130625 (619089), страница 6
Текст из файла (страница 6)
З самого початку не можливо визначити, чи можливо знайти таку гіпотезу. Можливість знаходження гіпотези залежить від обраного простору гіпотез. Прийнято вважати, що задачу навчання можливо реалізувати, якщо простір гіпотез містить необхідну функцію, і що її реалізувати неможливо, якщо простір гіпотез такої функції не містить.
Навчання ансамблю
На відміну від індуктивного навчання, цей метод постоїть у тому, що з простору слід обирати цілий набір гіпотез. Потім проводиться комбінування передбачень на їх основі і голосування для визначення найкращої класифікації нового прикладу. Причина переваги такого методу полягає у меншій вірогідності обрання неправильної класифікації прикладу, адже на відміну від попереднього способу, де висновок робився на результаті однієї гіпотези, при обранні ансамблю гіпотез (наприклад їх кількість - 5), для обрання хибної класифікації помилку повинні зробити щонайменше 3 з 5 відібраних гіпотез.
Також побудова ансамблю гіпотез допомагає у побудові нових просторів гіпотез, що сформовані з гіпотез першопочаткового простору. Такий підхід призводить до побудови більш виразних просторів гіпотез.
Теорія обчислювального навчання
Вище було поставлене важливе питання, відповідь на яке поки що не давалася. Як саме можна впевнитися, що в результаті алгоритму навчання було створено теорія, що дозволяє правильно прогнозувати майбутнє? А точніше – наскільки відтворена функція відповідає початковій. Пояснення того, що алгоритми навчання працюють лежить у теорії обчислювального навчання, у основі якого лежить принцип, що говорить: «Будь-яка гіпотеза, що містить серйозні помилки, буде «відкрита» с великою імовірністю після обробки невеликої кількості прикладів, оскільки вона виносить неправильні передбачення. Тому будь-яка гіпотеза, що співставлень з достатньо великою кількістю прикладів під час навчання, з низькою імовірністю буде містити серйозні помилки; це означає, що вона обов’язково буде приблизно правильно. З визначеною імовірністю» (Artificial Intelligence: A Modern Approach, Russel and Norvig)
Використання знань у навчанні
Також слід окреслити проблему використання початково наданих, або вже здобутих знань машиною у подальшому процесі навчання. Апріорні знання можуть допомагати у навчанні, відмітаючи хибні гіпотези, які, за обставин відсутності таких знань, класифікувалися б як спів ставні. Успішне використання апріорних знань у процесі навчання доводить, що ще більш перспективним є кумулятивне навчання, тобто таке, в якому комп’ютер підвищує свою здатність до навчання з набуттям більшої кількості знань. У метода навчання на основі пояснення (Explanation-Based Learning — EBL) передбачається витягнення загальних правил з конкретних прикладів і узагальнення пояснень. Такий дедуктивний метод дозволяє перетворювати знання основних принципів у корисні, ефективні знання спеціального значення.
«Машинна творчість»
Одною з найперспективніших галузей в області штучного інтелекту є штучна творчість. Творчість як феномен ще дуже мало вивчений у людини, це велике поле для сучасних психологів. Але на даному етапі існування штучного інтелекту вже можливе моделювання творчого процесу, і можливо саме це моделювання зможе допмогти нам у вивченні людської творчості.
Ось декілька прикладів комп’ютерних витворів мистецтва.(Соло, Когнитивная психология)
Поезія.
Програма RKCP моделює мову, засновуючись на матеріалах, що «читала». Наприклад вона написала хоку після читання віршів Джонса Кітса і Уенді Денніс.
Душа
Ты разбил мне душу,
сок вечности,
дух моих губ.
Музика.
На даний момент машини дуже успішно справляються з задачею створення музикальних тем на основі вже існуючих творів. Слабке місце таких програм – те, що довго вони не можуть довго обманювати спеціалістів, що знаються на стилях музики.
Зображувальне мистецтво.
Існують програми, що значно полегшують дизайнерам роботу, але вони значно відрізняються від тих, що створюють картини. Прикладом може стати робот Аарон, що створив картини, що нагадують справжній живопис.
У всіх приведених вище прикладах критерієм оцінки стає судження людей. Якщо на їх думку витвір достатньо схожі на людську роботу, то він гідний високої естетичної оцінки. Нам не вистачає об’єктивних критеріїв у творчості, і поки ми не визначимо їх більш чітко, вона лишиться у руках людей окремих обчислювальних машин.
