Лекция 1_Введение. Эволюция развития систем ИИ

1. Введение в системы искусственного интеллекта

2. Искусственный интеллект

Интеллект — это обширное понятие,
включающее в себя способность к обучению, анализу,
решению проблем и адаптации к новым ситуациям.
Он не ограничивается лишь умственными
способностями, включая начитанность и знания, но
также включает в себя логическое мышление,
творческий подход и социальные навыки.
Искусственный интеллект — это комплекс
программ, который способен имитировать
человеческие навыки, такие как планирование,
решение конкретных задач, обучение и улучшение
своего функционала по мере накопления информации.

3. Сильный и слабый искусственный интеллект

Говорят о двух типах ИИ: сильный и слабый.
Сильный ИИ – это интеллект, способный на
рассуждения и сравнимый с человеческим, при этом
превосходящий его возможности.
Слабый ИИ – высоко специализированные
алгоритмы, разработанные для получения ответов
на определённые полезные вопросы в узко
определённых областях. Например, это может быть
хорошая шахматная программа. В своей области
такие ИИ достигают впечатляющих результатов, но
в целом они весьма ограничены.

4. Тесты для определения сильного ИИ

Тест Лавлейс 2.0. Проверяет творческие способности ИИ. В
этом тесте искусственному интеллекту предлагается создать
новый алгоритм для решения задачи, с которой он ранее не
сталкивался.
Тест ARC. Это набор задач, разработанных для проверки
способности ИИ к абстрактному мышлению и рассуждению.
Тест создан компанией OpenAI и состоит из серии графических
задач, в которых машина должна анализировать и понимать
взаимосвязи между различными элементами и на основе этого
делать выводы и решать задачи.
Тест MLE-bench от OpenAI. Тест 2024 года предполагает
участие системы ИИ в решении 75 задач, размещённых на
онлайн-платформе для соревнований по науке о данных. В
число задач входят такие реальные проблемы, как перевод
древних текстов и разработка вакцин.

5. Тест Тьюринга

Тест Тьюринга (первоначально названный
имитационная игра) — это метод, предложенный
британским математиком Аланом Тьюрингом в 1950 году,
для определения способности машины (например,
компьютера) проявлять интеллектуальное поведение,
неотличимое от человеческого.
Суть теста: человек-оператор ведёт текстовое общение с
двумя невидимыми для себя собеседниками — одним
человеком и одной машиной. Оператор может задавать
вопросы и реагировать на ответы, его задача —
определить, кто из собеседников является машиной.

6. Примеры вопросов теста Тьюринга

Общие вопросы:
— Какой сегодня день недели?
Логические задачи:
— Если все воробьи — птицы, а все птицы могут летать,
может ли воробей летать?
Понимание контекста:
— Что ты будешь делать, если пойдет дождь?
Эмоциональные и социальные вопросы:
— Как ты чувствуешь себя сегодня?

7. Результаты теста Тьюринга

Согласно интернет - источникам, чат-бот на базе GPT-4
прошёл тест Тьюринга (2024 год).
В исследовании приняли участие 500 человек, которые
некоторое время поочерёдно беседовали с четырьмя
собеседниками, одним из которых был человек, а ещё
три — программные продукты.
Результат:
54 % участников тестирования приняли GPT-4 за
человека.
ELIZA, не имеющая в арсенале большой языковой
модели и архитектуры нейросети, была признана
человеком лишь в 22 % случаев.
Алгоритм на базе GPT-3.5 признали человеком в 50 %
случаев,
Человека опознали в 67 % случаев.

8. Подходы к развитию ИИ

Одно направление
Человек в результате своей деятельности производит
интеллектуальные продукты. Мы можем исследовать человека,
как он решает задачи. И смоделировать эту интеллектуальную
деятельность. Это происходит с помощью манипуляций
символами, т.е. мы можем смоделировать рассуждения
человека. Это направление получило название символьный
искусственный интеллект.
Другое направление
Если мозг человека позволяет человеку обладать интеллектом,
а мозг состоит из нейронов, то мы можем попытаться
разобраться, как устроена нейронная сеть, смоделировать ее и
получить искусственный интеллект. Это направление названо
искусственные нейросети.

