При исследование и моделирование искусственного интеллекта выделяют основные подходы такие как

Глубокое обучение

Знания в интеллектуальных системах хранятся не бессистемно. Они образуют упорядоченные структуры, что облегчает поиск нужных знаний и поддержание работоспособности баз знаний. Для этого используются различные классифицирующие процедуры. Типы классификаций могут быть различными: родовидовые типа «часть-целое» или ситуативные, когда в одно множество объединяются знания, которые релевантны некоторой типовой ситуации. В этой области исследования по искусственному интеллекту тесно соприкасаются с теорией классификации, давно существующей как самостоятельная ветвь науки.

Первый — нейробионический. В его основе лежат системы нейроподобных элементов, из которых создаются системы, способные воспроизводить некоторые интеллектуальные функции. К числу задач, которые, по-видимому, могут быть решены в рамках этого подхода, относится многоканальное (параллельное) распознавание сложных зрительных образов, обучение условным рефлексам и др.

Базовая структура «системы, базирующейся на знаниях» состоит из следующих блоков: базы знаний, содержащей знания о некоторой ограниченной предметной области; решателя, или блока логического вывода, осуществляющего активизацию знаний, соответствующих текущей ситуации; блока верификации БЗ, обеспечивающего добавление новых знаний и корректировку уже существующих; блока объяснения, позволяющего пользователю прослеживать всю цепочку рассуждений системы, приводящих к конечному результату, и, наконец, интерфейса, обеспечивающего удобную связь между пользователем и системой.

Работа со знаниями лежит в основе современного периода развития искусственного интеллекта. На рис. 4 показана структура этого направления. Всякая предметная (проблемная) область деятельности может быть описана в виде совокупности сведений о структуре этой области, основных ее характеристиках, процессах, протекающих в ней, а также о способах решения возникающих в ней задач. Все эти сведения образуют знания о предметной области. Для решения задач в данной предметной области необходимо собрать знания о ней и создать концептуальную модель этой области. Источниками знаний могут быть документы, статьи, книги, фотографии и многое другое.

Чаще этот метод ИИ узкой направленности. Эволюционное моделирование применяется, когда поисковое пространство большое, сложноустроенное. То есть, простые программы на компьютере не способны решить данную проблему. Например, робот-медработник, там применяется алгоритм искусственного интеллекта с медицинской спецификой. Эта методика используется с группой нечётной логики или экспертной.

Типично программистский характер имеют и работы по автоматизации программирования. Синтез программ может быть осуществлен из типовых блоков (готовых модулей) по описанию исходной задачи в рамках некоторой дедуктивной системы. В этом случае процедура синтеза представляет собой нечто вроде логического вывода, в ходе которого программа как бы «извлекается» из траектории вывода. Другой вид синтеза — индуктивный — представляет собой процесс генерирования программы в ходе обучения на множестве примеров. Основной трудностью здесь является выбор способа формального описания функциональных особенностей и свойств синтезируемых программ.

Нейронные сети и генетические алгоритмы

Попытки уйти от неоправдавших себя универсальных эвристик при решении интеллектуальных задач привели к заключению о том, что главное, чем располагает специалист, — это накопленный им в процессе своей профессиональной деятельности некоторый набор разнообразных приемов и неформальных правил. Впоследствии была разработана ЭС Dendral, базирующаяся на знаниях, которая явилась прототипом всех последующих ЭС.

Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность.

Нейронные сети — самообучающиеся компьютерные программы, которые могут хорошо решать задачи по распознаванию речи человека или образов. НС работают наподобие нервной системы человека. При их создании однотипные данные пропускаются через структуру нейронных сетей, затем программисты фиксируют результат и просто отсеивают факторы, которые его могут ухудшить.

Дальнейшим этапом в развитии систем-прототипов является переход к системам, называемым «оболочками», позволяющим в ходе перехода от них к конкретным системам широко варьировать как формы представления знаний, так и способы манипулирования ими. Несмотря на то, что создание систем-оболочек требует больших затрат, они оказываются эффективными.

Когда инженер по знаниям получает знания из различных источников, он должен интегрировать их в некоторую взаимосвязанную и непротиворечивую систему знаний о предметной области. Проблема интеграции знаний пока не стоит столь остро, но уже ясно, что без се решения вряд ли будет возможно создать представление о предметной области, обладающее теми же богатыми нюансами, которое существует у специалистов.

