Применение искусственного интеллекта. Области применения искусственного интеллекта

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Курсовая работа по дисциплине "Информационные технологии"

На тему "Области применения искусственного интеллекта"

Выполнил Тимошенко Александр Викторович

Введение

3. Основные области применения искусственного интеллекта

3.2 ИИ в вооружённых силах

Заключение

Глоссарий

Введение

Понятие искусственный интеллект, весьма неоднозначно. Если собрать воедино все что сказано за последние 40 лет, то выясняется, что для того чтобы понизить затраты времени и энергии человек просто хочет создать себе подобного для выполнения конкретных действий.

С начала 50-х годов ученые все большего числа исследовательских лабораторий устремились к одной цели: построить компьютеры, действующие так чтобы по результатам работы их невозможно было бы отличить от разума человека. К искусственному интеллекту в последнее время наблюдается большой интерес, вызванный повышениями требований и информационным системам. Человечество стремительно движется к новой информационной революции, которую можно сравнивать по масштабам с развитием Интернета, имя этой революции - искусственный интеллект.

Искусственный интеллект сейчас очень активно изучается и развивается. В этой области сконцентрированы наибольшие усилия лингвистов, философов, психологов, математиков, инженеров и кибернетиков. Здесь решаются конкретные вопросы, которые связаны с путём развития научной мысли, с влиянием достижений в таких областях как: вычислительная техника и робототехника на жизнь будущих поколения людей. Здесь возникают новые различные методы научных исследований. Здесь формируется новый взгляд на те или иные научные результаты, а также возникает философское осмысление полученных результатов. Продвигаясь вперед, исследователи, работающие в области ИИ, столкнулись с очень запутанными проблемами, которые выходят за границы традиционной информатики. Оказывается, прежде всего, необходимо было понять механизмы процесса обучения, чувственного восприятия и природу языка. Учёные выяснили, что для того чтобы имитировать работу мозга человека требуется понять механизм действия миллиардов взаимосвязанных нейронов. Оказалось что самая трудная проблема, которая стояла перед исследователями современной науки - познание процесса функционирования человеческого разума, а не просто имитация работы. Это затрагивало теоретические проблемы психологической науки. Учёные никак не могут прийти к единому мнению на счёт самого предмета их исследований - интеллекта. Для некоторых интеллект это умение решать сложные задачи; а другие рассматривают его как способность обучаться, обобщать, анализировать; третьи - как возможность взаимодействия с окружающим миром путем восприятия, общения и осознания воспринятого.

Многие исследователи искусственного интеллекта готовы принять тест машинного интеллекта, предложенный в конце 40-х годов выдающимся английским специалистом по ВТ Аланом Тьюрингом. «Компьютер можно считать разумным, - утверждал Тьюринг, - если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком».

Объектом исследования в данной курсовой работе является искусственный интеллект. Предметом исследования - пути совершенствования и развития искусственного интеллекта.

Цель данной работы выявить области применения искусственного интеллекта.

Основные задачи, которые необходимо решить в данной работе:

1) Рассмотреть зарождение искусственного интеллекта;

2) Понять для чего создают искусственный интеллект;

3) Современное применение искусственного интеллекта;

4) Исследовать перспективные направления искусственного интеллекта;

5) Понять, как ИИ используется в военных целях;

6) Раскрыть будущее искусственного интеллекта;

7) Исследовать нейронные сети;

1. Понятие «Искусственный интеллект»

Интеллектуальной называется система (Рис. 1) способная целеустремлённо в зависимости от состояния информационных входов, изменять не только параметры функционирования, но и сам способ своего поведения, причём способ поведения зависит не только от текущего состояния информационных входов, но тажке и от предыдущих состояний системы.

Рисунок 1 «Интеллектуальная система»

Приведём несколько примеров.

Любой живой организм - интеллектуальная система. Он обладает долговременной памятью и способностью к самообучению. Ребёнок, притронувшись к горячей плите, уже не повторит ошибки. Щенок, впервые погнавшись за кошкой, получит серьёзный урок и вряд ли снова решит с ней поиграть. При следующей встрече он, скорее всего, убежит или покажет зубы, или проявит ещё одну из тысячи возможных реакций.

Технические же системы чаще всего не являются интеллектуальными, т.е. их реакция на одно и то же событие не может измениться кардинально. Система автоматизированного управления давлением газа в трубе может открывать и закрывать заслонку (управлять параметрами), но она не может принять решение совсем вывинтить заслонку из трубы. Если аварии газопровода предшествует изменение давления (например, сначала резкое повышение, а затем резкое понижение), то автоматическая система воспринимает это как нормальную ситуацию и попытается «отрегулировать» её движением заслонки. Даже если после каждой аварии мы будем добавлять в систему управления новый блок, точно фиксирующий параметры предыдущей ситуации, ничего не изменится. Простое накопление данных не «обучит» систему.

Дело в том, что щенок, получивший урок от кошки, запомнил не только параметры ситуации (длину когтей и скорость реакции), но и правила поведения (не подходи, не подставляй нос, если залаять - она убежит).

Интеллектуальной называется система, моделирующая на компьютере мышления человека.

Второе определение появилось в 60-ые ее, когда считалось, что мозг человека можно смоделировать на компьютере. Клетка мозга - нейроны программно описывались специальными математическими методами. Компьютерная программа, таким образом, представляла как бы кусочек мозга человека. На вход программы подавались некоторые данные (на вход клетки мозга в живом организме подаётся электрический сигнал), на выходе снимались результаты, которые сверялись с эталоном. В зависимости от того, насколько полученные результаты отклонялись от эталона, в расчётные коэффициенты вносились изменения. В зависимости от количества циклов такого «обучения» результаты работы очень маленького мозга человека.

Идея о возможности повторить мозг на компьютере к 80-м гг. XX в. Потерпела полную неудачу, однако теория нейронных сетей, нейросетевой подход доказали что полезность на целом ряде практических приложений. Хорошие результаты получены в первую очередь на задачах предсказания значений параметров и распознавания образов.

Интеллектуальной называется система, позволяющая усилить интеллектуальную деятельность человека за счёт ведения с ним осмысленного диалога.

К концу 80-ых гг. стало совершенно очевидно, что создать универсальный искусственный интеллект невозможно. Более того, выяснилось, что это совершенно не нужно, Следует создавать узкоспециализированные интеллектуальные системы, которые не заменят человека, но дополняют его. Человек имеет ряд уникальных особенностей, но не свободен от недостатков. Не один не обладает реакцией кошки. Никто из нас не способен прочитать роман Л.Н. Толстого «Война и мир» за одну минуту, редко кто обладает энциклопедической памятью. Компьютер обладает энциклопедической памятью, компьютер совершает миллионы операций в секунду, компьютер реагирует мгновенно. Но компьютер - это «глупое железо», он не способен мыслить, не способен отвечать за собственные поступки.

Подчеркнём актуальность совместной деятельности человека и машины. Необходимо, чтобы компьютер служил советчиком человека, быстро анализировал ситуацию, генерировал варианты действия на основе огромной памяти и предлагал человеку, а человек рассматривал предложенные варианты и пояснял, почему тот или иной вариант плох. Компьютер, учитывая полученные разъяснения, вновь анализировал бы все варианты действия и выдавал новые, а человек выбирал подходящий вариант и нёс ответственность за его реализацию.

Пример: система автоматизированного наведения ракет обнаружила цель. Цель была обнаружена цель. Цель была обнаружена практически мгновенно, человек даже не успел её заметить. Ракета была автоматически наведена на цель. Цели был послан запрос «свой - чужой». Цель появилась на пульте управления перед оператором, человек принял решение о поражении, выбрал тип оружия и нажал кнопку «уничтожить». В случае полностью автоматизированного ведения цели существовала бы реальная опасность уничтожить свой самолёт. В обратном случае, если бы наведением на цель посылкой запроса заниматься человек, могло быть упущено время.

Таким образом, сегодня искусственный интеллект - это самообучающийся инструмент, усиливающий деятельность человек по генерации и принятию решений.

1.1 Современные области исследований в ИИ

В последнее десятилетие ушедшего века ясно обозначались следующие важные направления развития интеллектуальных систем. [ Д.В. Смолин-«Введение в искусственный интеллект» -23с. 2]

1 Системы, имитирующие творческие процессы. Создание музыкальных произведений, решение игровых задач (шахматы, шашки, домино), автоматический перевод, доказательство теорем, распознавание образов, имитация мышления и т.п.

Попытки программировать на ЭВМ игры, характерны для современного ИИ с момента его возникновения. [ Э.Хант Искусственный интеллект. Издательство «Мир» 1978- 25c. 3]

2 Информационные системы, основанные на знаниях (экспертные системы) т.е. консультирование малоопытных пользователей, настройка оборудования, обучение и др.

3 Интеллектуальные информационные системы - большие и очень большие программы, предназначенные для решения задач в предметной области на основе математических и алгоритмических моделей и обладающие способностью вести осмысленный диалог с пользователем с целью упростить управление, сократить объём работы человека, повысить качество и т.п.