9. История развития ИИ

Первые работы датированы 1930-е – 1940-е годы. С появлением первых
компьютеров появились и два направления ИНС и СИИ. 1956 год – придумано
название ИИ.
Первый ИИ – это СИИ. В нем существовали различные понятия и связи между
ними. Связи могут быть разного типа и описывать разные отношения между
этими понятиями. Т.е. мы можем описывать наши знания с помощью графов и
сетей, а потом использовать это для получения каких либо выводов.

10. История развития СИИ

Была сделана программа по доказательству теорем, программа для игры в шашки.
Золотые годы пришлись на период 1956 – 1974 гг. Появились громкие заявления.
Все ожидали быстрых дальнейших результатов, но их не было. Все пошло на
спад, финансирование сократилось и наступила т.н. 1-ая зима ИИ. Но она
продлилась недолго. Это произошло потому, что описанный подход перешел в
практическую плоскость и позволил получить хорошие прикладные программы –
экспертные системы, системы, основанные на знаниях, для узких предметных
областей.

11. История развития СИИ

В 1980 – х годах возрождается исследование ИНС, в 1990-х небольшая зима, а
затем с конца 90-х начала 2000-х ИИ возродился под именем машинное
обучение. Все это продолжалось до нашего времени, когда появился термин Deep
Learning (глубокое обучение) - 2012- 2013гг.

12. Экспертные системы

Предшественники экспертных систем были предложены в 1832
году С. Н. Корсаковым, создавшим механические устройства, так
называемые «интеллектуальные машины», позволявшие находить
решения по заданным условиям, например, определять наиболее подходящие
лекарства по наблюдаемым у пациента симптомам заболевания.
Система Dendral была создана еще в 1965 году, она является
старейшей системой, названной экспертной. DENDRAL появилась в
Стэнфордском университете и представляет собой плод совместных усилий
специалистов по компьютерам и группы экспертов в области химии.
Первой разработкой экспертного ПО в медицине считается система
MYCIN («Мицин»). Она была создана специалистами Стэнфордского
университета в начале 70-х для определения возбудителей тяжелых
инфекционных болезней и расчета нужных доз антибиотиков.
ЭС PROSPECTOR, предназначенную для геологической разведки
месторождений полезных ископаемых. Разрабатывалась эта ЭС с 1974 по
1983 год.

13. Структура Экспертной Системы

14. Перцептрон

Перцептро́н — математическая или компьютерная
модель восприятия информации мозгом, предложенная
Фрэнком Розенблаттом в 1958 году и впервые реализованная
в виде электронной машины «Марк-1» в 1960 году.
Перцептрон стал одной из первых моделей нейросетей, а
«Марк-1» — первым в мире нейрокомпьютером, который
был способен распознавать некоторые буквы английского
алфавита.
Перцептрон – это нейронная сеть, которая
представляет собой алгоритм для выполнения двоичной
классификации. Он определяет, относится ли объект к
определенной категории (например, является ли животное на
рисунке собакой или нет).

15. Перцептрон

Перцептрон (англ. Perceptron) — простейший вид нейронных сетей. В
основе лежит математическая модель восприятия информации
мозгом, состоящая из сенсоров, ассоциативных и реагирующих
элементов.

16. Перцептрон

•Первыми в работу включаются S-элементы. Они могут находиться либо в состоянии покоя
(сигнал равен 0), либо в состоянии возбуждения (сигнал равен 1);
•Далее сигналы от S-элементов передаются A-элементам по так называемым S-A связям.
Эти связи могут иметь веса, равные только -1, 0 или 1;
•Затем сигналы от сенсорных элементов, прошедших по S-A связям, попадают в Aэлементы, которые еще называют ассоциативными элементами;
•Одному A-элементу может соответствовать несколько S-элементов;
•Если сигналы, поступившие на A-элемент, в совокупности превышают некоторый его
порог ​θ, то этот A-элемент возбуждается и выдает сигнал, равный 1;

17. Перцептрон

•В противном случае (сигнал от S-элементов не превысил порога A-элемента), генерируется
нулевой сигнал;
•Далее сигналы, которые произвели возбужденные A-элементы, направляются к сумматору
(R-элемент), действие которого нам уже известно. Однако, чтобы добраться до R-элемента,
они проходят по A-R связям, у которых тоже есть веса (которые уже могут принимать
любые значения, в отличие от S-A связей);
•R-элемент складывает друг с другом взвешенные сигналы от A-элементов, а затем
•если превышен определенный порог, генерирует выходной сигнал, равный 1;
•eсли порог не превышен, то выход перцептрона равен -1.

