– применение усвоенного материала на практике.
Ассоциации или связи между событиями и фактами легко объясняются в графическом виде: например, в виде ассоциативных кустов:
Рис 7 Пример ассоциативного куста
Или в виде семантических сетей:
Рис. 8. Семантическая сеть
Ассоциации могут быть выражены фактами, сохранёнными в памяти в виде единичных или групповых утверждений.
Более сложные структуры ассоциаций выражаются в виде правил продукции (или правил вида «если-то»).
С помощью нейронных сетей могут быть реализованы некоторые особенности ассоциативной памяти.
Наиболее важное свойство ассоциативной памяти состоит в следующем: если в ассоциативной памяти записана целая совокупность входных сигналов – «образ», то его можно выбрать из памяти по любому его элементу. Эта особенность называется операцией ассоциативной выборки.
Поиск образа производится по произвольной его части при условии, что эта часть достаточна для того, чтобы отличить данный образ от остальных, записанных в ассоциативной памяти.
Сходное свойство заключается в том, как осущесвить поиск информации с использованием искажённых входных образов или фрагментов образов. Например, сеть Хопфилда способна выполнить общую постановку задачи, решаемой при обучении сети: в памяти есть определенное количество эталонных образцов (векторов). На вход подается определенный вектор, в общем не соответствующий ни одному из идеальных – такой вектор называется зашумленным, и сети необходимо найти наиболее близкий к данному вектору вариант из идеальных образцов.
Сеть Хопфилда, хоть и не является идеальной или даже лучшей из современных искусственных нейронных сетей, нашла свое применение в распознавании текста и естественной речи, что говорит об огромном потенциале ассоциативной памяти у искусственного интеллекта.
Правда, есть ограничение в использовании этого свойства – оно может быть применено только при хранении в памяти структур типа отдельных символов. При наличии в памяти более сложных структур типа фактов или правил, образов или более сложных конструкций отдельная нейронная сеть решить задачу пока не может.
Ассоциации могут образовывать в памяти гнёзда (такое ассоциативное гнездо показано в виде рисунка 7) – это более сложные структуры, чем отдельные символы или слова. Данное свойство ассоциативной памяти может быть использовано для создания ассоциативного запоминающего устройства (АЗУ):
Рис. 9. Ассоциативная память с обратной связью.
АЗУ – это устройство, способное хранить информацию, сравнивать её с некоторыми заданными образцами и указывать на их соответствие или несоответствие друг другу. Признак, по которому производится поиск информации, называется ассоциативным признаком. Кодовая комбинация, используемая в роли образца для поиска, называется признаком поиска. Ассоциативный признак может быть частью искомой информации или дополнительно передаваться ей. В последнем случае его называют тэгом или ярлыком.
Кроме ассоциативной памяти нейронные сети могут использоваться при моделировании таких процессов, как ассоциативное мышление и ассоциативное воображение.
Элементы психологических процессов
К психологическим процессам относятся такие, как интеллект, понимание, смысл, память, интуиция.
Интеллект
Интеллект – это общая способность к познанию и решению проблем, которая объединяет познавательные способности: ощущение, восприятие, память. Это качество психики, состоящее из способности осознавать новые ситуации, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций, и использованию своих знаний для управления окружающей человека средой.
Недавно институту психологии Российской академии наук (г. Москва) сформулировано задание по разработке искусственного интеллекта на основе психологической модели сознания и психологического механизма разумного поведения. В связи с этим необходимо уточнить, что представляет собой интеллект человека и чему приходится его учить.
Интеллект (intellectus – разумение, понимание, постижение) – относительно устойчивая структура умственных способностей индивидуума, мыслительные способности человека.
В настоящее время в связи с чрезвычайно выросшим производством и использованием электронно – вычислительных машин всё большее внимание уделяется разработке искусственного интеллекта (ИИ).
Первые пионеры в области современного, «вычислительного ИИ», такие как Алан Тьюринг и Джон Маккарти, предложили считать компьютер разумным, если он может успешно имитировать мыслительные процессы человека. С их точки зрения, ИИ – это способность машин воспроизводить или совершенствовать человеческий интеллект.
В настоящее время известно несколько разновидностей искусственного интеллекта [3, 22] – наиболее распространённые среди них делятся по категориям и по виду.
По категориям выделяются три интеллекта: ANI, AGI, ASI.
(ANI) Artificial Narrow Intelligence, узкий интеллект – это название слабого ИИ. Примерами такого интеллекта являются программы, предназначенные для решения только одной задачи, например такие как Face ID, Google Assistant, программы самодвижущихся автомобилей и программы для настольных игр DeepMind.
(AGI) Artificial General Intelligence, Искусственный интеллект общего назначения. AGI – это интеллектуальный агент, который может понять или научиться любой интеллектуальной задаче, которую может решить человек или другие животные. Основное отличие AGI от узконаправленного искусственного интеллекта (ANI) заключается в том, что ANI способен разрешать только задачи, определенные и заранее запрограммированные для конкретных процессов, и не способен адаптироваться к новым условиям и проблемам, а AGI способен учиться и применять свои способности при отсутствии заранее подготовленных программ.
(ASI) Artificial Super Intelligence, Искусственный сверхинтеллект, определяется как форма ИИ, способная превзойти человеческий интеллект, проявляя когнитивные способности и развивая собственные навыки мышления.