4 Робототехника. С точки зрения «интеллектуальности» различают несколько поколений роботов. Первое поколение - роботы манипуляторы, действующие по заранее утверждённой и неизменной программе (например, подающие заготовки к станку). Если в процессе работы по каким-либо причинам изменится расстояние до заготовки, робот её потеряет. Второе поколение - адаптивные роботы. Члены таких роботов оснащены большим количеством датчиков: угломеров, тензометров, газовых анализаторов и др. Такие роботы применяются, например, для сварки кузовов автомобилей. Дело в том, что достаточно крупные технические изделия, даже выпускаемые серийно, всё равно получаются уникальными. Длина двух автомобилей одной и той же марки различна. Адаптивный робот делает сваркой шов не в абсолютных координатах, а относительно некоторой точки начала отчёта, которую сам же и находит на кузове автомобиля. При необходимости человек - сварщик берёт управление на себя, а робот, запоминая его действия в новой ситуации, «обучается». Первые два вида роботов - промышленные роботы, сконструированные для работы на заранее определённой среде - цехах завода. Для ориентации и точного позиционирования в пространстве в цеже имеется большое количество контрольных точек - датчиков, координаты которых неизменны. Гораздо сложнее роботу, которых находится в реальном мире, например, обследует затонувший корабль. Приходится отвечать на вопросы: «где я?», «что передо мной?», «можно ли пройти к?» и др. Интеллектуальным роботам приходится обрабатывать данные своих датчиков и команды человека в реальном масштабе времени, а если предусмотрен ещё и прогноз событий, то в «сверхвиртуальном» (применяются, например, для управления транспортными средствами). Схожие проблемы возникают у поисковых роботов - особого класса программ, предназначенных для индексирования документов в глобальной сети Интернет, что обеспечивает работу поисковых машин.

5 Диагностика. Медицинские диагностические программы, основанные на вероятностном анализе, сумели достичь уровня опытного врача в нескольких областях медицины. Хекерман описал случай, когда ведущий специалист в области патологии лимфатических узлов не согласился с диагнозом программы в особо сложном случае. Создатели программы предложили, чтобы этот врач запросил у компьютера пояснения по поводу данного диагноза. Машина указала основные факторы, повлиявшие на ее решение, и объяснила нюансы взаимодействия нескольких симптомов, наблюдавшихся в данном случае. В конечном итоге эксперт согласился с решением программы.

6 Планирование снабжения. Во время кризиса в Персидском заливе в 1991 году в армии США была развернута система DART (Dynamic Analysis and Replanning) для обеспечения автоматизированного планирования поставок и составления графиков перевозок. Работа этой системы охватывала одновременно до 50 000 автомобилей, единиц груза и людей; в ней приходилось учитывать пункты отправления и назначения, маршруты, а также устранять конфликты между всеми параметрами. Методы планирования на основе искусственного интеллекта позволяли вырабатывать в течение считанных часов такие планы, для составления которых старыми методами потребовались бы недели. Представители агентства DARPA (Defense Advanced Research Project Agency - Управление перспективных исследовательских программ) заявили, что одно лишь это приложение сторицей окупило тридцатилетние инвестиции в искусственный интеллект, сделанные этим агентством.

7 Автономное планирование и составление расписаний. Работающая на удалении в сотни миллионов километров от Земли программа Remote Agent агентства NASA стала первой бортовой автономной программой планирования, предназначенной для управления процессами составления расписания операций для космического аппарата. Программа Remote Agent вырабатывала планы на основе целей высокого уровня, задаваемых с Земли, а также контролировала работу космического аппарата в ходе выполнения планов: обнаруживала, диагностировала и устраняла неполадки по мере их возникновения.

2. Области применения искусственного интеллекта

В последние время наблюдается очень активные действия по использованию и внедрению нейронные сетей в самые различные области таких как: техника, геология, физика, бизнес и т.д. На рисунке 2 представлена нейронная сеть.

Рис. 2 «Нейронная сеть»

Нейронные сети применяются везде, где необходимо решить задачи связанные с управлением, прогнозированием, а также с классификацией. Такое активнейшее использование обуславливается следующими причинами:

Широкие возможности. Для воспроизводства очень сложных зависимостей используются мощные методы моделирования, которые реализуются с помощью нейронных сетей. Весьма длительное время в большинстве областей применялось линейное моделирование, оно являлось основным методом, так как для него разрабатывались различные хорошо оптимизированные процедуры. Линейные модели в задачах работают плохо там, где не очень хорошо себя проявляет линейная аппроксимация. А также нейронные сети не позволяют оперировать в случае большого числа переменных благодаря предотвращению «проклятия размерности».

Простота в использовании. Нейронные сети способны обучаться на примерах. Человек, пользующийся нейронной сетью, выбирает необходимые данные, далее ему даётся возможность запуска алгоритма обучения, который воспримет данные автоматически. От пользователя, разумеется, требуются какие-то эвристические знания о том, как нужно отобрать и подготовить данные, выбрать необходимую архитектуру сети, а также обработать результаты. Для того чтобы использовать нейронные сети, необходим, гораздо меньший уровень знаний, чем для использования традиционных методов статистики.

Нейронные сети очень привлекают к себе внимание тем, что они основаны на простой модели нервной системы. В недалёком будущем развитие таких моделей действительно может послужить созданию мыслящих машин (компьютеров). Существует система ST Neural Networks которая способна создавать простые нейронные сети, что является находкой для специалистов по прикладной статистике.

2.1 Применение нейронных сетей

Задачи, которые решают нейронные сети, определяются тем, как сеть функционирует и обучается. Нейронная сеть, решая определённые задачи, выдаёт и принимает значения. Сеть применяют для того, чтобы из имеющийся, известной информации получить некоторую не известную информацию. Примеры подобных задач:

Прогнозирование на фондовом рынке.

Можно спрогнозировать цену акции на завтрашний день, зная цены акций за последнюю неделю.

Предоставление кредита.

Частное лицо обратилось в банк. Нужно определить, высока ли степень риска предоставления кредита.

Управление. Необходимо определись действия робота, для того чтобы он достиг своей цели благодаря установленной на нём камере.

Далеко не все задачи можно решить, применяя нейронные сети. Если вы решили определить результат лотереи, зная свой рост, то ничего не получится, так как эти вещи никакого отношения друг к другу не имеют. Если тираж проводится без обмана, то нет такой информации, которая могла бы предсказать итог игры с точностью.

Ещё одно не менее важное условие применения нейронных сетей: Необходимо с уверенностью знать, что между известными входными и неизвестными выходными значениями имеется связь. Эта связь может быть искажена шумом, но она должна существовать.

Нейронная сеть обычно используется, когда неизвестны точные виды связей между выходами и входами, - в случае если они известны, то связь можно смоделировать непосредственно. Ещё одна не менее важная особенность нейронных сетей это обучение сети. Для обучения нейронных сетей применяются алгоритмы двух типов: управляемое и не управляемое. Чаще всего применяется управляемое обучение.

Для управляемого обучения пользователи должны заранее подготовить пакет обучающих данных. Они из себя представляют примеры входов и выходов. Сети учатся устанавливать связи между ними. Такие обучающие данные, как правило, берутся из истории. В примерах, которые рассмотрены выше, такими данными могут послужить предыдущие цены акций, информация о прошлых заемщиках - как они выполнили свои обязательства перед банком.

Далее нейронная сеть обучается при помощи определённого алгоритма управляемого обучения, для того чтобы свести ошибку прогноза на нет. В случае если уровень обучения сети высок, она способна смоделировать неизвестную функцию, которая связывает входные и выходные переменные. В будущем такую сеть можно использовать для прогнозирования различных ситуаций с неизвестными выходными значениями.

3. Применение искусственного интеллекта

3.1 Возможная стратегия и план создания ИИ

Без эксперимента нет науки, невозможно определить правильность выбранного пути, поэтому является необходимым:

1) создать виртуальную среду обитания прототипа, так как собрать механическое чудо, с множеством сенсоров намного труднее и дороже.

2) имитировать сенсоры, такие как слух, виртуальное зрение («зрение» - в виде виртуального пространства, видео камеры и «ИНЕТ»), виртуальные ручки и ножки, которые можно выполнить весьма упрощенно, главное научить ИР говорить, нажимать клавиши, делать движения виртуальными ручками, ножками и прочими виртуальными частями, например курсором мышки.

4) создать прототип ИР - т.е. алгоритмы работы и роста клеток, алгоритмы установки связей и прочее, что позволит в той или иной мере имитировать работу множества разновидностей нейронных клеток и структур.

5) начать «воспитывать» ИИ в его виртуальной среде, взаимодействуя с ним и виртуальной средой, по ходу меняя алгоритмы и структуру, доводя процесс «соображения» до совершенства.

Полезнее всего было бы применить ИИ там, где критически важна адаптация, и где простые алгоритмы не дают эффекта. В первую очередь это все сферы связанные с человеком, Начиная от помощи в управлении автомобилем, лифтом и домашней техникой до развлечений, человекоподобной помощи, и вообще решении всех мелких проблем, на которые человек не хочет тратить свое время.

А вообще такую систему можно применять намного шире - например, как самоорганизующуюся систему, перед которой ставится только общая цель, а её реализация уже ложится на плечи самой системы. Скажем, выкопать карьер для добычи полезных ископаемых. Т.е. вообще везде, где можно получить прибыль, увольняя людей.

3.2 ИИ в вооружённых силах

искусственный интеллект нейронный сеть

Военная отрасль промышленности всегда развивается особенно стремительно, используя все самые современные научные наработки. Развитие компьютерной и роботетхники не осталось в стороне от взглядов военных, и во многих армиях мира уже есть полностью роботизированные боевые единицы - роботы-саперы, беспилотники, разведчики, в небольших количествах стали появляться боевые роботы. Пусть они еще достаточно примитивны и им далеко до роботов-андроидов, подобных героям фильма "Терминатор", но появление подобных боевых единиц лишь вопрос времени. Возможно, когда-нибудь в дополнение к стальному скелету они получат и искусственный интеллект, ничем не уступающий по своим способностям человеческому мозгу.