Процес творчості
Одним з важливих моментів і процесі творчості є перенос (транспонування) структур з однієї ситуації в іншу. Проблема транспонування однією з найважливіших у психології мислення і сприйняття, що, як відомо, тісно пов’язані. Неможливість спостерігати процесів мислення, під час яких відбувається перенос ідей з різних областей знань, призводить до труднощів у вирішенні цієї проблеми.
Однією з характеристик сприйняття є його структурність. Структура, як носій деякого образу, може бути перенесена в нові умови без змін. Тоді буде утворено новий об’єкт, що зберігатиме початкові характеристики. Тому при дослідженні такого образу відчувається безпосередній зв’язок з початковою структурою. По пояснюється наявністю інваріантів перетворення. Наявність інваріантів іноді маскуються трансформантами, тобто елементами, що змінюються, вони часто настільки змінюють ситуацію, що впізнати інваріанти майже неможливо.
Для проблеми штучного інтелекту безпосереднє значення має дослідження закономірностей переносу інваріантів структури. Задача штучного інтелекту – отримувати такі результати, які зазвичай отримуються в результаті людської творчої діяльності не залежно від того, імітується творчий процес людини чи ні. У 1972 році Міжнародною фіршбурзькою групою був складений список задач, що стосуються штучного інтелекту. Другим пунктом у цьому списку ставала машинна творчість в області музики, поезії, живопису. Вже описана вище проблема машин у розумінні природної мові тісно пов’язана з проблемою виділення структурних інваріантів. Один смисл може бути виражений різними словами, тому ця проблема також торкається вивчення закономірностей варіювання деяких ситуацій, що зберігають інваріант – смисл. Таким чином, дана проблема тісно пов’язана з психологією творчості і дослідженнями творчого процесу а також кібернетикою і проблемою розуміння машинами мови.
Основним сучасним методом вивчення транспортування є метод моделювання, що розроблений Захриповим для дослідження деяких функцій композитора і музикознавця. Цей метод полягає у штучному відтворенні властивостей і якостей об’єкта. Аналіз машинних результатів дозволяє оцінити вірність гіпотез і ступінь вивченості об’єкту.
Не звертаючи уваги на популярність і розвиненість теми машинної творчості, багато хто вважає, що такі явища як інтуїція, інсайт, не піддаються алгоритмізації, на основі якої і побудовані сучасні обчислювальні машини. Також існує думка (Захрипов, Моделювання творчості), що творчість частково складається з логічних структур і задача полягає саме у їх вивченні. А варіювання, що також у деякій мірі включене в алгоритми машини створює деяку «свободу дій» і являється одним з суттєвих елементів творчого процесу. Інакше кажучи, Захрипов стверджує, що варіювання елементів складає основний принцип художньої творчості і, можливо, будь-якій творчості взагалі.
Критика штучного інтелекту.
У попередніх частинах роботи було розглянуто минуле і сучасне штучного інтелекту. Отже, що підвести логічний підсумок слід розглянути прогнози на його майбутнє. Велика кількість вчених, протягом останніх шести десяти років працювала над проблемою створення штучного інтелекту і, в ході своєї роботи, вони доходили деяких висновків щодо перспектив цієї галузі. Вчені різних галузей по різному ставилися до ідеї створення штучного інтелекту, тому я розглянула це питання з точки зору кібернетики і психології, двох основних наук у цій галузі.
Алан Т’юринг був одним з першопроходців в області штучного інтелекту, і він представив у своїй роботі одну з найоригінальніших ідей минулого століття: гру в імітації, або тест Т’юринга. Він запропонував визначати здатність машини до мислення шляхом перевірки, чи зможе вона впевнити свого співрозмовника у тому, що вона – людина. Цей підхід можна вважати вірним, якщо враховувати, що ми не в змозі спостерігати за процесами мислення і судимо про його наявність тільки з результатів, а отже і про наявність машинного мислення слід також судити виходячи з результатів. Також Т’юринг окреслює, що саме слід вважати за машин у такому випадку. Шляхом відсіву, він виділяє ЕОМ з-поміж усіх можливих варіантів (наприклад штучно створена людина) і пояснює деякі принципи їх роботи.
Т’юринга цікавило не те, наскільки добре зможуть проходити сучасні на той час ЕОМ гру в імітацію, а те, чи можуть бути в майбутньому такі, що справді це зможуть. Вчений цікавиться потенціалом штучного інтелекту. Т’юринг говорить, що він вірить у те, що через 50 років будуть існувати машини, які б змогли обманювати співрозмовника протягом як мінімум 5 хвилин. І, на противагу своєму ставленню до проблеми, приводить точки зору протилежні почергово розгляд спростовуючи їх.
