प्रोग्रामर्स के लिए आर्टिफिशियल इंटेलिजेंस

यह कैसे हुआ कि कृत्रिम बुद्धि सफलतापूर्वक विकसित हो रही है, लेकिन अभी भी इसके लिए कोई "सही" परिभाषा नहीं है? न्यूरो कंप्यूटर पर लगाई गई उम्मीदें क्यों पूरी नहीं हुईं, और कृत्रिम बुद्धि के निर्माता के सामने तीन मुख्य कार्य क्या हैं?

आर्टिफ़िशियल इंटेलिजेंस के क्षेत्र में देश के अग्रणी विशेषज्ञों में से एक, एबीबीवाई के प्रौद्योगिकी विकास विभाग के निदेशक, कोंस्टेंटिन अनिसिमोविच के एक भाषण के आधार पर लिखे गए कट के नीचे एक लेख में आपको इन और अन्य सवालों के जवाब मिलेंगे।
उनकी व्यक्तिगत भागीदारी के साथ, दस्तावेज़ मान्यता प्रौद्योगिकियाँ बनाई गईं जिनका उपयोग ABBYY FineReader और ABBYY FormReader उत्पादों में किया जाता है। Konstantin Mail.Ru Technopark के छात्रों के लिए कार्यशालाओं में से एक में AI विकास के इतिहास और मूल बातें के बारे में बात की। मास्टर क्लास की सामग्री लेखों की एक श्रृंखला के लिए आधार बन गई।

चक्र में तीन पद होंगे:
• प्रोग्रामर के लिए कृत्रिम बुद्धि
• ज्ञान का अनुप्रयोग: राज्य-अंतरिक्ष खोज एल्गोरिदम
• ज्ञान अर्जन: ज्ञान इंजीनियरिंग और मशीन लर्निंग

एआई के उतार-चढ़ाव

1950 के दशक से, कृत्रिम बुद्धि बनाने के क्षेत्र में दो दृष्टिकोण उभरे हैं - प्रतीकात्मक कंप्यूटिंग और कनेक्शनवाद। प्रतीकात्मक कंप्यूटिंग मानव सोच के मॉडलिंग पर आधारित एक दिशा है, और कनेक्शन मस्तिष्क की संरचना मॉडलिंग पर है।

प्रतीकात्मक कंप्यूटिंग के क्षेत्र में पहली उपलब्धियां 1950 के दशक में बनाई गई लिस्प भाषा थी और अनुमान के क्षेत्र में जे। रॉबिन्सन का काम था। कनेक्शनवाद में, इस तरह की धारणा का निर्माण था - एक स्व-सीखने वाला रैखिक क्लासिफायरियर जो एक न्यूरॉन के संचालन का अनुकरण करता है। आगे की हड़ताली उपलब्धियाँ मुख्य रूप से प्रतीकात्मक प्रतिमान के अनुरूप थीं। विशेष रूप से, यह धारणा के मनोविज्ञान के क्षेत्र में सीमोर पिपर्ट और रॉबर्ट एंटन विंसन का काम है और निश्चित रूप से, मार्विन मिनस्की के फ्रेम।

70 के दशक में, कृत्रिम बुद्धि के तत्वों का उपयोग करने वाला पहला लागू सिस्टम दिखाई दिया - विशेषज्ञ सिस्टम। तब बहुपरत तंत्रिका नेटवर्क के आगमन और बैकप्रोपैजेशन विधि द्वारा उनके प्रशिक्षण के लिए एक एल्गोरिथ्म के साथ कनेक्शन का एक निश्चित पुनर्जागरण था। 80 के दशक में, तंत्रिका नेटवर्क के साथ आकर्षण सिर्फ बड़े पैमाने पर था। इस दृष्टिकोण के समर्थकों ने न्यूरो कंप्यूटर बनाने का वादा किया था जो लगभग एक मानव मस्तिष्क की तरह काम करेगा।

लेकिन इससे कुछ खास नहीं हुआ, क्योंकि असली न्यूरॉन औपचारिक लोगों की तुलना में बहुत अधिक जटिल होते हैं जिन पर बहुपरत तंत्रिका नेटवर्क आधारित होते हैं। और मानव मस्तिष्क में न्यूरॉन्स की संख्या तंत्रिका नेटवर्क में आपके द्वारा वहन करने की तुलना में बहुत बड़ी है। जिसके लिए बहुपरत तंत्रिका नेटवर्क उपयुक्त साबित हुए हैं, इसका मुख्य कारण वर्गीकरण की समस्या को हल करना है।