В настоящее время большинство современной робототехники способно выполнять множество сложных задач, но по-прежнему нуждается в контроле со стороны человека. Человек всегда стремился к бессмертию, неуязвимости, подарить их себе он пока не в состоянии, но создавать роботов-андроидов, обладающих сильным металлическим каркасом-скелетом (по меркам человека практически бессмертным), уже способен. Вот только, чтобы создать машину, равную себе, необходимо научить ее думать самостоятельно. Военные давно обратили свое внимание на попытки создания искусственного интеллекта (ИИ), данные разработки находятся под их пристальным вниманием. Сказать, когда на поле боя появятся роботы, способные действовать совершенно автономно, без участия человека, нельзя, но вероятность того, что это когда-нибудь произойдет, достаточно велика.

В настоящее время зачатки искусственного интеллекта уже довольно давно используются в авиации. Современный автопилот способен выполнить рейс от взлета до посадки полностью без помощи человека. Обычные автомобили под управлением ИИ способны преодолевать значительные расстояния, обходясь без человеческой помощи. Во Франции и Японии по железным дорогам ездят автоматические поезда под управлением ИИ, который способен обеспечить максимальный комфорт и удобство для пассажиров во время поездки. Сегодня технология развития искусственного интеллекта включает несколько подходов, среди которых можно выделить следующие:

1) Нейронные цепи, функционирующие на принципах, схожих с работой человеческого мозга. Они применяются для распознавания рукописного текста и речи, в финансовых программах, для постановки диагнозов и т.д.

2) Эволюционные алгоритмы, когда робот создает программы путем их мутации, скрещивания (обмен частями программ) и тестирования на выполнении какой-либо целевой задачи. В данном случае программы, позволяющие добиться наилучшего эффекта, выживают после множества пробных прогонов, что и обеспечивает эффект эволюции.

3) Нечеткая логика - позволяет компьютеру использовать термины и объекты из реального мира и взаимодействовать с ними. С помощью нее компьютер должен понять значение таких «человеческих» терминов как - теплее, близко, почти. Нечеткая логика находит применение в бытовой технике, такой как стиральные машины, кондиционеры.

При этом в последнее время все большее внимание уделяется психофизиологии и полученным с ее помощью наблюдениям за человеческим мозгом. Человек уже примерно понимает, как устроен наш интеллект и сознание. Сканирование мозга и проведение множества экспериментов показали, что у всех наших мыслей и чувств есть вполне реальное физическое воплощение. Любая мысль по своей сути это последовательность активации цепочки нейронов в нашем мозге. А значит, этот процесс можно изучать и научиться им управлять, изготавливать компьютерные симуляции. В настоящее время уже существуют компьютерные модели, моделирующие модели нейронов человека и животных. Ученым удалось полностью описать работу простейшего животного - кальмара. Появляются первые модели, которые соединяют в себе нейронные системы и кремниевую электронику.

Все это дает ученым основание полагать, что к 2030 году компьютеры будут в состоянии достичь такой вычислительной мощи, чтобы сравняться с человеческим мозгом по его возможностям. Фактически это сделает возможным загрузку человеческого сознания в компьютер. Еще более вероятно, что уже в 2020 году будут созданы теоретические основы сознания чисто машинного разума. В любом случае в период между 2025 и 2035 годом искусственный интеллект сможет сравняться по своим возможностям с человеческим, а затем и превзойти его.

3.3 Будущее искусственного интеллекта

Индустрия информационных технологий - одна из наиболее динамично развивающихся сфер жизни. В соответствии с законом Мура, в 2020 году компьютеры достигнут мощности человеческого мозга, т.к. смогут выполнять 20 квадриллионов (т.е. 20.000.000 миллиардов) операций в секунду, а к 2060 году, как считают некоторые футурологи, компьютер сравняется по силе разума со всем человечеством. Впрочем, еще в 1994 году ПК на базе процессора Intel Pentium со смехотворной, по нынешним временам, частотой 90 МГц обыграл в серии турниров по шахматам нескольких сильнейших гроссмейстеров мира, включая действующего чемпиона планеты - Гарри Каспарова.

Тот же Гордон Мур в середине 90-х годов так сравнивал темпы развития микропроцессорных технологий и автомобильной промышленности: "Если бы автомобильная промышленность развивалась с той же скоростью, что индустрия полупроводников, то "Роллс-ройс" смог бы сегодня преодолеть расстояние в полмиллиона миль на одном галлоне бензина, причем его было бы дешевле каждый раз выбрасывать, чем парковать".

Сегодняшние информационные технологии уже способны на многое. В последнее время активно развивается разработка телематических терминалов (бортовых систем управления) для автомобилей. По данным аналитической компании Forrester Research, к 2006 году телематическими терминалами для обработки и передачи информации будет оборудовано около 80% от общего числа новых машин.

Уже сегодня существуют реальные возможности применения такого рода технологий в практически любом автомобиле. Например, телефонная гарнитура BlueConnect производства компании Johnson Controls - интегрированный автомодуль hands-free на базе процессоров Intel PXA250 и Intel PXA210 - позволяет водителю выполнять самые разнообразные действия, активизируемые голосом, с помощью сотового телефона и технологии Bluetooth.

Еще одним устройством, в котором применены новые процессоры, является мультимедийная автомобильная платформа, которая предоставляет пассажирам автономный доступ к таким ресурсам, как видео в формате DVD и аудиозаписям в формате MP3, транслируемым по сети Media Oriented System Transport (MOST).

Автомобилестроение - только одна из многих сфер жизни, где микропроцессоры занимают все большее место. Очевидно, что с каждым годом все более мощные микропроцессоры будут применяться во все большем количестве различных бытовых устройствах. Недавно специалистами Intel были разработаны транзисторы, скорость действия которых превышает скорость Pentium 4 почти на 1000%. Тем самым было доказано, что нет никаких фундаментальных препятствий для продолжения развития микропроцессоров в соответствии с законом Мура до конца текущего десятилетия.

Такие транзисторы, имеющие размер всего 20 нанометров, позволят компании Intel к 2007 г. создать процессоры с миллиардом транзисторов, работающие на частоте до 20 ГГц при напряжении питания около 1 вольт. А руководство компании уже говорит о грядущих процессорах с тактовой частотой до 30 ГГц. Предпосылки для производства таких микропроцессоров в Intel уже созданы

Сегодня, например, в Animat Lab разрабатывается проект Psikharpax, где в роботе синтезируются некоторые из адаптивных механизмов и нервных структур, ответственных за пространственную навигацию у крыс. Способности этой крысы-робота будут расти за счет «обучения без учителя», то есть анимат будет сам строить когнитивную карту среды и вырабатывать адаптивные стратегии поведения по механизмам, схожим с теми, что использует мозг крысы. В группе гуманоидной работники (Humanoid Robotics Group) из лаборатории искусственного интеллекта в MIT сегодня разрабатываются обезьяноподобные и мобильные роботы (Kismet, Сосо) с гораздо более сложным, чем у первых насекомоподобных роботов, поведенческим репертуаром, куда, в частности, входят способности к социальным взаимодействиям и аффективным эмоциональным реакциям.

Кроме того, эксперименты с такими роботами могут стимулировать появление новых идей, проливающих свет на принципы адаптивного поведения. Как минимум, такие эксперименты позволяют отсекать заведомо нереалистичные теории. Моделирование как средство элиминации ошибок - мощный инструмент в познании работы мозга. Поэтому многие нейробиологи настаивают на том, что теории работы мозга должны быть сформулированы алгоритмично, чтобы допускать моделирование. Один из ведущих нейробиологов-теоретиков, Нобелевский лауреат Джеральд Эделман стал и одним из пионеров эволюционного обучения роботов. Эделман, создавший фундаментальную теорию работы мозга и биологических основ сознания, в своем институте в Калифорнии (Neuroscience Institute) разрабатывает серию роботов NOMAD. Эти роботы имеют еще и родовое имя «Дарвин». Каждый новый «Дарвин» появляется на свет практически необученным, но, сталкиваясь с объектами внешнего мира и имея какое-нибудь врожденное предпочтение, начинает вырабатывать собственные абстрактные категории. У робота появляются знания, которые он может использовать и в других задачах. То есть начинает работать один из принципов, по которым, судя по всему, шла эволюция механизмов интеллекта.

Заключение

В настоящее время идут активные споры на счёт проблемы возможности создания искусственного интеллекта. Многие считают, что создание ИИ унизит человеческое достоинство. Возможности ИИ с вопросами о совершенствовании и развитии человеческого разума смешивать нельзя.

В современном мире ИИ используется практически повсеместно, это создаёт предпосылки для нового толчка прогресса. Искусственный разум позволяет автоматизировать производство, а значит и продуктивность труда. Но кибернетика имея огромное число плюсов, также имеет свои минусы, которые требуют очень пристального внимания человечества. Эти минусы связаны с опасностью, возникающей при работе с искусственным интеллектом.

Одни из проблем связаны с возможностью потери стимула людей к творческому труду. Всему виной всеобщая компьютеризация и использование машин в сфере искусств. Но всё же стало ясно, что люди добровольно не отдадут самый квалифицированный творческий труд, так как он является привлекательным для самих людей.

Вторая группа проблем более серьёзна и состоит она в следующем. Уже в настоящее время существуют программы и машины, которые в процессе свое работы способы обучаться, то есть приспосабливаться к внешним факторам. В ближайшем будущем могут, появится машины, которые будут обладать таким уровнем надёжности и приспособляемости, что человеку не нужно будет вмешиваться в процесс. В таком случае человек перестанет выполнять свою функцию - функцию поиска решений.

Возможно, человек станет, не способен адекватно реагировать на изменения внешних условий, а также возможно перестанет быть способен принять управление на себя в случае ЧС. Необходимо будет ввести некоторые пределы в автоматизации процессов, которые связаны с тяжёлыми аварийными ситуациями, тогда у человека, производящего надзор за управляющей машиной, всегда хватит реакции и умения правильно действовать в непредвиденной ситуации.