У своїй роботі «Что же могут машины?» (1975) Бірюков становить питання про можливості штучного інтелекту і людини як центральне питання кібернетики. На основі аналізу робіт, він виносить два підходи до цієї проблеми. Перший, який він називає «Кібернітичним оптимізмом», зазвичай підтримують представники технічних напрямків наук, а протилежний йому – представники гуманітарних областей науки. Але, у той самий час, відкидання прихильниками другої теорії можливості машин імітувати деякі окремі сфери людської психіки відкриває перед кібернетиками нові поля діяльності. Але така занадто позитивна точка зору багатьох кібернетиків призвела до того, що у науковій літературі США і Заходу мало кваліфікованих робіт, що тверезо б осмислювали можливості і обмеження нового наукового напрямку.
Як одного з найвагоміших критиків штучного інтелекту Бірюков згадує Дрейфуса і його працю «Чого не можуть машини». Він підкреслює, що Дрейфус був компетентним у питаннях кібернетики і міг розмовляти з представниками течії кібернетичного оптимізму на знайомій їм мові. Його книга розкривала точку зору лінії скептичного ставлення до створення мислячих машин, і Бірюков стверджує, що матеріал цієї книги може сприяти поглибленню розуміння проблеми.
Також автор торкається проблеми психології, він каже, що взаємодія штучного інтелекту і психології сприяє теоретичному і експериментальному дослідженням пізнавальної діяльності, сприяє розробці нових психологічно-кібернетичних теоретичних «моделей» інтелекту.
Дж. Серл вчений у своїй праці «Свідомість, мозок і програми» розрізняє два напрямки розвитку штучного інтелекту: сильний і слабкий. Поняття сильного штучного інтелекту має на увазі, що комп’ютер це не просто інструмент у дослідження свідомості, а, певним чином, свідомість, адже вони володіють когнітивними станами. З точки зору слабкого штучного інтелекту, основною цінністю комп’ютера у вивченні свідомості є те, що він дає нам потужний інструмент. У своїй роботі Серл критикує точку зору сильного штучного інтелекту, ставлячи у приклад віртуальний експеримент. Експеримент полягає у моделюванні людиною діяльності машини, тобто людині надається текст на невідомій їй мові, деякі правила, що дозволяють оперувати з елементами тексту та «питання» - такий самий незрозумілий текст з деякими позначками на зрозумілій мові. Таким чином, набивши руку, людина може ввести в оману того, хто буде оцінювати знання нею невідомої мови за якістю відповідей на питання до тексту. В такому випадку людина поводить себе як обчислювальна машина, але такі маніпуляції значно відрізняються від справжнього мислення над текстом, що вона розуміє. Таким чином, Серл стверджує, що претензії прихильників сильного штучного інтелекту на розуміння машиною смислу не справджуються, а тому не справджуються і претензії на пояснення психічних процесів роботою машин.
У своїй статті «Скільки лишилось до суперінтелекту?» (1997) Бостром приводить основні аргументи на користь того, що штучний інтелект з’явиться вже у першій треті 21 століття. Він вбачає проблему створення штучного інтелекту в основному у недостатній потужності комп’ютерів, але на основі закону Мура вираховує, що необхідних значення (10^17) вона досягне вже до 2025 року. Можливість побудови штучного інтелекту, що за рівнем не поступається людині не викликає у нього сумнівів і обмеження Бостром вбачає тільки у фізичній здатності матерії пропускати інформацію, але і це – якщо не стануть відомими нові закони фізики. Стагнації штучного інтелекту у 70-80 роках, вчений не надає великого значення, адже наука не стоїть на місці і після цього вже було зроблено ряд великих відкриттів. Бостром є одним з яскравих представників науковців кібернетиків, що оптимістично ставляться до розробки штучного інтелекту не зважаючи на ряд проблем, пов”язаних з психологією.
Якщо ж розглядати проблему можливості створення штучного інтелекту з точки зору психології, то слід розпочати, певно, з робіт Тихомирова. Він виділяє три позиції щодо входження психології в сферу наук, що вивчають штучний інтелект:
1) Відтворення людського розуму попри відсутність знань про нього, така позиція характерна для багатьох фахівців з кібернетики, що створюють логічні програми для ЕОМ, вважаючи що відтворюють когнітивні процеси людини.
2) Другим рішенням є констатація нестачі знань про психічні процеси людини і намагання вирішити цю проблему шляхом вивчення інтелектуальних процесів машини. Іншими словами, основою для нових відомостей вважається аналіз метод вирішення машиною задач, аналогічних людським.
3) Третя позиція розглядає дослідження психологічні і кібернетичні як незалежні одні від одного. Таким чином, можливим стає тільки застосування знань з галузі психології для вирішення питань у сфері штучного інтелекту.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