कृत्रिम बुद्धिमत्ता के क्षेत्र में अगला लोकप्रिय प्रतिमान था मशीन लर्निंग। 80 के दशक के अंत से दृष्टिकोण तेजी से विकसित होना शुरू हुआ और आज तक लोकप्रियता नहीं खोई। मशीन के सीखने के विकास के लिए एक महत्वपूर्ण प्रेरणा इंटरनेट के आगमन और आसानी से उपलब्ध डेटा की एक बड़ी संख्या है जो एल्गोरिदम को प्रशिक्षित करने के लिए इस्तेमाल किया जा सकता है।

कृत्रिम बुद्धि के डिजाइन में मुख्य कार्य

आप विश्लेषण कर सकते हैं कि यह संबंधित कार्यों को बनाता है जो कृत्रिम बुद्धिमत्ता से संबंधित हैं। यह नोटिस करना आसान है कि उनमें सामान्य बात एक अच्छी तरह से ज्ञात, अच्छी तरह से परिभाषित निर्णय प्रक्रिया की कमी है। यह, वास्तव में, AI से संबंधित कार्य, संकलन सिद्धांत या कम्प्यूटेशनल गणित की समस्याओं से अलग हैं। इंटेलिजेंट सिस्टम समस्या के लिए उप-स्तरीय समाधान की तलाश कर रहे हैं। आप न तो साबित कर सकते हैं और न ही इस बात की गारंटी दे सकते हैं कि कृत्रिम बुद्धि द्वारा पाया गया समाधान सख्ती से इष्टतम होगा। फिर भी, अधिकांश व्यावहारिक कार्यों में, सबॉप्टिमल सॉल्यूशंस सभी पर सूट करते हैं। इसके अलावा, हमें याद रखना चाहिए कि एक व्यक्ति लगभग कभी भी समस्या को हल नहीं करता है। बल्कि, इसके विपरीत।

एक बहुत महत्वपूर्ण सवाल उठता है: एआई एक समस्या को कैसे हल कर सकता है जिसके लिए कोई समाधान एल्गोरिदम नहीं है? लब्बोलुआब यह है कि यह उसी तरह से करना है जैसे कोई व्यक्ति करता है - आगे और प्रशंसनीय परिकल्पना का परीक्षण करें। स्वाभाविक रूप से, परिकल्पनाओं को आगे बढ़ाने और परखने के लिए, ज्ञान की आवश्यकता होती है।

ज्ञान उस विषय क्षेत्र का वर्णन है जिसमें बुद्धिमान प्रणाली संचालित होती है। यदि हमारे पास एक प्राकृतिक भाषा के प्रतीकों को पहचानने की प्रणाली है, तो ज्ञान में प्रतीकों की संरचना, पाठ की संरचना और भाषा के कुछ गुणों का वर्णन शामिल है। यदि यह एक ग्राहक क्रेडिट रेटिंग प्रणाली है, तो उसे ग्राहकों के प्रकारों का ज्ञान होना चाहिए और यह जानना चाहिए कि ग्राहक का प्रोफ़ाइल उसकी संभावित गैर-साख से कैसे संबंधित है। ज्ञान दो प्रकार के होते हैं - विषय क्षेत्र के बारे में और समाधानों की खोज (रूपक) के बारे में।

एक बुद्धिमान प्रणाली को डिजाइन करने के मुख्य कार्य ज्ञान का प्रतिनिधित्व करने के तरीके, ज्ञान प्राप्त करने के तरीके और ज्ञान को लागू करने के तरीकों के लिए कम कर दिए जाते हैं।

ज्ञान का प्रतिनिधित्व

ज्ञान का प्रतिनिधित्व करने के दो मुख्य तरीके हैं - घोषणात्मक और प्रक्रियात्मक। घोषणात्मक ज्ञान को एक संरचित या असंरचित रूप में प्रस्तुत किया जा सकता है। संरचित अभ्यावेदन एक या दूसरे प्रकार के फ्रेम दृष्टिकोण हैं। सिमेंटिक नेटवर्क या औपचारिक व्याकरण, जिसे फ्रेम के प्रकार भी माना जा सकता है। इन औपचारिकताओं में ज्ञान वस्तुओं और उनके बीच संबंधों की भीड़ के रूप में प्रस्तुत किया जाता है।