Подобные ситуации возможны в ядерной энергетике и транспорте. Стоит особенно отметить таковую опасность в ракетных войсках, так как ошибка может иметь ужасные последствия.

Оказывается, что, даже перепроверяя и многократно дублируя, вероятность ошибок очень высока. Отсутствие контролирующего оператора может привести к фатальной ошибке.

Проблемы ИИ будут решаться людьми постоянно. Будут появляться всё новые и новые проблемы и, похоже, что этот процесс является бесконечным.

В данной работе были рассмотрены некоторые проблемы искусственного интеллекта, задачи ИИ, краткая история зарождения искусственного интеллекта, области применения ИИ, использование ИИ в вооружённых силах, а также нейронные сети. Материал данной курсовой работы будет интересен людям, интересующимся современными технологиями в области искусственного интеллекта. Цели, поставленные перед курсовой работой, выполнены.

Глоссарий

Список использованных источников

1Дмитрович А.И. Интеллектуальные информационные системы./ Дмитрович А.И. - Минск, - 1997. -125 с. -ISBN: 5-86534-576-6

2Брушлинский А.В. Возможен ли искусственный интеллект?/. -263 с. -ISBN: 5-86425-523-1

3И.А.Бессмертный. Искусственный интеллект - СПб: СПбГУ ИТМО, 2010. -168 с.

4Винер Н. Наука, электронная версия,/ Винер Н. - М. Кибернетика - 1998. -211 с. -ISBN: 5-15248-325-3

5Венда В.Ф. Системы гибридного интеллекта/Венда В.Ф. - М.: Машиностроение, - 1990. -232 с. -ISBN: 5-86475-354-8

6Волгин Л.И. Комплементарная алгебра нейросетей/ Волгин Л.И. - Таллин АО «KLTK», - 2003. -123 с. -ISBN: 5-86452-276-4

7Ноткин Л.И. Искусственный интеллект и проблемы обучения./ Ноткин Л.И. -132 с. -ISBN: 5-83334-336-9

8Соколов Е. Н., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру: Наука - 1989. -455 с. -ISBN: 5-83652-526-4

9Федюкович Н. И. Анатомия и физиология: Учеб. Пособие./ Федюкович Н. И. - Мн.: Издательство ООО «Полифакт-Альфа», - 1999. -115 с. -ISBN: 5-86324-476-8

10Цыганков В. Д. Нейрокомпьютер и его применение/ Цыганков В. Д. - М.: СолСистем,- 1993. -223 с. -ISBN: 5-84534-376-3

11Чернухин Ю. В. Нейропроцессоры / Чернухин Ю. В. - Таганрог - 2000. -212 с. -ISBN: 5-86224-176-1

12Эндрю А. Искусственный интеллект / Эндрю А. - М. Мир, - 1985. -187 с. -ISBN: 5-26552-745-1

Размещено на Allbest.ru

Подобные документы

Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.

презентация , добавлен 28.05.2015


История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера.

реферат , добавлен 20.11.2009


Сущность и проблемы определения искусственного интеллекта, его основных задач и функций. Философские проблемы создания искусственного интеллекта и обеспечения безопасности человека при работе с роботом. Выбор пути создания искусственного интеллекта.

контрольная работа , добавлен 07.12.2009


Области человеческой деятельности, в которых может применяться искусственный интеллект. Решение проблем искусственного интеллекта в компьютерных науках с применением проектирования баз знаний и экспертных систем. Автоматическое доказательство теорем.

курсовая работа , добавлен 29.08.2013


Обзор образовательных стандартов педагогического образования в области искусственного интеллекта. Построение модели предметной области в виде семантических сетей. Характеристика проблемного обучения. Основные средства языка программирования Пролог.

дипломная работа , добавлен 01.10.2013


Искусственный интеллект – научное направление, связанное с машинным моделированием человеческих интеллектуальных функций. Черты искусственного интеллекта Развитие искусственного интеллекта, перспективные направления в его исследовании и моделировании.

реферат , добавлен 18.11.2010


Сущность искусственного интеллекта, сферы человеческой деятельности, в которых он распространен. История и этапы развития данного явления. Первые идеи и их воплощение. Законы робототехники. Использование искусственного интеллекта в коммерческих целях.

реферат , добавлен 17.08.2015


Исторический обзор развития работ в области искусственного интеллекта. Создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека. От логических игр до медицинской диагностики.

реферат , добавлен 26.10.2009


Может ли искусственный интеллект на данном уровне развития техники и технологий превзойти интеллект человека. Может ли человек при контакте распознать искусственный интеллект. Основные возможности практического применения искусственного интеллекта.

презентация , добавлен 04.03.2013


Эволюция систем искусственного интеллекта. Направления развития систем искусственного интеллекта. Представление знаний - основная проблема систем искусственного интеллекта. Что такое функция принадлежности и где она используется?

Что могут лишиться работы из-за автоматизации труда. Но мало кто задумывается о том, как эти технологии способны улучшить и облегчить работу человека. Вот несколько примеров.

Вы сможете быстрее и лучше искать работу и нанимать сотрудников

ИИ может значительно изменить процесс поиска кандидатов, считает Александр Ринке, сооснователь и глава компании Celonis. Искусственный интеллект Celonis позволяет определить текучку кадров и стоимость найма сотрудника, а также подсчитает, на какие должности приходится дольше всего искать работников. Например, один из клиентов Celonis смог обнаружить проблемы в найме, сократить расходы на рекрутинг на 30% и ускорить процесс трудоустройства новых сотрудников.

С помощью ИИ проще составлять резюме и получать приглашения на собеседования. Например, компания iCIMS совместно с Google разработала технологию, которая позволяет искать работу прямо в поисковике - а все благодаря машинному обучению и искусственному интеллекту Google.

По словам директора по маркетингу iCIMS Сьюзан Витейл, технология смогла сократить количество неактуальных публикаций о работе. Кроме того, она лежит в основе закрытой бета-программы Cloud Jobs Discovery. Эта программа ищет вакансии не только точно по ключевым словам - например, если человек ищет должность CTO, она покажет ему не только вакансии «технического директора», но и «директора по технологиям». Ее модель использует концептуальный поиск и показывает все смежные профессии (например, не только кассира, но и продавца-консультанта и менеджера магазина).

Вы будете работать продуктивнее

Джон Фарно, глава и соучредитель компании Hive, считает, что предиктивный анализ поможет лучше понимать, как мы работаем. «Он способен рассказать, например, кто активнее работает по вечерам - мужчины или женщины, или правда ли, что люди хуже работают по пятницам именно летом». Последнее, кстати, миф. Продуктивность по пятницам всегда ниже, независимо от времени года.

С помощью данных о более 30 тысячах действий, совершенных в коворкингах Hive, компании удалось определить некоторые закономерности в изменении продуктивности. Например, мужчины гораздо продуктивнее в первой половине дня, а после обеда их продуктивность резко снижается. У женщин все наоборот - их рабочий день начинается медленно, но ближе к концу работают продуктивнее. Кроме того, анализ чатов показал, что женщины способны выполнять больше заданий во время переписки.

«В частности ИИ поможет решить проблему разницу в зарплатах у мужчин и женщин, а также у руководства и рядовых сотрудников, - сказала Дженсен. - Согласно статистике, в компаниях из начала списка Fortune 500 эта разница может достигать почти 5000 к 1». Кроме того, использование технологий, определяющих честный размер выплат, снизит риск кадровой текучки и поможет сократить расходы на поиск замены сотрудника.

Улучшится качество совещаний

Дополненная реальность (AR) пока только развивается, но работает благодаря ИИ и машинному обучению. Криста Маннинг, вице-президент компании Bersin от Deloitte Consulting, считает, что AR может помочь в поиске нужной информации, места и времени для принятия важных бизнес-решений.

Например, эту технологию можно использовать на видеосовещаниях. «Представьте себе, что вы участвуете в видеоконференции и видите информацию в дополненной реальности о стиле общения коллеги, полезные советы и напоминание о том, что необходимо с ним обсудить», - рассказала Маннинг.

Появятся лучшие руководители

Платформа Indiggo использует собственный ИИ под названием indi, который выполняет функцию своеобразного мозга, обладающего всеми знаниями компании за 15 лет работы. Его алгоритм изучает размер руководящего состава фирмы и оценивает, сколько времени она потратила зря. Программа изучает календари каждого начальника, чтобы понять, на что он тратит свое время. Затем ИИ проводит специальный опрос среди некоторых менеджеров, чтобы узнать, какие у них приоритеты и насколько они соответствуют компании.

«Парадоксально, но все эти технологические новшества лишь подчеркивают незаменимость человеческого труда, - считает Александр Ринке, глава Celonis. - В конце концов, люди гораздо лучше выполняют задачи, которые подразумевают поиск причин, оценку и взаимодействие с другими людьми».

Среди важнейших классов задач, которые ставились перед разработчиками интеллектуальных систем с момента определения искусственного интеллекта как научного направления (с середины 50-х годов ХХ века), следует выделить следующие направления искусственного интеллекта , которые решают задачи, что плохо поддаются формализации: доказательство теорем, распознавания изображений, машинный перевод и понимание человеческой речи, игровые программы, машинная творчество, экспертные системы. Кратко рассмотрим их сущность.

Направления искусственного интеллекта

Искусственный интеллект (ИИ, англ. Artificial intelligence, AI) - наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Что такое искусственный интеллект

Интеллект (от лат. intellectus - ощущение, восприятие, разумение, понимание, понятие, рассудок), или ум - качество психики, состоящее из способности приспосабливаться к новым ситуациям, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой. Интеллект - это общая способность к познанию и решению трудностей, которая объединяет все познавательные способности человека: ощущение, восприятие, память, представление, мышление, воображение.

