Теоретики искусственного интеллекта (ИИ) дают рахтичные определения этого понятия, соответственно которым в исследованиях выделяются две осноиные цели. Первая — создание программ для автоматизации интеллектуальной человеческой деятельности (П. Уинстон). Вторая, связанная с исследованиями в психологии, — использование программ ИИ для объяснения процессов, протекающих у человека при решении тех или иных задач (Н. Ниль-сон, Т. Фейген).
Э. Хант (1978) под содержанием понятия «искусственный интеллект» понимает: игры, распознавание образов, решение задач, адаптивное программирование, принятие решений, обработку данных на естественном языке и т.д. Многие концепции ИИ, несомненно, повлияли на развитие психологической науки.
При моделировании интеллекта в психологии можно выделить следующие подходы: аппарат распознавания образов, который основан на процедуре Бэйеса, классическом статистическом подходе и новых математических теориях, таких, как размытые множества и синергетика.
|
|
Современные исследования в этой области начались к Институте Карнеги с написания программ, решающих задачи. Основной интерес представляло то, как люди решают задачи (А, Ньюэлл, Г. Саймон, 1972). В работах многих других исследователей ИИ рассматривается скорее как расширение математики, а не как дисциплина математической психологии (Дж. Мак-Карти, М. Минский, 1961). Другое направление ИИ — это распознавание образов, которое начиналось с машинных программ классификации. В дальнейшем О. Селфридж (1959) предложил осуществлять распознавание образов, вычисляя «взвешенную» сумму ряда классификаций. К. проблеме распознавания можно «подходить», анализируя аналогии, которые
прослеживаются в биологических процессах. Мак-Каллок и Питте (1943) доказали, что любую функцию можно реализовывать с помощью должным образом организованной сети идеальных нейронов. Логическим продолжением нейрологических теорий явилось понятие перцептрона.
Перцептронные модели
Перцептрон возник как система, предназначенная для решения задач распознавания образов (М. Минский, С. Пейперс, 1971). Идея создания перцептрона принадлежит Ф. Розенблатту (1965). Изучением данного типа моделей занималось много исследователей (Ф. Розенблатт, 1965; С. Пейперс, М. Минский, 1970; О. Селфридж, Н.Нельсон, 1969; В.Якубович, 1966). Наибольшее эмпирическое подкрепление эти модели получают в психофизиологии, например — рефлекторная дуга Е.Соколова (1981). Одной из наиболее известных моделей, основанных на понятии перцептрона, является система «Пандемониум», предложенная О. Селфериджем (1974). Модели данного класса позволили выделить типы научения, Перцептронные модели поведенчески эквивалентны автоматным моделям, но дают возможность представить механизм связи и ее модификации при научении между ситуациями и ответными реакциями.
|
|
Моделирование естественного языка
В. В. Налимов разработал вероятностную модель языка с помощью моделирования смысла слов. С каждым словом вероятностным образом связывается множество смыслов. Смысловые значения служат функцией распределения для индивида или однородной группы. В результате формируется модель понимания индивидом некоторого текста. В этих моделях используется традиционный аппарат теории вероятностей (Налимов, 1971).
В области ИИ на рубеже тысячелетия так же, как и во многих других науках, происходит смена парадигм.
В 90-х гг. определились новые парадигмы в ИИ.
7, ОСНОВНЫЕ ОТРАСЛИ ПСИХОЛОГИИ
Первая — создание теории однородных сред, элементами которых являются устройства, подобные нейронам. Вторая — компьютерная графика, помогающая решать задачи с помощью актуализации образного мышления, Когнитивная интерактивная компьютерная графика является средством воздействия на право пол у шар ное мышление человека в процессе научного творчества. Третья — специалисты различных направлений в области ИИ считают важным развитие работ, касающихся представлений знаний и манипулирования ими (экспертные системы).
Нетрадиционные методы моделирования
Моделирование на «размытых» множествах
Нетрадиционный подход к моделированию связан с приписыванием элементу некоторой числовой оценки, которая не может объясняться объективной или субъективной вероятностью, а трактуется как степень принадлежности элемента к тому или иному множеству. Множество таких элементов называется «нечетким», или «размытым» множеством.
Каждое слово х естественного языка можно рассматривать как сжатое описание нечеткого подмножества М(х) полного множества области рассуждений U, где М(х) есть значение х. В этом смысле весь язык как целое рассматривается в качестве системы, в соответствии с которой нечетким подмножествам множества U приписываются элементарные или составные символы (т. е. слова, группы слов и предложения). Так, цвет объекта как некоторую переменную, значения этой переменной (красный, синий, желтый, зеленый и т. л.) можно интерпретировать как символы нечетких подмножеств полного множества всех объектов. В этом смысле цвет является нечеткой переменной, т. е. переменной, значениями которой являются символы нечетких множеств. Если значения переменных — это предложения в некотором специальном языке, то в данном случае соответствующие переменные называются лингвистическими (Л. Заде, Ю. Шрейдер).