8. Штучний інтелект та "івент-аналіз".

Шту́чний інтеле́кт (англ. Artificial intelligence, AI) — розділ комп'ютерної лінгвістики та інформатики, що займається формалізацією проблем та завдань, які нагадують завдання, виконувані людиною. При цьому, у більшості випадків алгоритм розв'язання завдання невідомий наперед. Точного визначення цієї науки немає, оскільки у філософії не розв'язане питання про природу і статус людського інтелекту. Немає і точного критерію досягнення комп'ютером «розумності», хоча перед штучним інтелектом було запропоновано низку гіпотез, наприклад, тест Тюринга або гіпотеза Ньюела-Саймона. Нині існує багато підходів як до розуміння задач штучного інтелекту, так і до створення інтелектуальних систем.

Одна з класифікацій виділяє два підходи до розробки штучного інтелекту:

·         нисхідний, семіотичний — створення символьних систем, що моделюють високорівневі психічні процеси: мислення, судження, мову, емоції, творчістьі т. д.;

·         висхідний, біологічний — вивчення нейронних мереж і еволюційні обчислення, що моделюють інтелектуальну поведінку на основі менших «неінтелектуальних» елементів.

Ця наука пов'язана з психологією, нейрофізіологією, трансгуманізмом та іншими. Як і всі комп'ютерні науки, вона використовує математичний апарат. Особливе значення для неї мають філософія і робототехніка.

Штучний інтелект — дуже молода область досліджень, започаткована 1956 року. Її історичний шлях нагадує синусоїду, кожен «зліт» якої ініціювався деякою новою ідеєю. На сьогодні її розвиток перебуває на «спаді», поступаючись застосуванню вже досягнутих результатів в інших областях науки, промисловості,бізнесі та навіть повсякденному житті.

Підходи до розуміння проблеми

Єдиної відповіді на питання чим займається штучний інтелект (ШІ), не існує. Майже кожен автор, який пише книгу про штучний інтелект, відштовхується від якогось визначення, розглядаючи в його світлі досягнення цієї науки.

Зазвичай ці визначення зводяться до наступних:

·         штучний інтелект вивчає методи розв'язання задач, які потребують людського розуміння. Грубо кажучи мова іде про те, щоб навчити ШІ розв'язувати тести інтелекту. Це передбачає розвиток способів розв'язання задач за аналогією, методів дедукції та індукції, накопичення базових знань і вміння їх використовувати.

·         штучний інтелект вивчає методи розв'язання задач, для яких не існує способів розв'язання або вони не коректні (через обмеження в часі, пам'яті тощо). Завдяки такому визначенню інтелектуальні алгоритми часто використовуються для розв'язання NP-повних задач, наприклад, задачі комівояжера.

·         штучний інтелект займається моделюванням людської вищої нервової діяльності.

·         штучний інтелект — це системи, які можуть оперувати з знаннями, а найголовніше — навчатися. В першу чергу мова ведеться про те, щоби визнати клас експертних систем (назва походить від того, що вони спроможні замінити «на посту» людей-експертів) інтелектуальними системами.

·         Останній підхід, що почав розвиватися з 1990-х років, називається агентно-орієнтованим підходом. Цей підхід акцентує увагу на тих методах і алгоритмах, які допоможуть інтелектуальному агенту виживати в довкіллі під час виконання свого завдання. Тому тут значно краще вивчаютьсяалгоритми пошуку і прийняття рішення.

Підходи до вивчення

Існують різні підходи до створення систем штучного інтелекту. У наш час можна виділити 4 досить різних підходи:

1.    Логічний підхід. Основою для вивчення логічного підходу слугує алгебра логіки. Кожен програміст знайомий з нею з тих пір, коли він вивчав оператор IF. Свого подальшого розвитку алгебра логіки отримала у вигляді числення предикатів — в якому вона розширена за рахунок введення предметних символів, відношень між ними. Крім цього, кожна така машина має блок генерації цілі, і система виводу намагається довести дану ціль як теорему. Якщо ціль досягнута, то послідовність використаних правил дозволить отримати ланцюжок дій, необхідних для реалізації поставленої цілі (таку систему ще називають експертною системою). Потужність такої системи визначається можливостями генератора цілей і машинного доведення теорем. Для того щоб досягти кращої виразності логічний підхід використовує новий напрям, його назва — нечітка логіка. Головною відмінністю цього напряму є те, що істинність вислову може приймати окрім значень так/ні (1/0) ще й проміжне значення — не знаю (0.5), пацієнт швидше за все живий, ніж мертвий (0.75), пацієнт швидше за все мертвий, ніж живий (0.25). Такий підхід подібніший до мислення людини, оскільки вона рідко відповідає так або ні.