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение искусственного интеллекта (ИИ):

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

Основные свойства ИИ - это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.

ИИ – комплекс родственных технологий и процессов, развивающихся качественно и стремительно, например:

• обработка текста на естественном языке
• экспертные системы
• виртуальные агенты (чат-боты и виртуальные помощники)
• системы рекомендаций.

Национальная стратегия развития искусственного интеллекта

• Основная статья: Национальная стратегия развития искусственного интеллекта

Исследования в сфере ИИ

• Основная статья: Исследования в сфере искусственного интеллекта

Стандартизация в области ИИ

2019: Эксперты ISO/IEC поддержали предложение о разработке стандарта на русском языке

16 апреля 2019 года стало известно, что подкомитет ISO /IEC по стандартизации в области искусственного интеллекта поддержал предложение Технического комитета «Кибер-физические системы », созданного на базе РВК , о разработке стандарта «Artificial intelligence. Concepts and terminology» на русском языке в дополнение к базовой английской версии.

Терминологический стандарт «Artificial intelligence. Concepts and terminology» является основополагающим для всего семейства международных нормативно-технических документов в области искусственного интеллекта. Кроме терминов и определений, данный документ содержит концептуальные подходы и принципы построения систем с элементами , описание взаимосвязи AI с другими сквозными технологиями, а также базовые принципы и рамочные подходы к нормативно-техническому регулированию искусственного интеллекта.

По итогам заседания профильного подкомитета ISO/IEC в Дублине эксперты ISO/IEC поддержали предложение делегации из России о синхронной разработке терминологического стандарта в сфере AI не только на английском, но и на русском языке. Ожидается, что документ будет утвержден в начале 2021 года.

В ходе заседания эксперты ISO/IEC также поддержали разработку проекта международного документа Information Technology - Artificial Intelligence (AI) - Overview of Computational Approaches for AI Systems, в котором Россия выступает в качестве соредактора. Документ предоставляет обзор современного состояния систем искусственного интеллекта, описывая основные характеристики систем, алгоритмы и подходы, а также примеры специализированных приложений в области AI. Разработкой этого проекта документа займется специально созданная в рамках подкомитета рабочая группа 5 «Вычислительные подходы и вычислительные характеристики систем Искусственного интеллекта» (SC 42 Working Group 5 «Computational approaches and computational characteristics of AI systems»).

Технологии искусственного интеллекта широко востребованы в самых разных отраслях цифровой экономики . Среди основных факторов, сдерживающих их полномасштабное практическое использование, - неразвитость нормативной базы. При этом именно проработанная нормативно-техническая база обеспечивает заданное качество применения технологии и соответствующий экономический эффект.

По направлению искусственный интеллект ТК «Кибер-физические системы» на базе РВК ведет разработку ряда национальных стандартов, утверждение которых запланировано на конец 2019 – начало 2020 года. Кроме того, совместно с рыночными игроками идет работа по формированию Плана национальной стандартизации (ПНС) на 2020 год и далее. ТК «Кибер-физические системы» открыт для предложений по разработке документов со стороны заинтересованных организаций.

2018: Разработка стандартов в области квантовых коммуникаций, ИИ и умного города

Технический комитет «Кибер-физические системы» на базе РВК совместно с Региональным инжиниринговым центром «СэйфНет» 6 декабря 2018 года начали разработку комплекса стандартов для рынков Национальной технологической инициативы (НТИ) и цифровой экономики . К марту 2019 года планируется разработать документы технической стандартизации в области квантовых коммуникаций , и , сообщили в РВК. Подробнее .

Влияние искусственного интеллекта

Риск для развития человеческой цивилизации

Влияние на экономику и бизнес

• Влияние технологий искусственного интеллекта на экономику и бизнес

Влияние на рынок труда

Предвзятость искусственного интеллекта

В основе всего того, что является практикой ИИ (машинный перевод, распознавание речи, обработка текстов на естественных языках, компьютерное зрение , автоматизация вождения автомобилей и многое другое) лежит глубинное обучение. Это подмножество машинного обучения , отличающееся использованием моделей нейронных сетей , о которых можно сказать, что они имитируют работу мозга, поэтому их с натяжкой можно отнести к ИИ. Любая модель нейронной сети обучается на больших наборах данных , таким образом, она обретает некоторые «навыки», но то, как она ими пользуется - для создателей остается не ясным, что в конечном счете становится одной из важнейших проблем для многих приложений глубинного обучения. Причина в том, что такая модель работает с образами формально, без какого-либо понимания того, что она делает. Является ли такая система ИИ и можно ли доверять системам, построенным на основе машинного обучения? Значение ответа на последний вопрос выходит за пределы научных лабораторий. Поэтому заметно обострилось внимание средств массовой информации к явлению, получившему название AI bias. Его можно перевести как «необъективность ИИ» или «пристрастность ИИ». Подробнее .

Рынок технологий искусственного интеллекта

Рынок ИИ в России

Мировой рынок ИИ

Сферы применения ИИ

Сферы применения ИИ достаточно широки и охватывают как привычные слуху технологии, так и появляющиеся новые направления, далекие от массового применения, иначе говоря, это весь спектр решений, от пылесосов до космических станций. Можно разделить все их разнообразие по критерию ключевых точек развития.

ИИ - это не монолитная предметная область. Более того, некоторые технологические направления ИИ фигурируют как новые подотрасли экономики и обособленные сущности, одновременно обслуживая большинство сфер в экономике.

Развитие применения использования ИИ ведет к адаптации технологий в классических отраслях экономики по всей цепочке создания ценности и преобразует их, приводя к алгоритмизированию практически всего функционала, от логистики до управления компанией.

Использование ИИ в целях обороны и в военном деле

Использование в образовании

Использование ИИ в бизнесе

ИИ в борьбе с мошенничеством

11 июля 2019 года стало известно о том, что всего через два года искусственный интеллект и машинное обучение будут использоваться для противодействия мошенничеству в три раза чаще, чем на июль 2019 года. Такие данные были получены в ходе совместного исследования компании SAS и Ассоциации сертифицированных специалистов по расследованию хищений и мошенничества (Association of Certified Fraud Examiners, ACFE). На июль 2019 года такие антифрод -инструменты уже используют в 13% организаций, принявших участие в опросе, и в еще 25% заявили, что планируют их внедрить в течение ближайшего года-двух. Подробнее .

ИИ в электроэнергетики

• На уровне проектирования: улучшенное прогнозирование генерации и спроса на энергоресурсы, оценка надежности энергогенерирующего оборудования, автоматизация повышения генерации при скачке спроса.
• На уровне производства: оптимизация профилактического обслуживания оборудования, повышение эффективности генерации, снижение потерь, предотвращение краж энергоресурсов.
• На уровне продвижения: оптимизация ценообразования в зависимости от времени дня и динамическая тарификация.
• На уровне предоставления обслуживания: автоматический выбор наиболее выгодного поставщика, подробная статистика потребления, автоматизированное обслуживание клиентов, оптимизация энергопотребления с учетом привычек и поведения клиента.

ИИ в производственной сфере

• На уровне проектирования: повышение эффективности разработки новых продуктов, автоматизированная оценка поставщиков и анализ требований к запчастям и деталям.
• На уровне производства: совершенствование процесса исполнения задач, автоматизация сборочных линий, снижение количества ошибок, уменьшение сроков доставки сырья.
• На уровне продвижения: прогнозирование объемов предоставления услуг поддержки и обслуживания, управление ценообразованием.
• На уровне предоставления обслуживания: улучшение планирования маршрутов парка транспортных средств, спроса на ресурсы автопарка, повышение качества подготовки сервисных инженеров.

ИИ в банках

• Распознавание образов - используется в т.ч. для узнавания клиентов в отделениях и передачи им специализированных предложений.

ИИ на транспорте

• Автоиндустрия на пороге революции: 5 вызовов эры беспилотного вождения

ИИ в логистике

ИИ в пивоварении

ИИ в судебной системе

Разработки в области искусственного интеллекта помогут кардинально изменить судебную систему, сделать ее более справедливой и свободной от коррупционных схем. Такое мнение высказал летом 2017 года доктор технических наук, технический консультант Artezio Владимир Крылов.

Ученый считает, что уже существующие сейчас решения в области AI можно успешно применять в разных сферах экономики и общественной жизни. Эксперт указывает, что AI успешно применяется в медицине, однако в будущем способен полностью изменить и судебную систему.

«Ежедневно просматривая новостные сообщения о разработках в области ИИ только поражаешься неисчерпаемости фантазии и плодотворности исследователей и разработчиков в этой области. Сообщения о научных исследований постоянно чередуются с публикациями о новых продуктах, врывающихся на рынок и сообщениями об удивительных результатах, полученных с помощью применения ИИ в различных областях. Если же говорить об ожидаемых событиях, сопровождаемых заметным хайпом в СМИ, в котором ИИ станет снова героем новостей, то я, наверное, не рискну делать технологических прогнозов. Могу предположить, что ближайшим событием станет появление где-то предельно компетентного суда в форме искусственного интеллекта, справедливого и неподкупного. Случится это, видимо, в 2020-2025 году. И процессы, которые пройдут в этом суде приведут к неожиданным рефлексиям и стремлению многих людей передать ИИ большинство процессов управления человеческим обществом».

