описал этот матч под заголовком «Последний оборонительный рубеж мозга». Стоимость акций IBM выросла на 18 миллиардов долларов.

Автономное управление . Система компьютерного зрения Alvinn была обучена вождению автомобиля, придерживаясь определенной полосы движения. В университете CMU эта система была размещена в микроавтобусе, управляемом компьютером NavLab, и использовалось для проезда по Соединенным Штатам; на протяжении 4586.6 км система обеспечивала рулевое управление автомобилем в течение 98% времени. Человек брал на себя управление лишь в течение остальных 2%, главным образом на выездных пандусах. Компьютер NavLab был оборудован видеокамерами, которые передавали изображения дороги в систему Alvinn, а затем эта система вычисляла наилучшее направление движения, основываясь на опыте, полученном в предыдущих учебных пробегах.

Диагностика . Медицинские диагностические программы, основанные на вероятностном анализе, сумели достичь уровня опытного врача в нескольких областях медицины. Хекерман описал случай, когда ведущий специалист в области патологии лимфатических узлов не согласился с диагнозом программы в особо сложном случае. Создатели программы предложили, чтобы этот врач запросил у компьютера пояснения по поводу данного диагноза. Машина указала основные факторы, повлиявшие на ее решение, и объяснила нюансы взаимодействия нескольких симптомов, наблюдавшихся в данном случае. В конечном итоге эксперт согласился с решением программы.

Планирование снабжения . Во время кризиса в Персидском заливе в 1991 году в армии США была развернута система DART (Dynamic Analysis and Replanning) для обеспечения автоматизированного планирования поставок и составления графиков перевозок. Работа этой системы охватывала одновременно до 50 000 автомобилей, единиц груза и людей; в ней приходилось учитывать пункты отправления и назначения, маршруты, а также устранять конфликты между всеми параметрами. Методы планирования на основе искусственного интеллекта позволяли вырабатывать в течение считанных часов такие планы, для составления которых старыми методами потребовались бы недели. Представители агентства DARPA (Defense Advanced Research Project Agency – Управление перспективных исследовательских программ) заявили, что одно лишь это приложение сторицей окупило тридцатилетние инвестиции в искусственный интеллект, сделанные этим агентством.

Робототехника . Многие хирурги теперь используют роботов-ассистентов в микрохирургии. Например, HipNav – это система, в которой используются методы компьютерного зрения для создания трехмерной модели анатомии внутренних органов пациента, а затем применяется робототехническое управление для руководства процессом вставки протеза, заменяющего тазобедренный сустав.

Понимание естественного языка и решение задач . Программа Proverb – это компьютерная программа, которая решает кроссворды намного лучше, чем большинство людей; в ней используются ограничения, определяющие состав возможных заполнителей слов, большая база с данными о встречавшихся ранее кроссвордах, а также множество различных источников информации, включая словари и оперативные базы данных, таких как списки кинофильмов и актеров, которые играли в этих фильмах. Например, эта программа способна определить, что одним из решений, подходящих для ключа «Nice Story», является слово «ETAGE», поскольку ее база данных содержит пару ключ-решение «Story in France/ETAGE», а сама программа распознает, что шаблоны «Nice X» и «X in France» часто имеют одно и то же решение. Программа не знает, что Nice (Ницца) – город во Франции, но способна разгадать эту головоломку.

Выше приведено лишь несколько примеров систем искусственного интеллекта, которые существуют в настоящее время. Искусственный интеллект – это не магия и не научная фантастика, а сплав методов науки, техники и математики.