असंरचित अभ्यावेदन आमतौर पर उन क्षेत्रों में उपयोग किए जाते हैं जो वर्गीकरण समस्याओं को हल करने से संबंधित हैं। ये आमतौर पर वजन, संभावनाओं और जैसे अनुमानों के वैक्टर हैं।

ज्ञान के संरचित प्रतिनिधित्व के लगभग सभी तरीके तख्ते की औपचारिकता पर आधारित हैं, जिसे 1970 के दशक में एमआईटी के मार्विन मिनस्की ने स्थानिक दृश्यों को समझने के लिए ज्ञान की संरचना को इंगित करने के लिए पेश किया था। जैसा कि यह निकला, यह दृष्टिकोण लगभग किसी भी कार्य के लिए उपयुक्त है।

एक फ्रेम में एक नाम और व्यक्तिगत इकाइयाँ होती हैं जिन्हें स्लॉट कहा जाता है। स्लॉट का मूल्य, बदले में, दूसरे फ्रेम के लिए एक कड़ी हो सकता है ... एक फ्रेम दूसरे फ्रेम का वंशज हो सकता है, इससे स्लॉट के मूल्यों को विरासत में मिला है। इस मामले में, वंश पूर्वज स्लॉट के मूल्यों को फिर से परिभाषित कर सकता है और नए जोड़ सकता है। विवरण का उपयोग विवरण को अधिक कॉम्पैक्ट बनाने और दोहराव से बचने के लिए किया जाता है।

यह नोटिस करना आसान है कि फ्रेम और ऑब्जेक्ट-ओरिएंटेड प्रोग्रामिंग के बीच समानता है, जहां फ्रेम ऑब्जेक्ट और स्लॉट से फ़ील्ड से मेल खाती है। समानता आकस्मिक नहीं है, क्योंकि फ्रेम OOP के स्रोतों में से एक थे। विशेष रूप से, पहले ऑब्जेक्ट-ओरिएंटेड भाषाओं में से एक, स्मॉल टॉक, वस्तुओं और वर्गों के लगभग बिल्कुल लागू फ्रेम प्रतिनिधित्व।

ज्ञान की प्रक्रियात्मक प्रस्तुति के लिए , उत्पादों या उत्पादन नियमों का उपयोग किया जाता है। एक उत्पादन मॉडल नियमों पर आधारित एक मॉडल है जो ज्ञान को "स्थिति-क्रिया" वाक्यों के रूप में प्रस्तुत करने की अनुमति देता है। यह दृष्टिकोण पहले विभिन्न नैदानिक ​​प्रणालियों में लोकप्रिय था। स्थिति के रूप में लक्षणों, समस्याओं या खराबी का वर्णन करना पर्याप्त है, और एक कार्रवाई के रूप में, एक संभावित खराबी जो इन लक्षणों की उपस्थिति की ओर ले जाती है।

अगले लेख में हम ज्ञान लागू करने के तरीकों के बारे में बात करेंगे।

संदर्भ।

1. जॉन एलन रॉबिन्सन। रिज़ॉल्यूशन सिद्धांत के आधार पर एक मशीन-उन्मुख तर्क। एसीएम के संचार, 5: 23-41, 1965।
2. सीमोर पैपर्ट, मार्विन मिनस्की। Perceptrons। एमआईटी प्रेस, 1969
3. मार्विन मिंस्की। प्रतीकात्मक बनाम कनेक्शनकार, 1990
4. मार्विन मिंस्की। ज्ञान का प्रतिनिधित्व करने के लिए एक रूपरेखा। MIT AI प्रयोगशाला मेमो 306, जून 1974।
5. रसेल, नॉरविग। आर्टिफिशियल इंटेलिजेंस: एक आधुनिक दृष्टिकोण।
6. साइमन हेकिन तंत्रिका नेटवर्क: एक व्यापक आधार।
7. निल्स जे। निल्सन। आर्टिफिशियल इंटेलिजेंस: ए न्यू सिंथेसिस।