Использование искусственного интеллекта в судебной системе ученый признает «логичным шагом» по развитию законодательного равенства и справедливости. Машинный разум не подвержен коррупции и эмоциям, может четко придерживаться законодательных рамок и выносить решения с учетом многих факторов, включая данные, которые характеризуют участников спора. По аналогии с медицинской сферой, роботы -судьи могут оперировать большими данными из хранилищ государственных служб. Можно предположить, что

Музыка

Живопись

В 2015 году команда Google тестировала нейронные сети на предмет возможности самостоятельно создавать изображения. Тогда искусственный интеллект обучали на примере большого количества различных картинок. Однако, когда машину «попросили» самостоятельно что-нибудь изобразить, то оказалось, что она интерпретирует окружающий нас мир несколько странно. Например, на задачу нарисовать гантели, разработчики получили изображение, в котором металл был соединён человеческими руками. Вероятно, произошло это из-за того, что на этапе обучения анализируемые картинки с гантелями содержали руки, и нейронная сеть неверно это интерпретировала.

26 февраля 2016 года в Сан-Франциско на специальном аукционе представители Google выручили с психоделических картин, написанных искусственным интеллектом, порядка $98 тыс. Данные средства были пожертвованы на благотворительность. Одна из наиболее удачных картин машины представлена ниже.

Картина, написанная искусственным интеллектом Google.

Интервью с профессором Игорем Баскиным, доктором физико-математических наук, ведущим научный сотрудник физического факультета МГУ.

В чем самая большая сложность для нейронных сетей, чтобы научиться устанавливать взаимосвязь между структурой вещества и его физическими и химическими свойствами?

Самая большая сложность и ключевая особенность применения нейронных сетей, как и любого другого метода машинного обучения, для поиска соотношений между структурой и свойствами химических веществ заключается в том, что в этом случае они должны моделировать реальную природу с ее чрезвычайно сложной и порой неизвестной организацией, управляемую строгими, но не всегда применимыми на практике законами.

В этом состоит фундаментальное отличие от стандартных задач, решаемых при помощи нейронных сетей, например, распознавания изображений. Действительно, то, что цифра 8 изображается в виде двух соприкасающихся окружностей, не является следствием каких-либо законов природы – это просто предмет соглашений между людьми. А вот римляне в свое время решили, что для них лучше изображать это же число как VIII. Поскольку такие соглашения делаются ради удобства, их форма выбирается такой, чтобы естественные нейронные сети в голове у человека очень легко на подсознательном уровне их распознавали.

Поэтому, как мне кажется, и искусственные нейронные сети, которые в какой-то мере имитируют определенные аспекты обработки информации в голове у человека, с ними тоже легко справляются.

А теперь перейдем к химическим веществам. То, что аспирин оказывает противовоспалительное действие, обуславливается возможностью входящих в его состав молекул ацетилсалициловой кислоты ингибировать фермент циклооксигеназу благодаря комплементарности пространственных форм молекул лекарства и фермента и благоприятному балансу множества сил, действующих в системе.

Задача прогнозирования свойств химических веществ в зависимости от их строения, в отличие, например, от задачи распознавания изображений, никогда раньше в процессе эволюции не встречалась, и потому естественные нейронные сети в нашем мозгу не могут с такой же легкостью ее решать на подсознательном уровне.

Действительно, любой ребенок (и даже некоторые животные) может легко отличить на картинке кошку от собаки, но даже десяток нобелевских лауреатов, посмотрев на формулу химического соединения, вряд ли сразу же точно угадают полный набор его свойств.

Это уже задача другого уровня сложности. В ее решении большой проблемой является даже то, что обычно вообще не воспринимается как нечто сложное, например, как представить нейронной сети анализируемый объект. При обработке изображений, например, естественным представлением является набор интенсивностей пикселов.

А вот то, как лучше всего представить для нейронной сети строение вещества – это уже задача из задач, и она не имеет столь простых решений. Используемые для ее решения системы т.н. молекулярных дескрипторов, т.е. специальных вычислительных процедур, позволяющих описать строение вещества с помощью набора чисел, обладают множеством недостатков. Тем, как лучше всего представлять и обрабатывать информацию о химических веществах занимается очень интенсивно развиваемая в последние годы наука – хемоинформатика.

Без опоры на научный багаж, накопленный в хемоинформатике, любая попытка использовать нейронные сети для установления связи между строением вещества и его свойствами превращается в чистую игру с числами и не приводит к практически важным результатам. В этом, наверное, и заключается основная сложность использования нейронных сетей для этой цели.

Назовите 10 основных задач для искусственного интеллекта в синтетической химии?

1. Как синтезировать заданное химическое соединение из доступных реагентов?
2. Как синтезировать химическое соединение, обладающее заданной активностью?
3. Как будет выглядеть и как синтезировать комбинаторную библиотеку химических соединений, ориентированную на заданный тип биологической активности?
4. Что получится в результате реакции, если смешать заданные химические соединения в заданных условиях?
5. В каких условиях следует проводить заданную реакцию? Как оптимизировать такие условия (температура, растворитель, катализатор, добавки)?
6. Какой вероятный механизм у заданной реакции?
7. Как увеличить выход у заданной реакции?
8. Перечислить возможные химические реакции
9. Оценка синтетической доступности (легкости синтеза) заданного соединения.
10. Предсказать кинетические и термодинамические характеристики простых реакции и выход сложных реакций.

Что из себя представляет задача - расчет всех возможных химических реакций?

Возможно, это комбинация двух вышеперечисленных задач: (8) перечисление возможных химических реакций и (10) предсказать для них кинетические и термодинамические характеристики и выход.

Какой способ сейчас наилучший в хемоинформатики представления о структуре вещества? Какие-нибудь многомерные матрицы? Насколько они полно описывают всю структуру? Есть ли пробелы, которые нужно заполнить?

Простого и однозначного ответа на этот вопрос не существует. Все зависит от того, о каких типах веществ идет речь, а также при каких условиях и в каких агрегатных состояниях они рассматриваются. Кроме того, выбор конкретного типа представления зависит от того, с какой целью оно делается – для однозначной идентификации вещества, хранения в базе данных, для построения каких-либо моделей, для передачи информации между программами.

В хемоинформатике для всех этих целей, как правило, используются разные представления. Наиболее простым случаем являются насыщенные углеводороды – органические соединения, состоящие только из атомов углерода и водорода и не содержащие кратных связей. Для их представления удобно использовать графы, в которых вершины соответствуют атомам углерода, а ребра – связям между ними. Интересно отметить, что именно задача объяснения наличия различных изомеров у органических соединений послужила стимулом для создания и разработки основ теории графов, а задача перечисления изомеров – комбинаторной теории групп. Оба эти раздела дискретной математики в дальнейшем нашли очень широкое применение практически во всех областях научных знаний.

Следующий уровень усложнения – произвольные низкомолекулярные органические соединений. Таковыми являются, например, молекулы большинства лекарственных препаратов, а также исходные реагенты и полупродукты для их синтеза. Для их идентификации также удобно использовать графы, но на этот раз с мечеными вершинами и ребрами. Метками вершин в этом случае служат обозначения химических элементов, а метками ребер – порядки связей.

Для внутреннего представления молекул в оперативной памяти компьютера можно в этом случае использовать матрицы связности графов, но реально чаще пользуются сложными структурами данных, включающими таблицы атомов и связей.

Для эффективной организации поиска структур в базах данных и их сравнения между собой наибольшей популярностью среди представлений пользуются специальные битовые строки, называемые «молекулярными отпечатками пальцев» (фингерпринтами).

Для построения моделей, связывающих структуры соединений с их свойствами, в качестве представлений используются вектора признаков, называемых в хемоинформатике «молекулярными дескрипторами». Существует огромное разнообразие (тысячи!) различных типов молекулярных дескрипторов.

Для обмена информации между программами и для «внешнего» представления химических структур наибольшей популярностью в настоящее время пользуются текстовые строки, называемые SMILES. Задача представления органических соединений осложняется такими сугубо химическими явлениями, как электролитическая диссоциация, мезомерия и таутомерия, вследствие чего одно органическое вещество может быть описано целым набором различных графов и, следовательно, может иметь несколько представлений, из которых для целей идентификации обычно выбирают «каноническое» представление.

Задача еще более осложняется, если необходимо учесть геометрическую и пространственную изомерию (стереоизомерию), что не всегда возможно сделать на уровне графов и часто требует элементов гиперграфового представления. Также для целей моделирования требуется учесть наличие у гибких молекул множества пространственных форм – конформеров. Все эти обстоятельства должны быть учтены при выборе представлений химических веществ для машинного обучения.

На следующих уровнях усложнения, например, при переходе к супрамолекулярным комплексам, синтетическим полимерам, твердотельным материалам, задача поиска наиболее адекватного представления для структуры вещества становится еще более сложной, и для нее к настоящему времени не предложено удовлетворительного решения.

Существующие подходы в информатике полимеров и кристаллов ориентированы главным образом на моделирование, и то для самых простых случаев, а попыток создания информатики для супрамолекулярной химии еще не предпринималось. Таким образом, здесь надо говорить не о пробелах, а о небольших исследованных территорий внутри большой terra incognito.

Для интересующихся методами представлений химических веществ на компьютере я бы рекомендовал нашу монографию: Т.И.Маджидов, И.И.Баскин, И.С.Антипин, А.А. Варнек «Введение в хемоинформатику. Компьютерное представление химических структур». Казань: Казан. ун-т, 2013, ISBN 978-5-00019-131-6.

Какие основные достижения в синтетической химии произошли в этом году?

Синтетической органической химии уже почти 200 лет, и основной пик ее развития как фундаментальной науки пришелся на вторую половину прошлого века, когда были сформулированы ее основные законы и показана реальная возможность синтезировать вещества любого уровня сложности.

Сейчас все больше говорят о синтетической химии как об уже устоявшейся прикладной дисциплине, главной задачей которой является поиск оптимальных способов получения веществ с необходимыми свойствами. Вследствие этого она давно уже разделилась на множество областей (например, медицинская химия, нефтехимия, катализ, химия различных типов материалов), в каждой из которой идет непрерывное поступательное развитие.