18. Нейронная сеть. Нейрон

19. Искусственный нейрон

20. Активационная функция

Функция активации (activation function) — нелинейное преобразование,
поэлементно применяющееся к пришедшим на вход данным.

21. Активационная функция ReLu

Rectified Linear Unit — часто используемая функция активации
при глубоком обучении.

22. Типы нейросетей

Полносвязные нейросети. Каждый нейрон в сети связан со всеми
остальными. Такие сети широко используются для задач
классификации и регрессии.
Свёрточные нейронные сети. Предназначены для работы с
изображениями.
Рекуррентные нейронные сети. Могут последовательно
обрабатывать цепочки данных и «запоминать» предыдущую
информацию. Применяются для работы с изменяющимися
сведениями или длинными цепочками данных, например
рукописными текстами.
Генеративные нейронные сети. Предназначены для создания
контента. Иногда используются генеративно-состязательные
нейросети — связка из двух сетей, где одна создаёт контент, а
другая оценивает его качество.
Трансформеры. Основаны на механизме внимания. Стали
основой современных языковых моделей (например, GPT, BERT).
Используются в задачах обработки текста, перевода, генерации
текста.

23. Полносвязная сеть прямого распространения

24. ИНС для решения задач классификации

25. ИНС для решения задач построения регрессии

26. Машинное обучение

Машинное обучение (англ. machine learning, ML) —
класс методов искусственного интеллекта, характерной
чертой которых является не прямое решение задачи, а
обучение за счёт применения решений множества сходных
задач. Алгоритмы машинного обучения превращают набор
данных в модель.
Типы машинного обучения принято разделять на
три категории:
обучение с учителем (задача классификации,
построения регрессии );
обучение без учителя (кластеризация, обнаружение
аномалий, ассоциации);
обучение с подкреплением (торговые стратегии на
финансовых рынках, автономное вождение, управление
запасами).

27. Связь терминов

28. Пример нейронной сети

Предположим, что нам надо построить ИНС, которая будет
решать, пойти нам на Праздничный вечер или нет.
На входе у нас будет три предпочтения в качестве исходных
данных:
1. Наличие на празднике хороших напитков,
2. Будет ли присутствовать на вечере мой друг,
3. Будет ли дождь в этот вечер.
Т.е. на входе один будет 1, если на вечере будут хорошие
напитки. На входе 2 будет 1, если в момент выхода на праздник будет
дождь. И на входе 3 будет 1, если друг придет на праздник.
Необходимо взять исторические случаи и смотреть, когда мы
ходили на праздник, а когда – нет. Допустим, что мы ходили, когда на
празднике были напитки или был друг, а дождь в момент выхода не
мешал нам там быть, если только на вечеринке был и друг, и напитки.
Соответственно, надо подобрать такие веса W1, W2,W3 и такую
функцию активации, которые настроили бы нашу сеть.

29. Пример нейронной сети

Сеть с подобранными весами W1, W2,W3 и функцией активации, которые
позволили настроить нашу сеть под исходные условия.

30. Пример 2 нейронной сети

Представим ситуацию, что мы никогда
не пойдем на праздник, если идет дождь и
будут напитки. Однако, если идет дождь, но
на празднике будет наш друг и не будет
напитков, то мы пойдем. Мы видим, что наша
ИНС не в состоянии реализовать выполнение
данных условий. Попробуем решить эту
проблему с введением дополнительного
скрытого слоя.

31. Пример 2 нейронной сети

32. Программная реализация сети

import numpy as np
# Исходные данные
voda = 1.0
rain = 0.0
friend = 1.0
# Функция активации
def activation_function(x):
if x>= 0.5:
return 1
else:
return 0
def predict(voda, rain, friend):
inputs = np.array([voda, rain, friend])
weights_input_to_hiden_1 = [0.25, 0.25, 0]
weights_input_to_hiden_2 = [0.5, -0.4, 0.9]
weights_input_to_hiden = np.array([weights_input_to_hiden_1, weights_input_to_hiden_2])
weights_hiden_to_output = np.array([-1, 1])
hiden_input = np.dot(weights_input_to_hiden, inputs)
print("hiden_input: " + str(hiden_input))
hiden_output = np.array([activation_function(x) for x in hiden_input])
print("hiden_output: " + str(hiden_output))
output = np.dot(weights_hiden_to_output, hiden_output)
print("output: " + str(output))
return activation_function(output) == 1
print ("result: " + str(predict(voda, rain, friend)))