2.    Під структурним підходом ми розуміємо спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб бувперцептрон Френка Розенблатта. Головною моделюючою структурною одиницею в перцептронах (як і в більшості інших варіантах моделювання мозку) є нейрон. Пізніше виникли й інші моделі, відоміші під назвою нейронні мережі (НМ) і їхні реалізації — нейрокомп'ютери. Ці моделі відрізняються за будовою окремих нейронів, за топологією зв'язків між ними і алгоритмами навчання. Серед найвідоміших в наш час^[Коли?] варіантів НМ можна назвати НМ зі зворотнім розповсюдженням помилки, сітки Кохонена, сітки Хопфілда, стохастичні нейрони сітки. У ширшому розумінні цей підхід відомий як Конективізм. Відмінності між логічним та структурним підходом не стільки принципові, як це здається на перший погляд. Алгоритми спрощення і вербалізації нейронних мереж перетворюють моделі структурного підходу в явні логічні моделі.^[1] З іншої сторони, ще в 1943 роціМаккалок і Піттс показали, що нейронна сітка може реалізувати будь-яку функцію алгебри логіки^[2].

3.    Еволюційний підхід. Під час побудови системи ШІ за даним методом основну увагу зосереджують на побудові початкової моделі, і правилам, за якими вона може змінюватися (еволюціонувати). Причому модель може бути створена за найрізноманітнішими методами, це може бути і НМ, і набір логічних правил, і будь-яка інша модель. Після цього ми вмикаємо комп'ютер і він, на основі перевірки моделей відбирає найкращі з них, і за цими моделями за найрізноманітнішими правилами генеруються нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний алгоритм.

4.    Імітаційний підхід. Цей підхід є класичним для кібернетики з одним із її базових понять чорний ящик. Об'єкт, поведінка якого імітується, якраз і являє собою «чорний ящик». Для нас не важливо, які моделі в нього всередині і як він функціонує, головне, щоби наша модель в аналогічних ситуаціях поводила себе без змін. Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, без поділу на елементарні операції і формального опису дій. Часто ця властивість економить багато часу об'єктові, особливо на початку його життя.

Ивент-анализ (от англ. еуеп( — событие) как метод исследований политической науки зародился в 1960-х гг. Первое системное изложение его методологии и инструментария содержится в работах американского ученого Ч. Маклеланда, которого можно считать отцом-основателем данного исследовательского направления. На сегодняшний день ивент-анализ остается одним из наиболее актуальных методов эмпирической политологии, его инструментарий продолжает расширяться и дополняться в XXI столетии.

Ивент-анализ сформировался целиком в рамках политической науки, точнее, в рамках ее направления, связанного с изучением международных отношений. Это само по себе примечательно, так как большинство методов, используемых вполитическом анализе и прогнозировании, являются междисциплинарными и были «адаптированы» политологией к своим потребностям.

Ивент-анализ принадлежит к группе количественных методов изучения политической реальности. Его суть состоит в систематическом формализованном представлении интеракций между субъектами политики в рамках определенной шкалы (как правило, отражающей состояния конфликтности/мирных процессов). Информационной базой его являются сообщения СМИ: преимущественно газет и информационных агентств. Ближайший «родственник» ивент-анализа — контент-анализ: оба метода осуществляют количественный анализ текстов, хотя и разными способами. В этом плане необходимо ясно понимать, что объектом ивент-анализа являются не сами события, а сообщения о событиях.

Рождение ивент-анализа не случайно приходится на середину 1960-х гг. К этому времени в западной (прежде всего американской) политической науке уже прочно утвердилась бихевиористская парадигма: большинство исследований опирались на формализованный эмпирической материал, активно использовалась статистика и т. д. В этом плане сфера международных отношений находилась как бы в положении «отстающего», здесь до сих пор доминировали традиционные методы: исторический анализ, традиционный анализ текстов. Это связано с тем, что основные источники количественных данных политической науки — результаты социологических опросов, электоральная и социально-экономическая статистика — генерируются на внутригосударственном, а не на межгосударственном уровне. Сложная внешнеполитическая ситуация — «холодная война» и гонка вооружений, нестабильность в Ближневосточном регионе и т. д. — требовала активного внедрения более современных методов анализа и прогнозирования.Таким образом, развитие ивент-анализа стало, с одной стороны, ответом на объективные политические вызовы эпохи, с другой — находилось целиком в русле тенденций развития эмпирической политологии того времени.