Для меня наибольший интерес представляют работы последних лет в области роботохимии – новой научно-прикладной дисциплины, направленной на автоматизацию процесса синтеза веществ при помощи специальных роботов, работающих под управлением компьютеров.

Особенно хотелось бы отметить достижения последних лет по созданию миниатюрных химических реакторов, интегрированных в компьютерные чипы, что позволяет осуществлять синтез, выделение, анализ и даже биологические испытания синтезированных веществ в буквальном смысле внутри компьютера под управлением искусственного интеллекта.

Каковы успехи машинного обучения в синтетической химии? Где мы стоим?

Начну с пояснения исторического контекста. С тех пор, когда в пятидесятых годах прошлого века появился термин «искусственный интеллект», химия (и в особенности синтетическая органическая химия) рассматривалась, наряду с медицинской диагностикой, как одна из основных сфер его будущего применения. Большинство остальных задач было поставлено значительно позже.

На первом этапе его развития основной упор делался на использование т.н. экспертных систем, основанных на хранимых в базах знаний правилах, сформулированных химиками-экспертами, и механизме логического вывода.

Первой успешной экспертной системой в области синтетической химии стала разработанная под руководством нобелевского лауреата по химии Элайаса Кори к началу 70-ых годов прошлого века программа LHASA. Можно утверждать, что LHASA совершила в свое время революцию как в области синтетической органической химии, так и искусственного интеллекта, и определила основные направления развития компьютерной синтетической химии на долгие годы вперед. Так получилось, что именно синтетическая химия стала той области, где еще в 80-ых годах возможности искусственного интеллекта подошли очень близко и почти сравнялись с возможностями опытных химиков-синтетиков. Это и определило в 70-ые и 80-ые годы популярность синтетической химии среди специалистов по искусственному интеллекту.

Тем не менее, несмотря на большие успехи, достигнутые искусственным интеллектов в области синтетической химии, к 90-ым годам популярность этого направления резко уменьшилась и даже практически стала нулевой.

Произошла парадоксальная вещь, до сих пор обсуждаемая в кругу специалистов. Хотя возможности компьютера по планированию синтеза подошли близко к возможностям химиков-синтетиков, последние все равно нужны, чтобы проводить синтез, и никакой компьютер их в этом не заменит. В результате этого компьютерная программа стала восприниматься как дорогостоящая «игрушка», без которой можно обойтись и на которую не стоит тратить деньги. Это как раз совпало с началом «зимы» в области искусственного интеллекта, когда стали ясны принципиальные недостатки основанных на правилах экспертных систем: лишь небольшая часть знаний может быть представлена и сформулирована экспертами в виде четких правил, и поэтому их основная масса, воспринимаемая экспертами лишь на уровне интуиции, оказывается незадействованной в рамках экспертных систем.

Примерно это и привело в свое время к краху некогда амбициозной японской программы компьютеров пятого поколения.

Первые работы по использованию машинного обучения в планировании синтеза появились в конце 80-ых и начале 90-ых годов как попытки преодолеть вышеупомянутый недостаток основанных на правилах экспертных систем, научив компьютер самостоятельно (без помощи людей-экспертов) извлекать знания по реакционной способности химических соединений из начавших тогда формироваться баз данных, содержащих сведения об опубликованных в литературе химических реакциях.

Сначала эти знания имели форму правил, предназначенных для пополнения баз знаний, входящих в существующие экспертные системы, а потом стали извлекаться и «нечеткие» правила, имитирующие интуицию химика-синтетика, для чего еще в начале 90-ых годов стали использоваться нейронные сети. Надо сказать, что и в настоящее время задача автоматического извлечения знаний о реакционной способности из баз данных по опубликованным реакциям для последующего использования в рамках экспертных систем нового поколения является центральным направлением применения машинного обучения в синтетической химии.

Другим важным направлением сейчас является также и использование машинного обучения для установления связи между структурой вещества и его свойствами, что позволяет осуществлять синтез тех веществ, которые, согласно построенным моделям, должны характеризоваться нужным набором свойств.

Первые примеры автоматического извлечения данных использовали базы данных из десятков реакций, дальше пошли тысячи, десятки тысяч, а сейчас работа уже идет с миллионами и десятками миллионов реакций, которые охватывают уже все реакции, проведенные во всем мире за 200 лет существования синтетической химии. Произошел переход количество в качество, и мир вступил в эпоху «больших данных» (big data). С начала 90-ых годов мощность компьютеров возросла на несколько порядков, особенно с появлением графических карт GPU.

В последние годы также и стала доступна методология «глубокого обучения» (deep learning), позволяющая извлекать из большого объема данных знания, основанные на очень сложных закономерностях. Все это привело в последние годы к взрыву интереса к использованию искусственного интереса в синтетической химии. За последние два года было опубликовано больше важных и интересных работ, чем за предыдущие 20 лет вместе взятых. Таким образом «зима» закончилась и сразу же без «весны» сменилась очень «жарким летом». В настоящее время вследствие огромного объема накопленных знаний человеку, даже очень опытному химику-синтетику, становится очень сложно состязаться с искусственным интеллектом в планировании синтеза.

Для желающих разобраться в этом вопросе более подробно я бы рекомендовал нашу только что вышедшую монографию: И.И.Баскин, Т.И.Маджидов, А.А.Варнек «Введение в хемоинформатику. Часть 5. Информатика химических реакций». Казань: Казан. ун-т, 2017, ISBN 978-5-00019-907-7.

Насколько близки мы, чтобы перечислить возможные химические реакции? Науке известно порядка 90 миллионов реакций? Какой порядок неизвестного ?

Перечислять можно только что-то дискретное и четко различающиеся между собой, например низкомолекулярные органические соединения, которые описываются разными графами. В случае же реакций сама постановка задачи перечисления является очень неочевидной. Например, реакция гидролиза этилацетата и метилацетата – это разные реакции или два примера одной и той же реакции?

Гидролиз этилацетата в щелочной и кислой средах – это разные реакции или одна и та же реакция, проводимая в разных условиях? Таким образом, сама по себе постановка перечисления реакций имеет смысл только в рамках конкретной схемы классификации реакций, определяющей, что считается одной реакцией, а что разными.

Существует множество разных схем классификации органических реакций, и все они имеют многоуровневую иерархическую структуру. На самом низком (подробном) уровне, где реакции образования разных соединений считаются разными реакциями, число реакций не может быть меньше числа химических соединений, а низкомолекулярных соединений даже по самым скромным оценкам 10 в степени 60, то есть значительно больше, чем элементарных частиц во всей Вселенной. На самом же высоком (абстрактном) уровне их может быть очень мало. Например, большинство элементарных стадий органических реакций описываются всего лишь несколькими общими схемами перераспределения связей. Все зависит от того, что мы вкладываем в понятие перечисления реакций.

Опишите, пожалуйста, более подробно задачу: «Как будет выглядеть и как синтезировать комбинаторную библиотеку химических соединений, ориентированную на заданный тип биологической активности?»

Допустим, известно, что некоторые соединения определенного класса (например, замещенные пиразолы) проявляют желаемый вид биологической активности. Задача состоит в том, чтобы синтезировать другие представители этого же класса в одну стадию с высоким выходом, комбинируя различные прекурсоры (исходные реагенты для синтеза) из каталога коммерчески доступных веществ.

Синтезированный таким образом набор (библиотеку) химических соединений можно отдать на биологические испытания, которые вполне могут выявить соединения с улучшенным набором свойств. Это вполне реальная задача, часто возникающая при разработке новых лекарственных препаратов на этапе «оптимизации свойств лидера» (lead optimization).

Компьютерная программа в этом случае должна предложить метод синтезов соединений выбранного класса в одну стадию из нескольких прекурсоров, найти в каталоге подходящие для этого прекурсоры и для каждой их комбинации оценить возможность протекания реакции синтеза с высоким выходом. На решение подобных задач ориентирован, например, один из модулей компьютерной системы WODCA (W.-D. Ihlenfeldt, J. Gasteiger, Angew. Chem., Int. Ed. Engl., 1995, 40, 993-1007).

Какие научные группы в мире – лидеры использования ИИ в синтетической химии? Каковы их достижения?

Таких групп уже много. Выборочно перечислю несколько групп, активно работающих в настоящее время в этом направлении.

1. Й. Гастайгер (J. Gasteiger, Эрланген, Германия) – один из «отцов» хемоинформатики, внесший огромный вклад в формировании хемоинформатики как науки, пионер в использовании нейронных сетей в химии. Под его руководством разработано несколько компьютерных систем планирования органического синтеза: EROS, WODCA. В плане использования ИИ в синтетической химии особый интерес представляют его работы по использованию самоорганизующихся нейронных сетей Кохонена для картирования химических реакций и извлечения знаний о реакционной способности органических соединений.

2. Г. Шнайдер (G. Schneider, Цюрих, Швейцария). С точки зрения использования ИИ в синтетической химии большой интерес вызывает реализованный в программе DOGS подход, позволяющий для заданного биологически активного соединения найти структуры его аналогов вместе с путями их синтеза с использованием набора легко осуществимых органических реакций и каталога доступных реагентов для синтеза. Особый интерес представляет также разработанная в его группе платформа ALOE, предназначенная для автоматической оптимизации соединения-лидера (при разработке лекарственных препаратов) с использованием технологии микропроточного синтеза с помощью чипов под управлением программных средств на основе методов машинного обучения.

3. К. Фунатсу (K. Funatsu, Токио, Япония). Под его руководством разработана экспертная система планирования органического синтеза KOSP, основанная на правилах, автоматически извлекаемых из базы данных по реакциям. На этих же правилах основана и система SOPHIA для предсказания продуктов химических реакций.

