Читать книгу Искусственный интеллект и маркетинг - Маргарита Акулич - Страница 11

Интеграция подходов. Архитектуры агентов и когнитивные архитектуры

Интеллектуальный агент представляет собой систему, воспринимающую свою окружающую среду и предпринимающую действия, максимизирующие свои шансы на успех. Простейшими интеллектуальными агентами являются программы, решающие конкретные проблемы. Более сложные агенты включают отдельных людей и организации людей (например, фирмы).

Парадигма дает исследователям шанс на изучение изолированных проблем и поиск решений, являющихся поддающимися проверке и полезными, без согласия на единый подход.

Решающим определенную проблему агентом может использоваться любой работающий подход. Некоторые агенты являются символическими и логическими, некоторые из них являются суб символическими нейронными сетями, а другими могут использоваться новые подходы. Парадигма также дает исследователям общий язык для общения с иными областями – например, с теорией принятия решений и экономикой, также использующими понятия абстрактных агентов.

Парадигма интеллектуального агента стала широко распространенной в 1990-х годах.

Исследователи разработали системы для создания интеллектуальных систем из взаимодействующих интеллектуальных агентов в многоагентной системе.

Система с символическими и суб символическими компонентами представляет собой гибридную интеллектуальную систему, а изучение таких систем – интеграцию систем искусственного интеллекта. Иерархическая система управления обеспечивает мост между суб символическим AI на самом низком уровне, реактивным и традиционным символическим AI на самом высоком уровне, где смягченные временные ограничения позволяют обеспечивать моделирование планирования по всему миру.

Поиск и оптимизация, математические инструменты, глубокое обучение

Решение многих из проблем в AI возможно на базе теоретического подхода благодаря интеллектуальному поиску многочисленных возможных решений. Рассуждения могут быть сведены к процедуре поиска. К примеру, рассмотрение логического доказательства возможно в виде поиска пути, ведущего к выводу, где каждый из шагов – применение правил вывода.

Если говорить об алгоритмах планирования, то здесь имеет место применение поиска по деревьям целей и подцелей, попыток нахождения пути к цели, осуществление процесса, называемого анализом средств.

Многими алгоритмами обучения используются алгоритмы поиска на базе оптимизации. Это редкость, когда простых исчерпывающих поисков оказывается достаточно для решения реальных проблем: обычно наблюдается рост пространства поиска до невероятных чисел. В итоге поиск оказывается чрезмерно медленным и не заканчивающимся.

При решении многих проблем прибегают к использованию «эвристики» или «эмпирических правил», определяющих приоритеты выбора в пользу наиболее вероятно достигающих цели решений за минимальное число шагов. Есть методики, где поиск-эвристика приводит к избавлению от вариантов, вряд ли способных привести к цели (это называют «подрезанием дерева поиска»).

Эвристика способна поставить программу «наилучшим образом» на тот из путей, на котором как раз и лежит решение. Эвристикой ограничивается поиск решений посредством меньшего размера выборки.

В период 1990-х годов исследователи сосредоточились на поиске, базирующемся на таком инструменте, как математическая теория оптимизации. Поиск для множества проблем можно начинать с некоторой догадки, а затем уточнять догадку, пока не будет никаких уточнений. Визуализация данных алгоритмов возможна с помощью слепого поднятия холма: начало поиска происходит на ландшафте в любой из случайно выбранных точек. После этого продолжается движение вперед, вплоть до достижения вершины. К другим алгоритмам оптимизации принято причисление случайной оптимизации, поиска луча и имитируемого отжига.

Эволюционным вычислением используется поиск оптимизации. Скажем, можно начать с популяции организмов (с догадки), а после позволить этим организмам мутации и рекомбинации с выбором лишь самых приспособленных организмов, чтобы они выжили в каждом из поколений (уточнение догадки).

Эволюционные вычисления по форме бывают разными – начиная от алгоритмов роевой разведки (таких, как алгоритмы оптимизации частиц или муравьиной колонии) до алгоритмов эволюционных (таких, как генетическое программирование, программирование генной экспрессии алгоритмы, являющиеся генетическими).

Если взять экономику, то для нее важнейшей из концепций является концепция «полезности»: показателя того, насколько ценным является какое-то разумное средство.

С помощью точных математических инструментов был разработан способ анализа осуществления выбора агентом и создания его плана. При этом исследователи практикуют применение теории принятия решений, анализа решений, теории значения информации. И имеет место использование марковских процессов принятия решений (марковских цепей), сетей динамических решений, теории игр и теории дизайна механизма.

Многочисленными исследователями теперь используются варианты глубокого обучения, повторяющиеся NN, называемые сетью с длинной короткой памятью (LSTM). LSTM часто обучается временному классификатору Connectionist (CTC). Компаниями Google, Microsoft и Baidu было обеспечено с помощью этого подхода революционизирование распознавания речи.

К 2015 году распознавание речи Google обеспечило резкий скачок производительности (она выросла на 49%) благодаря CTC-обученному LSTM, он сегодня доступен через Google Voice миллиардам пользователей смартфонов.

Компания Google также обеспечила использование LSTM для улучшения машинного перевода, Языковое моделирование и обработка многоязыкового языка LSTM в сочетании с CNN также улучшили автоматическую подпись изображений и множество иных приложений.