Лишь небольшая часть языков программирования ориентирована на задачи искусственного интеллекта. Так, наиболее распространенный язык Лисп отражает ту точку зрения, что основой большинства интеллектуальных задач являются хорошо организованные перебор и поиск. Увеличение крена в область задач логического вывода породило язык Пролог.

Для установления соответствия между конкретными функциональными структурами основных типов интеллектуальных систем, представленных на рис.6, и типовой схемой рис. 7 рассмотрим таблицу. В ней для каждого вида интеллектуальной системы показано, какие блоки в этот вид обязательно входят ( + ) и какие блоки не входят (-). Нулями отмечены блоки, которые могут входить или не входить в соответствующую систему в зависимости от характера решаемых задач и степени технического совершенства системы.

Третий подход рассматривает проблемы создания интеллектуальных систем как часть общей теории программирования (как некоторый новый виток в этой теории). При этом подходе для составления интеллектуальных программ используются обычные программные средства, позволяющие писать нужные программы по описаниям задач на профессиональном естественном языке. Все метасредства, возникающие при этом на базе частичного анализа естественного интеллекта, рассматриваются здесь лишь с точки зрения создания интеллектуального программного обеспечения, т. е. комплекса средств, автоматизирующих деятельность самого программиста.

Нечёткая логика, нечёткие множества и мягкие вычисления

С помощью использования ИИ фреймового подхода можно производить выбор при наличии множества значений, которые невозможно просчитать другими вариантами. Этот метод ИИ применяется, чтобы извлечь закономерности из избыточной информации, на основании этого принять решение о необходимости применять другие вычисления.

Метод машинного обучения считается направлением искусственного интеллекта и информатики, в котором используются данные и алгоритмы, чтобы имитировать человеческое обучение. При использовании этого подхода ИИ не требуется записывать все правила. Нужно создавать систему, которая способна сама учиться и совершенствоваться, выводить внутренние правила после изучения большого количества примеров без специального программирования. Этот вид ИИ хорошо может генерировать, управлять и хранить больше данных.

Были созданы специальные инструментальные средства тиражирования однотипных интеллектуальных систем, например система-прототип, называемая «пустой», в которой заранее зафиксированы все средства заполнения базы знаний и манипулирования знаниями в ней, но сама база знаний не заполнена. Для настройки такой «пустой» системы на некоторую предметную область нужно, используя готовую форму представления знаний, ввести в базу знаний необходимую информацию о предметной области, превращая тем самым систему-прототип в готовую интеллектуальную систему. К сожалению, область использования «пустых» систем оказалась весьма ограниченной, так как даже для, казалось бы, однотипных предметных областей требуется модификация средств манипулирования знаниями, а иногда и форм представления знаний.

Из этих источников надо извлечь содержащиеся в них знания. Этот процесс оказывается достаточно трудным, ибо надо заранее оценить важность и нужность тех или иных знаний для работы интеллектуальной системы. Специалисты, которые занимаются вопросами, связанными со знаниями, называются инженерами по знаниям или инженерами знаний.

Знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно. Значительную часть профессионального опыта эти специалисты не могут выразить словесно. Такие знания часто называют профессиональным умением или интуицией. Для того чтобы приобрести такие знания, нужны специальные приемы и методы. Они используются в инструментальных системах по приобретению знаний, создание которых — одна из задач инженерии знаний.

В состав интеллектуального интерфейса могут входить блоки 1-4 и 13. Лингвистический процессор обеспечивает связь пользователя с системой на естественном (почти всегда ограниченном) языке: ввод и понимание системой текстов на нем и вывод текстов, вырабатываемых системой.

Развитие методов работы со знаниями и форм представления знаний привело к появлению специальных языков представления знаний, например языков KL, KRL, FRL, ориентированных на фреймовое представление, и языка Пилот, в основе которого лежит продукционная модель знаний.

Первое направление, таким образом, рассматривает продукт интеллектуальной деятельности человека, изучает его структуру, и стремится воспроизвести этот продукт средствами современной техники. Моделирование систем машинного интеллекта достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида . Ясно, что успехи этого направления искусственного интеллекта оказываются тесно связанны с развитием возможностей ЭВМ и искусства программирования, то есть с тем комплексом научно-технических исследований, которые часто называют компьютерными науками.