4. Б. Гжибовски (B.A. Grzybowski, Эванстон (Иллинойс), США и Варшава, Польша). Основной продукт – Chematica. Это планировщик и оптимизатор синтеза, основанный на «сети органической химии», представляющей собой «граф знаний», включающий в качестве вершин 10 миллионов химических соединений и 10 миллионов связывающих их реакций.

5. П. Бальди (P. Baldi, Ирвайн (Калифорния), США). Интересные разработки: Reaction Explorer (основанная на правилах экспертная система для прогнозирования продуктов органических химических реакций) и Reaction Predictor (нейросетевая система, предназначенная для прогнозирования продуктов реакций с учетом их механизмов)

6. У. Грин и К. Дженсен (W.H. Green, K.F. Jensen, Кэмбридж (Массачусетс), США) Разработана универсальная система прогнозирования продуктов реакций органических соединений, сочетающая использование реакционных правил с нейросетевым моделированием с помощью глубокого обучения.

7. М. Уоллер (M.P. Waller, Мюнстер, Германия и Шанхай, Китай) Разработана основанная на «нейросимвольном» (neurosymbolic) подходе универсальная система планирования органического синтеза и прогнозирования продуктов реакций органических соединений, сочетающая использование автоматически извлекаемых реакционных правил с нейросетевым моделированием с помощью глубокого обучения.

8. А. Варнек (A. Varnek, Страсбург, Франция) Одна из наиболее активных групп в области хемоинформатики. Разработана концепция «конденсированного графа реакции», позволившая осуществлять поиск по сходству в базах данных по реакциям, применять алгоритмы машинного обучения к данным по реакциям, прогнозировать оптимальные условия осуществления синтеза, строить карты химического пространства реакций.

9. Т.М. Маджидов (Казань, Российская Федерация) В настоящее время это единственная в Российской Федерации активно работающая группа, осуществляющая исследования в области информатики синтетических реакций в органической химии. В ее рамках осуществлено прогнозирование кинетических и термодинамических характеристик химических реакций, создана экспертная система по защитным группам в органическом синтезе, осуществлено картирование пространств химических реакций. Большинство работ осуществляется в тесном сотрудничестве с лабораторией хемоинформатики Страсбургского университета (А. Варнек).

Последнее десятилетие активно обсуждается прогресс, достигнутый в области предсказания кристаллических структур веществ - направлении, которое долгое время считалось едва ли не безнадёжным. При помощи эволюционного алгоритма USPEX Оганова-Гласса удалось открыть множество новых стабильных химических соединений, ранее обойдённых вниманием химиков. Как вы считаете - каковы перспективы эволюционного подхода в области синтеза сложных органических молекул? Стоит ли на ваш взгляд ждать в ближайшее десять лет успехов в этом направлении?

Эволюционный подход (главным образом, генетический алгоритм) активно используется в хемоинформатике уже более 25 лет и считается традиционным методом стохастической оптимизации. На нем основано большинство известных алгоритмов молекулярного докинга – процесса «стыковки» молекулы органического соединения (например, потенциального лекарства) в полость «биологической мишени» (обычно белка).

Генетический алгоритм также очень часто используют для отбора дескрипторов и поиска оптимальных значений параметров методов машинного обучения при построении моделей для прогнозирования свойств химических веществ. Мы также часто используем генетический алгоритм при построении карт пространств химических соединений и реакций.

Но для решения непосредственно задачи планирования синтеза генетический алгоритм обычно не используется. Судя по всему, для этой задачи более эффективны различные модификации метода Монте Карло. Что касается ближайших десяти лет, то я ожидаю появления более эффективных в вычислительном плане методов стохастической оптимизации.

Также в последние годы в области машинного обучения наблюдается заметный тренд на развитие техник обучения без учителя (unsupervised learning) - направления весьма привлекательного в силу того, что себестоимость разметки массивов при участии людей остаётся примерно постоянной величиной, а вычислительные мощности постоянно растут и дешевеют. Появление автоэнкодеров открыло дорогу появлению техник эмбеддинга (embedding), работы Йошуа Беньо и Томаса Миколова совершили революцию в области обработки нейронными сетями естественного языка за счёт создания семантических векторных пространств (технологии word2vec, GloVe и т.п.). Применение этого подхода представляется весьма перспективным и в области биоинформатики - последовательности нуклеотидов ДНК, эпигеном, транскриптом - весьма напонимают по своей структуре тексты. Есть ли успехи в применении этих технологий в биоинформатике? Связываете ли вы с ними надежды на заметный прогресс в области анализа биологических данных?

Про биоинформатику ничего не скажу, так как работаю в области хемоинформатики, а это не одно и то же. Что касается применения алгоритмов обработки текстов с помощью рекуррентных нейронных сетей типа LSTM, приводящих к созданию семантических векторных пространств, то они в хемоинформатике очень интенсивно используются. Более того, они для хемоинформатики даже лучше подходят, чем для биоинформатики.

Дело в том, что химическую структуру тоже легко записать в виде строки – для этой цели используют кодировку SMILES. В этом случае формируемое латентное пространство очень хорошо подходит для представления выборок химических соединений для их использования для построения моделей «структура-свойство». Более того, при запуске обученных таким образом рекуррентных нейронных сетей в режиме генерации формируются структуры новых химических соединений. Это позволяет, например, решать задачу дизайна молекул новых лекарственных препаратов.

Что касается автоэнкодеров, то еще в 2011 г. мы разработали на их основе и опубликовали новый метод осуществления виртуального скрининга библиотек (баз данных) химических соединений с целью поиска перспективных молекул для разработки новых лекарственных препаратов.

Что касается методов обучения без учителя (unsupervised learning), то в хемоинформатике они интенсивно используются уже более 30 лет. В 80-ых годах и начале 90-ых наибольшей популярностью пользовался классический (разработанный еще в 30-ых годах прошлого века!) линейный метод главных компонент (PCA), начиная с середины 90-ых и до конца 2000-ых несомненным лидером по популярности в области хемоинформатики были само-организующиеся нейронные сети Кохонена, тогда как в последние годы все большую популярность в хемоинформатике получает построенный на базе Байесовского обучения вероятностный аналог сетей Кохонена – генеративные топографические отображения (GTM – Generative Topographic Mapping). Варианты последнего метода очень хорошо подходят для работы с большими базами химических объектов, в том числе реакций органического синтеза. Из других методов обучения без учителя для решения разных задач в области хемоинформатики мы также используем одноклассовый вариант машины опорных векторов (1-SVM), а также особый класс «основанных на энергии» нейронных сетей с симметричными связями, таких как сети Хопфилда и ограниченная машина Больцмана (RBM – Restricted Boltzmann Machine).

Каково видится будущее использования ИИ в синтетической химии? Как быстро ИИ отберет работу у химиков?

Я вижу в будущем несколько направлений использования ИИ в синтетической химии, которые частично реализуются уже и в настоящее время. Например, методы ИИ для обработки текстов и распознавания изображений уже сейчас активно используются для извлечения из литературы и других источников информации о методах синтеза химических веществ, об их свойствах и реакционной способности. Это уже сейчас позволяет существенно сократить затраты по найму большого количества квалифицированных химиков (обычно низкооплачиваемых из стран «третьего мира»), которые извлекают из гигантского объема опубликованной литературы информацию для пополнения баз данных.

При таком «ручном» способе пополнения значительная часть потенциально полезной информации оказывается «потерянной». Методы ИИ также начинают применяться для автоматической обработки и анализа уже собранной в базах данных информации, поиска ошибок, их исправления, а также автоматического пополнения отсутствующих сведений, что позволяет значительно повысить ценность такой информации для химиков-синтетиков.

Следует отметить, что в этом направлении лидирующие позиции занимает лаборатория хемоинформатики из Казанского федерального университета. Химики-синтетику уже сейчас начинают использоваться в своей работе в качестве рабочих журналов «электронные записные книжки» (electronic notebooks), которые в будущем будут насыщены средствами ИИ и станут основные средством сбора химической информации.

В будущем ИИ возьмет на себя функцию регулярного просмотра и анализа огромного объема публикуемой литературы по химическому синтезу и свойствам химических веществ, что в настоящее время занимает значительное время у всех химиков и с чем они уже плохо справляются. В будущем появятся у химиков появятся «интеллектуальные помощники», которые смогут ответить на любые возникающие в работе вопросы, например, как оптимальным образом синтезировать химические вещества, какие вещества вообще надо синтезировать для заданной цели. Уже сейчас происходит интеграция средств ИИ из областей синтетической химии, фармакологии, биоинформатики, науки о материалах, а также робототехники. Это приведет в будущем к тому, ИИ будет не только планировать, но и проводить рутинный химический синтез, что значительно повысит эффективность разработки новых лекарственных препаратов и новых материалов. Думаю, что немного в более отдаленном будущем ИИ станет основным средством в планировании и проведении научных исследований в области химии. Современное развитие хемоинформатики направлено именно на это.

Сейчас многие, включая рад выдающихся ученых, видят большую опасность в широком внедрении ИИ, который может отнять рабочие места у людей и, возможно, даже сделают существования человечества ненужным. Все сразу вспоминают при этом фильм «Терминатор». Такая опасность, конечно же существует, но подобные опасности возникали и при внедрении машин и информационных технологий. Думаю, что развитие ИИ приведет в большей степени к появлению дополнительных специальностей и рабочих мест, чем к ликвидации старых. В области синтетической химии ИИ избавит людей от рутинной работы, занимающей большую часть времени, и сделает работу химиков значительно более творческой и продуктивной. ИИ скорее будет помогать в развитии и эффективном использовании возможностей человека, чем будет представлять для него угрозу.

Вопросы задавали Миша Батин и Сережа Марков.