По виду ИИ был разделен на поверхностный и глубинный, где поверхностный ИИ основывается на правилах и заранее определенных алгоритмах, а глубинный ИИ использует машинное обучение для поиска закономерностей в данных и создания собственных алгоритмов.
К глубинным реализациям ИИ относятся 4 типа работ:
1. Реактивные машины: ИИ, который может реагировать только на текущую ситуацию. Он не обладает способностью запоминать прошлый опыт или принимать решения на его основе. Одним из самых известных примеров реактивной машины является Deep Blue компании IBM, которая в 1997 году победила чемпиона мира по шахматам Гарри Каспарова.
2. Ограниченная память: ИИ, способный принимать решения на основе прошлого опыта. ИИ с ограниченной памятью – это тип ИИ, который может принимать решения на основе прошлого опыта. Примером ИИ с ограниченной памятью является Робот-пылесос, который перемещается по комнате, убирая ее по мере продвижения. Он использует датчики для построения карты комнаты и отслеживает места, которые он уже убрал. Это позволяет ему принимать решения о том, куда двигаться дальше в результате обучения на основе прошлого опыта, но ему все еще не хватает способности понимать причины, лежащие в основе этого опыта.
3. Теория разума: ИИ, способный понимать и имитировать мыслительные процессы человека. Это более продвинутая форма ИИ, которая способна понимать ментальные состояния людей, такие как их убеждения, намерения и эмоции. Одним из примеров такого ИИ является виртуальный персональный помощник, такой как Siri.
4. Искусственный Интеллект с самосознанием: ИИ, который осознает и понимает собственное существование. Он также известен как «искусственный интеллект общего назначения» (ИИОН), – это тип ИИ, который осознает и понимает собственное существование. Это высокоразвитая форма ИИ, способная понимать свои собственные психические состояния и состояния других людей и принимать решения на основе этого понимания. В настоящее время еще не существует технологии для создания Искусственного Интеллекта до конца осознающего, что он Искусственный Интеллект.
Эта классификация искусственных интеллектов демонстрирует разные подходы на основе сильно различающихся критериев. Например, чем отличается «Ограниченная память» от «Теории разума» и «Интеллекта с самосознанием» до конца неясно. В каком из них используются эмоции или ассоциации, которые являются элементами такой науки, как психология, в которых делаются попытки установить контакт с подсознанием, и подключить подсознание к совместной работе с сознанием. Нет в них чёткого представления об используемых интеллектуальных действиях.
При такой классификации как предлагается сейчас, внимание обращается на прикладные возможности – какие данный интеллект имеет возможности, какие задачи может решать. Так же, как человек может? Может ли он разобраться в проблеме, переворошить множество информационных сообщений, показать всю сущность происходящего и найти оригинальное решение задачи, или способен только поверхностно использовать возможности простых нейронных сетей (т. е. решать круг задач диагностики, прогнозирования, узнавания…).
Может ли компьютер найти смысл в сообщении? Работать со смыслом? Понимать, что смысл может быть скрытым, проникать внутрь другого смысла, чужого? Вникнуть в смысл происходящего? Для этого по крайней мере как минимум нужно понимать разницу между информацией, данными, знанием и смыслом.
В России с 2019 года создаётся Национальная стратегия развития искусственного интеллекта на период до 2030 года, ознакомиться с которой можно на сайте pravo.gov.ru.
Дополнительно к Национальной стратегии развития искусственного интеллекта на период до 2030 года разработан Федеральный проект «Искусственный интеллект», основной инструмент реализации Национальной стратегии развития искусственного интеллекта на период до 2030 года, утвержденный указом Президента Российской Федерации от 10.10.2019 №490.
Паспорт федерального проекта был утвержден на заседании Президиума Правительственной комиссии по цифровому развитию, использованию информационных технологий для улучшения качества жизни и условий ведения предпринимательской деятельности 27 августа 2020 года, но его активная реализация началась в 2021 году.
Федеральным проектом предусмотрен пакет мер, направленный на поддержку компаний-разработчиков ИИ-решений и поддержку апробации таких решений на российских предприятиях, повышение кадрового обеспечения, развитие системы науки и образования, формирование инфраструктуры для благоприятного развития отечественного искусственного интеллекта.
Ряд результатов федерального проекта связан с ведомственными программами цифровой трансформации, которые охватывают более 50 ведомств и предусматривают мероприятия по внедрению технологий искусственного интеллекта в систему государственного управления.
Проведена вторая всероссийская олимпиада среди школьников в сфере ИИ. В отборочном этапе приняли участие 13,6 тыс. человек из 83 субъектов РФ. По итогам основного этапа олимпиады (407 участников из 65 субъектов РФ) к участию в заключительном этапе были допущены 50 человек из 28 субъектов.
Грантовую поддержку получили 393 ИИ-проекта, 36 разработчиков открытых библиотек и 210 проектов для участия в акселерационной программе.
Созданы 6 исследовательских центров, которые в 2022 году получили господдержку на сумму более 1,5 млрд руб.
Федеральный проект связан с реализацией шести государственных программ Российской Федерации:
– «Информационное общество»;
– «Научно-технологическое развитие Российской Федерации»;
